Прогноз развития инновационной активности в России

АЛФЕРЬЕВ ДМИТРИЙ АЛЕКСАНДРОВИЧ инженер-исследователь отдела проблем научно-технологического развития и экономики знаний

Федеральное государственное бюджетное учреждение науки

Анализ тренда предназначен для исследования изменений или «дрейфа» локального среднего значения временного ряда с применением построения математической модели и с дальнейшим прогнозированием на ее основе. Точный и своевременный анализ будущих событий позволяет в настоящем принимать четкие и правильные управленческие решения, которые помогут компаниям и региональным субъектам занять достойное место в рыночной экономике, а также будут способствовать поддержанию уровня своей конкурентоспособности на необходимой высоте. Тренд позволяет в кратчайшие сроки при малом количестве имеющейся информации сделать краткосрочные или долгосрочные прогнозы. В данной статье на примере инновационной активности организаций в Российской Федерации разобрано применение трех простейших эконометрических трендовых моделей: линейной, квадратичной (полиноминальной) и экспоненциальной. Представлен процесс анализа и оценки спроектированных трендов с применением статистических тестов, которые используют для установления адекватности и достоверности построенных моделей. На основании их сделан прогноз на ближайшую перспективу, а также указаны те математические инструменты и средства, которые могут быть применены для дальнейшего исследования. Для более точной оценки инновационной активности в статье представлены аналогичные трендовые модели по двум субъектам РФ: Вологодской области и Пермскому краю. Разобран механизм выбора наилучшего тренда из построенных. В заключении сделаны выводы о современном состоянии инновационной деятельности в стране, перечислен ряд проблем, оказывающих негативное влияние на уровень инновационной активности и способы борьбы с ними. К основным методам можно отнести налоговые поощрения и государственные дотации. Автор указывает на то, что значимость инноваций должна быть обусловлена не только тем, насколько они удовлетворяют новые потребности людей и более качественно обслуживают ста- рые. Необходимость ведения инновационной деятельности должна закладываться на ранних этапах учебно-образовательного процесса, так как новаторство является одной из основ, на которых держится и стабильно развивается экономика.

Тренд, прогнозирование, временной ряд, динамика, инновационная активность.

Конкуренция между организациями-товаропроизводителями начинается задолго до того, как выпускаемая ими продукция начинает распространяться на рынке. Началом отсчета противостояния следует считать гонку в научно-исследовательской сфере [9, с. 241]. Подобные исследования могут быть направлены как на удовлетворение уже существующих нужд людей, так и на перспективные потребности.

В обеспечении качества произведенного товара и предоставленных услуг большую роль играет использование передовых технологий. Их применение на производстве зачастую обеспечивает более оптимизированное управление и рациональное принятие решений. Следовательно, инновационная деятельность в процессе хозяйствования какого-либо субъекта будет способствовать устойчивому и долгосрочному его развитию. Наличие в стране современных передовых предприятий должно благоприятно отразиться на состоянии ее экономики.

Показателем, наилучшим образом отражающим использование организациями научных достижений, является их инновационная активность.

Под инновационной активностью следует понимать способность предприятий и организаций реализовывать нововведения для поддержания своей конкурентоспособности за счет снижения себестоимости продукции, привлечения инвестиций и производства качественно новых продуктов [2, с. 156; 19, с. 155]. Она также позволяет удерживать долю рынка, которая им принадлежит, а в будущем выходить на новые торговые рубежи.

Уровень инновационной активности характеризуется долей организаций, осуществляющих инновации, в общем объеме исследуемых организаций (рис. 1).

