Продолжая анализ показателей инновационного развития в России, стоит обратить внимание на инновационную активность организаций в стране, объем произведенных инновационных товаров, работ и услуг и количество разработанных передовых производственных технологий (рис. 9). Для единовременного изучения трех этих показателей будет использован не абсолютный показатель объема отгруженной инновационной продукции, а его отношение к общему объему отгруженной продукции в стране.

Рис. 9 Показатели инновационной деятельности в России 2010-14 гг.

Источник: сайт Федеральной службы государственной статистики (www.gks.ru)

На рисунке 9 видно, что инновационная активность организаций в России, начиная с 2011ого года падает. В итоге, к 2014ому году доля организаций, занимающихся инновационной деятельностью, в общей численности (инновационная активность) составила порядка 9,9%.

Доля отгруженных инновационных товаров, работ и услуг в общей численности на рисунке 9 имеет более позитивную динамику развития, которая до 2013ого года демонстрирует рост со средним темпом порядка 25ти процентов (от предыдущего). Но, в 2014ом году показатель упал на 0,5% при росте абсолютного показателя объема отгруженной инновационной продукции на 75 миллиардов рублей (смотреть приложение 2). Следовательно, снижение доли отгруженной инновационной продукции в общей численности вызвано значительным ростом показателя отгруженной продукции в России в целом.

Очевидно, что объем разработанных передовых производственных технологий в России с 2010ого года только увеличивался (рис. 9), при этом средний темп роста составлял примерно 14% в год. Если аналогичный темп роста останется неизменным, то к 2025ому году РФ будет производить порядка 2000 единиц передовых технологий, что выведет ее в мировые лидеры по данному показателю.

Изучив основные «составляющие» показатели ИД в России, следует обратить внимание на мировую оценку «результирующих» индикаторов и провести сопоставление. В этом будет способствовать глобальный инновационный индекс и его компоненты [17], так как ГИИ состоит из большого количества индикаторов, которые можно сравнивать как по отдельности, так и в совокупности. Рассмотретьм его часть, характеризующую «результирующие» показатели (табл. 4).

Таблица 4

Innovation Output Sub-Index Ranking 2014-15

Источник: The Global Innovation Index reports 2014 & 2015 ( [31] и [37])

	2014	2015	shift
Switzerland	63,11	68,63	9%
United Kingdom	56,52	57,7	2%
Germany	51,74	53,11	3%
USA	52,27	52,89	1%
Finland	53,82	52,04	-3%
Japan	42,61	44,1	3%
Slovenia	41,38	43,77	6%
Slovakia	37,02	37,05	0%
Ukraine	34,37	33,85	-2%
Russia	34,5	33,32	-3%
Tailand	33,18	33,02	0%
Armenia	32,73	32,83	0%
Poland	33,98	31,87	-6%
Belarus	33,68	31,55	-6%

В последней колонке таблицы 4 представлено процентное изменение субиндексов по результатам инновационной деятельности стран в 2015ом году по отношению к 2014ому году. Так, можно отметить, что самый большой прогресс совершили Швейцария и Словения, при этом Швейцария сохранила абсолютное лидерство в рейтинге, а Словения поднялась на 4 позиции. Результаты России по данному показателю снизились к 2015ом году, но тут нужно учитывать экономические особенности нашей страны, по сравнению с другими, и слабые «составляющие» показатели. В итоге Россия в рейтинге 2015ого года спустилась на 4 позиции. При этом, страны, которые в рейтинге 2014ого года были очень близки к РФ, такие как Польша или Белоруссия, в 2015ом году потерпели снижение на целых 6%. Тем не менее, значение субиндекса США пока на 20 единиц больше, а положение в рейтинге Соединенных Штатов выше на 38 позиций.

Завершая анализ уровня инновационного развития России, стоит отметить, что в глобальном рейтинге инновационного развития в 2015ом году она занимает 48ое место (Global Innovation Index (GII) score 39,32) из 141ого возможно. Ближайшими по показателю ГИИ к РФ странами являются Маврикий (GII-39,23), Катар (GII-39,1), Коста-Рика (GII-38,59), Вьетнам (GII-38,35) и Беларусь(GII-38,23); с небольшим опережением идут Арабские Эмираты (GII-40,06), Польша (GII-40,16) и Греция(GII-40,28). Отставание от Швейцарии (GII-68,3), Великобритании (GII-62,46) и США (GII-60,1) пока является критическим и экономический кризис только усугубляет ситуацию.

Резюмируя вышесказанное, можно отметить, что уровень инновационного развития России находится на довольно низком уровне, он значительно ниже лидирующих развитых стран, и даже не занимает высшие позиции среди развивающихся стран. Анализируя динамику основных показателей инновационной деятельности в стране, в последние годы наметился спад, который дает возможность сделать только пессимистический прогноз дальнейшего развития инновационной сферы в России. Вдобавок, учитывая «сырьевой» путь развития, экономический кризис только усугубляет ситуацию, образуя замкнутый круг: падение цен на нефть ведет, к снижению располагаемого бюджета государства, что, в свою очередь, делает затраты на инновации далеко не первостепенными, а отсутствие инновационных решений стимулирует экстенсивный рост добычи энергоресурсов, что еще больше снижает на них цены. В совокупности, результатом такой цепочки является снижение уровня жизни населения в стране, что противоречит преследуемой концепции [2].

Такой низкий уровень инновационного развития России по сравнению с другими странами-конкурентами первым делом приводит к мысли о «проблеме отдаленных регионов, которые снижают общие показатели», поэтому далее будет изучена инновационность российских регионов. После предварительного анализа было принято решение, что наиболее эффективным и наглядным способом изучения регионального разреза является проведение кластерного анализа.

