Кластерный анализ диспропорций инновационно



Скачать 235.08 Kb.
Дата10.01.2013
Размер235.08 Kb.
ТипДокументы


- -



КЛАСТЕРНЫЙ АНАЛИЗ ДИСПРОПОРЦИЙ ИННОВАЦИОННО-

ИНВЕСТИЦИОННОГО РАЗВИТИЯ РЕГИОНОВ РОССИИ
Соболева Татьяна Сергеевна, ассистент

Орловский государственный университет, Орел, Россия
В работе представлены результаты сопоставления классификаций регионов по показателям инвестиционной и инновационной деятельности. Кластерный анализ показателей инновационной и инвестиционной активности в регионах России позволяет вывить регионы с повышенным уровнем исследовательской или инвестиционной активности, регионы с идентичными показателями по этим видам деятельности, регионы, которые нельзя однозначно классифицировать с использованием только технических процедур. Выявление этих групп позволит провести более тщательный анализ аспектов привлечения, освоения и учета инвестиций и инноваций.
THE ANALYSIS OF DISPROPORTIONS OF IS INNOVATIVE-INVESTMENT

DEVELOPMENT OF REGIONS OF RUSSIA

In work results of comparison of classifications of regions on indicators of investment and innovative activity are presented. The klasternyj analysis of indicators of innovative and investment activity in regions of Russia allows вывить regions with the raised level of research or investment activity, regions with identical indicators by these kinds of activity, regions which cannot be classified unequivocally with use only technical procedures. Revealing of these groups will allow to carry out more careful analysis of aspects of attraction, development and the account of investments and innovations.
При построении любой классификации главным вопросом является выбор основания классификации. Очевидно, что использование различных оснований и показателей приводит к различным результатам. Однако так же очевидным является и то, что даже при использовании различных оснований в случае большого числа объектов и малого (по сравнению с объемом выборки) числа кластеров может наблюдаться некое соответствие, т.е. будут существовать объекты, которые при любой классификации окажутся вместе. Это означает, что свойства этих объектов близки по изучаемым показателям. С другой стороны, сравнение нескольких классификаций позволяет выявить те объекты, свойства которых близки по одним показателям, но значимо различаются по другим. В этом случае исследователь может увидеть разницу в этих показателях, в частности, увидеть значимое отличие в уровне развития регионов, как в данном случае. Это может способствовать либо снижению дифференциации между регионами, путем усиления развития «недотягивающих» показателей в «слабых» регионах. Либо, с другой стороны, позволит увеличить «отрыв» одних регионов от других за счет усиления этого значимого различия.
Другими словами, выявление общих и различающихся свойств регионов путем сравнения различных классификаций может позволить скорректировать развитие региона, как в сторону увеличения различий, так и для снижения межрегиональной дифференциации.

Результаты двух классификаций были сопоставлены. Это позволяет произвести сопоставление регионов по уровню инновационной и инвестиционной активности. Т.е. можно выявить как научные центры (регионы с преобладанием инновационной деятельности), так и инвестиционно привлекательные регионы (те, которые активно привлекают инвестиции). Регионы с высоким инновационным статусом и низкой инвестиционной активностью должны большее внимание уделять развитию новых производств для реализации сделанных разработок. В свою очередь, регионам, привлекающим большие объемы инвестиций, следует увеличивать свой научно-исследовательский потенциал для поддержания степени инвестиционной привлекательности на прежнем уровне.

В данном исследовании была проведена попытка сопоставить результаты классификации регионов по уровню их инвестиционной привлекательности и рискованности инвестирования в экономику региона с показателями инновационной деятельности региона при помощи процедуры дискриминантного анализа. Для анализа использовалась классификация, составленная агентством ЭКСПЕРТ–РА.

