Интеллектуальное моделирование взаимосвязи инновационной активности и уровня человеческого капитала

Введение. Основным стратегическим вызовом и одновременно условием повышения уровня социально-экономического развития России и качества жизни ее граждан в настоящее время является переход к инновационной экономике. В свою очередь, этот переход возможен лишь на основе развития региональных инновационных систем, которое напрямую зависит от качества человеческого капитала и процессов, протекающих в сфере науки и инноваций регионального уровня.

Человеческий капитал и возможности применения инструментов Big Data в повышении инновационной активности. Человеческий капитал – это иллюстрация того, что люди вкладывают в себя, другими словами, в свои навыки, что в конечном итоге увеличивает их экономическую производительность. Эта теория основана на идее, что человеческий капитал ведет к творчеству, что в конечном итоге может привести к инновациям. Сторонники этой теории считают, что образованные люди являются продуктивными людьми, основным двигателем прогресса. Теория человеческого капитала основывается на предположении, что формальное образование играет важную роль и даже необходимо для увеличения производственной мощности населения и развития инновационной активности.

Теоретики человеческого капитала утверждают, что продуктивность и эффективность сотрудников повышаются за счет образования и повышения уровня познавательной способности экономически продуктивных человеческих способностей, что является результатом врожденных качеств и инвестиций людей в себя. Логика инвестирования в человеческий капитал построена на трех точках зрения: во-первых, новое поколение должно быть обеспечено знаниями, которые были у предыдущих поколений. Во-вторых, новое поколение следует обучать способам использования имеющихся знаний для разработки и изобретения различных продуктов или услуг. В-третьих, новое поколение следует поощрять к открытию совершенно новых подходов удовлетворения потребностей общества с помощью творчества.

Другой отправной точкой нашего исследования явилось использование инструментов Big Data. Термин Big Data охватывает целый набор инструментов и непрерывно развивающихся технологий сбора и анализа больших объемов самых разных данных. Также данный термин применяют для обозначения самих данных, которые обрабатываются данным методом.

В 2001 г. вышла работа D. Laney, в которой было предложено определение Big Data как «крупномасштабных, высокоскоростных и разнообразных информационных активов» [4] (Laney, 2001). Оно получило название «3V», так как базировалось на трех основных признаках больших данных – так называемых V: Volume, Velocity, Variety, и подразумевало, что размер данных велик, данные будут создаваться быстро и данные могут быть разного типа и собираться из разных источников [1] (Batrouni, Bertaux, Nicolle, 2018).

В более поздних исследованиях выделяют большее количество V, рассматривая еще такие признаки, как veracity – достоверность данных, viability – жизнеспособность, variability – переменчивость и value – ценность данных как в качестве накопленной информации, так и добавленной стоимости для компаний [7].

В контексте Big Data предписывающая аналитика – это относительно недавнее направление, поэтому в настоящее время оно находится на стадии разработки и апробации. Исследователи пытаются синтезировать несколько наук и методологий, таких как машинное обучение (ML), исследование операций (OR), статистический анализ и моделирование.

Аналитику с применением инструментов Big Data можно смело назвать аналитикой нового уровня. Ниже приводится сравнение традиционной и аналитики Big Data (табл. 1).

Таблица 1

Сравнение традиционной аналитики и BigData

Анализ больших данных основан на статистических методах и простых принципах корреляции. С каждым годом методов и технологий анализа Big Data становится все больше. Этими вопросами занимается наука о данных – Data Science.

Практики считают, что первоочередной задачей науки о данных является распознавание образов в маccиве данных, анализ и эффективное практическое применение. Когда мы сравниваем методы, используемые в изучаемой области, с традиционной статистикой, получаем, что наука о данных фокусируется на изучении очень больших разнородных цифровых данных в едином контексте, подключая информационные возможности для их анализа. Большим плюсом Data Science является меньшая ограниченность особенностями предметной области, что позволяет сопоставлять самые разные данные [15] (Shikhovtsova, Vinichenko, 2016).

За последнее десятилетие Big Data получили распространение как инструмент управления человеческими ресурсами вместе с искусственным интеллектом. На рисунке 1 показаны задачи по подбору персонала, в которых искусственный интеллект имеет наибольшее значение в 2020 году.

