Корпоративное управление и инновационное развитие экономики Севера
Вестник Научно-исследовательского центра 
корпоративного права, управления и венчурного инвестирования
Сыктывкарского государственного университета

Научно-инновационный потенциал как основной фактор повышения конкурентоспособности экономики регионов Севера

Гаджиев Ю.А., Акопов В.И., Стыров М.М.

В статье рассматриваются особенности и тенденции межрегиональных различий в уровне научно-инновационного потенциала регионов Севера в условиях жесткой межрегиональной конкуренции. Статистические характеристики обнаружили процесс конвергенции северных регионов в условиях высокой степени дифференциации их потенциала. На основе методов главных компонент факторного анализа и иерархического кластерного анализа Ворда выделены четыре группы регионов по уровню научно-инновационного потенциала – высокого, среднего, ниже среднего и низкого уровня. По отношению к каждой группе необходима разработка целенаправленной государственной региональной политики в целях стимулирования и повышения уровня инновационного развития северных регионов.

 The article considers peculiarities and tendencies of inter-regional differences on a level of science-innovative potential of north regions in conditions of severe inter-regional competition. Statistical characteristics have revealed the process of north region’s convergence in conditions of high differentiation of their potential. On basis of the main component’s methods of factor analysis and hierarchical cluster analysis of Vord they are assigned four regional groups on a level of science-innovative potential – high, average, under average and low level. For each group it is necessary to develop purposeful state regional policy in purpose of stimulation and rise of north region’s innovative development level.

Ключевые слова: научно-инновационный потенциал, конкурентоспособность экономики, северные регионы, статистические характеристики, главные компоненты факторного анализа, иерархический кластерный анализ, конвергенция и дивергенция регионов.

 Key words: science-innovative potential, competitiveness of economy, north regions, statistical characteristics, the main components of factor analysis, hierarchical cluster analysis, convergence and divergence of regions. 

На современном этапе в связи с нарастающей глобализацией и активизацией процессов регионализации повышение конкурентоспособности стран и регионов становится приоритетной задачей их экономического развития. Решение этой задачи во многом определяется переходом экономики на инновационный путь развития. А он, в свою очередь, непосредственно зависит от уровня научно-инновационного потенциала. Эта проблема особенно актуально для северных регионов, поскольку ее разрешение здесь весьма затруднено по двум причинам, во-первых, в силу высокой степени дифференциации уровней экономического развития северных регионов, а, во-вторых, из-за сырьевой специализации и незаинтересованностью предприятий, а применении новых видов оборудования и технологий, связанная с легким получением высокой прибыли, благодаря благоприятной конъюнктуре их продукции на мировом и национальном рынках. В целях разработки и реализации адекватной региональной политики инновационного развития необходим постоянный мониторинг уровней научно-инновационного потенциала северных регионов.

Методическим инструментарием для оценки степени дифференциации уровней научно-инновационного потенциала северных регионов, послужили эконометрические методы и статистические характеристики: расположения распределений – среднее, медиана, мода; разброса – стандартное отклонение, максимум, минимум, диапазон и дисперсия; методы главный компонент факторного анализа, иерархического кластерного анализа, заложенных в программный пакет SPSS [1,2,3,4,5,6].

Оценка научно-инновационого потенциала регионов осуществлялась посредством: 1) отбора показателей, характеризующих научно-инновационный потенциал; 2) определения степени разброса регионов по выбранным показателям; 3) сокращения размерности показателей методом главных компонент факторного анализа; 4) классификации 88 регионов РФ и 16 северных по уровню научно – исследовательской и инновационной деятельности методами иерархического кластерного анализа и содержательной характеристики кластеров.

Таблица 1.

Признаки-показатели научно-инновационого потенциала региона

Для объективного сравнения разнородных показателей была проведена их стандартизация. Программный пакет SPSS предлагает несколько способов стандартизации, наиболее приемлемым оказался - z – преобразование значений в диапазоне от - 3 до + 3, поскольку другие способы менее подходят для наших целей.

