Методика оценки инновационного развития региона (на примере регионов Южного федерального округа)

Введение. Уровень социально-экономического развития страны, перспективы роста экономики во многом определяются инновационным развитием ее отдельных регионов. Данный факт объясняет интерес большого числа отечественных и зарубежных ученых к проблеме оценки инновационного развития региона, выявлению факторов, определяющих его уровень.

В то же время не существует единого подхода к определению уровня экономического развития региона, а те или иные существующие методики наряду с достоинствами не лишены и определенных недостатков. Кроме того, актуальность статьи объясняется еще и тем, что в указанном контексте проводится анализ двух новых субъектов Российской Федерации – Республики Крым и города Севастополя, которые стали частью страны лишь с 2014 года. Предварительный анализ инновационного развития Севастополя [2, 4, 5] (Baranov, Garmashova, Drebot, 2020; Garmashova, Drebot, Baranov, Mitus, 2019; Garmashova, Drebot, 2020) показал наличие определенных перспектив субъекта в данной области.

Целью статьи является разработка методики оценки инновационного развития региона на материалах субъектов Российской Федерации, входящих в Южный федеральный округ.

Материалы и методы исследования. В результате рассмотрения существующих методик оценки инновационного развития регионов нами выявлены некоторые недостатки, представленные в таблице 1.

Таблица 1

Методики оценки инновационного развития регионов

Отсутствие единой методики и выявленные недостатки существующих дают возможность предложить новую методику оценки инновационного развития регионов. В исследовании сделан акцент на субъектах Южного федерального округа, частью которого являются Республика Крым и город Севастополь. В то же время основные выводы могут быть распространены и на прочие субъекты Российской Федерации.

Основная часть. Анализ базовых работ в сфере инноватики [10] (Yakovets, 2004) позволил выделить 4 группы факторов, определяющих инновационное развитие регионов:

- факторы развития научно-технического потенциала;

- факторы производственно-технологического потенциала;

- факторы функционирования инновационной инфраструктуры;

- региональная инновационная политика.

В соответствии с данной классификацией предлагается рассчитать сводный индекс инновационного развития региона. Структура индекса и показатели подиндексов представлены на рисунке 1, а расшифровка обозначений – в таблице 2.

Рисунок 1. Структура индекса инновационного развития региона

Источник: разработано авторами.

Таблица 2

Показатели инновационного развития региона

Каждый из четырех подиндексов предлагается рассчитывать как среднее арифметическое нормированных показателей ( ). Нормирование проводится по формуле (1):

, (1)

где – уровень i-го показателя для j-го региона;

– соответственно минимальное и максимальное значение i-го показателя по совокупности анализируемых регионов.

Нормирование позволяет нивелировать влияние размерности отдельных показателей на результаты расчета. В случае использования формулы (1) показатели принимают значения в диапазоне от нуля до единицы. Так как подиндексы рассчитываются как среднее арифметическое, их значения также находятся в этом диапазоне. Кроме того, такой расчет приводит к тому, что отставание по одним показателям в регионе может быть скомпенсировано преимуществом по другим, учитывая тем самым отличительные характеристики субъекта РФ.

Расчет подиндексов инновационного развития для Республики Крым и Севастополя представлен в таблице 3.

Таблица 3

Расчет подиндексов инновационного развития для Республики Крым и Севастополя за 2017 г.

На рисунке 2 представим сравнение подиндексов по Республике Крым и г. Севастополю за 2017 г. Визуальное представление позволяет сопоставить значения по регионам, выявить преимущества и слабые стороны субъекта РФ.

Рисунок 2. Сравнение подиндексов инновационного развития Республики Крым и г. Севастополя за 2017 г.

По сравнению с Республикой Крым город Севастополь продемонстрировал лучшие показатели по индексу развития научно-технического потенциала региона, индексу производственно-технологического потенциала и индексу региональной инновационной политики.

