В период экономического кризиса в России сократилось число организаций, осуществляющих научные исследования и разработки. Среди подобных организаций значительную долю составляют научно-исследовательские организации и образовательные учреждения высшего профессионального образования (см. табл. 15).

Таблица 15. Организации, выполнявшие научные исследования и разработки в РФ (2005-2014 гг.)

	Год
	2005	2007	2008	2009	2010	2011	2012	2013	2014
Всего организаций, в том числе:	3566	3957	3666	3536	3492	3682	3566	3605	3604
научно-исследовательских организаций	2115	2036	1926	1878	1840	1782	1744	1719	1689
конструкторских бюро	489	497	418	377	362	364	338	331	317
проектных и проектно-изыскательских организаций	61	49	42	36	36	38	33	33	32
опытных заводов	30	60	58	57	47	49	60	53	53
образовательных учреждений высшего профессионального образования	406	500	503	506	517	581	560	671	700
промышленных организаций, имевших научно-исследовательские, проектно-конструкторские подразделения	231	265	239	228	238	280	274	266	275
прочих организаций	234	550	480	454	452	588	557	532	538

В России исследования и разработки на 2014 г. проводят 3604 организаций. В соответствии с методологией Организации экономического сотрудничества и развития около 40% из них относятся к предпринимательскому сектору и функционально связаны с теми или иными отраслями экономики. На них приходится около 60% затрат и более половины занятых в исследованиях и разработках. Государственный сектор осваивает около 32% затрат на исследования и разработки и использует 40% занятых. Исследовательские организации сектора высшего образования составляют 19% организаций, но имеют всего 9% затрат на исследования и разработки. Сектор некоммерческих организаций, включающий частные организации, не ставящие перед собой цели извлечения прибыли, составлял в 2014 году менее 2% от общего количества научных организаций и осваивал около 0,2% затрат на исследования и разработки.

Картосхема 6. Число организаций, выполняющие научные исследования и разработки. 2014 г.

Что касается размещения организаций, выполняющих научные исследования и разработки, то лидерами являются г. Москва (709), г. Санкт-Петербург (300) и Московская область (238). На их долю приходится свыше 1/3 от всех организаций данного типа, поэтому правомерно говорить об огромной концентрации научных и опытно-конструкторских учреждений в двух крупнейших агломерациях России. В Республике Татарстан, Свердловской и Новосибирской областях также присутствует значительное число организаций, выполняющих научные исследования и разработки (см. картосхему 6).

В разрезе Федеральных округов явным лидером является Центральный ФО, концентрируя 36,4% организаций (см. рис. 12). В его структуре на долю г. Москвы приходится почти 54%, Московской области - более 18%. Наименьшее количество организаций, выполняющих научные исследования и разработки, находится в Крымском ФО (20 ед., 0,56% от РФ); Дальневосточном ФО (170 ед., 4,72% от РФ); Северо-Кавказском ФО (117 ед., 3,25% от РФ); Южном ФО (236 ед., 6,55 от РФ); Уральском ФО (239 ед., 6,63% от РФ).

Рис. 12. Число организаций, выполняющие научные исследования и разработки (по Федеральным округам). 2014 г.

В каждом Федеральном округе можно выделить регион-лидер по числу организаций, выполняющих научные исследования и разработки. В ЦФО таким является г. Москва, в СЗФО - г. Санкт-Петербург, в ЮФО - Ростовская область, в СКФО - Ставропольский край, в ПФО - Республика Татарстан, в УФО - Свердловская область, в СФО - Новосибирская область, в ДФО - Приморский край, в КФО - Республика Крым. На их долю приходится 42,6% всех организаций данного типа.

2. Суммарное число публикаций в журналах, входящих в Web of Science или Scopus

Scopus и Web of Science - это базы данных по научным публикациям, в которых обрабатываются библиографии публикаций, аннотации к публикациям и списки используемой литературы в публикациях. На основании информации из этих баз данных формируются наукометрические показатели, например, индекс Хирша.

Данные о публикациях организаций в этих базах используются при составлении международных и отечественных рейтингов университетов.

Число публикаций в журналах, входящих в Scopus и Web of Science, для регионов России рассчитывалось как сумма публикаций в организациях в том или ином субъекте на основе данных научно-электронной библиотеки elibrary [46]. Показатели рассчитываются по публикациям организаций за 5 лет (2010-2014 гг.), учитываются все типы публикаций, в том числе монографии, материалы конференций, сборники статей, патенты, диссертации и т.д. Также показываются только организации, имеющие не менее 10 публикаций за 5 лет (2010-2014 гг.) Референтная группа организаций насчитывает 3310 шт., что составляет более 90% всех организаций, выполняющих научные исследования и разработки (см. табл. 15). Следовательно, исследуемую выборку можно считать репрезентативной.



Картосхема 7. Суммарное число публикаций организаций в журналах, входящих в Web of Science или Scopus. 2010-2014 гг.

Анализ данного индикатора по регионам России позволяет сделать следующие выводы (см. картосхему 7). Во-первых, наибольшее число публикаций наблюдается у организаций, зарегистрированных в Москве (115194), Санкт-Петербурге (35313), Новосибирской области (25123), Московской области (24148). В вышесказанных субъектах размещается 2/3 всех публикаций по стране.

Во-вторых, в Сибирском ФО наблюдается наибольшее количество регионов, в которых количество публикаций исследователей превысило 5000.

В-третьих, снова прослеживается явная локализация данного индикатора в крупнейших агломерациях и наиболее развитых промышленных регионах. Те субъекты, наука в которых развита слабо, не могут существенно улучшить свои позиции по данному показателю в ближайшей перспективе. Это по большей части регионы Севера, Дальнего Востока и Юга страны.

3. Суммарный индекс Хирша

Индикатор рассчитывается аналогично показателю числа публикаций, зарегистрированных в Web of Science из того же источника [46]. В общем виде индекс Хирша является количественной характеристикой продуктивности учёного, основанной на количестве его публикаций и количестве цитирований этих публикаций. Учёный имеет индекс h, если h из его Np статей цитируются как минимум h раз каждая, в то время как оставшиеся (Np - h) статьи цитируются не более чем h раз каждая.

Картосхема 8. Суммарный индекс Хирша у организаций, зарегистрированных в регионах 2010-2014 гг.

