Введение
Стратегические цели внутренней государственной политики Российской Федерации направлены на создание условий для осуществления прорывного развития национальной экономики, способствующего повышению уровня жизни граждан, созданию комфортных условий для их проживания. Необходимым условием качественного решения задачи по достижению целевых показателей, определенных в Указе Президента РФ от 21 июля 2020 года «О национальных целях развития Российской Федерации на период до 2030 года», является повышение эффективности инновационной деятельности во всех сферах экономики.
Цель исследования
Важная роль высокопроизводительных цифровых технологий подчеркивается в паспортах национальных проектов федерального масштаба, утвержденных Указом президента России от 7 мая 2018 года «О национальных целях и стратегических задачах развития Российской Федерации на период до 2024 года». В рамках данного тренда анализ и оценка эффективности взаимодействия между элементами национальной инновационной экосистемы является актуальным направлением современных научных исследований, в том числе в рамках научной специальности 08.00.05 – Экономика и управление народным хозяйством (управление инновациями; экономика предпринимательства; маркетинг). Полученные интегральные оценки формируют информационно-аналитическое обеспечение для разработки и принятия органами власти эффективных управленческих решений по созданию и развитию инновационных экосистем на макро, мезо- и микроуровнях.
Методологические подходы к оценке инновационной деятельности
Накопленный мировой опыт показывает, что переход к модели устойчивого экономического роста способствует преодолению «эффекта колеи» или «зависимости от предшествующего развития» (в зарубежной литературе более известна как теория «Path Dependency»), обусловленных «институциональными ловушками» и ролью институтов развития в технологических изменениях [1-3]. Результаты проведенных исследований зарубежных и отечественных ученых по проблемам, изложенным в концепции Path Dependency, показывают, что если на ранних этапах исследователями выделялись технологические факторы (QWERTY-эффекты), то в качестве современных причин рассматриваются культурологические факторы – общественное согласие, ментальность, образование и другие [4-6].
Сближение институциональной экономической истории с эволюционной экономической теорией проявляется в том, что институты как факторы стандартизации и унификации определяют выбор траектории развития, а «устойчивой колеей» ее делает культура.
Методологические подходы к изучению проблем инновационного развития национальных экономик разработаны зарубежными исследователями (Б. Лундвал, Дж. Мур, Р. Нельсон, К. Фриман, Й. Шумпетер и др.) и отечественными учеными (С.Ю. Глазьев, Г.Б. Клейнер, О.Г. Голиченко, Л.М. Гохберг, Я.И. Никонова и др.).
Направления совершенствования экономико-математических моделей и методов оценки эффективности экономических взаимодействий рассмотрены в работах С.А. Айвазяна, С.В. Мхитаряна, И.И. Елисеевой, Д.А. Ендовицкого, М.Р. Ефимовой и др.
Анализ передового международного опыта инновационного взаимодействия и форм обмена нематериальными активами с государственным участием позволил сделать вывод о том, что среди факторов, оказывающих влияние на скорость распространения инноваций, выделяют как факторы ускоряющие инновационную деятельность, так и факторы, препятствующие ей. К первой группе факторов относят нематериальные активы (новые технологии, знания, торговые марки, гудвиллы и др.), государственную поддержку инноваций, льготное налогообложение и др., ко второй – слабость материально-технической базы, патентно-лицензионные ограничения в области инноваций и др. [7-9].
Однако современной экономической наукой не выработаны единые теоретические и методологические подходы к оценке эффективности взаимодействия между субъектами инновационных экосистем, формирующихся на различных иерархических уровнях управления – глобальном, национальном, региональном и т.д.
Модель и методы исследования
Современная конъюнктура мировых и отечественных рынков формируется под влиянием стремительного развития цифровых технологий на фоне последствий от распространения новой коронавирусной инфекции COVID-19. Высокая турбулентность экономических процессов предполагает изучение устойчивого развития национальных инновационных систем на основе экосистемного подхода, в рамках которого социально-экономическая экосистема рассматривается как «локализованный комплекс организаций, бизнес-процессов, инновационных проектов и инфраструктурных образований, способный к длительному самостоятельному функционированию за счет кругооборота ресурсов, продуктов и систем» [10, с. 40].
