Моделирование взаимосвязи макроэкономических факторов и спроса на инновации

Клещева О.А.1
1 Казанский государственный архитектурно-строительный университет

Статья в журнале

Вопросы инновационной экономики
Том 10, Номер 4 (Октябрь-декабрь 2020)

Цитировать:
Клещева О.А. Моделирование взаимосвязи макроэкономических факторов и спроса на инновации // Вопросы инновационной экономики. – 2020. – Том 10. – № 4. – doi: 10.18334/vinec.10.4.110993.

Аннотация:
Исследование российского опыта инновационной деятельности не теряет своей актуальности уже много лет. Несмотря на все усилия, инновационная активность российских предприятий ниже чем зарубежных. Среди причин низкой инновационной активности можно выделить сложность прогнозирования спроса, а, следовательно, и сбыта инновационной продукции. Инвестор не уверенный в возврате своих средств предпочитает другие направления инвестирования. Разработка методов оценки спроса на внедряемые инновации – это особо актуальная задача. В статье решается часть этой задачи, связанная с изучением взаимосвязи макроэкономической ситуации и спроса на инновации. На основе применения регрессии на главные компоненты построена модель, позволяющая дать оценку ожидаемого спроса на инновационные продукты.

Ключевые слова: прогнозирование спроса, моделирование спроса, спрос на инновационный товар, макроэкономические факторы

JEL-классификация: O31, O32, O33, O11



Введение

Изучение особенностей инновационного развития экономики России не теряет своей актуальности уже много лет. Несмотря на все усилия, общий уровень инновационной активности в России, то есть процент инновационных предприятий, ниже, чем зарубежных (рис. 1). Масштабы инновационной деятельности в России свидетельствуют о наличии резервов [5 с. 3725–3726; 7, с. 107] (Zagidullina, Zaynullina, Mavlyutova, Sirazetdinova, 2017, р. 3725–3726; Kleshcheva, 2012, р. 107).

Рисунок 1. Совокупный уровень инновационной активности предприятий

Источник: Индикаторы инновационной деятельности: 2020: статистический сборник [6, с. 300–301] (Gokhberg, Ditkovskiy, Evnevich et al., 2020, р. 300–301).

Инновационные проекты требуют, как правило, больших капиталовложений [1, с. 49; 2, с. 125; 12, с. 89–90] (Azhimov, Fayzullin, Azhimova, 2018, р. 49; Bakhareva, 2017, р. 125; Sayfullina, 2010, р. 89–90). Поэтому необходимо совершенствование методов оценки их эффективности. Инновации – это коммерчески успешные новые идеи. Инвестиции в инновационный проект сопряжены с большим риском [19, с. 89] (Shagiakhmetova, Serdarova, 2018, р. 89), в первую очередь по причине сложности прогнозирования спроса на новый продукт, а следовательно, и коммерческого успеха. Повышение достоверности прогноза спроса позволит точнее оценивать эффективность инновационных проектов и снизить риск. В этом случае можно ожидать роста инновационной активности.

В научной литературе исследования, связанные с оценкой спроса, ведутся в различных направлениях. В работе Васильевой Е.Ю. исследуются особенности оценки влияния рисков на спрос в инновационной деятельности [4, с. 215–217] (Vasileva, 2020, р. 215–217). Симонов А.Б., Рогачев А.Ф., Симонова И.Э. [13, с. 45–46] (Simonov, Rogachev, Simonova, 2020, р. 45–46) на основе моделей спроса и предложения анализируют влияние эластичности спроса и предложения на результативность инновационной деятельности. Хорев А.В., Семенова С.В., Кропотова И.В., Оскирко А.В. [17, с. 129–132] (Khorev, Semenova, Kropotova, Oskirko, 2012, р. 129–132) исследуют возможность применения корреляционно-регрессионного анализа для прогнозирования влияния на спрос ценовых и неценовых, а также макроэкономических факторов. Тоткало Г.В. и Хрипунова А.С. [14, с. 77–78] (Totkalo, Khripunova, 2015, р. 77–78) провели анализ методов прогнозирования и программирования спроса. В работе Кузовкина А.И. [9, с. 29–30] (Kuzovkin, 2014, р. 29–30) изучается взаимосвязь спроса, цены на электроэнергию и темпа роста внутреннего валового продукта на основе построения регрессионной зависимости. Модель Басса в качестве основы для построения прогноза спроса на инновационный продукт предлагают применять Бурмистрова И.К., Кублин И.М., Сулян Г.C., Тинякова В.И. [3, с. 60] (Burmistrova, Kublin, Sulyan, Tinyakova, 2018, р. 60). Мазурова О.В. [10, с. 75–77] (Mazurova, 2018, р. 75–77) исследует, насколько меняется точность прогнозных оценок спроса для различных товаров в зависимости от горизонта прогнозирования. Поспелова Л.Я., Шананин А.А. [11, с. 26–27] (Pospelova, Shananin, 2019, р. 26–27) адаптируют нейронные сети для прогнозирования спроса в розничной торговле.