Изначально эта классификация использует 14 показателей, производя деление на 12 групп. Однако с течением времени число групп менялось, т.к. часть из них оказалось пустыми. Вторая классификация была составлена автором по показателям публикуемым в сборнике «Россия в цифрах». Эти показатели отражают состояние исследовательской и инновационной деятельности в регионах. Из 9 исходных показателей были составлены обобщенные показатели. Несмотря на то, что они менялись с течением времени, их информативность составляла более 75%, что считается приемлемым результатом при процедуре снижения размерности. Их число так же оказывалось различным – 3 или 4, в зависимости от года исследования.

Классификация автора была основаны на изучении показателей инновационной и исследовательской деятельности предприятий в регионах РФ.

1. Число организаций, выполнявших исследования и разработки .

2. Численность персонала, занятого исследованиями и разработками.

3. Внутренние затраты на исследования и разработки.

4. Поступление патентных заявок и выдача патентов.

Показатели 2–4 были пересчитаны с учетом числа организаций, выполняющих исследования в регионе.

5. Число созданных передовых производственных технологий.

6. Число использованных передовых производственных технологий.

7. Инновационная активность организаций.

8. Затраты на технологические инновации.

9. Объем инновационных товаров (работ, услуг).

Показатели 5, 6, 8, 9 были пересчитаны с учетом числа инновационно активных организаций в регионе.

При классификации объектов использовались не сами статистические показатели, а построенные методом факторного и компонентного анализа обобщающие факторы. Эти факторы немного менялись с течением времени, но, сравнивая их общие черты, можно выделить следующее.

– Фактор, наиболее тесно связанный с численностью персонала, занятого исследованиями и разработками, внутренними затратами на исследования и разработки, поступлением патентных заявок и выдачей патентов. Его можно назвать исследовательская активность в регионе. С течением времени в его составе остались поступление патентных заявок и выдача патентов. Теперь его можно назвать фактором сознательности и продуктивности исследователей и изобретателей.

– Фактор наиболее тесно связан с числом организаций, выполнявших исследования и разработки и числом инновационно активных предприятий.

– Фактор представлен объемом инновационных товаров (работ, услуг) в денежном выражении в пересчете на число инновационно активных предприятий и в процентах от общего объема отгруженных товаров (работ, услуг). Его можно назвать инновационной нагрузкой на регион.

– Фактор связан с одним показателем – число использованных передовых производственных технологий. Этот фактор единственный из всех остался неизменным на протяжении всего анализируемого промежутка.

– Следующий фактор определяется численностью персонала и внутренними затратами на исследования и разработки и числом заявок, поданных на выдачу патентов (в пересчете на предприятия, ведущие исследовательскую деятельность). Очевидно, что чем больше один из этих показателей, тем, скорее всего, при эффективной работе больше будут и остальные. Однако, связь этого фактора с числом выданных патентов достаточно слаба. Может быть, этот фактор показывает стремление исследовательских организаций соблюдать законодательство или защитить свои изыскания от дальнейших возможных посягательств. Но т.к. связь с числом выданных патентов отсутствует, то об эффективности исследовательской деятельности в этом факторе речи, скорее всего, не идет. Он появлялся не во всех годах.

Первоначально на основании полученных факторов была составлена классификация Российских регионов. Очевидно, что с течением времени состав (а иногда и смысл) кластеров менялся. Анализ всего временного промежутка позволил выделить несколько стабильных групп. Их состав и основные характеристики приведены ниже.

1. Стабильно «плохой» кластер. Все показатели низкие, либо минимальные. В него входят: Белгородская, Воронежская, Костромская, Псковская области, Республика Кабардино-Балкария, Астраханская, Ростовская области, Республика Башкортостан, Курганская область, Красноярский, Приморский, Хабаровский край, Амурская область.

2. Группа «слабых» регионов, распределение которых отличается от первого кластера только в переломном 2004 году – это Тверская, Новосибирская, Читинская, Сахалинская области, Республики Коми, Мордовская характеризуется в этом году минимальным значением первого главного обобщенного фактора, связанного с числом выданных патентов и затратами на технологические инновации. Значения остальных показателей такие же, как и у первого кластера, либо чуть выше. Вологодскую область, также можно было бы отнести к этой группе. В 2005 году этот регион попадает в другой кластер, отличающийся самым низким значением фактора, связанного с числом организаций, связанных с инновационной и изобретательской деятельностью, значение фактора, связанного с объемом выпущенной инновационной продукции чуть ниже среднего. В остальные годы эта область точно попадает в указанный кластер.

