Совершенствование измерений и оценки результативности деятельности региональных органов власти: модельно-статистический подход

DOI:

Проблема оценки эффективности государственного управления в современных научных исследованиях рассматривается в тесной связи с согласованием этих оценок и уровнем социально-экономического развития подведомственных территорий [1, с. 67; 4, с. 35]. Региональные стратегии социально-экономического развития являются основой реализации эффективной экономической политики, направленной на повышение благосостояния населения, достижение целей долгосрочного социально-экономического развития [5, с. 46; 9, с. 96]. При разработке методического инструментария оценки результатов государственного управления в первую очередь необходимо изучить взаимодействие и взаимовлияние различных факторов на уровень социально-экономического развития региона [6; 7]. Методическая сложность решения поставленных вопросов обусловлена тем, что большинство традиционно используемых социально-экономических индикаторов слабо отражают современное состояние экономики региона. Так, например, при оценке инновационной активности в регионах очень часто используется показатель доли предприятий, осуществлявших на протяжении последних трех лет инновационную деятельность, в общем количестве предприятий региона. Однако он слабо описывает масштабы инновационной деятельности на предприятиях региона. Это объясняется тем, что используемый показатель формируется Росстатом без учета объемов производства и инновационной активнос- ти предприятий [2]. Кроме того, существенным недостатком этой характеристики является ограниченная возможность его применения для экономических сопоставлений в аналитических исследованиях. Для анализа развития инновационной сферы региона непригодны показатели оценки инновационной активности, исходя из числа предприятий, о которых не известно ничего, кроме того, что в течение последних трех лет они проводили мероприятия по развитию инновационной сферы. Создание в крупных компаниях дочерних малых предприятий, выполняющих небольшие, но выгодные заказы по выпуску модернизированной продукции, может способствовать росту показателя инновационной активности. В этом случае положительная динамика показателя не является объективным свидетельством интенсивности инновационной деятельности. Кроме того, количество предприятий в регионах весьма нестабильно: каждый год наблюдаются значительные их изменения, при этом исследования показывают слабую взаимосвязь с колебаниями численности промышленно-производственного персонала и динамикой показателей хозяйственной деятельности, что свидетельствует лишь об определенной политики менеджмента компаний [2].

К проблемам методологического характера стоит отнести сложность оценки и учета качества институциональной среды, уровня развития инновационной культуры и человеческого потенциала, качества регионального менеджмента и других сложных подсистем региональной экономической системы, имеющих не количественный, а качественный характер.

Методология исследования

В качестве методологического подхода к моделированию социально-экономического развития территории целесообразно использовать информационный подход к моделированию, в котором процессы социально-экономического развития выступают неким «черным ящиком», имеющим ряд входов и выходов, между которыми моделируются взаимосвязи. Иными словами, известна только структура модели (например, нейронная сеть, линейная регрессия), а сами параметры модели «подстраиваются» под данные, которые описывают поведение объекта [3, с. 23]. Региональную экономическую систему можно отнести к классу парамет-ризированных систем, параметрами которой являются показатели, ответственные за качество инвестиционной и инновационной среды. Наиболее приемлемым в данном случае является метод канонических корреляций, так как он позволяет установить зависимость между наборами данных. Кроме того, являясь обобщением множественной линейной регрессии, данный метод позволяет определять в каждом наборе переменных те из них, которые оказывают наибольшее влияние на противоположный набор показателей, не нарушая латентные связи между наборами данных.

Авторами в статье «Стратегические цели развития региона и проблемы оценки эффективности деятельности органов исполнительной власти» проведен сравнительный анализ стратегий социально-экономического развития регионов Южного федерального округа, что послужило основой для определения основных индикаторов социально-экономического развития территорий, наиболее полно присутствующих в стратегиях регионального развития [8].

Поэтому введем для оценки «выходов» региональной социально-экономической системы следующую систему показателей социально-экономического развития региона: СЭ1 – объем валового регионального продукта на душу населения (тыс. руб.); СЭ2 – уровень безработицы (%); СЭ3 – индекс промышленного производства (в % к предыдущему году); СЭ4 – степень износа основных фондов (%); СЭ5 – стоимость основных фондов (млн руб.); СЭ6 – среднемесячная номинальная начисленная заработная плата работников организаций

(руб.); СЭ7 – число предприятий и организаций; СЭ8 – младенческая смертность, число умерших в возрасте до 1 года на 1 тыс. родившихся живыми; СЭ9 – изменение численности населения (прирост за год, в %); СЭ10 – сальдированный финансовый результат деятельности организаций на 1 тыс. человек.

