Индекс УДК 33
Дата публикации: 31.08.2021

Кластерный анализ динамики инновационной деятельности субъектов Российской Федерации

Cluster analysis of the dynamics of innovation activities of the constituent entities of the Russian Federation

Спирина Полина Владимировна,
Семенова Анна Робертовна,

1. студент Сибирский Федеральный Университет
2. Сибирский Федеральный Университет, доцент базовой кафедры цифровых финансовых технологий Сбербанка России, кандидат физико-математических наук

Spirina Polina Vladimirovna,
Semenova Anna Robertovna,

1. student of the Siberian Federal University
2. Siberian Federal University, associate professor of the basic department of digital financial technologies of Sberbank of Russia, candidate of physical and mathematical sciences
Аннотация: В работе использованы методы статистического исследования анализа данных на базе Statistica, а также табличные и графические способы анализа.
Проанализированы аспекты инновационного развития Российской Федерации. На основе процедуры кластерного анализа методом k-средних с предварительно проведенным анализом и обработкой данных проведена типология регионов.
В результате проведенного анализа был сделан выводы о наличии дифференциации инновационного развития в регионах. При этом выявлены 4 типа регионов со схожими моделями поведения в инновационной сфере. Результаты могут быть применены на практике государственными органами власти и иными органами субъектов Российской Федерации при планировании и реализации инновационной деятельности на определенной территории.


Abstract: Methods of statistical research of data analysis based on Statistica, as well as tabular and graphical methods of analysis were used in the work.
Aspects of innovative development of the Russian Federation are analyzed. Based on the procedure of cluster analysis by the k-means method with preliminary analysis and data processing, a typology of regions is carried out.
As a result of the analysis, it was concluded that there is a differentiation of innovative development in the regions. At the same time, 4 types of regions with similar models of behavior in the innovation sphere were identified. The results can be applied in practice by state authorities and other bodies of the constituent entities of the Russian Federation when planning and implementing innovative activities in a certain territory.
Ключевые слова: Кластерный анализ, математическое моделирование, инновационное развитие, экономическое развитие, экономика региона, инновации, Statistica, анализ данных.

Keywords: Cluster analysis, mathematical modeling, innovative development, economic development, regional economy, innovation, Statistica, data analysis.



Прогрессивная роль науки, инноваций и технологий в экономике развитых стран в XXI в. становится ведущей, так как экстенсивные факторы роста (увеличение численности занятых в производстве, масштабов добычи и освоения невозобновляемых ресурсов и энергоносителей, возможностей приращения новых площадей плодородных земель, запасов пресной воды и др.) в мировом масштабе приближаются к максимальному уровню использования. Некоторые исследователи (Э. Тоффлер, Ф. Фукуяма, Д. Белл, Дж. Нейсбитт и др.) считают, что для большинства развитых стран
в современном мире именно инновационная экономика обеспечивает мировое экономическое превосходство страны, которая её воплощает [9].

В условиях продолжающегося системного экономического кризиса в Российской Федерации, а также в период ужесточения конкурентной борьбы на межрегиональных рынках, особенно в связи с вынужденными ограничениями импорта продовольствия, все большую значимость
в отечественном воспроизводственном процессе приобретают инновации и их масштабное внедрение в хозяйственную жизнь общества. Инновации выступают как один из главных факторов экономического роста в ходе модернизации социально-экономической системы, способствуют повышению и укреплению конкурентоспособности и росту эффективности хозяйственной деятельности [8].

