Factor analysis of innovation activity of companies in the Russian Federation

В условиях становления информационной экономики как этапа современной стадии развития цивилизации инновации считаются ключом к поддержанию конкурентоспособности на мировом рынке, созданию рабочих мест и улучшению качества жизни населения. Поэтому повышение инновационной активности организаций – актуальная задача как на высшем государственном, так и на региональном уровне, решение которой должно обеспечить положительное воздействие на экономический рост. Важной задачей органов государственной власти выступает систематическая оценка и стимулирование инновационной активности организаций, прежде всего, субъектов малого и среднего бизнеса.

В современной литературе достаточно широко освещены вопросы инновационных процессов в экономики. При этом менее разработанной является проблема создания системы оценки инновационной активности на микроуровне, определения количественных индикаторов эффективности внедрения инноваций. Публикации, затрагивающие оценку эффективности инноваций на микроуровне, посвящены главным образом изучению темы с точки зрения организации, ее менеджмента и лишь небольшая их часть в качестве проблемы исследования обозначают оценку инновационных процессов органами государственной власти. Среди трудов, посвященных исследованию инновационных процессов на микроуровне следует отметить работы И.Т. Балабанова, А.И. Балашова, Е.М. Роговой, Е.А. Ткаченко, А.А. Трефиловой, Р.А. Фатхутдинова и др.

Информационно-эмпирическую базу исследования составляют данные Росстата.

Научная новизна исследования заключается в выявлении латентных обобщающих характеристик и взаимосвязей между показателями, используемыми для оценки инновационной активности организаций в РФ.

Целью исследования является выявление и интерпретация факторов, влияющих на значения показателей инновационной активности предприятий в РФ.

Задачи: провести факторный анализ инновационной активности организаций в РФ методом главных компонент и главных факторов (метод максимального правдоподобия), выявить и интерпретировать факторы; сравнить полученные результаты.

Методология. В работе на основе системного подхода применялись методы многомерного статистического анализа: главных компонент и главных факторов, графического представления данных. Обработка данных проводилась в программе Statistica.

Теоретическая и практическая значимость исследования состоит в том, что полученные результаты могут быть использованы для совершенствования набора показателей, оценивающих инновационную активность организаций в РФ.

Инновационная деятельность в общем виде представляет собой вид деятельности, связанный с трансформацией идей в новый или усовершенствованный продукт, внедренный на рынке, в новый или усовершенствованный технологический процесс, использованный в практической деятельности, либо в новый подход к социальным услугам.

В российской статистике выделяются такие виды инновационной деятельности, как исследования и разработки; дизайн; приобретение машин и оборудования, патентов, лицензий на использование изобретения, промышленных образцов, полезных моделей, ноу-хау, программных продуктов, связанных с осуществлением технологических инноваций; инжиниринг; обучение, подготовка и переподготовка персонала; маркетинговые исследования ^{[1, c. 371]}. Инновационная активность организации является сложным и многокомпонентным понятием, что усложняет задачу ее оценки.

Уровень инновационной активности организаций оценивается в статистике инноваций. Статистика инноваций – это раздел социально-экономической статистики, изучающий количественные параметры явлений и процессов в сфере науки и инноваций. Статистика инноваций, основанная на единых международных подходах, появляется с 1989 г., в РФ – с 1994 г. С 1994 г. в России ведутся ежегодные обследования инноваций крупных и средних промышленных предприятий, с 1996 г. – предприятий сферы услуг, с 1998 г. – малых предприятий (см. рис. 1).

В российской статистике двумя основными показателями инновационной активности организаций являются:

- совокупный уровень инновационной активности (отношение числа организаций, осуществляющих одновременно инновации всех типов: организационные, маркетинговые, технологические) либо инновации отдельных типов (сочетаний), к общему числу обследованных за определенный период времени организаций;

- затраты на маркетинговые, организационные и технологические инновации.

Данные показатели рассчитываются по формам собственности, по величине организаций и по видам экономической деятельности. Аналогичные показатели рассчитываются и по отдельным видам инноваций: удельный вес организаций, осуществлявших инновации отдельных типов, в общем числе организаций; затраты на технологические инновации (включая продуктовые и процессные), маркетинговые и организационные инновации по типам инноваций.

Рисунок 1 – Развитие статистики инноваций в России ^[2]

Рассматриваемая выборка – данные, характеризующие инновационную активность субъектов РФ за 2009–2016 гг (657 наблюдений) ^[3]. Данные за 2017–18 гг. отсутствуют, т.к. за эти годы пока нет статистических данных по показателю «Удельный вес организаций, осуществлявших технологические, организационные, маркетинговые инновации, в общем числе обследованных организаций». Этот показатель будет опубликован в электронной версии Приложения к сборнику «Регионы России. Социально-экономические показатели.2020».в соответствии с актуализированной Методикой расчета начиная с 2017 года.

