Показатели инновационной активности регионов

метки: Развитие, Страна, Инновация, Анализ, Модель, Россия, Умный, Помощь

Показатели инновационной активности регионов

В настоящее время на формирование сильного и экономически стабильного государства влияют два процесса: внедрение инновационных технологий и стимулирование социально-экономического развития населения. В то же время инновационная деятельности и социально-экономическое развитие неразрывно связаны между собой, между ними наблюдается двусторонняя взаимосвязь. Главной целью формирования инновационной базы в стране является стимулирование развития социальных и экономических процессов. Однако уровень образования, ожидаемая продолжительность жизни, среднедушевой доход населения, ВВП и многие другие показатели также влияют на развитие научной деятельности и формирование НИС (национальных инновационных систем).

В данной работе изучается вопрос о взаимосвязи социально-экономических процессов и инноваций. Рассматриваемая тема является актуальной по нескольким причинам. Во-первых, стоит заметить, что правительство РФ особенно остро отмечает важность данного вопроса, в 2011 году главой государства, Д.А. Медведевым, была утверждена стратегия инновационного развития РФ на период до 2020 года. В данном документе прописаны основные рекомендации по активизации инновационной деятельности в субъектах РФ. Также всеми регионами России были разработаны и выпущены стратегии социально-экономического развития на долгосрочные периоды. Во-вторых, в настоящее время Россия только начинает свой путь построения инновационной экономики, отставание в этой сфере от развитых стран мира значительно, следовательно, важно понять какие социальные и экономические факторы влияют на стимулирование инновационной деятельности.

Целью данной работы является изучение взаимосвязи инновационных процессов и социально-экономического развития в регионах России.

Задачи данного исследования:

• Дать основные определения, связанны с инновациями и социально-экономическими процессами;
• Провести обзор литературы по тематике исследования;
• Изучить динамику и структуру основных показателей на макро- и микро-уровнях;
• Предложить метод оценивания социально-экономических стратегий регионов РФ, используя концепцию умной специализации;
• Выделить группы регионов по уровню социально-экономического планирования развития и доходам регионов РФ;
• Выявить инновационные факторы, влияющие на технологический экспорт в регионах России;
• Исследовать показатели, влияющие на инновационную активность организаций в регионах.

Объектом исследования являются показатели инновационной деятельности и социально-экономического развития населения в России. Предметом исследования выступают факторы, влияющие на социально-экономические переменные и инновации.

Инфраструктура инновационной деятельности организации

... и технологии, союзы и ассоциации предпринимателей и т. д.), обеспечивающие поддержку малых научных и инновационных фирм. Основные их функции заключаются в разработке и реализации программ поддержки и развития инновационной деятельности, соответствующих законодательных актов, определении ее ...

Практическая значимость работы заключается в том, что полученные выводы могут быть использованы при дальнейшем изучении исследователями данной проблемы.

Подход к решению выдвинутых задач основан на использовании различных методов статистического анализа многомерных данных. В ходе исследования применяются графические методы представления данных, дескриптивный, корреляционный анализы данных. Проводится кластерный анализ, который применяется для дифференциации регионов на группы в зависимости от степени планирования социально-экономического развития и уровня дохода субъекта. Далее проводится построение моделей бинарного выбора (probit-, logit-, gompit-модели).

Данные модели позволяют оценить влияние различных факторов на наличие или отсутствие инновационной активности в регионе. Также строятся модели по панельным данным, позволяющие определить взаимосвязь между инновационными показателями и технологическим экспортом в регионах РФ. Данные обрабатывались в ППП (пакет прикладных программ) Excel, SPSS, Stata, Eviews.

Информационной базой исследования являются официальные данные Федеральной службы государственной статистики (Росстат), данные Единой межведомственной информационно-статистической системы (ЕМИСС) за 2009-2015 гг., а также доклад о человеческом развитии в мире за 2015 год и данные различных отечественных и иностранных рейтинговых агентств, таких как «РИА Рейтинг», Bloombergs. Также в работе использовались отечественные и зарубежные публикации по анализируемой проблеме и стратегии социально-экономического развития регионов РФ.

Перед тем как приступить к статистическому анализу взаимосвязи между инновациями и социально-экономическими показателями, необходимо составить систему показателей и дать основные понятия, которые будут использоваться в дальнейшем в рамках данного исследования. Также важно представить методологию расчетов основных показателей и выдвинуть гипотезы, которые будут проверяться в последующем анализе. В этой главе будет представлено теоретическое обоснование связи между инновациями и социально-экономическими процессами.

1.1 Инновации как объект статистического анализа

Существует различные определения слова «инновация». Например, «инновация — это процесс реализации новой идеи в любой сфере жизнедеятельности человека, способствующей удовлетворению существующей потребности на рынке и приносящий экономический эффект» [4].

Следовательно, можно заключить, что инновации влекут за собой изменения как в социальных, так и в экономических сферах деятельности человека. Инновации должны обладают тремя главными свойствами:

• Научно-техническая новизна;
• Производственная применимость;
• Коммерческая реализуемость.

Если разработанные и произведенные инновации не будут обладать хотя бы одним из перечисленных выше свойств, то их можно считать непригодными для общества и нереализуемыми. Ниже (рис.1) представлены четыре основных типа инноваций, которые были классифицированы по области их применения.

Виды, классификация инноваций. Инновационная деятельность

... 2. Классификация инноваций Для успешного управления инновационной деятельностью необходимо тщательное изучение инноваций. Прежде всего, необходимо уметь отличать инновации от несущественных видоизменений в продуктах и технологических процессах (например, эстетические изменения – цвета, формы и т. ...

Рис. 1. Виды инноваций

• Технологические инновации — это окончательный результат инновационной деятельности, в ходе которого появляются новые или модернизированные продукты (продуктовые инновации) и услуги (процессные инновации), которые в дальнейшем внедряются на рынок;
• Организационные инновации — это процесс создания и использования нового метода в построении делового взаимодействия, организации рабочих мест или установления внешних связей [7];
• Маркетинговые инновации — это внедрение новых или усовершенствованных маркетинговых методов, которые значимо влияют на изменения в дизайне товаров, работ, услуг;
• также использование новых стратегий по захвату рынка, усовершенствование методов продаж и презентаций товаров, работ, услуг и продвижения на рынке [7];

• Экологические инновации — это инновации, которые улучшают экологическую безопасность и предотвращают негативное влияние различных факторов на окружающую среду.

Инновации — это следствие инновационной деятельности, то есть ее результат. Инновационная деятельность, в свою очередь, представляет собой совокупность финансовых, научных, технологических и других процедур. Во время инновационной деятельности происходит переход научных идей в технически новые продукты или услуги. В блок-схеме (рис. 2) показаны два основных направления исследования инновационной деятельности.

Рис. 2. Направления исследования инновационной деятельности

В России статистический анализ инновационной деятельности существует с 1994 года. На данный момент российская методология статистического исследования инноваций основывается на разработках таких международных организаций как ОЭСР (Организации экономического сотрудничества и развития) и Евростата (Статистической службы Европейского Союза).

Сбор и обработка данных происходят согласно международной методологии, что позволяет в дальнейшем проводить международное сопоставление показателей и оценивать уровень инновационной активности. В России данные публикуются Федеральной службой государственной статистики. Стоит заметить, что ОЭСР опирается на «Руководства по сбору и анализу данных по инновациям (Руководство Осло)». Руководство Осло представляет собой методологическое издание, в котором представлены указания к измерению различных инновационных процессов. Данное издание периодически обновляется, открывая новые способы исследования и измерения инновационной деятельности.

Соответственно, дальше будут представлены определения основных показателей, которые будут использоваться в анализе. Уровень инновационной активности представляет собой деятельность предприятий, которая заключается в выпуске технологически новой продукции. Также она заключается в поиске инновационных направлений, определении сроков инновационной деятельности, создании коммерческих связей для разработки инноваций, приобретении нового технологического оборудования [11, с. 16]. Этот показатель рассчитывается как отношение числа предприятий, которые реализуют хотя бы один из четырех видов инноваций, к суммарному числу обследованных за определенный период времени предприятий в стране или отрасли. Важную роль занимает такой показатель как затраты организаций на технологические инновации. Он показывает текущие и капитальные затраты организаций на инновационную деятельность. Данный показатель измеряется в денежных единицах. Существует также показатель внутренних затрат на научные исследования и разработки, который также измеряет в денежной форме, но отражает расходы по регионам. Другим не менее значимым показателем является объем инновационных товаров, работ и услуг, измеряемый в процентах от общего объема отгруженных товаров, выполненных работ, услуг или в денежной форме. Он характеризует результативность инноваций. Инновационными товарами принято считать новую или модернизированную продукцию, которая претерпела в течение последних трех лет технологические изменения [11, с. 21]. Принято выделять два уровня новизны: принципиально новая продукция для рынка или для предприятия и усовершенствованная продукция. Такой показатель как число передовых производственных технологий представляет собой технологии и технологические процессы, которые включают необходимое для их реализации оборудование. Они управляются с помощью компьютерной техники и используются при проектировании, производстве или обработке продукции, товаров и услуг.

Инновационная модель развития национальных экономик

... как показал опыт многих менее развитых стран, успешный переход к инновационной модели функционирования национальной экономики возможен лишь при условии восприятия ею ... в российскую экономику, "путинско-медведевская" модель ее развития предусматривает постепенное усиление собственной составляющей наращивания национального инновационного потенциала. Специфическая особенность инновационной политики США ...

Если говорить о международных показателях, отражающих инновационную деятельность, самыми известными являются глобальный инновационный индекс (ГИИ, Global Innovation Index).

ГИИ разрабатывается и выпускается Корнельским университетом совместно со Школой бизнеса ISEAD. С помощью этого индекса ежегодно происходит ранжирование стран по уровню инновационного развития. Стоит заметить, что расчет этого индекса не производится для регионов России. Однако с 2012 года Институтом статистических исследований и экономики знаний (ИСИЭЗ) НИУ ВШЭ ежегодно разрабатывается рейтинг инновационного развития субъектов РФ и, в частности, РРИИ (Российский региональный инновационный индекс), который рассчитывается по формуле [33]:

(1.1)

где — индекс r-го региона по блоку «Социально-экономические условия инновационной деятельности»;

— индекс r-го региона по блоку «Научно-технический потенциал»;

— индекс r-го региона по блоку «Инновационная деятельность»;

— индекс r-го региона по блоку «Качество инновационной политики».

1.2 Социально-экономическое развитие как объект статистического анализа

Уровень социально-экономическое развития страны является важным индикатором, отражающим положение страны в мире. Социальное развитие напрямую взаимосвязано с экономическим, и наоборот. Между ними присутствуют двусторонняя связь. Принято выделять три группы стран по уровню социального-экономического развития:

• Развитые страны — это группа стран, которая занимает лидирующие позиции в мировой экономике, использует высокотехнологические изобретения собственной разработки, применяют новые технология и методики. Большая часть населения имеет высшее образование;
• Развивающиеся страны — это страны, экономически зависящие от развитых стран, они имеют слабую или недостаточно развитую инновационную базу;
• Наименее развитые страны — это государства со слабой, преимущественно сырьевой экономикой, низким уровнем жизни. Научная база почти отсутствует.

