Анализ и моделирование инновационной активности малых и средних предприятий
Исследование экономических факторов, влияющих на показатели количества малого инновационного бизнеса и объемы отгруженной инновационной продукции с помощью корреляционного, регрессионного анализа, анализа временных рядов и на основании панельных данных.
| Рубрика | Экономико-математическое моделирование |
| Вид | дипломная работа |
| Язык | русский |
| Дата добавления | 30.01.2016 |
| Размер файла | 1,2 M |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
В 2 кластер (42% общего числа рассмотренных регионов) входят традиционно промышленные регионы - Кировская область, Красноярский край, крупные аграрные центры с выстроенной внутренней производственной системой. Кластер является лидером по результативным показателям, а именно удельному весу малых предприятий, осуществлявших технологические инновации в отчетном году, в общем числе обследованных малых предприятий и удельному вес инновационных товаров, работ, услуг в общем объеме отгруженных товаров, выполненных работ, услуг малых предприятий, но имеет отставание по показателям затрат и поданных патентных заявок. Это кластер «промышленные регионы»
В 3 кластер вошли регионы, в которых роль малые предприятий невелика, патентных заявок подается сравнительно мало, и инновационное развитие этих регионов пока не входит в приоритетные задачи правительства, в основном это аграрные, сельскохозяйственные районы страны и регионы в которых преобладают предприятия легкой промышленности. Это кластер «регионы со слабым инновационно-техническим развитием».
Существует еще один поход к стратификации регионов- это метод расщепления смесей. Регионы страны отличаются неравномерным присутствием на их территориях различных производств и характеризуются отличиями в экономической, социально-политической и других сферах. При построении моделей это надо учитывать, поэтому рассмотрим объемам затрат на технологические инновации малых предприятий, нормированный относительно масштаба региона, определяемого численностью его населения, x [руб. / 1000 чел.].
Чтобы классифицировать регионы (всего в анализе участвуют 75 субъектов) по данному признаку прибегнем к расщеплению смесей нормальных распределений, предварительно эмпирически прикинув количество компонент и их вид. На рис. 21 приведены данные по показателю «логарифм объёма затрат на технологические инновации малых предприятий на 1000 чел. за 2011 год» (аналогичный график за 2009 год в приложении).
Рис. 19 Логарифм объема затрат на технологические инновации малых предприятий, на 1000 чел, [2009, 2011, 2013 гг.]
Наилучшим для аппроксимации и интерпретации результатов оказалось представление совокупности регионов в виде трех страт. Записываем начальные параметры нашего приближения, и максимизируем функция правдоподобия, исходя из предположения о смеси трех нормально распределенных компонент.
Функция правдоподобия выглядит следующим образом:
,
Таблица 8 Максимально правдоподобные оценки
|
Максимально правдоподобные оценки параметров смеси распределений |
||||||||||
|
2009 |
2011 |
2013 |
||||||||
|
i |
||||||||||
|
1 |
0 |
1,73 |
0,07 |
0,13 |
1 |
0,04 |
0,52 |
1,32 |
0,20 |
|
|
2 |
2,7 |
1,09 |
0,56 |
3,79 |
0,92 |
0,76 |
3,14 |
0,98 |
0,38 |
|
|
3 |
4,02 |
1,1 |
0,37 |
5,38 |
0,68 |
0,2 |
4,78 |
1,02 |
0,42 |
Построим модели регионов по полученным данным и определим, насколько менялись границы страт за 5 лет.
Рис. 20 Модель распределения регионов по уровню затрат на технологические инновации малых предприятий, 2009 год
Рис. 21 Модель распределения регионов по уровню затрат на технологические инновации малых предприятий, 2011 год
В 2009 году количество регионов, в которых наиболее активно инвестировались средства в технологические инновации, незначительно превосходит регионы со средним показателем
В целом затраты на технологические инновации малых предприятий, приходящиеся на душу населения, возросли в период с 2009 по 2011 год. В 2011 году можно наблюдать резкое увеличение таких «средних» регионов и их превосходство над «лидерами» более, чем в 2 раза.
Рис. 22 Модель распределения регионов по уровню затрат на технологические инновации малых предприятий, 2013 год
В 2013 году разрыв между «средними» регионами и «лидерами» сократилось в полтора раза. В целом, тенденции группировки регионов методом кластерного анализа и метода расщепления смесей совпадают. Количество инновационное активных регионов в два раза меньше, чем количество средних по инновационному развитию регионов. Но стоит обратить внимание, что на распределение регионов по группам в кластерном анализе, кроме затрат на технологические инновации, влияют и другие предикторные факторы, кроме того в методе расщепления смесей показать берётся в расчёте на 1000 человек.
Увеличение количества инновационно - активных регионов и рост затрат на инновации является хорошим знаком растущего интерес к развитию технологий. В регионах инновации становятся важным элементом повышения инвестиционной привлекательности.
3.2 Регрессионный анализ влияния общих экономических показателей на количество отгруженного инновационного товара МП
При анализе инновационной активности региона важно понимать, как те или иные экономические данные влияют на инновационные показатели. В качестве зависимой переменной можно рассматривать и удельный вес инновационный вес малых предприятий в общем числе предприятий по региону, и удельный вес отгруженных инновационных товаров малых предприятий в общем количестве отгруженных товаров малыми предприятиями. Такой анализ поможет понять, какой из показателей наиболее значим в итоге: например, использование передовых производственных технологий или затраты на технологические инновации.
Построим вначале модель линейной регрессии, взяв в качестве результирующей переменной Y - удельный вес инновационных товаров, работ, услуг в общем объеме отгруженных товаров, выполненных работ, услуг малых предприятий;
X1 - используемые передовые производственные технологии по субъектам Российской Федерации;
X2 - Затраты на технологические инновации малых предприятий;
X3 - выдано патентов и охранных документов по субъектам РФ;
X4 - число организаций, выполнявших научные исследования и разработки, по субъектам Российской Федерации
X5 - инвестиции в основной капитал;
X6 - число организаций, имевших научно-исследовательские, проектно-конструкторские подразделения, единиц.
Данные представлены Росстатом за 2012 год, денежные показатели приводятся в млн. руб.
Данные рассматриваются на уровне областей, автономных округов и краев, не рассматривались регионы, содержащее пропуски в предоставленной информации, это такие регионы, как Калмыкия, Ямало-Ненецкий автономный округ, республика Хакасия и некоторые другие. В итоге для анализа был оставлен 71 субъект федерации.
Анализ корреляционных матриц говорит о значительной прямой зависимости показателя Y от объясняющих переменных. Коэффициенты корреляции варьируются между 0,183 и 0,827. Самая слабая коррелированность наблюдается между результирующим показателем «удельный вес инновационных товаров, работ, услуг в общем объеме отгруженных товаров, выполненных работ, услуг малых предприятий» и «используемые передовые производственные технологии по субъектам Российской Федерации» (X1) (ryx1 =0,183).