Степень дифференциации регионов. Динамика статистических характеристик большинства показателей научно-инновационого потенциала за 2000-2006 гг. показывает усиление степени дифференциации северных регионов. Например, стандартное отклонение и дисперсия в показателях Х₂ - численность исследователей, занятых исследованиями и разработками, соответственно, увеличились с 9,2 до 9,6% и 84,6 до 92,2%, Х₃ - численность технического персонала, занятого исследованиями и разработками – с 9,7 до 10,5% и с 94,9 до 109,2%, Х₇ - внутренние текущие затраты на приобретение оборудования – с 10,8 до 11,4% и с 117,5 до 129,9%, Х₁₃ - выпуск специалистов государственными высшими и средними специальными учебными заведениями – с 7,3 до 7,6% и с 52,7 до 57,1% и затраты на технологические инновации – с 13,0до14,6%. Противоположная тенденция или снижение дифференциации наблюдалось в совокупности 88 регионов РФ (Приложение 1, табл.1). В то же время по трем показателя научного потенциала - Х₁, Х₉ и Х₁₁, а также по пяти показателям инновационности – Х₁₄ – Х₁₈ среди северных регионов, отмечается ослабление разброса. В целом это свидетельствует о сравнительно высокой степени дифференциации научно-инновационного потенциала регионов Севера, хотя по большинству показателей разброс меньше, чем по регионам России.

Позитивным моментом является опережающий рост медианных значений относительно средних в подавляющем большинстве случаев. Иными словами, рост среднего уровня северных регионов в рассматриваемый период обеспечивался не только за счет регионов с высоким научно-инновационным потенциалом, но и за счет регионов с низким потенциалом. Это свидетельствует о наличии частичной конвергенции или некоторого сближения уровней научно-инновационого потенциала северных регионов, а значит, о некотором улучшении общей ситуации.

Форма, центр и разброс распределения по всем показателям научно-инновационного потенциала северных регионов наглядно показаны на гистограммах (рис. 2).

Их представленных диаграмм видно, что на все протяжении рассматриваемого времени распределение северных регионов по всем показателям научно-иновационого потенциала далеко от нормального и лишь по некоторым из них оно постепенно приближается к равномерному. Так, распределение большинства регионов Севера по всем показателям научно-инновационого потенциала отличается сосредоточением в левой области распределения и только по показателям Х₁ - число организаций, выполняющих исследования и разработки, численности исследователей с учеными степенями, Х₆ - внутренние затраты на исследования и разработки, Х₁₃ выпуску специалистов государственными высшими и средними специальными учебными заведениями, Х₁₇ – число организаций, осуществляющих технологические инновации и Х₁₈ – удельный вес организаций, осуществляющих технологические инновации, регионы смещаются вправо и группируются вблизи среднего значения.

Выпуск из докторантуры с защитой диссертации, чел. на 10 тыс. занятых в экономике

Выпуск специалистов государственными высшими и средними специальными учебными заведениями на 10 тыс. населения

Рис.2. Гистограммы распределения показателей научно-инновационого потенциала регионов зоны Севера за 2000-2006 гг.

В 2000-2006 гг. отмечена заметная асимметричность научно-инновационного потенциала регионов зоны Север, что подтверждает коэффициентами асимметрии и эксцесса. За этот период наблюдались две разнонаправленные тенденции их изменения. Первая и позитивная тенденция характеризуется уменьшением обоих коэффициентов по девяти показателям в группе северных регионов. Например, за этот период коэффициенты асимметрии и эксцесса показателя – внутренние текущие затраты на прикладные исследования уменьшились, соответственно, с 1,9 до 1,7 и с 7,8 до 0,2 и число созданных передовых производственных технологий – с 2,9 до 2,22 и с 9,1 до 5,9. Вторая, негативная тенденция отмечена увеличением этих коэффициентов в десяти показателях. Так, эти коэффициенты по внутренним затратам на исследования и разработки увеличились, соответственно, с 0,7 до 1,2 и с 0.9 до 1,4, числу использованных передовых производственных технологий – с 1,3 до 2,4 и 0,8 до 7,4 и по затратам на технологические инновации – с 2,2 до 3,3 и 3,7 до 11,5. Приведенные данные еще раз подтверждают наличие процессов конвергенции или схождения территорий, при высокой степени дифференциации их научно-инновационого потенциала. Причем неравномерность распределения научно-инновационного потенциала в северных регионах выражена резче, чем в 88 регионах РФ.