Главной целью социально-экономического развития является улучшение уровня жизни населения страны. Уровень жизни является интегральным показателем, характеризующим степень удовлетворенности материальных и духовных потребностей населения товарами и услугами в единицу времени. В каждой стране данный показатель имеет свои специфические особенности и составляющие. Однако в рекомендациях ООН представлены наиболее общие составные части показателя уровня жизни [19].

Качество жизни населения в различных странах и регионах мира

... экономики с помощью улучшения уровня жизни населения. Система статистических показателей уровня жизни населения В качестве основной комплексной характеристики уровня жизни населения в настоящее время применяется индекс человеческого развития (ИЧР), исчис- ляемый как интегральный ...

Также стоит отметить, что уровень жизни можно сравнивать на основе объективного и субъективного подходов. Объективный подход заключается в том, что оценивается благосостояние населения по проведенным опросам населения страны. Жители страны самостоятельно оценивают по тем или иным критерием уровень жизни. А субъективный подход требует построения системы показателей и мнения статистиков и экспертов. Этот подход создан для сравнения качества жизни

Ниже представлены главные показатели, определяющие социально-экономическое развитие государства:

• Качество жизни — это показатель, оценивающий удовлетворенность населения материальными, духовными и социальными потребностями, представляет собой более широкое понятие, чем уровень жизни;
• Человеческий капитал — в глобальном смысле это фактор развития общества и экономики страны, включающий набор навыков, знаний, умений, используемых населением для различных целей;
• Конкурентоспособность страны на мировом рынке — это роль государства в международной торговле;
• ВНП — это совокупная рыночная стоимость всех конечных товаров и услуг, созданных на территории страны только её резидентами, независимо от их географического положения [8];
• ВВП — это рыночная стоимость всех конечных товаров и услуг, произведённых за год на территории данной страны ее резидентами за определенный период времени [8];
• Индекс экономической свободы — это показатель, оценивающий степень влияния государства на производство, распределение и потребление товаров и услуг.

Далее, более детально будут рассмотрены указанные выше показатели. Существует множество индексов и интегральных показателей, которые позволяют судить о качестве жизни населения. К примеру, используют индекс развития человеческого потенциала (ИРЧП), разработанный ООН и позволяющий оценить человеческий потенциал, который способствует развитию экономики страны. Его более современным аналогом является индекс человеческого развития (ИЧР).

Для его расчета используют три индикатора:

• Уровень грамотности;
• Ожидаемая продолжительность жизни;
• Уровень жизни, оценённый через ВНД на душу населения по паритету покупательной способности (ППС) в долларах США.

Чтобы рассчитать данный индекс, выводится средний индекс по каждому индикатору, а ИЧР представляет собой среднее геометрическое этих рассчитанных индексов. Формула ИЧР представлена ниже [39]:

(1.2)

Индекс ожидаемой продолжительности жизни вычисляется по формуле:

(1.3)

где — ожидаемая продолжительность жизни при рождении населения i-ой территории;

— максимальное значение показателя (85 лет);

— минимальное значение показателя (20 лет).

Индекс уровня грамотности вычисляется по формуле:

(1.4)

Индекс средней продолжительности обучения:

(1.5)

где MYS — средняя продолжительность обучения населения в годах.

Индекс ожидаемой продолжительности обучения:

(1.6)

где EYS — ожидаемая продолжительность обучения населения.

Индекс дохода вычисляется по формуле:

(1.7)

где — ВНД на душу населения по ППС в долларах США на i-й территории;

— максимальное значение показателя (75 000 долларов в год);

— минимальное значение показателя (100 долларов в год).

Для субъектов РФ тоже рассчитываются индексы, связанные с оценкой уровня жизни, к примеру, индекс качества жизни регионов России. Этот интегральный показатель был впервые рассчитан в 2012 году, он оценивает способность субъектов РФ обеспечить благоприятные условия для жизни населения. Для расчета российское агентство «РИА Рейтинг» использует официальные статистические данные экономического и социального развития регионов. Индекс формируется из 61 показателя, которые распределяются в 10 групп. По каждой группе показателей регионам РФ выставляется оценка в баллах — от 1 до 100 [38].

Другим фактором, определяющим развитие страны, является конкурентоспособность. Она может выражаться в объеме выпуска товаров и услуг и их дальнейшей реализации на международном рынке, способности поддержания устойчивого темпа роста ВВП и качестве жизни. Существует различные способы расчета конкурентоспособности государства, но наиболее известным является способ, предложенный Всемирным банком на Всемирном экономическом форуме, где в индекс входит 380 различных социально-экономических показатель.

ВВП и ВНП также служат индикаторами социально-экономического развития. ВНП является суммой ВВП и чистого факторного дохода из-за границы. Известны три метода расчета ВВП:

• По расходам;
• По доходам;
• По добавленной стоимости.

По мимо указанных выше показателей, также рассчитывается индекс экономической свободы. Он представляет собой комбинированный показатель, позволяющий сравнивать страны между собой и разрабатывается исследовательским центром «Фонд наследия» (The Heritage Foundation) совместно с газетой The Wall Street Journal [41].

Данный индекс оценивается по среднему арифметическому десяти показателей. Каждому показателю выставляется оценка от 0 до 100, следовательно, чем выше балл, тем выше уровень экономической свободы.

До сих пор появляются и разрабатываются новые показатели и индексы, характеризующие социально-экономическое развитие населения. Например, помимо перечисленных выше показателей, также существуют индекс счастья, индекс образования, индекс грамотности, индекс человеческой свободы, показатель ожидаемой продолжительностью жизни при рождении и т.д. Все они предназначены для более детального описания социально-экономического развития населения всего мира. Также они позволяют сопоставлять уровни развития в различных государствах.

1.3 Обзор научных исследований об инновационной деятельности и социально-экономическом развитии

Инновации как процесс внедрения новшеств существует много тысяч лет, однако масштабное изучение данного явления и анализ его влияния на социальное и экономическое развитие начались лишь в начале 20 века. Одного из основоположников этого исследования можно считать советского ученого Н.Д. Кондратьева, который в своем труде 1928 г. «Большие циклы конъюнктуры и теория предвидения» заложил основы теории инноваций и описал взаимосвязь инноваций с экономической деятельностью. Им была предложена волновая теория, которая заключалась в том, что существуют периоды подъемов и спадов экономической деятельности, зависящих от инноваций. Длина волны составляет 50 лет. Волна, соответственно, состоит из фаз высоких и низких темпов экономического роста [10].

В дальнейшем идею о циклах Н.Д. Кондратьева стал развивать Йозеф Шумпетер. Однако в своей работе «Теория экономического развития» он первым дал определение инновациям еще в 1911 году. Американский исследователь остановил свое внимание на человеческом капитале, а точнее на предпринимателях-новаторах. Он полагал, что такие предприниматели являются главными двигателями производства и развития технологий. Также ученым изучалась цикличность экономических процессов (деловые циклы) и влияние инновационного развития на эту цикличность [20].

Вопрос взаимосвязи инноваций и социально-экономического развития является крайне актуальным для множества стран мира, вследствие этого представлено много иностранных работ, посвященных этой теме. К примеру, Роберт Д. Аткинсон и Даниэль Д. Кастро в монографии «Цифровой уровень жизни» («Digital Quality of Life») приводят доводы о том, как IT-технологии влияют на развитие населения мира. Также в работе описываются базовые принципы, которым государственная политика должна следовать, чтобы стимулировать «цифровой» уровень жизни [21].

Эбби Джозеф Коэн, финансовый аналитик на Уолл-стрит, в своей статье «Инновации и экономический рост» («Innovation and Economic Growth») доказывает с помощью статистических данных влияние инноваций на уровень жизни населения и экономику Америки. Также подтверждается, что научные и технические достижения стимулируют появление новых продуктов и изобретений. С точки зрения автора главными задачами по улучшению уровня жизни являются: увеличение затрат на разработку и развитие новых инновационных технологий, повышение численности населения с высшим образованием, развитие технопарков [21].

В работе «12 экономических фактов об инновациях» («A Dozen Economic Facts About Innovation») (M. Greenston, A. Looney, 2011) описываются 12 фактов о влиянии инноваций на разные сферы жизни населения в США. На пример, инновации увеличивают продолжительность жизни, делают технологии более доступными, а также оставляют больше времени на семью и хобби.

Также есть зарубежные публикации, в которых приводится статистический анализ, где изучается влияние социально-экономических факторов на различные показатели инновационной деятельности. В статье И. Савина и П. Винкер «Эвристические методы оптимизации для выбора модели динамической панели. Приложение к Российским инновационным показателям» предлагается модель для панельных данных, где зависимой переменной является выпуск инновационной продукции, а параметры модели находятся с помощью генетического алгоритма [30].

В другой статье «От исследований и разработок до инноваций и экономического роста в Европейском союзе (ЕС)» (Bilbao-osorio B., Rodríguez-pose A., 2004) рассматривается модель, где зависимая переменная — это логарифм числа выданных патентов, а зависимые переменные — это социально-экономические показатели. Также эта тема изучается с помощью временных рядов, например, М. Захариадис в статье «Вызывают ли НИОКР рост в странах ОЭСР?» рассматривает показатель интенсивности НИОКР с 1970 по 1995 гг. ряда стран и проверяет их на стационарность. Нулевая гипотеза состоит в том, что темп роста производства продукции не влияет на НИОКР. Но после построения модели гипотеза была отвергнута [31].

Ряд рассмотренных работ показывает, что поставленная тема широко изучается с помощью различных статистических методов.

Особый интерес вызывают работы, посвященные государственному управлению инновациями и их развитию. Одной из проблем, стоящих перед государством, является недостаток информации об инновационном активности в регионах страны. Это замедляет влияние проводимых стратегических мер по стимулированию инновационного развития в России. Умная специализация региональных стратегий является одним из способов борьбы с этой дезинформированностью. Европейской комиссией для стран, входящих в Европейский союз, было разработано руководство по умной специализации для инновационных и исследовательских стратегий развития региона или страны. Целью данного руководства является выделение новых функций и аспектов, улучшающих предыдущие методы управления, а также стремление сделать инновационные стратегии и политику стран более эффективными [40].

В работе «Ранний опыт внедрения умной специализации в политику сплочения ЕС» (McCann P., Ortega-Argilés, R., 2016) рассматриваются типы политических приоритетных выборов, сделанные членами государства или регионами, и изучаются причины, по которым более слабые регионы могут быть ограничены в своем выборе приоритетов. В публикации К. Джианелле и А. Кляйбринка «Механизмы мониторинга стратегий умной специализации» также была представлена концепция умной специализации как стратегического подхода к инновационному развитию регионов и стран ЕС. Кроме этого были описаны основные принципы и цели мониторинга, позволяющие оценить успешность проводимых мер по выполнению стратегий [25].

