Рекомендации по совершенствованию инновационной инфраструктуры России на основании опыта Китая

Введение и обзор литературы

Инновационная система и ее инфраструктура являются обязательным каркасом развития инновационной деятельности страны. Страны могут выбирать различные векторы построения своей инновационной инфраструктуры. Так, например, США и Южная Корея в качестве движущего механизма инноваций позиционируют конкуренцию и, соответственно, защита прав собственности и предпринимательский климат являются определяющими элементами [7, 13, 17]. С другой стороны – Китай оказывает поддержку частному сектору за счет больших объемов государственного финансирования научной деятельности и создания многочисленных индустриальных парков и инкубаторов [18, 19]. В России же намечены основы каждого из обязательных элементов [1-4] и авторами даются указания по усилению каждого из них. Однако, во-первых, необходимо понимать, что как бы того не хотелось, реализовывать одновременно все направления от конкуренции до технопарков, крайне сложно и с точки зрения финансовых затрат и контроля. А во-вторых, среди русскоязычных исследований нам не встретилось ни одной работы, которая бы опиралась на статистические данные или данные эмпирики в части формулирования своих предложений. Указанное позволяет предположить о наличии исследовательского пробела в этой области.

В то же самое время возник вопрос методологии исследования, и мы обратились к работам, изучавшим подобную тематику. Доминирующим эмпирическим методом исследования факторов инновационной инфраструктуры в части реализации инновационных проектов стали вариации регрессионного анализа. Так, Сток Г. Н. и Макдермотт К. М. [16] опирались на выборку 97 промышленных предприятий в широком спектре отраслей, Беккер В. и Дитц Дж. [8] анализировали данные уже 2048 предприятий обрабатывающей промышленности Германии, Риз А. и Бэир Д. [15] – 271 промышленных МСП Германии, Занг Ю. с соавторами [9] – 340 промышленных компаний Китая, и наконец, Фей С. и Кок А. [12] – множество проектов крупнейшего предприятия Германии.

Такой фактор как финансирование был признан одним из ключевых для реализации инновационной деятельности предприятий [9]. В силу чего мы полагаем целесообразным углубить эмпирический анализ этого фактора за счет обработки больших данных, свидетельствующих о развитии процессов привлечения внешнего финансирования (включая средства государственного бюджета) и результативности инновационной деятельности, измеренной через величину нематериальных активов (НМА) на балансе компании. В качестве источника данных в работе используется база исследований фондового рынка и бухгалтерского учета Китая; финансовая отчетность свыше 5000 предприятий за 2003-2022 гг. Методы исследования включали, помимо основного инструмента – регрессионного анализа, описательную статистику, статистические тесты (тест Шапиро-Уилка и тест на коллинеарность) и корреляционный анализ.

Подытоживая, в основу настоящего исследования положена гипотеза о значении внешнего финансирования на результативность инновационной активности предприятий. Следовательно, цель исследования – изучение количественных показателей результатов инновационной деятельности и опыта ближайшего соседа –(Китая) и формулирование релевантных и основанных на больших данных рекомендаций для формирования инновационной системы России. Таким образом, данное эмпирическое исследование призвано не только представить рекомендации, базирующиеся на количественных данных, но и стать одной и з первых работ, которая использует такой подход.

Методы исследования

Обозначенная выше задача оценки фактора финансирования и его влияния на инновационную активность китайских компаний решалась в следующей последовательности. В первую очередь была сформирована единая база данных платформы исследований фондового рынка и бухгалтерского учета Китая [10]. Временной период покрывал 2003-2022 гг. Далее, на основании базовых показателей были рассчитаны их производные. Перечень показателей и их описательная статистика приведены в таблице 1.

Таблица 1.

Описательная статистика показателей анализа (рассчитано автором в программе Stata)

Как видно, показатели, характеризующие отклонения по выборке крайне высоки, что вполне естественно для такой большой базы данных. Дополнительно, в качестве проверочного критерия был проведен тест Шапиро-Уилка на нормальное распределение. Тест показал ненормальное распределение по всем показателям. В этой связи все исходные данные, выраженные в юанях, были трансформированы в логарифмическую форму. Однако, даже в нормированной форме тест не подтвердил нормальность. Впрочем, как отмечают эксперты, при таком огромном количестве наблюдений аналитические тесты легко отвергают нулевое значение.

