Исследование подходов к моделированию национальных инновационных систем

Рис. 1. Кла management science anc^technology foresight national in higher education russia innovation policy emergingeconomy patterns perfo^rpance^ research-and-development regional innovation system            innovation system innovation development s growth Источник: составлено авторами по результат Рис. 2. Встречае management science ancfetechnology foresight nations higher eduq гцуа / //Mt/^п innovation policy^^ emergingseconomy patterns perfo^gpance research-and-development regional innovation system           innovate syster innovation developn growth ^ VOSviewer Источник: составлено авторами по результат

теризация ключевых слов (WoS) indicative planning competitiveness innovation Infrastructure X .,.            ,             cluster novation system * unit^sity system mQ(jel i n novativ^prod nets information and^ommunicatic innovation development digitaljgation lead^shjp ам исследования. мость ключевых слов по годам (WoS) ^      indicativQ^planning competitiveness innovation infrastructure cluster al innovation system unix^sity ation system mode| i n n ovati vq, p ro d u ct s information and communicatic innovation development digitalization industry leadership lent strateg 2016         2017         2018         2019 ам исследования.

Самый обширный кластер (на рис. 1 выделен красным) включает в себя такие термины, как “digitalization”, “information and communication technologies”, “innovation development”, “innovative economy”, “innovative products”, “leadreship”, “neoindustrialization”, “transformation”, относящиеся к исследованиям инновационного развития. Далее идут термины “growth”, “industry”, “innovation development srtategy”, “innovation system”, “research-and-development», “spillovers” (зеленый кластер) – концепты, связанные с исследованиями и разработками. Следует отметить, что термины “higher education system” и ‘university” включены в разные кластеры: первый в связке с “innovation policy”, “national innavation system”

и “indicative planning”, а второй объединен с концептами “innovation infrtastructure” и “competitiveness”.

Кластеризация и встречаемость ключевых слов по годам в Scopus представлены на рисунках 3 и 4 . Кластеризация основана на количестве совпадений, по крайней мере, двух ключевых слов. Таким образом, из 509 терминов для кластеризации были использованы 83. Здесь также можно выделить 8 кластеров.

Как видно из рисунков 1 и 3, в БД WoS и Scopus наиболее распространены термины “national innovation system”, “innovation”, “innovation development” и “innovation policy”. Рисунки 2 и 4 показывают эволюцию в терми-

нологии исследований. Термины «innovation infrastructure”, “leadership”, “digitalization”, “knowledge spillover” выделены желтым цветом, что говорит о росте их популярности в последних публикациях.

Проведенный визуальный анализ библиографических данных позволил уточнить ключевые запросы для следующего этапа исследования – применения метода PRISMA.

Метод PRISMA

Цель применения метода PRISMA – систематическое изучение литературы на выбранную тему. Метод PRISMA широко используется во многих научных областях, но особую популярность получил в медицине. В социальных науках метод PRISMA применяется к самому широкому кругу вопросов, представляя собой систематический обзор, направленный на выявление, оценку и интерпретацию результатов исследования, которое актуально и связано с конкретной темой, подлежащей изучению. Реализация соответствующей процедуры подразумевает последовательное выполнение нескольких шагов: идентификация источников; выявление и удаление дубликатов; скрининг и проверка на приемлемость [10].

Шаг 1 – идентификация источников. На этом этапе выполнялся поиск работ по нескольким базам научного цитирования: международные базы Web of Science и Scopus, а также российская база национальной электронной библиотеки ELibrary. Основу составили ключевые запросы “Russian innovation system”, “National innovation system” and Russia; поскольку библиотека ELibrary содержит большое число русскоязычных публикаций, то указанные запросы были дополнены их переведенными аналогами («национальная

Таблица 2. Поисковые запросы к базам научного цитирования

База данных	Поисковый запрос	Критерии ограничения поиска
Web of Science	(“Russian innovation system”) OR (“National innovation system” and Russia)	Отсутствуют
Scopus	(“Russian innovation system”) OR (“National innovation system” and Russia)	Отсутствуют
ELibrary	(“Russian innovation system”) OR (“National innovation system”) OR (Национальная инновационная система) OR (Российская инновационная система)	Где искать: в названии публикации. Тип публикации: статьи в журналах, диссертации, книги, материалы конференций. Тематика: без ограничений. Авторы: без ограничений. Журналы: без ограничений. Параметры: искать с учетом морфологии. Годы публикации: без ограничений. Поступившие: за все время.
Источник: составлено авторами по результатам исследования.