Рассчитанные значения подиндексов по регионам Южного федерального округа за 2014–2017 гг. представлены в таблице 4.

Таблица 4

Значения подиндексов инновационного развития регионов Южного федерального округа за 2014–2017 гг.

При этом подиндексы рассчитаны на основе большого числа показателей, что не всегда удобно при оперативном ранжировании. Более того, часть исходных показателей в необходимом виде не представлена в официальной статистике и они требуют предварительных расчетов. Для нивелирования данного недостатка предлагается использовать методы корреляционно-регрессионного анализа. Анализ проводился с помощью программного продукта Minitab. В качестве результирующего показателя используется рассчитанное значение подиндексов ( , , , ) а аргументами выступают исходные величины ( ).

Проверка моделей на значимость представлена в таблице 5.

Таблица 5

Оценка качества параметров моделей

Таким образом, лишь параметры модели индекса региональной инновационной политики прошли проверку на значимость. Коэффициенты при следующих переменных незначимы по t-критерию Стьюдента:

-численность исследователей на 10 тыс. чел. постоянного населения( );

-доля внутренних затрат на исследования и разработки, в процентах к ВРП ( );

-численность исследователей, выполнявших НИР, на 10 тыс. занятых в экономике ( );

-доля работников с высшим образованием в общей численности занятых ( );

-доля инвестиций, направленных на реконструкцию и модернизацию, в общем объеме инвестиций в основной капитал по субъектам Российской Федерации ( );

-ВРП на душу населения ( );

-стоимость основных фондов на конец года по полной учетной стоимости на душу населения ( );

-число патентов на изобретения, выданных Роспатентом российским заявителям, в расчете на 1 млн чел. населения ( );

-доля организаций, имевших веб-сайт, в общем числе обследованных организаций ( ).

Исключив указанные переменные, получим модели, представленные в таблице 6, проверка параметров моделей на значимость – в таблице 7.

Таблица 6

Оценка качества моделей подиндексов инновационного развития регионов

Таблица 7

Оценка качества параметров моделей

Все полученные модели являются адекватными исходным данным. При этом они достаточно точно определяют динамику подиндексов инновационного развития региона: коэффициент детерминации варьируется от 77,6% до 99,0%.

Сводный индекс инновационного развития региона предлагается также рассчитывать как среднее арифметическое. Полученное значение, во-первых, позволяет проранжировать регионы по индексу инновационного развития, во-вторых, дать качественную характеристику такого развития, пользуясь следующей шкалой:

- 0–0,35 – низкое инновационное развитие (НИР);

- 0,35–0,65 – среднее инновационное развитие (СИР);

- 0,65–1,0 – высокое инновационное развитие (ВИР).

В таблице 8 представим как рассчитанные значения индексов инновационного развития по регионам Южного федерального округа, так и ранжирование регионов, а также качественную оценку их развития.

Таблица 8

Инновационное развитие регионов Южного федерального округа

Заключение. Расчет по построенным моделям, несмотря на то, что несколько изменяет абсолютное значение индексов, не отражается на рейтинговой оценке региона и на качественной характеристике его инновационного развития. Это говорит об устойчивости методики и возможности применения полученных моделей для упрощения расчетов.

Республика Крым и город Севастополь на протяжении анализируемого периода стабильно характеризовались как регионы со средним инновационным развитием. Рейтинг указанных регионов в 2017 году составил 5 и 2 соответственно. Стабильно высокий рейтинг инновационного развития.

В целом разработанная методика использует в расчетах показатели, представленные в официальной статистике, которые характеризуют развитие научно-технического потенциала региона, факторы его производственно-технологического потенциала, функционирование инновационной инфраструктуры, а также проводимую региональную инновационную политику. Использование методов корреляционно-регрессионного анализа позволило получить модели, упрощающие ранжирование регионов, и дать качественную характеристику инновационного развития регионов. Многофакторность оценки позволяет региону получить объективное представление о своих преимуществах, наметить дальнейшие пути развития.