Тенденции развития научно-технической кооперации

Таким образом, полученные эмпирически результаты стратификации регионов методом расщепления смеси вероятностных распределений действительно соотносятся с наблюдаемыми значениями объемов внутренних затрат на научные исследования и разработки, а также адекватно отображают текущее состояние инновационной системы в Российской Федерации.

Индекс научно-технической кооперационной активности в регионах России в 2014 году

Для того что оценить регионы России по степень развития научно технической кооперации нужно вывести интегральный индикатор кооперационной активности, состоящий из ряда показателей.

На основе изучения обширных теоретических материалов была сформирована система показателей (см. 1 Глава), описывающих научно-техническую кооперационную деятельность регионов России, по наиболее актуальным данным Росстата по регионам за 2014 год:

X1 - Количество совместных проектов по выполнению исследований и разработок, единиц/тыс. чел.

X2 Количество совместных проектов по типу партнеров - научные организации единиц/тыс. чел.

X3 Удельный вес организаций, участвовавших в разработке совместных проектов по выполнению исследований и разработок, %

X4 Число выданных патентов на изобретения единиц/тыс. чел.

X5 Число выданных патентов на полезные модели единиц/тыс. чел.

Однако составленный априорный набор показателей следует проверить на тесную корреляцию, для отбора тех, которые войдут в агрегированный показатель кооперационной активности.

На основе анализа матрицы парных коэффициентов корреляции было принято решение из сильно коррелирующих друг с другом X4 и X5 только показатель X4.

Из рассматриваемой совокупности были удалены регионы с недостающими данными.

После, адекватность применения факторного анализа проверена критерием сферичности Бартлетта и критерием адекватности выборки Кайзера-Мейера-Олкина (см. приложение табл. П2.1). Критерий сферичности Бартлетта: отклоняет нулевую гипотезу о единичной корреляционной матрице, значение статистики равно 67,44 с шестью степенями свободы, она является значимой на уровне 0,05. Критерий адекватности выборки Кайзера-Мейера-Олкина: значение статистики равно 0,643 (>0,5). Метод факторного анализа является допустимым.

По методу главных компонент удалось снизить размерность, выделив одну главную компоненту, объясняющую 52,8% дисперсии (см. приложение табл. П2.2). Поскольку процент объясненной дисперсии превышает 50%, следовательно, по алгоритму, предложенным С.А.Айвазяном [1] можно использовать данную компоненту для построения соответствующего интегрального индикатора, в нашем случае это агрегированный индикатор научно-технической кооперационной активности регионов.

Оценки интегрального индикатора были унифицированы, тем самым сужена область значений до отрезка [0;1] (см. приложение 3). Затем регионы России были ранжированы по возрастанию интегрального индикатора, использованного в данном случае как индекс кооперационной активности предприятий в регионах России (см. приложение 3).

Таким образом, было установлено что в пятерку передовых регионов по уровню кооперационной активности (наибольший индекс кооперационной активности) вошли г. Москва, Камчатский край, Магаданская область, г. Санкт-Петербург, Томская область.

К пятерке отстающих регионов по уровню кооперационной активности (наименьший индекс кооперационной активности) вошли Ненецкий автономный округ, Республика Ингушетия, Республика Калмыкия, Республика Адыгея, Сахалинская область.

3.2 Анализ ключевых факторов развития научно-технической кооперации

Прежде чем приступать к изучению особенностей научно-технической кооперации в региональном разрезе, следует выделить общие тенденции, схожие для всех субъектов РФ и объясняемые на национальном уровне.

Анализ будет строиться на основании системы показателей, источником которой стали официальные данные Федеральной службы государственной статистики (см. 1 Глава). Предложенная система показателей способна адекватно отразить особенности научно-технической кооперации и связанных с ней процессов. Следует отметить, что все показатели представлены в относительных величинах, поскольку подобная форма представления наилучшим образом показывает не только количественную сторону экономических явлений, но и позволяет дать сравнительную оценку. Все перечисленные значения по показателям брались за 2014 год, как наиболее актуальные данные по форме №4 - «Инновация», подробно описанной в первой главе исследования.

К таким показателям относятся:

Объем инновационных товаров, работ, услуг в процентах от общего объема отгруженных товаров, выполненных работ, услуг в 2014, %

Количество совместных проектов по выполнению исследований и разработок, единиц/ 100 тыс. чел.,

Затраты на технологические инновации, руб./чел.

Используемые передовые производственные технологии, единиц/10 тыс. чел.,

Удельный вес организаций, имевших завершенные технологические инновации в общем числе обследованных организаций, %

Удельный вес организаций, имевших завершенные технологические инновации, в общем числе обследованных организаций, %

Число выданных патентов на изобретения, единиц/ 100тыс.чел.

Удельный вес организаций, участвовавших в разработке совместных проектов, в общем числе обследованных организаций, %

Удельный вес организаций, оценивших научные организации академического профиля в качестве основных источников информации, в общем числе обследованных организаций, %

Удельный вес организаций, осуществлявших технологические инновации, в общем числе обследованных организаций, %

В качестве генеральной совокупности наблюдений выступают все субъекты РФ. Однако, в исходной совокупности наблюдений присутствуют наблюдения с недостающими данными, и из-за невозможности восстановить эти значения, отсутствия данным по выбранным показателям за предыдущие года, принято решение их удалить из дальнейшего анализа. Таким образом, из генеральной совокупности были исключены Ненецкий автономный округ, Республика Калмыкия, Республика Ингушетия, Чукотский автономный округ и город федерального значения Севастополь. В результате в выборке остается 80 регионов Российской Федерации.

Произведена проверка имеющихся наблюдаемых значений по выбранным переменным на подчинение нормальному закону распределения. Проверка произведена с помощью критерия Колмогорова-Смирнова - при p < 0,05 можно считать что гипотеза о нормальном законе распределения не принимается. Предварительная проверка показала, что ни одна из переменных не подчиняется нормальному закону распределения (см. приложение табл. П4.1).