Анализ главных компонент и сокращение размерности. После обработки первичных данных научно-инновационого потенциала 16 северных регионов за 2000-2006 гг. методом главных компонент факторного анализа в 2000 г. выделились пять главных компонент, в 2004 г и 2005 г. – четыре и в 2006 г. – шесть компонент, собственные значения которых были выше единицы (табл. 7). Они охватывают большую часть полной дисперсии. Однако полученная первоначально факторная матрица оказалась недостаточно четкой для содержательной научной интерпретации компонент, поэтому было произведено вращение факторной матрицы методом «варимакс» (табл. 7). Именно данные последней матрицы использовались для выделения компонент и их характеристики.

Таблица 7. – Полная объясненная дисперсия северных регионов

по показателям научно-инновационного потенциала за 2000-2006 гг.

Таблица 8. – Матрица факторных нагрузок показателей научно-инновационного потенциала северных регионов за 2000-2006 гг.

Первая компонента – F₁ включает три переменные с наиболее высокими факторными нагрузками – Х₁₁, Х₁₄ и Х₁₃. Из них выбрана переменная Х_{11 –} выпуск из аспирантуры с защитой диссертации с наиболее высокой факторной нагрузкой, отражающая подготовку научных кадров и потому фактор (F₁) может быть охарактеризован как «уровень подготовки научных кадров».

Вторая компонента – F₂ сформирована из двух переменных с наибольшими факторными нагрузками – Х₈ и Х₆. Из двух показателей выбран наиболее представительный, хотя с меньшей нагрузкой Х₆ – внутренние затраты на исследования и разработки. Этот показатель отражает объем финансирования научно-исследовательской деятельности, а поэтому фактор F₂ интерпретируется как «уровень финансирования научной деятельности».

Третья компонента – F₃ включает два показателя финансовой деятельности – Х₇ и Х₉ имеющие наибольшие значения факторной нагрузки. Поскольку из второго фактора уже был взят более представительный показатель финансовой деятельности Х₆ то из фактора F₃ ничего не было выбрано.

Четвертая компонента – F₄ имеет три переменные с наиболее высокими факторными нагрузками Х₁₀, Х₁₂ и Х₂. Для последующего анализа был выбран Х₂ – численность исследователей, занятых исследованиями и разработками, с наименьшей нагрузкой из них, поскольку показатель финансовой деятельности был уже взят из F₂, а индикатор подготовки научных кадров из F₁. Фактор F₄ может быть назван как «уровень научного персонала».

Пятая компонента – F₅ образовано из трех показателей отражающих инновационность с наибольшими значениями факторной нагрузки Х₁₉, Х₁₈ и Х₁₆. Из них отобран Х₁₉ – затраты на технологические инновации, как самый представительный и с наиболее высокой нагрузкой, поэтому фактор F₅ характеризуется как «уровень инновационности».

Шестая компонента – F₆ имеет всего один показатель Х₁₅ с самой высокой факторной нагрузкой отражающий инновационость. Поскольку она уже отражена фактором F₅, то Х₁₅ не попал в число отобранных показателей.

Итак, размерность первичных данных сократилась с исходных девятнадцати до четырех показателей: Х₂ - численность исследователей, занятых исследованиями и разработками; Х₁₁ - выпуск из аспирантуры с защитой диссертации; Х₆ - внутренние затраты на исследования и разработки; Х₁₉ – затраты на технологические инновации.