С помощью кластерного анализа субъекты были объединены в группы для определения наиболее и наименее инновационно развитых. Кластеризация проводилась для 2011ого и 2014ого годов, чтобы в дальнейшем изучить изменение состава групп и изменения показателей ИД полученных групп. Нужно отметить, что набор инновационных факторов немного отличался от заданного в системе показателей. Показатели инновационной активности и доли организаций, осуществлявших технологические и экологические инновации, были исключены, но было добавлено общее число организаций, занимающихся научными исследованиями и разработками, а затем был осуществлен пересчет всех показателей на тысячу жителей региона. Такие изменения позволили в результате анализа выявить не просто инновационные центры в России, а выявить регионы с наивысшей эффективностью инновационных процессов.

В итоге, была получена новая выборка из семи относительных показателей, характеризующих уровень инновационного развития регионов России. Но перед проведением кластерного анализа необходимо было проверить корреляцию между полученными факторами (табл.5).

Таблица 5

Корреляционный анализ характеристик инновационности региона, 2011

Источник: расчеты автора

Коэффициенты корреляции Пирсона	x1	x2	x3	x4	x5	x6	x7
x1	1	,108**	0,078	0,197	0,042	0,172	,175**
x2	,108**	1	,176**	,030**	0,104	,132**	,001**
x3	0,078	,176**	1	,278**	0,066	,194**	0,198
x4	0,197	,030**	,278**	1	0,055	,311**	0,148
x5	0,042	0,104	0,066	0,055	1	0,046	,027**
x6	0,172	,132**	,194**	,311**	0,046	1	0,124
x7	,175**	,001**	0,198	0,148	,027**	0,124	1
**. Корреляция значима на уровне 0,01 (двухсторонняя).

В таблице 5 приведены значения коэффициентов корреляции Пирсона и их значимость для семи отобранных факторов:

х1 - выдано патентов на изобретения (шт./тыс. чел.);

х2 - выдано патентов на полезные модели (шт./тыс. чел.);

х3 - используемые передовые производственные технологии (шт./тыс. чел.);

х4 - затраты на технологические инновации (млн. руб./тыс. чел.);

х5 - разработанные передовые производственные технологии (штук./тыс. чел.);

х6 - отгружено инновационных товаров собственного производства, выполнено работ и услуг собственными силами (млн. руб./тыс. чел.);

х7 - организации выполняющие научные исследования и разработки (ед./тыс. чел.).

Так, из таблицы 5 можно сделать вывод, что предпосылки кластерного анализа выполняются, то есть взаимосвязь между отобранными факторами либо незначима, либо очень слабая, следовательно, будут получены качественные несмещенные оценки.

После корреляционного анализа и стандартизации данных, была проведена кластеризация методом «К-средних» для 80ти регионов России в 2011ом году и 2014ом году для созданной выборки. Результаты кластеризации в 2011ом году показали следующие аномальные значения: г. Москва, г. Санкт-Петербург, Ивановскую, Томскую и Сахалинскую области. После исключения выбросов были получены три кластера регионов с высоким, средним и низким уровнем инновационного развития. Для определения лидирующей и отстающей группы был построен график конечных центров кластеров (рис.10).



Рис. 10 Конечные центры кластеров по эффективности инновационных процессов в регионах России, 2011 г.

Источник: расчеты автора

На рисунке 10 видно, что первый кластер собрал регионы с наибольшим количеством самых высоких показателей. Для данного кластера меньше только значения разработанных передовых технологий и численность организаций, занимающихся научными исследованиями, тем не менее количество выданных патентов на модели и изобретения значительно выше, чем в других группах и значительно больше используется передовых производственных технологий. Таким образом, можно назвать первый кластер наиболее инновационно развитый. Всего в него вошли 15 регионов, а его типичными представителями, исходя из расстояний до центра кластера, будут Московская область, Ярославская область, Пермский край, Нижегородская область и Свердловская область.

Анализируя конечные центры второго кластера (рис. 10), можно сказать, что большая часть значений для него больше, чем в третьей группе. Патентная активность безусловно ниже, чем в третьем кластере, но показатели затрат и объемов отгруженной продукции выше, при этом стоит отметить самые высокие показатели численность организаций, занятых НИиР, и количество разработанных передовых производственных технологий. Таким образом, второй кластер собрал 7 регионов со средним уровнем инновационного развития, типичными представителями являются: Мурманская область, республика Алтай и Калужская область.

Соответственно в третий кластер попали регионы с довольно низким уровнем инновационного развития, которых всего было 53. Таким образом, с учетом размеров региона, большая часть субъектов в России в 2011ом году имели относительно низкий уровень инновационного развития. Типичными представителями данного кластера являются: Алтайский край, Иркутская область, Брянская область, Рязанская область, Кемеровская область и Смоленская область. Полный состав кластеров можно найти в приложении 4.

Аналогичный кластерный анализ был проведен для регионов России в 2014ом году. Были выявлены такие аномальные значения, как г. Москва, Сахалинская область и Чукотский и Еврейский автономные округа. После исключения выбросов были получены три кластера регионов с высоким, средним и низким уровнями инновационного развития (рис. 11).



Рис. 11 Конечные центры кластеров по эффективности инновационных процессов в регионах России, 2014 г.

Источник: расчеты автора

Большая часть показателей стандартизованных конечных центров первого кластера значительно выше, чем у двух других кластеров, кроме количества выданных патентов (рис. 11). Таким образом, можно обозначить первый кластер, как наиболее инновационно развитый. Всего в него вошло 11 регионов, что на 4 меньше, чем в 2011ом году. Наиболее типичными представителями данного кластера стали: Московская область, Ярославская область, Пермский край и Нижегородская область. Таким образом, типичные представители остались теми же, что и в 2011ом году, но значения показателей для первого кластера за указанный период значительно выросли. В 2014ом году значения затрат на научные исследования и разработки и объем отгруженной инновационной продукции оказались ниже, чем в 2011ом.

Показатели второго кластера на рисунке 11 больше показателей третьего за исключением используемых передовых технологий. Таким образом, можно обозначить его, как кластер со средним уровнем инновационного развития. В него вошли 6 регионов, что на 1 меньше чем в 2011ом году. Типичными центрами кластера стали: Воронежская область, республика Мари Эл и Новосибирская область, можно отметить, что эти регионы отличаются от типичных для второго кластера в 2011ом году.