3. Максимальное значение первого фактора (всегда был связан с численностью персонала, а также с числом заявок и патентов), немного менявшегося во времени, свойственно трем субъектам: Ленинградская и Ульяновская области и Краснодарский край. Москва и Санкт–Петербург на протяжении всего исследования характеризовались максимальным значением второго фактора, связанного с числом организаций, занимающихся исследованиями и инновациями. Два региона, которые «выбивались» из самого успешного кластера. Это Московская и Свердловская области. В 2002 и 2003 году они попадали в один кластер вместе с Москвой и Санкт-Петербургом.

Остальные группы регионов на протяжении промежутка исследования меняли свое положение. Некоторые проявляли устойчивое движение по направлению к лидерам, другие – наоборот, проявляли признаки спада, для третьих никакой тенденции выявить было невозможно, т.к. их переход из слабого кластера в сильный не был последовательным.

Следующая задача – проведение сравнения результатов двух классификаций. Проблема сравнения состояла, во-первых, в разном числе кластеров, полученных экспертным агентством и автором, и, во-вторых, при наличии в кластере только одного объекта, в невозможности провести дискриминантный анализ. Сравнение можно было проводить простейшим методом сопоставления: брать каждый регион и смотреть, в каком году к какому классу он принадлежит. Крупные классы можно было сравнивать по составу. Однако данный процесс является достаточно трудоемким. Поэтому сравнение было проведено с помощью дискриминантного анализа. Другими словами была произведена попытка классифицировать объекты (регионы РФ) по интегрированным показателям инновационной и исследовательской деятельности, используя известное разбиение по показателям инвестиционной деятельности и инвестиционному риску. При этом может быть найдено правило (линейная комбинация показателей), которое производит классификацию, будет оценена точность этого правила и найдены регионы, которые не соответствуют построенному правилу.

Существовавшая классификация экспертного агентства ЭКСПЕРТ-РА содержала 12 кластеров, характеризующих различную степень инвестиционной привлекательности и рискованности регионов РФ. Данное разбиение было составлено на основании анализа 14 различных характеристик. Для проведения сравнения вместо исходных характеристик были взяты не 14 показателей, предложенных агентством, а обобщенные факторы, полученные методом факторного анализа. Если классификация совпадает, то в регион поступают инвестиции, соизмеримые с размерами инновационной деятельности, проводимой регионом. Если же по результатам анализа регион попадает в другой класс, то необходимо выяснить причины этого. В результате сравнения точности классификации на основе 14 рейтинговых показателей, используемых экспертами и обобщенных факторов, полученных математическими методами, выявилось несколько групп регионов, которые можно охарактеризовать следующим образом: регионы, показавшие стабильное соответствие по результатам двух процедур, регионы, показавшие стабильное соответствие только по одной группе результатов, регионы, которые нельзя охарактеризовать устойчивым положением. Особое внимание следует уделить группе, показавшей стабильность только по одной сравнительной процедуре. Их можно подразделить на несколько категорий. Во-первых, это регионы, которые оказались в своем кластере по результатам попытки повторения классификации экспертов, и в другой группе, когда классификация проводилась в факторных инновационных координатах. Этой группе ниже будет уделено особое внимание. Для регионов, которые нельзя однозначно классифицировать на протяжении всего периода ни по одной системе показателей, скорее всего, характерна стадия становления или общей нестабильности. Это так называемые «пограничные», «рыхлые» или «заболоченные» объекты, которые расположены на границе нескольких кластеров и не могут быть точно отнесены ни к одному из них.

