Оценка уровня инновационного развития региона в контексте экономической безопасности на основе нейросетевого моделирования

Введение

В условиях глобальной конкуренции и технологического прогресса инновационное развитие признанно одним из ключевых направлений обеспечения экономической безопасности регионов и страны в целом. Внедрение инноваций позволяет предприятиям оптимизировать бизнес-процессы, снижать затраты, обеспечивает экономический рост региона.

Основными задачами технологического развития страны является переход к экономике, ориентированной на инновации и повышение значения технологий как движущей силы экономического роста.

Следует отметить, что исследования инновационного развития регионов нашли достаточное отражение в научных работах российских авторов.

Методические подходы к оценке уровня инновационного развития регионов представлены в работах Грачева С. А., Вакуленко О. С. [1], Егорова Н. Е., Васильевой Н. В. [2], Митуса А.А., Гармашовой Е. П., Баранова А. Г., Дребот А. М. [3], Печаткина В.В. [4], Шалаевой Л. В. [5].

Влияние инноваций на повышение конкурентоспособности и обеспечение экономической безопасности рассматривалось в трудах Борисова С.А., Захаровой Ю.В., Соменковой Н.С. и Яшина С. Н. [6, 7, 8].

В исследованиях [9, 10] определены индикаторы экономической безопасности и их влияние на уровень инновационного развития.

Отсутствие единого комплексного подхода и выявленные недостатки существующих методик подчеркивают актуальность и практическую значимость разработки новой методики оценки инновационного развития регионов.

Цель исследования заключается в оценке уровня инновационного развития регионов Российской Федерации с использованием нейросетевого моделирования и разработке предложений по его повышению.

Научная новизна исследования состоит в том, что для анализа уровня инновационного развития регионов применяется метод кластеризации с использованием технологий искусственного интеллекта, в частности, самоорганизующихся карт Кохонена.

В рамках исследования выдвинута гипотеза о наличии связи между затратами на инновационную деятельность и уровнем инновационного развития региона. Для достижения поставленных задач использовались методы системного анализа и нейросетевое моделирование, основанное на самоорганизующихся нейронных сетях.

Основной информационной базой послужили данные, предоставленные Федеральной службой государственной статистики.

Основная часть

Обзор методик оценки уровня инновационного развития регионов

На сегодняшний день Российская Федерация демонстрирует достаточно высокие результаты в международных рейтингах инновационного развития. В 2024 году Россия заняла 9-е место из 130 стран по числу зарегистрированных патентов, 38-е место по индексу готовности правительств к искусственному интеллекту среди 181 страны, 40-е место по индексу развития информационно-коммуникационных технологий из 170 стран, 59-е место по глобальному индексу инноваций (ГИИ) среди 133 стран (рис.1).

Рисунок 1. Положение Российской Федерации в мировых рейтингах инновационного развития в 2024 году

Источник: составлено авторами по данным [11, 12, 13].

Положение Российской Федерации в Глобальном инновационном индексе 2024 года (ГИИ-2024) по различным компонентам инновационного индекса представлено на рис.2.

Рисунок 2. Положение Российской Федерации в ГИИ-2024 по компонентам инновационного индекса

Источник: составлено авторами по данным [12].

Согласно данным ГИИ-2024 сильными сторонами инновационной системы России выступают компоненты: человеческий капитал и наука (39-е место), знания и технологии (52-е место), развитие бизнеса (53-е место) и креативные индустрии (53-е место). В то же время, аспекты, снижающие успешность инновационной деятельности в стране, включают развитие рынка (57-е место), инфраструктуру (76-е место), институты (176-место) [12].

В 2024 году объем внутренних затрат на исследования и разработки в России достиг 1,88 трлн. рублей, увеличившись за год на 235,1 млрд. рублей в действующих ценах, или на 4,5% в пересчете в постоянные цены.

По абсолютным масштабам затрат на науку Россия занимает девятую позицию в мировом рейтинге. Лидируют США, Китай и Япония.

Анализ международных рейтингов инновационного развития России показывает, что страна достигла значительного прогресса в области человеческого капитала, знаний и технологий, в то же время отмечаются существенные проблемы, включая инвестиции в НИОКР и условия осуществления инновационной деятельности. Однако, экономика сталкивается с серьезными вызовами в других аспектах, включая уровень инвестиций в НИОКР и условия для инновационной активности. В условиях высокой глобальной конкуренции и необходимости адаптации к быстро меняющимся технологическим условиям становится очевидной необходимость активной государственной инновационной политики.

В отечественной литературе представлены различные подходы к оценке уровня инновационного развития российских регионов: индексный метод, модели кластерного анализа, модели многокритериальной оценки, эконометрические модели. Наибольшее распространение получил индексный метод оценки инновационного развития регионов, на основе которой формируются рейтинги территорий.

