Прогнозирование успешности инновационных предпринимательских проектов

В условиях глобализации, быстрых технологических изменений и постоянно меняющихся потребностей населения способность экономики разрабатывать и внедрять новые технологии определяет конкурентоспособность страны на мировой арене. Концепция технологического развития России до 2030 года, утверждённая распоряжением Правительства Российской Федерации от 20 мая 2023 г. № 1315-р, определяет государственную поддержку инновационной деятельности как систему мер, направленных на выращивание малых технологических компаний и принятие части рисков и затрат при реализации неокупаемых инновационных проектов.

Особое значение в достижении целей технологического развития отводится организациям высшего образования, которые играют ключевую роль во внедрении государственной политики поддержки ин-

ГРНТИ 06.61.33

EDN YBTIDX

Антон Дмитриевич Поцулин – аспирант факультета технологического менеджмента и инноваций Университета

ИТМО (г. Санкт-Петербург). ORCID 0009-0003-1083-5442

новационных предпринимательских инициатив. С 2022 года реализуется федеральный проект «Платформа университетского технологического предпринимательства», нацеленный на вовлечение представителей академического сообщества в процесс технологического предпринимательства. В том же году принято Постановление Правительства РФ № 1191, которое предусматривает возможность компенсации части затрат физическим лицам, инвестирующим в университетские инновационные предпринимательские проекты (ИПП).

В условиях неопределенности ИПП следует рассматривать как сложную систему: прогнозирование успешности ИПП требует учета значительного числа внутренних и внешних, количественных и качественных факторов и должно проводиться в качестве дополнительной процедуры с целью обеспечения эффективности государственных и частных инвестиций [9]. ИПП, осуществляемые студентами и аспирантами, обладают специфическими рисками. Прежде всего, этим командам не хватает профессиональных навыков и знаний в области предпринимательства. Кроме того, участники проектных команд недостаточно осведомлены в области законодательства. Также они сталкиваются с технологическими и техническими ограничениями в процессе реализации своих инновационных инициатив. Вследствие представленных обстоятельств, студенты и аспиранты в процессе реализации ИПП теряют мотивацию, приостанавливают или завершают проекты.

Сохранение данных об успешно реализованных, приостановленных и завершенных инновационных проектах, проведение их промежуточного мониторинга и прогнозирование успешности будут способствовать повышению эффективности государственных и частных инвестиций. Это позволит разработать систему рекомендаций для поддержки процесса принятия инвестиционных решений.

Материалы и методы

В научной литературе для оценки результатов инновационного проекта используются такие категории, как эффективность, результативность, качество, успех и успешность. Эффективность проекта измеряется путем оценки соотношения между полученными результатами и затраченными ресурсами. В контексте оценки ИПП эффективность может быть определена через финансовые результаты проекта и инвестиции, направленные на реализацию и развитие проекта [5]. Прогнозирование эффективности полезно инвесторам и отражает вопрос окупаемости вложенных средств и получения ожидаемого дохода.

Качество проекта означает степень соответствия его результатов ожиданиям заинтересованных сторон. Согласно Н.А. Шишкиной, потребителями инновационной деятельности выступают государственные органы, негосударственные финансовые институты, общество и бизнес. Для каждого из данных потребителей установлены показатели качества, такие как производительность труда, инновационность, уровень квалификации персонала, материалоёмкость и другие [11]. А.Я. Аркатов и В.Л. Курбатов считают, что качество является основной характеристикой успешно реализованного инновационного проекта [2].

Категории «эффективность», «результативность» и «качество» применительно к инновационным проектам в научной литературе достаточно проанализированы и законодательно закреплены, в свою очередь, категория «успешность» не нашла до настоящего времени научного определения.

В.И. Бархатов и Д.А. Плетнев подчеркивают важность категории «успешность», поскольку она интегрирует весь набор положительных результатов деятельности бизнес-проекта, такие как удовлетворение ожиданий заинтересованных сторон, способность к росту, конкурентоспособность и прибыльность [3]. В.А. Андреев определяет «успешность» инновационного проекта как способность инвестора достигать желаемых результатов инновационного процесса [1]. С.С. Полосков, А.В. Желтенков трактуют успешность инновационного проекта как результат процесса по достижению успеха. По их мнению, успешность инновационного проекта следует оценивать по результативности, экономичности, качеству, прибыльности и производительности [8].

