Добавил:
ivanov666
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Предмет:
Файл:Статистика инноваций. Проблематика, методология и перспективы исследований. Монография
.pdf
61
друг от друга, так как наличие тесной связи между ними
k
i
k
ji
,i
k
ij
k
i
iiijiijii0
....xxxx y
1
1
1 1 1
2
kk
xa...xaxaay
22110
свидетельствует о том, что они характеризуют одни и те же стороны
изучаемого явления и в значительной мере дублируют друг друга.
И, наконец, при построении корреляционных моделей факторы
должны иметь количественное выражение, иначе составить модель
корреляционной зависимости не представляется возможным.
Корреляционный анализ является не единственным средством
анализа взаимосвязей между признаками, характеризующими
инновационную деятельность совокупности предприятий. Также
эффективным средством для выявления и анализа взаимосвязи
является регрессионный анализ, который, в отличие от
корреляционного, позволяет не просто определять направленность
изменений, но и выявлять вид математической зависимости между
входными (экзогенными) и выходными (эндогенными) переменными,
называемую уравнением регрессии.
В общем виде уравнение регрессии представляет собой функцию
отклика, представленную в виде полинома n степени:
Однако такое уравнение содержит всевозможные виды связей
между переменными, а на практике обычно используют определенный
тип связи (линейный, нелинейный, степенную, показательную и др.)
Например, применительно к анализу социально-экономических
явлений используют уравнение множественной линейной регрессии,
которое позволяет определить связь между одной зависимой
переменной и одной или несколькими независимыми переменными:
Чтобы получить указанную эконометрическую модель,
необходимо выполнить следующие этапы:
выбрать важнейшие входные и выходные переменные,
характеризующие процесс;
провести сбор фактических данных;
вычислить параметры модели;
произвести оценку результатов.
Для вычисления параметров уравнения связи используются
методы регрессионного анализа, основной задачей которого является
62
вычисление неизвестных коэффициентов регрессии и статистическое
)Итого(SS
)Регрессия(SS
R
2
n
i
р
i
yy
1
2
р
i
y
y
n
i
э
i
yy
1
2
э
i
y
y
исследование моделей, построенных на основе экспериментальных
данных.
Важным является этап оценки качества полученной модели,
который предполагает выявление наиболее существенных для
результативной переменной факторов (проверка коэффициентов
регрессии на значимость) и определения степени соответствия
результатов, полученных по модели, реальным данным (оценка
адекватности эконометрической модели).
Проверка коэффициентов регрессии на значимость дает
возможность выявить те независимые переменные x, которые слабо
влияют на выходную переменную y. Коэффициент называется
значимым, если он в статистическом смысле отличен от нуля. И
наоборот: коэффициент регрессии является незначимым, если он в
статистическом смысле близок к нулю. Те переменные x, входящие в
уравнение регрессии, у которых соответствующие коэффициенты
являются незначимыми, можно исключить из уравнения.
Проверка адекватности полученной эконометрической модели
позволяет оценить коэффициент детерминации R2:
,
где SS(Регрессия) =
расчетными значениями выходной переменной
- сумма квадратов отклонений между
и средним
арифметическим экспериментальных значений выходной переменной
;
SS(Итого)=
- сумма квадратов отклонений между
экспериментальными значениями выходной переменной
арифметическим экспериментальных значений выходной переменной
.
Чем ближе значение R2к единице, тем лучше полученная модель
описывает данные наблюдений.
Отметим, также, что качество эконометрической модели может
зависеть от того, в какой мере факторные признаки связаны между
и средним
63
собой. При построении эконометрических моделей здесь решающую
роль играет корреляционный анализ, который позволяет выявить так
называемый эффект мультиколлениарности факторных признаков, то
есть наличия сильной связи между ними. Чтобы получить
качественное уравнение связи следует избегать эффекта
коллинеарности, то есть включать в модель только те факторы,
которые между собой слабо связаны, но сильно связаны с
результативной переменной.
Помимо обозначенной проблемы возникновения эффекта
мультиколлинеарности статистический анализ вариации показателей
инновационной деятельности хозяйствующих субъектов в
большинстве случаев выявляет существенную их дифференциацию,
которая может быть обусловлена различными причинами – и
принадлежностью субъекта к определенной отрасли, и общим
состоянием экономического потенциала территории, на которой
осуществляют свою деятельность указанные субъекты, и качеством
институциональной среды и т.д.