После проверки выбросов для каждой переменной с помощью коробчатой диаграммы (см. приложение 4) и удаления экстремальных выбросов, в выборочной совокупности осталось 72 региона. Уже после этого шага значения показателей «использованные технологии» и «выданные патенты» стали подчинятся нормальному закону распределения.

После удаления подозрительных на выбросы значений в рассматриваемой совокупности осталось 60 регионов и большинство переменных стали распределены по нормальному закону распределения. Проверка на нормальное распределение снова была произведена по критерию Колмогорова Смирнова (см. приложение табл. П4.2). Поскольку выбранные для анализа показатели на этом этапе подчиняются нормальному закону распределения, можно приступить к регрессионному анализу.

Таблица 3 - Характеристики степенной регрессионной модели зависимости объема отгруженной продукции от используемых производственных технологий, доли организаций, осуществляющих технологические инновации и количества выданных патентов

Модель	Нестандартизованные коэффициенты	Стандартизованные коэффициенты	t	Знач. p-value
	в	Стандартная Ошибка	в
Константа	-2,511	0,821		-3,059	0,003
	0,544	0,182	0,370	2,986	0,004
	0,399	0,312	0,165	1,277	0,207
	0,193	0,181	0,135	1,068	0,290

После проверки матрицы парных коэффициентов корреляции независимых переменных (см. приложение табл. П4.3) было отмечено, что между переменными «организации, имевшие завершенные технологические инновации» и «количеством выданных патентов» сильная и сверхзначимая (на уровне значимости 0,01) корреляция. Во избежание возникновения мультиколлинеарности в модели, вызванной сильной корреляцией регрессоров, было принято решение оставить один из двух показателей, который имеет более сильную связь с зависимой переменной. В данном случае в дальнейшем анализе был оставлен показатель» «количество выданных патентов».

При эмпирическом переборе спецификаций моделей предположение о возможном степенном характере зависимости (предполагаемое ввиду наличия денежных переменных - затрат, объема инновационных товаров и других) было опровергнуто, поскольку данные модели обладали слишком низкой объясняющей способностью.

Однако, именно в одной из степенных моделей была доказана положительная зависимость результативности инновационной деятельности региона, от его технологической оснащенности.

В качестве зависимой переменной в модели был использован удельный вес инновационной продукции в общем объеме отгруженной продукции, а в качестве основных регрессоров использованы логарифмированные показатели использованных технологий, организаций, осуществляющих технологические инновации, а также количество выданных патентов.

Модель имеет вид:

Где - вес инновационной продукции в отгруженной, - используемые передовые производственные технологии, -организации, осуществляющие технологические инновации, - количество выданных патентов.

Полученная степенная модель является значимой на уровне значимости 0,05 (поскольку значение p-value = 0,0001 что значимо и на уровне 0,001); и имеет объясняющую способность менее 30ти %, коэффициент детерминации R2=27,4% (см. приложение 5).

Однако коэффициент при показателе используемых технологий является значимым на уровне 0,05 (p-value = 0,004) а значит можно сделать вывод о том, что увеличение обеспеченности региона технологическими мощностями и стартовым технологическим капиталом в виде знаний и технологий увеличивает результативность инновационной деятельности региона (табл. 3).

Полученный вывод необходим в дальнейшем ходе исследования для более глубокого понимания процессов, стимулирующих развитие кооперационной активности.

Таблица 4 - Характеристики линейной множественной регрессионной модели зависимости количества совместных проектов от используемых технологий, организаций, осуществляющих технологические инновации и выданных патентов; построенной по общей выборке регионов РФ

Модель	Нестандартизованные коэффициенты	Стандартизованные коэффициенты	t	Знач. p-value
	в	Стандартная Ошибка	в
Константа	-8,592	2,481		-3,463	0,001
	3,474	0,698	0,491	4,981	0,001
	0,606	0,196	0,301	3,095	0,003
	0,029	0,014	0,192	2,112	0,039

Для описания склонности предприятий конкретного региона к совместному созданию конкурентоспособной инновационной продукции был выбран показатель «количество разрабатываемых предприятиями совместных проектов на душу населения», поскольку он не только отражает концентрацию инновационных сотрудничеств в отдельно взятом регионе, но и показывает ее результативность - созданные инновационные проекты.

Среди множества эмпирическим путем проверенных моделей, наилучшей с точки зрения ее объясняющей способности стала линейная модель множественной регрессии.

Модель была получена методом пошагового включения переменных (см. приложение 6).

В нее вошли только три регрессора из целого ряда отобранных и описанных ранее показателей.

Полученная модель имеет вид:

(3.1)

Где, - количество совместных инновационных проектов на 100 тыс. человек населения, - доля предприятий, осуществляющих технологические инновации в общем числе организаций, - число выдаваемых патентов на 100 тыс человек населения, количество используемых передовых производственных технологий на 10 тыс. человек. . В уравнение модели включены стандартные ошибки нестандартизированных коэффициентов.

Модель значима и коэффициент детерминации равен R2=0,581; то есть модель объясняет около 60% вариации зависимого признака. Анализ остатков подтвердил адекватность полученной модели. Остатки нормально распределены, о чем свидетельствует результат их проверки критерием Колмогорова-Смирнова, а так же не автокоррелированы, что проверено тестом Уайта (см. приложение 6).

Более того, полученные оценки коэффициентов, включая константу, значимы, на уровне значимости 0,05, (p-value < 0,05 для каждого регрессора включая свободный член) следовательно, по результатам построения модели можно сделать ряд качественных выводов.

Во-первых, при увеличении доли предприятий, осуществляющих технологические инновации в общем числе организаций на 1% - количество совместных инновационных проектов на 100 тыс. человек населения увеличивается в среднем на 3,475 единицы. Во-вторых, при увеличении числа выдаваемых патентов на 100 тыс человек населения на единицу - количество совместных инновационных проектов на 100 тыс. человек населения увеличивается в среднем на 0,606 единицы. В-третьих, при увеличении количества используемых передовых производственных технологий на 10 тыс. человек на единицу - количество совместных инновационных проектов на 100 тыс. человек населения увеличивается в среднем на 0,029 единицы.