Анализ этих работ доказывает важность политического аспекта в развитии инновационного потенциала и социального развития населения.

Российские исследователи тоже занимаются изучением вопроса взаимосвязи социально-экономических показателей и инновационного развития. К примеру, согласно исследовательской работе Е.К. Ляминой «Уровень человеческого капитала в России. Сравнительный анализ» на желание инвесторов вкладывать денежные средства в инновационное развитие влияет отсутствие доверия к дальнейшему развитию страны в этой сфере. Следовательно, это ведет к снижению выпуска инновационной продукции. В монографии было выдвинуто предположение согласно которому, существует острая необходимость в повышении уровня жизни населения России, так как эта мера позволит стимулировать производство и повлияет на доверие инвесторов, а развитие инновационной экономики станет более возможным [12].

М.Ю. Архипова и А.В. Лебедев в статье «Инновации и уровень жизни населения: взаимосвязь, тенденции, перспективы» предлагают новый способ определения взаимосвязи между двумя переменными: общим уровнем инновационной активности и уровнем жизни. Сначала ими были определены гомогенные группы стран, с помощью кластерного анализа (метод k-средних), таким образом страны были поделены на три группы: лидирующие, средние и отстающие. В ходе исследования оказалось, что страны с высоким ИРЧП (индекс развития человеческого потенциала) имеют высокий уровень затрат на НИОКР [3].

Также рассматривается влияние инноваций на экономические показатели, например, в статье «Исследование характера связи инновационной и экспортной активности российских предприятий» (Архипова М.Ю., Александрова Е.А., 2014) с помощью probit-модели и системы рекурсивных одновременных уравнений изучается взаимосвязь между экспортом предприятий и инновационной деятельностью. В ходе исследования доказывается, что фирмы, внедряющие новые технологии в свое производство, имеет большую вероятность выйти на мировой рынок.

Стоит заключить, что анализ по выбранным научным работам и статьям позволил более достоверно определить границы запланированного исследования в рамках данной дипломной работы и выявить еще неизученные аспекты в данной теме. А также сформировать систему статистических показателей и выделить наиболее релевантные методы изучения поставленной проблемы исследования. Изучение инновационных и социально-экономических показателей выявило их многообразие, указывающие на важность и разнородность рассматриваемых процессов. В ходе анализа будет проверено две гипотезы: о влиянии различных факторов, характеризующих инновационную деятельность, на технологический экспорт регионов и о взаимосвязи между инновационными, социально-экономическими показателями и инновационной активностью организаций регионов РФ.

Для начального исследования связи между инновациями и социально-экономическим развитием необходимо изучить динамику основных показателей. Это поможет выявить основные тренды и закономерности, понять, как изменялись индикаторы за определенные периоды времени. Также важно рассмотреть и проанализировать социально-экономические стратегии регионов России, включающие план по инновационному развитию, чтобы понимать, какие цели перед собой ставят регионы страны. В данной главе будут по отдельности рассмотрены основные показатели, характеризующие социальное, экономическое и инновационное развитие в России и мире.

.1 Исследование структуры и динамики основных показателей социально-экономического развития

Существует множество различных рейтингов и сводных индексов, которые используются для оценки социально-экономического развития населения во всех странах мира. Например, одним из показателей, характеризующим качество жизни, является индекс счастья. Данный индекс рассчитывается в Колумбийском университете исследовательским центром «Институт Земли» (The Earth Institute).

Индекс счастья показывает, на сколько люди удовлетворены своей жизнью в данной стране. Этот индекс строится на основе опросов и различных показателей благополучия. Согласно таблице 1, Россия находится чуть выше середины рейтинга и попадает в группу стран с «умеренным» уровнем счастья, занимая 64 место. Если изучать динамику данного индекса за прошедшие годы для России, можно сказать, что существенного прироста значения индекса счастья не наблюдается. В числе лидеров — Швейцария и страны северной Европы: Исландия, Дания, Норвегия. Важно отметить, что с начала создания индекса (2012 год) первые три места рейтинга всегда делили три государства: Швейцария, Дания, Исландия. Однако ни одна из крупнейших экономических держав никогда не входила в десятку рейтинга. В конце рейтинга находятся Бурунди и Того, беднейшие стран Африки.

Таблица 1. Рейтинг стран мира по уровню счастья населения в 2015 году

Место	Страна	Индекс счастья
1	Швейцария	7,587
2	Исландия	7,561
3	Дания	7,527
4	Норвегия	7,522
62	Хорватия	5,759
63	Ливия	5,754
64	Россия	5,716
65	Ямайка	5,709
66	Северный Кипр	5,695
156	Бурунди	2,906
157	Того	2,839

Также для более качественного анализа необходимо рассмотреть положение страны в мировом рейтинге, составленном по данным ИРЧ. Этот показатель отражает уровень развития человеческого потенциала и разрабатывается Программой развития Организации Объединенных Наций (ПРООН).

Выделяют:

1. Страны с очень высоким уровнем ИЧР;

. Страны с высоким уровнем ИЧР;

. Страны со средним уровнем ИЧР;

. Страны с низким уровнем ИЧР.

Россия считается страной с высоким уровнем ИЧР и занимает 51 место. Согласно таблице 2, ИЧР России такой же как у Беларуси, далее идут Оман и Румыния. На первом месте Норвегия с ИЧР 0,944, затем Австралия, Швейцария и Дания. Мировое сопоставление позволяет сделать вывод о том, что наибольший показатель уровень жизни наблюдается в небольших европейских развитых странах, а наименьший показатель — в африканских странах мира. Россия стабильно занимает середину международного рейтинга. Однако по сравнению с прошлым годом она поднялась на 7 позиций вверх. Россия опережает многие страны БРИКС, соседей по группе крупнейших государств с экономикой. Можно отметить, что на ИЧР России особенно отрицательно влияют социальное неравенство, экологические проблемы и низкая продолжительность жизни, которая свойственна беднейшим странам мира.

Таблица 2. Индекс человеческого развития стран мира за 2015 год

Место	Страна	ИЧР
1	Норвегия	0,944
2	Австралия	0,935
3	Швейцария	0,930
4	Дания	0,923
49	Черногория	0,802
50	Беларусь	0,798
51	Россия	0,798
52	Оман	0,793
53	Румыния	0,793
187	Центрально-Африканская Республика	0,350
188	Нигер	0,348

Чтобы понять, почему Россия занимает столь невысокие позиции в мировом рейтинге, необходимо детально проанализировать значимые показатели, входящие в расчет рассмотренных раннее индексов. Изучение структуры индексов позволит определить слабые и сильные стороны страны с точки зрения социально-экономического развития. Рассмотрим динамику реального ВНД на душу населения по ППС с 2009 по 2015 гг. по России в целом. Валовой национальный доход был конвертирован в международные доллары с использованием значений ППС. По рисунку 3 видно, что с 2013 года ВНД начинает плавно снижаться. В 2015 году значение показателя равно 23281 долл. США, темп падения по сравнению с 2013 годом — 4%. Максимальное падение также отмечается в 2015 году по сравнению с предыдущим годом. Однако если сравнивать значение с 2009 годом, то можно отметить, что ВНД увеличился на 8,5%, а средний темп роста составил 1,4%. Если учитывать абсолютный прирост реального валового национального дохода с 2009 года по 2015 год, то выходит, что увеличение ВНД по ППС составило 1826 долл. США. Важно отметить, что размер ВНД в странах, занимающих лидирующие позиции в рассмотренных выше рейтингах, в среднем выше на 27000 долл. США.

Рис. 3. Динамика реального ВНД на душу населения по ППС в России, 2009-2015 гг., долл. США

Рассмотрим динамику ожидаемой продолжительности жизни (ОПЖ) для мужчин и женщин (табл. 3).

Мужская продолжительность жизни является практически самой низкой среди развитых стран. Также наблюдается российский демографический парадокс, который заключается в том, что существует довольно большая разница в продолжительности жизни мужчин и женщин. В среднем женщины живут на 11 лет дольше, чем мужчины. Хотя в европейских странах, занимающих высокие места в мировом рейтинге ИЧР, такая половая дифференциации не наблюдается. Но нельзя не отметить, что с каждым годом для обоих полов ОПЖ постепенно растет.

Таблица 3. Ожидаемая продолжительность жизни при рождении (число лет) в России, 2010-2015 гг.

Годы	Все население
	Всего	Мужчины		Женщины
2010	68,94	63,09		74,88
2011	69,83	64,04		75,61
2012	70,24		64,56	75,86
2013	70,76		65,13	76,3
2014	70,93		65,29	76,47
2015	71,4		65,9	76,7

Проанализируем динамика ВВП по ППС в ценах 2011 года с 2009 по 2015 гг., представленную на рисунке 4. Расчет ВВП по ППС является наиболее уместным для определения уровня экономического развития. Постоянный рост данного показателя не наблюдается, значение ВВП в 2015 году чуть ниже значения в 2012 году. Максимальное значение за рассматриваемый период было достигнуто в 2014 году, а максимальное падение было в 2015 году и составило 3,73%. Стоит отметить, что в последние годы Россия значительно теряет свои позиции в мировом рейтинге по объему ВВП.

Рис. 4. ВВП по ППС в ценах 2011 года в России, 2009-2015 гг., млрд. долл. США

Далее, изучим положение России в мировом рейтинге экономических свобод за 2015 год (табл. 4).

В среднем за прошлый год индекс экономических свобод увеличился на 0,1 пункт, а среднемировое значение индекса равно 60,4 баллов. Согласно рейтингу, Гонконг является самой экономически свободной территорией в 2015 году. Стоит отметить, что первая десятка рейтинга почти не изменилась по сравнению с прошедшими годами. Россия попала в группу стран, которые считаются «преимущественно несвободными», также в эту категорию попали многие страны БРИКС. Занимая 143 место, Россия опустилась на 3 позиции вниз по сравнению с прошлым годом и оказалась в окружение двух Африканских стран (Коморские острова и Гвинея).

По мнению экспертов, составлявших данный рейтинг, основной проблемой застоя экономики в стране является сырьевая направленность экономики России. Это влечет за собой снижение иностранных инвестиций. Также стоит отметить, что наблюдается значительное государственное присутствие, бюрократические барьеры и нерегулируемая коррупция. Последнее место рейтинга занимает Северная Корея, в данной стране почти отсутствует частная собственность, все управление экономики находится в руках правительства.

Таблица 4. Рейтинг экономических свобод в 2015 году

Место	Страна	Индекс
1	Гонконг	89,6
2	Сингапур	89,4
3	Новая Зеландия	82,1
4	Австралия	81,4
141	Либерия	52,7
142	Коморские острова	52,1
143	Россия	52,1
145	Гвинея	52,1
146	Гвинея-Бисау	52
177	Куба	29,6
178	Северная Корея	1,3

В целом, можно заключить, что многие показатели, формирующие социально-экономическое развитие населения России, находятся на среднем уровне. Наличие таких негативно влияющих факторов, как существенный колебания реального ВНД по ППС и невысокая мужская ожидаемая продолжительность жизни, высокий уровень коррупции существенно влияют на положение страны в различных мировых рейтингах. Однако нельзя не отметить, что значения многих показателей социально-экономического развития улучшаются с каждым годом. Необходимо также исследовать динамику инноваций в России, чтобы доказать на начальном этапе связь между этими двумя сферами.

