Оценка влияния внутренних затрат на исследования и разработки на инновационное развитие старопромышленных регионов Приволжского федерального округа

Введение. При переходе к многополярной модели мироустройства необходимо, чтобы регионы нашей страны могли быстро адаптироваться к новым обстоятельствам, а их экономическая политика была эффективной. Особенно это касается старопромышленных регионов (СПР), которые обладают значительным промышленным и научным потенциалом, но сталкиваются с вызовами технологической модернизации [12].

Вопросам исследования инновационной деятельности регионов России посвящены публикации отечественных авторов. Так, например, Голова И.М., Суховей А.Ф. проводят ранжирование регионов РФ для формирования стратегии инновационного развития [7, С.1713]. Печаткин В.В. определяет регионы по уровню инновационного развития и социально-экономическому положению [11, С.84].

Канева М. А., Унтура Г. А. предложили кластерную типологию регионов по уровню инновационного развития, выделив 4 группы на базе 12 показателей. Методика опирается на кластерный анализ и позволяет дифференцировать регионы не только по масштабу инновационной деятельности, но и по структуре и результативности вложений [9, С.129-143].

Шавнина Д. Э., Исаева О. О., используя интегральный показатель, рассчитывают инновационную активность регионов Приволжского федерального округа (ПФО) [22, С.224], результаты их исследования не противоречат выводам других ученых.

Также современные исследователи оценивают факторы динамики внутренних затрат на исследования и разработки. Так, Гончаров А.Д., Сорокин А.С., выявили значимую связь между динамикой внутренних затрат на исследования и разработки и численностью аспирантов [8]. При этом в модели были использованы стоимостные показатели в текущих ценах. Кроме того, в уравнении были включены переменные, отражающие результативность инновационной деятельности, тем самым нарушая причинно-следственные отношения. В связи с этим полученные оценки показывают лишь корреляционную связь, а не строго доказанное причинно-следственное влияние.

Чернова О.А., Михайлова Е.Л. изучали взаимосвязь затрат на научно‑исследовательские и опытно‑конструкторские работы (НИОКР) с показателями чистых продаж и рыночной капитализацией. Связь между ними сильная и средне-слабая соответственно [21, С.227].

Терещенко Д.С. выявил, что отдача от инвестиций в НИОКР в большей степени определяется внутренней средой, а не внешним пространственным распространением знаний [17, С.125].

Унтура Г. А. доказала, что пространственные и комплементарные перетоки знаний увеличивают темп прироста валового регионального продукта (ВРП) на душу населения [18, С.81].

Раецкий А.М., Терещенко Д.С. определили наличие краткосрочного и долгосрочного прямого влияния капитала НИОКР на реальный ВРП. При этом о наличии перетока подтверждают лишь отдельные разработанные модели [15, С.46].

По мнению Пруцковой Е. В., Келейниковой С. В. и Чуклановым А. С., субъекты ПФО демонстрируют неоднородную динамику по ключевым позициям: научно‑техническому потенциалу, социально‑экономическим условиям, результативности инновационной деятельности и качеству региональной инновационной политики. Кроме того, было установлено, что высокий научно-технологический потенциал регионов не гарантирует его эффективную коммерциализацию в виде реальных инновационных продуктов [14, С.12].

По мнению многих ученых, спад производства в СПР происходит за счет снижения инновационной активности и не способности адаптироваться к новым условиям. При этом устойчивость зависит не от масштаба финансирования, а умения перераспределять ресурсы между отраслями наук [2, 3, 10]. Данное обстоятельство актуализирует необходимость комплексного анализа факторов, определяющих результативность инвестиций в сектор исследований и разработок.

К числу СПР Российской Федерации (РФ) относятся шесть регионов ПФО.

Объектами исследования являются Кировская область, Нижегородская область, Пермский край, Республика Башкортостан, Удмуртская Республика, Чувашская Республика.

Цель исследования заключается в количественной и качественной оценке влияния отраслевой структуры внутренних затрат на исследования и разработки на параметры инновационного развития СПР ПФО.