Данных по Республике Крым и городу федерального значения Севастополю нет за 2009–13 гг., когда данные регионы не входили в состав РФ. Также из выборки были удалены наборы данных, по которым нет данных по какому-либо из показателей или они не публикуются (как, например, с 2013 г. по Чукотскому автономному округу и Еврейской автономной области отдельные данные не публикуются в целях обеспечения конфиденциальности первичных статистических данных, полученных от организаций в соответствии с Федеральным законом от 29.11.07 №282-ФЗ «Об официальном статистическом учете и системе государственной статистики в Российской Федерации» (п.5 ст.4, ч.1 ст.9)).

На первом этапе факторного анализа нами была построена корреляционная матрица (табл. 1). В этой корреляционной матрице используются переменные, соответствующие основным показателям инновационной активности организаций в РФ:

Var 1 – организации, выполнявшие НИР, ед.

Var 2 – объем инновационных товаров, работ, услуг, в % от общего объема отгруженных товаров, выполненных работ, услуг

Var 3 – объем инновационных товаров, работ, услуг, млн. руб.

Var 4 – численность персонала, занятого НИР, чел.

Var 5 – внутренние затраты на научные исследования и разработки, млн. руб.

Var 6 – используемые передовые производственные технологии, ед.

Var 7 – выдано патентов на изобретения, ед.

Var 8 – выдано патентов на полезные модели, ед.

Var 9 – затраты на технологические инновации, млн. руб.

Var 10 – удельный вес организаций, осуществляющих технологические, организационные, маркетинговые инновации, в общем числе обследованных организаций, %.

Как видно из табл. 1, по всем признакам хотя бы один коэффициент корреляции выше 0,3, что говорит о возможности объединения нескольких переменных в один фактор. В рассматриваемой корреляционной матрице выделяется блок, содержащий очень большие значения (>0,9). В него входят корреляции между следующими переменными: «организации, выполнявшие НИР, ед.», «численность персонала, занятого НИР», «внутренние затраты на научные исследования и разработки, млн. руб.», «выдано патентов на изобретения, ед.», «выдано патентов на полезные модели, ед.». Наименьшая корреляция с другими признаками наблюдается у фактора «Удельный вес организаций, осуществляющих технологические, организационные, маркетинговые инновации, в общем числе обследованных организаций, %», он лишь слабо коррелирует с признаком «используемые передовые производственные технологии, ед.».

Таблица 1 – Корреляционная матрица

Основное различие двух используемых моделей факторного анализа состоит в том, что в анализе главных компонент предполагается, что должна быть использована вся изменчивость переменных, тогда как в анализе главных факторов используется только изменчивость переменной, общая и для других переменных.

Проведем процедуру факторного анализа методом главных компонент. Матрица «Собственные значения» (табл. 2) показывает объясненную дисперсию и накопленную дисперсию. На первый фактор приходится 6,84 ед. информации, что составляет 68,4% общей информации, т.е. от 10 факторов. На второй фактор приходится 1,24 ед. информации или 12,46% общей информации. Накопленная дисперсия показывает, что на первые два фактора приходится 80,87% всей информации.

Факторный анализ является методом сокращения или редукции данных, т.е. методом сокращения числа переменных. Возникает вопрос: сколько факторов следует выделять? Метод Кайзера предписывает оставить первые два фактора, т.к. они содержат больше единицы информации и у них дисперсия больше единицы.

Таблица 2 – Объясненная полная дисперсия (метод главных компонент)

Критерий каменистой осыпи является графическим методом, впервые предложенным Р.Кэттеллом. В соответствии с графиком «каменистой осыпи», номер той точки, в которой смыкаются «обрыв» и «пляж», дает нам искомое число факторов – 2 (рис. 2).

Рисунок 2 – График собственных значений согласно методу главных компонент (ось абсцисс – номера факторов, ось ординат – собственные значения)

Из матрицы факторных нагрузок (табл. 3) видно, что первый фактор содержит практически все признаки, кроме удельного веса организаций, осуществляющих технологические, организационные, маркетинговые инновации, в общем числе обследованных организаций, % и объема инновационных товаров, работ, услуг, в % от общего объема отгруженных товаров, выполненных работ, услуг. Можно сказать, что он характеризует развитие науки в регионе. Второй фактор отражает специализацию региона на наукоемких отраслях и характеризуется признаком «объем инновационных товаров, работ, услуг, в % от общего объема отгруженных товаров, выполненных работ, услуг».

Далее проведем факторный анализ методом главных факторов (максимального правдоподобия). Количество факторов установим равным двум, как было решено в результате применения метода главных компонент. Посредством двух факторов объяснено 75,97% полной информации, что меньше, чем по методу главных компонент (табл. 3). На второй фактор приходится только 0,9 ед. информации (рис. 3).

