Оценка инновационной активности отраслей: региональный аспект

В работах (см.: [2; 3; 12; 14; 15; 18] и др.) авторами была выдвинута гипотеза о том, что инновационное развитие сырьевой отрасли (на примере угольной промышленности Кузбасса) способствует ее переходу из доноров в драйверы экономического развития и приводит к повышению конкурентных преимуществ региона, в том числе:

– к росту экономического потенциала и эффективности его использования;

– улучшению привлекательности региона для бизнеса и населения;

• – к росту инновационности региональной экономики.

В ходе анализа подходов к оценке инновационного потенциала в системе «отрасль – регион» выявлено, что, несмотря на большое количество научных публикаций в этой области знания и наличие множества методик, касающихся оценки различных аспектов инновационного развития:

• 1)    к настоящему времени не сформировано общепризнанных методов оценки уровня инновационности отраслей-драйверов региона, не разработан инструментарий оценки взаимодействия в системе «отрасль-драйвер – конкурентоспособность региона»;

• 2)    для российских исследований разработка методов оценки отраслевого участия в региональной инновационной деятельности, определение ее критериев и показателей крайне затруднены отсутствием адекватной информации. Выбор используемых показателей чаще всего зависит от возможности их получения из доступных статистических баз и зачастую требует дополнительного содержательного обоснования того, какие именно функциональные характеристики инновационной экономики подлежат количественному описанию и измерению [13; 17].

Исследование влияния инновационной компоненты отрасли-драйвера на экономическое развитие региона и его конкурентоспособность предполагается осуществить с использованием трехуровневой методической конструкции, для реализации которой:

– во-первых, необходимо сформировать «корзину» конкурентно значимых факторов реги- ональной экономики, включая фактор ее инновационности, и оценить конкурентные позиции региона по этим факторам;

– во-вторых , необходимо выбрать региональную отрасль-драйвер и оценить ее инновационную активность;

– в-третьих , необходимо проследить зависимость между инновационной активностью отрасли-драйвера и конкурентными позициями региона [2; 13; 14].

Принципиальная схема предлагаемого подхода описана в [13]. Настоящая статья посвящена вопросам разработки методических основ и инструментария, позволяющих проводить измерения и количественно оценивать инновационную активность отраслей в регионе.

Понятно, что отрасль-драйвер региональной экономики может быть определена эмпирическим путем, по результатам классического социально-экономического (в том числе структурного, воспроизводственного и т. п.) анализа. Вместе с тем для подтверждения (проверки) правильности выбора может быть реализована идея «расчетного определения» отрасли-лидера (драйвера) развития. Проведенное исследование позволяет утверждать, что для этих целей в качестве базовой конструкции применим метод свертки данных (Data Envelopment Analysis – DEA) [18], называемый иногда в отечественных публикациях АСФ – Анализ среды функционирования.

Основная идея метода. Метод DEA впервые был предложен в 1978 г. (А. Чарнс, У. Купер, Е. Родес) и активно используется за рубежом: в зависимости от специфики конкретных задач в рамках технологии DEA применяются различные модификации базовой модели (анализ основных моделей DEA можно найти, например, в [7]). В последние годы и в нашей стране наблюдается повышенный интерес к теории и практике применения данной методологии для оценки эффективности функционирования различных субъектов хозяйствования (Т. Бабичева, Н. Светлов, Е. Кочуров, Ю. Кошелюк, А. Кузнецов, Е. Борисова, Ю. Федотов и др.) [1; 4–7; 9; 11].

По сути метод DEA – это основанный на линейном программировании инструмент для измерения относительной эффективности сравнительно однородных объектов (к примеру, отраслевых систем в экономическом пространстве региона) с несколькими « входами » и « выходами » (обычно разнородными и несоизмеримыми), что по понятным причинам не позволяет воспользоваться обычными мерами эффективности для сопоставления объектов.