Из результатов модели следует важный для цели исследования вывод - наличие и качественное использование в регионе технологических мощностей способствует развитию кооперационной активности и в свою очередь увеличению ее результативности - созданию совместными усилиями организаций конкурентных преимуществ.

Проверим как значимые для всех регионов в целом без учета дифференциации по уровню инновационного потенциала факторы предложенной модели влияют на кооперационную активность в отдельных, выявленных ранее методом расщепления смеси распределений, однородных группах регионов.

В первую страту, регионы с низким инновационным потенциалом, вошли 30 субъектов, однако именно в этой страте отсутствуют значения по выбранным переменным в нескольких наблюдениях, которые в дальнейшем исключены из анализа. Таким образом в первой однородной группе остается 26 наблюдений.

Переменные не подчиняются нормальному закону распределения, по Критерию Колмогорова-Смирнова (см. приложение 7), следовательно нужно удалить аномальные наблюдения выявленные на коробчатой диаграмме (см. приложение 7). После удаления 7ми подозрительных на выбросы наблюдений в совокупности осталось 19 регионов. Проверка переменных на подчинение нормальному закону распределения, произведенная по критерию Колмогорова-Смирнова, подтвердила, что все интересующие нас в дальнейшем исследовании переменные подчиняются нормальному закону (см. приложение 7).

Входящие в модель регрессоры выбраны те же, что и для модели, построенной по исходной совокупности регионов (3.1):

(3.2)

Где - количество совместных инновационных проектов на 100 тыс. человек населения, - количество используемых передовых производственных технологий на 10 тыс. человек, - число выдаваемых патентов на 100 тыс человек населения, доля предприятий, осуществляющих технологические инновации в общем числе организаций.

Таблица 5 - Характеристики линейной множественной регрессионной модели зависимости количества совместных проектов от используемых технологий, организаций, осуществляющих технологические инновации и выданных патентов; построенной для регионов с низким уровнем инновационного потенциала

Модель	Нестандартизованные коэффициенты	Стандартизованные коэффициенты	t	Знач. p-value
	в	Стандартная Ошибка	в
Константа	-3,267	2,895		-1,129	0,277
	0,008	0,011	0,138	0,712	0,488
	-0,047	0,192	-0,047	-0,242	0,812
	2,992	0,888	0,651	3,369	0,004

Модель значима (p-value = 0,03 < 0,05) и коэффициент детерминации равен R2=0,44; то есть модель объясняет около 44% вариации зависимого признака. . В уравнение модели включены стандартные ошибки нестандартизированных коэффициентов. Анализ остатков подтвердил адекватность полученной модели. Остатки нормально распределены, а так же не автокоррелированы (см. приложение 7).

Полученные оценка коэффициента при - доли организаций, осуществляющих технологические инновации, значима, на уровне значимости 0,05, (p-value = 0,004) следовательно, по результатам построения модели можно сделать качественный вывод, о том что при увеличении доли предприятий, осуществляющих технологические инновации в общем числе организаций на 1% - количество совместных инновационных проектов на 100 тыс. человек населения увеличивается в среднем на 2,992 единицы.

Ко второй страте было отнесено 50 регионов, однако по Ненецкому автономному округу отсутствуют наблюдения по интересующим нас переменным и его следует удалить из рассматриваемой совокупности.

Таблица 6 - Характеристики линейной множественной регрессионной модели зависимости количества совместных проектов от используемых технологий, организаций, осуществляющих технологические инновации и выданных патентов; построенной для регионов РФ со средним уровнем инновационного потенциала

Модель	Нестандартизованные коэффициенты	Стандартизованные коэффициенты	t	Знач. p-value
	в	Стандартная Ошибка	в
Константа	-2,630	3,543		-0,742	0,462
	0,024	0,02	0,148	1,192	0,240
	0,411	0,28	0,203	1,470	0,149
	2,777	0,836	0,465	3,32	0,002

Проверка на нормальность распределения по Критерию Колмогорова-Смирнова показала, что все необходимые для исследования переменные нормально распределены, кроме зависимой переменной; однако после удаления выбросов и зависимая переменная прошла критерий Колмогорова-Смирнова на нормальность (см. приложение 8)

Таким образов во второй однородной группе остаются 45 наблюдений по которым построена линейная множественная модель:

Входящие в модель регрессоры выбраны как и при построении для 1-ой страты те же, что и для модели, построенной по исходной совокупности.

Оценка коэффициентов модели представлены в табл. 6.

Для третьей страты - регионов с высоким инновационным потенциалом, определения вида и степени зависимости результативности кооперационной активности представляется нецелесообразным, поскольку выборка наблюдений слишком мала.

Полученная модель для 2-ой страты имеет вид:

кооперация технология обмен диффузия

(3.3)

Где - количество совместных инновационных проектов на 100 тыс. человек населения, - количество используемых передовых производственных технологий на 10 тыс. человек, - число выдаваемых патентов на 100 тыс человек населения, доля предприятий, осуществляющих технологические инновации в общем числе организаций.

Модель значима (p-value = 0,0001 < 0,05) и коэффициент детерминации равен R2=0,43; то есть построенная модель объясняет около 43% вариации зависимого признака. В уравнение модели включены стандартные ошибки нестандартизированных коэффициентов. Анализ остатков подтвердил адекватность полученной модели. Остатки нормально распределены, а так же не автокоррелированы (см. приложение 8).

Полученные оценка коэффициента при - доли организаций, осуществляющих технологические инновации, значима, на уровне значимости 0,05, (p-value = 0,002) следовательно, по результатам построения модели можно сделать качественный вывод.

При увеличении доли предприятий, осуществляющих технологические инновации в общем числе организаций на 1% - количество совместных инновационных проектов на 100 тыс. человек населения увеличивается в среднем на 2,777 единицы.