На первом этапе моделирования рассмотрены два основных направления стратегического развития, а именно инновационная и инвестиционная деятельность региональных хозяйственных систем. Данный подход позволит в дальнейшем сформировать систему показателей деятельности органов государственного управления, характеризующих результативность их деятельности и имеющих высокую корреляцию с показателями социально-экономического развития региона. Определим их в качестве входа изучаемого процесса:

– показатели инвестиционной деятельности: ИНВ1 – валовое накопление основного капитала (млн руб.); ИНВ2 – доля инвестиций в основной капитал организаций с участием иностранного капитала (%); ИНВ3 – инвестиции в основной капитал на душу населения (тыс. руб.); ИНВ4 – доля собственных средств в источниках финансирования инвестиций в основной капитал (%); ИНВ5 – доля банковских кредитов в привлеченных источниках финансирования инвестиций в основной капитал (%); ИНВ6 – доля бюджетных средств в привлеченных источниках финансирования инвестиций в основной капитал (%); ИНВ7 – удельный вес инвестиций в основной капитал в валовом региональном продукте;

– показатели инновационной деятельности: ИН1 – коэффициент локализации науки (%); ИН2 – внутренние затраты на научные исследования и разработки на число исследователей (финансовая обеспеченность исследований); ИН3 – отношение количества патентов и свидетельств на результаты интеллектуальной деятельности к общему числу персонала, занятого научными исследованиями и разработками (%); ИН4 – отношение количества созданных передовых производственных технологий к общему количеству исследовательского персонала (%); ИН5 – объем инновационных товаров, работ, услуг (в % от общего объема отгруженной продукции); ИН6 – инновационная активность орга- низаций (%); ИН7 – доля персонала, занятого исследованиями и разработками в общей численности занятого в экономике (%); ИН8 – доля технологических затрат на 1 руб. инновационной продукции (%); ИН9 – объем инновационной продукции на одного занятого в экономике; ИН10 – доля организаций, осуществлявших технологические инновации, в общем числе организаций (%); ИН11 – удель- ный вес лиц с высшим образованием в составе занятого населения.

При этом социально-экономические показатели являются зависимыми переменными, а остальные – независимыми переменными. Объем выборки в проводимом исследовании составил 135 значений наблюдений по регионам Российской Федерации в периоды 2000, 2005, 2008, 2010 и 2011 годов (рис. 1–3).

Correlations (Данные.sta)

Marked correlations are significant at p < ,05000

N=135 (Casewise deletion of missing data)

Variable	СЭ1	СЭ2	СЭЗ	C34	СЭ5	C36	СЭ7	СЭ8	СЭ9	СЭ10
СЭ1	1,00	-0,40	0,17	0,29	0,84	0,88	0,52	-0,60	-0,08	0,75
СЭ2	-0,40	1,00	0,01	0,15	-0,37	-0,17	-0,37	0,55	0,27	-0,38
СЭЗ	0,17	0,01	1,00	0,53	0,14	0,13	0,14	0,06	0,22	0,08
СЭ4	0,29	0,15	0,53	1,00	0,11	0,27	0,03	-0,01	0,11	0,25
СЭ5	0,84	-0,37	0,14	0,11	1,00	0,64	0,81	-0,39	-0,04	0.77
СЭ6	0,88	-0,17	0,13	0,27	0,64	1,00	0,28	-0,61	-0,04	0,43
СЭ7	0,52	-0,37	0,14	0,03	0,81	0,28	1,00	-0,20	-0,06	0,59
СЭ8	-0,60	0,55	0,06	-0,01	-0,39	-0,61	-0,20	1,00	0,45	-0,29
СЭ9	-0,08	0,27	0,22	0,11	-0,04	-0,04	-0,06	0,45	1,00	-0,06
СЭ10	0,75	-0,38	0,08	0,25	0,77	0,43	0,59	-0,29	-0,06	1,00

Рис. 1. Корреляционная матрица показателей социально-экономического развития региона

Correlations (Данные.sta)

Marked correlations are significant at p < ,05000

N=135 (Casewise deletion of missing data)