Рисунок 1. Использование искусственного интеллекта при подборе кадров Источник: [12] (Kalinovskaya, 2020).

С 2013 года большие данные имеют независимый фокус в управлении человеческими ресурсами – People Data («данные о людях»; технология для обработки всего спектра данных о человеческих ресурсах, генерируемых как в среде компании, так и за ее пределами, с целью принятия управленческих решений для достижения корпоративных целей) [10] (Dolzhenko, 2019).

Для нашего исследования особый интерес представляет новое перспективное направление, где Big Data применяется для привлечения, выявления, развития и удержания людей, которые считаются талантливыми. На практике слово «талантливый» часто применяют к сотрудникам с высоким потенциалом, «игрокам А», стратегически важным сотрудникам или сотрудникам на ключевых должностях. Они представляют 20% рабочей силы и получают более ценные ресурсы и возможности для карьерного роста от организации. «Игроки А» вносят значительный вклад в общую производительность организации. Их навыки порой уникальны, потому что их трудно заменить.

Современная практика применения Big Data в HR интересна тем, что позволяет выявить таланты у всех людей, а не только «отличников». Преимущества анализа талантов с точки зрения эффективности очевидны. Например, если организация может определить причинно-следственную связь между расходами на обучение и рентабельностью, тогда это дает возможность разработать поддающуюся количественной оценке стратегию обучения.

Несмотря на потенциальные преимущества, аналитика талантов как отдельная область бизнеса развивалась достаточно медленно. По результатам исследования глобальных тенденций развития человеческого капитала в 2014 г. проведенный опрос показал, что компании понимают важность данного направления, но при этом выявил значительные пробелы в их текущей готовности практического использования. В опросе, проведенном Falletta в 2014 г., только 15% респондентов заявили, что аналитика талантов играет ключевую роль в их организации [2] (Falletta, 2014). Аналогичные результаты были получены Lawler и соавторами в 2015 г., хотя в других отчетах подчеркивалось, что в некоторых отраслях очень распространено использование аналитики талантов благодаря доступности данных [5] (Lawler, Boudreau, 2015).

Однако все быстро изменилось. Например, отчет IBM за 2016 год обнаружил, что использование прогнозной аналитики для поиска талантливых сотрудников увеличилось на 40% за предыдущие два года [3].

В высокоинтеллектуальных профессиях выявление талантов действительно очень сложный процесс. Например, исследование в аэрокосмической сфере показало [6] (N’Cho, 2017), что выдающийся талант должен иметь не менее десяти лет опыта, чтобы его признали руководители высшего звена. Выявить талант в начале процесса действительно сложно. С другой стороны, необходимы молодые специалисты, способные выполнять задачи в области новых технологий и совершенствовать свой потенциал. Аналитика талантов может помочь ответить на этот вопрос, внося свой вклад в определение потенциала людей на основе врожденных характеристик, особенностей личности, а также образования и культурного происхождения.

При этом важно не только выявить таланты, но и удержать их. Аналитика талантов поможет определить правильное время и развивать таланты, удовлетворяя потребности и организации, и сотрудника. Например, перераспределить сотрудников на новые должности или перевести в другие отделы.

Инструменты BigData могут применяться на разных шагах работы с персоналом, включая выявление талантов, отбор, привлечение и сохранение (табл. 2).

Таблица 2

Возможности анализа талантов в организации

На данном этапе исследования мы ставили целью апробировать инструменты Big Data для изучения регионального человеческого капитала и инновационной активности для начала на региональном уровне. Инструменты Big Data, по нашему мнению, лучше всего соотносятся с теорией человеческого капитала, от которой мы будем отталкиваться в дальнейшем при рассмотрении поставленной проблемы. Теория человеческого капитала кажется нам наиболее подходящей в рамках данного исследования, так как, во-первых, концентрируется на увеличении производительности благодаря способностям и возможностям человека. Во-вторых, делает акцент на образовании, которое имеет чуть ли не решающее значение в сфере разработки и продвижения инноваций.

Для анализа данных представляется целесообразным использовать следующие инструменты Big Data:

1. Кластерный анализ: для выявления похожих по показателям регионов и последующего составления стратегий развития по кластерам.

2. Регрессионный анализ: для определения значимых факторов, показателей, больше всего оказывающих влияние на инновационную активность.