Примечательно то, что в регрессии для регионов с низким инновационным потенциалом (3.2) коэффициент при показателе «доля организаций, осуществляющие технологические инновации» численно больше того же коэффициента в регрессии для регионов со средним инновационным потенциалом (3.3), а значит изменение доли организаций, осуществляющих технологические инновации, оказывает большее влияние на результативность инновационного сотрудничества в регионах с низким инновационным потенциалом, чем в регионах со средним инновационным потенциалом.

Выводы по 3 Главе

На основе построения интегрального индикатора кооперационной активности для каждого региона РФ в 2014 году, представляющем из себя свертку четырех исходных показателей, описывающих инновационное сотрудничество, удалось оценить различие регионов по уровню развития научно-технической кооперации и партнерства, что подтвердило необходимость исследования с учетом региональной диффераенциации.

Ключевыми факторами развития научно-технической кооперации стало наличие в регионе технологических мощностей, технических достижений - патентов, и значительной доли предприятий, участвующих в создании технологических инноваций.

Сравнивая результаты построения моделей для групп регионов России, отличающихся по уровню инновационного развития, можно отметить, что степень вовлеченности организаций в научно-техническую сферу, выраженная в показателе «доля организаций, осуществляющих технологические инновации» является значимым фактором в каждой модели, при этом степень влияния фактора на результативность научно-технического партнерства количественно различается в зависимости от инновационного потенциала региона.

Можно утверждать, что результативность кооперационной активности регионов с низким инновационным потенциалом более чувствительна к изменениям в доли предприятий, занятых в научно-технической сфере, чем в регионах со средним инновационным потенциалом.



Заключение

Изучение научно-технической кооперации - актуальный вопрос, встающий перед исследователями; поскольку именно посредством научно-технической кооперации можно покрывать дефицит ресурсов и внутренних источников информации, препятствующий сознанию инновационной конкурентоспособной продукции.

В ходе исследования были выявлены основные точки роста - отрасли с высокой кооперационной активности организаций. В основном это отрасли высокотехнологичных производств, а также производства и использования вычислительной техники и создания научных исследований и разработок.

Более того, в построенном индексе кооперационной активности отражено значительное различие регионов России по уровню развития научно-технической кооперации.

Существуют ключевые факторах, через которые можно стимулировать развитие научно-технического сотрудничества в регионах России, преодолевая разрыв в уровне кооперационной активности.

Главным образом, наличие и качественное использование в регионе технологических мощностей и вовлеченности предприятий в научно-техническую сферу, способствует развитию кооперационной активности и в свою очередь увеличению ее результативности - созданию совместными усилиями организаций конкурентных преимуществ.

Следовательно, основной упор в рамках государственного регулирования должен быть направлен на стимулирование предприятий к осуществлению деятельности по созданию технологических инноваций не только в передовых и средних по инновационному потенциалу регионах, но и в отстающих регионах. Ведь как удалось доказать, увеличение доли предприятий, занимающихся деятельностью по разработке технологических инноваций, оказывает более сильное воздействие на образование научно-технических коопераций и партнерств именно в отстающих регионах.

Созданные кооперации, смогут восполнить недостаток внутренних ресурсов в данных регионах, ведь сотрудничество может осуществляться и с предприятия из более технологически развитых субъектов. Тем самым возможно сгладить, наблюдающуюся в России ситуацию с сильным различием регионов по уровню развития научно-технической кооперации.



Список литературы

1. Айвазян, С.А. Межстрановой анализ интегральных категорий качества жизни населения (эконометрический подход). - ЦЭМИ РАН, 2001

2. Айвазян, С.А. Сравнительный анализ интегральных характеристик качества жизни населения субъектов Российской Федерации. - ЦЭМИ РАН, 2001

3. Айвазян С.А., Мхитарян В.С. Прикладная статистика и основы эконометрики, т.2. М.: Юнити-Дата, 2001.

4. Голиченко О.Г. Основные факторы развития национальной инновационной системы: Уроки для России. - M.: Наука, 2011

5. Голиченко О.Г. Национальная инновационная система. - М.: МФТИ, 2010

6. Голиченко О.Г., Дроваль Е.Ю. Анализ процессов диффузии на входе и выходе инновационной деятельности предприятий России. / Труды Международной научно-практической конференции «Управление Инновациями» 14-16 Ноября 2011 под ред. Р.М. Нижегородцева. М.: Ленард. - 2011

7. Голиченко О.Г., Клейнер. Г.Б., Самоволева С.А. Анализ реализации основных направлений государственной инновационной политики в России (2002-2010 гг.). - М.: ЦЭМИ РАН, 2011

8. Голиченко О.Г., Самоволева С.А. Институциональные аспекты развития теории инноваций: проблемы формирования понятийного аппарата// Экономическая наука Современной России. - 2008. - № 3 (42) - С. 66-80.

9. Козлов К.К., Соколов Д.Г., Юдаева К.В. Инновационная активность российских фирм // Экономический журнал ВШЭ. - 2004. - Т. 8. № 3. - С. 399-420

10. Полтерович В.М. Стратегии модернизации, институты и коалиции. // Вопросы Экономики. - № 4. - 2008

11. Руководство Осло. Рекомендации по сбору и анализу данных по инновациям, третье издание. - перевод на русский язык, издание второе исправленное - ЦИСН, 2010

12. Сиротин В. П., Кузьмин О. М. Моделирование инновационного потенциала региона // Финансы и бизнес. - 2008. - №4. - С.33-42.

13. Сиротин В.П., Архипова М.Ю. Четкая и нечеткая классификация в социально-экономических исследованиях. Монография / М.: МЭСИ, 2013.

14. Федеральная служба государственной статистики (Росстат). Приказ об утверждении формы федерального статистического наблюдения № 4-инновация «Сведения об инновационной деятельности организации» №442. - от 25 сентября 2015 г. Москва

15. Форма №4 «Инновация» федерального статистического наблюдения. Сведения об инновационной деятельности организации 29.08.2013 с изменения от 01.04.2014.

