Методические подходы к прогнозированию региональных инновационных процессов
Автор: Очирова Г.Ю.
Журнал: Вестник Восточно-Сибирского государственного университета технологий и управления @vestnik-esstu
Рубрика: Экономические науки
Статья в выпуске: 5 (62), 2016 года.
Бесплатный доступ
Для реализации успешного перехода экономики на инновационный путь развития необходимо четко определить целевые ориентиры и дать оценку перспективных направлений. В связи с этим необходимо применение гибкого и оптимального инструментария прогнозирования экономических процессов. В статье рассмотрены основные методические подходы к прогнозированию социально-экономических процессов. Выявлено, что эффективным инструментом при разработке прогноза социально-экономических показателей являются эконометрические модели, основанные на статистических данных. Представлены сравнительные показатели инновационного развития Республики Бурятия и субъектов Сибирского федерального округа. Проведен анализ и построен прогноз объема производства инновационной продукции на примере Республики Бурятия с использованием методов регрессионного анализа и анализа временных рядов; выявлены факторы, влияющие на рост производства инновационной продукции региона. Обобщены выводы по проведенной работе.
Методы прогнозирования, эконометрическое моделирование, прогноз инновационного развития, регрессионный анализ
Короткий адрес: https://sciup.org/142143250
IDR: 142143250
Текст научной статьи Методические подходы к прогнозированию региональных инновационных процессов
В последнее время в процессе коренных социально-экономических преобразований в России подвижность экономических систем возрастает. Возрастает быстрота реакции на конъюнктуру внешнего и внутреннего рынка, на правительственные решения, на новые социальноэкономические условия. Даже наиболее инерционные макроэкономические характеристики становятся более подвижными. В связи с этим для прогнозирования таких экономических процессов требуется гибкий и современный инструментарий [1]. Чем выше уровень прогнозирования этих процессов, тем эффективнее государственное регулирование и планирование экономики.
В основном при разработке прогноза комплекса показателей социально-экономических систем применяют различные сочетания методов прогнозирования, например методы экспертной оценки, статистические методы (эконометрическое моделирование) или кибернетические методы (нейросетевое моделирование). Приведем краткое описание основных методов.
В основе метода экспертной оценки лежит компетентное суждение эксперта или экспертной группы относительно поставленной задачи прогноза, основанное на профессиональном, практическом и научном опыте. Экспертные суждения должны соответствовать двум научным критериям: точности и воспроизводимости результата. Основные экспертные методы прогнозирования: индивидуальной или коллективной экспертной оценки, матричный, построения прогнозного сценария и др.
В настоящее время одним из наиболее перспективных направлений анализа и прогнозирования в различных сферах человеческой деятельности получил метод Data Mining - нейронные сети (нейроэволюционный подход). Data Mining (интеллектуальный анализ данных) – муль-тидисциплинарная область, возникшая и развивающаяся на базе таких наук как прикладная статистика, искусственный интеллект, теория баз данных и др. Основной особенностью Data Mining является сочетание широкого математического инструментария (от классического статистического анализа до новых кибернетических методов) и последних достижений в сфере информационных технологий [5].
Но основное внимание в экономическом анализе и прогнозировании уделяется все же эконометрическим моделям, поскольку они позволяют на основе реальных статистических данных придать количественное выражение качественно определенным зависимостям социально-экономических явлений и процессов [2]. К ним относятся: прогнозирование с помощью моделей кривых роста; прогнозирование с помощью моделей авторегрессии – проинтегрированного скользящего среднего (моделей ARIMA); моделирование тенденции временного ряда; использование адаптивных методов при краткосрочном прогнозировании; многомерная регрессия; факторный анализ и т.д.
В данной работе представлена методика эконометрического моделирования инновационной деятельности и построен прогноз с целью выявления наиболее вероятного объема производства инновационной продукции на примере Республики Бурятия, с использованием методов регрессионного анализа и анализа временных рядов.
В Республике Бурятия в 2014 г. научные исследования и разработки выполняли 16 организаций; инновационной деятельностью занимались 18 организаций, не относящихся к субъектам малого предпринимательства. Проведенный анализ показал, что в республике доля инновационной продукции в общем объеме отгруженных товаров и оказанных услуг увеличилась с 6,3 % в 2013 г. до 10,6 % в 2014 г., темп роста составил 168,3 %. Удельный вес организаций, осуществляющих технологические инновации по РФ – 8,8 %, по СФО – 7,9 %, по РБ - 8,1 %; инновационная активность организаций составила соответственно 9,9, 8,8 и 8,5 % (рис. 1) [3, 4].
Первый этап моделирования инновационной деятельности для прогноза заключается в следующем:
– обобщение статистических данных, собранных за определенный период;
– построение модели множественной регрессии, в виде уравнения
yt = b0 + bt* xir + b2* xi2 + ... + bp * xip + et;
– проверка качества регрессионной модели.
