Глава 3 Исследование зависимости между инновационным потенциалом и кооперационной активностью российских организаций 3.1. Исследование влияния различных факторов на склонность организаций к кооперации.
В данном разделе приведено решение основной задачи работы, а именно исследование факторов, влияющих на склонность организаций к кооперации для осуществления совместных проектов по выполнению научных исследований и разработок. В условиях необходимости интенсивного развития экономики и выхода российской продукции на международный рынок разработка и внедрение организациями технологических, процессных и продуктовых инноваций играет одну из ключевых ролей на пути к достижению этой цели и сокращению отставания от ведущих экономик мира. Учитывая сложность и немалую стоимость таких разработок, кооперация предприятий с другими предприятиями или научно-исследовательскими учреждениями может стать решением проблемы нехватки финансовых и интеллектуальных ресурсов для осуществления инновационной деятельности. Определив факторы, имеющие наиболее значимое влияние на склонность организаций осуществлять совместные проекты и научные разработки, предоставляется возможность для выявления регионов с наибольшим потенциалом к осуществлению таких проектов, а также регулирования государственной политики в области науки и инноваций.
Для исследования использованы данные, полученные из анкетных опросов по форме государственной статистики № 4-инновации по 80 субъектам Российской Федерации за 2011 год. Для решения задач анализа были использованы аналитические пакеты прикладных программ Excel, SPSS, Eviews, Statistica.
В качестве исследуемого зависимого показателя, олицетворяющего склонность к кооперации (у), использована переменная – количество совместных проектов по выполнению исследований и разработок по субъектам федерации, (ед.). В качестве независимых переменных (регрессоров) используются следующие показатели:
x1 – число организаций, участвовавших в разработке совместных проектов (ед.);
x2 – число организаций, подавших заявки на патенты (изобретения, промышленные образцы, полезные модели) и официальную регистрацию программ для ЭВМ, баз данных, топологий интегральных микросхем (ед.);
x3 – число организаций, приобретавших новые технологии (технические достижения), программные средства (ед.);
x4 – число организаций, оценивших институциональные источники информации (научные организации академического и отраслевого профиля, университеты, другие вузы) в течение 3 лет как основные (ед.);
x5 – число организаций, имевших завершенные технологические инновации в течение последних трех лет (ед.);
x6 – число организаций, имевших завершенные технологические инновации, разрабатывавшие их совместно с другими организациями (ед.);
x7 – число организаций, осуществлявших технологические инновации, пользовавшихся услугами сторонних организаций (ед.);
x8 – число организаций, осуществлявших затраты на технологические инновации за счет средств бюджета (ед.);
x9 – число организаций, осуществлявших технологические инновации, выполнявших исследования и разработки с долей затрат на НИОКР более 2% (ед.);
x10 – удельный вес инновационных товаров, работ, услуг в общем объеме отгруженных товаров, работ, услуг (%);
x11 – количество приобретенных новых технологий (ед.);
x12 – удельный вес организаций, осуществлявших технологические инновации, в общем числе обследованных организаций (%);
x13 – доля затрат на исследование и разработку новых продуктов, услуг и методов их производства в общих затратах на технологические инновации (%);
x14 – доля собственных средств организации в затратах на технологические инновации (%).
Прежде чем приступать к построению регрессионной модели, необходимо удостовериться, что данные распределены в соответствии с нормальным законом. Нормальность распределения данных является необходимым условием использования метода наименьших квадратов для оценки коэффициентов модели. Проверить выполнение этого условия можно с помощью теста Колмогорова-Смирнова (Приложение, табл. 1). Отклонение от нормального распределения существенно при значении p<0,05. Результаты теста показали, что только переменная x14 распределена по нормальному закону, остальные имеют значительные отклонения. Для того чтобы устранить грубые ошибки, засоряющие распределение, построим ящичковые диаграммы (диаграммы «ящик с усами») для каждой переменной, где наглядно показаны параметры распределения и выбросы (Приложение, рис. 1). Для примера рассмотрим такую диаграмму, построенную для переменной х1. (рис. 11). Границы «ящика» представляют собой первый и третий квартили, жирная линия в середине — это медиана (2-й квартиль). Концы «усов» — края статистически значимой выборки (без выбросов). Звездочками обозначены явные выбросы, точками – значения с подозрением на выброс.