Е.М. Пименова наделяет категорию «успешность» инновационного проекта такими свойствами, как рентабельность, своевременное исполнение и качество [7]. Также категория «успешность» рассматривается как ожидаемый интегральный эффект от реализации инноваций [10]. Можно сделать вывод, что «успешность» является комплексной категорией, куда входят аспекты удовлетворенности заинтересованных сторон, эффективности, результативности и качества.

Категории «успех» и «успешность» тесно связаны, что подтверждается и подчеркивается многими авторами. Р. Аткитсон определяет успех инновационного проекта как выполнение экономических, экологических и социальных требований общества и достижение положительных результатов в рамках заданных параметров, таких как сроки, бюджет и качество [12]. В свою очередь, успешность инновационного проекта носит более широкий характер и предполагает не только достижение конкретных целей, но и создание ценности для компании и обеспечение конкурентного преимущества.

Для решения задачи прогнозирования успешности инновационных проектов используются различные методы, включая экстраполяцию, сценарные модели, экспертные оценки, моделирование и статистические методы. В.М. Винокур, Л.А. Мыльникова, Н.В. Перминова предлагают гибридный подход к прогнозированию успешности, основанный на оценке обобщённого показателя, который включает идентификацию и оценку ряда критериев. Для этого формируется исчерпывающий список критериев и методов оценки. Строится морфологическое дерево. Некоторые из методов используются совместно, в то время как другие могут быть выбраны экспертом, проводящим оценку. После этого для каждого критерия рассчитывается обобщенный показатель успеха проекта [4].

Описанный подход может быть затруднителен и вызывает сложность, когда необходимо оценить несколько инновационных проектов одновременно. Машинное обучение может значительно облегчить прогнозирование, позволяя прогнозировать успешность нескольких проектов одновременно и за короткий срок. Кроме того, машинное обучение позволяет оценить точность прогнозирования [14]. Для прогнозирования успешности ИПП важно определить критерии успешности. Ф.О’ Коннэл выделяет такие критерии успешного проекта, как соблюдение согласованных сроков, бюджета, предусмотренных функциональных возможностей и требуемого качества [13].

По результатам анализа научной литературы сделан вывод, что на сегодняшний день категория успешности инновационных проектов недостаточно изучена. Исследование направлено на создание комплексного подхода к прогнозированию успешности инновационных проектов.

Результаты и их обсуждение

Автором исследованы критерии успеха ИПП для каждого участника инновационной деятельности с целью прогнозирования успешности проекта. Для прогнозирования успешности предлагается использовать машинное обучение. Прогнозирование успешности проектов относится к задачам классификации, поскольку модель разделяет проекты на два класса: с высокой вероятностью успеха (класс 1) и проекты с высокой вероятностью закрытия или приостановки (класс 0). Для обучения модели рекомендуется использовать метод случайного леса. Преимуществами метода являются высокая точность, скорость обучения, устойчивость к выбросам. Также метод случайного леса показал высокую точность в решении подобных задач [14].

Исследуя инновационные проекты организаций высшего образования, следует упомянуть концепцию «четверной спирали». Данная модель возникла в результате исследования взаимодействия между университетами, бизнесом, государством и обществом [6]. Для успешной реализации инновационного процесса, согласно модели «четверной спирали», необходима сбалансированность всех составляющих системы. Бизнес представлен в данной модели как команда стартапа, состоящая из студентов и аспирантов. Университеты выполняют функцию инкубатора, обеспечивая ресурсами, знаниями и поддержкой молодые инновационные компании. Государство выступает в роли регулятора и источника различных программ поддержки для стартапов. Общество и государство выступают в роли заказчиков инновационного продукта. Количество успешных инновационных проектов определяет качество взаимодействия между данными субъектами инновационного процесса. Определены критерии успешности, учитывая интересы различных субъектов (см. табл.).

