Методы исследования инновационной активности регионов Приволжского федерального округа

В статье рассматриваются особенности инновационного развития регионов Приволжского федерального округа. Подробно описаны возможности использования методов многомерной математической статистики при исследовании инновационной деятельности в регионах. При помощи кластерного анализа проведена типология регионов федерального округа по инновационной активности. Дана характеристика выделенных типов регионов ПФО по уровню инновационной активности. Выявлены факторы, характеризующие неравномерность уровня инновационной деятельности.

The paper discusses the features of innovative development of the regions of the Volga Federal District. It considers the possibility of using methods of multivariate statistics in the study of innovative activities in the regions. Basing on the cluster analysis, a typology of the regions of the Volga Federal District according to their innovative activity is presented. Description of the singled out types of the regions of the Volga Federal District according to the level of innovative activity is given. The factors characterizing the uneven level of innovative activity are revealed.

Экономическое развитие ведущих стран мира в значительной мере обусловлено внедрением инноваций и активной государственной политикой поддержки предпринимательства. Инновационная деятельность выступает эффективным инструментом коммерциализации достижений НТП, становится

КУЛИКОВ Николай Дмитриевич, профессор кафедры экономики и организации производства Мордовского государственного университета, кандидат экономических наук.

KULIKOV Nikolay Dmitrievich, Candidate of Economic Sciences, Professor at the Department of Economics and Production Management, National Research Ogarev Mordovia State University (Saransk, Russian Federation).

определяющим элементом международной конкурентоспособности стран и регионов. Усиление взаимосвязи науки, техники и технологий — одна из важных предпосылок устойчивого экономического роста. Генерация знаний и научно-исследовательская деятельность из общественного блага трансформируются в часть рыночного механизма, в инструмент конкурентной борьбы страны за лидерство в сфере высоких технологий.

Переход экономики России в новое качественное состояние сделал еще более значимой активизацию инновационной деятельности, обострил проблемы формирования инновационного потенциала регионов и страны в целом, позволяющего реорганизовать экономику, ускоренно развивать наукоемкое производство. Это является важнейшим фактором выхода из экономического кризиса и обеспечения условий для экономического роста. Актуальность решения проблем инновационного развития регионов определяется объективной потребностью выработки и проведения активной инновационной политики, механизмов и инструментов ее реализации. Инновационное функционирование экономики регионов России базируется на усилиях государства как создателя инновационной среды, бизнеса для коммерциализации знаний и возможностях человеческого капитала в освоении принципиально новых, конкурентоспособных технологий, обновлении устаревших средств производства и выпуске инновационной продукции с большой добавленной стоимостью. Лишь на этой основе можно обеспечить высокие темпы экономического роста и социального развития регионов2.

При анализе и прогнозировании социально-экономических явлений исследователь довольно часто сталкивается с многомерностью их описания. Это происходит при решении задач сегментирования рынка, построении типологии регионов по инновационному развитию, прогнозировании конъюнктуры рынка отдельных товаров, изучении и прогнозировании экономической депрессии и многих других проблем. Методы многомерного анализа — наиболее действенный количественный инструмент исследования социально-экономических процессов, описываемых большим числом характеристик. К ним относятся: кластерный анализ, таксономия, распознавание образов, факторный анализ.

Методы кластерного анализа позволяют решать задачи проведения классификации объектов с учетом признаков, отражающих сущность, природу объектов для углубления знаний о совокупности классифицируемых объектов; проверки выдвигаемых предположений о наличии некоторой структуры в изучаемой совокупности объектов; построения новых классификаций для слабоизученных явлений с целью установления наличия связей внутри совокупности.

Большое достоинство кластерного анализа в том, что он позволяет производить разбиение объектов не по одному параметру, а по набору признаков, рассматривать достаточно большой объем информации и резко сокращать большие массивы социально-экономической информации, делать их компактными и наглядными.

В данной работе изучалась инновационная активность 14 регионов Приволжского федерального округа (ПФО) по 8 показателям: — инновационная активность организаций (удельный вес организаций, осуществлявших технологические, организационные, маркетинговые инновации); Х₂ — объем инновационных товаров, работ, услуг, млн руб.; Х₃ — затраты на технологические инновации организаций по видам инновационной деятельности; тыс. руб.; Х₄ — количество организаций, выполнявших научные исследования и разработки, ед.; Х₅ — численность персонала, занятого научными исследованиями и разработками, чел.; Х₆ — число исследователей, имеющих ученую степень, чел.; Х₇ — число аспирантов, чел.; Х₈ — внутренние затраты на научные исследования и разработки, млн руб. (табл. 1).

Каждый из регионов выступает как объект, характеризуемый определенными значениями 8 показателей. Соответственно, они могут быть представлены в качестве точек в 8-мерном пространстве. Такое пространство обычно называется пространством свойств изучаемых объектов. Сравнение расстояния между этими точками будет отражать степень близости рассматриваемых регионов, их сходство друг с другом. Социально-экономический смысл подобного понимания сходства означает, что страны считаются тем более похожими, чем меньше различия между одноименными показателями, с помощью которых они описываются. Информационной основой применения метода являются официальные статистические данные по факторам Росстата за 2012 г. по регионам ПФО3.