Рис. 13. Ящичковая диаграмма для переменной х1
Диаграммы для остальных переменных представлены на рисунках 1 и 2 в приложении. Ящичковые диаграммы наглядно демонстрируют те наблюдения, которые, скорее всего, надо исключить из выборки для приближения распределение переменных к нормальному. Однако сначала стоит проверить, являются ли все эти выбросы грубыми ошибками. Для этого был использован тест Титьена-Мура [2, c. 306], позволяющий производить проверку сразу нескольких подозрительных значений. Наблюдаемое значение критерия представляет собой сумму квадратов отклонений от среднего по выборке без сомнительных наблюдений, деленую на сумму квадратов отклонений по всей выборке. Критические значения критерия находятся по таблице для вероятности ошибки, числа наблюдений в выборке и числа сомнительных наблюдений.
Для исследуемых переменных наблюдаемое значение теста не превышает критическое для всех, кроме двух, следовательно, для них все подозрительные наблюдения являются грубыми ошибками. Для двух оставшихся переменных каждое подозрительное значение проверим еще раз с помощью критерия Граббса [2, c. 303]. Наблюдаемое значение этого критерия рассчитывается для каждого наблюдения в отдельности, критическое значение тоже определяется по таблице. Если наблюдаемое значение больше критического, то наблюдение аномально. После этой проверки было установлено, что все подозрительные значения, отображенные на ящичковых диаграммах, являются грубыми ошибками, и, следовательно, их стоит исключить из выборки. После исключения выбросов в выборке остаются данные по 62 субъектам РФ, и они снова проверяются на нормальность тестом Колмогорова-Смирнова (Приложение, табл. 2). На этот раз переменные распределены по нормальному закону или, по крайней мере, закон их распределения приближен к нормальному в достаточной степени для дальнейшего анализа.
Матрица парных корреляций (Приложение, табл. 3) свидетельствует о наличии достаточно сильной связи между некоторыми переменными. Зависимый показатель количества совместных проектов (у) наиболее сильно связан с числом организаций, участвовавших в разработке совместных проектов (х1) (нетрудно понять, что эти показатели имеют практически линейную связь) и числом организаций, подавших заявки на патенты (х2), что свидетельствует о склонности к кооперации организаций, активно занимающихся научно-исследовательской работой. Переменная х1 – число организаций, задействованных в совместных проектах – также сильно связана с числом организаций, оценивших институциональные источники информации (научные организации, университеты) как основные (х4) и числом организаций, имевших завершенные технологические инновации в течение последних трех лет (х5). Отсюда можно заключить, что инновационно-активные организации, уже имеющие в своем арсенале технологические новшества, или стремящиеся к такому развитию и черпающие информацию из академических источников, более склонны к кооперации. Так как таких организаций в России относительно немного они, скорее всего, выступают источниками информации и знаний для более отсталых организаций. Также стоит отметить тесную связь числа организаций, осуществлявших технологические инновации, пользовавшихся услугами сторонних организаций (х7), которое тоже можно расценить как показатель кооперации, с числом организаций, приобретавших новые технологии (х3), что говорит о том, что сотрудничество между организациями, способствующее развитию инноваций, часто протекает на основе рыночных отношений. Это вывод был сделан и в предыдущей главе работы на основе эмпирического анализа показателей инновационной деятельности. Также переменная х7 положительна связана с числом организаций, имевших завершенные технологические инновации в течение последних трех лет (х5). Эта зависимость позволяет предположить, что любое сотрудничество (не только взаимодействие с академическими партнерами, но и с поставщиками и покупателями) способствует росту технологического потенциала организации.
Таким образом, сразу несколько переменных связаны практически линейной связью (коэффициент парной корреляции превышает 0,85). Чтобы исключить отрицательное влияние мультиколлинеарности исследуемых признаков на значимость модели, построим модель линейной регрессии методом пошагового исключения переменных. Результаты представлены в таблице 4 приложения. Наилучшая модель представлена четырьмя независимыми переменными и имеет вид:
(11,00) (0,42) (1,18) (1,54) (3,37)
 , 
Коэффициент детерминации  показывает, что 75,6% дисперсии зависимой переменной объяснено моделью. Модель в целом значима. Значение статистики Стьюдента на уровне значимости 0,1 для степени свободы 57 (вычисляется как число наблюдений минус число параметров модели) равно 1,672. Таким образом, на уровне 0,1 значимы и все коэффициенты модели, кроме β0.
При увеличении числа организаций, подавших заявки на патенты, на единицу, количество совместных проектов по выполнению исследований и разработок увеличится на 1,938. Также происходит увеличение числа совместных проектов на 2,333 при увеличении на единицу числа организаций, имевших завершенные технологические инновации, разрабатывавших их совместно с другими организациями. Результирующий показатель числа совместных проектов увеличивается на 4,382 с увеличением числа организаций, осуществлявших затраты на технологические инновации за счет средств бюджета, на 1 и на 5,882 с увеличением на 1 числа организаций, осуществлявших технологические инновации, с долей затрат на НИОКР более 2%. Таким образом, самое сильное влияние на число осуществляемых совместных проектов оказывает значительная доля затрат на научные разработки в общих затратах организации.
