Эконометрическое моделирование уровня развития экономики знаний в регионах России

Современное общество активно развивает идею о первоочередной важности информационных ресурсов. Своевременные, достоверные и качественные знания являются залогом обеспечения высокого уровня конкурентоспособности компаний и позволяют руководителям принимать более правильные и оптимальные решения. Данные положения являются основой современной экономической парадигмы – «экономика знаний».

Экономическая    среда,    базирующаяся    на    управлении информационными ресурсами, особое внимание уделяет научным исследованиям и их достижениям. В связи с этим, основные показатели, объективно характеризующие развитие экономики, должны носит научнотехнологический характер [2; 6].

Ученными и исследователями ИСЭРТ РАН была разработана и апробирована методика расчета мультипликативного интегрального показателя, при помощи которого можно оценить уровень научнотехнического развития регионов России и определить факторы, по которым какая-либо из исследуемых территорий отстает от других или является лидером. Показатели, используемые в методике, сгруппированы по 3 тематическим модулям и представлены на рисунке 1.

Рисунок 1 – Система показателей научно-технического развития территорий [1; 2; 3]

Следует отметить, что одним из недостатков подобных методик является необходимость сбора большого количества наблюдений различающихся по своей сущностной характеристике. При изменении форм сбора данных в статистических центрах обработки информации могут измениться способы расчета некоторых показателей, либо они могут быть вообще исключены из дальнейших статистических наблюдений. В связи с этим возникает проблема дальнейшей интерпретации и сопоставимости результатов проводимых исследований между собой.

Данная проблема может быть решена путем сокращения количества показателей, используемых при расчете интегральной оценки за счет построения модели множественной регрессии [5]. Сформировавшееся уравнение позволит спроектировать отклик аналогичный тому, который показывает   фактический мультипликативный показатель научно технического потенциала.

Модель множественной регрессии, показывающая уровень развития экономики знаний в регионах была спроектирована при 41-ом предикторе (сумма показателей, входящих в расчет оценки мультипликативного показателя уровня научно-технического развития территорий). Объем выборочных наблюдений составил 400 точек отсчета (значения показателей для 80 регионов РФ, взятые за период 2009-2013 гг.). Исходными данными для анализа послужили материалы Федеральной службы государственной статистики [4].

По завершению процедуры корреляционного анализа и отбора на основании его полученных данных для исключения из модели явления мультиколлинеарности    (дублирование    влияния    факторов    на результирующий показатель и смещение, вследствие этого, полученных оценок перед отобранными переменными) в регрессионную модель были включены следующие показатели.

• -    уровень инновационной активности организаций (х 1 ), %;

• -    численность исследователей с ученой степенью на 10 тыс. занятых в экономике (х₂), чел.;

• -    число созданных передовых производственных технологий в расчете на 1 млн. населения (х₃), ед.;

• -    выпуск специалистов высшими учебными заведениями в расчете на 10 тыс. населения (х₄), чел.;

• -    доля населения, имеющего высшее профессиональное образование, в общей численности занятых в экономике (х₅), %;

• -    удельный вес организаций, имеющих веб-сайты, в общем числе обследованных организаций (х₆), %.

Таким образом, математическая модель примет следующий вид:

у = 2,452 + 0,011х4 + 0,007x2 + 0,008x3 + 0,006х4 + 0,01х5 +

0,018х6,                                       1)

Коэффициент детерминации данного уравнения равный 0,695 указывает на то, что вариация индекса научно-технического потенциала примерно на 70% зависит от показателей, которые были отобраны на этапе моделирования матрицы парных коэффициентов корреляции.

Интерпретация регрессионных коэффициентов модели позволила определить следующее:

Ь0 - равное 2,452, представляет собой среднее значение экономики знаний в регионе.

Ь 1 - равное 0,011, представляет собой предсказанное значение увеличения коэффициента научно-технического потенциала при увеличении инновационной активности организаций на 1%.

Ь₂ - равное 0,007, представляет собой предсказанное значение увеличения коэффициента научно-технического потенциала при увеличении численности исследователей с ученой степенью на 10 тыс. занятых в экономике на 1 человека.

Ь₃ - равное 0,008, представляет собой предсказанное значение увеличения коэффициента научно-технического потенциала при увеличении числа созданных передовых производственных технологий в расчете на 1 млн. населения на 1 шт.

Ь₄ - равное 0,006, представляет собой предсказанное значение увеличения коэффициента научно-технического потенциала при увеличении числа созданных передовых производственных технологий в расчете на 1 млн. населения на 1 шт.

Ь 5 - равное 0,01, представляет собой предсказанное значение увеличения коэффициента научно-технического потенциала при увеличении доли населения, имеющего высшее профессиональное образование, в общей численности занятых в экономике на 1%.

Ь₆ - равное 0,018, представляет собой предсказанное значение увеличения коэффициента научно-технического потенциала при увеличении удельного веса организаций, имеющих веб-сайты, в общем числе обследованных организаций на 1%.

Таким образом, можно отметить, что из 41 показателя, используемого при расчете интегральной оценки научно-технического потенциала, в наибольшей мере оказывают влияние на нее без совокупной взаимообусловленности (мультиколлинеарности) 6 предикторов. В наибольшей мере на конечный результат в расчетной модели оказывает влияние последний показатель. Как показывает модель его влияние составляет 0,018 ед.

Дальнейшие исследования могут быть направлены на поиск недостающих факторов, способных спрогнозировать более точные оценки результирующего показателя и более точно подстроить графическую модель регрессии под результат, построенный по фактическим данным. Также уравнение можно протестировать на наличие автокорреляции и гетероскедастичности.