Variable	Инв1	ИнвЗ	ИнвЗ	Инв4	Инв5	Инвб	Инв/
Инв 1	1,00.	0,17	0,84	0,21	0,20	-0,28	0,23
Инв2	0,171	1,00	0,20	0,34	0,19	-0,44	-0,05
ИнвЗ	0,84	0,20	1,00	0,05	0,36	-0,26	0,37
Инв4	0,21	0,34	0,05	1,00	0,07	-0,70	-0,50
Инв5	0,20	0,19	0,36	0,07	1,00	-0,33	-0,03
Инвб	-0,28	-0,44	-0,26	-0,70	-0,33	1,00	0,22
Инв7	0,23	-0,05	0,37	-0,50	-0,03	0,22	1,00

Рис. 2. Корреляционная матрица показателей инвестиционной деятельности

Correlations (Данные.sta)

Marked correlations are significant at p < ,05000

N=135 (Casewise deletion of missing data)

Variable	ИН1	ИНЗ	ИНЗ	ИН4	ИН5	ИН6	ИН7	ИН8	ИН9	ИН10	ИН11
ИН I	1,00	0,15	-0,26	-0,08	0,35	0,47	1,00	-0,05	0,36	0,33	-0,04
ИН2	0,15"	1,00	0,39	0,22	0,46	0,28	0,14	-0,05	0,56	-0,01	0,35
ИНЗ	-0,26	0,39	1,00	0,10	-0,05	0,07	-0,27	0,05	-0,03	-0,13	0,04
ИН4	-0,08	0,22	0,10	1,00	0,14	0,17	-0,09	-0,07	0,07	0,21	0,06
ИНВ	0,35	0,46	-0,05	0,14	1,00	0,39	0,37	-0,11	0,80	-0,02	0,18
ИНБ	0,47	0,20	0,07	0,17	0,39	1,00	0,46	-0,09	0,43	0,14	-0,12
ИН7	1,00	0,14	-0,27	-0,09	0,37	0,46	1,00	-0,05	0,37	0,34	-0,02
ИНВ	-0,05	-0,05	0,05	-0,07	-0,11	-0,09	-0,05	1,00	-0,08	0,10	0,09
ИН9	0,36	0,56	-0,03	0,07	0,80	0,43	0,37	-0,08	1,00	-0,06	0,19
ИН10	0,33	-0,01	-0,13	0,21	-0,02	0,14	0,34	0,10	-0,06	1,00	0,16
ИН11	-0,04	0,35	0,04	0,06	0,18	-0,12	-0,02	0,09	0,19	0,16	1,00

Рис. 3. Корреляционная матрица показателей инновационной деятельности

Материалы исследования и результаты

Для проведения исследования необходимо на первом этапе проанализировать степень взаимосвязи выбранных показателей с целью выявления мультиколлинеарности, результаты проведенного корреляционного анализа представлены на рисунках 1, 2 и 3.

Анализ корреляционных матриц показал, что из дальнейшего исследования необходимо исключить следующие показатели, имеющие сильные взаимосвязи: СЭ5, СЭ6, ИНВ1, ИН7, ИН9.

Канонический корреляционный анализ проведен для набора данных пространственно-временной выборки по представленным выше показателям, за исключением показателей, имеющих высокий коэффициент корреляции. На рисунках 4 и 5 отражены основные результаты канонического анализа.

Полученное каноническое значение R достаточно велико (0,95), и высоко значимо ( p < 0,0000). Выводимое здесь каноническое значение R относится к первому (наиболее значимому) каноническому корню. Эта величина может быть проинтерпретирована как корреляция между взвешенными суммами переменных в первом и втором множестве.

Значения извлеченной дисперсии (Variance extracted) и общей избыточности

(Total redundancy) равны общей корреляции между двумя множествами переменных, относительно дисперсий этих переменных.

Они существенно отличаются от канонического значения R -квадрат, так как эта статистика отражает долю дисперсии, объясняемую каноническими переменными.

Значения в строке Извлеченная дисперсия равны средней дисперсии, извлеченной из переменных в соответствующем множестве, усредненной по всем каноническим корням. Все 8 корней извлекают 100 % дисперсии из левого множества переменных (соответствующего социально-экономическим показателям) и 65,2 % дисперсии правого множества.

Одно из этих значений всегда будет равно 100 %, поскольку программа извлекает ровно столько корней, сколько переменных в меньшем множестве. Поэтому для одного из двух рассматриваемых множеств имеется столько канонических переменных, сколько исходных переменных в нем содержится.

Общая избыточность . Получаемые значения можно объяснить следующим образом: пользуясь значениями всех канонических корней и получив значения переменных в правом множестве (15 факторов), можно объяснить, в среднем, 54,1 % дисперсии переменных в левом множестве.