Новизна проведенного исследования состоит в выявлении моделей инновационного развития СПР ПФО на основе двухкритериальной матрицы (темп прироста внутренних затрат – темп прироста отдачи затрат). Также и в обосновании отраслевой структуры как ключевого фактора, определяющего результативность вложений в науку.

Данное исследование построено на сочетании количественных и качественных методов.

На первом этапе построена система эконометрических моделей на основе производственной функции Кобба‑Дугласа, описывающей зависимость объёма инновационных товаров и услуг от структуры внутренних затрат на исследования и разработки по шести отраслям науки. Для получения коэффициентов эластичности модель линеаризована путём натурального логарифмирования. Адекватность моделей проверена по коэффициенту детерминации, F‑критерию Фишера, t‑статистике и p‑значениям.

На втором этапе проведён постатейный факторный анализ, позволяющий разложить изменение общей отдачи на вклады отдельных отраслей науки и выявить структурные сдвиги.

На третьем этапе разработана авторская двухкритериальная матрица позиционирования регионов по осям «прирост затрат – прирост отдачи», что позволило типологизировать инновационные модели развития в условиях выполнения государственного оборонного заказа (ГОЗ).

Для качественной интерпретации выявленных эффектов (в частности, отрицательных коэффициентов эластичности) использовано экспертное интервью.

Стоимостные значения пересчитаны в ценах 2019 года.

Основная часть. На сайте Федеральной службы государственной статистики (Росстата) в разделе «Регионы России. Социально-экономические показатели» отражены сведения о внутренних затратах на научные исследования и разработки по областям науки [16]. На основе данных Росстата была сформирована таблица 1, содержащая информацию о структуре внутренних затрат на исследования и разработки (ВЗИР) по областям науки.

Таблица 1 – Структура внутренних затрат на исследования и разработки

по областям науки в старопромышленных регионах Приволжского федерального округа за 2019г. и 2024г., %

Условные обозначения: – ВЗИР в естественных науках; – ВЗИР в технических науках; – ВЗИР в медицинских науках; – ВЗИР в сельскохозяйственных науках; – ВЗИР в общественных (социальных) науках; – ВЗИР в гуманитарных науках.

В СПР ПФО доминируют технические науки, занимая от 55 до 90% всех внутренних затрат. Наименьшая доля колеблется в пределах минимальных значений и приходится на гуманитарные и сельскохозяйственные науки.

Региональный анализ показал следующие изменения.

Так, в Кировской области наблюдается рост доли естественных наук с 18,4% до 30,6%, снижение доли технических наук с 71,2% до 55,5%. Также существует незначительный рост общественных (социальных) наук с 1,6% до 2,9%, при этом доля гуманитарных наук осталась минимальной – 0,1%.

Для Нижегородской области характерен резкий рост естественных наук с 10,8% до 71,0% с одновременным резким снижением технических наук с 88,0% до 28,6%. Кроме того, прослеживается полное исчезновение затрат на сельскохозяйственные и гуманитарные науки.

В Пермском крае сохраняется прежняя структура затрат на науку. Отмечается незначительный рост в сфере естественных наук на 1,3 п.п. Доля технических наук остаётся стабильно высокой (90%). По остальным отраслям науки удельные веса затрат минимальны.

В Республике Башкортостан доля естественных наук стремительно растёт, демонстрируя скачок с 13,7% до 36,5%. Сфера общественных (социальных) наук показывала увеличение затрат с 1,9% до 5,1%. Доля медицинских наук сократилась более чем в два раза – с 17,6% до 7,8%. Удельный вес технических наук снизился с 64,0% до 47,4%.

В Удмуртской Республике структура затрат по областям науки изменилась незначительно. Увеличился удельный вес затрат естественных наук с 12,6% до 14,7%, наблюдалось снижение в 2 п.п. технических наук, имелись небольшие колебания в остальных категориях.

В Чувашской Республике ключевой особенностью остается абсолютное доминирование технических наук, которые прочно удерживают за собой подавляющую долю затрат – около 90%. На этом фоне в регионе зафиксировано резкое снижение удельного веса в сфере естественных наук (с 4,9% до 1,9%). В то же время гуманитарное и общественное направления показывали уверенный рост, постепенно увеличивания удельные веса в общей структуре.