.2 Исследование структуры и динамики инновационной деятельности

Инновационная деятельность — это катализатор развития многих сфер жизни населения. Во многих научных работах приводятся доводы о том, что инновации оказывают мощное влияние на социально-экономическое развитие. Следовательно, крайне важно понять, как развивается инновационная деятельность в стране. Также стоит изучить положение России в мировых рейтингах по уровню инновационного развития, чтобы составить полную картину того, на каком этапе развития находится национальная инновационная система государства.

Наиболее известным индексом, характеризующим развитие инноваций в государстве, является глобальный индекс инноваций (The Global Innovation Index).

Он выпускается Корнуольским университетом, Школой бизнеса ISEAD и WIPO (World Intellectual Property Organization).

В таблице 5 представлен данный индекс за 2015 год. Россия занимает 48 место, хотя в 2013 занимала 62 место. Россия существенно поднялась вверх по рейтингу, однако после 2012 года методика измерения рейтингового балла поменялась, и это могло повлиять на значение индекса. В данном рейтинге Швейцария занимает первое место, Великобритания — второе, а Швеция — третье. Стоит заметить, что Россия находится в соседстве со странами (ОАЭ и Катар), чей основной доход составляют газовая и нефтяная промышленность.

Таблица 5. Глобальный индекс инноваций за 2015 год

Место	Страна	Индекс
1	Швейцария	68,30
2	Великобритания	62,42
3	Швеция	62,40
46	Польша	40,16
47	Объединённые Арабские Эмираты	40,06
48	Россия	39,32
49	Маврикий	39,23
50	Катар	39,01
141	Судан	14,95

В 2016 году компания Bloomberg опубликовала ежегодный рейтинг стран, которые наиболее стремительно развивают инновационную экономику. Страны сравнивались по индексу инноваций (Bloomberg Innovation Index).

В расчетах аналитики учитывали семь показателей, которые представлены в приложении 2 (табл. П2).

Россия занимает 12 место в этом рейтинге, однако в прошлом году она была на 14 месте. Первое место у Южной Кореи, затем идут Германия, Швеция, Япония и Швейцария. Россия занимает 3 место по распространенности высшего образования, уступая лишь Сингапуру и Южной Кореи, и 31 по расходам на научно-исследовательские и опытно-конструкторские работы, в то время как Израиль занимает 1 место в этой категории. Можно отметить, что в России наблюдается довольно активная регистрация патентов, по этому показателю страна занимает 15 место в рейтинге Bloomberg.

Далее, для более глубокого анализа будут рассмотрены основные факторы, влияющие на инновационное развитие в стране. На рисунке 5 представлена динамика показателей внутренних затрат на научные исследования и разработки за 6 лет (с 2010-2015 гг.).

С 2010 по 2015 гг. наблюдается рост внутренних затрат со средним темпом прироста 11,9%. В основном, главная часть затрат идет на разработки новых товаров и услуг, в 2015 году этот показатель достиг максимального значения. В остальном внутренние затраты практически поровну распределяются между затратами на фундаментальные и прикладные исследования.

Рис. 5 Динамика показателей внутренних затрат на НИиР в России, 2010-2015 гг., млн. руб.

Следующим шагом является сравнение российского показателя отношения затрат на НИОКР к ВВП за 2015 год с показателями других стран мира. На рисунке 6 видно, что в 2015 году Южная Корея занимала первое место по затратам на НИОКР по отношению к ВВП. Затем следует Япония, Германия, США. Важно отметить, что эти страны имеют высокий инновационный рейтинг от Bloomberg, то есть можно заключить, что затраты на НИОКР играют не последнюю роль в формировании инновационного развития страны. Россия в этом плане значительно отстает от Южной Кореи, США и других стран. Можно попытаться объяснить этот факт различием величины ВВП в разных странах, но, например, в отношении США данное предположение не является объективным.

Рис. 6. Отношение затрат на НИОКР к ВВП в 2015 г.,%

Однако для того, чтобы представить состав внутренних затрат по источникам финансирования, стоит рассмотреть рисунок 7. На круговой диаграмме видно, что в основном в исследование и разработки инноваций инвестирует государство, этот факт наиболее ярко отражает заинтересованность государства в стимулировании инновационной деятельности. Почти в 3,5 раза меньше в НИиР вкладываются организации предпринимательского сектора. Доля иностранного инвестирования мала и составляет 3,4%. Также необходимо заметить, что инновационная сфера в РФ состоит из двух компонентов: наука и коммерция. Несогласованность двух этих составляющих и есть причина неудач в изучаемой сфере. Присутствие такого разделения является основным отличием инновационной составляющей отечественной экономики от иностранных аналогов. Низкий спрос на продукты инновационной деятельности является причиной неэффективной работы национальных инновационных систем.

Рис. 7. Внутренние затрат на НИиР по источникам финансирования в 2015 году, тыс. руб.

Чтобы более детально проследить закономерности развития инновационной деятельности в стране, стоит изучить историю развития отечественной науки. Для этого необходимо выделить несколько этапов становления науки в стране. Стоит отметить, что эти этапы существенно различаются между собой как в экономическом, так и в политическом плане.

Первым этапом служит период до 90-х годов XX века. В этот период только у государства было право вести предпринимательскую деятельность. Следовательно, именно оно решало в каких объемах и как осуществлять инновационную деятельность в стране.

Второй этап начался с 90-х годов и завершился осенью 1998 года. Этот период был самым трагичным в истории инновационного развития России, так как наблюдалось сильнейшее падение производства в целом и отсутствие спроса на инновационную технику. Однако существовал указ Президента РФ от 27.04.1992 №426 «О неотложных мерах по сохранению научно-технического потенциала Российской Федерации» [34].

На этом этапе экономика стала приобретать все более ярко выраженную сырьевую направленность. И как следствие единственными заказчиками инноваций стали корпорации, которые представляли основные сырьевые отрасли. В итоге государство стало меньше финансировать в инновационную деятельность, а все денежные поступления шли из частного капитала. Организация исследований коренным образом изменилась: появилось требование к получению практических результатов и краткосрочной отдаче. Это стало причиной появления новых специалистов, которым приходилось решать кардинально новые задачи.

Следующий этап пришелся на осень 1998-го и закончился в 2002 году. Стали активно развиваться легкая и пищевая промышленности и предъявлять спрос на научно-технические изобретения.

Четвертый этап — с 2002 г. по 2006 г. Правительство страны стало внедрять программы по строительству и обустройству технопарков и технополисов. Инновационная политика представлена в Письме Президента РФ №Пр-576 от 30.03.2002 «Основы политики Российской Федерации в области развития науки и технологий на период до 2010 года и дальнейшую перспективу» [32].

Данный этап характеризуется наиболее активным вмешательством правительства в инновационную деятельность. Правительство начинает увеличивать долю бюджета, рассчитанную на стимулирование инноваций в стране.

Последний этап начался в 2007 году и продолжается и по сей день. Инновационное развитие является ключевой задачей государства, национальным проектом. Появляется множество законов, регулирующих и стимулирующих научный процесс страны.

Проведя данный сопоставительный анализ, можно заключить, что Россия на данный момент находится на этапе развития инновационных процессов. Уже сейчас ее нельзя назвать отстающей страной, но все же по многим значимым показателям она существенно отстает от передовых стран мира, занимая промежуточные позиции в рейтингах. Необходимо заметить, что такая же ситуация обстоит и с показателями социально-экономического развития населения. Этот факт наталкивает на мысль о том, что между инновациями и показателями социально-экономического развития есть взаимосвязь. Следовательно, в дальнейшем анализе важно понять, существует ли такая связь на уровне регионов РФ.

.3 Изучение социально-экономических стратегий регионов Российской Федерации по принципу умной специализации

Инновации играют ключевую роль как в мировой, так и в национальной экономике. Научные технологии и инновации занимают важное место в развитии инвестиционной среды, повышении производительности, стимулировании конкурентоспособности, улучшении структуры промышленности и решении глобальных проблем. Ведущие мировые экономики переходят на инновационную экономику, реализуя инновационные стратегии и программы. Стоит отметить, что к особенностям инновационного процесса относятся: неопределенность, огромные инвестиции, поздняя отдача от инвестиций и высокие риски, что делает его сложным процессом. В этом смысле определение будущей деятельности, возможных условий для будущего развития приобретает значение как для национальной, так и для мировой экономики. Кроме того, развитие инноваций не может быть эффективным без четкой специализации в конкретных областях, направлениях и отраслях промышленности. Страны и регионы, определяющие свой потенциал, а также свои возможности для инновационного развития, инвестируя в выбранное направление, получают более высокую отдачу от инвестиций в условиях экономического развития. Данная концепция получила название умной специализации (Smart specialization).

Концепция умной специализации подразумевает выявление сильных сторон и развитие конкурентных преимуществ конкретной географической единицы, например, страны или региона на основе существующей структуры экономики. В контексте глобальной конкуренции необходимо избегать дублирования научно-исследовательской и инновационной деятельности в регионах страны, чтобы обеспечить устойчивый экономический рост за счет инновационного развития. Концепция умной специализации была предложена Домиником Форея и экспертной группой «Знание для роста» (Knowledge for Growth) в рамках Европейского исследовательского пространства (European Research Area) в 2008 году [26].

Полное название данной концепции также известно, как «Исследовательские и инновационные стратегии для умной специализации» (Research and Innovation Strategies for Smart Specialization (RIS3)).

Данная концепция широко используется в Европе, поскольку она является частью плана «European 2020» для устойчивого роста. Общая цель заключается в укреплении сотрудничества между бизнесом, государственными предпринимателями и исследовательскими институтами в определенных регионах Европы (а также между регионами), принося пользу европейским гражданам и улучшая конкурентные преимущества Европы на международном уровне [40].

Таким образом, метод умной специализации позволяет грамотно концентрировать государственные ресурсы в целях усиления сравнительных преимуществ в существующих или новых областях. Однако концептуальные и политические последствия применения умной специализации более обширны и охватывают три различные области, а именно фундаментальную роль научной, технологической и экономической специализации в развитии сравнительных преимуществ и экономического роста. Умная специализация фокусируется на конкретных инновационных ресурсоемких секторах и включает поддержку и развитие инновационных кластеров, направленных на реализацию конкурентного потенциала страны или региона. Хотя кластеры являются элементами инновационной экосистемы, например, в регионе, а умная специализация — это более широкая политика, направленная на преобразование самой системы [40].

Кроме того, в развитых странах умная специализация рассматривается как концептуальная модель формирования не только инновационной, но и социально-экономической политики в целом. Она включает в себя выявление и развитие уникальных отраслей или видов экономической деятельности, которые составляют специализацию отдельных стран или регионов в рамках национальной экономической системы.