16. Balassa, B. Trade Liberalisation and Revealed Comparative Advantage// The Manchester School. -1965. - 33. - pp. 99-123.

17. Chandra, V., Osorio-Rodarte I. and Primo Braga C.A. Korea and the BICs (Brazil, India and China): Catching-up Experiences. Innovation and Growth Chasing a Moving Frontier// OECD and the International Bank for Reconstruction and Development.- The World Bank: Paris. -2009. - pp. 25-67.

18. Composite Indicators of Country Performance: a Critical Assessment. - STI Working Paper, 16, 2003

19. Dynamising National Innovation Systems. - Paris: OECD. - 2014

20. Godin B.. The Information Economy: the History of a Concept Through its Measurement, or How to Make Politically Relevant Indicators, 1949-2005// Journal of Technology Transfer. - 2006. - 31 (1). - pp. 17-30.

21. Innovation Policy and Performance: A Cross Country Comparison. - Paris: OECD 2004

22. Lundvall B-Е., Bjern J., Esben S.A., Bent D. National System of Production, Innovation and Competence Building// Research Policy. - 2002. - 31. - pp. 213-231.

23. Lundvall, B-Е. National Systems of Innovation: Towards a Theory of Innovation and Interactive Learning. - London: Pinter, 1992

24. Oslo Manual. Guidelines for Collecting and Interpreting Innovation Data. A joint publication of OECD and Eurostat, 3rd Edition. OESD, 2005.

25. Porter A., Newman N.C., Jin Xiao-Yin, Johnson D. M. and Roessner, J.D. High Tech Indicators-based Competitiveness of 33 Nations 2007 report.// Georgia Institute of Technology.- 30332-0345.

26. Private Partnerships for Research and Innovation: an Evaluation of Dutch Experience. - Paris: OECD. - 2004

27. Public-Private Partnerships for Research and Innovation: an Evaluation of Austrian Experience. - Paris: OECD. - 2004

28. Strategic public/private partnerships. - OECD Science, Technology and Industry Outlook. - OECD Publishing, Paris. - 2014

29. Статистика инноваций в России - (презентация; обновлено 09.09.2015) [http://www.gks.ru/wps/wcm/connect/rosstat_main/rosstat/ru/statistics/science_and_innovations/science/]

30. Статистический сборник - Индикаторы инновационной деятельности: 2016 [https://www.hse.ru/primarydata/ii2016]

Приложение 1

Таблица П1.1

Результаты стратификации регионов методом расщепления смеси

1 страта	Внутренние затраты, руб./чел.
Республика Ингушетия	103,6917
Костромская область	142,0176
Республика Хакасия	170,3589
Ямало-Ненецкий автономный округ	188,3787
Республика Марий Эл	214,0487
Липецкая область	245,3153
Чеченская Республика	246,0857
Псковская область	257,4131
Республика Крым	269,9861
Республика Калмыкия	270,3843
Оренбургская область	301,1697
Вологодская область	307,6181
Курганская область	313,8003
Республика Дагестан	325,102
Брянская область	348,6241
Еврейская автономная область	349,6969
Забайкальский край	378,3498
Республика Алтай	429,5639
Республика Адыгея	457,9343
Ставропольский край	482,8448
Кемеровская область	493,8572
Орловская область	493,8926
Астраханская область	538,4163
Амурская область	612,7344
Ивановская область	620,9282
Республика Северная Осетия - Алания	667,8205
г. Севастополь	670,1454
Удмуртская Республика	672,4406
Кабардино-Балкарская Республика	697,7971
Чукотский автономный округ	805,3607
2 страта	Внутренние затраты, руб./чел.
Карачаево-Черкесская Республика	860,7437
Алтайский край	870,7183
Республика Тыва	949,7827
Республика Бурятия	960,6761
Краснодарский край	985,7156
Калинингpадская область	1038,084
Хабаровский край	1044,243
Кировская область	1044,479
Смоленская область	1091,253
Белгородская область	1156,707
Республика Мордовия	1198,07
Архангельская область	1402,877
Чувашская Республика	1421,728
Рязанская область	1476,798
Саратовская область	1506,685
Ненецкий автономный округ	1519,915
Республика Карелия	1558,715
Ханты-Мансийский автономный округ - Югра	1687,4
Новгородская область	1766,642
Иркутская область	1929,532
Республика Башкортостан	2038,994
Тульская область	2041,554
Омская область	2107,912
Тамбовская область	2162,044
Сахалинская область	2452,078
Республика Коми	2489,777
Республика Саха (Якутия)	2580,266
Пензенская область	2595,504
Воронежская область	2723,225
Владимирская область	2759,24
Тюменская область	2935,495
Приморский край	2952,511
Курская область	3101,861
Тверская область	3148,72
Республика Татарстан	3159,737
Волгоградская область	3176,57
Мурманская область	3391,977
Челябинская область	3393,822
Ростовская область	3470,592
Ленинградская область	3908,71
Камчатский край	3966,891
Ярославская область	4263,609
Пермский край	4448,237
Самарская область	4543,358
Красноярский край	5335,805
Свердловская область	6041,717
Ульяновская область	6958,565
Новосибирская область	7036,042
Магаданская область	7117,647
Томская область	9030,139
2 страта	Внутренние затраты, руб./чел.
Калужская область	10189,74
Московская область	14358,42
Нижегородская область	17891,19
г. Санкт-Петербург	19660,7
г. Москва	24451,45

Приложение 2

Проверка адекватности факторного анализа и результаты выделения главных компонент

Таблица П2.1 - KMO и критерий Бартлетта

Мера адекватности выборки Кайзера-Майера-Олкина (КМО).	,643
Критерий сферичности Бартлетта	Примерная Хи-квадрат	67,440
	ст.св.	6
	Знач.	,000

Таблица П2.2 - Объясненная совокупная дисперсия

Компонент	Начальные собственные значения	Суммы квадратов нагрузок извлечения
	Всего	% дисперсии	Суммарный %	Всего	% дисперсии	Суммарный %
1	2,111	52,786	52,786	2,111	52,786	52,786
2	,938	23,450	76,236
3	,542	13,544	89,780
4	,409	10,220	100,000

Метод выделения факторов: метод главных компонент.

