Методология определения инновационного потенциала экономической среды

Таблица 1 

Средние значения по кластерам для 2000 г.

Кластер 1 

Кластер 2 

Кластер 3 

Кластер 4 

Кластер 5 

Кластер 6 

52,59176 

33,09462 

18,08682 

108,6684 

11,55656 

3,745411 
 

Выявленные нами кластеры включают в себя следующие  регионы:

Кластер 1: Калужская  область; Тульская область; Новгородская область; Республика Башкортостан; Томская  область.

Кластер 4: Удмуртская Республика; Нижегородская область. 

Средние значения по кластерам для 2005 г. приведены  в табл. 2. Наибольшими среди них  являются значения для кластеров 1 и 6. 

Таблица 2 

Средние значения по кластерам для 2005 г.

Кластер 1 

Кластер 2 

Кластер 3 

Кластер 4 

Кластер 5 

Кластер 6 

76,85298182 

56,74207 

34,74892 

20,3611 

6,913776 

172,7241 
 

Ниже перечислены  регионы, входящие в отобранные кластеры:

Кластер 1: Калужская  область; Новгородская область; Республика Мордовия; Удмуртская Республика; Кировская  область; Саратовская область; Ямало-Ненецкий автономный округ; Республика Саха (Якутия).

Кластер 6: Тульская область; Нижегородская область. 

И, наконец, кластерный анализ данных за 2006 г. выявил следующие  кластеры (табл. 3). 

Таблица 3 

Средние значения по кластерам для 2006 г.

Кластер 1 

Кластер 2 

Кластер 3 

Кластер 4 

Кластер 5 

Кластер 6 

208,4257273 

87,83382 

61,91567 

39,54194 

23,10005 

10,33654 
 

Кластеры с  наиболее высокими значениями включают следующие регионы:

Кластер 1 : Калужская  область; Тульская область; Нижегородская  область.

Кластер 2: Московская область; Вологодская область; Новгородская область; Республика Мордовия; Удмуртская Республика; Саратовская область; Ямало-Ненецкий автономный округ. 

На основе проведенного анализа можно отметить, что отслеживаемый  Росстатом набор статистических показателей, определяющий компоненты инновационного потенциала, не позволяет получить четко выраженные региональные кластеры, поскольку получившиеся в результате анализа матричные расстояния между отдельными регионами незначительны. В кластерном анализе объект выборки рассматривается как отдельный кластер, а процесс объединения, как говорилось выше, происходит последовательно - на основании матрицы расстояний объединяются наиболее близкие объекты. Если матрица сходства первоначально имеет размерность (M х M), то полностью процесс кластеризации завершается за (M - 1) шагов, но если матричные расстояния малы, то четкие границы определить невозможно. В этом случае деление на кластеры имеет достаточно субъективный характер. Это также подтверждается незначительными расхождениями в результатах, получаемых другими исследователями по методике кластерного анализа (см., например, [11-13]). 

Подходы к оценке инновационного потенциала, используемые рейтинговыми агентствами. Как правило, рейтинговые агентства для оценки инновационного потенциала используют метод экспертных оценок и в конечном счете вычисляют интегральные показатели уровня инновационного потенциала. В этом смысле используемая в исследовании методика в концептуальном плане повторяет имеющиеся разработки. Однако сравнить их на более содержательном уровне не представляется возможным, поскольку круг отслеживаемых агентствами показателей, как и присваиваемые экспертами веса, остаются закрытыми для широкой общественности. По утверждению разработчиков методик, это является их коммерческим ноу-хау. 

Ниже приведены  оценки уровня инновационного развития регионов РФ, рассчитанные рейтинговым  агентством «Эксперт» (табл. 4), которое, на наш взгляд, является наиболее авторитетной организацией в данной области. В этой связи именно их оценки сравниваются ниже с результатами оценок инновационного потенциала, полученными нами на основе использования двух описанных выше методик. 

Таблица 4 

Регионы с наибольшими  предпосылками для инновационного развития (по расчетам РА «Эксперт»)*

Регион (субъект  Федерации) 

Доля инновационного потенциала в совокупном потенциале региона, % 

2000 г. 

2005 г. 

2006 г. 

Нижегородская обл. 

20,0 

25,2 

23,7 

Калужская обл. 

17,0 

22,6 

21,3 

Московская обл. 

16,8 

22,0 

19,1 

Томская обл. 

16,9 

21,7 

22,0 

Новосибирская обл. 

14,0 

18,6 

19,2 

С.-Петербург 

14,0 

16,3 

21,1 

Владимирская  обл. 

12,6 

15,3 

14,2 

Воронежская обл. 

12,1 

15,2 

15,0 

Москва 

12,0 

15,2 

13,5 

Ульяновская обл. 

9,0 

14,4 

14,6 

Тульская обл. 

10,0 

14,3 

13,9 
 

* Совокупный  инновационный потенциал региона  формируется из восьми частных  потенциалов, каждый из которых  в свою очередь характеризуется  целой группой показателей (более  подробную информацию можно найти  на официальном сайте рейтингового  агентства РА-Эксперт) [14]. Доля инновационного потенциала в совокупном потенциале региона характеризует, какую часть инновационный потенциал региона занимает в совокупном потенциале каждого региона. Соответственно чем больше доля, тем выше инновационный потенциал. 