На следующем этапе исследования было проведено построение экономико-математических моделей с помощью ППП Microsoft Excel. В качестве целевой функции инновационного выхода региона (Z), выраженного через общий объём инновационных товаров, работ и услуг, принята производственная функция типа Кобба-Дугласа.

Были рассмотрены шесть областей наук: естественные, технические, медицинские, сельскохозяйственные, общественные (социальные) и гуманитарные.

Для проведения регрессионного анализа осуществлена линеаризация модели посредством натурального логарифмирования:

где – логарифм общего объёма инновационных товаров;

– свободный член;

– эластичности внутренних затрат на научные исследования и разработки по отраслям науки ( );

– логарифмы внутренних затрат на научные исследования и разработки по отраслям науки ( ).

Разработанные модели приведены в таблице 2.

Во всех моделях оказались высокие коэффициенты детерминации. Это объясняет, что между отраслевой структурой ВЗИР и выходом инноваций имеется устойчивая связь.

Таблица 2 – Влияние внутренних затрат на исследования и разработки

на объём инновационных товаров

В ходе исследования выявлено, что использование короткого временного лага (2019 – 2024гг.) в сочетании с логарифмическими моделями типа Кобба-Дугласа позволяет оперативно фиксировать структурные изменения научно-инновационного пространства. Высокая надёжность построенных моделей, подтверждённая критерием Фишера (F) и коэффициентами детерминации (R²) отражает чувствительность региональных инновационных систем к макроэкономическим изменениям и смене методологии учёта Росстата; это согласуется с выводами о повышенной значимости структурной эффективности затрат в условиях внешних ограничений [6].

Из уравнений регрессии видно, что во всех шести регионах технические науки определяют инновационное развитие СПР.

Далее рассмотрим коэффициенты эластичности по отраслям науки, представленные в таблице 3.

Таблица 3 – Коэффициенты эластичности объёма инновационных товаров

по видам внутренних затрат на исследования и разработки (2019-2024гг.)

Все полученные коэффициенты эластичности по отраслям науки статистически значимы по t-критерию Стьюдента и по p-значению. Для всех представленных переменных , а также p-значение меньше 0,05.

Эмпирический анализ позволил выявить различные механизмы влияния внутренних затрат на НИОКР на результирующий объём инновационных товаров и услуг в разрезе СПР. Данное влияние определено спецификой региональной специализации – от выраженной технологической ориентации (Нижегородская область, Чувашская Республика) до доминирования медицинских наук (Пермский край, Чувашская Республика), исходя из коэффициента эластичности.

Так, в Чувашской Республике рост затрат на технические науки на 1% даёт чистый инновационный прирост на 2,64%, а в Нижегородской области – на 1,97%. Это подтверждает высокую эффективность продуктовых промышленных инноваций в данных регионах. При этом в Чувашской Республике модель выделила значимость естественных наук (+0,96), подчёркивая важность цифровой компоненты для региона.

Кроме того, в четырёх рассматриваемых регионах выявлена обратная зависимость, при которой наращивание финансирования отдельных отраслей науки связано со снижением объёмов выпуска инновационной продукции. В частности, для Кировской области характерно негативное влияние внутренних затрат на медицинские и сельскохозяйственные науки, коэффициенты эластичности по которым составили (-2,98) и (-1,95) соответственно.

Аналогичный деструктивный тренд обнаружен в Пермском крае в отношении технических наук, в Республике Башкортостан – для общественных (-0,36) и гуманитарных наук (-0,64), а также в Чувашской Республике в сфере сельскохозяйственных наук (-0,71).

В модели Пермского края коэффициент технических наук равен (-3,17). Это означает, что рост затрат на технические науки на 1 % ведёт к падению выпуска инновационных товаров и услуг на 3,17%, то есть здесь финансовые средства направлены на оборонные заводы, которые наращивают выпуск уже знакомой техники. В связи с этим принципиально новых разработок отстаётся меньше и доля инновационной продукции снижается. Данное объяснение соответствует подходам, рассматривающим мобилизационные механизмы как фактор структурных сдвигов в инновационных системах [10].