Рассчитанный наивысший суммарный индекс Хирша наблюдается в г. Москве - 17815 (см. картосхему 8, прил. 14), это составляет более 73% данного индикатора по Центральному ФО. Далее, в Санкт-Петербурге - 4753, или более 76% от значения по СЗФО; Московской области - 3224; Новосибирской области - 2602, т.е. более 40% от значения по Сибирскому ФО; Свердловской области - 1402, или более 54% от значения по Уральскому ФО.

Лидером среди организаций по индексу Хирша является Московский государственный университет им. М.В. Ломоносова (210). Среди российских высших учебных заведений в международных рейтингах данная организация находится выше остальных с существенным отрывом. На втором месте Санкт-Петербургский государственный университет (169). Вышеуказанные ВУЗы имеют особый статус и являются лидерами по научной деятельности среди других. Среди двадцати организаций-лидеров по индексу Хирша половина приходится на столицу России.



Рис. 13. Суммарный индекс Хирша по Федеральным округам. 2010-2014 гг.

Среди Федеральных округов лидерами по данному показателю являются ЦФО, СФО и СЗФО (см. рис. 13). На них приходится более 73% суммарного индекса Хирша по стране. Аутсайдерами являются КФО, СКФО и ДФО.

4. Суммарное цитирование работ, опубликованных за последние семь лет

Для оценки научной деятельности организаций в регионах России по данному показателю использован другой сайт, а именно так называемый «Корпус экспертов» [44]. «Корпус экспертов» совместно с проектом «Кто есть кто в российской науке» сформировал статистическую базу, содержащую информацию о специалистах и экспертах по естественнонаучным дисциплинам. В нее включены наиболее цитируемые в международных научных журналах российские ученые. Индикатор рассчитан по состоянию на 31.03.2016 г., в списке 6361 человек.

Порегиональный анализ данного показателя позволяет сделать следующие выводы (см. картосхему 9, прил. 15):

Во-первых, в 24 субъектах РФ значение индикатора равно нулю, потому что в представленных данных, по этим регионам, не зафиксирован ни один ученый по естественнонаучному направлению.

Во-вторых, лидерами по данному индикатору являются: Московская область (9004 цитирований), из которых более 49% приходится на наукоград Протвино, в котором находится Институт физики высоких энергий. Далее, Ленинградская область (1925), - более 90% приходится на г. Гатчину, где базируется Петербургский институт ядерной физики РАН им. Б.П. Константинова. На третьем месте Самарская область, в которой почти все цитирования исходят из Самары и Тольятти.

Картосхема 9. Суммарное цитирование работ, опубликованных за последние семь лет: 2009-2016 гг.

В-третьих, обращает на себя внимание относительно низкая доля суммарного цитирования работ по Москве и Санкт-Петербургу. Данный факт плохо согласуется с другими показателями, рассчитанными выше в этой главе. Однако неполная выборка исследователей при учете только естественнонаучного направления вносит погрешности и вполне может менять лидеров.

5. Численность ученых

Наряду с количеством организаций, выполняющих научные исследования и разработки, интересен и показатель численности ученых. Первичные данные для индикатора взяты с сайта «Карта российской науки» Министерства образования и науки РФ [45]. «Карта российской науки» - информационная система для регулярного автоматического обновления информации об учёных и организациях. Сайт содержит показатели их научно-исследовательской деятельности и позволяет анализировать состояние российской науки. С помощью данной информационной системы ученые имеют возможность увидеть свои достижения и сравнивать их с работой своих коллег. Как отмечают создатели проекта, на сегодняшний день «Карта российской науки» находится в тестовом режиме, и данные в ней могут отличаться от первоисточников.

Что касается распределения ученых по регионам (см. картосхему 10, прил. 16), то наибольшее их число наблюдается в Москве (277058 чел., т.е. более 31% численности ученых по стране); далее - в Санкт-Петербурге (87730 чел., или почти 10%); Новосибирской области (34236); Московской области (32935).

Картосхема 10. Численность ученых согласно проекту Министерства образования и науки РФ «Карта российской науки». 2016 г.

Аутсайдерами по числу ученых среди Федеральных округов являются СКФО, ДФО, УФО. На долю ЦФО, ПФО и СФО приходится более 71% всей численности ученых по стране.

6. Число разработанных передовых производственных технологий

По методологии Федеральной службы государственной статистики под передовыми производственными технологиями понимаются технологии и технологические процессы (включая необходимое для их реализации оборудование), управляемые с помощью компьютера, или основанные на микроэлектронике и используемые при проектировании, производстве или обработке продукции (товаров и услуг) [49]. Новыми технологиями считаются те, которые не имеют отечественных аналогов, разработаны впервые и обладают качественно новыми характеристиками, отвечающими современным требованиям или превосходящими его.

Среди регионов России за 2014 г. по данному показателю первое место занимает г. Санкт-Петербург (см. картосхему 11, прил. 17) - 229 разработанных производственных технологий; второе - г. Москва (205); третье - Челябинская область (96); четвертое - Нижегородская область (76). В 36 субъектах РФ количество разработанных передовых технологий меньше 5, что свидетельствует об очень низком уровне НИД.

Картосхема 11. Число разработанных передовых производственных технологий, 2014 г.

Среди Федеральных округов самый низкий уровень индикатора прослеживается в СКФО, ЮФО, ДФО, СФО (см. рис. 14). На долю ЦФО и СЗФО приходится более 51% всех передовых производственных технологий России, из них на долю г. Москвы и г. Санкт-Петербурга 47,8% и 77,1% соответственно в каждом из округов. СФО не попал в тройку лидеров, хотя по рассмотренным выше показателям он занимал более высокие позиции.

Рис. 14. Число разработанных передовых производственных технологий по Федеральным округам РФ, 2014 г.

Количество использованных передовых производственных технологий в России за период с 2005 г. по 2012 г. выросло на 40,9% и составило 198652 ед., что свидетельствует о высокой потребности в новых технологиях (см. рис. 15). В то же время количество созданных российскими исследователями передовых технологий хоть и увеличилось за этот период в 1,91 раз, но сохранилось на предельно низком уровне (1216 ед. в 2012 г.).