инновационная система» и «российская инновационная система»). Для баз Scopus и Web of Science критерии ограничения на этапе идентификации не применялись; для библиотеки ELibrary были установлены следующие параметры расширенного поиска: включение ключевого запроса в название публикации, тип публикации – статьи в журналах, диссертации, книги, материалы конференций. Поисковые запросы и параметры исключения сформулированы в таблице 2 .

Этот шаг позволил идентифицировать 1379 научных источников. Дополнительно были включены и другие публикации, идентифицированные в ходе поиска в указанных выше базах, а также в системе Google Schoolar – это увеличило общую базу исследования на 232 единицы. Итого на этапе идентификации выявлено 1611 публикаций.

Шаг 2 – выявление и удаление дубликатов. В ходе проверки базы исследования на наличие дубликатов была выявлена и удалена 301 работа, следовательно, осталось 1310 источников для дальнейшего рассмотрения.

Шаг 3 – скрининг. Данный этап включает проверку публикаций на соответствие теме. Исключению подлежали материалы, для которых не выполнялись базовые критерии включения, подразумевающие, что тема работы относится к исследованию национальных инновационных систем, работа содержит модель национальной инновационной системы. Исключались также материалы, полнотекстовое рассмотрение которых невозможно, т. к. доступ к ним отсутствует или публикации выполнены на языках, отличных от русского и английского. Это позволило отбросить еще 1173 источника, оставив только 137 к дальнейшему рассмотрению. Таким образом, уже на этом этапе к анализу представлено только 8,5% работ из первоначальной выборки.

Шаг 4 – проверка на приемлемость. Проверка подразумевает выявление научных источников, содержащих математические модели национальных инновационных систем. Следовательно, исключению подлежали те работы, которые содержат лишь концептуальное описание НИС, простое описание соответствующих статистик, то есть не предлагают конкретного формального анализа. Это уменьшило исходную выборку еще на 88 источников. В дальнейшем же при качественном анализе были исключены 10 публикаций, не удовлетворяющих критериям поиска. Итого к финальному рассмотрению отобрано 39 работ — 2,4% от изначального количества публикаций.

Блок-схема PRISMA отражена на рисунке 5 .

Рис. 5. Блок-схема PRISMA

Публикации, идентифицированные по ключевым запросам через базы Web of Science, Scopus, ELibrary (n = 1379)

Дополнительно идентифицированные публикации (n = 232)

Источник: составлено авторами по результатам исследования.

Типология моделей НИС

В ходе проведенного содержательного анализа отобранной научной литературы была осуществлена классификация моделей по четырем типам на основе общности выводов: макроэкономическое моделирование инновационных систем, моделирование роста за счет развития инновационных систем, моделирование инновационной активности фирм, моделирование институциональных факторов развития инновационных систем (рис. 6) .

Каждая из выделенных разновидностей включает множество подходов к моделированию НИС. Так, макроэкономическое моделирование инновационных систем зачастую осуществляется с использованием показателей патентования (число зарегистрированных патентов, поданных заявок), производственноэкономических показателей (выпуск и экспорт высокотехнологичной продукции, ВВП, объем инвестиций и расходы на НИОКР), показателей публикационной активности (число научных статей). При моделировании роста за счет развития инновационных систем последние отражаются как показатели ВВП и его производные (темпы роста, производительность труда, ВВП на душу населения) и как индексы глобальной конкурентоспособности, ИЧР, коэффициент Джини. Моделирование инновационной активности фирм сфокусировано на изучении особенностей инновационной деятельности акторов на микроуровне, поэтому принимаются во внимание прежде всего инновационные стратегии фирм, виды их кооперации в рамках создания инноваций, ожидание выигрышей участников и восприятие ими препятствий, а также соответствующие индексы. С точки зрения учета институциональных факторов в инновационных системах полезными оказываются как указанные ранее макропоказатели патентования, производства, ВВП, инновационные индексы, так и показатели микроуровня, в частности инновационные стратегии организаций.

Рис. 6. Типология моделей НИС

Тип моделей

Результирующая переменная

Источник: составлено авторами по результатам исследования.

Построение классификации позволяет типологизировать совокупности подходов и переменных, которые используются в научной литературе. В дальнейших исследованиях эта типология может быть дополнена и расширена за счет увеличения объемов анализируемой информации, а также проведения междисциплинарных исследований в данном направлении.