Для качественной интерпритации полученного отрицательного коэффициента эластичности в гуманитарном секторе Республики Башкортостан представим некоторые моменты интервью, проведенного в мае 2026г. со старшим научным сотрудником Института истории, языка и литературы (ИИЯЛ) УФИЦ РАН, кандидатом философских наук Ф.В. Ахмадиевым. Эксперт констатирует наличие жёсткого разрыва между фундаментальными разработками академической науки и действующими институтами проката в культурных учреждениях. В частности, уникальная историко-патриотическая драма учёного «Звезда Героя», посвящённая подвигу легендарного уфимского летчика, дважды Героя Советского Союза, фактически блокируется к постановке существующим репертуарным креном 15-и театров РБ в пользу зарубежного коммерческого контента. По мнению, Ахмадиева Ф.В., герой народного произведения должен своим примером указывать на правильный путь развития нации [1]. Однако, труды учёных ИИЯЛ, формирующие духовный и патриотический каркас региона, остаются малоизученными и невостребованными со стороны Министерства культуры РБ. Организационно-экономический механизм передачи социокультурных знаний в креативные индустрии заблокирован, из-за чего статистика Башстата фиксирует гуманитарный сектор как чистую затратную статью бюджета, а не как долгосрочный нематериальный актив.

Дополнительно в рамках эконометрического моделирования были определены региональные факторы экономического роста для совокупности исследуемых субъектов. Наибольший положительный эффект среди всех СПР характерен для Чувашской Республики, где коэффициент эластичности по медицинским наукам составил (+4,14).

В Пермском крае ключевыми точками инновационного роста выступают медицинские науки (+3,96) и сельскохозяйственные (+1,23), показывающие высокую степень отдачи от вложенных средств. Для Нижегородской области в качестве ключевых факторов интенсификации инновационного выпуска определены технические науки (+1,97) и медицинские науки (+0,85), показывающие высокую эластичность инновационной системы к притоку инвестиционного капитала в данные сферы.

Несмотря на то, что построенные модели зафиксировали высокую эластичность инновационного выпуска по техническим и медицинским наукам, линейные связи не учитывают масштабные инвестиционные структурные сдвиги и вызовы ГОЗ в период 2019 – 2024гг.

Для изучения этих процессов был проведён постатейный факторный анализ динамики отдачи внутренних затрат в инновациях (НИОКР). В таблице 4 представлен данный анализ для Кировской области.

Таблица 4 – Постатейный анализ отдачи внутренних затрат

в инновациях (НИОКР) в Кировской области

Так, влияние статьи затрат «технические науки» на изменение отдачи внутренних затрат на инновации в 2024г., по сравнению с 2019г., составило

Аналогичным образом были проведены постатейные анализы отдачи внутренних затрат в инновациях (НИОКР) в остальных СПР ПФО. Результаты применения такого метода отражены в таблице 5.

На основе данных можно провести многомерную дифференциацию СПР ПФО по характеру и результативности структурно-отраслевого финансирования в секторе исследований и разработок.

Таблица 5 – Влияние отдельных затрат на изменение общей отдачи

в инновациях в старопромышленных регионах

Приволжского федерального округа, %

Условные обозначения: – ВЗИР в естественных науках; – ВЗИР в технических науках; – ВЗИР в медицинских науках; – ВЗИР в сельскохозяйственных науках; – ВЗИР в общественных (социальных) науках; – ВЗИР в гуманитарных науках.

В условиях жесткого выполнения ГОЗ и необходимости ускоренного импортозамещения выявлены три модели технологической трансформации.

1 Модель высокоэффективной интенсивной мобилизации присущи Чувашской Республике, Кировской области. Данные субъекты продемонстрировали эластичность инновационного выпуска к структурным изменениям капитала.