Существенная дифференциация субъектов
инновационнойдеятельности по основным показателям,
характеризующим инновационный потенциал, а также значительные
структурные изменения в развитии инновационных процессов требуют
выделения типологических групп объектов. Только в однородных
группах можно качественно и адекватно оценить влияние различных
факторов на инновационную деятельность, изучить присущие данным
группам субъектов структурные закономерности, выделить
перспективные хозяйствующие субъекты с точки зрения
инновационного потенциала
С этой точки зрения особое значение приобретают методы
многомерного статистического анализа в региональных и
межстрановых сопоставлениях. В этом случае, исследование
пространственной структуры инновационной деятельности
целесообразно проводить в типологически однородных группах
регионов, имеющих общие черты и закономерности развития научных
и инновационных процессов на основе многомерных статистических и
эконометрических методов.
Развитием этого подхода является вариант классификации по
нескольким обобщающим показателям (главным компонентам),
полученным с помощью методов факторного или компонентного
анализа.
64
При наличии нескольких признаков (исходных или обобщенных)
задача классификации может быть решена методами кластерного
анализа.
Различия между схемами решения задачи по классификации во
многом определяются тем, что понимают под понятием «сходство» и
«степень сходства».
После того как сформулирована цель работы, естественно
попытаться определить критерии качества, целевую функцию,
значения которой позволят сопоставить различные схемы
классификации.
В экономических исследованиях целевая функция, как правило,
должна минимизировать некоторый параметр, определенный на
множестве объектов (например, целью классифицировать
оборудования может явиться группировка, минимизирующая
совокупность затрат времени и средств на ремонтные работы).
В случаях, когда формализовать цель задачи не удается,
критерием качества классификации может служить возможность
содержательной интерпретации найденных групп.
Резюмируя, можно отметить то важное обстоятельство, что при
реализации эконометрических моделей, отображающих взаимосвязи
между выбранными переменными (применительно к нашей области –
переменными, характеризующими инновационную деятельность),
часто получить адекватные зависимости не удается. Это связано во
многих случаях опять-таки с тем, что выбранные для анализа
совокупности субъектов инновационной деятельности неоднородны.
Более того, большинство методов многомерного статистического
анализа данных предполагают в своей основе отсутствие
мультиколлениарности между факторными признаками и, тем самым,
предлагают реальные способы «борьбы» с указанным явлением.
Даже, если отвлечься от математической сущности
рассматриваемых процедур, можно также констатировать, что
разбиение совокупности хозяйствующих субъектов на однородные по
кругу сопоставимых факторов группы имеет решающее значение для
стратегического управления ими, особенно в условиях признания
существенности дифференциации экономического развития на микро-,
мезо- и макроуровнях и отказа от жесткого целеполагания с
переходом на дифференциацию целей управления, адекватных
имеющемуся экономическому и инновационному потенциалу.
65
Для устранения мультиколлинеарности может быть использован
n
x,...,x,x
21
22
переход от исходных объясняющих переменных
, связанных
между собой достаточно тесной корреляционной зависимостью, к
новым переменным, представляющим линейные комбинации
исходных. При этом новые переменные должны быть слабо
коррелированными либо вообще некоррелированными. Такую
процедуру можно осуществить с помощью факторного анализа
методом главных компонент.22
Главными целями факторного анализа являются уменьшение
размерности исследуемой совокупности и определение структуры
взаимосвязей между переменными, то естьклассификация переменных.
В подтверждении всего вышесказанного можно привести
следующие результаты оценки инновационной деятельности в
региональном аспекте. Традиционно по субъектам РФ база
официальной статистической отчетности характеризует
инновационную деятельность на мезоуровне следующим кругом
статистических показателей:
х
– внутренние затраты на научные исследования и
1
разработки, млн. руб;
х
– число использованных передовых технологий, ед;
2
х
– затраты на технологические инновации, млн. руб;
3
х
– объем инновационных товаров, работ, услуг, млн. руб;
4
х
– численность персонала, занятого научными
5
исследованиями и разработками, тыс.чел;
х
- поступление заявок на выдачу патентов, ед;
6
х
– удельный вес затрат на технологические инновации в
7
общем объеме отгруженной продукции, %;
х
– затраты на обучение и подготовку персонала, млн.руб;
8
х
– затраты на приобретение машин и оборудования, млн.руб.