Рассмотрим более подробно регионы, оказавшиеся одинаково оцененными по инвестиционным и инновационным характеристикам и те субъекты, у которых деятель инновационная и инвестиционная деятельность характеризуются по-разному (на основании результатов дискриминантного анализа одного разбиения по различным группам показателей).
Таблица 1 – Классификация группы «устойчивых» регионов


регионы

2002

2003

2004

2005

2006

Курская область

3b1

3b1

3b1

3b1

3b1

Рязанская область

3b1

3b1

3b1

3b1

3b1

Ставропольский край

3b1

3b1

3b1

3b1

3b1

Республика Татарстан

2b

2b

2b

2b

2b

Республика Удмуртия

3b1

3b1

3b1

3b1

3b1

Пермский Край

2b

2b

2b

2b

2b

Пензенская область

3b1

3b1

3b1

3b1

3b1

Тюменская область

3c1

3b1

3b1

3b1

3b1

Томская область

3b1

3b1

3b1

3b1

3b1

Липецкая область

3b1

3b1

3b1

3b1

3b1


Группа регионов, которые из года в год оставалась верно классифицированы как по исходному правилу (т.е. по результатам дискриминантного анализа показателей инвестиционной привлекательности и рискованности регионов, т.е. по результатам поиска формального правила для описания экспертной процедуры), так и по «перекрестному» (дискриминация классификации ЭКСПЕРТ–РА по показателям инновационной деятельности). Это Курская, Рязанская, Пензенская, Тюменская, Томская, Липецкая области, Ставропольский и Пермский Край, Республики Удмуртия и Татарстан. Все эти регионы в основном принадлежали двум классам - средний потенциал, умеренный риск (2B) и пониженный потенциал - умеренный риск (3B1). Исключение составила только Тюменская область, которая в 2002 году принадлежала к группе регионов, характеризующихся пониженным потенциалом - высоким риском (3C1), в последствии уровень риска был понижен экспертами до умеренного (3В1), что нашло отражение и в построенном дискриминационном правиле. Можно сказать, что инвестиционная деятельность этих регионов достаточно точно соотносится с их инновационным потенциалом. Т.е. они используют столько же инновационных ресурсов, сколько и инвестиционных. Умеренный уровень риска, присвоенный этим объектам, может свидетельствовать о нормальном процессе реализации новых проектов. Если в эти регионы придут новые ресурсы, то, скорее всего, инновационные разработки им придется заимствовать. Либо же эти инвестиции не будут иметь инновационной направленности. В то же время, при увеличении деятельности инновационных и исследовательских организаций регионам придется менять показатели, привлекающие в регион ресурсы и увеличивающие степень риска. Другим вариантом может быть реализация результатов исследований и разработок других территорий.

Следующая большая группа регионов, которые модно было бы назвать «недооцененными». Это прежде всего Республика Дагестан. Данный регион стабильно отличался высоким риском, с течением времени произошло незначительное снижение инвестиционного потенциала с пониженного (3С1) до незначительного (3С2 в 2006 году). По данным дискриминантного анализа инвестиционного риска и привлекательности, основанного, на 14 показателях рейтинга региона, это положение было полностью подтверждено. Дискримиантный анализ по интегрированным показателям инновационной деятельности показывает, что год от года «ошибка» в классификации увеличивалась. Республика Дагестан может быть отнесена к более благополучному кластеру в смысле инвестиционного риска. Разница только в показателях рискованности инвестиционной деятельности в данном регионе говорит все-таки о неблагонадежной ситуации в регионе. Однако, такое «недооцененное» положение говорит о том, что в случае снижения уровня риска, регион смог бы освоить большие объемы инвестиций, в том числе и в инновационных отраслях. При этом, сама Республика Дагестан является слабым регионом, как на основании классификации Эксперт РА, так и на основании классификации в инновационных факторных координатах.