Построенную модель следует проверить на адекватность. Она будет считаться таковой, если ее ошибки характеризуются отсутствием гетероскедастичности и автокорреляции, а также нормально распределены. Гетероскедастичность – это явление, возникающее тогда, когда ошибки не коррелированы, но имеют непостоянную дисперсию, что противоречит предпосылке линейной модели регрессии о постоянстве дисперсии ошибок. Один из способов проверки остатков модели на наличие этого явления – тест Уайта. Он заключается в том, что в случае гетероскедастичности дисперсия ошибок некоторым образом зависит от регрессоров, а гетероскедастичность отражается в остатках регрессии исходной модели. Поэтому выдвигается гипотеза, что коэффициенты регрессии квадратов остатков на регрессоры (и их комбинации) равны 0. Тест Уайта [1, c. 307] , проделанный в пакете Eviews, показал незначимость всех коэффициентов регрессии ошибок на независимые переменные, следовательно, гетероскедастичность отсутствует (Приложение, табл. 5).
Нормальность ошибок проверена с помощью уже использованной ранее процедуры Колмогорова-Смирнова (Приложение, табл. 6). Наблюдаемое значение статистики не превышает ее критического значения (0,634<0,654), следовательно, гипотеза о нормальности остатков не отвергается на уровне значимости 0,05. Таким образом, можно сделать вывод о достаточно высоком качестве модели для использования ее в целях прогнозирования.
Еще одним способом снизить размерность и избавиться от мультиколлинеарности является факторный анализ методом главных компонент [1, c. 515-639]. В таблице 7 в приложении приведена дисперсия, объясненная каждой из компонент. Суммрная дисперсия для первых четырех компонент превышает 75%, следовательно, эти четыре компоненты будут подвержены дальнейшему анализу. По матрице компонент определяется принадлежность переменных к выделенным компонентам. Таким образом, в первую компоненту входят переменные х1-х9 и х11; во вторую – х13, х14; в третью – х12; в четвертую – х10 (Приложение, табл. 8). Исходя из этого, первую компоненту можно проинтерпретировать как показатели инновационной активности организаций, осуществляющих инновационную деятельность, вторую – как затраты организаций на инновационную деятельность, третью – как общую инновационную активность организаций по стране, четвертую – как результативность инновационной деятельности.
Чтобы проверить значимость компонент и их влияние на результирующий показатель количества совместных проектов, была построена регрессия на выделенные компоненты методом последовательного исключения переменных. Результаты представлены в таблице 9 приложения. Строго говоря, значимой можно считать только последнюю модель с одним регрессором – первой компонентой. Коэффициент при ней значим на уровне 0,05. 67,7% общей дисперсии объясняется моделью. Сложность интерпретации такой модели заключается в том, что в первую компоненту входит слишком много переменных. С точки зрения влияния на кооперацию по этой модели тоже сложно сделать конкретные выводы, так как переменные, напрямую связанные с кооперацией, не выделяются в отдельную компоненту, а присутствуют в первой вместе с другими показателями инновационной активности. Модель, в которую входят 2 регрессора – первая и вторая компонента, отвечающая за затраты организаций на исследования и разработки, также значима, и ей объяснено 68,5% общей дисперсии. Однако коэффициент при второй компоненте значим только на уровне 0,2. Таким образом, эта модель может быть использована при учете исследователем этой особенности.
3.2. Проведение региональной классификации по факторам инновационной активности
Россия – огромная страна, регионы которой имеют свои экономические, ресурсные, географические и культурные особенности, что создает различные условия для развития разных видов предприятий и организаций, а также разные условия для развития инновационной деятельности. Кроме того, Россия все еще находится на пути к перестройке внутренних хозяйственных отношений: со времен значительного снижения роли государства в регулировании экономических процессов произошла заметная диверсификация между различными регионами, особенно между центральными и отдаленными субъектами. Именно поэтому сравнивать регионы одновременно между собой и интерпретировать результаты такого анализа весьма непросто. Государственная политика в области науки и инноваций также должна учитывать региональные различия и ориентироваться на принятие диверсифицированных мер.