Второй этап – непосредственно прогноз по построенной модели. Для этого находим будущие значения факторов x^, xl2,.,xip методом моделирования тенденции временного ряда. Полученные величины являются точечным прогнозом, что некорректно в эконометрических исследованиях, поэтому необходимо рассчитать нижние и верхние границы (low and high) доверительного интервала значений x t1 , x t 2,..., x tp . Найденные значения подставляем в уравнение регрессии. Таким образом, находим верхние и нижние границы доверительного интервала прогнозируемого показателя y t .

Удельный вес инновационных товаров, работ, услуг в общем объеме отгруженных товаров, выполненных работ, услуг, %
Инновационная активность организаций, %
Рисунок 1 – Показатели инновационной активности по субъектам Сибирского федерального округа за 2014 г.
Итак, для анализа было отобрано 10 показателей за 2000 - 2014 гг.:
-
х 1 - внутренние затраты на научные исследования и разработки, в % к ВРП;
-
х2 - удельный вес затрат на технологические инновации в общем объеме отгруженных товаров, работ, услуг, в %;
-
х3 - удельный вес затрат на фундаментальные исследования и разработки в общем объеме затрат на научные исследования и разработки, в %;
-
х4 - численность персонала, занятого исследованиями и разработками, на 10 тыс. чел. занятых в экономике, чел.;
-
Х 5 - удельный вес лиц, имеющих ученую степень, в численности исследователей, в %;
-
х6 - число организаций, выполнявших исследования и разработки, на 10 тыс. чел. населения, ед.;
-
х7 - удельный вес организаций, осуществляющих технологические инновации, в %;
-
х8 - используемые передовые производственные технологии в расчете на число организаций, выполнявших научные исследования и разработки, отн. ед.;
-
х9 - фондовооруженность труда персонала, занятого научными исследованиями и разработками, тыс.руб.;
-
х10 - инвестиции в основной капитал, млн. руб.
В качестве результативного фактора у , принят показатель удельный вес инновационных товаров, работ, услуг в общем объеме отгруженных товаров, работ, услуг, в %. Анализ проводился в ППП Statistica 6.1. В результате пошаговой регрессии с включением в эконометрическую модель статистически значимых факторов получено уравнение вида:
у, = 50,5486х,1 - 1,0632х,4 + 246,8649 х,6 + 0,8642 х,7 - 0,0002х,10 - 23,605 + е,.
Проверим статистическую значимость уравнения регрессии с помощью F-критерия Фи-шера - Снедекора. Сравним расчетное значение F-критерия с его табличным значением: Е=16,568, F0 , 05 . 5;9 =3,48, так как Е р > Et , делаем вывод, что уравнение регрессии статистически значимо. Результаты проверки параметров регрессии с помощью t-критерия Стьюдента представлены в таблице 1. Так как все полученные значения £й , больше, чем t0 . 05;9=2,26, следовательно, все параметры /у статистически значимы.
Таблица 1
Проверка параметров уравнения регрессии с помощью t-критерия Стьюдента
Параметры |
Значение b |
Расчетное значение t(9) |
Значимость р-уровень |
Св.член |
-23,605 |
4,56 |
0,001371 |
Х 1 |
50,5486 |
6,79 |
0,000080 |
х4 |
-1,0632 |
4,35 |
0,001839 |
х6 |
246,8649 |
4,72 |
0,001078 |
Х7 |
0,8642 |
2,53 |
0,032149 |
Х10 |
-0,0002 |
2,78 |
0,021223 |
Проверив статистическую значимость результатов регрессии, рассчитаем показатели качества модели: коэффициент детерминации R2 = 0,902, скорректированный индекс детерминации R2 = 0,847, средняя ошибка аппроксимации А = 1,17. Значение коэффициента детерминации показывает, что 90,2 % вариации зависимой переменной yt объясняются совместной вариацией объясняющих переменных х^, х < 4 , х ^ 6 , х < 7 , х ^ 10 . Значение ошибки аппроксимации не превышает 5 %-го порога, что свидетельствует о высоком качестве модели [2].
Проверив статистическую значимость результатов регрессии и убедившись в ее высоком качестве и надежности, построенной моделью можно воспользоваться для расчета прогнозного значения у ; при заданных значениях х^, xi4, xi6, xi7, xi10. Точечный прогноз и границы доверительных интервалов значений х^, Х ( 4, X i 6, Х ( 7, Х ( 10, полученные методом анализа временных рядов, представлены в таблице 2.