Республика Марий-Эл: также «недооценена», разница растет, что может быть связано с увеличением инвестиционного риска в регионе, отмеченного Эксперт РА. В течение времени положение этой республики по оценкам агентства ЭКСПЕРТ-РА менялось с незначительного потенциала при умеренном риске (3В2) до высокого риска при том же потенциале (3С2), что полностью подтверждается построенным формальным правилом.
Таблица 2 – Результаты дискриминантного анализа в рейтинговых инвестиционных и обобщенных инновационных координатах для группы регионов со стабильным несоответствия по одному из показателей


 

ЭКСПЕРТ-РА, 2002

Факторные координаты, 2002

ЭКСПЕРТ-РА, 2003

Факторные координаты, 2003

ЭКСПЕРТ-РА, 2004

Республика Дагестан

3c1

3b2

3c1

3b1

3c1

Краснодарский Край

2b

3b1

2b

3b1

2b

Республика Марий Эл

3b2

3b1

3b2

3b1

3c2

Ульяновская область

3b1

2b

3b1

2b

3b1

Курганская область

3c2

3b1

3b2

3b1

3c2

Иркутская область

2b

3b1

2b

3b1

2c

Кемеровская область

2b

3b1

2b

3b1

2b

Читинская область

3c1

3b2

3c1

3b1

3c1

 

Факторные координаты, 2004

ЭКСПЕРТ-РА, 2005

Факторные координаты, 2005

ЭКСПЕРТ-РА, 2006

Факторные координаты, 2006

Республика Дагестан

3b1

3c1

3b1

3c2

3b1

Краснодарский Край

3b1

2b

3b1

1b

3b1

Республика Марий Эл

3b1

3c2

3b1

3c2

3b1

Ульяновская область

2b

3b1

2b

3b1

2b

Курганская область

3b1

3c2

3b1

3c2

3b1

Иркутская область

3b1

2b

3b1

2b

3b1

Кемеровская область

3b1

2b

3b1

2b

3b1

Читинская область

3b1

3c2

3b2

3c1

3b2


При этом на основании показателей инновационной деятельности этот регион может быть отнесен к классу с менее высоким уровнем риска – пониженный потенциал при умеренном риске. При этом, такое положение является стабильным на протяжении всего промежутка исследования, что как бы «увеличивает ошибку» при перекрестной классификации. Инновационный потенциал на основании классификации без обучения в факторных координатах показывает незначительное увеличение числа поданных заявок и выданных патентов при малом числе исследовательских организаций и малых затратах на инновации. Следовательно, сознательность и активность исследователей и изобретателей в республике Марий-Эл росла вместе с другими регионами, поэтому и не произошло перехода в более благополучный кластер с течением времени по результатам перекрестной классификации.

Ульяновская область по мнению агентства ЭКСПЕРТ-РА стабильно относится к классу 3В1, что соответствует умеренному риску при пониженном инвестиционном потенциале этой области. На основании классификации в инновационных факторных координатах этот регион может быть отнесен к группе с более высоким инвестиционным потенциалом – это группа 2В или средний потенциал при умеренном инвестиционном риске. На основании классификации по инновационным показателям он относится к неустойчивым регионам, которые меняют свое положение между слабыми кластерами, нет стабильного роста либо снижения обобщенных показателей инвестиционной деятельности региона. Это может означать, что, несмотря на не очень активную исследовательскую деятельность, в данном регионе разработки на том же уровне, что и в регионах с более высоким инвестиционным потенциалом. Это отличается от рассмотренных ранее регионов, т.к. они были недооценены по уровню риска, что не совсем могло отражаться в показателях инновационной и исследовательской деятельности. Можно предположить, что не все разработки реализуются. Другим вариантом, объясняющим такое несоответствие, может являться увеличенный по сравнению с остальными регионами срок между инновационной разработкой и ее реализацией. Также возможна реализация проектов на других территориях. Данный факт несоответствия результатов «прямой» и «перекрестной» классификаций можно расценить и как недооценку возможностей реализации инвестиционных проектов самими инвесторами. Факт данного несоответствия будет изучен в дальнейшем.