Рис. 15. Количество созданных и использованных передовых производственных технологий

Количество разработанных российскими исследователями передовых технологий в сотни раз меньше количества использованных заимствованных технологий, что свидетельствует о высокой потребности в инновациях со стороны производства. Но динамика собственных завершенных инноваций слабо выраженная. Россия уступает промышленно развитым странам по всем рассмотренным показателям, характеризующим результативность прикладной науки. В то же время на международных рынках существует устойчивый спрос на инновационные разработки, что провоцирует рост экспорта незаконченных российских научных разработок.

7. Количество выданных патентов на изобретения и полезные модели

Патент это документ, подтверждающий исключительное право патентообладателя на изобретение, полезную модель либо на промышленный образец. Патент также удостоверяет приоритет и авторство. Патенты являются только одним из индикаторов для измерения изобретений. Сложность оценки заключается в том, что не все изобретения запатентованы или могут быть в принципе запантетованы.

Наибольшее количество выданных патентов на изобретения и полезные модели приходится на г. Москву (см. картосхему 12, прил. 18) - 11754, или треть всех выданных патентов. Далее, Санкт-Петербург - 2421 (более 79% СЗФО); Московская область - 2338 (более 13% ЦФО); Республика Татарстан - 1613 (более 25% ПФО).

Картосхема 12. Количество выданных патентов на изобретения и полезные модели, 2014 г.

В большинстве российских регионов прослеживается низкая патентная активность, количество выданных патентов не превышает 500. Среди Федеральных округов более 2/3 всех выданных патентов на изобретения и полезные модели получены ЦФО и ПФО.

Динамика показателей общей патентной активности в России за период с 2009 г. по 2013 гг. приведена на рисунке 16:

Рис. 16. Показатели патентной активности. 2009-2013 гг.



Как видно из рис. 16, средний коэффициент изобретательской активности (число российских патентных заявок в расчете на 10 тыс. чел.) за рассматриваемый период составил 1,87 ед., тогда как в в США уровень аналогичного показателя выше в 4 раза (8,2 ед.), а в Германии в 3 раза (6,0 ед.) [43]. За период 2008-2011 гг. средний коэффициент самообеспеченности (отношение числа патентных заявок, поданных российскими заявителями в национальное патентное ведомство, к общему числу патентных заявок, поданных в России) составил 0,66 ед., что сопоставимо с тем же показателем в Китае (0,64 ед.), но уступает показателям Германии (0,79) и Японии (0,84).

Таким образом, несмотря на положительные тенденции, динамика поданных и выданных патентных заявок, зафиксированная Федеральной службой государственной статистики России, несопоставима с количеством поданных патентных заявок в инновационно-активных странах.

Предельно низка доля коммерциализированных патентов (см. рис. 17):

Рис. 17. Доля коммерциализированных патентов в России с 1992 г. по 2012 г.

Методика расчета рейтинга семи индикаторов НИД

Напомним, что рейтинг каждого из семи показателей-индикаторов НИД по конкретному региону РФ рассчитывается по формуле: S_i = , где i - номер региона, R_i - значение параметра i-ого региона; R_max - максимальное значение параметра региона-лидера; S_i - процентное отношение значение параметра в i-том регионе к региону-лидеру. Результаты вычислений НИД-рейтингов регионов даны в приложениях (см. прил. 12-18).

Корреляция индикаторов НИД вычислена с помощью эконометрической программы «Gretl» и представлена в виде матрицы по вышеуказанным семи показателям-индикаторам НИД (рис. 18).

Рис. 18. Корреляционная матрица по семи показателям-индикаторам НИД

Обозначения в корреляционной матрице (рис. 18):

1). NO - число организаций, выполняющие научные исследования и разработки.

2). NWoS - суммарное число публикаций в журналах, входящих в Web of Science или Scopus;

3). h - суммарный индекс Хирша у организаций, зарегистрированных в регионе;

4). CL7 - суммарное цитирование работ, опубликованных за последние 7 лет;

5). NS - численность ученых;

6). NRPT - число разработанных передовых производственных технологий;

7). Pat - количество выданных патентов на изобретения и полезные модели.

Корреляционные значения по этим параметрам позволяют сделать следующие выводы:

Во-первых, наблюдается взаимосвязь всех показателей между собой. Наименьшая корреляция с соседними показателями у индикатора CL7 (от 0,1066 до 0,2831). Остальные показатели имеют сильную прямую зависимость со всеми другими (более 0,7). Наибольшая корреляция между h и NWoS - 0,9943.

Во-вторых, индикаторы Pat и NRPT коррелируют со всеми остальными, кроме CL7, со значением более 0,7. Следовательно, данные индикаторы (Pat и NWoS) при сравнительной оценке инновационных потенциалов регионов играют решающую роль.

3.4 Экономико-географические закономерности научно-инновационной деятельности

Сравнивая НИД регионов России по разным параметрам (см. 3.1 - 3.3) можно выявить некоторые экономико-географические закономерности. Совокупность показателей инновационного мультипликатора (параграф 3.1), инновационного развития (параграф 3.2), семь индикаторов НИД (параграф 3.3) помогают понять территориальную дифференциацию, определить степень диспропорций, существующую между субъектами.

По индикатору мультипликатора инноваций определенных закономерностей не выявлено. Данный показатель детерминирован следующими факторами: разностью затрат на технологические инновации и приростом ВРП. Сложность оценки степени влияния затрат на технологические инновации на основные макроэкономические показатели не позволяют делать полноценных выводов об инновационном климате того или иного региона.

Допущением является то предположение, что прирост ВРП происходит в основном только за счет увеличения затрат на технологические инновации. Второе допущение - моментальный (в течении одного года) переход инновационных инвестиций в рост ВРП, так как по методике сопоставлялись лишь данные одного года. Из-за этих допущений метод оценки НИД регионов по мультипликатору инноваций приводит к значительным, а иногда даже к парадоксальным погрешностям. Так, лидером оказался Красноярский край, где инновационный мультипликатор на 2014 г. равен 1,75, в то время как, например, по Москве и Самарской области данный индикатор оказался меньше единицы.

Если рассматривать по Федеральным округам РФ, то ниже среднероссийского уровня за 2012-2014 гг. находятся ЦФО, ЮФО, СКФО, УФО, ДФО. Среди них явным аутсайдером можно называть СКФО. Выше среднероссийского уровня находятся СЗФО, ПФО, СФО. Среди перечисленных явным лидером выступает СЗФО.