Интересным представляется период с 1999 – 2000 гг. За это время инновационная активность организаций в России выросла почти в 2 раза. Данный период в истории России считается началом эконо-

Рис. 1. Инновационная активность организаций в РФ, %

Источник: Регионы России. Социально-экономические показатели : стат. сб. – Режим доступа : http://www.gks.ru/wps/wcm/connect/rosstat_main/rosstat/ru/statistics/ publications/catalog/doc_1138623506156

мического роста после неблагоприятных кризисных явлений, которые происходили в стране [5, с. 116]. К факторам, способствовавшим улучшению условий, в то время можно отнести рост цен на сырье на мировых сырьевых рынках и развитие политики импортозамещения в отечественных отраслях. Небольшой спад (около 1 процентной ед.) приходится на период мирового финансового кризиса 2008 – 2009 гг. Положительная динамика после кризиса наблюдалась лишь в 2010 – 2011 гг. Далее до 2014 года последовал очередной спад значений исследуемого показателя. Следует отметить, что уровень инновационной активности предприятий по России находится на низком уровне. За рассматриваемый период его значения не превысили 11%, в то время как в среднем этот показатель по странам ЕС составляет 44% [2, с. 157].

В целом можно отметить, что негативная тенденция к спаду инновационной активности организаций присуща как отдельно взятым регионам, так и по стране в целом. Этот вывод подтверждают прогнозы, рассчитанные различными исследователями и научными организациями. Так, в 2013 году в докладе «Новая экономическая политика. Политика экономического роста» под редакцией академика Ивантера В.В. [13] было отмечено замедление темпов роста основных экономических детерминант, оказывающих влияние на хозяйственный уклад России, а также их долгосрочный спад. Подобные оценки дают и другие ученые: Руденко Л.Г., Кузнецова А.И., Новицкий Н.А., Глисин Ф.Ф. и др. [3; 15].

В докладе МВФ (Международного валютного фонда), подготовленном к встрече министров финансов и управляющих центральными банками (4 – 5 сентября 2015 года), также говорится о том, что в будущем темпы роста развития экономики в России должны замедлиться [7].

Различные риски, которые могут возникнуть в стране, смещены в сторону худшего сценария.

Для наиболее объективной и точной оценки инновационной деятельности в РФ на основе имеющихся данных об инновационной активности организаций необходимо сделать краткосрочный прогноз. Следует отметить, что достоверное, точное и своевременное прогнозирование является серьезным преимуществом в управлении любой хозяйственной деятельностью. Данную задачу можно решить с помощью моделирования трендов.

Проведем подобное исследование на материалах Федеральной службы государственной статистики. Для этого необходимо собрать как можно больше наблюдений. Их динамический временной ряд в данном случае составил 16 единиц. С 1999 по 2014 год инновационная активность организаций имела в целом небольшую возрастающую тенденцию. Эта долговременная динамика как раз и называется трендом [11]. Следует отметить, что при подобном прогнозировании в основе анализа лежит предположение о том, что факторы, влияющие на исследуемый объект, останутся без изменения, т.е. подобный прогноз будет носить инерционный характер.

Линейный тренд является простейшей моделью при прогнозировании временных рядов [11]. Уравнение линейного тренда выглядит следующим образом:

Y_l = b₀+b₁x_i , (1)

где:

x_i – рассматриваемый период времени (для удобства интерпретации коэффициентов в модели: b 0 , b 1 ; при ее проектировании годам во временном отрезке присваивается код: 1999 г. = 0, 2000 г. = 1, …, 2014 г. = 15);

Y l - прогнозируемое значение показателя, %; b₀ – среднее значение инновационной активности организаций в РФ на первоначальный период времени, %;

b 1 – предсказанное среднее значение увеличения или снижения инновационной активности предприятий в России, %.

При помощи пакета анализа в Excel рассчитаем неизвестные коэффициенты уравнения. Линейное уравнение инновационной активности в РФ примет следующий вид (рис. 2) :

• У , = 7,865 + 0,19 X i , (2)

Интерпретация регрессионных коэффициентов модели позволила определить следующее:

– b 0 , равное 7,865%, представляет собой среднее значение инновационной активности в РФ в 1999 году;

– b 1 , равное 0,19%, представляет собой предсказанное значение увеличения инновационной активности в России в среднем на 0,19% в год.