Следом проведен корреляционный анализ, построение базовой регрессионной модели с целью тестирования подобранных показателей на предмет коллинеарности. Так, корреляция по выборке оказалась в допустимых пределах, а регрессионная модель статистически значимой (p<0.000). В целом, можно использовать примененный набор показатель для дальнейших расчетов, поскольку совокупный показатель коллинеарности не превышает 5, а индивидуальных показателей – 10.

Самым ответственным расчетным этапом стал расчет регрессии с детерминированными эффектами, поскольку исходные данные представляют собой панельные данные. Тем самым, была учтена поправка на гетероскедастичность и использован фиксированный эффект, позволяющий учесть гетерогенность предприятий выборки. В качестве контрольной группы программой принята первая по порядку отрасль – сельское хозяйство [14]. В настоящее время Китай активно занимается инновационным развитием именно сельскохозяйственной отрасли [11], следовательно, ее допустимо использовать в анализе как бенчмарк для других отраслей. Итак финальная модель включала в себя 19 763 наблюдений, была статистически значимой (p<0.000), а R² составил 0.547, что вполне достаточно для анализа такой комплексной категории как нематериальные активы.

Результаты

В таблицах 2 и 3 приведены статистически значимые показатели регрессионной модели с соответствующими им показателями силы влияния. Сразу отметим, что из всех факторов, отобранных для анализа, наиболее значим размер собственного капитала, несколько менее значим объем обязательств компании. Так, увеличению величины собственного капитала на 1%, как правило, сопутствовал рост нематериальных активов на 0,545%. Более высокие показатели общих обязательств и коэффициента финансового рычага были сопряжены с ростом вложений в НМА в пределах 0,4% (табл. 2).

Таблица 2.

Интерпретация результатов регрессионного анализа (рассчитано автором в программе Stata)

Эффект от грантов и дохода от основной деятельности можно охарактеризовать как положительный, но незначительный (0,038% и 0,02% соответственно) с точки зрения вложений в НМА. Эти результаты заслуживают доверия, поскольку % компаний выборки – получатели различных правительственных грантов. Низкую значимость грантов как фактора инновационной активности можно объяснить ранее озвученным аргументом о поддержке правительством не только инновационных проектов, сопряженных с формированием НМА на балансе компании, но и НИОКР (научно-исследовательские и опытно-конструкторские работы) (не был включен в анализ). В то же время, росту чистой прибыли предприятий выборки на 10% соответствовало снижение суммы вложений НМА на 0,7%. Что может быть связано с традиционной амортизацией этих активов без дополнительных инвестиций в новые объекты НМА. Наконец, с некоторой долей осторожности можно заключить, что для инвестиций в НМА из специфики бизнеса важна не прибыльность компании и этап ее жизненного цикла (показатель «темпы роста операционных доходов» статистически незначим, как и показатели рентабельности), а отраслевая принадлежность.

Отметим, что регрессионная модель с детерминированными эффектами также свидетельствует о том, что рентабельность и темпы проста доходов не значимы для величины НМА предприятия. На наш взгляд, здесь справедливы те же объяснения: низкая доля успешных инновационных проектов и влияние гиперконкуренции. С другой стороны, подтвержденное влияние собственного капитала на величину вложений в нематериальные активы означает что именно этот источник финансирования оказывает большее влияние на способность компаний патентовать свои разработки и вкладываться в НМА, тогда как эффект грантового финансирования невелик, хотя также положителен. Это было учтено при формулировании рекомендаций, представленных после таблицы 3.

Для интерпретации отраслевых коэффициентов следует иметь в виду, что они сравнивают свою силу воздействия с базовой категорией – отрасль. сельское хозяйство (подробнее изложено в разделе Методы исследования).

Таблица 3.