Целью данного исследования является построение экономико-математической модели, описывающей зависимость спроса на инновации от различных факторов. Научная новизна заключается в разработке модели оценки спроса на инновации на ранних стадиях проектирования на основе прогнозирования доходов потенциальных потребителей с использованием регрессии на главные компоненты. Гипотеза состоит в повышении достоверности прогнозирования на основе построенной модели.

Методика

Прогнозирование спроса является сложной и многоаспектной задачей, так как спрос подвержен влиянию множества внешних и внутренних факторов. На первых этапах разработки проекта часто бывает необходимо выбрать наиболее эффективные из нескольких альтернатив. В этом случае не всегда целесообразно организовывать опрос потенциальных покупателей. На начальных этапах разработки проекта возможна оценка спроса на основе анализа доходов населения. Прирост доходов необходимо рассматривать с учетом влияния инфляции [8, с. 948–949] (Kleshcheva, Sayfullina, 2019, р. 948–949).

В качестве метода построения модели зависимости прироста реальных доходов населения от факторов внешней макросреды была рассмотрена регрессия на главные компоненты [16, с. 246–249; 20, с. 82–88] (Pomerantsev, 2014, р. 246–249; Esbensen Kim, 2005, р. 82–88). В случае применения этого метода матрица факторов внешней среды вначале подвергается разложению с использованием метода главных компонент. Это позволяет уточнить только релевантную информацию. Затем строится регрессионная модель зависимости результирующего фактора от главных компонент. Применительно к рассматриваемой задаче вначале определяются главные компоненты, то есть основные направления изменений в экономике России, а затем рассчитывается зависимость от них прироста доходов населения.

Нахождение главных компонент предполагает построение модели [20, с. 152–153] (Esbensen Kim, 2005, р. 152–153):

X = T PT + E, (1)

где Х – матрица исходных данных;

Т – матрица счетов;

Р – матрица нагрузок;

Е – матрица остатков.

Первоначально устанавливаются исходные значения = столбец матрицы Xa-1, обладающий максимальной остаточной суммой квадратов. Затем для первой главной компоненты рассчитывается:

(2)

(3)

(4)

(5)

Вклад первой главной компоненты вычитается:

(6)

Алгоритм повторятся для нахождения остальных главных компонент.

Регрессия у строится на векторы счетов . Для нахождения регрессионных коэффициентов используется формула:

(7)

где X-нагрузки являются нагрузками для рассматриваемых главных компонент, а Y-нагрузки определяются по формуле:

(8)

Результаты и обсуждения

Для расчета регрессионной модели нами были использованы данные по основным параметрам развития экономики России с 1999 по 2019 год (табл. 1).

Таблица 1

Параметры экономического развития России

Год
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
2015
2016
2017
2018
2019
Численность постоянного населения, млн чел. [15] (x1)
147,5
147,1
146,7
146,3
145,2
145
144,3
143,8
143,2
142,8
142,8
142,7
142,9
142,9
143
143,3
143,7
146,3
146,5
146,8
146,9
146,7
Индексы физического объема валового внутреннего продукта (в % к предыдущему году) [15] (x2)
94,7
106,4
110,0
105,1
104,7
107,3
107,2
106,4
108,2
108,5
105,2
92,2
104,5
104,3
103,7
101,8
100,7
97,7
100,3
101,6
102,3
101,3
Ставка рефинансирования ЦБ РФ, % [18] (x3)
53
57
33
25
23
17
14
13
12
10
11
12
7,75
8
8,25
5,5
10,5
8,25
10,6
9,14
7,5
7,33
Курс доллара (среднегодовой) [15] (x4)
20,65
24,59
28,16
30,14
31,78
29,45
27,75
28,78
26,33
24,55
25,02
30,5
30,36
29,39
31,08
31,85
38,61
60,95
67,03
58,3
62,71
64,66
Индексы потребительских цен по РФ, % [15] (x5)
184,43
136,53
120,18
118,58
115,06
111,99
111,73
110,92
109
111,87
113,28
108,8
108,78
106,1
106,57
106,47
111,35
112,91
105,39
102,51
104,26
103,1
Уровень безработицы населения в возрасте 15–72 лет, % [15] (x6)
13,26
13,04
10,6
9,0
7,9
8,2
7,8
7,1
7,1
6,0
6,2
8,3
7,3
6,5
5,5
5,5
5,2
5,6
5,5
5,2
4,8
4,6
Индексы промышленного производства РФ, в % к предыдущему году [15] (x7)
95,2
108,9
108,7
102,9
103,1
108,9
108
105,1
106,3
106,8
100,6
89,3
107,3
105
103,4
100,4
101,7
96,6
101,1
98,13
102,9
102,4
Инвестиции в основной капитал по РФ, млн руб. [15] (x8)
407086,30
670438,80
1165234,20
1504712,10
1762407,30
2186365,20
2865013,90
3611109,00
4730022,90
6716222,40
8781616,40
7976012,80
9152096,00
11035652,00
12586090,40
13450238,20
13902645,30
13897187,7
14748846,9
16027302,0
17595028,0
19319000,0
Динамика среднедушевых доходов населения по Российской Федерации, рублей в месяц [15] (x9)
1010,2
1658,9
2281,1
3062,0
3947,2
5167,4
6399,0
8088,3
10154,8
12540,2
14863,6
16895,0
18958,4
20780,0
23221,1
25928,2
27766,6
30466,6
30675,1
31367,0
32609,3
35249
Прирост реальных доходов населения по РФ, % [8, с. 949] (y)
-77,0
27,7
17,3
15,7
13,8
18,9
12,1
15,5
16,5
11,6
5,2
4,9
3,4
3,5
5,2
5,2
-4,3
-3,2
-4,7
-0,3
-0,3
5
Источник: Федеральная служба государственной статистики [15], сайт ЦБ РФ [18].