 

Территории, различающиеся по своему геополитическому
и экономическому положению, богатству природных ресурсов, развитию инфраструктуры, запасу человеческого капитала и других факторов, создают неодинаковые условия для экономической деятельности и конкуренции фирм. Понятно, что при этом экономические агенты одного региона имеют
и достаточно большие общие групповые интересы, способствующие совместной работе по привлечению и удержанию в регионе капитала,
инноваций, квалифицированных работников и т. Д [3]. Проблемы  региональной  и национальной экономики относятся к числу важнейших проблем экономической теории и практической политики, исследованию различных аспектов этих проблем посвящены многочисленные работы отечественных и зарубежных ученых и специалистов. Если говорить о современной российской действительности, то к сказанному следует добавить также и то, что регионы, а в особенности субъекты Российской Федерации, ведут себя одновременно и как квазигосударства, и как квазикорпорации, являясь непосредственными субъектами рынка и, следовательно, конкурентами в рыночном пространстве [3]. В экономике Российской Федерации конкуренция имеет значительную региональную специфику, это обусловлено чрезвычайно большим разнообразием регионов по типам экономики, по сочетанию конкурентных преимуществ и недостатков, по уровням экономического развития. Также резко различается конкурентоспособность регионов с точки зрения сложившейся структуры производства, экспортного потенциала, обеспеченности инфраструктурой, инвестиционного климата и других факторов. Значительный интерес вызывает и анализ динамики инновационного развития регионов и их дифференциации по уровню инновационной активности, исследование проблем качества их экономического роста, характеристик неоднородности социально-экономического пространства Российской Федерации и т. д.

В настоящей работе осуществлен кластерный анализ динамики инновационной деятельности субъектов Российской Федерации. В качестве базы для исследования были использованы следующие показатели за 2010 и 2019 гг.:

  • Затраты на инновационную деятельность организаций, млн. рублей;
  • Объем инновационных товаров работ, услуг, млн. рублей;
  • Уровень инновационной активности организаций, %;
  • Затраты на приобретение машин, оборудования прочих основных средств, связанных с инновационной деятельностью, тыс. рублей;
  • Специальные затраты, связанные с экологическими инновациями,
    млн. рублей;
  • Затраты на инновационную деятельность малых предприятий, млн рублей;
  • Число поступивших патентных заявок, ед.;
  • Число выданных патентов, ед.;
  • Используемые передовые производственные технологии, ед.

Для оценки изменчивости кластеров, а также для анализа их устойчивости взяты статистические показатели по субъектам Российской Федерации за 2010 г. и 2019 г. Выбор 2010г. и 2019г. обусловлен тем, что производство инновационных технологий, а также инновационное развитие
в целом является долгосрочным процессом, поэтому проводить кластерный анализ для показателей с разницей в один год является нецелесообразным. Предполагается, что чем больше разница в исследуемых годах, тем большей изменчивости будут подвержены кластеры.

В связи с тем, что собранные статистические данные по 9 показателям
по субъектам Российской Федерации не имеют нормального распределения, было осуществлен ряд преобразований для приведения их к нормальному распределению.

Изначально имеющиеся статистические данные, выбранные для кластерного анализа, разбиты на 2 группы:

1 группа показателей:

  • Затраты на инновационную деятельность организаций, млн. рублей;
  • Отгружено инновационных товаров работ, услуг, млн. рублей;
  • Затраты на приобретение машин, оборудования прочих основных средств, связанных с инновационной деятельностью, тыс. рублей;
  • Специальные затраты, связанные с экологическими инновациями, млн. рублей;
  • Затраты на инновационную деятельность малых предприятий, млн. рублей.

2 группа показателей:

  • Уровень инновационной активности организаций, %;
  • Число поступивших патентных заявок, ед.;
  • Число выданных патентов, ед.;
  • Используемые передовые производственные технологии, ед.

После разбивки всех показателей на 2 группы данные по 85 субъектам ранжированы относительно каждого показателя, где 1 – наихудшее значение и 85 – наилучшее. Далее все полученные значения рангов просуммированы по каждому субъекту показателей. Согласно центральной предельной теореме, сумма достаточно большого количества слабо зависимых случайных величин, имеющих примерно одинаковые масштабы, имеет распределение, близкое к нормальному. По формуле рассчитаны индексы по 2 показателям для 2010г. и 2019г.:

Данные, получившиеся после преобразований представлены в Таблице 1.