При помощи t-критерия Стьюдента можно оценить, являются ли полученные коэффициенты перед переменными статистически значимыми [12; 21]. Для этого его расчетные значения необходимо сравнить с табличными. Для уровня значимости в 0,05 при двусторонней альтернативной гипотезе табличное значение t-статистики равно 2,14. -критерий Стью- дента для b0 – 15,7; для b1 – 3,35. Так как расчетные значения больше табличных, то коэффициенты следует считать статистически значимыми.

Измерение ошибки аппроксимации, а также аналитическая и предсказательная сила уравнения регрессии описываются коэффициентом детерминации – R² [21, с. 30-31]. В данной модели он равен 0,444, т.е. на 44,4% инновационная активность организаций в Российской Федерации зависит от динамики лет. Следовательно, все изменения в инновационной активности организаций в стране плохо описываются линейным трендом. Поэтому для более точного прогнозирования рассмотрим еще 2 модели – квадратичную и экспоненциальную.

Квадратичная (полиномиальная) модель является простейшей нелинейной моделью, используемой в прогнозировании. Ее уравнение выглядит следующим образом [11]:

• У , ₌ b o +b i X i +b 2 X i ² ,               (3)

где:

b₀ – оценка сдвига отклика;

b₁ – оценка линейного эффекта;

b₂ – оценка квадратичного эффекта.

Рис. 2. Модель линейного тренда инновационной активности в РФ, %

Рис. 3. Полиноминальная модель инновационной активности организаций в РФ, %

Полученный график аппроксимирует временной ряд значительно лучше, чем линейный тренд. построенной модели равен 0,636.

Если график исследуемого временного ряда является возрастающим (или убывающим), а интервальные изменения приблизительно постоянными, используют модель экспоненциального тренда [11] (рис. 4).

Данная модель гораздо хуже аппроксимирует исследуемый процесс, чем предыдущие построенные модели. Значение результативного показателя описывается динамикой лет лишь на 37,3% (0,373), остальное, согласно данной модели, приходится на другие факторы.

Для оценки качества модели применяют скорректированный [21, с. 61]. Его можно найти по следующей формуле:

R kopp = 1 — (1 — R²) * ( ^П-1 ) , (4) n — m — 1

где:

n – количество наблюдений в модели;

m – число параметров уравнения регрессии.

Его значение для линейной модели равно 0,405; полиноминальной – 0,58; экспоненциальной – 0,328. Следовательно, по данному критерию полиноминальная или квадратичная модель наиболее точно и достоверно пред- сказывает анализируемый показатель. Также можно провести визуальное сравнение (рис. 5).

Из представленного графика можно сделать вывод, что так же, как и при скорректированном коэффициенте детерминации, наиболее достоверно сложившуюся динамику инновационной активности в Российской Федерации описывает квадратичное уравнение. Линейная и экспоненциальная модели визуально схожи, но при дальнейшем прогнозировании вторая рассчитает наиболее положительный результат. Что касается полиноминальной функции, то к концу исследуемого периода она стала показывать отрицательную динамику.

Помимо скорректированного R² и графического сопоставления, выбор модели осуществляют на основе анализа разностей первого и второго порядка, а также относительных разностей [11]:

– если исходные данные хорошо аппроксимируются линейной моделью, то разность первого порядка должна быть постоянной:

Y 2 – Y 1 = Y 3 – Y 2 = ... =Y n – Y n-1 , (5)

– если исходные данные хорошо аппроксимируются полиноминальной моделью, разность второго порядка должна быть постоянной:

Рис. 4. Экспоненциальный тренд инновационной активности предприятий, %

Линейная (Ряд 1)        --------Экспоненциальная (Ряд 1)        --------Полиноминальная (Ряд 1)

Рис. 5. Сопоставление различных трендовых моделей инновационной активности РФ, %

(Y 3 – Y 2 ) – (Y 2 – Y 1 ) = (Y 4 – Y 3 ) – (Y 3 – Y 2 ) = ...