Остальные 59 регионов вошли в третий кластер, который имеет самые низкие показатели инновационной деятельности, по сравнению с двумя другими, не считая используемых передовых технологий. Численность регионов в отстающем кластере с 2011ого года увеличилась на 6. Типичными представителями третьего кластера стали: Иркутская область, Брянская область, Алтайский край, Кемеровская область, смоленская область, Астраханская область и Тамбовская область. Таким образом, ряд типичных представителей третьего кластера расширился с 2011ого года, а полный список регионов, вошедших в состав кластеров можно найти в приложении 5.

Резюмируя информацию об изменении численности кластеров с 2011ого года по 2014ый, можно отметить снижение численности регионов в наиболее инновационно развитом кластере и увеличение численности в кластере с низкой инновационностью. Главным выводом из данных результатов является увеличение разрыва между показателями инновационного развития первого кластера и двух других групп, это можно видеть как на графиках 10 и 11, так и по снижению численности регионов первого кластера, так как сильный рост показателей ИД для регионов, оставшихся в первой группе, вытеснил часть других регионов.

Изучая структуру изменения состава наиболее инновационно развитого кластера в 2014ом году, можно отметить, что он пополнился Калужской областью из среднего кластера 2011ого года и Красноярским краем, Новгородской областью из кластера с низким развитием инноваций. Стоит также рассмотреть выбытие из первого кластера 2011ого года, только 1 регион (Ульяновская область) в классификации 2011ого года попал во второй кластер. Все остальные регионы первого кластера 2011ого года (Омская область, Тюменская область, Свердловская область, Тульская область, республики Мордовия и Татарстан, Липецкая область) в 2014ом оказались третьем кластере и были отнесены к регионам с низким уровнем инновационного развития, при том, что значения конечных центров третьего кластера увеличились. Полученная информация сигнализирует о значительно более высоких темпах инновационного развития в регионах первого кластера.

Далее были выявлены показатели, которые позволили Красноярскому краю, Новгородской и Калужской областям перейти в первый кластер в 2014ом году. Таким образом, было рассчитано, что Калужскую область в лидеры по инновационному развитию вывел рост затрат на технологические инновации на 21 миллион рублей на тысячу человек и объёмов отгруженной инновационной продукции на почти 2 миллиона на тысячу человек. Новгородскую область, в лидеры по инновационному развитию, также вывел рост затрат на технологические инновации на 2, 6 миллиона. И если рассмотреть причины роста инновационности Красноярского края, они тоже будут в росте затрат на инновации и увеличении объемов отгруженной инновационной продукции, на фоне небольшого роста числа патентной активности и используемых передовых технологий.

Сравним полученные результаты кластеризации относительных показателей уровня инновационного развития и абсолютных показателей инновационной деятельности, описанных в первой главе, в 2014ом году (рис. 12). Это даст возможность сопоставить регионы с наибольшей эффективностью инновационных процессов с крупными инновационными центрами России. После исключения выбросов (г. Москва, Московская область, г. Санкт-Петербург и республика Татарстан) и проверки факторов на корреляцию, были получены три кластера с самыми высокими показателями инновационной деятельности, средними и низкими.

Рис. 12 Конечные центры кластеров по абсолютным показателям инновационной деятельности в регионах России, 2014 г.

Источник: расчеты автора

Значения почти всех показателей инновационной деятельности на рисунке 12 больше для первого кластера, чем для двух других, кроме инновационной активности организаций и доли организаций, осуществлявших технологические инновации. Значения двух данных показателей могу противоречить остальным, так как зависят еще и от общего числа организаций в регионе, а эта величина напрямую связана с размерами региона. Так, первый кластер собрал 10 регионов с наиболее высокими показателями инновационной деятельности, а типичными представителями будут: Пермский край, Нижегородская область и республика Башкортостан. Регионы второго кластера имеют большую часть основных показателей инновационной деятельности выше, чем регионы третьего кластера, за исключением патентной активности регионов и разработанных передовых производственных технологий. Но, если брать в расчет факторы, позволяющие сильнее всего повышать эффективность инновационных процессов (затраты и объем), то второй кластер собрал 6 регионов со средними показателями. Типичными представителями второго кластера будут: республика Мордовия, Липецкая область, республика Ингушетия и Чувашская республика. Соответственно, в третий кластер вошли оставшиеся 60 регионов.

Если сравнить структуру распределения регионов в двух классификаций для 2014ого года (рис. 11 и 12), то примерно одинаковое количество регионов попало в каждый кластер, но при изучении относительных показателей г. Санкт-Петербург и республика Татарстан не являлись аномальными значениями, то без учета масштабов региона, во второй классификации их пришлось исключить. Сравним составы первых кластеров для относительных и абсолютных показателей 2014ого года (табл. 6).

Таблица 6

Состав первых кластеров в классификациях по эффективности инновационных процессов и абсолютным показателям инновационной деятельности в регионах России, 2014 г.

Источник: расчеты автора

Регионы с наивысшей эффективностью инновационных процессов	Регионы, являющиеся самыми крупные инновационными центрами
Московская область	Ростовская область
Пермский край	Пермский край
Нижегородская область	Нижегородская область
Самарская область	Самарская область
Челябинская область	Челябинская область
Красноярский край	Красноярский край
Ярославская область	Сахалинская область
г. Санкт-Петербург	Республика Башкортостан
Республика Татарстан	Свердловская область
Калужская область	Тюменская область
Новгородская область

Таким образом, при кластерном анализе инновационной эффективности регионов в 2014ом году и кластерном анализе инновационных центров страны, в первый кластер попали практически одни и те же субъекты (табл. 6), что объясняет увеличивающийся разрыв с остальными регионами. Иными словами, крупные регионы с высокими показателями инновационной деятельности и эффективностью инновационных процессов обладают гораздо большим потенциалом, чем небольшие регионы с неплохой эффективность.

