Многомерные методы исследования инновационного развития регионов Приволжского Федерального Округа

УДК 332.14:001.895(470.4) 

Многомерные методы исследования инновационного

развития  регионов Приволжского Федерального Округа 
 

     Одной из актуальных проблем на сегодняшний день для российских предприятий (в том числе для предприятий Республики Мордовия) является проблема активизации инновационной деятельности. Интерес к анализу инновационных процессов в экономике диктуется значением технологического развития как фактора конкурентоспособности регионов. Большое значение при анализе инновационной деятельности следует уделить многомерным статистическим методам анализа информации. В данном исследовании применялся метод k-средних, который считается достаточно удобным и быстродейственным. При его реализации кластеры формируются исходя из предварительно задаваемых условий разбиения, изменяемых исследователем в процессе кластеризации для достижения требуемого качества классификации. ППП «Statistica» позволяет реализовать данный метод, предварительно задавая различное количество кластеров, на которые будет разбита исследуемая совокупность данных.

     Воспользуемся кластерным анализом для разбиения  регионов Приволжского Федерального Округа (ПФО) на однородные группы по уровню инновационного развития. В ходе проведенного теоретического анализа были выделены следующие факторы регионального развития:

     Х1 - степень износа основных фондов, %;

     Х2 - индекс физического объема инвестиций в основной капитал, %;

     ХЗ - удельный вес убыточных организаций, %;

     Х4 - кредиты, предоставленные кредитными организациями юридическим лицам, млн. руб.;

     Х5 – индекс потребительских цен, %;

     Х6 - валовой региональный продукт, млн. руб.;

     Х7 - численность персонала, занятого исследованиями и разработками, человек;

     Х8 - внутренние затраты на исследования и разработки, тыс. руб.;

     Х9 - число организаций, выполнявших исследования и разработки;

     X10 - выпуск из аспирантуры с защитой диссертации, человек;

     X11 - численность студентов высших учебных заведений на 10000 человек.

      Ограничимся вышеуказанным набором показателей, поскольку увеличение индикаторов приведет к излишнему усложнению аналитической работы при интерпретации результатов кластеризации. Если явление описывается большим числом параметров, то для обобщения приходится применять специальные методы их свертки, агрегирования. Одним из таких методов является, например, компонентный анализ, однако в данной работе применение его не предусмотрено.

        Как видно, исходные данные измеряются в различных единицах. Однако оценка сходства между объектами сильно зависит от абсолютного значения признака, единицы его измерения и от степени его вариации в совокупности. Чтобы устранить подобное влияние на процедуру классификации, можно значения исходных переменных нормировать (стандартизировать) различными способами.

      Стандартизация  исходных данных проводилась по методу: 

                                   ,                                                             (1) 

где — индивидуальное значение i – го  объекта по j – тому признаку (i=1,n; j=1,k);

        — нормированное значение i – го объекта по j – тому признаку;

        — среднее значение объектов по j – тому признаку;

        — среднеквадратическое отклонение значений объектов по j – тому признаку.

       Поскольку исследуемую совокупность можно разбить на различное количество кластеров, то представляет интерес задача выбора оптимального варианта разбиения. Для этого при помощи ППП «Statistica» были построены  графики различных методов разбиения. При визуальном анализе наилучшим методом для разбиения совокупности на кластеры можно признать – метод Варда (рисунок 1).

       Метод Варда наиболее наглядно представляет разделение исследуемой совокупности регионов на кластеры. Графическое изображение результатов этого метода позволяет вывод о том, что всю совокупность наблюдений можно разбить на два кластера.

     Результаты  кластерного анализа показали, что данную совокупность можно разделить на два однородных кластера. В первый кластер вошли регионы, характеризующиеся довольно низким инновационным развитием, он включает в себя 8 субъектов ПФО, в том числе Республика Мордовия. В этот кластер помимо Мордовии вошли также следующие регионы ПФО: Ульяновская, Пензенская, Кировская области, Чувашская Республика, Оренбургская область, Удмуртская Республика, Республика Марий Эл. Во второй кластер вошло 6 субъектов ПФО, характеризующиеся высоким инновационным развитием: Республика Башкортостан, Республика Татарстан, Самарская, Саратовская и Нижегородская области, Пермский край.  