Интерпретация результатов регрессионного анализа (рассчитано автором в программе Stata)

Из таблицы видно, что такие отрасли как автомобильный транспорт, добыча нефти и газа, производство бумаги и бумажные изделия наиболее инновационно активны с точки зрения вложений в НМА, т.к. они имеют размеры НМА в разы превышающие другие отрасли экономики Китая.

Завершающим этапом настоящей работы стало объединение всех выводов и наблюдений, полученных в ходе собственных эмпирических исследований и разработок в блок-схему рекомендаций (рисунок). В ее основу положена составленная нами таблица типов инновационной инфраструктуры [5]. Каждому типу соответствует один или несколько элементов, которые были определены как слабые места [6] в российской инновационной системе либо как перспективные для совершенствования.

Как видно, элементы финансовой инфраструктуры, подлежащие корректировке, самые многочисленные. Однако, наряду с конвенциональными рекомендациями, такими как поддержка стартап-финансирования и стимулирование венчурного инвестирования в среде частных инвесторов, мы предлагаем довольно новые направления. Это применение налоговых льгот вместо грантов и субсидирования по примеру Китая, а также выносим предложение по развитию фондового рынка с целью повышения привлекательности и доступности IPO финансирования для малых и средних инновационных предприятий.

Ресурсно-материальная инфраструктура подразумевает наличие таких физических пространств как производственные мощности, лаборатории, научные городки и испытательные полигоны для реализации инновационного производства. Мы рекомендуем при усилении имеющихся или создании новых кластеров тщательно формировать условия для развития межотраслевой кооперации. Этот элемент инфраструктуры тесно связан с цифровой инфраструктурой.

Рисунок – Карта рекомендаций для инновационной инфраструктуры России по результатам эмпирической оценки (составлено автором на основе [5, 6])

Для усиления эффекта развития кооперации в инновационном процессе, мы рекомендуем поддержку развития хакатонов для обмена знаниями и нетворкинга. Для реализации указанных рекомендаций, без сомнений, требуется научное кадровое оснащение промышленных предприятий, которое в России не только уступает Китаю, но и в сравнении с плотностью ученых во всей российской экономике крайне низко в промышленности. Следовательно, мы предполагаем, что основным направлением научно-образовательной и социальной инфраструктур должно стать обеспечение промышленности высококвалифицированными кадрами. И здесь важную роль играют развивающиеся в настоящее время передовые инженерные школы.

Перспективным направлением совершенствования инновационной инфраструктуры Росси, на наш взгляд, является адаптация и доработка существующих на мировом рынке технологий под внутренний российский рынок. Данная рекомендация кажется противоречащей принятой парадигме технологического суверенитета, однако в свое время именно она дала существенный толчок инновационному развитию Китая. Такой полярный сдвиг в позиции восприятия производства, несомненно, потребует формирования новой культуры инноваций и предпринимательства, за которые отвечает социальная инфраструктура.

И последнее, это нормативно-правовая инфраструктура, формирующая политику, поддерживающую инновации и стимулирование НИОКР, защищающая интеллектуальную собственность. Отвечающая потребностям бизнеса государственная политика существенно влияет на активность предприятий в НИОКР, количество патентов и экспорт. Мы предлагаем усилить поддержку и стимулирование экспорта для инновационных компаний через улучшение условий ведения бизнеса и защиту интеллектуальной собственности.

Выводы и заключение

Настоящий анализ заключает в себя исследование базы данных вложений в НМА свыше 5000 предприятий Китая за 2003-2022 гг. Он позволил расширить знания об эффективности отдельных видов внешнего финансирования с точки зрения результативности инновационных проектов. Как показал анализ, вложения в собственный капитал оказали более существенное влияние на объемы НМА компании, чем грантовая поддержка. Более того, в ходе оценки результатов регрессионного моделирования выделены наиболее инновационные отрасли КНР («Автомобильный транспорт», «Добыча нефти и газа» и «Производство бумаги и бумажные изделия») и доказана значимость отраслевой принадлежности для уровня инновационной активности компаний. В итоге, на основе разработанной авторами типологизации инновационной инфраструктуры [5] были разработаны предложения относительно развития этой инфраструктуры России, базирующимися на результатах эмпирической оценки опыта Китая.