Наиболее сильно коррелированы с Y показатель «Затраты на технологические инновации малых предприятий» (X2) (ryx2 =0,494).
Таблица 9 Матрица корреляций по всем регионам
|
|
Y |
X1 |
X2 |
X3 |
X4 |
X5 |
X6 |
|
|
Y |
1 |
,183 |
,494** |
,253* |
,326* |
,247 |
,434** |
|
|
X1 |
,183 |
1 |
,437** |
,730** |
,650** |
,366** |
,803** |
|
|
X2 |
,494** |
,437** |
1 |
,593** |
,684** |
,277* |
,664** |
|
|
X3 |
,253* |
,730** |
,593** |
1 |
,827** |
,497** |
,808** |
|
|
X4 |
,326* |
,650** |
,684** |
,827** |
1 |
,453** |
,822** |
|
|
X5 |
,247 |
,366** |
,277* |
,497** |
,453** |
1 |
,471** |
|
|
X6 |
,434** |
,803** |
,664** |
,808** |
,822** |
,471** |
1 |
Проведем предварительный анализ данных и дадим его краткое описание.
На основании описательных статистик и критериев Колмогорова - Смирнова и Шапиро - Уилка был сделан вывод, что лишь по зависимой переменной Y не отвергается гипотеза о нормальном распределении данных, кто тому же в ней нет аномальных значений, в отличие от объясняющих переменных. Удалим регионы, которые имеют аномальные значения: это Тюменская область (экстремальное значение по показателю «Инвестиции в основной капитал»), а так же г. Москва, Санкт- Петербург, Московская область, чьё обследование надо проводить отдельно; построим степенную регрессионную модель, используя в качестве предикторов логарифмированные величины показателей - lnX1, lnX2, lnX3, lnX4, lnX5, lnX6. Степенная регрессионная модель была выбрана в качестве основной из-за большого количества денежных показателей в списке факторов. В качестве алгоритма регрессионного анализа был выбран метод пошагового включения переменных.
Таблица 10 Характеристики степенной регрессионной модели
|
Модель |
Нестандартизованные коэффициенты |
Стандартизованные коэффициенты Бета |
t |
Знч. |
||
|
B |
Стд. Ошибка |
|||||
|
(Константа) |
-1,718 |
1,965 |
-,874 |
,386 |
||
|
lnX1 |
,032 |
,315 |
,016 |
,102 |
,919 |
|
|
lnX2 |
,402 |
,177 |
,311 |
2,270 |
,027 |
|
|
lnX3 |
,137 |
,254 |
,098 |
,539 |
,592 |
|
|
lnX4 |
-,208 |
,388 |
-,086 |
-,536 |
,594 |
|
|
lnX5 |
-,270 |
,174 |
-,207 |
-1,556 |
,126 |
|
|
lnX6 |
,760 |
,308 |
,455 |
2,471 |
,017 |
|
|
a. Зависимая переменная: lnY |
Значение R2= 0, 44, то есть значение результирующего признака объяснено на 44%. Значимыми оказались переменные X6 - число организаций, имевших научно-исследовательские, проектно-конструкторские подразделения, единиц, X2 - Затраты на технологические инновации малых предприятий, и уравнение имеет вид
Значение Fнабл=6,95 >Fкр (71-6=65, 6-1=5, 0,05) = 2,37 на уровне 0,05 указывает на то, что построенное уравнение регрессии значимо.
Коэффициенты регрессии при экономическом анализе можно интерпретировать как средние нормативы отдачи соответствующих факторов.
Проведённый тест Уайта показывает, что расчётная вероятность допустить ошибку равна p=0,49. Дисперсия остатков однородна, гипотеза H0 о гомоскедастичности остатков не отвергается. Тест Бреуша -Пагана так же не отвергает гипотезу о постоянстве дисперсии в остатках. Коэффициенты регрессионного уравнения показывают, на сколько процентов увеличиться в среднем удельный вес инновационных товаров, работ, услуг в общем объеме отгруженных товаров, выполненных работ, услуг малых предприятий, если соответствующий фактор увеличивается на 1 %, а уровень всех остальных показателей остался без изменений.
Так, коэффициент регрессии при Х2 показывает, что при увеличении затрат на технологические инновации малых предприятий на 1% удельный вес инновационных товаров и услуг увеличивается на 0,4%, а при увеличении числа организаций, имевших научно-исследовательские, проектно-конструкторские подразделения на 1%, происходит увеличение результирующего показателя на 0,8%.
На качественном уровне можно дать следующую интерпретацию построенной модели: удельный вес инновационных товаров, работ, услуг в общем объеме отгруженных товаров, выполненных работ, услуг малых предприятий растет с увеличением
· числа организаций, имевших научно-исследовательские, проектно-конструкторские подразделения,
· затраты на технологические инновации малых предприятий.
Инновационное развитие малых предприятий по регионам зависит от множества факторов, многие из которых не рассмотрены в представленной модели, однако они могут значительно повлиять на конченые результаты. Такими факторами являются экономические предпосылки: финансовая база, возможности гибкого кредитования, поддержка местными органами власти; технические факторы: существующие мощности, помогающие развитию инновационной среды, развитые коммуникации, а так же обученность персонала, хорошее планирование рабочего процесса, мотивированность на результат. Понятно, что именно признаки, связанные с человеческим фактором, наиболее сложно поддаются оценки и учету в моделировании и прогнозировании.
Территориальный состав Российской федерации чрезвычайно разнообразен по своим социальным и экономическим показателям, поэтому строить одинаковую модель инновационного развития для всех регионов порой выглядит нецелесообразно.
Поэтому постараемся разбить регионы на «лидеров» (регионы с высокими показателями) и «отстающих» на основании показателя «Рейтинг инновационного развития субъектов Российской Федерации в 2014 году».
Лидерами данного рейтинга являются Москва, Республика Татарстан и Санкт-Петербург. В первую группу наиболее прогрессивных, с точки зрения развития инноваций, регионов также вошли: Нижегородская область, Калужская область, Чувашская Республика, Свердловская область, Томская область, Московская область, Ульяновская область, Пермский край, Новосибирская область. Нижние строчки рейтинга занимают: Республика Ингушетия, Республика Калмыкия, Чеченская Республика. Лучше других дела с инновациями обстоят у Приволжского федерального округа, Центрального, Сибирского, Уральского и Северо-Западного округов. В аутсайдерах -- Северо-Кавказский федеральный округ.
Построим общую линейную регрессию по 57 регионам (исключены автономные округа в составе областей, краев, а также регионы, не имеющие полного набора данных, а так же регионы, имеющие выбросы в данных). Результирующая переменная: объема отгруженных товаров и услуг малыми инновационными предприятиями в 2013 году (innov_goods_2003). Факторы: используемые передовые производственные технологии по субъектам Российской Федерации в 2013 году (indust_tech_2013); логарифмированный показатель объемов инвестиций в основной капитал( млн. руб.), в 2013 году (ln_invest_main_capital_2011); затраты на технологические инновации малых предприятий по субъектам Российской Федерации (млн. рублей) в 2013 году (ln_tech_expend_2013); средняя численность занятых в малом предпринимательстве в 2013 году (employment_2013); логарифмированные затраты на науку и технологии (млн. руб.) за 2011 и 2013 гг. (ln_science_2011 и ln_science_2013). Данный набор факторов поможет полнее рассмотреть влияние экономических, научных, социальных показатели на инновации.