Таблица П2.2 - Матрица компонентовa

	Компонент
	1
X1	,698
X2	,750
X3	,825
X9	,616

Матрица коэффициентов значений компонентов



	Компонент
	1
X1	,330
X2	,355
X3	,391
X9	,292
Общности
	Начальная	Извлечение
X1	1,000	,487
X2	1,000	,563
X3	1,000	,681
X9	1,000	,380
Метод выделения факторов: метод главных компонент.



Приложение 3

Унифицированные значения индексов кооперационной активности по каждому региону РФ в 2014 году

Ненецкий автономный округ	0
Республика Ингушетия	0,002375
Республика Калмыкия	0,007855
Республика Адыгея	0,043487
Сахалинская область	0,050008
Псковская область	0,062152
Республика Коми	0,063475
Чеченская Республика	0,064575
Республика Тыва	0,066898
Республика Алтай	0,071923
Забайкальский край	0,07299
Астраханская область	0,076673
Калинингpадская область	0,07683
Республика Северная Осетия - Алания	0,081457
Республика Хакасия	0,084939
Костромская область	0,08734
Курганская область	0,090483
Еврейская автономная область	0,096968
Карачаево-Черкесская Республика	0,097245
Архангельская область	0,102664
Брянская область	0,113654
Волгоградская область	0,11398
Орловская область	0,118759
Ставропольский край	0,136602
Липецкая область	0,138274
Оренбургская область	0,141288
Смоленская область	0,141557
Республика Дагестан	0,145403
Тамбовская область	0,148392
Кировская область	0,149041
Вологодская область	0,149459
Алтайский край	0,152807
Краснодарский край	0,158241
Ханты-Мансийский автономный округ - Югра	0,159853
Белгородская область	0,159914
Курская область	0,164962
Иркутская область	0,166584
Республика Марий Эл	0,173292
Чукотский автономный округ	0,17462
Саратовская область	0,17573
Ульяновская область	0,180095
Ленинградская область	0,180642
Омская область	0,181798
Мурманская область	0,182301
Амурская область	0,193462
Самарская область	0,200845
Удмуртская Республика	0,205305
Чувашская Республика	0,215696
Кемеровская область	0,2251
Кабардино-Балкарская Республика	0,232749
Тверская область	0,238103
Рязанская область	0,238952
Пензенская область	0,245837
Ивановская область	0,25139
Челябинская область	0,26414
Тюменская область	0,277132
Республика Бурятия	0,286172
Хабаровский край	0,287436
Приморский край	0,290491
Ростовская область	0,299743
Республика Башкортостан	0,303064
Новгородская область	0,304731
Красноярский край	0,31018
Пермский край	0,32786
Республика Саха (Якутия)	0,333895
Владимирская область	0,337505
Воронежская область	0,338295
Республика Крым	0,340631
Ямало-Ненецкий автономный округ	0,358741
Республика Мордовия	0,363034
Тульская область	0,374538
Республика Карелия	0,408642
Ярославская область	0,41074
Калужская область	0,45721
Нижегородская область	0,498933
Новосибирская область	0,508513
Свердловская область	0,513289
Московская область	0,541421
Республика Татарстан	0,546765
Томская область	0,64798
г. Санкт-Петербург	0,678483
Магаданская область	0,70739
Камчатский край	0,724467
г. Москва	1



Приложение 4

Таблица П4.1 - Проверка на нормальный закон распределения

Одновыборочный критерий Колмогорова-Смирнова
	Вес_инн_прод_в_отгруж	Совм_проекты	Затраты_техн_ин	Исп_техн	Орг_заверш_техн	Патенты	Орг_в_совм_проект	Орг_оцен_научн_ист	Орг_осущ_техн_ин
N	80	80	80	80	80	80	80	80	80
Параметры нормального распределенияa,b	Среднее значение	6,5400	16,6481	6577,3109	141,9786	10,4362	9,2864	3,7315	1,3862	8,4113
	Среднеквадратичная отклонения	8,37586	24,81052	11478,02190	107,52163	4,71519	9,90088	2,46926	1,30120	4,03444
Наибольшие экстремальные расхождения	Абсолютная	,217	,254	,284	,122	,109	,210	,147	,143	,129
	Положительные	,151	,201	,246	,122	,109	,210	,147	,139	,129
	Отрицательные	-,217	-,254	-,284	-,098	-,071	-,177	-,085	-,143	-,071
Статистика критерия	,217	,254	,284	,122	,109	,210	,147	,143	,129
Асимптотическая значимость (2-сторонняя)	,000c	,000c	,000c	,005c	,020c	,000c	,000c	,000c	,002c
a. Проверяемое распределение является нормальным.
b. Вычислено из данных.
c. Коррекция значимости Лильефорса.

Таблица П4.2

Одновыборочный критерий Колмогорова-Смирнова
	VAR00009	VAR00010	VAR00011	VAR00012	VAR00013	VAR00014	VAR00015	VAR00016	VAR00017
N	60	60	60	60	60	60	60	60	60
Параметры нормального распределенияa,b	Среднее значение	5,0000	10,8538	3526,5481	122,0861	9,4528	8,1324	3,1464	1,1928	7,4833
	Среднеквадратичная отклонения	4,25676	11,52806	3908,16377	75,45237	3,54317	5,73028	1,62943	,81103	2,89647
Наибольшие экстремальные расхождения	Абсолютная	,129	,189	,198	,095	,085	,090	,088	,136	,089
	Положительные	,129	,189	,198	,095	,085	,088	,088	,136	,089
	Отрицательные	-,120	-,178	-,184	-,063	-,072	-,090	-,053	-,071	-,063
Статистика критерия	,129	,189	,198	,095	,085	,090	,088	,136	,089
Асимптотическая значимость (2-сторонняя)	,015c	,000c	,000c	,200c,d	,200c,d	,200c,d	,200c,d	,007c	,200c,d
a. Проверяемое распределение является нормальным.
b. Вычислено из данных.
c. Коррекция значимости Лильефорса.
d. Это нижняя граница истинной значимости.