Использование модели DEA позволяет, во-первых, выявить относительно наиболее эффективные объекты, а во-вторых, выделить из их числа так называемые «эталоны», определив при этом, насколько существенно относительно их удалены малоэффективные объекты.

Удобство метода DEA заключается в получении обобщенного показателя (коэффициента относительной эффективности), учитывающего множество факторов (играющих роль переменных «входа») и многомерность получаемого результата (описываемого набором переменных «выхода»), характеризующего «удаленность» каждого объекта относительно других в «пространстве» рассматриваемых показателей. При этом не требуется нормирования значений переменных «входа» и «выхода» (что, как известно, усложняет оценку, так как проявляется нежелательный эффект сдвига оценки).

Модель DEA . Пусть К – множество объектов (отраслей/видов экономической деятельности), которые необходимо оценить для количественного сравнения их относительной эффективности ( k = 1,…, К ).

В соответствии с технологией DEA для вида экономической деятельности (отрасли), связанной с формированием инновационной составляющей региона, числовую меру эффективности (назовем ее инновационным индексом ) можно измерить отношением оценки совокупной ценности «результата» к оценке совокупной ценности «затрат».

Математически речь идет о построении производственной функции, описывающей в терминах «черного ящика» отражение множества «входов» (некие «затраты», описываемые набором разнородных показателей) на множестве «выходов» (некий многомерный получаемый «результат») системы в определенных условиях внешней среды. Тогда для оценки инновационного индекса k- й отрасли (II _k ) модель DEA можно записать как:

Z Prvrk ^r

II*" Zqu, •

s где

0 <= IIk <= 1 k = 1, …, К;(2)

pr >= 0 r = 1, …, m;(3)

qs >= 0 s = 1, …, n.(4)

Здесь компоненты вектора P = { p_r } – неотрицательные весовые коэффициенты, характеризующие ценность соответствующего ( r = 1,…, m ) результирующего ингредиента в инновационной характеристике региона;

• –    компоненты вектора Q = { q_s } – неотрицательные весовые коэффициенты, отражающие ценность соответствующего ( s = 1, …, n ) компонента «затрат» для инновационного сегмента экономики региона;

• –    векторы V = { v_rk } и U = { u_sk } описывают, соответственно, многомерный «результат» и «затраты» k -й отрасли ( k = 1, …, К );

инновационный индекс каждой из оцениваемых отраслей II _k ( k = 1, …, К ) может принимать значение от нуля до единицы.

Для количественного сравнения уровня инновационности анализируемых К отраслей (видов экономической деятельности) в регионе требуется:

• 1)    идентифицировать «входы» и «выходы» для характеристики инновационной составляющей выбранных для изучения отраслей (видов экономической деятельности) k = 1, …, К ;

• 2)    подобрать значения весовых коэффициентов P = { p_r } и Q = { q_s } для каждого из ингредиентов (играющих роль переменных «входа» и «выхода»).

Решение первой проблемы – это вопрос адаптации метода свертки данных ( DEA ) к доступной информационной базе. Ответ здесь не так очевиден, как может показаться.

Известно, что оценка положения любого объекта дается с использованием показателей системы, в которую этот объект входит. В нашем случае систему образует набор характеристик отраслевого участия в региональной инновационной деятельности. Состояние данной системы, как хотелось бы ожидать, должна характеризовать официальная статистическая информация, но казус заключается, с одной стороны, в отсутствии адекватной информации, а с другой – в ограниченной возможности получения даже имеющихся показателей из доступных статистических баз 2. Обозначенные вопросы требуют специального изучения (за рамками настоящей статьи).

Далее рассмотрим формальное описание процедуры подбора согласованного набора весовых коэффициентов.

Весовые коэффициенты в модели DEA . Наиболее распространенным приемом при построении интегральных показателей эффективности (и других многомерных/многогранных экономических категорий подобного типа) является субъективное «взвешивание» частных показателей, что вносит элемент субъективности в анализ. Метод DEA лишен этого недостатка: весовые коэффициенты находятся путем решения соответствующих К задач линейной оптимизации.

