Производительность труда вместе с численностью занятых в экономике региона, обусловливают динамику ВРП. Экономика должна быть готова воспринять технологии, для этого должны существовать определенные абсорбционные способности, которые можно измерить, в том числе, долей занятых в НИР. Последняя есть отношение эндогенной расчетной величины занятых в НИР к экзогенной переменной занятости в экономике региона.
Цикл модели замыкается тем, что определенная доля ВРП через налоговые поступления в бюджет направляется на финансирование НИР и ТИ. Кроме этого, НИР и ТИ финансируются из внешних источников, прежде всего, средств федерального бюджета - экзогенной переменной модели. Что касается затрат на НИР, то от половины до двух третей (в разные периоды времени) этих затрат финансируется за счет средств федерального бюджета.
Прирост затрат на исследования и разработки за пятилетний период составил 60%, объем выполненных научно-исследовательских работ на 70%, а прирост патентов на изобретения на 2%. Данный факт указывает на низкую эффективность вложенных затрат на НИР.
Модель экспоненциального роста - простейшая модель, из числа примеров системно-динамических моделей. Модель описывается дифференциальным уравнением[7]:
(1)
Если коэффициент K>0, то уравнение описывает «положительную обратную связь», и функция представляющая решение уравнения экспоненциально растет со временем с показателем k.
Экспоненциальнаямодель - используется для аппроксимации данных по методу наименьших квадратов в соответствии с уравнением[8]:
(2)
Где c и b - константы, e - основание натурального логарифма.
Значение R-квадрат- определяется по формуле
(3)
где,
(4)
Рис. 4. Экспоненциальный рост показателей инновационной деятельности региона
Составлено автором
На основе данных таблицы 1 была построена двухпараметрическая экспоненциальная модель основных показателей инновационной активности Кировской области. Коэффициент детерминации внутренних затрат на исследования и разработки составил R 2 = 0,9122, что является неплохой степенью близости к ВРП. Наименьший коэффициент детерминации R=0,4996 составили затраты организаций на технологические инновации, что является не высокой степенью близости к ВРП, но при этом прирост показателя за последние пять лет составил 316%.
Рис. 5. Десятилетний прогноз инновационной активности Кировской области Составлено автором
Расчет прогнозных показателей позволяет сделать вывод, что на предстоящие 10 лет произойдет значительное увеличение затрат организаций на технологические инновации. Но при этом не наблюдается значительного увеличения ВРП. Этот факт указывает, что затраты на технологические инновации оказывают меньшее влияние на формирование ВРП.
Факторный анализ показывает (таб.2), что наибольшее влияние на формирование ВРП оказывают внутренние затраты на научные исследования и разработки, с коэффициентом множественной детерминации R 2 - 0,9621 , а так же объем выполненных научно-технических работ, где R 2 составил 0,9504.Наибольшая доля дисперсии результативного признака показывает влияние независимых переменных на ВРП. В случае, если значение показателя тесноты связи меньше 0,7 величина коэффициента детерминации всегда будет ниже 50 %. В нашем случае таким фактором является показатель «Инвестиции в основной капитал по виду деятельности «Научные исследования и разработки»». Этот факт указывает на то, что доля вариации факторных признаков будет меньше часть по сравнению с остальными неучтенными в модели факторами, влияющими на изменение результативного показателя ВРП. Построенные при таких условиях регрессионные модели имеют низкое практическое значение.
Основываясь на механизме проверки гипотез, Ефроимсон предложил концепцию «наилучшей» модели. Разработаны различные статистические критерии и методы достижения «наилучшей» модели [9]. Идея «наилучшей» модели не является единственно возможной. В.В. Федоров предложил идею полимодельности, когда различные модели могут отражать различные свойства изучаемого объекта. Н. Дрейпер, Г. Смит подразделяют функциональную модель, модель для управления, модель для предсказания. В.А. Вознесенский[10] предлагает использовать несколько моделей для различных уровней значимости (90%, 95%, 99%) и делать на основе этих моделей, соответственно, рискованные, надежные и очень надежные выводы.