9
Корреляционный анализ оценки тесноты связей между
указанными факторами и показателем инновационной активности (y)
показывает, что статистически значимые связи отсутствуют (табл 5).
Ким, Дж.О. Факторный, дискриминантный и кластерный анализ / Дж.О.
Ким, Ч.У. Мьюллер, У.Р. Клекка. – М.: Финансы и Статистика, 1989. – 216 с.
66
Таблица 5
у х1
х2
х3
х4
х5
х6
х7
х8
х9 у 1,00 х1
0,16
1,00
х2
0,16
0,81
1,00
х3
0,13
0,68
0,66
1,00
х4
0,09
0,51
0,50
0,60
1,00
х5
0,16
0,98
0,78
0,64
0,48
1,00
х6
0,13
0,62
0,61
0,52
0,48
0,67
1,00 х7
0,12
0,42
0,33
0,74
0,33
0,42
0,25
1,00
х8
0,10
0,47
0,57
0,36
0,32
0,46
0,41
0,19
1,00
х9
0,09
0,45
0,47
0,90
0,52
0,43
0,36
0,80
0,27
1,00
Матрица корреляционных связей
Фактически это подтверждает еще раз выдвинутое ранее
положение о необходимости использования комплексных или
косвенно характеризующих инновационную активность показателей.
Тем самым разработка эконометрических моделей для
прогнозирования инновационной активности возможна только в
случае обоснованного выбора результативного фактора,
характеризующего инновационную активность, в том числе и при
межрегиональных сопоставлениях.
Тогда целесообразным может быть использование в качестве
результативной характеристики показатель доли инновационных
товаров в ВРП, подобно тому, как для предприятий важным
показателем результативности является доля инновационной
продукции в общем количестве товаров. С учетом этого можно
скорректировать и набор факторов:
х
- удельный вес организаций использовавших персональные
1
компьютеры(%);
х
- доля инвестиций в машины, оборудование, транспортные
2
средства в общем объеме инвестиций в основной капитал,
направленных на реконструкцию и модернизацию (%);
х
- доля внутренних затрат на исследования и разработки в
3
ВРП(%);
67
х
- показатель степени износа основных фондов, рассчитанный
4
как отношение накопленного на конец года износа основных фондов
(разницы полной учетной и остаточной балансовой стоимости) к
полной учетной стоимости основных фондов по видам на ту же дату
(%);
х
- используемые передовые производственные технологии по
5
субъектам Российской Федерации, ед.;
х
- объем инновационных товаров, работ, услуг, млн. руб.;
6
х
- численность персонала, занятого научными исследованиями
7
и разработками, человек;
х
- затраты на технологические инновации организаций, млн.
8
руб.;
х
- затраты на обучение и подготовку персонала, связанные с
9
инновациям, млн. руб.;
х10 - затраты на приобретение машин и оборудования, связанных
с технологическими инновациями, млн. руб.;
х11 - удельный вес затрат на технологические инновации в общем
объеме отгруженных товаров, выполненных работ, услуг, (%)
х
- количество запросов в поисковой системе Яндекс «IT-
12
парк»;
х
- количество запросов в поисковой системе Яндекс «бизнес
13
инкубатор»;
х
- поступление иностранных инвестиций по субъектам
14
Российской Федерации, млн. долл.;
х
- поступление патентных заявок и выдача охранных
15
документов в России, по субъектам Российской Федерации, ед;
х
- число организаций, выполнявших научные исследования и
16
разработки, ед.
Особо следует отметить, что в указанном наборе факторов
присутствуют данные статистики поисковых запросов, объединенные
в факторы, х12, х13 - обращения по запросам, содержащим ключевые
слова - «IT-парк» и «бизнес инкубатор».
Переход к новому признаковому пространству позволил
получить статистически значимые связи между переменными (табл 6).
Однако переход к новой системе переменных не позволил
избежать эффекта присутствия мультиколлинеарности. Для решения
этой проблемы можно, как было отмечено ранее, применить
статистические методы снижения размерности, позволяющие
68
выделить латентные факторы научно-инновационной деятельности, и
23
показатели, в наибольшей степени коррелирующие с каждым из
латентных факторов.
В результате использования метода главных компонент были
получены пять главных компонент23, объясняющие 74,8% общей
дисперсии, т. е. практически была достигнута полная замена исходных
признаков выделенными факторами.