Применение экосистемного подхода предоставляет возможность акцентировать внимание на получении количественной оценки синергетического эффекта от коллективного взаимодействия и форм всех участников, среди которых компании, университеты, научно-исследовательские центры, венчурные фонды, институты развития и им подобных [11-13]. При этом интегральный индикатор формируется с учетом таких параметров, как: результативность (сопоставление оценок инновационной экосистемы в целом и отдельных элементов на макро-, мезо- и микроуровнях), оптимальность (сопоставление фактических результатов с максимально достижимыми параметрами с учетом имеющихся ресурсов) и соотношение параметров по линии «затраты-выпуск» (соотнесение уровней выпуска инновационных товаров и произведенных затрат на поддержку и развитие инновационной деятельности).
В результате взаимодействия акторов и факторов, формирующих для генерации знаний благоприятную среду, формируется механизм инновационной коллаборации в рамках национальной инновационной экосистемы (рисунок 1).
Рис.1. Механизм формирования инновационной коллаборации. Составлено авторами
Примечание: на схеме используются следующие обозначения: GOV – государство (Government); SC – наука (Science); BIZ – бизнес (Business)
Инновационную экосистему как объект исследования характеризуют сложность, многофункциональность, изменчивость, подвижность функциональных состояний как во временном, так и в пространственном аспектах. Специфика объекта исследования обуславливает применение различных концептуальных моделей («треугольник знаний») [14-16], «тройная спираль» [17-19], «предпринимательский университет» [20-22], кластеры [23-25] и др.) к построению количественных индикаторов и качественных характеристик взаимосвязи между субъектами и институтами развития на всех стадиях инновационной деятельности – создания, освоения, распространения и использования инноваций как формами обмена нематериальными активами (НМА).
Качественное решение задачи, ориентированной на получение оценки эффективности инновационного взаимодействия и форм обмена НМА, включает следующие этапы:
1) формирование информационной базы для построения оценочных моделей;
2) нахождение алгоритмов агрегирования исходных разнородных показателей, формирующих информационную базу оценочных моделей.
Предлагаемая методика реализована в виде модельно-методического комплекса, ядром которого являются интегральные оценки эффективности инновационного взаимодействия и форм обмена НМА.
Оценочная функция интегральной оценки IAsEf эффективности инновационного взаимодействия и форм обмена НМА применительно к объекту исследования DMU (Decision Making Units, DMU) имеет вид:
IAsEf (DMU) = f (IGOV, ISC, IBIZ), (1)
где f – функция агрегирования, формирующая интегральный (сводный) показатель IAsEf на основе показателей IGOV , ISC , IBIZ .
IGOV , ISC , IBIZ – интегральные оценки состояния подсистем государство GOVt (DMU) GOVt (DMU), наука SCt (DMU), бизнес BIZ t (DMU) в момент времени t.
Задача нахождения алгоритмов агрегирования исходных разнородных показателей, формирующих информационную базу моделирования оценки эффективности инновационного взаимодействия и форм обмена НМА, решена на основе идей непараметрического метода DEA-анализа (Data Envelopment Analysis, DEA). Применение DEA-моделей к оценке эффективности на основе сопоставления значений производимого «выпуска» (output) и затратного «входа» (input) предоставляет возможность провести сравнительный анализ единиц рассматриваемой совокупности по степени оценки эффективности инновационного взаимодействия и форм обмена НМА.
Модернизация российской экономики на основе высокопроизводительных цифровых технологий формирует условия для устойчивого экономического роста, что предполагает для получения оценки эффективности инновационного взаимодействия и форм обмена НМА использование моделей вида ССR-O, ориентированных на «результат»/«выход» (output-oriented) и предполагающих для эффективных DMU рост уровня результативных показателей пропорционально повышению уровня входных значений [26-28].
Количественная оценка IAsEf эффективности инновационного взаимодействия и форм обмена НМА применительно к рассматриваемой совокупности DMU имеет вид:
, (2)
где DMUj input: (x1j, x2j,..., xmj )T,output: (y1j, y2j,..., ysj )T,
m – количество входных параметров (i = 1, …, m),
s – количество выходных параметров (j = 1, …, n),
n – количество DMU, (n = s + m),
X – матрица входных параметров
,
Y – матрица выходных параметров
Значения показателя I AsEf j (0 ≤ I AsEf j ≤1) отражают отношение достигнутых показателей единицы DMUj рассматриваемой совокупности к потенциально возможным. Качественная характеристика cтепени оценки эффективности инновационного взаимодействия и форм обмена НМА может находиться в следующем диапазоне: весьма низкая (0 < IAsEf j ≤ 0,1), низкая (0,1 < I AsEf j ≤ 0,3), существенная (0,3 < IAsEf j <= 0,5), значительная (0,5 < I AsEf j ≤ 0,7), высокая (0,7 < I AsEf j ≤ 0,9), весьма высокая (0,9< I AsEf j ≤ 1,0).