Таблица 3 – Объясненная полная дисперсия (метод максимального правдоподобия)

Рисунок 3 – График собственных значений согласно методу максимального правдоподобия (ось абсцисс – номера факторов, ось ординат – собственные значения)

Доля дисперсии отдельной переменной, принадлежащая общим факторам и разделяемая с другими переменными называется общностью. Поэтому дополнительной работой, стоящей перед исследователем при применении этой модели, является оценка общностей для каждой переменной, т.е. доли дисперсии, которая является общей для всех пунктов. Доля дисперсии, за которую отвечает каждый пункт, равна тогда суммарной дисперсии, соответствующей всем переменным, минус общность. Числа в табл. «Общности» (табл. 4) измеряют, насколько хорошо факторы описывают изменчивость исходных переменных. Например, информация, содержащаяся в переменной «Организации, выполнявшие НИР, ед.», описана фактором 1 на 91,02%, а фактором 2 на 96,8%. Переменная «удельный вес организаций, осуществляющих технологические, организационные, маркетинговые инновации, в общем числе обследованных организаций, %» практически не объяснена ни одним из двух факторов. Также довольно слабо объяснена переменная «объем инновационных товаров, работ, услуг, в % от общего объема отгруженных товаров, выполненных работ, услуг».

Таблица 4 – Общности

Таблица факторных нагрузок позволяет интерпретировать факторы. Элементы этой таблицы называются факторными нагрузками и являются корреляциями между факторами и исходными переменными.

Таблица 5 – Таблица факторных нагрузок

С помощью факторного анализа методом максимального правдоподобия10 переменных были сведены к двум факторам. Первый фактор характеризуется признаками «организации, выполнявшие НИР, ед.», «численность персонала, занятого НИР, чел.», «внутренние затраты на научные исследования и разработки, млн. руб.», «выдано патентов на изобретения, ед.», «выдано патентов на полезные модели, ед.». По сути, он характеризует число и показатели научно-исследовательских организаций (вузов, НИИ) в субъекте РФ. Чем больше в регионе число научно-исследовательских организаций, тем выше будут и численность персонала, занятого НИР, и внутренние затраты на научные исследования и разработки, и количество выданных патентов и изобретений на полезные модели как результатов деятельности данных организаций.

Второй фактор характеризуется в основном одной переменной – объем инновационных товаров, работ, услуг, млн. руб. Это, по сути, специализация региона на производстве инновационных товаров и услуг (на наукоемких отраслях, например, фармацевтике, машиностроении, информационных технологиях и т.д.). У регионов, которые специализируются, например, на добыче сырья, сельском хозяйстве и прочих отраслях, не являющихся инновационными, показатель объема инновационных товаров, работ, услуг будет иметь небольшие значения, несмотря на наличие вузов и НИИ, которые будут осуществлять и финансировать научные исследования, получать патенты и т.п. Таким, образом, этот фактор отражает коммерциализацию НИР.

Метод главных компонент дает похожую интерпретацию двух выделенных факторов. Но первый фактор по этому методу содержит большее число признаков.

Таким образом, оба метода позволили похожим образом выделить два фактора. По методу главных компонент первый фактор – развитие науки в регионе, второй фактор – специализация региона на наукоемких отраслях; по методу максимального правдоподобия: первый фактор – научно-исследовательские организации в регионе, их число и показатели (немного более узко, чем по методу главных компонент), второй фактор – специализация региона на наукоемких отраслях (коммерциализация НИР).

Как следует из анализа официальных статистических данных, для оценки коммерциализации НИР используется относительно небольшое количество индикаторов, в сравнении с намного большим числом показателей, характеризующих результаты деятельности научно-исследовательских организаций. Можно отметить недостаток статистических данных для оценки результативности инновационной активности организаций.

В настоящее время разработан ряд методик оценки инновационной активности организаций (например, методики В.П. Баранчеева, Н.П. Масленникова и В.М. Мишина ^{[4, с. 55–61]}, А.Ю. Реутова ^[5], А.А. Трифиловой ^{[6, с. 51–53]}, Р.А. Фатхутдинова ^{[7, с. 264–265]}, и др.). Однако многие признаки инновационной активности, предлагаемые учеными-экономистами, являются трудно оценимыми на практике, например, оценимыми только с помощью методов экспертной оценки и несопоставимыми по различным предприятиям. При этом разработанные методики, как правило, используют показатели, представляющие коммерческую тайну, не собираемые и не публикуемые в агрегированном виде Росстатом, что позволяет использовать их только для целей отдельного предприятия, но не на макро- или мезоуровне.

Соответственно, в число статистических показателей инновационной активности организаций должны быть включены показатели экономического эффекта. В целях статистического учета показатели экономического эффекта и эффективности должны быть рассчитаны предприятиями по единой достаточно простой и понятной методике, например, эффект как прирост прибыли от внедрения инновации, а эффективность – как отношение прироста прибыли к затратам на НИОКР. Соответственно, в статистических сборниках будут опубликованы данные о суммарном экономическом эффекте предприятий страны или ее отдельных регионов или усредненные взвешенные по величине затрат на НИОКР данные показателей экономической эффективности инноваций. Это позволит оперировать показателями результативности НИОКР не только на микро-, но и на мезо- и макроуровне при разработке и оценке стимулирующих мер инновационной активности бизнеса на государственном уровне.