У концепции умной специализации есть несколько ключевых элементов:

• Выявление приоритетов. Умная специализация позволяет выявлять новые области специализации;

• Предпринимательская деятельность. Предпринимательский сектор принимает активное участие в принятии решения о том, какие области являются наиболее важными, и обеспечивают ли они эффективные результаты в регионе или стране;

• Структурные изменения. Концепция подразумевает изменения в региональной инновационной политике, поскольку ее необходимо изменить и уточнить, учитывая специфику региона или страны;

• Сравнительное преимущество. Проводится анализ сильных сторон и инновационного потенциала региона или страны, а также осуществляется сравнение и оценка взаимодействия с другими регионами или

• Управление и самооценка. Эта концепция включает анализ региональных ресурсов, бюджета, возможностей и недостатков.

В данной работе была применена концепция умной специализации, адаптированная для России. В анализе использовались стратегии социально-экономического развития регионов, так как эти документы содержат самую полную информацию о регионах РФ. Стратегии охватывают системы мер, направленных на реализацию долгосрочных целей социально-экономического развития страны. Также они включают макроэкономический анализ, описание ресурсов, основных преимуществ, приоритетов, инновационного потенциала, инфраструктуры и планы развития региона.

Предлагаемая методология называется «Критерии оценки соответствия стратегий социально-экономического развития субъектов Российской Федерации принципам умной специализации» (Приложение 3, табл. П4).

Эта методология представляет собой пересмотренный вариант концепции, представленный в руководстве по умной специализации и адаптированный к специфике Российских регионов. В ходе анализа методология несколько раз корректировалась. Это было необходимо для того, чтобы она соответствовала всем требованиям и особенностям социально-экономических стратегий регионов. Кроме того, в отличие от концепции, предложенной в руководстве по умной специализации, предлагаемая методология представлена в виде списка критериев с отдельным столбцом для оценки каждого критерия. Методология включает в себя шесть основных шагов:

• Анализ регионального контекста;

• Управления;

• Общее видение;

• Приоритеты;

• Комплекс мер политики;

• Мониторинг и оценка.

Каждый шаг включает в себя три критерия для анализа социально-экономической стратегии региона. Кроме того, каждый критерий включает подкритерии, которые позволяют эксперту максимально точно выставить балл. За каждый критерий регион может получить «0», «0,5» или «1». Система баллов была разработана для того, чтобы составить рейтинг регионов РФ и использовать полученные данные в качестве данных для дальнейшего статистического анализа. Также дополнительно к каждому подкритерию предоставляется пространство для комментариев, где накапливается информация из стратегии.

Подводя итог, методология «Критерии оценки соответствия стратегий социально-экономического развития субъектов Российской Федерации принципам умной специализации» предлагает поэтапный анализ стратегии региона по обеспечению соответствия ключевых элементов концепции умной специализации. Как уже упоминалось ранее, умная специализация охватывает ряд существенных элементов, которые были отражены в предлагаемой методологии. Таким образом, методология содержит тщательный анализ сильных сторон и сравнительных преимуществ региона, предпринимательской активности и межрегионального сотрудничества (первый шаг).

Также она подчеркивает важность сотрудничества бизнес сектора, государства, институтов, исследовательских центров и гражданского общества (второй шаг).

Дает информацию об инфраструктуре и устанавливает общее видение региона (третий шаг).

С помощью данной методологии становится возможно выявить приоритеты и цели национальной и региональной политики (четвертый шаг); оценить вспомогательные меры, планирование (пятый шаг), а также гибкость, мониторинг и оценку стратегии (шестой шаг).

Дополнительно, методология включает в себе различные методы и элементы прогнозирования, а именно ряд качественных и полуколичественных методов прогнозирования, таких как SWOT-анализ (первый шаг), экспертные панели (второй этап), сценарный анализ (третий этап) и дорожные карты (пятый этап).

Кроме того, одним из ключевых элементов предвидения является установление приоритетов, что подчеркивается на четвертом шаге методологии.

Таблица 6. Суммарные баллы за критерии для всех регионов РФ

Баллы	Показатель
72	Мониторинг реализации стратегии
67	Выявление приоритетов
67	Рамочные условия
66,5	Ресурсы региона
65,5	Показатели результативности
63	Баланс мер
63	Обновление стратегии
61,5	Предпринимательская среда
60,5	Внешняя среда
54,5	Сценарный анализ
52	Развернутое представление об инновациях
51,5	Дорожные карты
50,5	Наличие критической массы	Менеджмент и коммуникации
35	Структуры управления
33	Согласованность
31	Широкий круг стейкхолдеров
24,5	Ответ на глобальные вызовы

Анализ стратегий показал, что максимальное число баллов у Республики Чувашия (16 из 18), а наименьшее — у Чукотского автономного округа (4,5 из 18).

В Сибирском федеральном округе были представлены самые лучшие стратегии, а самые худшие — в Северо-Кавказском федеральный округе. Этот вывод соответствует показателям инновационной деятельности и общему экономическому развитию федеральных округов. В таблице 6 показано, что наименьшее влияние уделяется анализу ответов на глобальные вызовы и определению круга стейкхолдеров. Также слабо учитывается согласованность региональной стратегии с федеральными приоритетами, то есть это говорит о слабой связи регионов и страны в целом.

Следовательно, можно заключить, что качественное стратегическое планирование развития региона сильно влияет на социально-экономическую сферу данного региона. Для более детального изучения полученных теоретических результатов в следующей главе буду применены различные статистические методы анализа, а именно кластерный анализ, построение моделей бинарного выбора (probit-, logit-, gompit-) и анализ по панельным данным. Стоит заметить, что начальный этап исследования выявил зависимость двух рассматриваемых сфер и их влияние друг на друга, однако важно доказать их связь при помощи статистического анализа. Предварительное исследование показало, что Россия занимает приблизительно одинаковые позиции в инновационных и социально-экономических рейтингах. Наблюдается существенное отставание от развитых европейских стран, занимающих топовые позиции рейтингов. Было выявлено, что негативно на развитие страны влияет низкая ожидаемая продолжительность жизни мужчин, нестабильная экономическая ситуация, вмешательство государства в развитие инновационного и экономического секторов, а также низкие затраты на НИОКР со стороны частного сектора. Также методология «Критерии оценки соответствия стратегий социально-экономического развития субъектов Российской Федерации принципам умной специализации» выявила несогласованность стратегий многих регионов с общей стратегией развития России. Следовательно, для более полного исследования поставленной цели, необходимо провести анализ на уровне регионов страны, так как это позволит выявить дифференциацию между ними. Описанные выше анализы позволят выявить наиболее значимые факторы, влияющие на развитие государства.

3. Эконометрический анализ взаимосвязи инноваций и социально-экономического развития регионов России

.1 Исследование дифференциации регионов России по уровню социально-экономичного планирования развития

инновационный экономический активность регион

Для того чтобы понять, присутствует ли связь между инновациями и социально-экономическими показателями развития в регионах, нужно на начальном этапе анализа систематизировать регионы по уровню социально-экономического планирования. Основываясь на баллах, полученных по «Критерию оценки соответствия стратегий социально-экономического развития субъектов Российской Федерации принципам умной специализации», возможно представить, как распределены регионы по уровню социально-экономического планирования развития. Для разделения регионов РФ на несколько кластеров, которые отличаются по уровню стратегического социально-экономического планирования, будет использоваться кластерный анализ. Кластерный анализ предназначен для объединения объектов в группы так, чтобы в одну группу попадали максимально похожие объекты, а объекты различных групп максимально отличались друг от друга. Существует различные методы множественной кластеризации для определения расстояния между объектами. В данной работе будет использоваться метод k-средних. Основная идея этого метода состоит в разбиении объектов N на заранее известное число кластеров k с минимизацией суммы внутриклассовых дисперсий [9].

Механизм метода заключается в том, что в ходе итераций происходит перевычисление центра масс для каждого кластера, который был получен на предыдущем шаге. Данный алгоритм завершается, когда кластеры перестают изменяться. У метода k-средних есть недостатки, и один из них заключается в том, что изначально должно быть известно число кластеров. Следовательно, чтобы получить предположительное число кластеров, будут использоваться иерархические методы.

Для анализа было взято 7 переменных, 6 из которых являются суммарными баллами по каждому шагу (всего 6 шагов), которые были выставлены регионам по методу умной специализации, а также данные по доходам консолидированных бюджетов 82 регионов РФ, взятые из каталога публикаций Росстата за 2015 год. Стоит отметить, что данные по доходам были прологарифмированы для приведения выборки к логнормальному распределению. В анализе не участвует Рязанская область, так как у этого региона не представлена социально-экономическая стратегия. Также, основываясь на результатах ящичковой диаграммы, из анализа был исключен город Москва, так как доходы в данном городе являются аномально высокими (Приложение 4, рис. П1) и существенно искажают итоги анализа.

Для выполнения основной предпосылки анализа, необходимо, чтобы между переменными была слабая корреляционная связь. В приложение 4 (табл. П5) представлена матрицу парных коэффициентов корреляций изучаемых показателей, подтверждающая выполнение выше указанной предпосылки. Далее, данные были простандартизированы (z-преобразование) в связи с тем, что наблюдения измерены в разных типах шкал.

Чтобы определить, распадаются ли выбранные данные на естественные кластеры, было произведено разбиение объектов на кластеры по методам ближнего соседа, дальнего соседа, центроидной кластеризации и методу Варда, где в качестве меры был выбран квадрат расстояния Евклида. Особенность данного расстояния состоит в том, что оно придает большие веса более отдаленным друг от друга объектам [9].

(3.1)

Методы ближнего и дальнего соседа, а также метод центроидной кластеризации не дали объективной информации о количестве кластеров. Следовательно, основываясь на дендрограмме с использованием метода Варда (Приложение 4, рис. П2), было решено разбить данные на два кластера. Можно отметить, что этот метод имеет существенное отличие от других методов, так как для оценки расстояний между кластерами он основывается на дисперсионном анализе. Формируя кластеры, он минимизирует сумму квадратов для двух возможных кластеров.

Затем был применен метод k-средних для того, чтобы проверить выдвинутое предположение о числе кластеров и оценить различие между двумя группами. В ППП SPSS были найдены конечны центры кластеров (таблица 7) и по этим средним значениям показателей в кластерах для наглядности был

Таблица 7. Среднее значение переменных в кластере

	Кластер
	1	2
Шаг 1	0,46036	-0,69540
Шаг 2	0,19776	-0,27924
Шаг 3	0,32967	-0,52820
Шаг 4	0,52472	-0,76402
Шаг 5	0,37983	-0,58106
Шаг 6	0,31424	-0,48907
Доход	0,00403	-0,12166

По графику видно, что значения средних существенно разнятся, следовательно, можно не проверять гипотезу о равенстве средних значений в кластерах.

Рис. 8. Средние значения переменных в кластерах, полученные методом k-средних

Согласно приведенному в таблице 8 дисперсионному анализу на уровне значимости 95% значимы все показатели. Наибольший вклад в кластерный и дисперсионный анализ вносят 2-ой и 3-ий шаги и показатель доходов регионов.