Таблица П4.3

Корреляции
	Вес_инн_прод_в_отгруж	Совм_проекты	Затраты_техн_ин	Исп_техн	Орг_заверш_техн	Патенты	Орг_в_совм_проект	Орг_оцен_научн_ист	Орг_осущ_техн_ин
Вес_инн_прод_в_отгруж	Корреляция Пирсона	1	,276*	,247	,310*	,180	,301*	,249	,026	,249
	Знач. (двухсторонняя)		,033	,057	,016	,169	,020	,055	,846	,055
	N	60	60	60	60	60	60	60	60	60
Совм_проекты	Корреляция Пирсона	,276*	1	,406**	,402**	,299*	,566**	,680**	,188	,364**
	Знач. (двухсторонняя)	,033		,001	,001	,020	,000	,000	,151	,004
	N	60	60	60	60	60	60	60	60	60
Затраты_техн_ин	Корреляция Пирсона	,247	,406**	1	,366**	,195	,405**	,412**	-,017	,295*
	Знач. (двухсторонняя)	,057	,001		,004	,135	,001	,001	,899	,022
	N	60	60	60	60	60	60	60	60	60
Исп_техн	Корреляция Пирсона	,310*	,402**	,366**	1	,234	,237	,282*	,017	,226
	Знач. (двухсторонняя)	,016	,001	,004		,072	,069	,029	,896	,083
	N	60	60	60	60	60	60	60	60	60
Орг_заверш_техн	Корреляция Пирсона	,180	,299*	,195	,234	1	,265*	,426**	,279*	,807**
	Знач. (двухсторонняя)	,169	,020	,135	,072		,040	,001	,031	,000
	N	60	60	60	60	60	60	60	60	60
Патенты	Корреляция Пирсона	,301*	,566**	,405**	,237	,265*	1	,446**	,221	,394**
	Знач. (двухсторонняя)	,020	,000	,001	,069	,040		,000	,090	,002
	N	60	60	60	60	60	60	60	60	60
Орг_в_совм_проект	Корреляция Пирсона	,249	,680**	,412**	,282*	,426**	,446**	1	,323*	,496**
	Знач. (двухсторонняя)	,055	,000	,001	,029	,001	,000		,012	,000
	N	60	60	60	60	60	60	60	60	60
Орг_оцен_научн_ист	Корреляция Пирсона	,026	,188	-,017	,017	,279*	,221	,323*	1	,285*
	Знач. (двухсторонняя)	,846	,151	,899	,896	,031	,090	,012		,028
	N	60	60	60	60	60	60	60	60	60
Орг_осущ_техн_ин	Корреляция Пирсона	,249	,364**	,295*	,226	,807**	,394**	,496**	,285*	1
	Знач. (двухсторонняя)	,055	,004	,022	,083	,000	,002	,000	,028
	N	60	60	60	60	60	60	60	60	60
*. Корреляция значима на уровне 0,05 (двухсторонняя).
**. Корреляция значима на уровне 0,01 (двухсторонняя).



Приложение 5

Степенная модель регрессии

Сводка для модели
Модель	R	R-квадрат	Скорректированный R-квадрат	Стандартная ошибка оценки
1	,523a	,274	,235	1,14959
a. Предикторы: (константа), ln5, ln3, ln8
ANOVAa
Модель	Сумма квадратов	ст.св.	Средний квадрат	F	Знач.
1	Регрессия	27,871	3	9,290	7,030	,000b
	Остаток	74,007	56	1,322
	Всего	101,878	59
a. Зависимая переменная: lny
b. Предикторы: (константа), ln5, ln3, ln8
Коэффициенты
Модель	Нестандартизованные коэффициенты	Стандартизованные коэффициенты	т	Знач.
	B	Стандартная Ошибка	Бета
1	(Константа)	-2,511	,821		-3,059	,003
	ln3	,544	,182	,370	2,986	,004
	ln8	,399	,312	,165	1,277	,207
	ln5	,193	,181	,135	1,068	,290
a. Зависимая переменная: lny



Приложение 6

Линейная множественная модель регрессии

Сводка для модели
Модель	R	R-квадрат	Скорректированный R-квадрат	Стандартная ошибка оценки
1	,680a	,462	,453	8,52911
2	,740b	,548	,532	7,88403
3	,763c	,581	,559	7,65507

ANOVAa

Модель	Сумма квадратов	ст.св.	Средний квадрат	F	Знач.
1	Регрессия	3621,629	1	3621,629	49,785	,000b
	Остаток	4219,249	58	72,746
	Всего	7840,878	59
2	Регрессия	4297,872	2	2148,936	34,572	,000c
	Остаток	3543,006	57	62,158
	Всего	7840,878	59
3	Регрессия	4559,271	3	1519,757	25,934	,000d
	Остаток	3281,606	56	58,600
	Всего	7840,878	59

Предикторы: (константа), Осуществл технологические инновации, Патенты, Исп_техн

Коэффициенты
Модель	Нестандартизованные коэффициенты	Стандартизованные коэффициенты	т	Знач.
	B	Стандартная Ошибка	Бета
3	(Константа)	-8,592	2,481		-3,463	,001
	Осуществл технологические инновации	3,475	,698	,491	4,981	,001
	Патенты	,606	,196	,301	3,095	,003
	Исп_техн	,029	,014	,192	2,112	,039
a. Зависимая переменная: Совм_проекты
White's test for Ho: homoskedasticity
against Ha: unrestricted heteroskedasticity
Prob > chi2 = 0.0599
Cameron & Trivedi's decomposition of IM-test
Одновыборочный критерий Колмогорова-Смирнова
	Standardized Residual
N	60
Параметры нормального распределения, b	Среднее значение	,0000000
	Среднеквадратичная отклонения	,97424460
Наибольшие экстремальные расхождения	Абсолютная	,098
	Положительные	,098
	Отрицательные	-,052
Статистика критерия	,098
Асимптотическая значимость (2-сторонняя)	,200c,d