Интеллектуальный анализ Big Data может быть двух видов: с учителем и без. Другими словами, распознавание образов для обнаружения закономерностей в данных может быть контролируемым и неконтролируемым. При распознавании образов с учителем происходит обучение на основе какого-то набора данных, чтобы помочь алгоритмам обнаруживать закономерности. Без учителя – означает, что обучение на основе данных не проводится; закономерности обнаруживаются другими способами, такими как статистический анализ.

Для распознавания образов с учителем необходимо иметь определенные предварительные знания. Это связано с тем, что данные, используемые для обучения программного обеспечения, должны быть предварительно отобраны.

При неконтролируемом распознавании образов в этом нет необходимости. Группа данных просто обрабатывается алгоритмом, чтобы увидеть, что «интересно». При этом закономерности могут быть и не найдены.

Кластерный анализ – это форма неконтролируемого распознавания образов, «обучения без учителя», основывается на объединении наиболее похожих наблюдений в группы (кластеры) (рис. 2).

Рисунок 2. Пример кластерного анализа

Источник: составлено автором по результатам работы в программе Statistica.

Следующим шагом аналитика является изучение данных, составляющих каждый кластер. Например, исследование зеленого кластера может выявить концентрацию регионов с наиболее высоким уровнем образования. Аналитик должен понять:

1) что интересного в кластерах?

2) какие наблюдения в данных могли вызывать такую кластеризацию?

Доступны несколько типов алгоритмов кластеризации, такие как алгоритмы на основе связности, центроида, распределения и плотности.

Регрессионный анализ используется для оценки силы и направления взаимосвязи между переменными, которые линейно связаны друг с другом (рис. 3). Две переменные X и Y называются линейно связанными, если связь между ними можно записать в виде:

Y = mX + b, (1)

где m – наклон или изменение Y из-за данного изменения X;

b – точка пересечения или значение Y, когда X = 0.

Рисунок 3. Пример линейной регрессии

Источник: составлено автором по результатам работы в программе Statistica.

Регрессионный анализ может помочь нам построить модель линейной зависимости инновационной активности и рассматриваемых наблюдений человеческого капитала.

Анализ регионального человеческого капитала во взаимосвязи с инновационной активностью. В работе представлены результаты анализа человеческого капитала в его взаимосвязи с уровнем инновационной активности регионов России. База данных формировалась, основываясь на показателях Росстата в разрезе регионов РФ за 2000–2019 гг.

Нет единой точки зрения на сущность и структуру человеческого капитала, тем более регионального. В нашем исследовании мы рассматривали человеческий капитал, состоящий из следующих элементов:

· интеллектуальный капитал;

· демографический капитал;

· трудовой капитал;

· образовательный капитал;

· социокультурный капитал [11, 14] (Zabelina, Kozlova, Romanyuk, 2013; Myzin, Gurban, 2011).

Для каждого составного элемента были выбраны следующие показатели по всем субъектам РФ (табл. 3).

Таблица 3

Показатели регионального человеческого капитала

Регионы России не являются однородными по рассматриваемым показателям, порой очень сильно отличаются друг от друга [13] (Mikhalkina, Kosolapova, Senkiv, 2015). Учитывая данный факт, исследование проводилось в два этапа. Первым шагом выступил кластерный анализ: для выявления похожих по показателям регионов и последующего составления стратегий развития по кластерам; вторым – регрессионный: для определения значимых факторов, показателей, больше всего оказывающих влияние на инновационную активность. Для ухода от разной размерности данных использовалась процедура стандартизации. Наиболее удачным вариантом явилось разбиение всех наблюдений (показателей человеческого капитала по регионам) на 4 кластера (табл. 4).

Для кластеризации оказались подходящими следующие показатели: численность персонала, занятого научными исследованиями и разработками; численность кандидатов наук; численность докторов наук; ожидаемая продолжительность жизни при рождении; смертность населения в трудоспособном возрасте; численность рабочей силы; число образовательных организаций высшего образования и научных организаций; численность профессорско-преподавательского состава в вузах; численность зрителей театров на 1000 человек населения.

Таблица 4

Кластеры регионов по уровню человеческого капитала

Отличительные особенности были выделены на основе графика средних и составленной на его основе таблицы уровня значимых показателей по кластерам (рис. 4; табл. 5).