Таблица 1

Показатели, используемые для проведения кластерного анализа.

Наименование субъектаЦПТ 1 2010ЦПТ 2 2010ЦПТ 1 2019ЦПТ 2 2019
Белгородская область1,044860,6847941,8194921,309164
Брянская область-0,39632-0,30211-1,333090,140987
Владимирская область0,072061,1077540,8827241,369587
Воронежская область0,900741,4904332,3599352,03424
Ивановская область-0,95478-0,48338-1,819490,362538
Калужская область0,846690,725076-0,108091,349446
Костромская область-1,47721-0,56395-1,92758-1,24874
Курская область-2,233830,40282-0,48640,382679
Липецкая область2,648170,0402822,3959650,161128
Московская область2,630161,8731123,2786892,537764
Орловская область-0,828680,261833-0,54044-0,02014
Рязанская область1,20699-0,4431-0,468380,745217
Смоленская область-1,29706-1,55086-1,13493-0,80564
Тамбовская область-1,54927-0,18127-0,756620,080564
Тверская область-0,180150,020141-0,216181,329305
Тульская область1,657361,3293052,2878761,389728
Ярославская область2,017651,3293051,0808861,248741
г. Москва1,945603,1419943,4588363,021148
Республика Карелия-1,17096-1,6717-0,84669-1,49043
Республика Коми-0,25221-1,430010,468384-1,2286
Архангельская область-1,31508-0,42296-0,54044-1,32931
Ненецкий автономный округ-1,90957-3,2427-2,72023-3,22256
Вологодская область-0,57647-0,06042-0,054040,624371
Калининградская область-2,34192-1,38973-0,75662-1,32931
Ленинградская область1,945600,0604231,20699-0,06042
Мурманская область0,41434-0,98691-0,9728-0,96677
Новгородская область-0,03603-0,54381-1,51324-0,62437
Псковская область-1,96361-0,60423-2,05368-1,18832
г. Санкт-Петербург3,098542,7995973,5128813,202417
Республика Адыгея-1,69339-1,71198-2,1978-2,39678
Республика Калмыкия-1,67537-3,10171-2,16177-2,9003
Республика Крым2)-2,82832-2,39678-2,05368-1,97382
Краснодарский край-0,180151,0070491,3511081,289023
Астраханская область-1,40515-0,08056-1,11692-0,72508
Волгоградская область1,188971,2084590,6845610,60423
Ростовская область0,882721,4501512,1437582,65861
г. Севастополь-2,81030-2,83988-2,23383-1,85297
Республика Дагестан-2,233830,241692-0,93677-1,18832
Республика Ингушетия-1,71140-1,45015-2,12574-3,14199
Кабардино-Балкарская Республика-2,37795-1,51057-2,12574-2,0141
Карачаево-Черкесская Республика-0,77464-2,9003-1,87354-2,15509
Республика Северная Осетия — Алания-2,99045-1,43001-2,64817-1,571
Чеченская Республика-1,26103-2,47734-1,96361-2,77946
Ставропольский край1,26103-0,06042-0,180150,241692
Республика Башкортостан2,053682,4169182,377952,336354
Республика Марий Эл-1,27905-0,58409-0,86471-0,02014
Республика Мордовия-0,180150,2215510,792650,725076
Республика Татарстан3,206632,7391743,4948663,06143
Удмуртская Республика0,360301,5105740,4863991,450151
Чувашская Республика0,558461,3091640,2882361,369587
Пермский край2,576112,5176232,1437582,074522
Кировская область-0,36030-0,020140,414340,986908
Нижегородская область2,666192,6988922,756262,638469
Оренбургская область0,5764700,288236-0,52367
Пензенская область-0,144120,60423-0,180151,047331
Самарская область2,377952,6787513,0985412,416918
Саратовская область0,702581,02719-0,072061,43001
Ульяновская область-0,198160,785498-0,180151,711984
Курганская область-1,47721-0,20141-0,95478-0,46324
Свердловская область3,134572,9607252,9183932,779456
Тюменская область3,188611,6918432,5941271,389728
Ханты-Мансийский автономный округ2,73825-1,007050,594487-1,00705
Ямало-Ненецкий автономный округ0,01801-0,12085-1,15295-0,68479
Челябинская область2,900382,0745222,2878762,23565
Республика Алтай-2,37795-2,7996-2,23383-2,43706
Республика Тыва-2,17979-1,75227-1,18897-2,57805
Республика Хакасия-3,40479-2,53776-2,82832-2,4572
Алтайский край0,378310,4833840,0720591,43001
Красноярский край1,477211,6112792,9364081,550856
Иркутская область0,846690,3625381,7474330,443102
Кемеровская область- Кузбасс-0,054040,3021150,5764730,704935
Новосибирская область1,531261,1077540,6305171,772407
Омская область1,441181,0473311,3511081,268882
Томская область-0,018011,9335351,1889751,772407
Республика Бурятия-2,21582-1,04733-0,37831-1,83283
Республика Саха (Якутия)-1,92758-1,43001-1,24302-1,65156
Забайкальский край-2,03567-1,77241-2,39596-1,91339
Камчатский край-1,83751-1,69184-2,37795-1,1279
Приморский край-1,225000,0201410,378310,040282
Хабаровский край0,432350,9264850,2161770,382679
Амурская область-1,72942-1,65156-1,26103-1,40987
Магаданская область-1,58530-1,04733-2,0717-1,36959
Сахалинская область-1,78346-2,45721,351108-2,19537
Еврейская автономная область-2,73825-1,571-1,60331-2,86002
Чукотский автономный округ-1,42317-1,75227-1,06287-2,3565