В процессе расчетов на основе значений показателя остаточной дисперсии было определено, что для построения регрессионной модели необходимо использовать первую главную компоненту. Она описывают 83% вариации исходных данных.

Применение регрессии на главные компоненты предполагает расчет и анализ значений нагрузок и счетов по построенной модели. Нагрузки дают информацию о направлении главных компонент. Чем больше абсолютное значение нагрузок по фактору, тем больше этот фактор влияет на направление главной компоненты. Анализируя величины нагрузок (рис. 2), можно сделать вывод об экономической интерпретации главной компоненты.

Рисунок 2. Величина нагрузок по первой главной компоненте [1]

Источник: рассчитано автором на основе данных Федеральной службы государственной статистики.

Направление первой главной определяют следующие факторы: ставка рефинансирования (-0,35 [2]), индекс потребительских цен (-0,37), уровень безработицы (-0,39), инвестиции в основной капитал (0,40), динамика среднедушевых доходов населения (0,41), прирост реальных доходов населения (-0,39). Эта главная компонента интерпретируется как фактор цикличности развития экономической системы.

Счетами в модели регрессии на главные компоненты называются проекции исходных экономических периодов на главную компоненту. Анализ счетов дает возможность обобщить итоги экономического развития за представленный промежуток времени. На рисунке 3 представлены значения счетов для первой главной компоненты построенной модели.

Рисунок 3. Величина счетов по первой главной компоненте

Источник: рассчитано автором на основе данных Федеральной службы государственной статистики.

Изучение графика счетов позволяет сделать вывод о поступательном развитии экономики России. В соответствии с теорией экономических циклов присутствуют колебания. На смену пикам экономического роста в 2002, 2005, 2009, 2015 годах приходят падения в 2003, 2010 и 2014 годах.

По результатам применения регрессии на главные компоненты построена следующая регрессионная модель:

у=0,03*х1+0,2*х2+0,1*х3-0,07*х4+0,2*х5+0,6*х6+0,2*х7-0,0000002*х8-0,0001*х9 -60,573963 (9)

Для оценки адекватности построенной модели был рассчитан коэффициент детерминации. Его значение составило 0,8: построенная модель объясняет 80% колебаний результирующего фактора, а следовательно, приемлема для анализа. На рисунке 4 представлена динамика исходных значений результирующего показателя и динамика значений, рассчитанных на основе модели (9).

Рисунок 4. Исходные и выровненные с помощью модели значения

Источник: рассчитано автором на основе данных Федеральной службы государственной статистики.

Модель позволяет прогнозировать общие тенденции изменения прироста реальных доходов населения. Поэтому ее можно рекомендовать для оценки спроса на инновационный продукт на начальных этапах разработки проекта.

Заключение

Решению актуальной проблемы оценки спроса на инновации посвящено множество исследований. В случае повышения достоверности прогноза можно ожидать роста инновационной активности, так как в этом случае риски по инновационному проекту снижаются.

Проблема оценки спроса на инновационные товары может быть решена на основе моделирования прироста реальных доходов населения. В качестве регрессионной модели применена модель регрессии на главные компоненты. По результатам моделирования выявлена главная компонента, влияющая на прирост реальных доходов населения. Это фактор цикличности экономической системы. Построенная модель является адекватной и может быть использована для прогнозирования. В результате спрос на инновационный продукт можно оценить на основе прогнозов по ставке рефинансирования, уровню инфляции, уровню безработицы, величине инвестиций.