Подводя итог разговору об инновациях в регионах России нужно отметить, что разница между наиболее и наименее инновационно развитыми регионами увеличивается. А чтобы локальным органам управления отстающих регионов с этим бороться, нужно пытаться максимально увеличивать затраты на технологические инновации и объемы отгруженной инновационной продукции.



Глава 3. Моделирование влияния инноваций на уровень жизни населения в России

3.1 Первичный анализ взаимосвязи инновационного развития и благосостояния

Чтобы реализовать первичный анализ взаимосвязи инновационной активности стран и уровня жизни населения было принято решение изучить поля корреляции основных индексов для 144ех стран в 2015ом году. Сначала была построена диаграмма рассеяния для Глобального Инновационного Индекса, характеризующего уровень инновационности, и Индекса Человеческого Развития (HDI), характеризующего уровень или качество жизни населения в стране. Оба индекса взяты из отчетов международных организаций за 2015ый год ([15] и [17]), а результаты построения приведены на рисунке 11.

Рис. 13 Взаимосвязь Индекса Человеческого Развития и Глобального Инновационного Индекса 2015г.

Источник: расчеты автора

Очевидно, что диаграмма рассеивания на рисунке 11 демонстрирует довольно сильную нелинейную положительную взаимосвязь между показателями. Можно показать графически, что данная зависимость довольно хорошо моделируется с помощью подгонки, основанной на логарифмической функции (смотреть приложение 7). Анализ рисунка 22 показывает, что связь между инновационным развитием и уровнем жизни ослабевает по мере роста обоих индексов, то есть для наиболее развитых стран связь менее очевидна, в силу экзогенных влияний, поэтому подгонка может быть немного некорректной.

Также в мире существует Global Competitiveness Index (GCI), который отражает глобальную конкурентоспособность каждой страны. Данный индекс формируется из более чем 60ти показателей, разбитых на 12 групп, одной из которых являются инновации [23]. Если составить аналогичное поле корреляции для GCI и Human Development Index, будет прослеживаться аналогичная тесная взаимосвязь между двумя индексами (смотреть приложение 8). Таким образом, можно сделать вывод, что инновации точно имеют влияние на уровень жизни в силу высокой корреляции различных индексов инноваций с основным мировым индикатором уровня жизни.

Чтобы подтвердить взаимосвязь инноваций и уровня жизни населения была проведена классификация 80ти регионов России в 2014ом году по основным факторам инновационной деятельности и индикатору уровня жизни населения (ИЧР для регионов России [10]). В ходе анализа были исключены 5 аномальных значений: г. Москва, г. Санкт-Петербург, Московская область, Мурманская область, республика Татарстан и Сахалинская область. Также была проверена предпосылка кластерного анализа о независимости факторов (смотреть приложение 9). В итоге корреляционного анализа было получено, что между индикатором уровня жизни и факторами инновационной деятельности есть средняя значимая зависимость, а между самими факторами она либо слабая, либо отсутствует. Это дает возможность как построить классификацию регионов, так и построить модель влияния факторов инновационной деятельности на уровень жизни.

В результате регионы распределились на три кластера: с высоким индикатором уровня жизни, средним и низким (рис. 14).

Рис. 14 Конечные центры кластеров по индикатору уровня жизни и абсолютным показателям инновационной деятельности в регионах России, 2014 г.

Источник: расчеты автора

Таким образом, в первый кластер попали 6 регионов с наиболее высоким индикатором уровня жизни. Анализ значений центров кластеров для первой группы регионов на рисунке 14 показывает преобладание максимальных значений инновационной деятельности соответствующих высочайшему уровню жизни, за исключением инновационной активности и доли организаций, осуществлявших технологические инновации. Но несоответствие этих двух показателей остальным в группе обусловлено большой общей численностью организаций в регионах кластера, так как типичными представителями являются: Свердловская область, республика Башкортостан, Пермский край и нижегородская область.

Во кластер со средним уровнем жизни вошли 27 регионов, и на рисунке 14 можно отметить, что им соответствуют средние значения факторов инновационной деятельности, за исключением инновационной активности и доли организаций, осуществлявших технологические инновации. Типичными представителями второго кластера будут: Владимирская область, удмуртская республика, Тульская область, Рязанская область и Калужская область. Так типичные представители второго кластера схожи с представителями второго кластера классификации инновационных центров России, но абсолютно отличаются от регионов со средней эффективностью инновационных процессов.

В третий кластер с самым низким уровнем жизни соответственно вошел оставшийся 41 регион, которым соответствуют самые низкие показатели инновационной деятельности. Типичными представителями данного кластера будут: республика Саха, республика Хакасия, Амурская область, кабардино-Балкарская республика, республика Бурятия и Брянская область, остальные регионы можно найти в приложении 6.

Чтобы понять, как уменьшить численность регионов в третьем кластере и повысить их уровень жизни, была построена регрессионная модель для 41ого региона России в 2014ом году (таблица 7).



Таблица 7

Регрессионная модель зависимости благосостояния населения от уровня инновационного развития для слаборазвитых регионов России, 2014г.