Курганская область на основании классификации агентства ЭКСПЕРТ–РА этот регион оказался с незначительным потенциалом и высоким риском в течение всего периода исследования кроме 2003 года, когда уровень риска был понижен до умеренного, что было отражено в результате дискриминантного анализа по данным рейтингов регионов. На основании анализа показателей инновационной активности данный регион можно отнести к категории регионов с пониженным потенциалом и умеренным риском в течение всего периода исследования. Другими словами регион недооценен. В 2003 году оценка его инвестиционного потенциала с учетом риска экспертным агентством оказалась ближе всего к оценке инновационных возможностей этого региона. При классификации без обучения в инновационных факторных координатах для данного региона было характерно незначительное улучшение показателей инновационной и исследовательской активности к 2006 году, однако, необходимо отметить, что по остальным показателям регион является стабильно слабым.

Читинская область также является «недооцененной», однако с течением времени ошибка не является стабильной и составляет 1-2 кластера. Это может быть связано как с изменением инвестиционного риска и привлекательности, так и с изменением значений факторных координат. По мнению экспертного агентства данная область характеризуется незначительным потенциалом и высоким риском в 2005 году, в остальные периоды исследования (2002-2004 и 2006 годы) пониженным потенциалом и умеренным риском. При классификации в факторных инновационных координатах наблюдается резкое снижение числа заявок и патентов в 2005 году, остальные значения – средние или чуть ниже. При сравнении классификаций оказалось, что данная область может быть отнесена к регионам с меньшим риском (3В1 – пониженный потенциал, умеренный риск) в 2003 и 2004 годах. В остальное время он оказывался среди регионов с незначительным потенциалом и умеренным риском.

Анализируя сложившуюся ситуацию, следует отметить, что большинство «недооцененных» регионов оказались таковыми именно по показателям риска, а не потенциала. Это может свидетельствовать о том, что регионы могут реализовывать и внедрять большее число инновационных и исследовательских разработок, зарегистрированным в этих регионах. Однако, привлечению большего объема инвестиций препятствует повышенный уровень риска, характеризующийся рядом показателей, описанных выше.

Следующие регионы оказались «переоцененными», т.е. дискриминантный анализ в факторных инновационных координатах показал, что эти регионы скорее будут отнесены к группе с более слабыми показателями.

Краснодарский край находится «на хорошем счету» у агентства ЭКСПЕРТ-РА, что подтверждается дискриминантный анализом на основании рейтинговых показателей регионов. На протяжении всего времени данный регион характеризовался умеренным риском. Инвестиционный потенциал при этом являлся средним, а к концу периода исследования возрастает до высокого (1В). Сравнение инновационных возможностей региона и привлекаемых инвестиций показывает, что регион привлекает инвестиций больше, чем возможно при имеющемся уровне исследовательской и инновационной активности региона. На основании классификации только по инновационным показателям этот регион характеризуется нестабильным положением, нет устойчивого роста или снижения, из лидеров переходит в аутсайдеры и обратно по числу патентных заявок и выданных патентов, исследовательских организаций, стабильно низкое число созданных передовых технологий. Инвестиционная деятельность данного региона выше, чем его инновационная и исследовательская активность. Следовательно, данный регион либо использует результаты разработок из других субъектов, либо направляет инвестиции в «консервативные» отрасли, на увеличение объемов производства.

Для Иркутской области «ошибка» является стабильной. Агентство Эксперт РА относит данный регион к группе со средним инвестиционным потенциалом, инвестиционный риск при этом почти все время остается так же средним (2В), кроме 2004 года, когда он возрастает до высокого (2С). По инновационным показателям этот регион может быть отнесен к регионам с пониженным потенциалом при умеренном риске. В 2003 году на основании классификации в инновационных координатах в Иркутской области наблюдается всплеск инновационной активности (созданные передовые технологии и объем инновационной продукции), остальном слабые показатели. Можно сказать, инновационная активность в данном регионе соответствует регионам с более низким инвестиционным потенциалом.