Таблица 8. Дисперсионный анализ

	Кластер	Ошибка	F	Значимость
	Средний квадрат	Средний квадрат
Шаг 1	5,213	0,286	18,223	0,000
Шаг 2	7,260	0,521	13,947	0,000
Шаг 3	2,264	0,495	4,572	0,036
Шаг 4	6,951	0,316	21,977	0,000
Шаг 5	2,069	0,290	7,138	0,009
Шаг 6	12,429	0,477	26,075	0,000
Доход	13,235	0,487	27,200	0,000

В первый кластер вошло 49 регионов, а во второй — 33. Состав кластеров представлен в приложении 4 (табл. П6).

Согласно рисунку 8, к первому кластеру относятся регионы с высокими показателями, характеризующими стратегическое социально-экономическое планирование региона. Следовательно, по всем 6 шагам (анализ регионального контекста, управление, формирование общего видения, приоритеты, комплекс мер политики, мониторинг и оценка) и доходам консолидированного бюджета выделенные 49 регионов превосходят оставшиеся 33. Яркими представителями первого кластера являются Владимирская область, Калужская область, Новосибирская область, Республика Чувашия, так как у них минимальное расстояние от центра кластера. Республика Крым также находится в первом кластере. Можно заключить, что в этой группе находятся преимущественно богатые регионы с качественной социально-экономической стратегией.

Второй кластер представляют регионы с низкими показателями, характеризующими стратегическое планирование развития. Наиболее яркими представителями этого кластера являются Кабардино-Балкарская Республика, Республика Марий Эл, Смоленская область и Ямало-Ненецкий автономный округ. В данном кластере преобладают регионы с маленькими доходами и менее качественно проработанными стратегиями развития.

Рис. 9. Распределение регионов РФ по кластерам, метод k-средних

На рисунке 9 ярко выражено, что в России больше регионов с высоким уровнем стратегического социально-экономического планирования развития, чем с низким. Стоит отметить, что почти весь Северо-Кавказский федеральный округ и большая часть Дальневосточного федерального округа попали во второй кластер. Для остальных регионов не наблюдается зависимость от географического положения. По всем семи показателям регионы из первого кластера значимо опережают регионы из второго. Это свидетельствует о том, что в стране есть явные регионы-лидеры и регионы-аутсайдеры. Причиной такой дифференциации может быть неграмотная специализация регионов и неверный выбор приоритетов развития, а также разный уровень разработки стратегий развития. Низкий уровень экономической деятельности также может влиять на развитие региона. Нежелание регионов-аутсайдеров внедрять новые технологии и методы может повлиять на выпуск производимых товар и услуг, а также на объем экспортируемой продукции, и, как следствие, на доходы субъектов РФ. Данная гипотеза будет проверена в дальнейшем с помощью регрессионного анализа по панельным данным.

.2 Моделирование взаимосвязи инновационных показателей и экспорта технологий в России на основе панельных данных

В данной главе будет изучаться влияние показателей, связанных с инновациями, на объем экспорта технологий и услуг технического характера с использованием панельных данных. Изучение данного вопроса крайне актуально, так как в настоящее время Россия совершает переход от сырьевой модели экономики к новой, инновационной. Важно понять, что именно стимулирует экспорт технологий в России и проверить, позволяют ли инновации регионам РФ выйти на внешний рынок при условии, что нововведения способствуют общей производительности и сокращают издержки.

Анализ будет проводиться на панельных данных. Панельные данные, в свою очередь, сочетают в себе как данные пространственного типа, так и данных типа временных рядов [13].

Такая структура данных позволяет построить более содержательные модели, чем, например, при использовании только временных рядов или только пространственных данных. Основные преимущества панельных данных:

) Увеличивается число наблюдений, уменьшается зависимость между объясняющими переменными и, следовательно, снижаются стандартные ошибки оценок;

) Предотвращается смещение агрегированности;

) Нивелируются ошибки спецификации при отсутствии существенных факторов в модели;

) Предоставляется возможность проследить за изменениями характеристик во времени [17].

В данном анализе будут построены три статические модели с обычными количественными регрессорами:

• Общая модель регрессии (Pooled-модель);

• Модель с фиксированными эффектами (FE-модель);

• Модель со случайными эффектами (RE-модель).

Общая модель регрессии или, ее еще называют, модель сквозной регрессии в компонентной записи выглядит следующим образом [17]:

(3.2)

где — вектор-строка значений зависимых переменных;

a и вектор-столбец b — коэффициенты модели (одинаковые для всех наблюдений);

— нормальные остатки, которые удовлетворяют условия классической линейной регрессии, а также не коррелируют с .

Данная модель является ограничительной, так как выдвигаются ограничения относительно переменных, то есть, предполагается, что других переменных для анализа, кроме выбранных, не существует. Это предположение не является реалистичным, следовательно, общая модель регрессии имеет теоретический характер. Также особенность этой модели в том, что всем объектам выборки приписывается одинаковое поведение.

Модель с фиксированными эффектами имеет следующий вид [17]:

(3.3)

FE-модель имеет те же предпосылки что и Pooled-модель, однако на нее накладывается новое условие на параметр — индивидуальный эффект i-го объекта. Данный параметр учитывает пропущенные или ненаблюдаемые регрессоры в модели, которые коррелируют с переменными, включенными в регрессию. Он не меняется со временем. Стоит отметить, что эта модель более гибкая, чем общая модель, так как в ней учитывается гетерогенность для каждого объекта выборки.

RE-модель в матричной форме представлена ниже [17]:

y = Xb +u (3.4)

где ;

X — детерминированная матрица регрессоров;

u — нормально распределённые остатки;

E(u) = 0, поскольку E(α) = 0, E(ε) = 0;

;

.

Как и в предыдущей модели, показывает влияние ненаблюдаемых переменных, но в данной модели эти индивидуальные особенности имеет случайный характер. Другими слова, предполагается, что существуют еще другие регрессоры, которые не коррелируют с включенными в модель переменными. Модель со случайными эффектами представляет собой компромисс между первой и второй моделями: она не такая ограничительная как первая и позволяет получить более значимые оценки, чем модель с фиксированными эффектами.

Для проведения анализа были взяты данные из Росстата за три года с 2013 по 2015 гг. для 42 регионов РФ. Были выбраны не все регионы, так как по многим из них информация была недоступна или засекречена. Зависимой переменной выступает объем экспорта технологий и услуг технического характера, а также в исследование включены 6 независимых переменных, представленные в приложении 5 (табл. П7).

Перед тем, как начинать строить модели по панельным данным, необходимо рассчитать описательные статистики и построить гистограмму по данным зависимой переменной для 2013 и 2015 гг. Для выбранных переменных были построены ящичковые диаграммы (Приложение 5, рис. П3), которые выявили, что города Москва, Санкт-Петербург и Мурманская область являются выбросами в данных выборках, следовательно, они были исключены из анализа.

Таблица 9. Описательные статистики

Статистики		у2013	у2015
N	Валидные	39	39
	Пропущенные	0	0
Среднее		6813,046	7680,297
Медиана		2673,7	2408,9
Мода		9,6	6
Среднеквадратическое отклонение		8886,394	10127,539
Дисперсия		78967994,82	102567050,7
Асимметрия		1,561	1,561
Эксцесс		1,954	1,529
Минимум		9,6	6
Максимум		34797,6	34073,3

В таблице 9 представлены описательные статистики для зависимой переменной за 2013 и 2015 гг. без выбросов. Согласно расчетам, средний объем экспорта технологий в 2013 году составлял 6813,046 тыс. долл. и 7680,297 тыс. долл. в 2015 году, то есть наблюдается повышение на 13% данного вида экспорта в России за 2 года. Гистограммы, представленные в приложениях 5 (рис. П4 и рис. П5), показывают, что наблюдения распределены ненормально. Обе гистограммы являются асимметричными, значение коэффициентов асимметрии обоих переменных имеет положительный знак (1,561 для у_2013 и 1,561 для у_2015), из чего следует, что графики имеют длинный правый хвост. Эксцессы (1,954 для у_2013 и 1,529 для у_2015) больше 0 для обоих переменных, следовательно, графики распределения имеют более острые вершины, чем график нормального распределения.

Далее, была проведена проверка на наличие мультиколлинеарности между регрессорами с помощью корреляционной матрицы факторных переменных. Если в матрице присутствуют коэффициенты парной корреляции по абсолютной величине большие 0,8, то делается вывод о том, что существует мультиколлинеарность между факторами. Основываясь на матрицах корреляции, представленных в приложениях 5 (табл. П8 и табл. П9), было решено убрать из анализа переменные х2 (число выданных патентов на изобретения) и х6 (внутренние затраты на научные исследования и разработки), чтобы избежать в дальнейшем смещения оценок регрессии. Стоит заметить, что между показателем экспорта технологий и объемом инновационной продукцией, затратами организаций на технологические инновации, численностью исследователей с учеными степенями наблюдается умеренная положительная связь.

Следующим шагом является построение общей модели регрессии для объема экспорта технологий по 39 регионам РФ за период с 2013 по 2015 гг. Изначально было построено множество Pooled-моделей с различными комбинациями регрессоров (приложение 5, рис. П6), но в итоге в модель вошли переменные x3 и x5, так как коэффициенты при этих переменных были значимые. В таблице 10 представлены результаты общей модели только со значимыми регрессорами.

Таблица 10. Результаты построения общей модели регрессии

F (2, 144)	18,58
Prob > F	0,000
	0,2458
	0,2326

Переменная	Коэффициент	СКО	t	P >
х3	0,0001239	0,0000354	3,5	0,001
х5	1,56915	0,6315214	2,48	0,014
cons	3283,624	1046,356	3,14	0,002

Основываясь на таблице 10, полученной с помощью ППП Stata, можно заключить, что Pooled-модель значима, так как Prob>F < 0.05, следовательно, нулевая гипотеза о незначимости модели отвергается. Коэффициент детерминации, показывающий долю объясненной дисперсии, умеренный — 25%. На технологический экспорт влияют затраты организаций на технологические инновации и численность исследователей с учеными степенями. Обе переменные имеет положительное влияние на зависимую переменную.

Далее, необходимо рассмотреть модели, учитывающие индивидуальный эффекты. В приложении 5 (рис. П7) представлена модель с фиксированными эффектами. Данная модель является незначимой, так как Prob>F-statistic>0.05, а также коэффициент при переменной х5 имеет отрицательное значение, что не соответствует здравому смыслу. Стоит пояснить, что sigma_u — это стандартная ошибка для индивидуальных эффектов , sigma_e — стандартная ошибка остатков, rho -это внутриклассовая корреляция, которая рассчитывается по формуле [17]:

(3.5)

,7% дисперсии приходится на индивидуальные эффекты. Корреляция между и регрессорами невысокая и равна -0,1911, то есть гибкость модели слабая. описывает качество подгонки модели и равен 0,0109. Он выше аналогичного показателя для between регрессии, это значит, что динамические изменения в данной модели проявляются слабее, чем межиндивидуальные, а это означает, что переменные не меняются со временем.