Показатель инновационного развития детерминирован следующими факторами: производительностью труда, фондоотдачей, экологичностью производства, затратами на исследования и разработки на 1 занятого, затратами на технологические инновации на 1 занятого, выпуском инновационной продукции на душу населения. Наибольшая насыщенность характерна для г. Москвы, г. Санкт-Петербурга, Сахалинской области, Московской области, Ленинградской и Нижегородской областей. Вышеперечисленные субъекты РФ оцениваются классом выше «С++» (уровень инновационного развития ниже среднего), все остальные регионы получили более низкий рейтинг. Попадание Сахалинской области в число лидеров обусловлено тем, что в данном регионе на 2014 г. самый большой выпуск инновационной продукции по стране. Подтверждением может служить тот факт, что в Южно-Сахалинске располагаются штаб-квартиры ведущих мировых аудиторских компаний: Delloite, EY. Активная разработка нефтегазовых месторождений области за последнее десятилетие, в том числе и на шельфе, с привлечением международных компаний, позволяет существенно подняться региону в рейтинге инновационного развития.

Семь статистических индикаторов НИД (суммарное число публикаций у организаций в журналах, входящих в Web of Science или Scopus; суммарный индекс Хирша у организаций, зарегистрированных в регионе; суммарное цитирование работ, опубликованных за последние 7 лет; численность ученых; число разработанных передовых производственных технологий; количество выданных патентов на изобретения и полезные модели; число организаций, выполняющие научные исследования и разработки). По ним максимальные рейтинги НИД характерны для Москвы, Санкт-Петербурга и Московской области, что позволяет сделать вывод о том, что два крупнейших города России являются центрами НИД. В Московской и Санкт-Петербургской агломерациях сосредоточены ведущие научные организации страны, большое число ученых и исследователей, там наблюдается наибольшее количество разработок передовых технологий и выданных патентов.

Разрыв двух ведущих центров инноваций с остальными регионами значителен. Среди Федеральных округов выделяются ЦФО, СЗФО, ПФО, однако по всем показателям лидирует ЦФО. В целом можно утверждать, что существует сильнейшая дифференциация субъектов РФ по уровню НИД.

3.5 Вычисление и анализ итогового коэффициента научно-инновационной деятельности

Итоговый коэффициент НИД региона вычисляется способом суммирования по следующей формуле:

kNID = IM + IR + NWoS + h + CL7 + NS + NRPT + Pat + NO, где

kNID - итоговый рейтинг НИД;

IM - рейтинг инновационного мультипликатора;

IR - рейтинг показателя инновационного развития;

NWoS - рейтинг суммарного числа публикаций у организаций субъекта в журналах, входящих в Web of Science или Scopus;

h - рейтинг суммарного индекса Хирша;

CL7 - рейтинг суммарного цитирования работ, опубликованных за последние 7 лет;

NS - рейтинг численности ученых;

NRPT - рейтинг числа разработанных передовых производственных технологий;

Pat - рейтинг количества выданных патентов на изобретения и полезные модели;

NO - рейтинг числа организаций, выполняющих научные исследования и разработки.

Расчет рейтинга инновационного мультипликатора (см. прил. 11) выполнен аналогичным способом, как и для всех показателей НИД в разделе 3.3.

Итоговый коэффициент НИД для регионов представлен в таблице 16.

Таблица 16. Итоговый коэффициент научно-инновационной деятельности для субъектов РФ

Регион	Значение	Регион	Значение
г. Москва	704,08	Республика Дагестан	92,55
г. Санкт-Петербург	358,61	Белгородская область	92,53
Московская область	336,42	Кемеровская область	91,76
Новосибирская область	169,16	Хабаровский край	91,57
Республика Татарстан	168,07	Республика Саха	91,19
Красноярский край	165,35	Приморский край	90,99
Нижегородская область	164,88	Кабардино-Балкарская респ. ререРеспублика	90,78
Свердловская область	161,12	Тверская область	89,72
Республика Башкортостан	154,63	Смоленская область	89,04
Челябинская область	143,85	Орловская область	88,17
Самарская область	135,81	Ставропольский край	87,11
Пермский край	133,53	Алтайский край	86,86
Иркутская область	132,67	Рязанская область	86,81
Ленинградская область	122,02	Тульская область	86,20
Томская область	121,68	Мурманская область	85,11
Ростовская область	120,63	Республика Северная Осетия	83,94
Калужская область	120,58	Ивановская область	81,40
Сахалинская область	118,43	Магаданская область	81,33
Воронежская область	117,98	Калининградская область	81,17
Краснодарский край	107,70	Ненецкий АО	81,09
Ярославская область	104,71	ЯМАО ФОФФОФОавтономный округ	81,06
Ульяновская область	103,73	Оренбургская область	80,75
Омская область	103,68	Брянская область	78,92
Тюменская область	103,16	Республика Тыва	78,45
ХМАО	102,16	Астраханская область	78,42
Пензенская область	101,77	Республика Карелия	78,33
Курская область	101,16	Тамбовская область	78,27
Саратовская область	99,45	Новгородская область	78,19
Архангельская область	96,60	Амурская область	78,13
Республика Удмуртия	95,75	Кировская область	77,64
Владимирская область	94,39	Республика Ингушетия	77,57
Волгоградская область	92,70	Республика Мордовия	77,27
Карачаево-Черкесская респ. респреспРеспублика	75,71	Республика Хакасия	71,96
Республика Бурятия	75,28	Костромская область	70,86
Республика Чувашия	75,18	Псковская область	70,74
Камчатский край	75,00	Курганская область	70,08
Чукотский АО	73,98	Республика Адыгея	69,72
Республика Марий-Эл	73,77	Вологодская область	69,66
Чеченская Республика	72,97	Республика Алтай	68,72
Забайкальский край	72,91	Еврейская АО	64,92
Липецкая область	72,83	Республика Коми	62,13
Республика Калмыкия	72,15

Анализ полученных результатов предполагает:

1) сравнение итоговых kNID регионов;

2) объяснение причин различий в kNID;

3) создание типологии регионов РФ по уровню НИД.

Сравнение значений kNID определяет рейтинг субъектов Федерации по НИД и позволяет, на наш взгляд, создать инструментарий для оценки и динамического и отслеживания региональных инновационных процессов.



Рис. 19. Среднее значение kNID по Федеральным округам

Согласно рис. 19 среди Федеральных округов лидирует ЦФО, что объясняется высокими значениями рейтингов kNID для г. Москвы и Московской области. Аутсайдерами являются СКФО, ЮФО и ДФО.