Источник: расчеты автора

Зависимая переменная: индикатор уровня жизни
Метод: наименьших квадратов
Количество наблюдений в выборке: 41
Переменные	Коэффициенты	Стандартная ошибка
Константа	25.96***	3.13
Выдано патентов на изобретения	4.13*	2.05
Выдано патентов на полезные модели	1.35*	0.69
Используемые передовые производственные технологии	11.37**	4.32
Инновационная активность организаций	2.61	1.28
Затраты на технологические инновации	34.51***	14.82
Разработанные передовые производственные технологии	0.04	0.14
Доля организаций, осуществлявших технологические инновации в общей численности	1.76	1.50
Отгружено инновационных товаров собственного производства, выполнено работ и услуг собственными силами	43.47***	19.15
Удельный вес организаций, осуществлявших экологические инновации, в общей численности в общем числе обследованных организаций	0.64	1.82
Коэф. детерминации	0.47	Инф. критерий Акаике	7.02
Скорректированный коэф. детерминации	0.39	Инф. критерий Шварца	7.38
Значимость (F-статистистика)	0.001	Статистика Дарбина-Уотсона	1.72

Качество построенной регрессионной модели для выборки из 41ого региона России в 2014ом году с низким уровнем инновационного развития и благосостояния составило 47% (табл. 7). Модель получилась значима, так как показатель Prob (F-statistic) равен 0,001729, следовательно, нулевая гипотеза о незначимости модели отвергается с вероятностью ошибки 5%. Для достоверности, значимость модели была проверена вручную через статистику Фишера и наблюдаемое значение было больше критического, нулевая гипотеза также отверглась. Но, необходимо также проверить остатки полученной модели на нормальность распределения, отсутствие автокорреляции и гомоскедастичность. Для проверки нормальности распределения был использован тест в программе eViews, результаты приведены на рисунке 15.

Рис. 15 Проверка остатков регрессионной модели на нормальный закон распределения

Источник: расчеты автора

Таким образом, можно утверждать, что распределение остатков в построенной модели близко к нормальному, это видно на гистограмме (рис. 15). Значению статистики Жака-Бера было получено 8,72, что меньше критического (9,021), полученного на уровне значимости 1%. Из вышесказанного можно утверждать, что гипотеза о нормальности распределения остатков модели принимается.

Далее была выполнена проверка остатков на гомоскедастичность. Нулевая гипотеза была задана для всех тестов об отсутствии гетероскедастичности. С помощью программы eViews, были реализованы тесты Бреуша-Пагана-Годфри и Уайта. В обоих из них нулевая гипотеза была принята, из чего следовало, что остатки модели гомоскедастичны на уровне значимости 5% (смотреть приложение 10).

И последний тест исследовал остатки на наличие автокорреляции (смотреть приложение 10). В результате применения LM-теста Бреуша-Годфри в программе eViews, было получено, что нулевая гипотеза об отсутствии автокорреляция остатков была принята в построенной модели на уровне значимости 5%.

Таким образом, можно сказать, что построенная регрессионная модель имеет довольно высокое качество, несмещенные и точные оценки, следовательно, правильно отражает влияние факторов инновационного развития на благосостояние населения в группе регионов с низкими показателями. Исходя из значимости факторов регрессии, можно записать уравнение модели, которое будет иметь следующий вид:

(1)

(3,14) (2,05) (0,69) (4,32) (14,82) (19,15)

У - индикатор уровня жизни населения;

Х1 - выдано патентов на полезные модели;

Х2 - выдано патентов на полезные модели;

Х3 - используемые передовые производственные технологии;

Х5 - затраты на технологические инновации;

Х8 - отгружено инновационных товаров собственного производства.

Таким образом в уравнении (1) уже отмечены только те факторы, которые значимо влияют на уровень благосостояния населения регионов в кластере с низким индикатором уровня жизни. Исходя из коэффициентов модели, при отсутствии воздействия других факторов, можно говорить о силе вышеупомянутого влияния. Таким образом, сильнее всего на уровень жизни отстающих регионов в России в 2014ом году могли повлиять затраты на исследования и разработки и объем отгруженной инновационной продукции. Также, на показатель уровня жизни в данной группе регионов чуть меньше могли повлиять используемые передовые производственные технологии и патентная активность. Таким образом, если бы в 2014 ом году была возможность разрабатывать инновационную политику для регионов с низким индикатором уровня жизни в России, повышенное внимание к этим пяти показателям могло дать наибольшую эффективность.

Но проведенного анализа, безусловно, недостаточно для того, чтобы однозначно утверждать, что инновации влияют на уровень жизни в России и структура воздействия всегда идентична построенной модели. Это обусловлено, в первую очередь, тем, что модель была построена не по всей выборке из 80ти регионов, а только по 63ем. Помимо этого, рассматривалось влияние микро данных на индикатор (индекс) уровня жизни, что тоже не совсем корректно. И самое главное - модель была построена всего для одного года, а, учитывая нестабильную ситуацию последних 5 лет, эффективность полученных оценок снижается. Попытка решение всех обозначенных проблем подробно описано в следующем разделе.

3.2 Исследование влияния инноваций на уровень жизни населения в регионах России

Чтобы охарактеризовать взаимосвязь инноваций на уровень жизни населения, была составлена регрессионная модель по панельным данным. В роли зависимой переменной выступил индекс человеческого развития для 80ти регионов России за период с 2011ого по 2014ый годы. В качестве независимых переменных были взяты индексы инновационного развития регионов, фундаментальной науки и информационных и коммуникационных технологий для такого же количества регионов за аналогичный период времени. Таким образом, система показателей образует панельные данные, так как имеет 3 измерения: изучаемые признаки (индексы), объекты (регионы) и время (годы). Далее были построены регрессионные модели с фиксированными эффектами и переменными эффектами, а также общая регрессия или сквозная. Но прежде, чем описывать модели нужно уделить внимание формированию индексов и подготовке к проведению анализа.

Первым делом необходимо было изучить зависимую переменную на наличие выбросов. Этому способствовали ящичковые диаграммы в статистическом пакете SPSS (рис. 16).

Рис. 16 Выделение аномальных значений индекса человеческого развития для регионов России, 2011-14 гг.

Источник: расчеты автора

На рисунке 16 приведены последовательные результаты анализа на аномальные значения индикатора уровня жизни населения с 2011ого по 2014ый в регионах России. Подобный анализ проводится для того, чтобы оценки модели были несмещенными и качественными. Таким образом, было принято решение исключить Республику Ингушетия (49) и республику Тыва (58) из выборки, в силу очень низких значений, и г. Москву (11) и г. Санкт-Петербург (12) из-за слишком больших значений показателя.