Для того, чтобы сравнить сквозную модель и модель с фиксированными эффектами, необходимо провести тест Вальда. Нулевая гипотеза говорит о том, что все индивидуальные эффекты равны нулю. Пакет STATA предоставляет данный тест автоматически (Приложение 5, рис. П7).

Модель с фиксированными эффектами лучше, чем общая модель, так как p-уровень <0.05 и, следовательно, нулевая гипотеза отвергается.

В приложение 5 (рис. П8) представлена модель со случайными эффектами, она выступает как компромисс между общей моделью, которая налагает ограничение гомогенности на коэффициенты, и моделью с фиксированными эффектами, менее ограничительной, позволяющей учесть ненаблюдаемую гетерогенность в выборке. Данная модель оценивается с помощью обобщенного метода наименьших квадратов (GLS) и — случайны. Коэффициент детерминации в данной модели не является подходящей оценкой качества регрессии, значимость модели отражает значение статистики Вальда. Нулевая гипотеза о равенстве всех коэффициентов нулю отвергается, так как Prob>chi2 < 0,05, следовательно, модель значима. Корреляция между случайными эффектами и регрессорами равна нулю, что подтверждает главную гипотезу модели, значит, оценки модели являются состоятельными. Также все коэффициенты значимы на 5% уровне значимости.

Однако необходимо сравнить данную модель с общей моделью. Это можно сделать с помощью теста Бреуша-Пагана, который проверяет наличие случайного индивидуального эффекта. Нулевая гипотеза говорит о том, что дисперсия случайного индивидуального эффекта равна нулю:

: Var [u] = 0;

: Var[u] ≠ 0.

Согласно расчетам в ППП STATA (Приложение 5, рис. П9) p-уровень<0,01, следовательно, нулевая гипотеза отвергается. Это значит, что модель со случайными эффектами лучше описывает данные, чем общая модель регрессии.

Далее, с помощью теста Хаусмана нужно выбрать одну из моделей со случайными эффектами. Данный тест строится на разности двух оценок коэффициентов: q = − . Тест проверяет гипотезу:

;

.

В приложение 5 (рис. П10) находится расчеты теста Хаусмана, которые указывают на то, что модель со случайными эффектами более предпочтительна, чем модель с фиксированными эффектами. Это говорит о том, что случайный эффект не коррелирует с регрессорами.

Таблица 11. Расчеты по модели со случайными эффектами

Переменная	Коэффициент	СКО	t	P>
х3	0,0000822	0,0000383	2,15	0,032
х5	1,839802	0,9214475	2	0,046
cons	3831,514	1626,169	2,36	0,018

Следующим шагом является проверка остатков модели. Для тестирования остатков на гетероскедастичность используется тест Бреуша-Пагана. Нулевая гипотеза данного теста состоит в том, что остатки гомоскедастичны. Тестовая статистика была рассчитана с помощью формулы N(T-1)R² [13], а критическое значение было найдено с помощью таблицы распределения Пирсона (χ² — распределение).

Было получено, что χ_набл ² (7,8) < χ_кр ² (9,21) на 1% уровне значимости, следовательно, остатки модели являются гомоскедастичными.

Далее, с помощью теста Песарана и Вулдриджа остатки модели были проверена на автокорреляцию. Нулевая гипотеза теста Песарана говорит об отсутствии автокорреляции в остатках. Расчеты находятся в приложении 5 (рис. П11), тестовая статистика представлена ниже [17]:

(3.6)

Тест Вулдриджа проверяет нулевую гипотеза H₀ : ρ = -0,5, т.к. было замечено, что в отсутствии автокорреляции ошибки исходной регрессии cov(Δ, Δ) = -0,5 (Приложение 5 (рис. П12).

Проделанные тесты указывают на то, что сериальная корреляция отсутствует в остатках (табл. 12).

Таблица 12. Тесты на автокорреляцию остатков

	Вулдридж	Песаран
P-значение	0,9100	0,4059
H 0 не отвергается/ отвергается	Не отвергается	Не отвергается

В ходе анализа панельных данных было выявлено, что лучшей моделью, описывающей влияние инновационных показателей на экспорт технологий и услуг технического характера, стала модель со случайными эффектами. Стоит отметить, что в данной модели значимо влияние индивидуального эффекта для каждого региона РФ, то есть предполагается наличие ненаблюдаемых факторов, которые не коррелируют с переменными, включенными в модель. На технологический экспорт положительно влияют затраты организаций на технологические инновации и численность исследователей с учеными степенями. Согласно таблице 11 увеличение затрат на 1 тысячу рублей ведет к увеличению экспорта на 0,0822 доллара, а увеличение численности исследователей — на 1839,8 долларов. Исследование выявило, что экспорт положительно зависит от инновационных факторов, из этого можно сделать вывод, что крайне важно развивать человеческий капитал в стране и научный потенциал. Также важную роль играют расходы организаций и частных инвесторов на технологические инновации, которые крайне низки в России, а основным инвестором инновационной деятельности остается государство. Основываясь на результатах модели, можно сделать вывод, что совокупные действия по стимулированию финансирования инноваций и развитию научной деятельности могут повысить технологический экспорт и, следовательно, общее экономическое положение в стране.

3.3 Исследование факторов, влияющих на инновационную активность организаций в регионах России

Интеграция инноваций в производство трудоемкий и долгий процесс. В этой главе основной задачей является определить, что именно стимулирует инновационную активность и мотивирует организации внедрять в свое производство новые инновационные методы, технологии и услуги. Чтобы ответить на этот вопрос будет изучено влияние набора экономических и инновационных факторов, представленных в Приложении 6 (табл. П10), на инновационную активность организаций в регионах России. Анализ будет проводиться с помощью моделей бинарного выбора (probit-, logit-, gompit-модели).

Зависимой переменной является дамми-переменная, которая принимает значение 1, если в регионе процент инновационной активности выше 8 и 0, если ниже 8%. В свою очередь, инновационная активность организаций — это удельный вес всех организаций в регионе, которые используют в производстве различные виды инноваций, среди всех обследованных организаций.

Было решено не применять линейную модель вероятности в данном анализе, это связано с тем, что ошибки, полученные с помощью этой модели, не подчиняются закону нормального распределения, и, как следствие, МНК-оценки становятся неэффективными. Также модельные значения зависимой переменной, полученные с помощью линейной модели вероятности, могут выходить из интервала от ноля до единицы. Следовательно, будут использоваться функции логистического, нормального и гомпит-распределения [18].

Logit-модель представлена ниже (логистическое распределение):

(3.7)

Probit-модель (нормальное распределение):

(3.8)

Gompit-модель (распределение Гомперца):

=G( (3.9)

Спецификация модели бинарного вида выглядит следующим образом:

(3.10)

Стоит отметить, что предполагается, что если полученная оценка вероятности превышает 0,5, то зависимая переменная принимает значение 1, и наоборот. Все параметры модели оцениваются с помощью метода максимального правдоподобия.

Чтобы проверить наличие инновационной активности, были выбраны различные количественные и бинарные переменные. Их описательные статистики находятся в Приложении 6 (табл. 11).

В ходе анализа предполагается, что на зависимую переменную влияют внутренние затраты на научные исследования и разработки, среднедушевые денежные доходы, численность персонала, занятого научными исследованиями и разработками. Также в качестве бинарных факторов представлена переменная Х1, которая принимает значение единица, если регион принадлежит первому кластеру с высоким уровнем дохода и хорошей социально-экономической стратегией (итоги кластерного анализа) и ноль, если регионы находятся во втором кластере. Фактор Х3 равен 1, при условии, что в регионе страны число выданных патентов на изобретение превышает или равно 200 единиц, и наоборот.

После построения трех моделей (приложение 6, рис. 14,15,16) было решено оставить независимые переменные Х2 и Х3, так как коэффициенты при этих факторах оказались значимы на уровне значимости 5%. Качество модели оценивается с помощью сравнения основной модели с моделью, включающей только константу. При сравнении моделей используется:

• Сравнение логарифмов функций правдоподобия;

• Сравнение относительных ошибок моделей;

• Информационные критерии.

Для проверки рассчитанных моделей были использованы следующие статистики на основе логарифмов функций правдоподобия:

(3.11)

pseudo = (3.12)

= (3.13)

где

,

LR статистики всех трех моделей, расчеты по которым представлены в таблице 13, превышают критическое значение Хи-квадрат на уровне значимости α = 0,05. Значения полученных статистик pseudo , McFadden не высоки и находятся в интервале от 1 до 0, что также говорит о хорошем качестве полученных моделей. Основываясь на значениях информационных критериев AIC, SC, HQ, можно считать, что gompit-модель наиболее качественная, это следует из того, что показатели информационных критериев у этой модели меньше, чем у остальных двух моделях.

Таблица 13. Результаты расчета probit-, logit-, gompit-моделей

	Probit	Logit	Gompit
C	-1,70142	-2,93092	-1,61131
Х2	0,000185	0,00033	0,000245
Х3	1,411611	2,424954	1,610414
ln	-41,8299	-41,6984	-41,3915
	Probit	Logit	Gompit
ln	-51,9794	-51,9794	-51,9794
LR	20,29899	20,56194	21,17566
Prob (LR)	0,000039	0,000034	0,000025
pseudo	0,021009	0,020944	0,020793
McFadden	0,19526	0,197789	0,203693
AIC	1,195463	1,191957	1,183775
SC	1,288163	1,284657	1,276474
HQ	1,232477	1,228971	1,220788

Таке в Excel был рассчитан predict для gompit-модели, который служит мерой сравнения долей некорректных прогнозов. Согласно расчетам, некорректно предсказано 46% наблюдений. Однако, стоит отметить, что доля некорректных прогнозов не говорит много о качестве используемой модели. Рисунок 10 иллюстрирует распределены исходных, модельные значения зависимой перемой и график функции распределения для gompit-модели. По графику дает представление о том, сколько наблюдений было некорректно предсказано моделью.

Рис. 10. Функция распределение Gompit-модели

В силу того, что оценки полученных коэффициентов рассчитываются в единицах , а также значения параметров не равны предельным эффектам по факторам, следовательно, привычная интерпретация коэффициентов, полученных с помощью ППП Eviews, не корректна. Вследствие этого будет рассчитан маржинальный эффект для каждой переменной:

(3.14)

Следовательно, если в среднем по выборке внутренние затраты на научные исследования и разработки увеличатся на 1 млн. рублей, то вероятность превышения инновационной активности организаций 8% увеличится на 0,005%. Также если будет выдано больше 200 патентов на изобретения, то вероятность превышения инновационной активности организаций в регионах 8% увеличится на 44 процентных пункта. Из этого следует, что оба фактора положительно влияют на зависимую бинарную переменную. Можно сделать вывод, что финансовые вложения в науку и выдача патентов стимулируют организации использовать в производстве различные типы инноваций. Для инновационной сферы важны инвестиции из всех возможных источников финансирования, они позволяют стимулировать инновационную активность. Выдача патентов также является индикатором инновационного развития, который характеризует человеческий капитал в стране. Из этого делается вывод о том, что влияние социального и экономического развития населения на инновации колоссально. Без улучшения общего социально-экономического климата невозможен переход на новый этап экономического развития, а именно переход на инновационную экономику.