Рисунок 4. График средних кластерного анализа регионального человеческого капитала

Источник: составлено автором по результатам работы в программе Statistica.

Таблица 5

Уровень значимых показателей по кластерам

Стоит начать с кластера II, в который вошли Москва и Санкт-Петербург. Он характеризуется высокими значениями человеческого капитала по всем показателям. В данных регионах самые высокие показатели интеллектуального и образовательного капитала (численность персонала, занятого научными исследованиями и разработками, количество кандидатов и докторов наук, профессорско-преподавательского состава, а также организаций высшего образования и научных организаций). Логичным выглядит, что эти два города обладают самыми мощными ресурсами по всем направлениям и являются лидерами в концентрации человеческого капитала.

Кластер I можно назвать «среднестатистическим» по стране. Он имеет средние значения по всем показателям. В него вошли 34 региона. Основная цель регионов в данном кластере – это ориентация на кластер II, повышение всех показателей.

В кластер III вошли 38 регионов, которые отстают по демографическим и трудовым показателям. В этих регионах высокая смертность при ожидаемой продолжительности населения ниже среднего, что логично перетекает в низкий уровень численности рабочей силы.

Кластер IV, наоборот, характеризуется высоким демографическим потенциалом, а следовательно, и более большой численностью рабочей силы. При этом в нем отмечается низкий уровень культурного потенциала. В него вошли субъекты СКФО, а также, что вызывает интерес, Московская область. Но если посмотреть на показатель расстояния до центра, то видно, что Московская область достаточно сильно отличается от всех остальных наблюдений в данном кластере. Более детальный анализ показал, что попасть во II «прогрессивный» кластер Московской области помешали более низкие демографические показатели, чем в Москве и Санкт-Петербурге: более низкая ожидаемая продолжительность жизни, но более высокая смертность.

Вторым шагом выступило построение регрессионной модели, которая показала, что наиболее сильное влияние на показатель инновационной активности оказывают качество трудовой силы (хорошие демографические показатели, высокий уровень образования) и собственно наличие организаций, занимающихся инновационными разработками. Причем наибольший вес имеют удельный вес организаций, осуществляющих технологические инновации (0,93), и численность профессорско-преподавательского состава в вузах (0,96). Что вполне выглядит логичным.

Для нашего уравнения значимы 9 независимых переменных. Модель принимает следующий вид:

Инновационная активность = 0,93*И4 + 0,24*Д1 + 0,38*Д2 + 0,25*Д4–0,17*Т3 + 0,17*Т4 + 0,96*О3–0,18*С1–0,15*С2.

Коэффициент детерминации R² = 0,92, т.е. на 92% модель показывает зависимость и изменения инновационной активности организаций в сочетании с рассматриваемыми параметрами.

Заключение

Уравнение регрессии показало, что на уровень инновационной активности в разной степени оказывают влияние все компоненты человеческого капитала. Инновации чаще всего связывают с уровнем интеллектуального и образовательного развития, но между тем исследование показало важность всестороннего, комплексного инвестирования в человеческий капитал.

При этом стоит заметить, что в базу данных не вошел ряд очень значимых показателей, как, например, качество образования и научной деятельности, осуществляемой организациями. Их оценка является очень сложной и спорной. Например, не перестает подвергаться критике чрезмерно наукометрический подход к научной деятельности. Ловушки метрик очень хорошо проиллюстрированы в исследованиях Вольчика В.В. и Маслюковой Е.В. [8, 9] (Volchik, Maslyukova, 2018; Volchik, Maslyukova, 2019). Авторы рассматривают концепт неявного знания, которое никак не может учитываться формальными показателями. В работе отмечается дуализм качества и количества в оценке производительности в сфере науки и образования. С одной стороны, качественные характеристики очень важны, но не подходят для нужд внешнего контроля. Однако если государство будет акцентировать свое внимание только на количественных показателях, мы можем получить ложный успех текущего научного развития, но невыполнение стратегических задач страны в среднесрочной и долгосрочной перспективе. Также авторы отмечают очень важный момент, что гонка показателей может быть даже губительна в сфере, которая в первую очередь базируется на творчестве. Это довольно серьезная, но и интересная проблема, особенно при исследовании инновационной активности, которая требует дальнейшего, более глубокого изучения.