2 Модель сбалансированной стабилизации наблюдается в Удмуртской Республике и Республике Башкортостан. В этих регионах приросты отдачи невысокие. В Республике Башкортостан общее изменение отдачи составило (–0,01%). Такой околонулевой результат связан со структурными изменениями в региональной политике [23, 24], повлиявшими на перераспределение ресурсов в естественные науки (таблица 1).

3 Модель структурного кризиса и экстенсивного перерасхода проявилась в Пермском крае и Нижегородской области. Для этих СПР отдача затрат отрицательная.

Таким образом, постатейный факторный анализ доказал, что ключевым вектором устойчивости СПР является способность их инновационных систем оперативно перераспределять ресурсы в естественные и технические науки. Вложения в эти научные области дали максимальную предельную отдачу на каждый вложенный рубль. Это отражает качество инновационного роста как основного критерия территориального развития, где приоритет отдаётся не валовым объёмам затрат, а их структурной эффективности [4, 20].

Используемые в работе категории инновационного менеджмента опираются на устоявшиеся подходы, изложенные в профильных учебных изданиях [19]. В частности, в учебном пособии Халитовой Л. Р. [19] раскрыты ключевые понятия, механизмы диффузии технологий и критерии эффективности затрат – эти положения составили основу данного исследования (в т. ч. трактовки «структурной эффективности затрат» через коэффициенты эластичности и TRL‑мониторинг). Опираясь на вышеизложенную теоретическую базу и эмпирические данные Росстата, перейдём к обсуждению результатов исследования.

Полученная нами дифференциация регионов по уровню отдачи от затрат на НИОКР подтверждается результатами других ученых.

Голова И.М., Суховей А.Ф. установили, что Нижегородская область специализируется в обрабатывающем секторе. Занимает 9‑е место по индексу развития металлургических производств и 58‑е – по индексу добывающих производств [7, С.1733].

Канева М.А., Унтура Г.А. выявили, что Республика Башкортостан входит в 1 кластер. По их мнению, данный кластер сложен для интерпретации и требует дополнительных исследований. Пермский край и Нижегородская область вошли в 3 кластер – это «территории с высоким инновационным потенциалом» [9, С.138].

В свою очередь, Шавнина Д. Э. и Исаева О. О. отмечают, что экономика Республики Башкортостан существенно зависит от добывающих отраслей, что сдерживает приток инвестиций в высокотехнологичные сектора и формирует иные структурные ограничения для инновационной политики [22, С.233]. Эти выводы согласуются с полученными нами результатами: в Башкортостане структурный манёвр в сторону естественных наук (+22,8 %) компенсировал снижение отдачи в техническом блоке (−16,6 %), удерживая интегральную отдачу около нулевой отметки (табл. 5).

Типологизация Печаткина В. В. дополнительно подтверждает неоднородность инновационного потенциала. Так, Республика Башкортостан заняла 9‑е место по уровню инновационного развития и 16‑е – по уровню социально‑экономического положения [11, С.84], что указывает на наличие разрыва между научно‑технологическим потенциалом и его монетизацией.

Таким образом, различия в отраслевой специализации и структурных ограничениях регионов требуют дифференцированного подхода к оценке результативности затрат на НИОКР, что и реализовано в предложенной двухкритериальной матрице стратегического позиционирования (табл. 6).

Применение авторской двухкритериальной модели пространственно-технологического позиционирования позволило доказать, что динамика результативности региональной науки определяется не столько валовым объёмом привлечённого капитала, сколько качеством его поотраслевого перераспределения. Разложение интегрального коэффициента отдачи затрат на структурный и интенсивный компоненты выявили глубокую поляризацию инновационного пространства ПФО. Эти выводы соотносятся с результатами, полученными при анализе разноуровневых инновационных подсистем в условиях глобальной цифровизации [5].

Модель «Интенсивной мобилизации» (Квадранты I и II – Чувашская Республика, Удмуртская Республика, Кировская область) обосновала эффективность увеличения затрат в сфере прикладных и естественных наук.

Модель «Инерционный регресс» (Квадранты III – Республика Башкортостан) показала незначительное падение интегральной отдачи инноваций при снижении финансирования науки. Благодаря развитию естественных наук ситуация стабилизировалась.