Для прогнозирования успешности инновационного проекта необходимо определить входные переменные, которые включают предикторы (прогностические параметры) и отклик (целевая переменная). Если отклик равен 1, то проект имеет высокую степень успешности, если 0 – проект имеет риски закрытия или приостановки. Чтобы создать модель прогнозирования, нужно обучить ее на исторических данных об успешных, приостановленных и закрытых проектах. Для того, чтобы определить предикторы для обучения модели, необходимо выявить факторы, которые воздействуют на успешность инновационного проекта. Ключевыми факторами успешности инновационного проекта являются качественные характеристики команды проекта, инновационная составляющая, уровень коммуникации, бизнес-модель, маркетинговая стратегия, качество продукта, финансовая стратегия, возможность диверсификации и смены поставщиков [8].

Таблица

Критерии успешности для каждой заинтересованной стороны

Участник инновационной деятельности	Критерии успешности ИПП
	Количественные	Качественные
Бизнес	-    прибыльность; -    эффективность; -    наличие нематериальных активов.	-    социальная ответственность бизнеса; -    конкурентоспособность; -    способность к росту (масштабированию); -    экологическая безопасность
Государство	-    создание новых рабочих мест; -    увеличение суммы налоговых поступлений; -    увеличение экспортного потенциала; -    привлечение иностранных инвестиций.	-    улучшение инновационной инфраструктуры региона и страны; -    рост экономического потенциала региона и страны; -    диверсификация отраслей экономики
Университет	-    повышение количества публикаций и патентов; -    привлечение финансирования в НИОКР; -    академическая репутация	-    трансфер знаний и технологий; -    создание мест для прохождения практики; -    развитие сети индустриальных и научно-исследовательских партнерств
Общество	- удовлетворение потребностей	-    повышение качества товаров и услуг; -    повышение качества жизни; -    содействие развитию социально-культурной инфраструктуры

По результатам анализа было выявлено, что для каждой заинтересованной стороны имеются свои количественные и качественные критерии успешности. На первом этапе разработки модели прогнозирования (см. рисунок) необходимо собрать исторические данные об успешно реализованных, приостановленных и закрытых ИПП. Качество и количество данной информации существенно влияет на адекватность и точность модели. Далее следует обработка данных и формирование обучающей выборки. В результате обработки качественные характеристики преобразовываются в числовой вид. Выборка проверяется на наличие аномалий с целью исключения ошибок или неадекватных значений, которые могут исказить результаты прогнозирования.

Данный этап обеспечивает чистоту и надежность данных, на основе которых строится модель прогнозирования успешности ИПП. Далее обучающая выборка делится на тренировочную и тестовую в соотношении 70% к 30%. Тренировочная выборка используется для обучения модели, а тестовая – для проверки её точности перед использованием для дальнейшего прогнозирования успешности. На следующем этапе необходимо выбрать метод машинного обучения.

После обучения модели проводится проверка на наличие ковариантного сдвига. Если значение метрики AUC меньше 0,65, то присутствует ковариантный сдвиг, и необходимо вернуться к этапу разделения выборки на тренировочную и тестовую. Далее необходимо определить точность обученной модели используя показатель accuracy. Если показатель accuracy выше 70%, то модель рекомендуется к внедрению. Если точность обученной модели составляет менее 70%, необходимо вернуться к этапу выбора метода машинного обучения. На последующих этапах происходит добавление новых данных и прогнозирование успешности. Если вероятность успеха составляет менее 70%, значит, проект обладает высокой степенью риска, и предлагаются рекомендации по управлению данными рисками.

Новые данные по проектам загружаются в обучающую базу после проведения мониторинга результатов их реализации.

Заключение

В рамках исследования изучены категории «эффективность», «результативность», «качество», «успех» и «успешность» инновационных проектов. Исследование выявило, что прогнозирование успешности

ИПП на ранних стадиях их реализации является важным, поскольку на данных этапах не всегда существует возможность определить эффективность, результативность и качество. Разработан алгоритм прогнозирования успешности ИПП. Проведенное исследование позволит после сбора необходимых данных разработать модель прогнозирования успешности ИПП, что может стать ценным инструментом для принятия решений в области инновационной деятельности.

Рис. Алгоритм прогнозирования успешности ИПП (составлено автором)