Стоит отметить, что денежные показатели берутся в модели за предыдущий период (2011 год) из-за временного лага отдачи от денежных вложений в экономику.
Общая модель по регионам имеет следующий вид:
Она оказалась значимой F=31,23; коэффициенты детерминации R2 =0,79, R2скорр =0,76.
Гипотеза H0 о гомоскедастичности не отвергается тестами Уайта и Бреуша-Пагана (статистики см. в Приложении). Значимыми оказались переменные: логарифм затрат на технологические инновации малых предприятий по субъектам Российской Федерации (млн. рублей) в 2013 году (ln_tech_expend_2013); средняя численность занятых в малом предпринимательстве в 2013 году (employment_2013), используемые передовые производственные технологии по субъектам Российской Федерации в 2013 году (indust_tech_2013).
Ожидаемо, что первые два показателя положительно влияют на результирующую переменную. Отрицательный знак перед значимой переменной - используемые передовые производственные технологии можно объяснить различными стратегиями в инновационном поведении регионов:
· стратегия 1 - деятельность без прорывных проектов. Достаточно много предприятий осуществляют технологические инновации, но при этом затраты на инновационное развитие небольшие. (Алтайский край, г. Санкт-Петербург, Нижегородская область);
· стратегия 2 - передовые практики. Доля малых предприятий средняя, однако их затраты на инновации составляют довольно большую часть бюджета. (Республика Татарстан, Калужская область, Новосибирская область). Стратегия 2 предположительно должна обеспечивать существенный рост производительности труда;
· стратегия 3 - доля малых предприятий и затрат на технологические инновации имеют средние значения (Московская область, Краснодарский край, Свердловская область).
Коэффициенты регрессии при экономическом анализе можно интерпретировать как средние нормативы отдачи соответствующих факторов, т.е. коэффициенты регрессионного уравнения показывают, на сколько единиц менялся в среднем объем отгруженных товаров и услуг малыми инновационными предприятиями в 2013 году, если соответствующий фактор увеличивается на единицу, а уровень всех остальных не менялся. Таким образом при росте логарифма затрат на технологические инновации малых предприятий на единицу, объем отгруженных товаров и услуг малыми инновационными предприятиями в 2013 возрастал на 113,62 млн. Можно сказать, что прослеживается достаточно сильная эластичность объема отгруженных инновационных товаров по затратам на технологические инновации. При росте показателя «средняя численность занятых в малом предпринимательстве в 2013 году (чел.)» на единицу объем отгруженных товаров и услуг малыми инновационными предприятиями в 2013 рос на 0,002 млн. А вот показатель «число используемые передовые производственные технологии по субъектам РФ в 2013 году» даёт несколько парадоксальный результат: при росте показателя на единицу, объем отгруженных инновационных товаров по затратам на технологические инновации снижался на 0,04 млн.
Постараемся улучшить модель, построив регрессию, используя рассмотренные выше факторы для прогрессивных и отстающих регионов. Для регионов - “лидеров” (31 регион) модель имеет следующий вид:
Коэффициенты детерминации: R2 =0,79, R2скорр =0,76.
Для “отстающих” регионов (26 регионов) модель имеет следующий вид:
Коэффициенты детерминации: R2 =0,76, R2скорр =0,65. В целом, F-статистики свидетельствуют о том, что модели значимы, однако проблема неопределенности в корреляции остатков по-прежнему остаётся. Кроме того, значимость переменных и знаки перед ними совпадают с общей моделью.
Рассмотри для линейной регрессионной модели тест Чоу, статистический тест, позволяющий оценить значимость улучшения регрессионной модели после разделения исходной выборки на части.
Нулевая гипотеза: , то есть о том, равны ли коэффициенты регрессии по двум подвыборками.
Значение статистики:
где - остаточная дисперсия регрессии по всей выборке, - остаточная дисперсия регрессии по i-й подвыборке, k - число регрессоров, l,m - число наблюдений в каждой из подвыборок.
В нашем случае F - статистика получилась следующей: Fнабл=0,3, а Fкр ( 0,05; 6; 57-2*6) = 2,34. Тем самым Fнабл < Fкр, и можно сделать вывод о том, что в нашем случае разбивать выборку на две подгруппы нецелесообразно, модели по подвыборка не дают выйгрыша в улучшении значимости переменных и модели в целом.
Построим регрессионную модель с целью моделирования и прогнозирования величины объема отгруженной инновационной продукции по малым предприятиям, используя метод главных компонент.
Использование главных компонент - это, во-первых, один из способов борьбы с мультиколлинеарностью, а во-вторых, веса при главных компонентах позволяют выяснить, в каком направлении лучше всего действовать с целью увеличения объема инновационной продукции. В модели использованы следующие факторы:
X1 - затраты организации на технологические инновации;
X2 - внутренние затраты на научные исследования и разработки;
X3 - затраты организаций на маркетинговые исследования;
X4 - инвестиции в основной капитал
X5 - затраты организаций на обучение и подготовку персонала, связанные с инновациями
X6 - затраты организаций на приобретение программных средств
X7 - затраты организаций на производственное проектирование, дизайн и другие разработки новых продуктов, услуг и методов их производства (передачи), новых производственных процессов
Y - объём инновационных товаров, работ, услуг организаций, осуществлявших технологические инновации
Таблица 11 Значения корреляции факторов
|
|
Tech |
science |
marketing |
major_cap |
education |
programs |
proects |
innov_products |
|
|
Tech |
1 |
0,126 |
0,185 |
0,227 |
0,635 |
0,257 |
0,413 |
0,167 |
|
|
science |
0,126 |
1 |
-0,225 |
0,790* |
0,628 |
0,681 |
0,805* |
0,785* |
|
|
marketing |
0,185 |
-0,225 |
1 |
0,079 |
0,197 |
0,331 |
-0,32 |
0,107 |
|
|
major_cap |
0,227 |
0,790* |
0,079 |
1 |
0,761* |
0,589 |
0,524 |
0,964** |
|
|
education |
0,635 |
0,628 |
0,197 |
0,761* |
1 |
0,47 |
0,666 |
0,801* |
|
|
programs |
0,257 |
0,681 |
0,331 |
0,589 |
0,47 |
1 |
0,321 |
0,495 |
|
|
proects |
0,413 |
0,805* |
-0,32 |
0,524 |
0,666 |
0,321 |
1 |
0,593 |
|
|
innov_products |
0,167 |
0,785* |
0,107 |
0,964** |
0,801* |
0,495 |
0,593 |
1 |
|
|
*. Корреляция значима на уровне 0.05 (2-сторон.). |
|||||||||
|
**. Корреляция значима на уровне 0.01 (2-сторон.). |
Для оценки влияния этих показателей на объем отгруженной инновационной продукции были выделены три главные компоненты, которые на 88,66% воспроизводят матрицу корреляций.