Традиционные представления позволяют утверждать, что для каждого набора затрат есть некоторый максимум результата, а фактический «результат» может или совпадать с этим максимумом, или быть меньше его. Воспользуемся методическим инструментарием, позволяющим статистически надежно определять указанный максимум.

В соответствии с технологией DEA каждой отрасли должна быть предоставлена возможность определить набор весов (дать оценку ценности компонентов «затрат» и ингредиентов «результата»), которые наиболее благоприятны для нее относительно других отраслей в анализируемой группе ( k = 1,…, К ). Тогда для каждой k -й отрасли задача заключается в максимизации ее относительной эффективности (ее инновационного индекса) при условии, что аналогичные индексы для всех отраслей ( k = 1,…, К ) не превосходят заданной нормы (единицы). Такая модель может быть представлена в виде следующей задачи оптимизации:

£ pvk maxIIkу.     ,               (5)

s при условии:

У P r v rk

< 1

у qUfc для всех k = 1, -■-, K;(6)

s pr >= 0 r = 1, …, m;(7)

qs >= 0 s = 1, …, n.(8)

Как видим, модель DEA (5)–(8) является дробно-линейной программой. Для ее решения методами линейного программирования необходимо осуществить процесс линеаризации. В итоге получаем задачу линейной оптимизации:

max11 k =£ Pr-vr-k ,(9)

r при условиях:

£ qsusk = 1,(10)

s для всех:

k= 1, …, K,(11)

pr >= 0 r= 1, …, m,(12)

qs >= 0 s = 1, …, n.(13)

Решение задачи (9)–(13) для каждой оцениваемой отрасли ( k = 1,…, К ) дает численное значение наиболее эффективного инновационного индекса каждой отрасли, а также значения весовых коэффициентов, которые ведут к этому «максимуму».

Полученные значения инновационных индексов отраслей ( k = 1, …, К ) позволяют оценить границу эффективности их инновационной деятельности ³. Границу эффективности задают отрасли, для которых коэффициент эффективности равен единице (отрасли, обеспечивающие максимум многомерного «результата» на единицу «совокупных затрат» и являющиеся «эталоном» по эффективности использования своих ресурсов). Мера удаления других отраслей от границы эффективности определяет неэффективность их инновационной деятельности относительно «лучших представителей».

Таким образом, для оценки инновационной активности отраслей в регионе необходимо:

• –    вычислить количественную меру эффективности их инновационной деятельности (численное значение инновационного индекса);

• –    определить отрасль-лидера среди оцениваемых отраслей (так называемый «эталон»);

• –    построить границу эффективности инновационной активности отраслей, что расширяет возможности сравнительного анализа.

Метод DEA позволяет оценивать инновационный индекс отраслей относительно друг друга, поэтому при интерпретации полученных результатов следует соблюдать известную осторожность. В целом технология DEA является эффективным инструментом сравнительного анализа инновационной активности отраслей. Однако следует отметить, что представление обобщенных затрат

(многомерного результата) в коэффициентах инновационности в виде линейной комбинации всех затрат (многомерного результата) является существенным упрощением с практической точки зрения. Построение самих моделей и придание им содержательного смысла (а также содержательная оценка результатов расчетов) в каждом конкретном случае затруднительны без привлечения накопленного практического опыта и знаний экспертов в соответствующей предметной области.

Вместе с тем следует отметить конструктивность использования метода DEA – его результаты весьма информативны с управленческой точки зрения. Это связано с тем, что наряду с получаемыми оценками инновационной активности видов экономической деятельности (отраслей) в регионе мы получаем возможность выделить отрасль-лидера («драйвера») инновационной конкурентоспособности региона , а также дать относительную оценку отстающих от лидера отраслей региональной экономики, определив при этом, сколь далеко последние расположены от первых.

При реализации данной технологии используются современные компьютерные программы для решения задач оптимизации большой размерности. Среди используемых при применении методики DEA особенно популярны DEAP 2.1 [8] и EMS 1.4 [10].