[1] Условные обозначения указаны в таблице 1.

[2] В скобках приведены значения нагрузок.


Источники:

1. Ажимов Т.З., Файзуллин И.Э., Ажимова Л.И. Инновационный подход к расчету экономической эффективности системы «Умный дом» // European Social Science Journal. – 2018. – № 12. – c. 46-51.
2. Бахарева О.В. Инновационно-технологическое управление ростом: технология информационного моделирования в регионе // Российское предпринимательство. – 2017. – № 2. – c. 121-132. – doi: 10.18334/rp.18.2.37279 .
3. Бурмистрова И.К., Кублин И.М., Сулян Г.C., Тинякова В.И. Проблемные аспекты моделирования риска при внедрении инноваций // Учет и статистика. – 2018. – № 2(50). – c. 54-63.
4. Васильева Е.Ю. Совершенствование методики оценки эффективности инвестиций в инновации в химической промышленности путем учета вероятности рисков проекта // Бизнес. Образование. Право. – 2020. – № 2(51). – c. 214-220. – doi: 10.25683/VOLBI.2020.51.255.
5. Загидуллина Г.М., Зайнуллина Д.Р., Мавлютова А.Р., Сиразетдинова Э.Р. Реализация инновационных проектов как основа экономического развития // Российское предпринимательство. – 2017. – № 23. – c. 3725-3738. – doi: 10.18334/rp.18.23.38612 .
6. Гохберг Л.М., Дитковский К.А., Евневич Е.И. и др. Индикаторы инновационной деятельности: 2020. - М.: НИУ ВШЭ, 2020. – 336 c.
7. Клещева О.А. Государственное регулирование инновационного развития ИСК // Экономическое возрождение России. – 2012. – № 2(32). – c. 107-112.
8. Клещева О.А., Сайфуллина Ф.М. Прогнозирование спроса на инновационный продукт с учетом влияния макроэкономических факторов // Вопросы инновационной экономики. – 2019. – № 3. – c. 945-954.
9. Кузовкин А.И. О прогнозировании спроса на электроэнергию в зависимости от темпов роста ВВП и цен // Микроэкономика. – 2014. – № 1. – c. 27-30.
10. Мазурова О.В. Зависимость неопределенности динамики цен и спроса на энергоресурсы от горизонта прогнозирования // Проблемы прогнозирования. – 2018. – № 2(167). – c. 72-78.
11. Поспелова Л.Я., Шананин А.А. Прогнозирование потребительского спроса с помощью композиции обобщенного непараметрического и нейросетевого методов // Международный научно-исследовательский журнал. – 2019. – № 1-2(79). – c. 23-28. – doi: 10.23670/IRJ.2019.79.1.033 .
12. Сайфуллина Ф.М. K вершинам инновационности в строительстве. Экономические и управленческие аспекты повышения инновационной активности строительных предприятий // Креативная экономика. – 2010. – № 10(46). – c. 87-91.
13. Симонов А.Б., Рогачев А.Ф., Симонова И.Э. Моделирование влияния рыночных факторов на динамику радикальных процессных инноваций // Друкеровский вестник. – 2020. – № 2(34). – c. 43-56. – doi: 10.17213/2312-6469-2020-2-43-56 .
14. Тоткало Г.В., Хрипунова А.С. О некоторых подходах к прогнозированию спроса на рынке нефтепродуктов // Вестник Университета (Государственный университет управления). – 2015. – № 8. – c. 75-79.
15. Федеральная служба государственной статистики. [Электронный ресурс]. URL: http://www.gks.ru (дата обращения: 14.08.2020).
16. Померанцев А. Хемометрика в Excel. / Учебное пособие. - Томск: Изд-во Томского политехнического университета, 2014. – 434 c.
17. Хорев А.В., Семенова С.В., Кропотова И.В., Оскирко А.В. Применение корелляционно-регрессионного анализа при долгосрочном прогнозировании спроса на газохимическую продукцию // Научно-технический сборник Вести газовой науки. – 2012. – № 2(10). – c. 127-132.
18. Центральный банк Российской Федерации. [Электронный ресурс]. URL: http://www.cbr.ru (дата обращения: 14.08.2020).
19. Шагиахметова Э.И., Сердарова М.С. Количественный анализ рисков инвестиционных проектов (на примере организаций строительной отрасли) // Дискуссия. – 2018. – № 88. – c. 85-92.
20. Эсбенсен Ким Анализ многомерных данных. / избр. главы.Монография. - Черниголовка: Изд-во ИПХВ РАН, 2005. – 157 c.

Страница обновлена: 19.10.2020 в 12:43:39