Для математической обработки расчетов kNID нами использовалась компьютерная программа Gretl. В общем виде Gretl - это прикладной программный пакет для эконометрического моделирования, который позволяет автоматизировать оценку статистических рядов: вывести уравнение регрессии, построить графики, посчитать коэффициенты корреляции и т.п.

1. Расчет регрессии. Gretl позволяет вывести уравнение регрессии несколькими методами, но в данной работе будет использован метод наименьших квадратов (МНК), который основан на сумме квадратов отклонений фактических и полученных (исправленных) величин. В качестве зависимой переменной выбран kNID, а все остальные как независимые величины. В их качестве выступают все компоненты kNID.

В итоге получена следующая модель (см. рис. 20):



Рис. 20. Модель, полученная методом наименьших квадратов

Из полученных расчетов получается уравнение модели в общем виде:

kNID_i = - 0,243314 + 1,04494 x NWoS_i + 1,40564 x h_i + 0,928650 x CL7_i +0,226201 x NS_i + 1,03946 x NRPT_i + 1,20803 x Pat_i + 1,09026 x NO_i + 0,999828 x IR_i + 1,00622 x IM_i + e,

где i - какой-либо субъект РФ, е - стандартная ошибка модели.

Интерпретация уравнения:

§ При увеличении рейтинга NWoS региона на 1 kNID в среднем возрастет на 1,04494.

§ При увеличении рейтинга h региона на 1 kNID в среднем возрастет на 1,40564.

§ При увеличении рейтинга CL7 региона на 1 kNID в среднем возрастет на 0,928650.

§ При увеличении рейтинга NS региона на 1 kNID в среднем возрастет на 0,226201.

§ При увеличении рейтинга NRPT региона на 1 kNID в среднем возрастет на 1,03946.

§ При увеличении рейтинга Pat региона на 1 kNID в среднем возрастет на 1,20803.

§ При увеличении рейтинга NO региона на 1 kNID в среднем возрастет на 1,09206.

§ При увеличении рейтинга IR региона на 1 kNID в среднем возрастет на 0,999828.

§ При увеличении рейтинга IM региона на 1 kNID в среднем возрастет на 1,00622.

Таким образом, больше всех на увеличение kNID влияет рост h, Pat, NO. Напомним здесь, что h это суммарный индекс Хирша у организаций, зарегистрированных в регионе; Pat - количество выданных патентов на изобретения и полезные модели; NO - число организаций, выполняющих научные исследования и разработки. Меньше всех на увеличение kNID влияет рост NS (рейтинг численности ученых), CL7 (рейтинг суммарного цитирования работ за последние 7 лет). Это еще раз доказывает важность связи между условиями НИД и ее результатами.

Все критерии, кроме константы (const) значимы, так как t - статистика по модулю больше 2. Модель значима. Коэффициент детерминации или исправленный R-квадрат=0,999953. То есть доля объясненной регрессии составляет 99, 995%. Чем ближе R-квадрат к 100%, тем лучше.

Стандартная ошибка модели составляет 0,557298. Ошибки регрессии между наблюдаемыми и расчетными значениями kNID не превышают 2,5 (см. рис. 21), но для большинства случаев она не превышает 1 по модулю.



Рис. 21. Ошибки регрессии между наблюдаемыми и расчетными значениями kNID

1. Расчет среднего значения, эксцесса, ассиметрии для рейтингов IM, IR, NWoS, h, CL7, NS, NRPT, Pat, NO, kNID.

Полученное среднее значение для kNID составляет 108,53 (см. рис. 22). Отметим, что для большинства показателей, составляющих kNID, среднее значение составляет менее 10 при максимальном значении 100.

Показатели ассиметрии у всех потенциалов положительны и больше 0,5. Следовательно, имеет место крайне ассиметричное правостороннее распределение. Это подтверждается и тем, что средние значения и медиана не совпадают.

Показатели эксцесса также положительны и больше нуля. Тогда распределение островершинное. Наименее островершинное распределение у IR и IM, так как значение эксцесса по сравнению с другими ближе к нулю.



Рис. 22. Описательная статистика по итоговому уравнению kNID

Примером может служить распределение kNID (см. рис. 23). По оси Х - значения kNID, по оси У - частота этих значений в доле от 1. Наблюдается правосторонняя ассиметрия, с островершинным распределением. Наиболее часто встречающиеся значения kNID субъектов находятся в промежутке от 60 до 120.

Рис. 23. Относительная частота kNID

2. Корреляция значений kNID от его составляющих представлена в последнем столбце (см. рис. 24). Зависимость kNID со всеми показателями линейная, т.е. при увеличении одного из потенциалов также будет увеличиваться и kNID. Связь есть со всеми индикаторами, кроме IM, так как значение корреляции более 0,3.

Рис. 24. Корреляционная матрица для уравнения kNID

Наибольшая корреляция значений kNID наблюдается с NO: 0,9836. Далее - NWoS (0,9549), h (0,9477), Pat (0,9444), NS (0,9354), NRPT (0,8655), IR (0,7506), CL7 (0,3629), IM (0,1891).

3. Зависимость между kNID от его некоторых составляющих индикаторов. Для представления были проведены выравнивания по прямой. В качестве зависимой переменной был выбран kNID, а независимыми переменными выступают различные составляющие его виды показателей. Данное выравнивание неидеально и требует дальнейших исследований, так как выбран наиболее простой способ. Другие способы выравнивания могут лучше подходить для описания уравнения, например по параболе, или выравнивание по показательной функции. Однако в первом приближении выравнивание по прямой дает наглядное представление о зависимости переменных.

Зависимость между kNID и NWoS - линейная (см. рис. 25):



Рис. 25. Линейное выравнивание kNID и NWoS

Уравнение выглядит следующим образом: kNID_i = 87,9 + 6,58 x NWoS_i + e,

где е - стандартное отклонение (см. рис. 25).

Рис. 26. Линейное выравнивание kNID и NRPT

Зависимость между kNID и NRPT также линейная (см. рис. 26).

Уравнение: kNID_i = 75,6+ 4,43 x NRPT_i + е, где е - стандартное отклонение (см. рис. 26). Стоит отметить, что полученная прямая имеет более пологий вид по сравнению c предыдущей, а значит связь между kNID и NRPT не так выражена. Свидетельством этого может быть и коэффициент корреляции, который ниже, чем у kNID с NWoS (см. рис. 24).