Аналогично можно объяснить 37,2 % изменчивости в правой группе по значениям ii! Canonical Analysis Results: Данные.sta

Canonical R: ,9573471 Chi-Square: 727,2646 df = < 120) p = 0,000000

Number of valid cases:    135

No. of    Variance       Total redundancy vars.     extracted      given the other set

Left set:     8      100,00000000%   54,167979885%

Right set:    15      65,210593314%   37,274242613%

Рис. 4. Окно результатов канонического анализа

Canonical Analysis Sumr

Canonical R: ,95735

Chi?(120)=727,26 p=0,00

N=13 5 _______________

No. of variables

Variance extracted

Total redundancy

Left

Set

Right Set 15

100,000%" 65,2106% И 54,1880% 37,2742 % В

Рис. 5. Итоги канонического анализа переменных в левом множестве. Эти результаты говорят о достаточно сильной зависимости между переменными двух множеств.

Проверка значимости корней на основе статистики хи-квадрат показала статистическую значимость первых пяти корней.

Согласно рисунку 6, где представлены канонические веса исследуемых наборов данных, наибольшее влияние на входное множество переменных оказывает: СЭ1 – объем валового регионального продукта на душу населения (тыс. руб.) (вес переменной -0,91); СЭ2 – уровень безработицы (%) (вес переменной -076); СЭ3 – индекс промышленного производства (в % к предыдущему году) (вес переменной 0,71); СЭ7 – число предприятий и организаций (вес переменной 0,859).

Аналогичный анализ канонических весов набора данных «инновационная» и «инвестиционная» деятельность позволил выделить следующие показатели, которые ока- зывают наибольшее влияние на набор данных «социально-экономическое развитие» (рис. 7): ИНВ3 – инвестиции в основной капитал на душу населения (тыс. руб.) (вес переменной -0,71); ИНВ4 – доля собственных средств в источниках финансирования инвестиций в основной капитал, %) (вес переменной -0,47); ИНВ6 – доля бюджетных средств в привлеченных источниках финансирования инвестиций в основной капитал, %) (вес переменной -0,84); ИН1 – коэффициент локализации науки (%) (вес переменной -0,7); ИН2 – внутренние затраты на научные исследования и разработки на число исследователей (финансовая обеспеченность исследований) (вес переменной -0,7); ИН10 – доля организаций, осуществлявших технологические инновации, в общем числе организаций (%) (вес переменной -0,47); ИН11 – удельный вес лиц с высшим образованием в составе занятого населения (вес переменной 0,99).

Variable	Canonical Weights, left set (Данные, sta)
	Root 1	Root 2	Root 3	Root 4	Root 5	Root 6	Root 7	Root 8
СЭ1	-0,912083	-0,896664	-0,327264	-0,352768	-0,480323	-0,359343	-1,45352	0,470229
СЭ2	0,127338	-0,762457	-0,487884	0,584059	0,257377	0,070921	0,38303	-0,665448
СЭЗ	-0,077600	-0,240800	0,712063	0,117336	0,289564	-0,838593	0,21022	-0,428471
СЭ4	-0,005154	0,513815	0,200813	0,425293	0,189199	0,980660	-0,44982	0,247392
СЭ7	-0,105630	0,407218	-0,168745	0,859145	-0,835630	0,145802	0,17560	-0,267933
СЭ8	0,047599	0,285326	-0,370044	-0,162087	-0,099901	-0,751112	-1,44432	0,495405
СЭ9	0,025839	-0,211831	0,119234	0,289975	-0,071967	0,199999	0,75829	0,825843
СЭЮ	0,108760	0,461779	-0,400711	-0,085084	1,267155	-0,327466	1,04672	-0,250123

Рис. 6. Таблицы «Канонические веса» набора данных «Социально-экономические показатели»