Таблица 2 Прогнозные значения объясняющих переменных уравнения регрессии
Показа-тель Годы |
Внутренние затраты на научные исследования и разработки, в % к ВРП |
Численность персонала, занятого исследованиями и разработками, на 10 тыс. чел. занятых в экономике, чел. |
Число организаций, выполнявших исследования и разработки, на 10 тыс. чел. населения, ед. |
Удельный вес организаций, осуществляющих технологические инновации, в % |
Инвестиции в основной капитал, млн. руб. |
||||||||||
low |
Х 1 |
high |
low |
Х4 |
high |
low |
Х б |
high |
low |
Х 7 |
high |
low |
Х10 |
high |
|
2015 |
0,33 |
0,47 |
0,61 |
17 |
25 |
33 |
0,11 |
0,14 |
0,17 |
4,3 |
6,7 |
9,1 |
35827 |
45671 |
55514 |
2016 |
0,35 |
0,49 |
0,63 |
17 |
25 |
32 |
0,11 |
0,14 |
0,17 |
4,6 |
7,0 |
9,5 |
38856 |
48715 |
58575 |
2017 |
0,37 |
0,51 |
0,65 |
16 |
24 |
32 |
0,11 |
0,14 |
0,17 |
5,0 |
7,4 |
9,8 |
41884 |
51760 |
61635 |
2018 |
0,38 |
0,53 |
0,67 |
16 |
24 |
32 |
0,10 |
0,13 |
0,16 |
5,3 |
7,7 |
10,2 |
44913 |
54804 |
64696 |
2019 |
0,40 |
0,54 |
0,68 |
15 |
23 |
31 |
0,10 |
0,13 |
0,16 |
5,7 |
8,1 |
10,5 |
47942 |
57849 |
67756 |
2020 |
0,42 |
0,56 |
0,70 |
15 |
23 |
31 |
0,10 |
0,13 |
0,16 |
6,0 |
8,4 |
10,9 |
50970 |
60894 |
70817 |
Подставляя поочередно заданные значения в имеющееся уравнение регрессии, получаем интервальный и точечный прогноз значения у ^ (табл. 3).
Прогнозные значения результирующего показателя у ;
Таблица 3
Показатель Годы |
Удельный вес инновационных товаров, работ, услуг в общем объеме отгруженных товаров, работ, услуг, в % (точечный прогноз) |
Верхняя граница доверительного интервала |
Нижняя граница доверительного интервала |
2015 |
5,58 |
11,84 |
0,20 |
2016 |
5,92 |
12,20 |
0,27 |
2017 |
6,27 |
12,56 |
0,65 |
2018 |
6,61 |
12,91 |
1,32 |
2019 |
6,96 |
13,27 |
1,41 |
2020 |
7,30 |
13,62 |
1,79 |
Полученные верхние границы доверительного интервала можно интерпретировать как оптимистический сценарий, нижние – как инерционный, а точечный прогноз – как базовый. Представим результаты расчетов на графике (рис. 2).

Нижняя граница
Прогноз Верхняя граница
Рисунок 2 – Прогнозные значения удельного веса инновационных товаров, работ, услуг в общем объеме отгруженных товаров, работ, услуг, %
Согласно расчетам, средний прирост удельного веса внутренних затрат на НИОКР, в % к ВРП должен быть не ниже 3,6 %; средний прирост удельного веса организаций, осуществляющих технологические инновации, – не ниже 4,6 %, и инвестиций в основной капитал – не ниже 5,9 %. При этом удельный вес инновационных товаров в общем объеме отгруженных товаров, работ, услуг в 2020 г. по базовому сценарию составит 7,30 %, по оптимистическому – 13,63, по инерционному – 1,79 %. В то же время при сохранении данной тенденции отрицательным моментом является снижение значений показателей «численность персонала, занятого исследованиями и разработками, на 10 тыс. чел., занятых в экономике», и «число организаций, выполнявших исследования и разработки, на 10 тыс. чел. населения». В связи с этим необходимо разработать комплекс мер государственной поддержки в научнотехнической сфере от прикладных и фундаментальных исследований до серийного производства инновационной продукции, а также в области обеспечения инновационной деятельности высококвалифицированным персоналом.
Выводы
Проведенный обзор методических подходов к прогнозированию социально-экономических процессов позволил выявить, что эффективным инструментом при разработке прогноза социально-экономических показателей являются эконометрические методы. В то же время практическое применение того или иного метода зависит от сложности прогнозируемого объекта. Поэтому для комплексного количественно-качественного прогнозирования показателей социально-экономических систем целесообразно применять как интуитивные, основанные на экспертной информации, так и формализованные, базирующиеся на фактографических данных методы.
Список литературы Методические подходы к прогнозированию региональных инновационных процессов
- Эконометрика: учебник/под ред. д-ра экон. наук, проф. В.С. Мхитаряна. -М.: Проспект, 2009. -384 с.
- Пискунов Е.Ю. Эконометрика: учеб. пособие. -Улан-Удэ: Изд-во ВСГУТУ, 2012. -357 с.
- Статистический ежегодник. -2014: стат. сб./Бурятстат. -Улан-Удэ, 2014. -330 с.
- Федеральная служба государственной статистики. Официальная статистика. . -URL: http://www.gks.ru/wps/wcm/connect/rosstat main/rosstat/ru/statistics/science and innovations#
- Stanley K., Miikkulainen R. Evolving neural networks through augmenting topologies//J. Evolutionary Computation -Cambridge: MIT Press, 2002. -Vol. 10ю -P. 99-127.