Аналогичным образом можно представить уравнения kNID cо всеми другими его составляющими показателями.

3.6 Типология регионов России по итоговому коэффициенту научно-инновационной деятельности

Сравнение итоговых kNID регионов позволяет составить их типологию по уровню НИД. Для оценки уровня НИД по субъектам kNID ранжировался следующим образом:

1 группа регионов - высокий уровень НИД со значениями kNID более 200.

2 группа регионов - уровень НИД выше среднего со значениями kNID от 100 до 200.

3 группа регионов - средний уровень НИД со значениями kNID от 85 до 100. Хотя среднее значение kNID равно 108,53 (см. рис. 22), медиана составляет 88,170. Поэтому средний уровень kNID должен варьировать около последнего значения.

4 группа регионов - уровень НИД ниже среднего со значениями kNID от 75 до 85.

5 группа регионов - низкий уровень НИД со значениями kNID менее 75.



Картосхема 13. Типология регионов России по уровню НИД

инновация научный регион география

Анализ картосхемы 13 позволяет сделать следующие выводы:

1). Высокий уровень НИД наблюдается в трех субъектах РФ: Москва, Санкт-Петербург, Московская область. Заметим, что отрыв лидера, Москвы, от Санкт-Петербурга существенный (более чем в 1,95 раз), не говоря уже о регионах, где уровень НИД ниже.

2). Средний уровень НИД в данной типологии у 20 регионов. 27 регионов имеют уровень НИД выше среднего (высокий, выше среднего), а 26 - ниже среднего (низкий, ниже среднего). Типология регионов может быть другой, если интервалы kNID сформировать в иных интервалах.

3). Распределение регионов по уровню НИД в целом соответствует нормальному распределению (см. рис. 27). Красным цветом представлена полиномиальная линия тренда, которая часто применяется при нескольких точках экстремумов графика. Верхняя точка параболы находится в пределах от среднего значения до ниже среднего уровня НИД, поскольку субъектов с низким уровнем (15) гораздо больше, чем с высоким уровнем (3). Из данного факта следует, что большинство регионов имеют уровень НИД средний или ниже среднего, налицо дифференциация и территориальная неоднородность, обусловленная неравномерным размещением исследуемых объектов данной работы.



Рис. 27. График количества регионов по уровню НИД

4).Уровень НИД выше среднего имеют те регионы, которые являются, как правило, промышленно развитыми вместе с какой-либо образовательной базой в виде научных центров или ведущих университетов.

Что касается доли регионов в типологии по федеральным округам (см. рис. 28), то структуру нормального распределения от высокого уровня НИД до низкого имеет только ЦФО. Вес каждого субъекта в своем федеральном округе равен единице. Аутсайдерами являются СКФО, ДФО и ЮФО. Наибольшая доля субъектов с низким уровнем наблюдается в ЮФО, СЗФО, ДФО. Отметим сильнейшую дифференциацию регионов в СЗФО: с одной стороны наличие г. Санкт-Петербурга с высоким уровнем, с другой - более 80% субъектов имеют средний, ниже среднего, низкий уровни научно-инновационного развития. Наибольшая доля регионов с уровнем выше среднего в УФО, ПФО, СФО.



Рис. 28. Доля регионов в типологии по Федеральным округам (в%)

Представление данного распределения не дает объективных и полноценных оценок результатов НИД, а помогает только выявить дифференциацию регионов в федеральных округах по выбранной типологии в первом приближении. Так, например, доля ЦФО по многим исследуемым показателям в данной работе составляет от 40 до 60%, причем львиная доля внутри него приходилась на г. Москву и Московскую область.

Таблица 17. Места регионов-лидеров по kNID в разрезе составляющих его показателей

Регионы-лидеры по kNID (по убыванию)	NWoS	h	CL7	NS	NRPT	NO	Pat	IR	IM
г. Москва	1	1	14	1	2	1	1	1	68
г. Санкт-Петербург	2	2	15	2	1	2	2	3	14
Московская область	4	3	1	4	5	3	3	4	9
Новосибирская область	3	4	13	3	13	4	11	16	36
Республика Татарстан	7	6	30	5	7	5	4	12	4
Красноярский край	10	15	33	14	16	15	17	11	1
Нижегородская область	8	11	7	10	4	7	5	32	13
Свердловская область	5	5	18	6	6	6	6	18	11
Республика Башкортостан	12	8	16	11	39	9	8	21	2
Челябинская область	16	17	8	9	3	13	9	27	81



Рассмотрение полученных результатов в разрезе исследуемых показателей по 10 регионам-лидерам представлено по местам, которое занимает субъект по тому или иному индикатору (см. табл. 17). Лидер рейтинга, г. Москва, по шести показателям из девяти занимает первое место. Наибольший размах вариации мест приходится на IM: от 1 до 81. Данный индикатор, как было сказано в главе 2.1, не является основным, а может использоваться только при рассмотрении с другими. Представленные регионы-лидеры по пяти показателям из девяти занимают места от 1 до 20, поэтому можно сделать вывод о достаточно объективных результатах итоговых значениях kNID.

Далее рассмотрим долю индикаторов kNID в 7 регионах-лидерах (см. рис. 29).

Рис. 29. Доля индикаторов kNID в 7 регионах-лидерах (в%)

При убывании регионов доля IM, IR в итоговом значении kNID увеличивается, а доля остальных уменьшается. Снова подтверждается факт о том, что основная часть НИД страны сосредоточена в регионах с высоким уровнем: г. Москве, г. Санкт-Петербурге, Московской области.

Также следует сказать о том, что следующие субъекты заняли с 11 по 15 место в итоговом kNID: Самарская область, Пермский край, Иркутская область, Ленинградская область, Томская область. По многим исследуемым показателям вышеперечисленные регионы имеют высокие значения.

Таким образом, диффузия расширения инноваций в России, согласно теории Хагерастранда, проходит в большей степени каскадным способом: по иерархической системе от крупных городов к более мелким. Также подтверждается теория ученого о том, что диффузия инноваций происходит от крупнейших центров к провинциальным населенным пунктам. Причем движение к периферийным районам инноваций от крупных городов идет через средние, а затем малые города. Центрами в России выступают регионы с высоким уровнем НИД, последователями и генераторами инноваций второго уровня являются субъекты с уровнем НИД выше среднего.