 

       Рисунок 1 — Кластеризация регионов ПФО  по исследованию инновационного развития с помощью метода Варда 

       Подобное  разбиение оказалось оптимальным, так как практически отсутствуют совпадения средних значений, что подтверждает и графическое изображение средних нормированных значений результативных признаков по кластерам (рисунок 2).

       Для интерпретации полученных результатов  воспользуемся рисунком 2, который позволяет дать достаточно полную характеристику однородности регионов, вошедших в рассматриваемый кластер.

      В состав первого кластера вошли регионы, характеризующиеся довольно низким инновационным потенциалом, низким темпом прироста ВРП, низким числом организаций, выполнявших исследования и разработки, а также высоким уровнем инфляции и доли убыточных организаций. Для него характерна низкая доля  выпуска студентов из аспирантуры с защитой диссертации и низкая доля студентов высших учебных заведений, а также низкая доля затрат на внутренние исследования и разработки. В соответствии с невысоким инновационным потенциалом, инновационная активность здесь невысока. В его состав входит и Республика Мордовия. 

 

Рисунок 2— График средних значений показателей  по кластерам 

     Во  второй кластер вошли регионы, характеризующиеся  высоким инновационным развитием. Эти регионы характеризуют высокий уровень экономического развития, имеют высокий темп прироста валового регионального продукта. В данной группе регионы с высокой численностью персонала, занятого исследованиями и разработками, а также велики внутренние затраты на исследования и разработки и кредиты, предоставляемые кредитными организациями юридическим лицам. Для регионов характерна низкая доля убыточных предприятий и износа основных фондов. В целом по второму кластеру можно отметить, что высокий уровень инновационной активности соответствует довольно благоприятному инновационному климату, сложившемуся здесь.

     Полученные  результаты статистического анализа  сопоставимы с рейтинговыми исследованиями инновационной привлекательности Республики Мордовия, которые свидетельствуют о постепенном повышении рейтинга республики, чему в большой степени способствовало принятие благоприятного инновационной политики.

      Для выявленных нами однородных групп возможно применение корреляционного анализа. Корреляционная связь – это частный случай статистической связи, когда одному значению одного явления соответствует множество значений другого явления. С изменением значения факторного признака Х закономерным образом изменяются среднее значение результативного признака У, в то время как в каждом отдельном случае индивидуальное значение признака У с различными вероятностями может принимать множество значений. Задача исследования состоит в том, чтобы выявить факторы, влияющие на инновационное развитие и определить направление их связи.

     Как отмечалось выше, к основным характеристикам  инновационного региона относится  объем инновационной продукции. Этот показатель является наиболее информативным с точки зрения анализа изучаемых процессов, поскольку характеризует успешность инновационных процессов. Поэтому для корреляционного анализа в качестве результативного показателя (У) выбран показатель удельный вес инновационной продукции в общем объеме отгруженной продукции инновационно-активных предприятий ПФО,%, а в качестве факторных показателей возьмем факторы регионального развития, которые использовались в кластерном анализе. Таким образом, исследуем состояние инновационной деятельности в Приволжском Федеральном Округе по однородным кластерам с помощью корреляционного анализа и выявим степень влияния различных факторов на объем инновационной продукции. Корреляционный анализ проведем по данным за 2010 год с использованием ППП «Statistica».

      В ходе проведенного анализа регионов первого кластера получили корреляционную таблицу, влияния факторных показателей на результативный, чем ближе коэффициент корреляции к 1, тем связь сильнее.

Таблица 1 – Таблица коэффициентов корреляции для первого кластера

 

      Таким образом, из таблицы 1 видно, что на развитие регионов первого кластера влияют такие факторы, как инвестиции в основной капитал (Х2), численность персонала, занятого исследованиями и разработками (Х7),а также внутренние затраты на исследования и разработки (Х8).

      В ходе проведенного корреляционного  анализа регионов второго кластера получили корреляционную таблицу, влияния факторных показателей на результативный.

Таблица 2 – Таблица коэффициентов корреляции для второго кластера

 

      Из таблицы 2 видно, что на развитие регионов второго кластера наибольшее влияние оказывают такие факторы, как кредиты, предоставленные кредитными организациями юридическим лицам (Х4), валовой региональный продукт (Х6), численность студентов высших учебных заведений на 10000 человек (X11).