Три главные компоненты имеют следующий экономический смысл: u1 связана с обновлением основных фондов, u2 - c маркетинговыми исследованиями и инновациями, u3 - с деятельностью, связанной с разработкой и выглядят следующим образом:
.
По критерию сферичности Бартлетта, проверяющий многомерную нормальности критерий и отличие корреляции от 0, значение p меньшее 0,05,. Это указывает на то, что данные вполне приемлемы для проведения факторного анализа.
Интерпретация:
Регрессионная модель с главными компонентами в качестве объясняющих переменных имеет вид:
Связь между компонентами результирующим показателем y является довольно сильной. Отрицательный коэффициент при компоненте u3, связанной с маркетинговыми исследованиями, объясняется длительным периодом проявления их влияния на рост инновационной продукции.
Для прогнозирования значений главных компонент будет использовать экспоненциальное сглаживание с коэффициентом 0.3, получим следующие значения на 2014 год: u1 = 8.72, u2 = 8.23, u3 = -1,57. Прогнозное значение объемов инновационных товаров, работ, услуг организаций, осуществлявших технологические инновации, составляет 184899,6 млн. руб.,
что на 10% ниже, чем в 2013 году. Это может объясняться снижение затрат на маркетинговые инновации и исследования и затрат на приобретение программных средств.
Можно предположить, что затраты на приобретение оборудования будут оказывать влияние на объем инновационной продукции и в последующие годы. Это говорит
о том, что необходимо определять корреляцию в остатках - зависимость данных от значений этих показателей в предыдущие годы. Выпишем значения автокорреляционной функции и частной автокорреляционной функции.
Таблица 12 Коэффициенты автокорреляционной функции
|
Автокорреляции |
Частные автокорреляции |
|||||
|
Ряд: |
Standardized Residual |
Ряд: |
Standardized Residual |
|||
|
Лаг |
Автокорреляция |
Стд. Ошибкаa |
Лаг |
Частная автокорреляция |
Стд. Ошибка |
|
|
1 |
-,153 |
,296 |
1 |
-,153 |
,354 |
|
|
2 |
-,263 |
,274 |
2 |
-,293 |
,354 |
|
|
3 |
,216 |
,250 |
3 |
,133 |
,354 |
|
|
4 |
-,314 |
,224 |
4 |
-,376 |
,354 |
|
|
5 |
-,199 |
,194 |
5 |
-,256 |
,354 |
|
|
6 |
,154 |
,158 |
6 |
-,194 |
,354 |
Эти значения дают повод считать, что временной ряд для остатков есть процесс Юла - авторегрессия порядка 2 (AR(2)).
Вначале рассмотрим авторегрессию порядка 1, AR(1). Для оценки значимости коэффициента корреляции статистика Дарбина - Уотсона [9]. На уровне значимости равным 0.05 при n = 7 и k = 3 по таблице статистики Дарбина - Уотсона находим, что dL = 0.46 и dU = 1.896. Так как DW = 2(1- с1)=2.306 > 4-1.896=2.104, то принимаем решение: есть отрицательная корреляция, т.е. этот коэффициент значимо отличается от нуля и отрицателен. В таком случае, зависимость объема инновационных товаров, работ, услуг организаций, осуществлявших технологические инновации, может быть представлена в виде следующей зависимости:
Прогноз объема инновационных товаров, работ, услуг на 2014 г. составил 150848,39 млн. руб.
Рассмотрим процесс Юла AR(2) с остатками, преобразованными следующим образом:
.
Коэффициенты б1 и б2 записываются следующим образом:
В таком случае зависимость объема инновационных товаров, работ, услуг организаций, осуществлявших технологические инновации, может быть представлена в виде следующей зависимости:
Прогноз объема инновационных товаров, работ, услуг на 2014 год составил 151849,55 млн. руб.
Подходы в построении модели, учитывающие лаговые переменные, позволяют сделать прогноз более точным и приближенным к реальным цифрам.
Применение таких моделей позволяет повысить обоснованность планируемых показателей и принимаемых решений по управлению инновационной деятельностью на промышленных предприятиях.
3.3 Классификация регионов по индексу организационных инноваций на малых предприятиях
Рассмотрение организационных инноваций в контексте малого предпринимательства может быть целесообразно по ряду причин:
1. организационные инновации направлены на экономию всех видов издержек;
2. у организационных инноваций самая быстрая отдача, не требующая больших стартовых инвестиционных вложений, что очень важно для малого бизнеса.
Для анализа влияния организационных инноваций на удельный вес отгруженного инновационного товары МП возьмем сводную таблицу удельного веса организаций, осуществлявших отдельные виды организационных инноваций в общем числе организаций, имевших организационные инновации в течение последних трех лет (до 2012 года). Взяв результирующий показатель удельный объем отгруженных инновационных товаров малых предприятий за 2012 год, мы можем проследить, каково влияние инноваций на произведенные услуги и товары, ведь в среднем сроки реализации инновационных работ в среднем и составляет 3 года.
Факторный анализ произведем на основании таблицы «Удельный вес организаций, осуществлявших отдельные виды организационных инноваций в общем числе организаций, имевших организационные инновации в течение последних трех лет в 2012 году (в процентах)», полученной на основании формы 4-Инновации.
В таблице представлены следующие показатели:
· Разработка и реализация новой или значительно измененной корпоративной (акционерной) стратегии (U1)
· Внедрение современных (на основе информационных технологий) методов управления организацией (U2)
· Разработка и внедрение новых или значительно измененных организационных структур в организации (U3)
· Нововведения в использовании сменного режима рабочего времени (U4)
· Применение современных систем контроля качества, сертификации товаров, работ, услуг (U5)
· Внедрение современных систем логистики и поставок сырья, материалов, комплектующих (“Точно в срок” и т.п.) (U6)
· Создание специализированных подразделений по проведению научных исследований и разработок, практической реализации научно-технических достижений (технологические и инжиниринговые центры, малые инновационные предприятия) (U7)
· Внедрение корпоративных систем управления знаниями (U8)
· Реализация мер по развитию персонала (организация корпоративного и/или индивидуального обучения, создание/развитие структур по обучению и повышению квалификации персонала) (U9)
Попробуем обобщить данные признаки и сократить число параметров в модели.
Построив матрицу парных коэффициентов корреляции сделаем вывод, что значение корреляции относительно высокое для переменных U1-U5, U1- U6, U1-U8, U1-U9, U2-U6, U2-U8, U3-U8, U4- U5, U4-U6, U4-U9 .
Целесообразность выполнения факторного анализа определяется наличием корреляций между переменными. Критерий сферичности Бартлетта (Bartlett's Test of Sphericity) проверяет нулевую гипотезу об отсутствии корреляций между переменными в генеральной совокупности. Критерий адекватности выборки Кайзера-Мейера-Олкина (Kaiser-Meyer-Olkin Measure of Sampling Adequacy) позволяет проверить, насколько корреляцию между парами переменных можно объяснить другими переменными (факторами).