Предварительный анализ показал, что по всем количественным переменным в лидерах оказываются высокоразвитые регионы и федеральные центры: Москва, Санкт-Петербург, Нижегородская и Свердловская области, республики Татарстан и Башкортостан. Эти субъекты федерации лидируют по количеству совместных научно-исследовательских проектов, числу поданных заявок на патенты и числу организаций, имевших завершенные технологические инновации в течение последних трех лет. Аутсайдерами по этим параметрам являются такие «трудные» регионы как Чукотский автономный округ, Чеченская республика, республики Ингушетия и Калмыкия. Таким образом, становится очевидно, что экономически развитые регионы в большей степени ориентированы на инновационную деятельность. Среди лидеров по числу организаций, осуществлявших затраты на технологические инновации за счет средств бюджета находятся уже перечисленные выше передовые регионы, кроме того, на третьем месте по этому показателю располагается Приморский край, который попал в лидирующую группу, за счет активного финансирования во время подготовки к саммиту АТЭС. Присутствие регионов-лидеров на первых местах и в этой категории говорит о том, что государство активнее всего финансирует именно высокоразвитые субъекты. По показателю удельного веса инновационной продукции в общем объеме отгруженной продукции на первых местах оказываются совсем другие регионы: Сахалинская область, Карачаево-Черкессия и Мордовия, что, возможно, объясняется малым объемом выборки предприятий в данных регионах. Москва и Санкт-Петербург оказываются по этому параметру далеко не на первых местах.
С целью выявления различий между регионами и разделения их на группы в соответствии с этими различиями, проведена классификация методом кластерного анализа. Субъекты РФ разделены на кластеры по следующим показателям:
v1 – количество совместных проектов по выполнению исследований и разработок, ед.;
v2 – число организаций, подавших заявки на патенты (изобретения, промышленные образцы, полезные модели) и официальную регистрацию программ для ЭВМ, баз данных, топологий интегральных микросхем, ед.;
v3 – число организаций, приобретавших новые технологии (технические достижения), программные средства, ед.;
v4 – удельный вес инновационных товаров, работ, услуг в общем объеме отгруженных товаров, работ, услуг, %;
v5 – удельный вес организаций, осуществлявших технологические инновации, в общем числе обследованных организаций, %.
В виду сильной дифференциации по количественным показателям между экономически развитыми ведущими и всеми остальными регионами, а также в виду их исключения из выборки во время проверки на нормальность, эти регионы стоило заранее поместить в отдельный кластер. В него вошли: Москва, Санкт-Петербург, Нижегородская и Свердловская области, республики Татарстан и Башкортостан. Для определения количества кластеров среди оставшихся наблюдений была использована иерархическая классификация [1, c. 483-502] методами ближнего и дальнего соседа, центроидным, медианным и методом Варда. Практически все методы говорят о целесообразности разбиения совокупности на 3 кластера. Дендрограмма по методу Варда приведена в приложении на рисунке 3.
На дендрограмме наглядно продемонстрировано объединение регионов России по выбранным показателям в три кластера. На графике расстояний агломерации (рис. 4 в приложении) существенный скачок наблюдается за три шага до конца объединения, что также свидетельствует об оптимальном выборе трех кластеров.
Для распределения субъектов федерации по кластерам был использован метод К-средних [1, c. 503] с заданным числом кластеров – три. Таким образом, без учета шести регионов-лидеров, в первый кластер входит 10 экономически развитых регионов, среди которых Воронежская, Московская, Ростовская, Пензенская, Самарская, Тюменская, Челябинская, Новосибирская области, Краснодарский и Пермский край. Во второй кластер входит 24 региона, имеющие более низкие показатели экономического развития и инновационной активности. В третий же кластер входят 40 оставшихся регионов, среди которых аутсайдеры, выделенные на этапе предварительного анализа, удаленные регионы, а также регионы со слабо развитым промышленным производством, с преобладанием сельского хозяйства.
Визуально разница между кластерами по пяти показателям представлена на рисунке 15.
Рис. 15. Средние значения по кластерам
По таким показателям как количество совместных проектов и количество поданных заявок на патенты первый кластер, даже без учета регионов-лидеров, значительно превосходит оставшиеся, а в третьем кластере по этим параметрам наиболее ощутимо отставание. По числу организаций, приобретавших новые технологии, кластеры различаются не столь заметно, но все же средний показатель по первому кластеру выше, чем по второму и третьему. Средний удельный вес инновационной продукции в общем объеме отгруженной продукции в третьем кластере превышает аналогичный показатель в первых двух. Это может объясняться малыми объемами продукции, производимой и отгруженной этими регионами, а также более низким числом обследуемых организаций. Удельный вес организаций, осуществлявших технологические инновации, в общем числе обследованных организаций, слабо различается между кластерами, однако в третьем он все равно наименьший, а во втором даже немного выше, чем в первом. Это может свидетельствовать о неплохом потенциале предприятий и организаций в регионах второго кластера. Инновационная деятельность и показатели кооперации могут достигнуть уровня первого кластера и регионов-лидеров в случае достаточного внимания к ним государства и проведения стимулирующей политики.
|