Таблица 1

Показатели инновационной активности регионов ПФО

Регион		х 2	X,
Республика Башкортостан	13	1037360	12750299	69	8166	1166	2867	7014
Республика Марий Эл	10	79173	935056	8	164	44	387	136
Республика Мордовия	13	119546	3621306	15	902	87	950	671
Республика Татарстан	19	1483074	38100968	117	13730	1615	4032	10447
Удмуртская Республика	13	304836	3940849	31	1464	253	741	843
Чувашская Республика	20	142885	5712975	20	1292	85	699	1206
Пермский край	14	1086844	22762011	60	10034	702	1458	9489
Кировская область	8	140042	3090465	25	1795	199	636	1095
Нижегородская область	14	894263	59006752	87	40882	2369	2940	44524
Оренбургская область	12	580736	5077515	20	906	241	790	565
Пензенская область	И	104473	3927568	24	5927	403	996	3987
Самарская область	6	988336	74095086	61	17306	512	3147	17601
Саратовская область	7	308826	8887493	48	4653	741	2796	3020
Ульяновская область	6	187878	2195308	24	6983	281	909	8551

Обобщенные результаты анализа матрицы можно представить в виде дерева сходства (дендрограммы). Для наиболее четкого разделения регионов на группы мы использовали метод одиночной связи, метод полной связи, невзвешенное попарное среднее, взвешенное попарное среднее, метод Варда (Уорда), метод k-средних4. С помощью пакета прикладных программ «Stastistica 6.0» мы сделали все необходимые процедуры и получили различные варианты кластеризации, соответствующие каждому из перечисленных методов.

В первом варианте расстояние между двумя кластерами определяется расстоянием между двумя наиболее близкими объектами (ближайшими соседями) в различных кластерах. Этот метод позволяет выделять кластеры сколь угодно сложной формы при условии, что различные части таких кластеров соединены цепочками близких друг к другу элементов. В результате кластеры представляются длинными «цепочками» или «волокнистыми» кластерами, «сцепленными вместе» только отдельными элементами, которые случайно оказались ближе остальных друг к другу. С помощью этого метода при таком объеме данных сложно выявить отчетливые кластеры.

Наиболее наглядным для кластеризации является метод Варда. На дендрограмме представлено четкое разделение совокупности регионов на три кластера. В качестве расстояния между кластерами берется прирост суммы квадратов расстояний объектов до центров кластеров, получаемый в результате их объединения. В отличие от других методов кластерного анализа, для оценки расстояний между кластерами здесь используются методы дисперсионного анализа. На каждом шаге алгоритма объединяются такие два кластера, которые приводят к минимальному увеличению целевой функции, т. е. внутригрупповой суммы квадратов. Этот метод направлен на объединение близко расположенных кластеров и «стремится» создавать кластеры малого размера. Для определения количества групп воспользуемся иерархическим агломеративным методом, наиболее наглядным из которых является метод Варда (рисунок).

Республика Башкортостан Саратовская область Пермский край Республика Татарстан Республика Марий Эл Кировская область

Ульяновская область

Республика Мордовия

Удмуртская Республика

Пензенская область

Чувашская Республика Оренбургская область Нижегородская область Самарская область

Дендрограмма для 14 набл. Метод Варда Евклидово расстояние

Расстояние объед.

Рисунок. Метод Варда

Анализ рисунка позволяет сделать вывод о необходимости разбиения всей совокупности регионов на три кластера. Причем в первый кластер с высоким уровнем инновационной активности попадают Республика Башкортостан, Республика

Татарстан, Пермский край, Саратовская область. Во второй (заметный уровень инновационной активности) — Нижегородская область, Самарская область. В третий (умеренный уровень инновационной активности) — Республика Марий Эл, Республика Мордовия, Чувашская Республика, Кировская область, Пензенская область, Ульяновская область, Удмуртская Республика, Оренбургская область.

В результате применения кластерного анализа нами были получены три группы регионов с различным уровнем инновационной активности (табл. 2).

Таблица 2 Уровни инновационной активности регионов ПФО

Группа	Уровень инновационной активности	Количество регионов в группе
1	Умеренный	8
2	Заметный	2
3	Высокий	4

К регионам первого типа (с высоким уровнем инновационной активности) относятся Саратовская область, Республика Татарстан, Республика Башкортостан, Пермский край. Они характеризуются самыми высокими в округе показателями затрат на технологические инновации, объемом произведенной инновационной продукции, количеством созданных и используемых передовых производственных технологий, а также долей инновационных предприятий. Регионы этого типа отличаются высоким уровнем всех компонентов инновационной инфраструктуры. В них сосредоточено большое количество наукоградов и технопарков. Широко представлены инвестиционно-финансовые институты, в частности предприятия венчурной индустрии, а также сформированы развитые информационно-сетевые коммуникации. В регионах этого типа выделяются локальные инновационные ядра. В ПФО это Казань, Уфа, Пермь, Саратов. Здесь сконцентрированы крупнейшие предприятия ВПК, традиционно использующие самые передовые технологии (ОАО «Ижевский машиностроительный завод», ОАО «Мотовилихинские заводы», ОАО «Воткинский завод» и др.).

Два региона ПФО — Нижегородская и Самарская область — различаются заметным уровнем инновационной активности. Здесь существенно снижаются все показатели инновационной деятельности по сравнению с предыдущим типом. Однако в них довольно развита инновационная инфраструктура и они динамично развиваются. Такая ситуация обусловлена формированием инновационной инфраструктуры (бизнес-инкубаторы, технопарки, центры трансфера технологий), а также значительным научно-техническим потенциалом.

Большая часть регионов ПФО относится к третьему типу (умеренный уровень инновационной активности). Они имеют достаточный научно-технический потенциал и ресурсы, первоначальную инновационную инфраструктуру. Большинство этих регионов можно считать перспективными. В целом в них есть все необходимые предпосылки для ускоренного развития инновационной деятельности: выгодное экономико-географическое положение, значительный научно-технический потенциал, наличие крупных локальных инновационных ядер и др.