Кластеризация регионов и их содержательная характеристика. Регионы зоны Севера были классифицированы по уровню научно-инновационого потенциала за 2000-2006 гг. с использованием процедуры иерархических кластеров Ворда. Графическое изображение (дендограмма) проведенной многомерной классификации регионов за 2006 г. представлено на рис. 4, где отчетливо выделяются шесть группы регионов РФ. Следует отметить, что дендограмма непосредственно не ранжирует кластеры по уровню научно-иннновационного потенциала, поэтому ранжирование, состав и содержательная характеристика кластеров приведены в табл. 9. В целях сравнительного анализа аналогичные дендограммы и составы кластеров были сформированы по всем годам рассматриваемого периода (Приложение 4, рис. 1,2,3; Приложение 5, табл.1,2,3).

Распределение регионов по кластерам в основном определялось в 2006 г. двумя показателями – Х₆ - внутренние затраты на исследования и разработки и Х₁₉.- затраты на технологические инновации. В результате, половина регионов сгруппировалась в четвертом кластере и около трети во втором, что отражает высокую степень однородности значений первичных показателей, хотя географически регионы разбросаны.

Таблица 9. Состав и характеристика кластеров по научно-инновационному потенциалу северных регионов в 2006 г.

Кластер 1 – с самым высоким уровнем научно инновационного потенциала, включает лишь один регион. Его отличает высокий уровень инновационости, особенно в показателе затрат на технологические инновации и, наоборот, - низкий уровень научного потенциала, в частности в подготовке научных кадров. Определяющую роль в этом сыграла высокодоходная нефтедобывающая отрасль, активно реализующая стратегию «использования», внедряющая новейшие зарубежные технологии по добыче нефти.

Кластер 2 – со средним уровнем научно-инновационого потенциала. Этот кластер объединяет пять регионов, причем в основном это старообжитые районы Европейского Севера. Он уступает первому кластеру по уровню инновационости, но превосходит его по уровню научного потенциала, в частности, по уровню научного персонала и его подготовки. Республика Коми находится в данном кластере и по количеству научного персонала и внутренним затратам на исследования и разработки она занимает третье место в кластере и четвертое – по подготовке научных кадров и инновационности. Это соответствует положению ее в рейтинге инновационного потенциала регионов зоны Севера составленному на основе данных национального рейтингового агентства «Эксперт РА», где она занимает пятое место из 16 северных регионов (Приложение).

Кластер 3 – с уровнем научно-инновационного потенциала ниже среднего, в составе двух географически близких регионов. Регионы этого кластера отличаются самыми высокими показателями внутренних затрат на исследования и разработки и численности исследователей, занятых исследованиями и разработками среди всех регионов Севера. Это связано, в основном, со специализацией регионов на производстве промышленных товаров – машин, оборудования, в том числе электрооборудования, электронного и оптического оборудования, транспортных средств, а также производство пищевых продуктов (рыбных и др.). Нахождение этих регионов в третьем кластере объясняется с низкими показателями по подготовке научных кадров и особенно по инновационному потенциалу.

Кластер - 4 с низким уровнем научно-инновационного потенциала и самый многочисленный по составу и включает восемь регионов. Его отличает исключительно низкие показатели, как по научному, так и по инновационному потенциалам по сравнению с другими кластерами. Несколько отличаются среди них в лучшую сторону лишь Сахалинская область, Ямало-Ненецкий и Ненецкий автономные округа. Следует отметить, что регионы этого кластера также находятся в последнем, шестом кластере в совокупности 88 регионов РФ.

Движение северных регионов в 2000-2006 гг. по выше указанным кластерам представлено в таблице 10.

В рассматриваемый период из 16 северных регионов только 6 изменили свое положение. Из них три – Республика Карелия, Архангельская область и Ханты-Мансийский АО улучшили свое положение и первые два региона переместились в иерархии на одну ступеньку выше, а последний – на три ступени, став лидером. Положение следующих трех регионов существенно ухудшилось. Камчатской и Магаданской области опустились на две ступени ниже, с первой на третью, а Мурманская область – на одну, с первого кластера во второй. Положительным моментом является тот факт, что Республика Коми и Республика Саха (Якутия) сохранили свою лидерскую позицию во втором кластере. Отрицательным является сохранение у половины регионов положения аутсайдеров, в четвертом кластере. В целом анализ движения по кластерам научно-инновационого потенциала регионов показал, что переход экономик этих регионов на инновационный путь развития пока проявляется слабо. Это объясняется, сырьевой специализацией экономик северных регионов, просчетами региональной политики федерального Центра и последствиями рыночного реформирования на Севере.