Кемеровская область: ошибка ведет себя аналогично предыдущему случаю. Завышен инвестиционный потенциал. На основании проведенного сравнения классификации инвестиционного риска и привлекательности с показателями инновационной деятельности данный регион следовало бы отнести к группе с более низким потенциалом при том же уровне риска. Уровень произведенных инвестиций, опять таки, выше, чем уровень инновационной деятельности региона. По сравнению с 2003 годом наблюдается спад инновационной активности (созданные передовые технологии и объем инновационной продукции). В остальном для этого субъекта характерен нестабильный слабый рост на основании классификации по инновационным показателям.

Республика Башкортостан: «ошибка» наблюдается в течение 4 лет из 5, при этом регион так же является переоцененным. По показателям инвестиционного риска и привлекательности республику следует отнести к классу 2В – средний потенциал, умеренный риск. При сравнении инновационной и инвестиционной активности оказывается, что число произведенных инноваций, как и другие показатели, связанные с этим, могут соответствовать регионам с пониженным потенциалом (3В1). Совпадение наблюдалось только в 2003 году. На основании классификации по инновационным показателям относится к слабому кластеру с колебанием вокруг средних значений.

Еще несколько субъектов оказались точно расклассифицированными на основании правила Эксперт РА, однако классификация в обобщенных факторных координатах не всегда показывала те же результаты. Причем эти сдвиги возможно являются качественными. Прежде всего это республика Адыгея, которая с течением времени стала «переоцененной», т.е. на основании классификации в факторных координатах ее следовало бы отнести к более слабому кластеру (3С2) в отличие от мнения рейтингового агентства (3В2). Этот сдвиг произошел в 2004 году, который можно охарактеризовать как переломный по результатам всего исследования. В этом году резко меняется смысл обобщенных факторов, свойства кластеров, полученных методами k-средних и ряд других важных аспектов, отраженных в исследовании. Данный сдвиг может характеризовать увеличение инновационного потенциала республики Адыгея, начиная с 2004 года. Однако, повышение эффективности работы ученых не нашел отражение в объеме привлекаемых и осваиваемых инвестиций. Противоположная ситуация наблюдалась в Новгородской области, республике Мордовия, Приморском крае. В этих субъектах, начиная с 2004 года результаты двух классификаций «выровнялись».

Первоначально у Новгородской области объем привлекаемых инвестиций и инвестиционный климат в целом был выше, чем показатели ее инновационной деятельности, что показала процедура дискриминантного анализа. В 2004 году ситуация стала прямо противоположной. В этом году рейтинг этого региона экспертным агентством был понижен до уровня 3В2, что нашло отражение в результатах «прямого» дискриминантного анализа. Однако сравнение этой классификации с результатами инновационной деятельности давало те же результаты, что и ранее (3В1). Разница этих двух кластеров именно в инвестиционном потенциале, а не риске. Последние два года результаты двух классификаций совпадают. Можно говорить о спаде как инвестиционной, так и инновационной деятельности региона в течение анализируемого промежутка времени. Возможно, в 2004 году закончился «импорт» инновационных технологий в регион, что наблюдалось в начале исследования. Новые инвестиции можно направлять только в имеющиеся уже мощности, качественные сдвиги могут быть реализованы только за счет местных разработок, поэтому нет дополнительного притока инвестиций за счет привлеченных технологий.

В Мордовской республике ситуация немного иная. Положение этого региона относительно инвестиций и инноваций менялось не только за счет уровня инвестиционной привлекательности, но и риска. Мнение рейтингового агентства было стабильным в течение всего периода исследования. Следовательно, изменения происходили только за счет показателей инновационной деятельности этого субъекта. В целом, колебания незначительны. С технической точки зрения этот регион можно отнести к так называемым «рыхлым» или «болотистым» объектам. Его точно нельзя отнести ни к какому кластеру, он с одинаковой вероятностью может быть как с умеренным, так и с высоким риском, как с пониженным, так и с незначительным потенциалом. Поэтому на результаты классификации влияет самое незначительное изменение показателей.