Приложение 7

Линейная множественная модель регрессии построенная по наблюдениям, принадлежащим первой страте

Одновыборочный критерий Колмогорова-Смирнова
	VAR00001	VAR00002	VAR00003	VAR00004	VAR00005	VAR00006	VAR00007	VAR00008	VAR00009
N	26	26	26	26	26	26	26	26	26
Среднее значение	4,3692	5,5604	1728,0880	128,8627	8,8541	7,1489	2,6308	1,3243	7,3077
Среднеквадратичная отклонения	5,07431	9,52478	2230,59397	148,22508	4,51679	8,33314	2,14391	1,18096	3,24283
Абсолютная	,252	,315	,241	,229	,197	,241	,198	,162	,155
Положительные	,252	,315	,241	,229	,197	,241	,198	,162	,155
Отрицательные	-,195	-,288	-,221	-,197	-,146	-,199	-,163	-,134	-,108
Статистика критерия	,252	,315	,241	,229	,197	,241	,198	,162	,155
Асимптотическая значимость (2-сторонняя)	,000c	,000c	,000c	,001c	,011c	,000c	,010c	,079c	,110c
a. Проверяемое распределение является нормальным.
b. Вычислено из данных.



Одновыборочный критерий Колмогорова-Смирнова VAR00001 VAR00002 VAR00003 VAR00004 VAR00005 VAR00006 VAR00007 VAR00008 VAR00009 N 19 19 19 19 19 19 19 19 19 Параметры нормального распределенияa,b Среднее значение 4,4947 4,2549 1438,7848 110,1170 7,9483 6,6961 2,3186 1,1897 6,8474 Среднеквадратичная отклонения 5,27641 4,94283 1552,04586 83,60293 2,33225 4,96713 1,07600 ,80075 2,05247 Наибольшие экстремальные расхождения Абсолютная ,272 ,207 ,263 ,159 ,108 ,165 ,106 ,136 ,131 Положительные ,272 ,199 ,263 ,159 ,091 ,165 ,106 ,136 ,131 Отрицательные -,197 -,207 -,208 -,118 -,108 -,104 -,096 -,102 -,089 Статистика критерия ,272 ,207 ,263 ,159 ,108 ,165 ,106 ,136 ,131 Асимптотическая значимость (2-сторонняя) ,001c ,031c ,001c ,200c,d ,200c,d ,186c ,200c,d ,200c,d ,200c,d
Сводка для модели
Модель	R	R-квадрат	Скорректированный R-квадрат	Стандартная ошибка оценки
1	,663a	,440	,328	4,05169
a. Предикторы: (константа), VAR00007, VAR00004, VAR00006



Приложение 8

Линейная множественная модель регрессии построенная по наблюдениям, принадлежащим второй страте

Одновыборочный критерий Колмогорова-Смирнова
	VAR00001	VAR00002	VAR00003	VAR00004	VAR00005	VAR00006	VAR00007	VAR00008	VAR00009
N	49	49	49	49	49	49	49	49	49
Параметры нормального распределенияa,b	Среднее значение	7,1367	20,0515	8375,5124	141,4157	10,9543	8,5254	3,9138	1,4163	8,5714
	Среднеквадратичная отклонения	9,61316	28,59891		79,37395	4,65899	5,76623	2,02543	1,40956	4,10853
Наибольшие экстремальные расхождения	Абсолютная	,229	,249	,273	,103	,107	,094	,136	,162	,121
	Положительные	,207	,244	,266	,103	,107	,088	,136	,162	,121
	Отрицательные	-,229	-,249	-,273	-,095	-,081	-,094	-,065	-,157	-,062
Статистика критерия	,229	,249	,273	,103	,107	,094	,136	,162	,121
Асимптотическая значимость (2-сторонняя)	,000c	,000c	,000c	,200c,d	,200c,d	,200c,d	,023c	,003c	,069c



Одновыборочный критерий Колмогорова-Смирнова
	VAR00001	VAR00002	VAR00003	VAR00004	VAR00005	VAR00006	VAR00007	VAR00008	VAR00009
N	45	45	45	45	45	45	45	45	45
Параметры нормального распределения, b	Среднее значение	6,6889	14,4230	8317,9072	133,8197	10,4202	8,6326	3,7090	1,4041	8,0156
	Среднеквадратичная отклонения	9,25996	11,25563		69,37943	4,38513	5,55785	1,88664	1,44554	3,69262
Наибольшие экстремальные расхождения	Абсолютная	,235	,131	,279	,097	,120	,097	,127	,180	,116
	Положительные	,221	,131	,269	,097	,120	,097	,127	,180	,116
	Отрицательные	-,235	-,110	-,279	-,081	-,086	-,084	-,065	-,166	-,060
Статистика критерия	,235	,131	,279	,097	,120	,097	,127	,180	,116
Асимптотическая значимость (2-сторонняя)	,000c	,052c	,000c	,200c,d	,105c	,200c,d	,066c	,001c	,149c

Сводка для модели
Модель	R	R-квадрат	Скорректированный R-квадрат	Стандартная ошибка оценки
1	,655a	,430	,388	8,80629

Коэффициенты
Модель	Нестандартизованные коэф	Стандартизованные коэф	т	Знач.
	B	Стандартная Ошибка	Бета
1	(Константа)	-2,630	3,543		-,742	,462
	VAR00004	,024	,020	,148	1,192	,240
	VAR00006	,411	,280	,203	1,470	,149
	VAR00007	2,777	,836	,465	3,320	,002
a. Зависимая переменная: VAR00002

Размещено на Allbest.ru