Следующим этапом работы, было получение интегральных индикаторов уровня инновационного развития, фундаментальной науки и информационных и коммуникационных технологий, которые бы в совокупности давали характеристику развитости информационной сферы в России с 2011ого по 2014ый годы. Вывод предполагаемых индексов осуществлялся через снижение размерностей выборок, описанных в первой главе, при помощи Метода Главных Компонент (МГК).

Первым был получен индекс, характеризующий инновационность регионов России. В его состав вошли 9 основных показателей инновационной деятельности по версии Федеральной службы государственной статистики. Метод главных компонент был реализован в программе SPSS, и его задача заключалась в уменьшении размерности данных, при минимальной потере информации. Таким образом, в результате его применения был получен безразмерный вектор, который с разными весами включал в себя все факторы разных размерностей. Но для возможности использовать первую компоненту, как индикатор всей составленной совокупности, должно выполняться одно условие (см. табл. 8).

Таблица 8

Объясненная совокупная дисперсия начальных собственных значений компонент индекса инновационности регионов России, 2011 г.

Источник: расчеты автора

2011 год
Объясненная совокупная дисперсия
Компонент	Начальные собственные значения
	Всего	% дисперсии	Суммарный %
1	5,009	55,659	55,659
2	2,136	23,737	79,397
3	,739	8,215	87,611
4	,400	4,448	92,059
5	,331	3,673	95,732
6	,241	2,675	98,407
7	,076	,842	99,249
8	,058	,645	99,894
9	,010	,106	100,000
Метод выделения факторов: метод главных компонент.

Так, основным условием является высокая объясняющая способность первой компоненты, иными словами, дисперсия должна быть выше 55% [1]. В таблице 8 диспресия для первой компоненты больше, что дает возможность испоьзовать ее, как индекс инновационности регионов России в 2011ом году. Для проверки полученных результатов при реализации МГК, еще обращаются к рисунку 17.

Рис. 17 График собственных значение компонент при создании индекса инновационности регионов России, 2011 г.

Источник: расчеты автора

На рисунке 17 видно, что первая компонента объясняет значительно больше собственных значений выбранных факторов инновационной деятельности, чем другие, поэтому ее можно использовать в роли индекса инновационности российских регионов в 2011ом году.

Аналогичный анализ был проведен для индексов инновационности в 2012ом, 13ом и 14ом годах, результаты находятся в приложениях 11, 12 и 13 соответственно. С каждым годом объясняющая способность индексов росла, что только увеличивает качество построенной модели. Но, чтобы избежать смещенных оценок стоит также оценить полученные индикаторы на наличие выбросов (рис. 18).

Рис. 18 Выделение аномальных значений индексов инновационности регионов России, 2011-14 гг.

Источник: расчеты автора

На рисунке 18 видно, что для получения несмещенных оценок из созданной выборки стоит исключить Москву (18) из выборки и Санкт-Петербург (28).

Аналогичным образом были получены результаты для индекса фундаментальной науки в регионах России за 2011-14 годы (смотреть приложение 14. Объясняющая способность первой компоненты для индикаторов всех годов получилась очень высокой, приблизительно, 95%, что свидетельствует о высоком качестве полученных индексов. Далее был проведен анализ полученных индексов фундаментальной науки на наличие выбросов (рис. 19).



Рис. 19 Выделение аномальных значений индексов фундаментальной науки в регионах России, 2011-14 гг.

Источник: расчеты автора

Очевидно, что на рисунке 19 Москва (18) и Санкт-Петербург (28) в очередной раз демонстрируют аномально большие значения, следовательно, их стоит исключить из выборки, чтобы получить несмещенные оценки модели.

Далее аналогичным образом были получены индикаторы информационных и коммуникационных технологий в регионах России с 2011ого по 2014ый годы (смотреть приложение 15). Объясняющая способность первой компоненты для 2011ого, 2012ого и 2013ого годов была порядка 60ти процентов, хотя в 2014ом году она снизилась до 55%, тем не менее, этого достаточно, для выделения компоненты, как самостоятельного индекса. В результате анализа на наличие выбросов (прил. 16), было принято решение исключить из выборки Чеченскую республику (40) «снизу» (сильное отставание) и Москву (18) «сверху» (сильное опережение).

Так были сформированы индексы инновационности российских регионов, фундаментальной науки и информационных и коммуникационных технологий в России с 2011ого по 2014ый годы. Качество полученных индексов получилось довольно высоким, а их совокупный анализ с индексом уровня жизни на наличие выбросов привел к выводу о необходимости исключить следующие субъекты: г. Москва и г. Санкт-Петербург, в силу очень больших значений всех показателей, и республики Ингушетия и Тыва, в силу очень низких показателей уровня жизни населения.

После завершения формирования системы показателей, были построены три типа регрессий по панельным данным для российских регионов в период с 2011ого по 2014ый годы: «between»-регрессия, «within»-регрессия и модель со случайными эффектами, но было необходимо выбрать наилучшую из них для получения самых качественных оценок и, соответственно, достижения цели исследования. Сначала, в программе STATA был реализован тест Вальда, в котором p-уровень был меньше 0,01, следовательно, нулевая гипотеза отвергалась и модель с фиксированными эффектами или within-регрессия описывала систему показателей лучше, чем простая (between) регрессия.

Затем был реализован тест Бройша-Пагана на наличие случайного индивидуального эффекта с нулевой гипотезой - Hо: Var(u)=0. В результате было получено, что р-уровень меньше 0,01, следовательно, основная гипотеза отверглась, и модель со случайными эффектами описывала панельные данные гораздо лучше, чем сквозная регрессия.

Оставалось выбрать между регрессиями с фиксированными и случайными эффектами, для чего был использован тест Хаусмана. Нулевая гипотеза в данном тесте имеет следующий вид: . Было получено, что р-уровень больше 0,01, следовательно, основная гипотеза не отвергалась, и наиболее подходящей моделью для данного исследования стала регрессия со случайными эффектами. Подтверждение этому можно найти в таблице 9, а реализацию сквозной регрессии и регрессии с фиксированными эффектами, а также тесты, смотреть в приложениях 17, 18 и 19 соответственно.