... = (Y n – Y n–1 ) – (Y n–1 – Y n–2 ),         (6)

– если исходные данные хорошо аппроксимируются экспоненциальной моделью, относительная разность должна быть постоянной:

(Y 2 / Y 1 – 1)*100 = (Y 3 / Y 2 – 1)*100 = ...

... = (Y n / Y n-1 – 1)*100,          (7)

Анализ показал (рис. 6), что разности первого и второго порядка, а также относительные разности не остаются постоянными. К тому же нормированный спроектированных моделей невелик, что может указывать на наличие более точных моделей. К таким относятся модели авторегрессии, Фурье-модели, множественная регрессия и др. [10; 11; 12; 16; 21].

Так как нормированный R² квадратичного тренда имеет наибольшее значение ( R² = 0,58), будем считать эту модель более качественной по отношению к линейной и экспоненциальной.

Экстраполируем три полученные модели на 2015, 2016 и 2017 гг. (табл. 1).

Если руководствоваться экспоненциальным и линейным трендами, то значение исследуемого показателя должно вырасти за 3 года примерно на 1,5 процентных единицы. Но так как наилуч- шей моделью был выбран квадратичный тренд, то, согласно его прогнозу, Россию ожидает пессимистичный сценарий. Снижение инновационной активности предприятий за трехлетний период может составить до 1,5 процентных единиц.

В связи с тем, что различные регионы Российской Федерации имеют различные климатические, географические, политические, социальные, экономические и др. условия, для наиболее объективной оценки следует сравнить уровень инновационной активности организаций страны с некоторыми из них.

Для сравнения рассмотрим Вологодскую область и регион, обладающий наибольшим значением данного показателя (рис. 7). Для наилучшей оценки наибольшее значение выбрано среди среднеарифметических, рассчитанных как отношение суммы значений уровня инновационной активности к количеству лет, в которых были проведены наблюдения. Таким образом, наилучшим регионом по оценке данного показателя оказался Пермский край. В среднем его уровень инновационной активности за 16 лет составил 21,9%.

Год	Инновационная активность организаций в РФ, %	Разности первого порядка	Разности второго порядка	Относительные разности, %	Разнос ти первого порядка 3 0               ♦ ♦♦♦ *♦♦ ♦ 8^9    9,5   10V  10,5   11
1999	4,6	–	–	–
2000	8,8	4,2	–	91,3
2001	8,5	-0,3	-4,5	-3,4
2002	9	0,5	0,8	5,9
2003	9,5	0,5	0	5,6	Разности второго порядка 7,5      8      8,5      9      9,*    10     10,5     11
2004	9,6	0,1	-0,4	1,1
2005	9,7	0,1	0	1,0
2006	9,9	0,2	0,1	2,1
2007	10	0,1	-0,1	1,0
2008	9,4	-0,6	-0,7	-6,0
2009	9,3	-0,1	0,5	-1,1	100 Относительные разности *5         9       *9,5        10        10,5        11
2010	9,5	0,2	0,3	2,2
2011	10,4	0,9	0,7	9,5
2012	10,3	-0,1	-1	-1,0
2013	10,1	-0,2	-0,1	-1,9
2014	10,1	0	0,2	0,0

Рис. 6. Разности первого и второго порядка, относительные разности, рассчитанные на основе уровня инновационной активности организаций в РФ

Таблица 1. Прогноз уровня инновационной активности организаций в России на 2015 - 2016 гг., %

Разновидность тренда	Прогноз на 2015 г.	Прогноз на 2016 г.	Прогноз на 2017 г.
Экспоненциальный	11,0	11,3	11,6
Линейный	10,9	11,1	11,3
Полиноминальный	9,4	9,0	8,6