В заключение стоит сказать, что, проведенный статистический анализ позволил решить главную цель данной работы, а именно изучить взаимосвязь инноваций и социально-экономических показателей развития регионов России. Полученный выводы позволяют заключить, что между этими сферами существует связь.

В ходе исследования была изучена как отечественная, так и иностранная литература по данной тематике. Это позволило более четко понять границы исследуемой темы и определиться с методами изучения поставленной проблемы. Однако, стоит заметить, что на данный момент тема взаимосвязи инновационной деятельности и социально-экономических процессов в России изучена слаба, число публикаций, посвященных данной тематике, крайне мало. Многие иностранные рейтинговые агентства рассчитывают различные индексы и рейтинги, которые характеризуют уровень развития инноваций и качества жизни в странах мира. Однако даже в иностранных источниках практически отсутствуют исследования о взаимосвязи этих показателей.

В данной выпускной квалификационной работе проводится анализ влияния социально-экономических процессов на инновации и наоборот на макро- и микроуровне. Изначально проводился сравнительный анализ различных релевантных показателей по России и миру. Во время этого анализа было выявлено, что Россия в основном находится в середине как инновационных, так и социальных, экономических рейтингов. Из этого был сделан вывод, что между инновационной деятельностью страны и социально-экономическими присутствует прямая положительная связь. Затем был произведен переход на мезо-уровень, на котором рассматривалось влияние этих показателей на уровне регионов РФ. Чтобы более детально изучить специфику регионов в данных сферах была использована методология «Критерии оценки соответствия стратегий социально-экономического развития субъектов Российской Федерации принципам умной специализации», адаптированная специально под особенности субъектов России. Этот анализ позволил выявить слабые и сильные стороны стратегического планирования развития регионов РФ, а также выявить лидирующие и отстающие регионы.

Чтобы более детально исследовать дифференциацию регионов был проведен кластерный анализ. Цель его проведения заключалась в том, чтобы выделить регионы-лидеры и регионы-аутсайдеры по степени социально-экономического планирования развития и доходам. Анализ показал, то в России происходит разделение регионов на два типа. В первом кластере были представлены регионы с хорошо проработанной стратегией, учитывающей все нюансы будущего развития и высоким доходам консолидированного бюджета, а ко второму — со слабой стратегий и относительно высокими доходами. Стоит заметить, что Северо-Кавказский федеральный округ и большая часть Дальневосточного федерального округа попали во второй кластер. В остальных федеральных округах не наблюдается такой концентрации регионов, находящихся в одинаковых кластерах.

Далее, с помощью построения моделей по панельным данным было выявлено влияние затрат организаций на технологические инновации и численности исследователей с учеными степенями на экспорт технологий и услуг технического характера. Модель со случайными эффектами выявила положительное влияние обоих факторов на зависимую переменную. Согласно модели, технологический экспорт в России увеличивается на 0,0822 доллара, если затраты возрастают на 1 тысячу рублей, а рост численности исследователей положительно стимулирует экспорт и увеличивает его на 1839,8 долларов. Следовательно, результаты модели доказали важность инновационной составляющей в экономическом процессе развития страны.

Следующим шагом в анализе стало изучение влияния различных факторов на инновационную активность организаций. Для исследования были использованы модели бинарного выбора (probit-, logit-, gompit-модели).

Регионы с инновационной активностью равной или больше 8% получали значение 1, а регионы, чья инновационная активность не превышала 8% получали 0. В ходе построения моделей, gompit-модель показала, что существенно влияют на зависимую бинарную переменную две переменные: внутренние затраты на научные исследования и разработки и число патентов на изобретения. Необходимо заметить, что наличие в регионе больше 200 выданных патентов увеличивает на 44% вероятность превышения инновационной активности организаций в регионах 8%.

Заключая, хотелось бы сказать, что инновационная деятельность не определяет целиком социально-экономическое развитие страны. Но все же имеет свое влияние на этот процесс, следовательно, чтобы улучшить социальное и экономическое положение России, необходимо продолжать развивать НИС, стимулировать процессы инноваций и увеличивать затраты как государственные, так и частные на НИиР. Эти меры позволят прийти к инновационной экономике и избавиться от сырьевой зависимости, которая негативно сказывается на показателях социально-экономического развития в России.

1. Архипова М.Ю., Александрова Е.А. (2014) Исследование характера связи инновационной и экспортной активности российских предприятий // Прикладная эконометрика. №36(4).

С. 88-101.

2. Архипова М.Ю. (2013) Инновации и уровень жизни населения: исследование взаимосвязи и основных тенденций развития // Вопросы статистики. №4. С. 45-51.

. Архипова М.Ю., Лебедев А.В. (2012) Инновации и уровень жизни населения: взаимосвязь, тенденции, перспективы // Экономика, статистика и информатика. № 6. С. 91-95.

. Бездудный Ф.Ф., Смирнова Г.А., Нечаева О.Д. (1998) Сущность понятия инновация и его классификация // Инновации. №2-3. С. 8.

. Будеркина Е.О. (2016) Исследование взаимосвязи инноваций и уровня жизни населения. Курсовая работа. НИУ ВШЭ.

. Голиченко О.Г. (2011) Переход России на инновационный путь развития и основные направления государственной политики // Инновации. №9 (155).

. Дегтярева И.В., Фахретдинова Г.Р. и др. (2004) Экономика. Макроэкономика. Учебное пособие. / Под общ. ред. д-ра экон. наук, проф. И.В. Дегтяревой. Уфа. С. 25-29.

9. Дуброва А.М., Мхитарян В.С., Трошин Л.И. (2003) Многомерные статистические методы: Учебник. М. Финансы и статистика. С. 241-278;

10. Кондратьев Н.Д., Янковец Ю.В., Абалкин Л.И. (2002) Большие циклы конъюнктуры и теория предвидения. М.: Экономика. Первая публикация: 1928.

. Кузнецова И.А., Гостева С.Ю., Грачева Г.А. (2008) Методология и практика статистического измерения инновационной деятельности в экономике России: современные тенденции // Вопросы статистики. № 5. С. 16-21.

. Лямина Е.К. (2015) Уровень человеческого капитала в России. Сравнительный анализ // Евразийское научное объединение. №2. С. 129-132.

. Магнус Я.Р., Катышев П.К., Пересецкий А.А. (2004) Эконометрика. Начальный курс: Учеб. 6-е изд., перераб. и доп. М.: Дело. С. 576.

. Монахов С.В. (2011) Инновации в России: история, современность и перспективы // Креативная экономика. № 3 (51).

С. 76-84.

. Назаров М.А., Фомин Е.П. (2015) Проблемы развития инновационной инфраструктуры в российской экономике // Экономика и управление. № 4 (125).

С. 38-40.

. Порядина Е.Д. (2011) Влияние изменения качества жизни населения на инновационный потенциал Российской Федерации // Креативная экономика. № 10 (58).

С. 80-85.

. Ратникова Т.А. (2016) Введение в эконометрический анализ панельных данных // Экономический журнал НИУ ВШЭ. №2.

. Тимофеев В.С., Большакова А.В. (2005) Модели бинарного выбора: оценка качества и интерпретация коэффициентов. Сборник научных трудов НГТУ. С. 1-8.

. Шульга В.А. (2002) Национальная экономика. М.: Изд-во Рос. экон. акад. С. 592.

. Шумпетер Й. (2008) Теория экономического развития. Капитализм, социализм и демократия. М.: Эксмо. Первая публикация: 1911.

21. Atkinson R.D., Castro D.D. (2008) Digital Quality of Life. P. 1-14.

22. Bilbao-osorio B., Rodríguez-pose A. (2004) From R&D to Innovation and Economic Growth in the EU // Growth and Change Vol. 35 No. 4. P. 434-455.

23. Cohen A., Cohen J. (2009) Innovation and Economic Growth // Private Wealth Forum 3. Р. 1-5

. Estensoro, M. and Larrea, M. (2016) Overcoming Policymaking Problems in Smart Specialization Strategies: Engaging Subregional Governments // European Planning Studies. №24 (7).

Р.1319-1335.

. Gianelle, C. and Kleibrink, A. (2015) Monitoring Mechanisms for Smart Specialisation Strategies // Policy Brief Series, (13).

. Greenstone M., Looney A. A (2011) Dozen Economic Facts about Innovation. // POLICY MEMO.

27. McCann, P. and Ortega-Argilés, R. (2016) The Early Experience of Smart Specialization Implementation in EU Cohesion Policy // European Planning Studies. P. 1407-1427.

. Midtkandal I. and Sörvik J. (2012) What is Smart specialization? // Nordregio News Issue.

. Mortensen P.S., Bloch C.W. (2006) Guideline for Collecting and Interpreting Innovation Data // Third Edition, Oslo Manual. М.: TSISN.

. Savin I., Winker P. (2010) Heuristic Optimization Methods for Dynamic Panel Data Model Selection. Application on the Russian Innovative Performance. P. 10-23.

. Zachariadis M. (2011) R&D-induced Growth in the OECD? P. 3-10.

32. Письмо Президента РФ № Пр-576 от 30.03.2002 «Основы политики Российской Федерации в области развития науки и технологий на период до 2010 года и дальнейшую перспективу» [Электронный ресурс] // Справочно-правовая система «Консультант Плюс».

. Рейтинг инновационного развития субъектов Российской Федерации. (2016) Выпуск 4 / под ред. Л.М. Гохберга; Нац. исслед. ун-т «Высшая школа экономики». — М.: НИУ ВШЭ. С. 248.

. Указ Президента РФ от 27.04.1992 № 426 «О неотложных мерах по сохранению научно-технического потенциала Российской Федерации» [Текст] // Ведомости СНД и ВС РФ, 07.05.1992, №18.

. Веб-сайт Федеральной службы государственной статистики [http://www.gks.ru/]

. Единая межведомственная информационно-статистическая система ЕМИСС [https://www.fedstat.ru/]

. Институт Земли: Рейтинг стран мира по уровню счастья населения в 2015 году. [www.earthinstitute.columbia.edu/]

. Исследование «РИА Рейтинг»: Рейтинг качества жизни регионов России в 2014 году [http://www.riarating.ru/]

39. Human development report (2014) // Sustaining Human Progress Reducing Vulnerabilities and Building Resilience P. 2.

. European Commission (2013) Guide to Research and Innovation Strategies for Smart Specialisations. [http://ec.europa.eu/regional_policy/sources/docgener/presenta/smart_specialisation/smart_ris3_2012.pdf ]

. Index of Economic Freedom [http://www.heritage.org/index/]

42. Organization for Economic Co-operation and Development OECD [https://data.oecd.org/]

43. The Global Innovation Index [https://www.globalinnovationindex.org/]