Таблица 13 Проверка целесообразности факторного анализа
|
Мера адекватности и критерий Бартлетта |
|||
|
Мера выборочной адекватности Кайзера-Мейера-Олкина. |
,633 |
||
|
Критерий сферичности Бартлетта |
Прибл. хи-квадрат |
83,262 |
|
|
ст.св. |
36 |
||
|
Знч. |
,000 |
Нулевую гипотезу о том, что корреляционная матрица является единичной, отклоняем в соответствии с критерием сферичности Бартлетта. Приближенное значение статистики равно 83,262 с 36 степенью свободы, она является значимой на уровне 0,05. Значение статистики КМО (0,633) большое (>0,5). Вывод: факторный анализ является приемлемым методом для анализа.
На основании критерия «каменистой осыпи» Кеттела установим, что количество главных компонент в данном случае 3, поскольку количество собственных значений, превышающих единицу, равно 3.
Рисунок 23 График собственных значений
Проанализируем матрицу общей дисперсии, объясненной факторной моделью.
Таблица 14 Матрица полной объясненной дисперсии
|
Компонента |
Начальные собственные значения |
Суммы квадратов нагрузок извлечения |
|||||
|
Итого |
% Дисперсии |
Кумулятивный % |
Итого |
% Дисперсии |
Кумулятивный % |
||
|
1 |
3,228 |
35,866 |
35,866 |
3,228 |
35,866 |
35,866 |
|
|
2 |
1,196 |
13,286 |
49,152 |
1,196 |
13,286 |
49,152 |
|
|
3 |
1,098 |
12,195 |
61,347 |
1,098 |
12,195 |
61,347 |
|
|
4 |
,857 |
9,517 |
70,863 |
||||
|
5 |
,833 |
9,254 |
80,117 |
||||
|
6 |
,649 |
7,211 |
87,329 |
||||
|
7 |
,501 |
5,564 |
92,893 |
||||
|
8 |
,435 |
4,833 |
97,726 |
||||
|
9 |
,205 |
2,274 |
100,000 |
Первая главная компонента объясняет 35,9% общей дисперсии, вторая 13%. Всего в модели отобрано три фактора, которые объясняют 61,3% общей дисперсии (при критическом пороговом значении около 50% объясненной дисперсии). Для оптимизации факторного анализа лучшего разделения переменных был применен метод VARIMAX (вращение, максимизирующее дисперсию).
Таблица 15 Матрица повернутых компонент
|
Компонента |
||||
|
1 |
2 |
3 |
||
|
Z-значение(U1) |
,264 |
,207 |
,604 |
|
|
Z-значение(U2) |
,560 |
,334 |
,174 |
|
|
Z-значение(U3) |
,630 |
-,097 |
,430 |
|
|
Z-значение(U4) |
,123 |
,748 |
,085 |
|
|
Z-значение(U5) |
,326 |
,723 |
,023 |
|
|
Z-значение(U6) |
-,103 |
,676 |
,588 |
|
|
Z-значение(U7) |
,104 |
,030 |
,733 |
|
|
Z-значение(U8) |
,694 |
,079 |
,352 |
|
|
Z-значение(U9) |
,825 |
,319 |
-,173 |
Интерпретируя факторы, заметим следующее:
Первый фактор имеет высокие корреляции с U2, U3, U8, U9. Назовём данный индекс: «Инновационные методы управления организациями и персоналом».
Второй фактор имеет высокие корреляции с U4, U5, U6 . Назовём данный индекс: «Контроль качества производственного процесса».
Третий фактор имеет высокие корреляции с U1, U7. Назовём данный индекс: «Научные и организационные стратегии».
Таблица 16 Матрица коэффициентов оценок компонент
|
Компонента |
||||
|
1 |
2 |
3 |
||
|
Z-значение(U1) |
,015 |
-,018 |
,373 |
|
|
Z-значение(U2) |
,244 |
,091 |
-,027 |
|
|
Z-значение(U3) |
,326 |
-,269 |
,233 |
|
|
Z-значение(U4) |
-,086 |
,481 |
-,094 |
|
|
Z-значение(U5) |
,052 |
,435 |
-,172 |
|
|
Z-значение(U6) |
-,297 |
,383 |
,338 |
|
|
Z-значение(U7) |
-,070 |
-,133 |
,530 |
|
|
Z-значение(U8) |
,344 |
-,145 |
,131 |
|
|
Z-значение(U9) |
,467 |
,093 |
-,332 |
На основе обобщенных факторов была осуществлена многомерная классификация регионов РФ, которая позволила выделить 3 группы регионов, имеющих сходные черты в применении организационных инноваций на малых предприятиях.
Анализ распределения регионов по объемам организационных инноваций позволяет сделать следующие выводы:
· первый кластер включал в себя 8 регионов (21% общего числа) с высокими показателями по фактору: «Научные и организационные стратегии». В состав кластера входят: Владимирская область, Ленинградская область, Мурманская область, Краснодарский край, Самарская область, Ульяновская область, Ямало-Ненецкий автономный округ, Омская область;
· во второй кластер вошли 14 регионов (37% рассматриваемых регионов). В области организационных инноваций наибольшее значение в данном кластере занимают «Инновационные методы управления организациями и персоналом». В состав кластера вошли новые прогрессивные инновационные центры: Калужская, Нижегородская, Калужская область;
· в третий кластер вошли 16 регионов (42% рассматриваемых регионов). В области организационных инноваций наибольшее значение в данном кластере занимают «Контроль качества производственного процесса». В состав кластера вошли в основном крупные промышленные области Сибирского и Уральского федеральных округов.
Можно сделать выводы, что инновационные методы управления организацией и персоналом наиболее активно и продуктивно внедряются на предприятиях в регионах с активной инновационной политикой, большими вложениями в научную сферу, человеческий потенциал. Малые предприятия, в том числе и в составе бизнес-инкубаторов и технопарков, стремятся оптимизировать технологические затраты на разработку и производство за счет корректировок в управленческой области.
Для регионов с подавляющей долей добывающей, обрабатывающей промышленности, таких как Свердловская, Челябинская область на первое место среди организационных инноваций выходит показатель контроля качества, поскольку в данных регионах доля малых предприятий мала, а развитие крупных предприятий в основном происходит за счет закупок оборудования и техники.
3.4 Моделирование инновационной активности малых предприятий в региональном разрезе на основании панельных данных
Оценим уравнение объема отгруженных инновационных товаров и услуг на основании данных, взятых из сборников Росстата "Россия. Статистический справочник" и “Регионы России. Основные характеристики субъектов Российской Федерации”. Целью построения данной модели является изучения эффекта инвестиций и внедрения новых производственных технологий на объёмы отгружаемого инновационного товара малыми предприятиями.