Таблица 9

Результаты реализации регрессии со случайными эффектами и теста Хаусмана

Источник: расчеты автора

Тест Хаусмана
Результаты теста	Chi статистика	Значимость
Случайный период	10.72	0.013
Модель со случайными эффектами
Зависимая переменная: индикатор уровня жизни
Метод: Панельный наименьших квадратов
Годы: 2011 2014
Включено периодов: 4
Наблюдений включено: 76
Всего наблюдений: 304
Переменные	Коэффициенты	Стандарт. ошибки
Константа	43.85***	0.37
Индикатор инновационной деятельности	5.42***	0.89
Индикатор фундаментальной науки	8.11***	1.80
Индикатор информационных и коммуникационных технологий	0.85**	0.38
Коэф. детерминации	0.45	Инф. критерий Акаике	6.36
Скоррект. коэф. детерминации	0.44	Инф. критерий Шварца	6.44
Значимость (F-статистика)	0,000	Статистика Дарбина-Уотсона	1.84

В верхней части таблицы 9 приведены результаты теста Хаусмана, реализованного с помощью программы eViews. Учитывая полученный уровень значимости (p-уровень) превышающий 0,01, модель со случайными эффектами будет наилучшей. Далее оценим результаты построенной регрессии. Значение Prob (f-statistic) меньше 0,05, следовательно, нклевая гипотеза о незначимости модели отвергается с вероятностью ошибки 5%. Далее нужно обратить внимание на информационные критерии Акаике и Шварца, они оба довольно близки к нулю, что означает высокое качество созданной модели в совокупности с коэффициентом детерминации близким к 50ти процентам. Но главным для достижения цели исследования является изучение полученных коэффициентов и их значимость. Очевидно, что все значения Prob. для них не превышают 0,05, это значит, что нулевая гипотеза об их значимости не отклоняется с вероятностью ошибки 5%, следовательно, все зависимые переменные (индикаторы) значимы. Так, можно построить уравнение полученной модели со случайными эффектами:

(0,899) (1,8) (0,385)

(0,000) (0,000) (0,0267)

y - индекс уровня жизни населения региона или ИЧР;

х1 - индекс инновационности региона;

х2 - индекс развития фундаментальной науки в регионе;

х3 - индекс развития информационных и коммуникационных технологий в регионе.

Анализируя коэффициенты в уравнении 2 можно сделать вывод, что наибольшее влияние из трех индексов на уровень жизни в регионе, при условии отсутствия воздействия остальных, имеет индикатор фундаментальной науки. С практической точки зрения это довольно легко объяснить тем, что в основе инновационных решений, всегда лежит продукт научной деятельности, и нельзя забывать о тесной практической связи между собой всех трех изучаемых сфер. Но упомянутая связь обусловлена не корреляцией данных, а возможностью получения результата только при функционировании их совокупности. Также стоит отметить, что константа в результате построения получилось значимой, но в уравнении модели она не записывается во избежание появления мультиколлинеарности.

Прежде чем делать ключевой вывода о значимости влияния инноваций на уровень жизни населения в России, нужно проверить остатки полученной модели. Первым делом они были исследованы на нормальный закон распределения при помощи статистики Жака-Бера. В итоге было получено, что значение Probability больше 0,05, следовательно, нулевая гипотеза о нормальном распределении остатков не отвергается с вероятностью ошибки 5%. Подтверждение полученному результату можно найти на графике распределения остатков (смотреть приложение 20).

Далее были остатки модели были проверены на наличие автокорреляции с помощью теста Дарбина-Уотсона в программе eViews. В результате, в было получено, что значение критерия равно 1,84, следовательно, оно попадет в интервал от 1,72 до 2,28, поэтому на уровне значимости 5% нулевая гипотеза об отсутствии автокорреляции принимается.

И, в завершении, остатки были проверены на гомоскедастичность с помощью теста Бреуша-Пагана-Годфри, реализованного вручную. Нулевая гипотеза задавалась, как отсутствие гетероскедастичности, а для реализации была построена вспомогательная регрессия, в которой остатки были зависимой переменной, а независимые переменные остались неизменными. В результате было получено, что (4; 0,05)=9,488, следовательно, нулевая гипотеза об отсутствии гетероскедастичности была принята, а остатки гомоскедастичны на уровне значимости 5%.

Таким образом, можно сделать вывод, что полученная модель адекватно отражает действительность и может использоваться для дальнейшего прогнозирования благосостояния населения. Ее довольно высокое качество дает возможность обоснованно утверждать, что инновации действительно влияют на уровень жизни населения в России. При этом было выявлено, что только при параллельном развитии сфер науки, инноваций и информационных и коммуникационных технологий можно достичь высоких показателей уровня жизни в регионах России.



Заключение

Подводя итог проведенному исследованию, стоит объединить все полученные результаты для создания полноценного образа взаимосвязи инноваций и уровня жизни населения в России. В ходе работы были решены все поставленные задачи, что способствовало успешному достижению главной цели. Таким образом, влияние инноваций на благосостояние в России было доказано и рассмотрена структура воздействия.

Первым делом было проведено изучение литературной базы по теме исследования, которое показало, что инновационное воздействие изучалось ранее в основном на уровне отдельных организаций с целью увеличения выручки. Но вышеупомянутые источники были также очень полезны с точки зрения заимствования методов анализа. В масштабах Российской Федерации, безусловно, ведется тщательный мониторинг как инновационной сферы, так и показателей уровня жизни, но качественный анализ их взаимодействия можно найти только в нескольких работах, основанных на устаревших данных. Чрезвычайно полезной для проведения исследования оказалась «Стратегия 2020» или концепция долгосрочного социально-экономического развития России, разработанная под руководством НИУ ВШЭ, с позиции определения целей инновационного развития в стране, создания качественных систем показателей и ожидаемых изменений уровня жизни населения. В глобальном масштабе тема работы изучена слабо, международные организации публикуют рейтинги и отчеты о инновационности стран и оценивают в них уровень жизни, но масштабных работ по анализу взаимодействия этих двух сфер очень мало.