Таблица 10. Миграция северных регионов по кластерам научно-инновационного потенциала за 2000-2006 гг.

Таким образом, кластерный анализ северных регионов по научно-инновационому потенциалу выявил:

 - сравнительный невысокий научно-инновационный потенциал регионов и медленный переход на инновационный путь развития;

 - активную реализацию стратегии «использования», применение предприятиями новейших зарубежных технологий и оборудования;

 – высокую степень дивергенции регионов, обусловленную высокими показателями научного и инновационного потенциалов Мурманской, Архангельской областей и Ханты-Мансийского АО и очень низкими – Корякского, Эвенкийского и Таймырского (Долгано-Ненецкого автономных округов;

 – наличие процессов конвергенции, или сходимости территорий в научно-инновационом развитии в условиях высокой степени дифференциации их потенциалов;

 – четыре кластера, различающиеся по уровню научно-инновационного потенциала – высокого, среднего, ниже среднего и низкого;

 - многочисленность и географическую разбросанность низшего, четвертого кластера;

 – нахождение Республики Коми в среднем, втором кластере;

Учет отмеченных выше особенностей и тенденций в пространственном распределении научно-инновационного потенциала регионов зоны Севера поможет центральным, региональным органам власти и бизнесу обеспечить ускорение инновационного развития «северов» и, в конечном счете, повышение благосостояния населения.

Библиографический список:

1. Жуковская В.М., Мучник И.Б. Факторный анализ в социально-экономических исследованиях. М.: Статистика, 1976. – 150 с.

2. Замков О.О., Толстопятенко А.И., Черемных Ю.Н. Математические методы в экономике: Учебник / Под общ. ред. д.э.н., проф. А.В.Сидоровича, МГУ им. М.В. Ломоносова. – 3-е изд., перераб. – М.: Изд-во «Дело и Сервис», 2001. – 368с.

3. Суслов В.И., Ибрагимов Н.М., Талышева Л.П., Цыплаков А.А. Эконометрия: Учебник. – Новосибирск: Изд-во СО РАН. – 744с.

4. Факторный, дискриминантный и кластерный анализ. Пер. с анг. / Дж.-О.Ким, Ч.У.Клекка и дл.:Под. Ред. И.С. Енюкова. – М.: Финансы и статистика, 1989. – 215с.

5. Иберла К. Факторный анализ. / Пер. с нем. В.М. Ивановой; Предисл. А.М. Дуброва. – М.: Статистика, 1980. – 398 с.

6. SPSS Base 12.0 Руководство пользователя. М., 2004 SPSS Inc. – 748с.

Literature:

1. Gukovskaya V. M., Muchnik I. B. Factor analysis in social-economic researches. M.: The statistics, 1976. – 150 p.

2. Zamkov O. O., Tolstopyatenko A. I., Cheremnyh Y. N. Mathematical methods in economy: Textbook / Under reduction of doctor of economic science, professor A. V. Sidorovich. – M.: Publishing house “Delo and Servis”, 2001. – 368 p.

3. Suslov V. I., Ibragimov N. M., Talysheva L. P., Cyplakov A. A. Econometrics: Textbook. – Novosibirsk: Publishing house of Social department of The RAS. – 744 p.

4. Factor, discriminant and cluster analysis. / Under reduction of I. S. Enyukov. – M.: The finance and statistics, 1989. – 215 p.

5. Iberla K. Factor analysis. / Translation from German. M.: The statistics, 1980. – 398 p.

6. SPSS Base 12.0 User Guide. M., 2004 SPSS Inc. – 748 p.