Будем использовать методы анализа панельных данных, позволяющие строить более гибкие и содержательные модели и позволяют учитывать индивидуальные особенности экономических единиц [10]. В используемую панель вошли данные в разрезе регионов РФ за 2009, 2011, 2013 года, разрыв в 2 года связан с периодичностью заполнения формы № 2-МП инновация «Сведения о технологических инновациях малого предприятия» _ 1 раз в 2 года.
В качестве зависимой переменной взят логарифмированный показатель «отгружено инновационных товаров, работ, услуг» (млн. руб.) - LN_innov_goods.
В качестве объясняющих выступают следующие переменные: LN_tech_innov_expend - логарифм затрат на технологические инновации малых предприятий, млн руб.; industrial_tech - Используемые передовые производственные технологии по субъектам Российской Федерации; empl - Средняя численность занятых, чел; LNinvest_main_capital_per_capita - логарифм инвестиций в основной капитал на душу населения, руб. Оценивание модели производилось в пакете Stata. Сквозное оценивание, игнорирующее панельную природу данных, приводит к следующим результатам:
Значения коэффициентов детерминации (R-squared и Adj R-squared) составляют 44% и 43% соответственно.
Таблица 17 Характеристики сквозной регрессии
|
Source |
SS |
df |
MS |
Number of obs=162 F(4,157)=30,81 Prob>F=0,0000 R-squared=0,4398 Adj R-squared=0,4255 Root MSE=1,2154 |
|||
|
Model |
182,039101 |
4 |
45,5097753 |
||||
|
Residuals |
231,919969 |
157 |
1,47719726 |
||||
|
Total |
413,95907 |
161 |
2,57117435 |
||||
|
Ln_innov_goods |
Coef |
Std.Err |
t |
P>|t| |
[95 % Conf. Interval] |
||
|
Ln tech_innov |
0,5736018 |
0,087116 |
6,58 |
0,000 |
0,4015311 |
0,7456724 |
|
|
Industrial h |
0,00000584 |
0,0000438 |
0,13 |
0,894 |
-0,0000806 |
0,0000923 |
|
|
empl |
0,00000675 |
0,00000163 |
4,14 |
0,000 |
0,00000353 |
0,00000989 |
|
|
Ln_invest_main_ |
-0,4890135 |
0,1922082 |
-2,54 |
0,012 |
-0,868661 |
-0,109366 |
|
|
_cons |
1,903485 |
2,049188 |
0,93 |
0,354 |
-2,14405 |
5,95102 |
Значимыми являются коэффициенты перед регрессорами: LN_tech_innov_expend - логарифмом затрат на технологические инновации малых предприятий;
LNinvest_main_capital_per_capita - логарифмом инвестиции в основной капитал на душу населения, руб и empl - средней численности занятых, чел. F-тест также показывает значимость зависимости в целом. Логарифм инвестиции в основной капитал на душу населения и средняя численность занятых вносят ожидаемо положительный вклад в результирующий показатель. Тогда как логарифмом инвестиции в основной капитал на душу населения имеет отрицательный знак, что немного не соответствует ожидаемым результатам. Оценив between - регрессию, имеющую следующий вид , с помощью МНК сделаем следующие выводы: качество подгонки регрессии отражено показателем R2 between, равным 60,9%, а достаточно большое значение характеризуют тот факт, что влияние временных колебаний менее существенно, чем изменение по регионам.
Следующим шагом будет построение FE-модели с детерминированными эффектами, имеющей следующий вид, где Требование для состоятельности МНК-оценок к данной модели некоррелированность остатков (е) и предикторов (X).
Таблица 18 Характеристики регрессионной модели с детерминированными эффектами
|
Fixed-effects (within) regression Group variable: region R-sq: within=0,2253 Between=0,5320 Overall=0,4145 Corr (Ui, Xb)=-0,1023 |
Number of obs=162 Number of groups =54 Obs per group: min = 3 Avg = 3,0 Max =3 F(4,104)=7,56 Prob>F=0,0000 |
||||||
|
Ln_innov_goods |
Coef |
Std.Err |
t |
P>|t| |
[95 % Conf. Interval] |
||
|
Ln tech_innov |
0,513536 |
0,1148071 |
4,47 |
0,000 |
0,2858693 |
0,7456724 |
|
|
Industrial h |
-0,0000365 |
0,0000996 |
-0,37 |
0,715 |
-0,0002341 |
0,0001611 |
|
|
empl |
0,00000955 |
0,00000291 |
3,28 |
0,001 |
0,00000378 |
0,0000153 |
|
|
Ln_invest_main_ |
-0,9345767 |
0,382289 |
-2,44 |
0,016 |
-1,69267 |
-0,1764833 |
|
|
_cons |
6,81149 |
3,996503 |
1,70 |
0,091 |
-1,113725 |
14,7367 |
|
|
Sigma_u |
0,87390217 |
Fraction of variance due to UI |
|||||
|
Sigma_e |
1,0841166 |
||||||
|
rho |
0,3576261 |
||||||
|
F test that all Ui=0: |
F(53,104)=1,76 Prob>F=0,072 |
На индивидуальные эффекты приходится лишь 36% вариации данных (rho=0,358). Корреляция между X и u равна corr(u_i, Xb) = -0.1023.
Посмотрим на качество построенной модели. R2within равен 0,225, что почти в 2 раза меньше, чем R2between =0,532. Можно выдвинуть гипотезу, что межиндивидуальные эффекты проявляются сильнее, чем динамические.
Рассмотрим модель со случайными индивидуальными эффектами. Данная модель отличается и от сквозной регрессией, налагающей сильное ограничение гомогенности на все коэффициенты уравнения регрессии для любых i и t, и регрессией FE, позволяющей учитывать ненаблюдаемую гетерогенность.
Таблица 19 Характеристики регрессионной модели со случайными эффектами
|
Random-effects GLS regression Group variable: region R-sq: within=0,2101 Between=0,5790 Overall=0,4384 Random effects Ui ~ Gaussian Corr (Ui, Xb)=-0 (assumed) |
Number of obs=162 Number of groups =54 Obs per group: min = 3 Avg = 3,0 Max =3 Wald chi2(4) =99,68 Prob>chi2=0,0000 |
||||||
|
Ln_innov_goods |
Coef |
Std.Err |
t |
P>|t| |
[95 % Conf. Interval] |
||
|
Ln tech_innov |
0,5398394 |
0,0869398 |
6,21 |
0,000 |
0,3694405 |
0,7102384 |
|
|
Industrial h |
-0,00000128 |
0,0000483 |
0,03 |
0,979 |
-0,0000935 |
0,000096 |
|
|
empl |
0,00000744 |
0,00000173 |
4,29 |
0,000 |
0,00000403 |
0,0000108 |
|
|
Ln_invest_main_ |
-0,560323 |
0,2111459 |
-2,65 |
0,008 |
-0,9741614 |
-0,1464846 |
|
|
_cons |
2,757987 |
2,233264 |
1,23 |
0,271 |
-1,619131 |
7,135105 |
|
|
Sigma_u |
0,5369783 |
Fraction of variance due to UI |
|||||
|
Sigma_e |
1,0841166 |
||||||
|
rho |
0,19700395 |
Для состоятельности оценок регрессоры должны быть некоррелированными с ненаблюдаемыми случайными эффектами. В нашем случае это условие выполняется: corr(u_i, X) = 0
О значимости регрессии в целом свидетельствует высокое значение статистики Вальда. После оценки основных регрессий: сквозной, “between”-регрессии, с фиксированными индивидуальными эффектами и регрессию со случайными индивидуальными эффектами, выберем модель, наиболее адекватную нашим данным. Для этого проведем следующие попарные сравнения:
a) Регрессионной модели с фиксированными эффектами со сквозной регрессией (тест Вальда)
b) Регрессионной модели со случайными эффектами со сквозной регрессией (тест Бреуша-Пагана)
c) Регрессионной модели со случайными эффектами с моделью с фиксированными эффектами (тест Хаусмана).