Рис. 7. Динамика инновационной активности организаций в Вологодской области и Пермском крае, %

Источник: Регионы России. Социально-экономические показатели : стат. сб. – Режим доступа : http://www.gks.ru/wps/wcm/connect/rosstat_main/rosstat/ru/statistics/ publications/catalog/doc_1138623506156

График инновационной активности организаций Пермского края и Вологодской области за 16 лет по сравнению с динамикой РФ при визуальном рассмотрении имеет ниспадающую тенденцию. Наибольшее значение показателя для Пермского края приходится на 2005 год – 33,2%. Для Вологодской области – на 2001 год – 15,8%. На 2014 год значения обоих регионов приблизились к уровню инновационной активности организаций по стране в целом (10,1%). При дальнейшей экстраполяции значений регионов получены следующие прогнозные оценки (табл. 2).

Таким образом, отрицательный прогноз динамики инновационной активности организаций характерен для обоих регионов по всем трем построенным моделям.

Для Вологодской области наиболее приемлемым трендом является экспоненциальный, т. к. его скорректированный является наибольшим – 0,398. Согласно ему, падение значения показателя к 2017 году может составить 0,9 процентных ед., или 11,54% по отношению к 2014 году. Данный прогноз для Вологодской области, помимо того, что является наиболее вероятным, также и наиболее позитивен. Динамику инновационной активности Пермского края в наибольшей мере описывает полином второй степени. Его прогнозные оценки на ближайшее будущее (2015 – 2017 гг.) крайне пессимистичны. Их величина приблизительно равна 0.

Прогнозирование на более длительный срок является менее точным, т.к. данные модели не учитывают факторы и условия, оказывающие влияние на инновационную активность организаций. К тому же спроектированные модели имеют разную тенденцию и будут еще сильнее расходиться в прогнозируемых значениях с течением времени.

Стоит отметить, что пессимистичный прогноз довольно негативен для России, т. к. еще в 2009 году после воздействия глобального экономического кризиса на экономику страны в заявлении Государственной Думы Федерального собрания Российской Федерации от 20 февраля было указано, что инновационный путь развития для России является «безальтернативным» [17]. Однако темпы роста инновационной активности предприятий и организаций по-прежнему находятся на крайне низком уровне.

Таблица 2. Прогноз уровня инновационной активности организаций в Вологодской области и Пермском крае на 2015 – 2017 гг.

Разновидность тренда	Нормированный R2	Прогноз на 2015 г.	Прогноз на 2016 г.	Прогноз на 2017 г.
Вологодская область
Экспоненциальный	0,398	7,3	7,1	6,9
Линейный	0,358	6,7	6,4	6,1
Полиноминальный	0,312	7,1	6,9	6,7
Пермский край
Экспоненциальный	-0,009	16,3	15,9	15,5
Линейный	0,125	15,6	14,9	14,2
Полиноминальный	0,610	0,8	0	0

Таким образом, можно сделать вывод, что на современном этапе развития уровень инновационной активности организаций крайне низок и в ближайшие годы может иметь отрицательную динамику. Для решения данной проблемы необходима разработка комплекса различных мероприятий.

Одной из таких мер является механизм стимулирования инновационной деятельности, включающий в себя налогообложение, амортизационную политику и прямые бюджетные дотации. В рамках налоговой системы должны предоставляться льготы научным организациям, предприятиям и инвесторам, осуществляющим инновационную деятельность и реализующим инновации. Касательно амортизационной политики следует перейти к использованию нормативных ограничителей, определяющих предельные сроки эксплуатации оборудования и тех технологий, которые используются в организации. Затрагивая бюджетные дотации, следует отметить, что в рамках одного из проводимых федеральных статистических наблюдений около 30% опрошенных отметили недостаток государственной финансовой поддержки. Но в 2009 году на круглом столе «Инновационная отрасль в России» прозвучали следующие цифры. Затраты на государственное финансирование инновационных проектов составили 1,15 трл руб. Для сравнения, в США на аналогичные процедуры за тот же период было потрачено

17,6 млрд долл. (около 546 млрд руб.) [4]. На выходе Российская Федерация официально отчиталась о 50 запущенных проектах, США – о 2795. Таким образом, эффективность государственных дотаций по сравнению с Соединенными Штатами составила примерно 1:118.