Табл. 2. Результаты корреляционного анализа «фактор -- результирующий признак (валовой региональный продукт)»
|
№ п/п |
Факторы |
Коэффициент корреляции |
|
|
1. |
Объем выполненных научно-технических работ |
0,9504 |
|
|
2. |
Внутренние затраты на исследования и разработки |
0,9621 |
|
|
3. |
Затраты организаций на технологические инновации |
0,8101 |
|
|
4. |
Отгружено инновационных товаров |
0,7767 |
|
|
5. |
Инвестиции в основной капитал по виду деятельности «Научные исследования и разработки» |
0,4028 |
Составлено автором
Необходимо затратить известные усилия, чтобы получить регрессионную модель, позволяющую сделать содержательные и надежные прикладные выводы. Под «хорошо интерпретируемой моделью» понимается регрессионная модель вместе с соответствующими прикладными рекомендациями [11, 12]. Качество традиционной регрессионной модели определяется чисто ее статистическими характеристиками, (скажем, чем выше коэффициент множественной детерминации R 2 , тем модель считается лучше) [13,с.49].
Результаты оценки влияния факторов на развитие инноваций в регионах в различные временные периоды, дают возможность проведения сравнительного анализа и оценки развития инновационной активности исследуемого региона. Дополнительно результаты оценки уровня инновационной активности можно использовать в качестве исходного этапа в процессе разработки стратегии регионального развития.
Литература
1.Куценко Е.И., Формирование стратегической карты инновационных процессов региональной системы // Известия Оренбургского государственного аграрного университета. 2014. № 4 (48). С. 200-203.
2.Голубцов А.Н., Батрак В.С., Инновационная политики как инструмент социального и экономического развития [электронный ресурс] // Управление экономическими системами. 2012. № 11. URL: http://uecs.ru/marketing/item/1694-2012, (дата обращения 15.05.2016).
3.Механизм взаимообусловленности инноваций и экономического роста [электронный ресурс]. URL: http://kapital-rus.ru/articles/article/183191/ (дата обращения 15.05.2016).
4.Безручко Б.П., Короновский А.А., Трубецков Д.И., Храмов А.Е. Путь в сенергетику: Экскурс в десяти лекциях. № 24. Изд.3, испр. М., 2015. 304 с.
5.Ваганова А.С. Моделирование процессов управления системой высшего образования региона [электронный ресурс] // Экономика и современный менеджмент: теория и практика. 2013. № 32. URL: http://cyberleninka.ru/article/n/modelirovanie-protsessov-upravleniya-sistemoy-vysshego-obrazovaniya-regiona (дата обращения 15.05.2016).
6.Audretsch D. & Feldman M. Knowledge Spillovers and the Geography of Innovation // Handbook of Urban and Regional Economics. 2003. № 4.
7.Примеры системно-динамических моделей [электронный ресурс]. URL: http://sysdyn.ru/ (дата обращения 15.05.2016).
8.Проценко Е.А. Модель и метод анализа эффективности систем защиты информации сайтов органов власти Российской Федерации: диссертация на соискание учёной степени кандидата технических наук. СПб., 2008, 150 с.
9.Дрейпер Н., Смит Г. Прикладной регрессионный анализ. В 2-х книгах. Т.1. М.: Финансы и статистика, 1986, 366 с.
10.Вознесенский В.А. Статистические методы планирования эксперимента в технико-экономических исследованиях. М.: Финансы и статистика, 1981. 263 с.
11.Васильев В.В., Ихильчик А.Р. Некоторые вопросы построения хорошо интерпретируемых статистических моделей физико-металлургических процессов / Математическое моделирование металлургических и сварочных процессов. М.: Металлургия, 1986. 129 с.
12.Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Исследование зависимостей. М.: Финансы и статистика, 1985. 487 с.
13.Коновалов Ю.В. Статистическое моделирование с использованием регрессионного анализа: Методические указания к выполнению курсовой работы по дисциплине «Компьютерное и статистическое моделирование». М: Изд-во МГТУ им. Н.Э. Баумана, 2013.