Variable	Canonical Weights, right set (Данные.sta)
	Root 1	Root 2	Root 3	Root 4	Root 5	Root 6	Root 7	Root 8
Инв2	-0,030194	0,096596	-0,082084	0,038162	-0,285220	0,451986	0,423012	-0,380680
ИнвЗ	-0,718858	-0,094425	-0,459842	0,148717	-0,654093	-0,103826	0,526274	-0,035097
Инв4	-0,050686	0,364434	-0,473221	0,230230	0,325112	0,693421	-0,980097	-0,711040
Инв5	-0,023313	0,066254	0,330382	-0,330043	-0,161904	0,464910	-0,031589	-0,017447
Инвб	0,151601	-0,276131	-0,843163	-0,044568	0,175536	1,078987	-0,468027	-0,743806
Инв7	0,246198	0,013912	-0,157635	0,378933	0,149336	0,262355	-0,804361	0,423814
ИН1	0,040770	0,283201	-0,014831	0,478293	-0,704021	0,237837	-0,490606	0,117766
ИН2	-0,264408	-0,465054	-0,209891	-0,714761	0,546455	-0,268983	-0,581530	0,056697
ИНЗ	0,046019	0,202757	0,200949	0,300010	-0,090469	0,794558	-0,155939	-0,129081
ИН4	0,045811	0,037339	0,276564	-0,127961	-0,098485	0,328033	-0,294061	0,163991
ИН5	-0,022972	0,040317	0,078052	-0,087895	-0,172703	0,102901	0,518956	-0,142813
ине	-0,067661	0,072469	-0,154009	0,3012791	1,032491	-0,172767	-0,086339	0,250980
ине	-0,002539	0,077264	-0,017876	-0,149554	0,049598	0,197140	-0,250211	0,234719
иню	0,002170	-0,092368	0,115414	-0,476381	-0,207741	-0,289979	-0,290085	-0,573268
ИН11	-0,032295	-0,280508	0,485358	0,961485	0,272173	-0,010785	-0,249479	-0,282608

Рис. 7. Таблицы «Канонические веса» набора данных «Инвестиционная и инновационная деятельность»

Следующим этапом анализа взаимодействия факторов стратегии развития экономики региона является расчет интегральных показателей «входов» и «выходов» с использованием полученных канонических весов (округленных до второго знака после запятой) и их сопоставление. Уравнение для вычисления интегрального показателя входа:

I^output = 0,91сэ ! - 0,13сэ 2 + 0,08сэ 3 + 0,005сэ 4 +

+ 0,1сэ 5 - 0,05сэ 6 - 0,03сэ 7 + 0,1к) '             (1)

где сэ ij — нормированные значения j -го показателя «входа» по i- му региону, а коэффициенты при них – канонические веса.

И рассчитаем интегральный показатель «выхода»:

I i^nput = 0,03инв ! + 0,72инв 2 + 0,05инв 3 + 0,02инв 4 -

• -    0,15инв 5 - 0,25инв ⁶ - 0,04ин ,⁷ + 0,26ин ⁸ -

• -    0,05ин 9 - 0,05ин 1⁰ + 0,02ин" + 0,07ин 1² +        (2)

+ 0,003ин ?³ - 0,002ин !⁴ + 0,03ин ?⁵

где инв ^ , ин — нормированные значения j -го показателя «выхода» по i- му региону, а коэффициенты при них – соответствующие канонические веса, округленные до второго знака после запятой.

Заключение

Проведенный анализ доказал наличие взаимосвязи между выделенными наборами данных по инновационной и инвестиционной деятельности региональной хозяйственной системы. Полученные показатели могут быть положены в основу системы показателей, характеризующих деятельность органов исполнительной власти. Полученную систему показателей целесообразно дополнить традиционными показателями, предлагаемыми Министерством регионального развития РФ в официальной методике оценки эффективности органов исполнительной власти [6; 7]. Сформированная таким образом система показателей, которая включает выделенные три блока (социально-экономический, инновационный и инвестиционный), дополненная традиционными показателями, характеризующими результаты деятельности органов исполни- тельной власти, позволит, во-первых, сократить размерность данных (в официальной методике их количество приближается к 300); во-вторых, будет иметь сильную корреляционную зависимость со стратегическими индикаторами социально-экономического развития региона.

Другим результатом проведенного анализа является возможность проведения типологи-зации регионов на основе аналитического выражения канонических переменных (формулы 1, 2) «входа» и «выхода» моделируемых процессов. Полученные уравнения позволяют рассчитать для каждого региона значения интегральных показателей входа и выхода моделируемых процессов. Полученный массив обобщенных данных является основой для проведения двумерной группировки регионов по полученным значениям интегральных показателей.

Результаты исследования являются основой для принятия управленческих решений по выявлению проблемных зон в реализации мероприятий социально-экономического развития, ликвидации «точек разрыва» в развитии экономики регионов, а также позволяют проводить типологизацию регионов для формирования целевых программ. Выводы основаны на результатах количественного анализа и иллюстрируют тот факт, что устойчивое развитие экономики регионов не сводится лишь к механическому увеличению вложений в инновации. Необходима общенациональная стратегия, направленная на совершенствование правового и экономического пространств, предполагающая в качестве концептуальных ориентиров воспроизводство инновационного типа развития, что позволит реализовать стратегию социально-экономического развития российской экономики.