3.7 Предложения по применению методики оценки НИД в управлении развитием регионов

Некоторыми институтами и научными организациями составляются рейтинги инновационного развития регионов России. Кроме научного потенциала они учитывают социально-экономическое развитие, открытость власти и другие показатели. Согласно такому рейтингу экономики знаний «Высшей школы экономики» на 2014 г. среди первых 15 регионов-лидеров оказалось 10 субъектов из результатов исследования данной работы. [40]

Итоговый коэффициент НИД по регионам РФ может дополняться и другими с учетом существующей статистической базы и объективности методики подсчета первичных данных.

Сфера прикладного применения рейтинга регионов по НИД в управленческой практике может быть связана с выбором субъектов для создания особых экономических зон технико-внедренческого типа.



Таблица 18. Регионы, имеющие ОЭЗ промышленно-производственного и технико-внедренческого типа. 2014 г

Вид ОЭЗ	Регион	Уровень НИД
Промышленно-производственные	Астраханская область	ниже среднего
	Самарская область	выше среднего
	Республика Татарстан	выше среднего
	Липецкая область	низкий
	Московская область	высокий
	Калужская область	выше среднего
	Псковская область	низкий
	Приморский край	средний
	Свердловская область	выше среднего
Технико-внедренческие	Московская область	высокий
	г. Санкт-Петербург	высокий
	Республика Татарстан	выше среднего
	г. Москва	высокий
	Томская область	выше среднего

Промышленно-производственные ОЭЗ располагаются в регионах как с высоким уровнем НИД, так и с низким (см. табл. 18). А технико-внедренческие ОЭЗ находятся в субъектах, где уровень НИД не ниже «выше среднего». Для инвесторов привлекательность ОЭЗ технико-внедренческого типа обусловлена особым льготным режимом, которые регулируется ФЗ от 22 июля 2005 года №116-ФЗ «Об особых экономических зонах в Российской Федерации». Субъекты, имеющие технико-внедренческую зону, потенциально выступают инновационными точками роста экономики страны.

Отметим, что учреждение ОЭЗ технико-внедренческого типа имеет смысл в регионах, в которых уровень НИД не ниже «выше среднего», поскольку в них существуют базовые условия для развития инноваций. В нашей типологии, количество регионов, имеющие потенциальные шансы на открытие ОЭЗ технико-внедренческого типа, кроме тех, где таковые уже существуют, может быть дополнено 22 субъектами (см. картосхему 13).

Также рейтинг НИД региона может быть применен при оценке эффективно функционирования ОЭЗ технико-внедренческого типа. Если в течение нескольких лет субъект, в котором располагается такая зона, не повышает свой рейтинг НИД, власти могут инициировать процедуру ликвидации данной зоны.

Другим направлением использования рейтинга НИД может быть конкурсный отбор региональных предприятий, претендующих на грантовую поддержку инновационных проектов.



Заключение

В начале XXI века развитые страны перешли на постиндустриальный тип развития, который характеризуется четвертичным сектором. В данном типе развития превалирует экономика знаний, огромное значение приобретает высококвалифицированный персонал, научные исследования и разработки, необходимые для производства изделий из природных ресурсов, а также их безотходная обработка.

Для того чтобы рынок инноваций развивался, нужны и спрос, и предложение технологий. В России доминирует акцент на предложение технологий. Тому есть простое объяснение. На протяжении всего советского периода в стране большое внимание уделялось развитию образования и науки. Вследствие чего, сложилось представление о том, что развитая наука и значительные человеческие ресурсы позволяет позиционировать Россию на международной арене в качестве поставщика технологических знаний и сложной технологической продукции. Однако подобные ожидания оказались неоправданными. Конкурентоспособность России на мировом рынке инновационных технологий невысока, а инновационный процесс характеризуют отставанием в области коммерциализации инноваций; сокращением количества разработанных и внедренных технологий; низкой восприимчивостью экономики к нововведениям; использованием устаревших технологий и производства; уменьшением численности молодых специалистов, занятых научными исследованиями

В данной работе мы сделали попытку разработки комплексного метода оценки научно-инновационных потенциалов административно-территориальных образований России.

Комплексность метода заключается в соединении в одном исследовании экономических, географических и математических подходов. Термин «научно-инновационная деятельность» (НИД) региона - географический, в экономической науке ему соответствует другой термин - «инновационный потенциал» региона.

Разработанный нами метод позволяет подсчитать и составить итоговую таблицу научно-инновационного рейтинга территорий, в нашей интерпретации по так называемому «итоговому коэффиценту НИД» (в экономическом аспекте этот коэффициент НИД можно было бы обозначать как «инновационный потенциал»).

Итоговый коэффициент НИД это сумма девяти коэффициентов (см. раздел 3.4), при расчетах которых учитываются соответствующие территориальные рейтинги по девяти следующим параметрам:

- рейтинг по показателям инновационного мультипликатора (см. раздел 3.1);

При его расчете сопоставляется соотношение показателей валового регионального продукта (ВРП) и затраты на технологические инновации (инвестиции в инновации) по конкретному субъекту РФ или Федеральному округу. Делается допущение, что прирост ВРП происходит в основном за счет технологических инноваций.

- рейтинг по показателям инновационного развития, который включает в себя два сводных показателя - инновационную восприимчивость и инновационную активность (см. раздел 3.2).

Рейтинг по восприимчивости вычисляется на основе таких индикаторов технологической эффективности: производительность труда, фондоотдача и экологичность производства. Рейтинг по активности вычисляется через такие удельные индикаторы: затраты на научные исследования и разработки на 1 занятого, затраты на технологические инновации на 1 занятого, выпуск инновационной продукции на душу населения.

- рейтинг территории по числу организаций, выполняющих научные исследования и разработки (см. раздел3.3);

- рейтинг по суммарному числу публикаций в журналах, входящих в Web of Science или Scopus (cм.раздел 3.3);

- рейтинг по суммарному индексу Хирша у организаций, зарегистрированных в регионе (см. раздел 3.3);

- рейтинг по суммарному цитирование работ, опубликованных за последние семь лет (cм.раздел 3.3);

- рейтинг по численности ученых (cм.раздел 3.3);

- рейтинг по числу разработанных передовых производственных технологий

(cм.раздел 3.3);

- рейтинг по количеству выданных патентов на изобретения и полезные модели

(cм.раздел 3.3).