Среди различных инновационных рейтингов в России, стоит отметить рейтинг инновационного развития субъектов Российской Федерации, подготовленный Высшей школой экономики. Этот рейтинг основан на 55 ключевых показателях, которые распределены по пяти блокам: социально-экономические условия для реализации инновационной деятельности; научно-технические ресурсы; инновационная деятельность; экспортная динамика; эффективность инновационной политики. Лидерами рейтинга стали Москва, Санкт-Петербург и Республика Татарстан (рис.3).

Рисунок 3. Регионы-лидеры по значению российского регионального инновационного индекса (РРИИ) в 2024 году

Источник: составлено авторами по данным [14].

Регионы-лидеры российского регионального инновационного индекса по тематическим индексам в 2024 году представлены на рис.4.

Рисунок 4. Регионы-лидеры российского регионального инновационного индекса по тематическим индексам в 2024 году

Источник: составлено авторами по данным [14].

Ассоциация инновационных регионов России разработала Региональную шкалу оценивания инновационного развития. Эта шкала опирается на 24 ключевых показателя, по которым рассчитываются индексы в шести различных направлениях: кадровый потенциал для инновационного развития; финансовая поддержка инновационных инициатив; состояние инфраструктуры для инноваций; проведение научных исследований и создание технологических решений; трансфер технологий и коммерциализация разработок; социально-экономические эффекты [15]. Исходя из полученных значений индексов, регионы подразделяются на пять категорий: очень высокий уровень инновационного развития, развития высокий уровень, средний уровень, ниже среднего уровня, низкий уровень.

В исследовании Митуса А.А. с соавторами представлена методология формирования сводного индекса инновационного развития регионов [3]. Этот индекс рассчитывается как среднее арифметическое четырех подиндексов: индекса инновационной инфраструктуры, индекса научно-технического потенциала региона, индекса производственно-технологического потенциала и индекса региональной инновационной политики. Для расчетов подиндексов использовались нормированные показатели по 26 параметрам, отражающим разнообразные аспекты инновационного развития регионов. Основываясь на данной методике, была проведена типологизация регионов с низким, средним и высоким уровнями инновационного развития.

Интерес представляют также методические подходы, разработанные Печаткиным В. В., которые позволяют оценить уровень инновационного развития региона с точки зрения эффективности инновационной политики [4]. Эта методология включает 19 показателей, разделенных на три блока:

1. Ресурсное обеспечение инновационного развития (оценка осуществляется по 7 показателям);

2. Инновационная и изобретательская активность (оценка по 4 показателям);

3. Результативность инновационной деятельности (оценка по 8 показателям).

В результате данной методики регионы были классифицированы на четыре группы: инновационные лидеры (с показателями более 120 % от среднего уровня по России); сильные инноваторы (90 -120 %); средние инноваторы (50 – 90 %); скромные инноваторы (менее 50 %).

Проведенное исследование показало, что требуется комплексный подход к оценке уровня инновационного развития региона, который учитывает различные аспекты инновационной деятельности, включая финансирование инновационной деятельности.

Результаты нейросетевого моделирования

инновационного развития российских регионов

В качестве исходных данных для оценки уровня инновационного развития российских регионов использовались данные за 2024 год по 85 субъектам РФ, полученные из официальных данных Федеральной службы государственной статистики [16]:

П1 - уровень инновационной активности организаций в 2024 году, %.

П2 - удельный вес организаций, осуществляющих технологические инновации в 2024 году, %

П3 - удельный вес затрат на инновационную деятельность в 2024 году, %

П4 - затраты на инновационную деятельность организаций в 2024 году, млн. руб.

П5 - внутренние затраты на НИР в 2024 году, млн. руб.

В качестве отчетного периода был выбран 2024 год из-за того, что на текущий момент времени еще не полностью сформирована статистическая отчетность за 2025 год.

Для проведения анализа в соответствии с теорией нейронных сетей все параметры были определены как входные, а на выходе получается карта Кохонена. Ячейки данной карты свидетельствуют об уровне регионального инновационного развития.

Методика исследования предполагает выполнение серии последовательных шагов.

Шаг 1. Определение статистических характеристик исходных данных. Результаты анализа на данном этапе представлены в табл.1.

Таблица 1. Статистические характеристики распределения регионов по показателям П1-П5

Шаг 2. Построение самоорганизующейся карты Кохонена.

Шаг 2 осуществляется на базе специализированного программного обеспечения - аналитического пакета Deductor Academic. Важно отметить еще раз, что все показатели П1-П5 являются входными, а результатом анализа являются кластеры, характеризующие инновационное развитие регионов (рис.5).

Рисунок 5. Кластеризация регионов по уровню инновационного развития регионов

Источник: Составлено авторами на основе данных [16].

Шаг 3. Определение состава и структуры кластеров.

Всего в кластеры попало 85 регионов без учета «новых регионов РФ», таких как: ДНР, ЛНР, Херсонская и Запорожская области. Данные регионы не вошли в анализ, так как по ним на данный момент времени не сформирована необходимая статистическая база для его проведения.