Для получения нормального распределения данных исключены значения следующих субъектов Российской Федерации: Ненецкий АО,
Санкт-Петербург, Приморский край, Хабаровский край, Еврейская АО, так как их значения являлись крайними точками по регионам.

Количество интервалов для гистограммы определено на основании формулы Стерджесса:

Рисунок 1. Гистограммы распределения показателей ЦПТ 1 и ЦПТ 2 за 2010г. и 2019г.

 Далее непосредственно переходим к кластерному анализу. Регионы расперделены на 4 кластера, где кластер № 1 включается в себя регионы
с наиболее высокими значениями, а кластер № 4 регионы, имеющие самые низкие показатели.

Таблица 2

Динамика количества регионов в кластерах в 2010 и 2019 гг.

20102019
Кластер 11016
Кластер 22324
Кластер 32321
Кластер 42419

В период с 2010 г. по 2019 г. значительно снизилось (- 5 ед.) количество субъектов, входящих в кластер № 4 и увеличилось количество субъектов, которые попадают в кластер № 1 (+6 ед.), но он также находится на последнем месте по количеству субъектов, входящих в кластер. Данный факт свидетельствует о том, что происходит постепенное внедрение инноваций в экономику субъектов, увеличивается производство инновационных товаров, работ и услуг, а также развивается сфера НИОКР. Однако стоит отметить, что темпы данных процессов достаточно низкие. Количество субъектов в кластере № 2 и кластере № 3 осталось практически неизменным.

Таблица 3

Динамика распределения регионов РФ по кластерам в 2010
и 2019 гг.