Таблица 6 – Динамическое развитие инновационных систем старопромышленных регионов

Приволжского федерального округа

Модель «Экстенсивного перерасхода и инвестиционного лага» (Квадрант IV – Нижегородская область и Пермский край) показала, что крупные финансовые вложения не дали быстрой и соразмерной отдачи в краткосрочном периоде.

На основе исследования были разработаны следующие рекомендации.

Для регионов «Интенсивной мобилизации» (Чувашия, Кировская область) необходимо преодолеть ресурсные ограничения. Поскольку внутренние резервы структурной оптимизации затрат практически исчерпаны, необходимо задействовать механизмы государственно-частного партнерства (ГЧП) и венчурного капитала. Так как высокая эластичность инновационной отдачи в данных субъектах гарантируется быстрой окупаемостью новых вложений.

Модель «Сбалансированного развития» (Удмуртия), где прирост реальных затрат на (+3,6%) и отдачи на (+23,01%), рекомендуется распространять как эталонную для остальных субъектов ПФО. А также институционально закрепить их практику взаимодействия оборонных предприятий с вузовскими научными секторами.

Регион с «Инерционным регрессом» (Республика Башкортостан) практически полностью компенсировал снижение отдачи в прикладном промышленном (техническом) блоке.

Для регионов «Инвестиционного лага» (Нижегородская область) падение текущей отдачи из-за ухода в естественные науки не требует снижения бюджетов. Рекомендовано внедрить систему промежуточного мониторинга TRL (уровней готовности технологий) для контроля реализации фундаментальных открытий в коммерческий продукт, сокращая временной лаг между лабораторией и заводом.

Для регионов «Экстенсивного перерасхода» (Пермский край) характерно наращивание финансовых ресурсов при неизменной структуре затрат, которое ведёт к снижению эффективности. Рекомендуется провести принудительную диверсификацию затрат ИР, выделив 10-15% бюджета на сопутствующие ИТ-технологии, новые материалы и гражданское приборостроение внутри оборонных холдингов.

Заключение. Проведенное исследование подтвердило, что влияние внутренних затрат на разработки и исследования на инновационное развитие региона определяется гибкостью самой системы. Построенные эконометрические модели показывают устойчивую статистическую связь между структурой затрат и выпуском инновационных товаров и услуг. При этом выявлена нелинейная зависимость, а именно рост финансирования конкретных научных направлений может приводить к падению общего инновационного эффекта. Это обусловлено особенностями региональной специализации, влиянием мобилизационных механизмов и длительными сроками окупаемости.

Отрицательные коэффициенты эластичности, зафиксированные в ряде отраслей (в частности, в сфере гуманитарных и общественных наук в Республике Башкортостан), указывает не на низкий потенциал данных дисциплин, а на разрывы в цепочках передачи знаний и коммерциализации разработок. Проведенное экспертное интервью подтвердило, что значимые научные результаты часто остаются невостребованными вследствие институциональных барьеров. Данное обстоятельство существенно искажает статистическую оценку реального вклада указанных дисциплин в совокупный инновационный выпуск.

Были получены четыре типа инновационных моделей для старопромышленных регионов ПФО на основе двухкритериальной матрицы. При этом для каждой модели разработаны практические рекомендации.

Так, регионам с моделью интенсивной мобилизации целесообразно развивать механизмы частно‑государственного партнёрства и венчурного финансирования. Для территорий с инерционной динамикой приоритетом должна стать оптимизация перераспределения бюджетных ресурсов. Для субъектов с выраженным инвестиционным лагом следует проводить промежуточную оценку проектов с целью ускорения передачи технологий в реальный сектор. В условиях экстенсивного перерасхода средств требуется проведение институциональной диверсификации затрат с обязательным выделением фиксированной доли бюджета на смежные высокотехнологичные направления.

Практическая ценность результатов заключается в возможности их использования при проектировании дорожных карт научно-технологического развития субъектов РФ. Кроме того, выводы исследования могут послужить основой для совершенствования методики оценки результативности вложений в исследования и разработки.