Приведем краткие описания данных тестов и полученные нами оценки.
a) Тест Вальда проверяет гипотезу о равенстве нулю всех индивидуальных эффектов. В оцениваемой модели F(53, 104) = 1,76; Prob > F = 0.0072, То есть p-уровень меньше, чем 0,05. Регрессионная модель с фиксированными эффектами лучше подходит для описания данных, чем модель сквозной регрессии.
b) Тест Бреуша-Пагана (тест на наличие случайного индивидуального эффекта) Проверяемая гипотеза: при альтернативной гипотезе .
Если проверяемая гипотеза верна, то , где - оценки дисперсии ошибки регрессии в моделях between и within соответственно.
Статистики теста Бреуша-Пагана
Breusch and Pagan Lagrangian multiplier test for random effects
Test: Var(u)=0
ч2(1)=4,61
Prob> ч2=0,0317
Основная гипотеза отвергается на уровне значимости 5%, поскольку p-уровень<0,05.
Регрессионная модель со случайными эффектами лучше подходит для описания данных, чем модель сквозной регрессии.
с) Тест Хаусмана проверяет гипотезу или ui могут быть рассмотрены, как случайные эффекты. Альтернативная гипотеза: или ui могут быть рассмотрены, как детерминированные эффекты.
Статистики теста Хаусмана
Hausman test
Test H0: difference in coefficients not systematic
ч2(3)=3,78
Prob> ч2=0,2857
Поскольку p-уровень > 0,05, то основная гипотеза не отвергается, в нашем случае подходит модель со случайными эффектами. То есть в целом регионы сопоставимы друг с другом по инновационному развития в наблюдаемые периоды времени. Заметим, что во всех построенных моделях коэффициенты значимы перед тремя показателями:
LN_tech_innov_expend - логарифмом затрат на технологические инновации малых предприятий;
LNinvest_main_capital_per_capita - логарифмом инвестиции в основной капитал на душу населения, руб. и empl - средней численности занятых, чел. Логарифм инвестиции в основной капитал на душу населения и средняя численность вносят положительный вклад в результирующий показатель во всех моделях, тогда как логарифм инвестиции в основной капитал на душу населения имеет отрицательный знак. Объясняться это может неравномерностью финансирования регионов РФ, а так же тенденцией к снижению инвестиции в основной капитал в 2013 году.
Далее обратимся к модели системы одновременных эконометрических уравнений на панельных региональных данных. Данные характеризуют экономическое состояние в регионах и их инновационное развитие.
При формировании информационной базы использовалась информация Росстата РФ по 54 регионам РФ за 2009, 2011, 2013 годы (исключены автономные округа в составе областей, краев, а также регионы, не имеющие полного набора данных, а так же выбросы в данных). В качестве показателей, характеризующих инновационную, были выбраны: y1 ? валовой региональный продукт (ВРП), млн. руб.; x1 - среднесписочная численность рабочих, тыс. чел.; x2 - оборот малых инновационных предприятий, млн., руб.; y2 ? затраты на технологические инновации, млн. руб.; x3 ?численность персонала, занятого научными исследованиями и разработками, чел.; x4 ?среднедушевые денежные доходы населения региона, руб./месяц.
Так как показатели ВРП и затрат на технологические инновации эндогенны и коррелируют друг с другом и другими факторами, то, составляя уравнение в виде производственной функции, будем считать, что ВРП (y1) является функцией следующих факторов: x1 - среднесписочная численность рабочих, тыс. чел.; x2 - оборот малых инновационных предприятий, млн., руб., а так же от y2 ? затрат на технологические инновации, млн. руб.
Затраты на инновации (y2) являются функцией численности персонала, занятого исследованиями и разработками (x3), среднедушевых денежных доходов населения региона (x4), оборота малых инновационных предприятий (x2) и ВРП (y1). Эффект растущего временного тренда, исключен путем использования фиктивных переменных по годам.
Полученные уравнения имеют следующий вид:
,
где бj, вi - неизвестные параметры, i = 0,…,3; j = 0,…,4; е1t, е2t - случайные величины ошибок, удовлетворяющих стандартным предположениям; t - индекс времени.
Таким образом, y1t и y2t ? эндогенные переменные, а xkt (k = 1,…,4) - экзогенные переменные. Использована форма ПФ вида Кобба-Дугласа, для идентификации параметров системы одновременных уравнений использовался трехшаговый (ТМНК) методы наименьших квадратов на панельных данных.
Интерпретируем степень влияния значимых переменных на результирующие показатели.
Результаты статистического моделирования позволяют утверждать значимость влияния на рост ВРП затрат на технологические инновации (эластичность ВРП по затратам составляет 0,63, т. е. увеличение затрат на технологические инновации на 1% приведет к росту ВРП на 0,63% в среднем по выборке) и оборота малых инновационных предприятий (эластичность ВРП по величине оборота малых предприятий составила 0,27). Величина затрат на технологические инновации ожидаемо положительно значимо зависит от объема ВРП (эластичность затрат по величине ВРП составляет 4,64).
Таким образом, на основе разработанной эконометрической модели можно сказать, что определяющими факторами дифференциации инновационной регионов являются объем валового регионального продукта (ВРП) и затраты на инновации.
Заключение
На современном этапе развития главным приоритетом российской экономики заявлен переход на инновационный путь развития. Мировой опыт показывает, что стабильный рост и повышение благосостояния населения в значительной мере зависят от способности экономики быстро осваивать научно - технологический потенциал, эффективно расходовать имеющиеся ограниченные ресурсы, производить конкурентоспособную инновационную продукцию.
Особое место в инновационной системе страны занимает малый инновационный бизнес, роль которого в улучшении показателей страны особенно возросла в современном мире. Значимость успешного развития сектора малого инновационного бизнеса обуславливает необходимость эффективной системы государственной поддержки и стимулирования данного вида предпринимательства.
В ходе данной работы были проанализированы показатели инновационной деятельности малых предприятий по регионам Российской Федерации и были предпринятые попытки описать на основе полученных данных происходящие в этой области процессы. Некоторым затруднением в процессе такой работы является неполнота данных, предоставляемых местными статистическими органами, а так же самими предприятиями.