Макроэкономическое моделирование инновационных систем

В качестве результирующих прокси-переменных при моделировании НИС чаще всего используют число патентов (как поданных резидентами, так и на территории страны; количество одобренных или зарегистрированных заявок). В таких случаях авторы отмечают, что данная переменная положительно зависит от расходов на НИОКР в целом, в том числе расходов бизнеса и/или государства на НИОКР, затрат бизнеса на инновации, а также показателей инвестиций различного рода – начиная с инвестиций в инновации, например суперкомпьютеры, инвестиций в технологии, заканчивая общими инвестициями в образование и прямыми иностранными инвестициями [11–18].

Примечательно, что некоторые исследователи приходят к выводу о том, что производство инноваций осуществляется эффективно не только или даже не столько крупными, сколько небольшими исследовательскими центрами.

Так, Йенс К. Перре пишет, что регионы с большими развитыми исследовательскими центрами менее эффективны, чем с небольшими исследовательскими институтами, поскольку в первых отмечается отрицательный эффект масштаба от найма дополнительных научных сотрудников [12]. Эта идея подтверждается другими работами, согласно которым небольшие города могут демонстрировать успехи не меньшие или даже превосходящие успехи крупных агломераций на научном поприще [19; 20]. Небольшой размер региона не является препятствием для эффективной инновационной деятельности; более того, авторы отмечают, что регионы с низкими показателями НИОКР могут стать эффективными, потому что патенты могут быть результатом чистого творчества людей, не связанным с систематической работой исследовательских институтов [21]. Вывод об индивидуальной деятельности по созданию инноваций согласуется и с другим исследованием, автор которого заключает, что больше всего патентов регистрируют индивидуальные изобретатели, а лишь затем следуют отечественные и зарубежные компании [22].

Популярной переменной, отражающей НИС, выступает объем созданных инновационных товаров или услуг, то есть объем высокотехнологичного экспорта или производства и продаж инновационных товаров (на уровне фирм). В различных моделях эта переменная показывает зависимость от множества факторов, характеризующих человеческий капитал (численность и структура рабочей силы и персонала, уровень образования), инфраструктуру (в части использования компьютеров), инновационную активность (производство инновационных товаров, расходы на НИОКР, науку, инвестиции в инновации, число предприятий, занятых созданием знаний), институциональную структуру (правительство, условия ведения бизнеса), финансирование (объем кредитования) [15; 23–27].

Реже используются показатели публикационной активности (количество опубликованных научных статей, показатели цитирования) как способа отражения функционирования НИС. Здесь детерминантами являются в целом те же факторы, что и в указанных ранее моделях: человеческий капитал (число научных сотрудников, уровень образования), инвестиции (расходы на НИОКР, прямые иностранные инвестиции, расходы на образование), показатели инновационной деятельности (регистрация патентов, импорт высокотехнологичных товаров) [19; 28].

Моделирование роста за счет развития инновационных систем

Традиционным показателем экономического роста выступает ВВП (общий показатель или в пересчете на душу населения, или темпы роста). Эконометрические модели, отражающие влияние НИС на ВВП, свидетельствуют, что имеется положительная корреляция между показателями производства инновационных товаров и услуг (добавленная стоимость наукоемких отраслей, стоимость высокотехнологичного экспорта), инновационной активностью (количество патентов, публикационная активность), инвестициями (расходы на НИОКР, финансирование науки, прямые иностранные инвестиции), развитием человеческого капитала (показатели образования – расходы на образование, число студентов, численность научного персонала), инфраструктурой (доступ к интернету, сотовой связи), финансированием и налогообложением (кредитование, налоговые ставки) и экономическим ростом [29–38].

Если же говорить о попытках моделирования экономического развития, то таких публикаций значительно меньше. Как правило, проксипеременными здесь выступают комбинации некоторых факторов, отражающих экономическое развитие, или различные индексы, например индекс человеческого развития, коэффициент Джини. Однако влияющие на него переменные в целом те же, что и для экономического роста [39; 40].

Исторически в экономической теории экономическое развитие связано с факторами и переменными, плохо поддающимися количественной оценке, в частности состоянием институциональной структуры или качеством экономической политики. Сложность включения подобных институциональных факторов в анализ с помощью формального моделирования требует дополнения математического моделирования концептуальным моделированием с использованием качественных методов. Как отмечал нобелевский лауреат Р. Шиллер, в рамках нарративной экономики эконометрическое моделирование может быть дополнено качественными исследованиями [41].