Исследование уровня жизни населения в России, на фоне роста среднедушевого дохода населения, социальной поддержки, пенсионных выплат, выплат пособий и прожиточного минимума был отмечен сильный рост инфляции и ожиданий негативного изменения благосостояния, а также снижение покупательной способности граждан и благоприятности для создания сбережений. Помимо этого, по индексу Джини, была выявлена очень большая дифференциация доходов населения. Анализ сферы здравоохранения в стране показал, что ожидаемая продолжительность жизни при рождении растет и приближается к показателям развитых стран, но отставание от мировых лидеров пока еще существенно. Помимо этого, несмотря на большую численность врачей в стране, сохраняется очень высокий показатель младенческой смертности и огромная гендерная разница в продолжительности жизни. Глобальное сравнение выявило довольно низкий уровень основной массы показателей благосостояния в России. Тем не менее, по ИЧР, который является объективным мировым индикатором уровня жизни, Россия значительно улучшила свои позиции по сравнению с 2010ым годом и в 2014ом оказалась на границе с категорией стран с «очень высоким» уровнем человеческого развития, занимая 50ое место в рейтинге.

Анализ уровня инновационного развития в Российской Федерации выявил, что, до начала экономического кризиса, основные показатели инновационной деятельности увеличивались. Но, как было отмечено, инновационный рост возможен при высокой степени развития остальных показателей, а в условиях большой экономической зависимость России от цен на энергоресурсы это становится все более затруднительным. Тем не менее сравнительный анализ с некоторыми развитыми странами показал отставание РФ даже до начала кризиса по уровню инновационности. Оценка позиций России по объективному Глобальному Инновационному Индексу выявила рост с 56ого до 41ого места из 141ого возможного к 2014ому году по сравнению с 2011ым, но большая разница с лидерами рейтинга пока сохраняется.

Региональный анализ уровня жизни населения показал, что субъекты центрального федерального округа имеют самые высокие результаты, а наиболее отдаленные - самые низкие. Помимо этого, в ходе анализа причин отставания регионов с наиболее низкими показателями уровня жизни, была выявлена сильная зависимость от добычи энергоресурсов, то есть там, где она есть - показатели уровня жизни значительно выше. Довольно низкими показателями благосостояния пока характеризуется недавно вошедшая в состав России республика Крым, но она обладает очень большим потенциалом, и, в дальнейшем, обещает стать одним из лидирующих регионов Российской Федерации. Как наиболее прогрессивные регионы по показателю уровня жизни были выделены Волгоградская и Сахалинская области, а регионами, сильнее всего снизившими позициии в 2014ом году по сравнению с 2013ым, являются Карачаево-Черкесская республика и республика Северная Осетия. Абсолютными лидерами России по уровню жизни остаются Москва, Санкт-Петербург и Московская область.

Инновационность российских регионов была проанализирована при помощи кластерного анализа. В итоге было выявлено, что с 2011ого года, по показателям эффективности инновационных процессов, диспропорция между наиболее инновационными регионами и наименее увеличилась, а средний кластер остался неизменно мал. Сопоставление инновационных центров России и регионов с разной эффективностью инновационных процессов показало примерно одинаковую численность регионов в кластерах, но изменившуюся структуру этих кластеров. Анализ регионов, сильно увеличивших эффективность своих инновационных процессов, показал, что увеличение затрат на исследования и разработке и объемов отгруженной инновационной продукции дает наибольшую эффективность.

Анализ влияния абсолютных показателей инновационной деятельности на уровень жизни населения регионов с низким индикатором уровня жизни в 2014ом году получился достаточно удачным. Было выявлено, что в данном кластере на уровень благосостояния больше всего влияют затраты на исследования и разработки вместе с объемом отгруженных инновационных товаров и услуг собственными силами. Помимо этого, в сочетании с повышенным вниманием к патентной активности и к используемым инновациям, потенциал данных регионов может раскрыться значительно быстрее, и они могут стать не менее важными участниками экономики страны. Так, если субъекты в выбранном кластере сделают упор на развитие вышеупомянутых показателей, они смогут значительно улучшить свой индикатор уровня жизни.

И, в заключение исследования, для достижения поставленной цели, было статистически изучено влияние инноваций на уровень жизни населения во регионах России с учетом фактора времени. Была построена регрессионная модель со случайными эффектами по панельным данным, которая своим высоким качеством подтверждала существование данного воздействия. Для реализации исследования были составлены три индикатора, характеризующие уровень инновационного развития, состояние фундаментальной науки и информационные и коммуникационные технологии во всех регионах России с 2011ого по 2014ый годы, а затем применен регрессионный анализ, в результате которого была выявлена существенность положительного влияния каждого из созданных индексов. Это дало возможность не только ответить на главный вопрос работы, но и утверждать, что инновации только в совокупности с развитием фундаментальной науки и информационных и коммуникационных технологий могут способствовать наиболее эффективному росту благосостояния населения в России.

Резюмируя все вышесказанное, инновационные решения могут стать наилучшим способом для выхода России из экономического кризиса и сокращения диспропорции между уровнями развития субъектов. Тем более, если Российская Федерация сможет успешно перейти к «инновационной экономике», она сможет за довольно короткий период времени перейти в категорию развитых стран и значительно снизить зависимость от цен на энергоресурсы.



Список используемых источников

1. Айвазян С.А. «Интегральные индикаторы качества жизни населения: их построение и использование в социально-экономическом управлении и межрегиональных сопоставлениях», 2000 г., ЦЭМИ РАН;

2. Архипова М. Ю. «Исследование инновационного влияния на уровень жизни. Менеджмент инноваций - 2007», 2007 г., International Research and Practice Conference Materials;