В концептуальном плане методика агентства «Эксперт»  выглядит следующим образом. Интегральный показатель инновационного потенциала рассчитывается как взвешенная сумма  частных показателей. Оценка весов  вклада каждой составляющей в совокупный потенциал получается в результате анкетирования, проведенного среди экспертов из российских и зарубежных инвестиционных, консалтинговых компаний и предприятий. (По специально разработанной анкете было опрошено около 200 чел.). 

Сравнение результатов  для 2000, 2005 и 2006 гг. и анализ использованных методик. Выявленные на основе различных методик регионы России с наиболее высоким уровнем инновационного потенциала представлены в табл. 5 (в 1-м и 3-м столбцах регионы упорядочены по уровню инновационного потенциала в порядке убывания значений этого показателя). 

На основе сравнения  результатов было установлено, что  полученные с помощью метода кластерного  анализа данные существенно отличаются от данных, полученных с помощью  двух других методик. 

Заметим при  этом, что кластерный анализ не оценивает инновационный потенциал, а располагает регионы с различными показателями в кластеры, из-за чего отсутствует возможность точного определения инновационного потенциала (повышение или понижение) за определенный период времени. 

Таблица 5 

Регионы РФ с  наиболее высоким уровнем развития инновационного потенциала

Метод экспертных оценок с использованием инте- 

Метод кластерного  анализа 

Методика РА «Эксперт» 

грального показателя   

2000 г.  

Москва 

Нижегородская обл. Пермский край Московская обл. С.-Петербург Самарская обл. Калужская обл. Тульская обл. Томская обл. Свердловская обл. Челябинская обл. 

Калужская обл. Тульская обл. Новгородская обл. Республика Башкортостан Томская обл. Удмуртская Республика Нижегородская обл. 

2005 г. 

Нижегородская обл. Калужская обл. Томская обл. Московская обл. Новосибирская обл. С.-Петербург Владимирская обл. Воронежская обл. Москва Тульская обл. Ульяновская обл. 

Нижегородская обл. Москва Пермский край С.-Петербург  Московская обл. Самарская обл. Калужская обл. Республика Татарстан Свердловская обл. Челябинская обл. Томская обл. 

Калужская обл. Новгородская обл. Республика Мордовия Удмуртская Республика Кировская обл. Саратовская обл. Ямало-Ненецкий АО Республика Саха (Якутия) Тульская обл. Нижегородская обл. 

2006 г. 

Нижегородская обл. Калужская обл. Московская обл. Томская обл. Новосибирская обл. С.-Петербург Владимирская обл. Воронежская  обл. Москва 

Ульяновская обл. Тульская обл. 

Нижегородская обл. Пермский край Москва С.-Петербург  Московская обл. Самарская обл. Калужская обл. Республика Мордовия Республика Татарстан Ульяновская обл. Свердловская обл. 

Калужская обл. Тульская обл. Нижегородская обл. Московская обл. Вологодская обл. Новгородская обл. Республика Мордовия Удмуртская Республика Саратовская обл. Ямало-Ненецкий АО 

Нижегородская обл. Томская обл. Калужская обл. С.-Петербург Новосибирская обл. Московская обл. Воронежская обл. Ульяновская  обл. Владимирская обл. Тульская обл. Москва 
 

В заключение отметим  следующее.

Для оценки уровня инновационной деятельности регионов необходим такой комплексный показатель, как инновационный потенциал. Этот параметр может помочь в выборе стратегии инновационного развития соответствующего региона, а также в выработке взвешенных управленческих решений по ее реализации. При этом важным моментом является согласованность таких решений как на региональном, так и на федеральном уровне [15].

Отслеживаемый Росстатом набор статистических показателей, определяющий компоненты инновационного потенциала, не позволяет  получить четко выраженные региональные кластеры, поскольку получившиеся в результате анализа матричные расстояния между отдельными регионами незначительны. В свою очередь предложенный выше подход позволяет не только ранжировать оцениваемые регионы, но и проследить изменения уровня их инновационного потенциала в динамике.

Оптимальных методик  оценки инновационного потенциала в  настоящее время не существует, поэтому  целесообразно исследование известных  и часто приме-няемьгх экспертных оценок. Накопление опыта в этой области позволяет в дальнейшем выработать рекомендации по совершенствованию методов присвоения региональных рейтингов инновационного потенциала. 

  

Литература 

1. www.finam.ru 

2. Кравченко  С.И., Кладченко И.С. Исследование  сущности инновационного потенциала //Науч. труды Донецкого национального технического университета. Сер.: экономическая. Вып. 68. Донецк: ДонНТУ, 2003. 

3. Кокурин Д.И.  Инновационная деятельность. М.: Экзамен, 2001. 

4. Шляхто И.В.  Оценка инновационного потенциала  региона // Управление общественными и экономическими системами. 2007. № 1. 

5. Портер М.  Конкурентное преимущество: Как  достичь высокого результата  и обеспечить его устойчивость /Пер. с англ. М: Альпина Бизнес  Букс, 2005.