Кластер 1 (46 регионов): Амурская область, Архангельская область, Архангельская область (кроме Ненецкого автономного округа), Брянская область, Волгоградская область, Вологодская область, Еврейская автономная область, Забайкальский край, Ивановская область, Кабардино-Балкарская республика, Камчатский край, Карачаево-Черкесская республика, Кемеровская область-Кузбасс, Костромская область, Краснодарский край, Красноярский край, Курская область, Магаданская область, Мурманская область, Ненецкий автономный округ (Архангельская область), Новгородская область, Омская область, Оренбургская область, Приморский край, Республика Адыгея, Республика Алтай, Республика Бурятия, Республика Дагестан, Республика Ингушетия, Республика Калмыкия, Республика Карелия, Республика Коми, Республика Саха (Якутия), Республика Северная Осетия-Алания, Республика Тыва, Республика Хакасия, Саратовская область, Сахалинская область, Смоленская область, Ставропольский край, Тамбовская область, Тюменская область, Ханты-Мансийский автономный округ - Югра, Чеченская Республика, Чукотский автономный округ, Ямало-Ненецкий автономный округ.

Кластер 2 (28 регионов): Алтайский край, Астраханская область, Белгородская область, Владимирская область, Воронежская область, г. Севастополь, Калужская область, Кировская область, Курганская область, Ленинградская область, Липецкая область, Новосибирская область, Орловская область, Пензенская область, Пермский край, Псковская область, Республика Башкортостан, Республика Марий Эл, Республика Мордовия, Рязанская область, Самарская область, Свердловская область, Тверская область, Тульская область, Удмуртская Республика, Ульяновская область, Челябинская область, Чувашская Республика.

Кластер 3 (7 регионов): Иркутская область, Калининградская область, Республика Крым, Томская область, Тюменская область (кроме Ханты-Мансийского автономного округа), Хабаровский край, Ярославская область.

Кластер 4 (6 регионов): г. Москва, г. Санкт-Петербург, Московская область, Нижегородская область, Республика Татарстан, Ростовская область.

Шаг 4. Формулирование выводов и предложений на основе проведенного анализа.

На основании полученных в результате нейросетевого анализа данных можно сделать следующие выводы:

1. В результате анализа были выделены два кластера с наибольшими значениями П1-П5, которые мы причисляем к «лидерам» инновационного развития. Они получились самыми немногочисленными среди всех кластеров, в них вошли 6 (кластер 3) и 7 (кластер 4) регионов соответственно.

2. Если сравнивать между собой кластеры 3 и 4, то регионы кластера 3 превосходят регионы кластера 4 по показателям П1-П2 и П5, но отстают по показателям П3 и П4. Это означает, что регионам кластера 3 нужно увеличить затраты на инновационную деятельность в структуре общих затрат, начиная с 2025 года, а регионам кластера 4 требуется повысить уровень инновационной активности, увеличить количество организаций, осуществляющих технологические инновации и увеличить внутренние затраты на НИР.

3. Для всех остальных регионов, входящих в кластеры 1 и 2, рекомендуется совершенствование всех показателей, рассмотренных в ходе данного анализа. Для того, чтобы данным регионам приблизиться к «лидерам» требуется: повышение уровня их инновационной активности, увеличение количества организаций, осуществляющих технологические инновации, повышение затрат на инновационную деятельность в общей структуре затрат, повышение внутренних затрат на НИР.

Заключение

Анализ кластерного распределения регионов свидетельствует о потребности в разработке стратегий, направленных на сокращение различий в уровне инновационного развития, что, в свою очередь, будет способствовать более равномерному экономическому развитию всей страны.

Исходя из результатов кластеризации, авторы предлагают ряд мероприятий, которые помогут снизить различия в инновационном развитии между регионами-лидерами и отстающими регионами:

1. Увеличение объемов финансирования НИОКР (софинансирование расходов предприятий на НИОКР из федерального и регионального бюджетов, развитие государственно-частного партнерства, создание региональных фондов поддержки инноваций);

2. Развитие человеческого капитала (реализация программ подготовки кадров по технологии искусственного интеллекта, робототехнике, биотехнологиям);

3. Развитие инновационной инфраструктуры во всех российских регионах (создание и развитие региональных технопарков, индустриальных парков, центров компетенций и инновационных кластеров, создание региональных координационных центров по развитию инноваций (партнерство вузов, бизнеса и власти));

4. Совершенствование мер государственной поддержки малых инновационных предприятий (предоставление грантов и субсидий для малых инновационных предприятий, льготное кредитование на закупку оборудования и инновационных технологий).

5. Разработка методики отбора инновационных предприятий в целях предоставления мер государственной поддержки.

Полученные результаты данного исследования могут быть использованы при совершенствовании стратегии региона в части инновационного развития с учетом их кластерной принадлежности.