Ситуация в Приморском крае также выравнивается начиная с 2005 года. Положение внутри рейтинга ЭКСПЕРТ–РА для этого региона не является стабильным: менялся риск с высокого до умеренного, и потенциал – со среднего до пониженного. Однако, результаты «перекрестной» классификации оказывались все время на одном уровне: пониженный потенциал, умеренный риск. следовательно, изменений в результатах инновационной и исследовательской деятельности не происходило, менялся только объем привлекаемых инвестиций. К концу периода он стал адекватен инновационному и исследовательскому уровню Приморского края.

Республику Северная Осетия, Бурятия, Амурский край и Тамбовскую область можно также отнести к «рыхлым» субъекта. Их положение является «пограничным» между несколькими кластерами, поэтому на результат классификации в тот или иной год может повлиять незначительное изменение любого из исследуемых показателей.

Кластерный анализ показателей инновационной и инвестиционной активности в регионах России позволяет вывить регионы с повышенным уровнем исследовательской или инвестиционной активности, регионы с идентичными показателями по этим видам деятельности, регионы, которые нельзя однозначно классифицировать с использованием только технических процедур. Выявление этих групп позволит провести более тщательный анализ аспектов привлечения, освоения и учета инвестиций и инноваций. Регионы, для которых результаты оказались различными, возможно необходимо изменение в процедурах регистрации итогов исследовательской деятельности либо упрощение процедуры привлечения инвестиций.

Управление общественными и экономическими системами 2009 № 1

Похожие:

Кластерный анализ диспропорций инновационно iconКластерный анализ диспропорций инновационно
Выявление этих групп позволит провести более тщательный анализ аспектов привлечения, освоения и учета инвестиций и инноваций
Кластерный анализ диспропорций инновационно iconЛекция №23 кластерный анализ
Синонимами термина "кластерный анализ" являются "автоматическая классификация объектов без учителя" и "таксономия"
Кластерный анализ диспропорций инновационно iconКластерный анализ в задачах социально-экономического прогнозирования 1 Введение в кластерный анализ
Охватывает функции расстояний 1, 2, 3
Кластерный анализ диспропорций инновационно iconКонспект лекции 4 (часть 2) концевая н. В. 2007 Тема Многомерный статистический анализ Вопросы Многомерный статистический анализ
Многомерный статистический анализ. Задачи классификации объектов: кластерный анализ. Дискриминантный анализ
Кластерный анализ диспропорций инновационно iconАнализ понятие о кластерном анализе. Кластерный анализ один из новейших математико-статистических методов, получивших распространение благод
...
Кластерный анализ диспропорций инновационно iconПрограмма spss реализует три метода кластерного анализа: 2 -этапный (Two-Step)
Задание Выполните кластерный анализ для переменных и сравните результаты с факторным анализом 7
Кластерный анализ диспропорций инновационно iconКластерный анализ Метод ближней связи
Набор точек, формирующих два кластера (рис. 1а). Например, это могут быть выборки из двух нормальных распределений с разными средними...
Кластерный анализ диспропорций инновационно iconЮ., Волкова Г. В. Всероссийский нии биологической защиты растений
По двум последним признакам проведен кластерный анализ, который выявил, что изоляты гриба из восточной степной и северной зон обособлены...
Кластерный анализ диспропорций инновационно iconКластерный анализ в экономических исследованиях: направления и опыт использования
В статье рассмотрены подходы к определению термина «кластер», выделены наиболее часто используемые методы и направления кластерного...
Кластерный анализ диспропорций инновационно iconВыбор и структурирование индикаторов регионального инновационно-устойчивого развития
Обобщая мировой и отечественный опыт в области разработки характеристик и способов оценок систем развития, можно выделить два подхода...
Разместите кнопку на своём сайте:
ru.convdocs.org


База данных защищена авторским правом ©ru.convdocs.org 2016
обратиться к администрации
ru.convdocs.org