Таблица 6
Матрица корреляционных связей по скорректированному набору
признаков
Согласно общей методологии факторного анализа
интерпретация главных компонент позволила концептуально связать
первую главную компоненту с готовностью к реализации потребности
к инновациям. В нее вошли: затраты на технологические инновации
организаций (млн. руб.), затраты на приобретение машин и
оборудования, связанных с технологическими инновациям, (млн. руб.),
удельный вес затрат на технологические инновации в общем объеме
Аксянова А.В. Разработка модели оценки уровня инновационной
активности по регионам Российской Федерации / Аксянова А.В., Соловьева
С.В., Гадельшина Г.А. // Экономика и предпринимательство. - №11, ч.1. –
2015. – с. 1116-1120.
69
отгруженных товаров, выполненных работ, услуг, (%), количество
54321
444,1062,0594,0982,2453,1798,4
ˆ
fffffy
запросов в поисковой системе Яндекс: "IT-парк", количество запросов
в поисковой системе Яндекс: "бизнес инкубатор", поступление
иностранных инвестиций по субъектам Российской Федерации, (млн.
долл.).
Во вторую главную компоненту вошли с максимальными
коэффициентами корреляции следующие показатели: используемые
передовые производственные технологии по субъектам Российской
Федерации, (ед.), объем инновационных товаров, работ, услуг, (млн.
руб.), численность персонала, занятого научными исследованиями и
разработками, (человек), затраты на обучение и подготовка персонала,
связанные с инновациям, (млн. руб.), число организаций,
выполнявших научные исследования и разработки, (ед.). Вторая
главная компонента была обозначена как готовность к устойчивой
инновационной активности.
В третью главную компоненту вошли факторы: доля инвестиций
в машины, оборудование, транспортные средства в общем объеме
инвестиций в основной капитал, направленных на реконструкцию и
модернизацию(%), доля внутренних затрат на исследования и
разработки в ВРП. Эта компонента была интерпретирована как
способность к инновационному росту.
В четвертую главную компоненту вошел фактор,
характеризующий обеспеченность интеллектуальной собственностью:
поступление патентных заявок и выдача охранных документов в
России, (ед).
Пятая главная компонента характеризует фондообеспеченность
инновационной деятельности. В нее вошли: удельный вес
организаций, использовавших персональные компьютеры, а также
показатель степени износа основных фондов.
Далее по обобщенным факторам было построено следующее
уравнение регрессии:
(0,00) (0,025) (0,00) (0,35) (0,95) (0,032)
По критерию Фишера регрессия наблюдается, так как расчетное
значение статистики Фишера (F = 6,44) больше критического
(0,00007).
70
При проверке значимости коэффициентов уравнения регрессии
a и b выяснилось, что коэффициенты b3 и b4 не значимы, так как их
показатель Р-значение меньше заданного уровня значимости α=0,05.
Однако только 34% вариации доли инновационной продукции в
ВРП обусловлено линейным влиянием на нее готовности к реализации
потребности к инновациям, готовности к устойчивой инновационной
активности, фондообеспеченности инновационной деятельности.
Не очень высокое значение коэффициента детерминации и
значение t-статистики для свободного члена могут свидетельствовать о
том, что существуют другие факторы, влияющие на выбранный
результирующий показатель, и, возможно, это влияние нелинейно.
Однако в рамках модели линейной множественной регрессии удалось
выявить существенные факторы, в совокупности обеспечивающие
достижение результативных состояний, связанных с инновационной
активностью на мезоуровне.
Таким образом, на инновационную активность на мезоуровне
влияют следующие обобщенные факторы: готовность к реализации
потребности к инновациям, готовность к устойчивой инновационной
активности, фондообеспеченность инновационной деятельности:
Таким образом, в настоящее время, несмотря на широту средств
современной статистики, разнообразие методических подходов по
анализу инновационной деятельности, единой научно обоснованной
методики оценки уровня инновационного потенциала или
инновационной активности не существует, отсутствует единый
методологический подход и единая система показателей. Вместе с тем
рассмотренные методы многомерного статистического анализа имеют
надежную перспективу быть одним из ключевых инструментов
выявления однородных по кругу сопоставимых признаков субъектов
инновационной деятельности в разработке стратегических
управленческих решений для развития опорных отраслевых
комплексов.
Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]