Стоит отметить региональную неравномерность инноваций и инвестиций, некоторые «перекосы» в объемах финансирования тех или иных регионов и округов. В ходе проведения кластерного анализа, были выявлены 3 кластера. Регионы - «лидеры» с активно развивающимися бизнес-инкубаторами и технопарками, и как следствие, более динамичным малым и средним бизнесом, высокими затратами на технологические инновации и инвестициями. Второй кластер - регионы с развитой промышленностью, но с меньшим числом разработок и нововведений. Третий кластер - регионы, имеющие наименее низкие показатели по всем факторам. При помощи факторного анализа были построены индексы организационных инноваций и сделано ранжирование регионов. Здесь стоит отметить, что регионы, попавшие в третий кластер (например, Ивановская область) имеют достаточно высокий рейтинг по организационным инновациям. Причина может заключаться в следующем: организационные инноваций достаточно эффективны без больших стартовых инвестиционных вложений и финансирования. Для анализа влияния различных факторов на объем отгруженной инновационной продукции были построены следующие модели: степенная регрессия, регрессия на главных компонентах и по панельным данным. Подтвердилась гипотеза о положительном влиянии таких показателей, как логарифм затрат на технологические инновации малых предприятий по субъектам Российской Федерации, средняя численность занятых в малом предпринимательстве, затраты на технологические инновации малых предприятий. Причем показатель затрат на технологические инновации малых предприятий имел высокую значимость как в степенной регрессии, так и в регрессии по панельным данным.
При построении моделей были выявлены отрицательные значения коэффициентов перед переменными «передовые производственные технологии» и «инвестиции в основной капитал на душу населения» можно объяснить различными стратегиями в инновационном поведении регионов. Это отрицательное влияние можно объяснить различными стратегиями в инновационном поведении регионов и общим снижением инвестиций в 2013 году.
В дальнейшем правительство намерено повышать инновационную и технологическую привлекательность пока не самых передовых регионов, стимулировать развитие в них малого среднего предпринимательства путем финансовых и организационно инструментов.
Необходимо отметить, что в России для этого имеются значительные фундаментальные и технологические заделы, уникальная научно-производственная база и высококвалифицированные кадры, но при этом имеет место крайне слабая ориентация инновационного потенциала на реализацию научных достижений в производстве и других сферах деятельности. Но не стоит забывать, что увеличение затрат на наукоёмкие производства и новые технологии сильно зависит от общих макроэкономических показатели Российской Федерации. Но, несмотря на наблюдаемый экономического спада его воздействие на развитие инноваций не однозначно. Многие фирмы ограничили или вовсе прекратили свои вложения в инновационную и научную деятельность, но в то же время создаются предпосылки к перераспределению преимуществ в пользу инновационно активных компаний.
экономический инновационный корреляционный
Список литературы
1. Руководство Осло. Рекомендации по сбору и анализу данных по инновациям. Москва: Совместная публикация ОЭСР и Евростата, 2006.
2. Руководство Осло. Рекомендации по сбору и анализу данных по инновациям. Москва: Совместная публикация ОЭСР и Евростата, 2006.
3. Правительство Российской Федерации Постановление от 9 февраля 2013 г. N 101 О предельных значениях выручки от реализации товаров (работ, услуг) для каждой категории субъектов малого и среднего предпринимательства: [сайт]. [2009].
4. Асаул А.Н., Карпов Б.М., Перевязкин В.Б., Старовойтов М.К. Модернизация экономики на основе технологических инноваций. СПб: АНО ИПЭВ, 2008. 606 с.
5. Мухамедьяров А.М. Инновационный менеджмент: учебное пособие. Москва: ИНФРА-М, 2008. 44 pp.
6. Инновационная Россия - 2020
7. Федеральный закон "О развитии малого и среднего предпринимательства в Российской Федерации" от 24.07.2007 N 209-ФЗ // КонсультантПлюс. 2013.
Подобные документы
Связь между случайными переменными и оценка её тесноты как основная задача корреляционного анализа. Регрессионный анализ, расчет параметров уравнения линейной парной регрессии. Оценка статистической надежности результатов регрессионного моделирования.
контрольная работа [50,4 K], добавлен 07.06.2011Расчет суммы издержек для плана выпуска продукции. Коэффициенты линейного уравнения парной регрессии. Характеристика графической интерпретации результатов. Развитие экономических процессов. Особенности эконометрического моделирования временных рядов.
контрольная работа [723,3 K], добавлен 22.02.2011Предпрогнозное исследование рядов урожайности с применением фрактального и R/S-анализа, бинарной кодировки. Расчет коэффициента Херста природных и экономических рядов. Оценка соотношения "детерминированность-стохастичность" для разных областей Украины.
курсовая работа [2,2 M], добавлен 18.09.2010Основные элементы эконометрического анализа временных рядов. Задачи анализа и их первоначальная обработка. Решение задач кратко- и среднесрочного прогноза значений временного ряда. Методы нахождения параметров уравнения тренда. Метод наименьших квадратов.
контрольная работа [37,6 K], добавлен 03.06.2009Получение функции отклика показателя качества Y2 и формирование выборки объемом 15 и более 60. Зависимость выбранного Y от одного из факторов Х. Дисперсионный анализ и планирование эксперимента. Проведение корреляционного и регрессионного анализа.
курсовая работа [827,2 K], добавлен 19.06.2012- Использование корреляционно-регрессионного анализа для обработки экономических статистических данных
Расчет стоимости оборудования с использованием методов корреляционного моделирования. Метод парной и множественной корреляции. Построение матрицы парных коэффициентов корреляции. Проверка оставшихся факторных признаков на свойство мультиколлинеарности.
задача [83,2 K], добавлен 20.01.2010 Анализ временных рядов с помощью статистического пакета "Minitab". Механизм изменения уровней ряда. Trend Analysis – анализ линии тренда с аппроксимирующими кривыми (линейная, квадратическая, экспоненциальная, логистическая). Декомпозиция временного ряда.
методичка [1,2 M], добавлен 21.01.2011Классические подходы к анализу финансовых рынков, алгоритмы машинного обучения. Модель ансамблей классификационных деревьев для прогнозирования динамики финансовых временных рядов. Выбор алгоритма для анализа данных. Практическая реализация модели.
дипломная работа [1,5 M], добавлен 21.09.2016Теоретико-методологический подход к построению множественных регрессионных моделей. Моделирование и прогнозирование основных экономических показателей при использовании панельных данных. Исследование объемов продаж пяти предприятий с течением времени.
курсовая работа [2,0 M], добавлен 02.12.2013Понятие, задачи и основные цели регрессионного анализа. Прогнозирование, основанное на использовании моделей временных рядов. Определение степени детерминированности вариации критериальной переменной предикторами. Ошибки, возникающие при измерении данных.
контрольная работа [785,9 K], добавлен 13.11.2011