Моделирование инновационной активности фирм

Модели, описывающие инновационную активность на микроуровне, очень разрозненные. Вероятно, это связано с тем, что данные для такого исследования получены в процессе применения микст-методов: опросов и анкетирования, что формирует разнородную выборку исходной информации, а потому и различные аспекты, изучаемые в публикациях.

В первую очередь инновационную активность фирм связывают с самим предприятием. Как отмечает Бенгт-Аке Люндваль, крупные предприятия в высокотехнологичных отраслях, имеющие свои инновационные стратегии, более активны в производстве инноваций; здесь же указывается, что те предприятия, которые производят кастомизированную продукцию, с большей вероятностью относятся к активным инноваторам [42; 43]. Также исследователи акцентируют внимание на большей вовлеченности в процесс инновационного взаимодействия со стороны средних и крупных предприятий, ориентированных на глобальный и национальный рынки. В целом повышение расходов на НИОКР со стороны бизнеса связано с кооперацией первых с соответствующими организациями, государственные же предприятия чаще вступают во взаимодействие с университетами [44].

Другой подход, основанный на ожидаемых выигрышах от участия в инновационных процессах, предлагают Д.А. Гордеев и В.В. Акбер-дина. Их выводы, однако, не противоречат предыдущим: поведение организаций определяется совокупностью нормативно-правовых и организационно-управленческих факторов, то есть условиями, целями этой деятельности, а также взаимодействием со средой, представленной субъектами государства, науки и предпринимательства, и соответствующими ограничениями [45]. В целом важность государства как одной из сторон обеспечения политических условий, которые учитываются индивидом при принятии решений относительно инвестиций (в данном контексте как развитие технологического трансфера), подчеркивается в работе Б.Е. Одинцова, где отмечается, что заинтересованность инвесторов повышается при внешней политико-экономической стабилизации, как и стабилизации федерального уровня управления [46].

Значимыми при моделировании инновационной активности оказываются также доступность и локализация ресурсов. Кроме того, финансирование играет ключевую роль для предприятий, в отличие от институциональных представителей, которые находят, что фактор образования важнее для инновационного развития [47]. Более широкий взгляд на препятствия к инновационной деятельности с точки зрения фирмы предполагает учет дополнительно и таких факторов, как неблагоприятные условия окружающей среды, отстраненность от инновационного взаимодействия, внутрифирменные факторы (среди которых и проблема человеческого капитала), высокие риски, недостатки инфраструктуры [48].

Большую роль в плане инновационной деятельности играет и среда функционирования фирмы. Так, например, взаимодействия фирм в инновационной среде, обмен знаниями напрямую зависят от интенсивности деятельности фирмы по НИОКР и системы защиты ее прав собственности [49]. В продолжение этой идеи стоит отметить, что фирма, существующая в отраслевой и региональной среде одновременно, подвергается воздействию с обеих сторон, однако если отраслевая инновационная система связана с интенсивным ростом предприятия, то региональная инновационная система способствует экстенсивному росту компании [50].

Моделирование институциональных факторов развития инновационных систем

Примечательно, что даже при относительной однородности подходов к отражению НИС в моделях выводы, получаемые из эмпирических данных, сильно разнятся даже относительно базовых аспектов, которые считаются детерминантами инновационной деятельности.

Финансирование – один из ключевых аспектов, упоминающихся при определении факторов результативности инновационной деятельности [51]. Как правило, предполагается, что государственные расходы имеют положительное влияние на НИС, и многие модели показывают, что это действительно так: государственные расходы на исследования и разработки выступают показателем инновационной системы, который положительно влияет на экономический рост [31]; такая же связь присутствует между бюджетными ассигнованиями на науку и ВВП [37]. Однако не все моменты однозначны. Государственная поддержка и финансирование не являются значимыми в отношении стимулирования кооперации науки и промышленности, на него не влияют ни целевые, ни общие меры (налоги, процентные ставки); эффективными же оказываются только специальные меры сетевой поддержки (технологические платформы, кластеры) [44]. Аналогичную идею можно проследить и в другой статье [25]: регрессионная модель выявила, что расходы государства на НИОКР не оказывают значимого влияния на высокотехнологичный экспорт – важный показатель национальной инновационной системы. Еще одно исследование свидетельствует, что государственное финансирование незначимо в случае России, то есть не оказывает значимого влияния на открытость инновационной деятельности, обмен ее результатами [49].