Предварительный анализ результатов ранжирования территорий по девяти вышеуказанным параметрам дан в разделе 3.4.

По совокупности вышеуказанных девяти параметров для каждого региона России вычислен итоговый коэффициент НИД (см. табл. 3.1). На основе этой таблицы составлена типология субъектов Федерации по уровню НИД (см. раздел 3.5). С экономической точки зрения данная типология является классификацией регионов по их научно-инновационному потенциалу.

Диффузия расширения инноваций в России, согласно теории Хагерастранда, проходит в большей степени каскадным способом: по иерархической системе от крупных городов к более мелким. Также подтверждается теория ученого о том, что диффузия инноваций происходит от крупнейших центров к провинциальным населенным пунктам. В нашей методике первое место у г. Москвы, второе - г. Санкт-Петербурга, третье - Московской области. Причем движение к периферийным районам инноваций от крупных городов идет через средние, а затем малые города. Центрами в России выступают регионы с высоким уровнем НИД, последователями и генераторами инноваций второго уровня являются субъекты с уровнем НИД выше среднего. Существует сильнейшая дифференциация регионов России по уровню НИД.



Литература

1. Аганбегян А.Г. О модернизации общественного производства России // Инновации. - 2012. - №1 (159). - С. 36.

2. Азгальдов Г.Г. Интеллектуальная собственность, инновации и квалиметрия / Г.Г. Азгальдов, А.В. Костин / / Экономические стратегии, 2012. - №2 (60). - С. 162-164.

3. Алпатов Г.Е., Алтунян А.Г., Иванов В.В., Лякин А.Н. Современная экономическая политика России: Учебник/СПбГУ, экон. факультет. - М.: Экономика, 2011. - 349 с.

4. Андреев Д. «Роза Мира». Изд-во «Азбука», Санкт-Петербург, 2013. - 176 с.

5. Астафьев Е.В. Развитие системы управления инновациями промышленного предприятия на основе трансфера технологий // Вестник Самарского гос. экон. ун-та. 2012. - №5 (91). - С. 20-25.

6. Бабурин В.Л., Земцов С.П. География инновационных процессов в России // Вестн. Моск. ун-та. Сер. 5. География. 2013. №5. С. 25-32.

7. Бармашова Л.В., Кошелева И.А. Инновационно-инвестиционный процесс в условиях глобальной трансформации // Научные труды Вольного экономического общества России. - 2009. Т. 125. - С. 77-108.

8. Боев С. Интеграция науки, образования и производства, как основа инновационного развития // Экономист. 2015 - №7. - С. 58-72:

9. Водачек Л. Стратегия управления инновациями на предприятии: Сокр. пер. со словац. / Водачек Л., Водачкова А. - М.: Экономика, 2009. - 167 с.

10. Гвишиани Д.М.. Теоретические аспекты исследований инновационного процесса и формирования инновационной политики // Инновационная политика развитых капиталистических государств. / Д.М. Гвишиани, В.И. Громека. - М.: ВМИИСЫ, 2010. - С. 5 - 9.

11. Голиченко О.Г., Акинфеева Е.А. Особые экономические зоны технико-внедренческого типа: иллюзии и реалии // Инновации. 2009. №6 (128). С. 30-37.

12. Городникова Н.В., Гохберг Л.М., Кузнецова И.А., Маркова Ю.В., Мартынова С.В., Полякова В.В. и др. Индикаторы науки: 2014: статистический сборник. - М.: Национальный исследовательский университет «Высшая школа экономики», 2014. - 400 с.

13. Гугелев А.В. Мотивация к высокоэффективна и качественному труду / А.В. Гугелев / / Система обеспечения качества продукции: трудовая теория потребительской стоимости. - М.: Изд-во стандартов, 2011. - С. 196

14. Гунин В.Н. Управление инновациями: 17-модульная программа для менеджеров. Модель 7 / В.Н. Гунин и др. - М.: ИНФРА-М. - 2010. - 272 с.

15. Дихтль В. Практический маркетинг: Учеб. Пособие / Дихтль В., Хершген Х.; пер. с нем. И.С. Минко. - М.: Высшая школа, 2006. - 255 с.

16. Завлин П.Н. Инновационный менеджмент: Справочное пособие / Под ред. П.Н. Завлина, А.К. Казанцева, Л.Э. Миндели. - М.: ЦИСН, 2008. - 568 с.

17. Земцов С.П. Инновационная зона как территориальная модель модернизации экономики России // Региональные исследования. 2009. №4-5 (25). С. 14 - 23.

18. Изряднова О. Инвестиции в основной капитал // Экономическое развитие России - №4 - 2014-с. 24-27

19. Каракаева Е.У. Некоторые проблемы инновационной политики в регионах России // Известия Сочинского государственного университета. 2014. №3 (31) - с. 109-114.

20. Лапин Н.И. Актуальные проблемы исследования нововведений / Н.И. Лапин // Социальные факторы нововведения в организационных системах. - М.: 2005. - С. 150.

21. Морозов Ю.П.. Инновационный менеджмент: Учебное пособие / Ю.П. Морозов. - Н. Новгород: Изд-во ННГУ, 2007. - 315 с.

22. Наука, технологии и инновации России: крат. стат. сб./[гл. ред. Л.Э. Миндели]. - М.: ИПРАН РАН, 2007-2013/ И.В. Зиновьева, С.Н. Иноземцева, Л.Э. Миндели и др. - 2014 г.

23. Нестеров А.В.. Инновации - системный подход / А.В. Нестеров / / Компетентность. - М.: ГОУ ДПО «Академия стандартизации, метрологии и сертификации (учебная)». - 2013. - №2. - С. 3 - 10

24. Орлов А.И. Менеджмент. Учебник./ А.И. Орлов. - М.: Издательство «Изумруд», 2013. - 298 с.

25. Предпосылки анализа и формирования инновационной политики / Соколов Д.В., Титов А.Б., Шабанова Н.Н. - СПб.: ГУЭФ, 2007. - С. 32.

26. Российская наука: основные показатели // Материалы Института проблем развития науки РАН / В сб. Новая экономика. Инновационный портрет России. - М.: НП «Центр стратегического партнерства», 2013. С. 83 - 102.

27. Хучек М. Инновации на предприятиях и внедрение / М. Хучек. - М.: Луч, 2012. - 310 с.