№ кластера в 2010 г.№ кластера в 2019 г.
Белгородская область*21
Брянская область33
Владимирская область22
Воронежская область*21
Ивановская область33
Калужская область22
Костромская область*34
Курская область*32
Липецкая область*21
Московская область11
Орловская область33
Рязанская область22
Смоленская область*43
Тамбовская область33
Тверская область*32
Тульская область*21
Ярославская область22
г. Москва11
Республика Карелия*43
Республика Коми33
Архангельская область33
Ненецкий автономный округ
Вологодская область*32
Калининградская область*43
Ленинградская область22
Мурманская область33
Новгородская область33
Псковская область44
г. Санкт-Петербург
Республика Адыгея44
Республика Калмыкия44
Республика Крым44
Краснодарский край*32
Астраханская область33
Волгоградская область*32
Ростовская область*21
г. Севастополь2)44
Республика Дагестан33
Республика Ингушетия44
Кабардино-Балкарская Республика44
Карачаево-Черкесская Республика44
Республика Северная Осетия — Алания44
Чеченская Республика44
Ставропольский край22
Республика Башкортостан11
Республика Марий Эл33
Республика Мордовия*32
Республика Татарстан11
Удмуртская Республика22
Чувашская Республика22
Пермский край11
Кировская область*32
Нижегородская область11
Оренбургская область*23
Пензенская область*32
Самарская область11
Саратовская область22
Ульяновская область*32
Курганская область33
Свердловская область11
Тюменская область11
Ханты-Мансийский автономный округ – Югра*23
Ямало-Ненецкий автономный округ33
Челябинская область11
Республика Алтай44
Республика Тыва44
Республика Хакасия44
Алтайский край22
Красноярский край*21
Иркутская область22
Кемеровская область- Кузбасс*32
Новосибирская область22
Омская область22
Томская область22
Республика Бурятия44
Республика Саха (Якутия)*43
Забайкальский край44
Камчатский край44
Приморский край
Хабаровский край
Амурская область*43
Магаданская область44
Сахалинская область*43
Еврейская автономная область
Чукотский автономный округ44

[*Отмечены субъекты Российской Федерации, входящие в 2010 г. и в 2019 г. в разные кластеры].

В целом можно сделать вывод, что большинство элементов кластеров являются устойчивыми. В период с 2010 по 2019 год наибольшие изменения произошли в кластере 1, что является вполне закономерным, так как дальнейший экономический рост невозможен без внедрения инноваций во все сферы производства. Наименьшей изменчивости подвержен кластер № 2. Кластер № 4 включает в себя регионы, преимущественно занимающиеся традиционными видами хозяйствования (Республика Ингушетия, Чеченская Республика, Чукотский автономный округ, Республика Калмыкия, Республика Тыва и др.). Также большая часть регионов, входящих в 4 кластер специализируется на туристической деятельности, которая не предполагает инновационного развития. Регионы, делающие упор на развитие сельского хозяйства, использующие преимущественно ручной труд, а также получающие основные доходы за счет осуществления туристической деятельности расходуют на инновации гораздо меньше. Так, в 2019 году, регионы, вошедшие в 1 кластер, в среднем затратили на инновации
143157,1 миллион рублей, в то время как, затраты регионов, входящих в 4 кластер,  составили в среднем всего лишь 21534,6 миллионов рублей.

Изменение номера кластера, в который входит регион в 2019 году по отношению к 2010 году в основном имеет положительную динамику. Большинство регионов увеличили затраты на инновационные товары, работы и услуги, что привело к закономерному росту объемов отгруженных инновационных товаров, работ и услуг и следовательно попаданию региона в кластер с более высокими значениями. Данный факт свидетельствует о становлении Российской Федерации на инновационный путь развития. Все большее количество организаций увеличивают расходы на разработку и внедрение инноваций во все экономические и технические процессы производства. Также стоит отметить, что в настоящее время осуществляется активная поддержка инновационного развития со стороны органов государственной власти – утверждаются и успешно реализуются программы инновационного развития регионов, увеличивается объем финансирования инновационных разработок.

Снижение уровня инновационного развития в 2019 году по отношению к 2010 году произошло в Костромской области, Оренбургской области и Ханты-Мансийском автономном округе. Так, например, уровень инновационной активности организаций Костромской области за 9 лет снизился примерно в 2 раз, так в 2019 году показатель равен 4,6, в 2010 году – 8,5 [6]. Даная ситуация в регионах во многом сложилась из-за снижения затрат на инновации, обусловленного разработкой и внедрением низкомасштабных инновационных проектов, что приводит к неспособности конкурировать с теми субъектами Российской Федерации, которые ежегодно увеличивают затраты на инновации.