Сложным представляется вопрос о потребности и роли государственных расходов с учетом того, что фирмы склонны отмечать как раз потребность в ресурсах в качестве ключевого фактора, влияющего на их деятельность в сфере инноваций [47], а недостаток финансовых ресурсов и государственной поддержки – как одно из главных препятствий к ней [48].

Другой фактор, оказывающий влияние на инновационную деятельность, – система защиты прав собственности. Очевидно, что акторы имеют больше стимулов к созданию новых товаров и услуг, когда есть гарантии того, что их новации защищены от копирования, экспроприации и т. д. Тем не менее, при изучении результатов исследований, включающих этот аспект, можно столкнуться с несколько разнородными заключениями. Хотя сложность системы защиты прав собственности положительно влияет на вовлеченность фирм в обмен знаниями, одновременно следует отметить, что этот аспект требует более детального исследования; более того, выявлено, что значительное число предприятий признают этот же фактор препятствием к обмену техническими достижениями [49]. С другой стороны, обнаруживаются подтверждения значимого и положительного влияния системы защиты прав собственности на процессы кооперации между промышленностью и академией, причем важными оказываются как формальные, так и неформальные инструменты [44]. При этом моделирование зависимости производительности труда от ряда показателей, характеризующих открытость национальной инновационной системы, выявило, что фактор стоимости использования интеллектуальной собственности не оказывает значимого воздействия на регрессант [38].

Важность институциональных факторов для инновационной деятельности также исследуется в контексте форм собственности, способствующих или препятствующих инновационной деятельности. Провалы национальной инновационной политики в плане невыполнения функции по созданию, хранению, распространению и экономическому применению знаний возникают за счет искажения мотивации акторов из-за несовершенства институциональной структуры, например институтов, связанных с интеллектуальной собственностью [52].

Еще одно противоречие наблюдается в вопросе об оценке значимости институциональной структуры в контексте национальных инновационных систем, их влияния на экономический рост. Как правило, предполагается, что институты значимы для экономического развития [53; 54; 55].

Логично также предположить, что развитые институты положительно влияют на инновационные процессы. С одной стороны, часть эмпирических исследований подтверждает этот факт. Так, S. Zemtsov и M. Kotsemir приходят к выводу, что институциональные условия обеспечивают лучшие возможности интеракции акторов в инновационном процессе [21]. С другой стороны, некоторые модели показывают, что институциональная составляющая незначима [36; 40]. В статье С.М. Пястолова и вовсе демонстрируется модель влияния различных факторов на индекс инновационного выпуска, где коэффициент при переменной институтов принимает отрицательное значение [56].

Заключение

Проведенный реляционный анализ публикаций позволил представить картину исследований, посвященных моделированию инновационных систем. Изучение инновационных систем находится в рамках исследовательского поля нескольких наук, при этом большая часть приходится на экономику, эконометрику и финансы (Economics, Econometrics and Finance), бизнес, менеджмент и бухгалтерский учет (Business, Management and Accounting) и науки об обществе (Social Sciences). В результате анализа наукометрических показателей выявлено, что в последние годы наблюдается рост публикаций по данной тематике, сопровождающийся увеличением упоминаний, связанных с темой ключевых слов в научных публикациях.

Исследования национальных инновационных систем в современной экономической теории концентрируют внимание на механизмах, количественных результатах и показателях функционирования организаций. Качественный анализ и интерпретация статей позволили выявить и установить четыре основных аспекта моделирования национальных инновационных систем: с одной стороны, макромодели НИС и моделирование экономического роста за счет развития инновационных систем, а с другой – моделирование институциональных факторов развития инновационных систем и моделирование инновационной активности фирм.

Проведенный анализ переменных рассмотренных типов моделей значим для осмысления очень важного аспекта в исследовании национальных инновационных систем – формального моделирования. Переменные рассмотренных типов моделей в дальнейшем будут использоваться для организации сбора и анализа качественных данных в рамках новейшего научного направления – нарративной экономической теории (narrative economics). В связи с этим полученные в ходе работы результаты необходимы при формулировке запросов в базах данных средств массовой информации, проведении контент-анализа, формулировке вопросов в гайдах глубинных интервью. Проведение качественных исследований российской инновационной системы на основе анализа нарративов позволит наряду с ее формальным моделированием получить более глубокое понимание процессов в сфере создания и внедрения инноваций.