Еще одним интересным фактом является то, что сам бизнес еще меньше, чем государство, заинтересован в развитии инновационной среды. По данным регулярных исследований, проводимых Национальной ассоциацией инноваций и развития информационных технологий (НАИРИТ), организации, предприятия и даже крупные российские корпорации тратят на научные разработки и их внедрение незначительные финансовые средства. «Газпром» в 2009 году потратил на НИОКР 605 млн долл., что составило от его выручки 0,00075%. АФК «Система» – 50,6 млн долл., «Ситроникс» – 44,8 млн долл., «ГАЗ» – 19,5 млн долл. Эти цифры на порядок меньше тех, которые тратят зарубежные компании: Toyota – 9 млрд долл. инвестиций в инновации за 2009 год, Nokia – 8,7 млрд долл., Microsoft – 8,1 млрд долл., Roche Holding – 8,1 млрд долл., General Motors – 8 млрд долл. [4]. В сравнении с 2014 годом ситуация в данном направлении становится еще хуже. Так, например, в отчете 2014 года ПАО «Газпром» указал «рекордную» сумму денежных средств, выделенных на инновационное развитие компании. Она составила 10,8 млрд руб. [1]. Но даже без сопоставления цен данная сумма денежных средств примерно в 3 раза меньше той, которая указана в 2009 году. АФК «Система» в 2014 году подобные затраты целенаправленно решила сократить. Подобная тенденция характерна и для других организаций.

Из этого следует то, что государственные дотации и налоговые льготы должны получать компании, продукция которых может составить конкуренцию на международной арене. Для России это авиационные и космические технологии, новые «мыслящие материалы», технологии нефтедобычи и ее переработки, мембранная технология, электронно-ионная, плазменная, технологии мониторинга окружающей среды, биотехнологии, рекомбинантные вакцины, атомная энергетика, топливные элементы, информатика и др. [22].

Одной из проблем снижения инновационной активности в России является отток за границу высококвалифицированных кадров. Причина этого кроется в недостатке высокооплачиваемых рабочих мест. Также немаловажным элементом в активизации инновационной деятельности является наличие развитой инновационной инфраструктуры, включающей в себя различные научно-технические службы и организации, занимающиеся предоставлением услуг патентования, лицензирования, стандартизации, сертификации, аналитикой статистических данных и т. д.

Перечень проблем (неэффективность государственных дотаций, низкая заинтересованность компаний в инновационном развитии, утечка кадров, слабая развитость инновационной инфраструктуры, отсутствие правового регулирования), озвученных выше, мешающих развитию инновационной деятельности, не является исчерпывающим. Поэтому дальнейшим этапом исследования может быть выявление причин и факторов, негативно сказывающихся на уровне инновационной активности, исследование направлений обнаружения этих факторов при построении прогнозов, а также разработка мер по их ликвидации.

Таким образом, если ситуация в стране будет развиваться в том же ключе, который ей присущ и сейчас, спад темпов развития будет отчетливо прослеживаться не только в сфере инноваций, но и в экономике РФ в целом. Основы инновационной деятельности должны формироваться не только за счет различных государственных налоговых поощрений и дотаций, но и за счет сферы образования и науки. В сознании российских граждан должно сформироваться видение того, что без создания нового качественного конкурентоспособного продукта, направленного на удовлетворение собственных текущих потребностей и ориентированного на продажу за границей, невозможно добиться социального благополучия населения страны и ее стабильного экономического развития.