Рисунок 2. Диаграммы концентрации показателей ЦПТ 1 и ЦПТ 2 за 2010г. и 2019г.

На рисунке 2 показано, что в 2010 году регионы имели большую рассеянность и располагались преимущественно в 3 квадранте системы координат, то есть имели отрицательные значения индексов ЦПТ 1 и  ЦПТ 2, следовательно, и низкий уровень инновационного развития. В 2019 году преобладает скученность регионов, и большая часть из них расположены во 2 и 1 квадранте системы координат. Это говорит о равномерном инновационном развитии.

Площадь концентрации в 2019 году по отношению к площади 2010 года увеличилась, что свидетельствует о росте инновационного развития на всей территории Российской Федерации.

Таким образом, с помощью кластерного анализа динамики инновационной деятельности была проведена типология регионов, определен уровень инновационной деятельности, присущий тому или иному типу региона. Не смотря на то, что подобные исследования уже проводились и были сформированы различные типы регионов и кластеров, выявление кластеров в данной статье базируется на основополагающих определениях инноваций и инновационного развития. Уникальным результатом проведенного исследования служит кластерный анализ в динамике, что позволяет выявить потенциал определенной территории и возможности ее дальнейшего развития.

Библиографический список

1) Земенцкий Ю.В., Михайлова А.Е., Немиленцев М.К. Основные тенденции и особенности инновационного развития российской экономики. // Петербургский экономический журнал. –2020. – №1. – С 56–63.
2) Ивантер В.В., Комков Н.И. Перспективы и условия инновационно-технического развития экономики России.// Экономическая политика. – 2007. – С 3-20.
3) Кузнецов Ю. А., Перова В.И., Эйвазова Э.Н. Нейросетевое моделирование динамики инновационного развития регионов Российской Федерации. // Инновационный потенциал региона. – 2014. – № 4. С 18–28.
4) Курегян С.В. Инновационная модернизация экономики. // Экономическая наука сегодня. –2020. –№ 11. С 43–47.
5) Маркова Е.В., Аль-Дарабсе А. М. Влияние инноваций на экономический рост. // Вестник УлГТУ. –2020. – № 2. С 72–74.
6) Молчанова М.С. Развитие инновационной деятельности в Российской Федерации. // Инновационная наука. –2019. –№ 5. С 98–100.
7) Официальная статистика [Электронный ресурс]: Федеральная служба государственной статистики. // – Режим доступа: https://rosstat.gov.ru/.
8) Полежаева А.Ю. Анализ условий развития инноваций: Типология регионов. // Региональная экономика: теория и практика. – 2015. – № 45. С 50-62.
9) Полянская Н.М. Роль инноваций в экономике России и ее регионов. // Интернет журнал «Науковедение». – 2015. –№ 4.
10) Рейтинг инновационного развития субъектов Российской Федерации. Выпуск 7 / В. Л. Абашкин, Г. И. Абдрахманова, С. В. Бредихин и др.; под ред. Л. М. Гохберга; Нац. исслед. ун-т «Высшая школа экономики». — М.: НИУ ВШЭ, 2021. — 274 с. — 60 экз. — ISBN 978-5-7598-2390-2 (в обл.). — ISBN 978-5-7598-2292-9 (e-book).
11) Теплых Г.В., Галимарданов А.Ш. Моделирование инвестиций в инновации в российских регионах.// Прикладная эконометрика. –2017. – №46. С 104–125.
12) Юрьев В.Н., Дыбок Д.М., Изотов А.В. Анализ факторов, влияющих на инновационное развитие регионов Российской Федерации.// Научно-технические ведомости СПБГПУ. Экономические науки. – 2016. № 4 (246). – С 98-108.