Для формирования эталонного вектора оценки IAsEf j эффективности из рассматриваемой совокупности единиц отбираются объекты DMUj, чьи высокие значения показателя IAsEf j используются чаще других. Такие объекты классифицируются как лидеры, в противном же случае маркируются как аутсайдеры.
Универсальность механизма построения количественной оценки IAsEf эффективности инновационного взаимодействия и форм обмена НМА заключается в возможности получения значений комплексного показателя применительно к инновационной экосистеме в целом и к ее отдельным элементам. Полученные результаты позволяют проводить сравнительный анализ по выделенному критерию как на уровне стран, так и на уровне территориальных единиц наблюдения. При этом количественные индикаторы меры взаимовлияния и взаимозависимости государства, науки и бизнеса как структурных элементов национальной инновационной экосистемы формируют научное информационно-аналитическое обеспечение повышения эффективности принимаемых решений органами государственной власти в области поддержки и развития инновационной деятельности с учетом особенностей развития национальных и региональных социально-экономических систем.
Задача формирования информационной базы для оценки IAsEf эффективности инновационного взаимодействия и форм обмена НМА предполагает выявление релевантных факторов, оказывающих влияние на скорость распространения инноваций, на основе анализа инновационной активности единиц рассматриваемой совокупности.
Анализ передового зарубежного опыта и лучших российских практики позволяет сделать вывод о том, что на неравномерное распределение российских регионов по уровню инновационной активности оказывают влияние социально-экономические и институциональные факторы, среди которых формирование и развитие инфраструктуры инновационных экосистем регионов [29-31], близость (удаленность) расположения по отношению к столичным агломерациям [32-34], состояние рынка труда и человеческого капитала [35-37], качество инновационной политики и уровень развития венчурного предпринимательства [38-40], расположение на территории регионов университетов, осуществляющих подготовку высококвалифицированных кадров и выступающих как научно-образовательные, аналитические, консалтинговые и проектные образовательных учреждений высшей школы, являющихся двигателем модернизации образовательной экосистемы и вносящих значительный вклад в инновационное развитие и повышение конкурентоспособности национальной экономики и др.
Результаты и их обсуждение
Адаптация предложенной методики оценки эффективности инновационного взаимодействия и форм обмена НМА показана применительно к российским регионам. В данном исследовании выборка единиц рассматриваемой совокупности представлена Смоленской областью и граничащими с ней субъектами РФ: области Брянская, Калужская, Московская, Тверская и Псковская.
В качестве входных параметров (таблица 1, графы 1-2), характеризующих особенности развития региональных социально-экономических систем, выбраны «монетарные» показатели «Валовой региональный продукт на душу населения» (ВРП) и «Внутренние текущие затраты на научные исследования и разработки по видам работ» [41], скорректированные с учетом индекса бюджетных расходов [42].
Следует отметить, что распределение регионов по скорректированному уровню ВРП на душу населения является практически однородным (коэффициент вариации 34,0% ≈33%), что повышает надежность и достоверность полученных результатов.
Значения выходного параметра для получения оценки IAsEf эффективности формируются на основе данных (таблица 1, графа 3), отражающих удельный вес инновационных товаров, работ, услуг в общем объеме отгруженных товаров, выполненных работ, услуг, по рассматриваемой совокупности единиц [43].
Сведения о современном состоянии инновационной сферы России формируются в соответствии с международными подходами к измерению и анализу инновационной деятельности и размещаются на информационных ресурсах Федеральной службы государственной статистики (www.gks.gov.ru), содержатся в статистических сборниках, аналитических докладах Института статистических исследований Высшей школы экономики (www.hse.ru), а также на официальных ресурсах Роспатента (www.rospatent.gov.ru), Российской венчурной компании (www.rvc.ru) и др.
Информационная база исследования эффективности инновационного взаимодействия и форм обмена НМА представлена данными входных и выходных параметров нижеследующей таблицы на начало 2019 года.
Для обработки информационной базы исследования выбран программный продукт MaxDEA [44], предоставляющий возможность импортировать входные данные и экспортировать результаты DEA-анализа в виде EXCEL-таблиц.
Характеристики инновационных экосистем субъектов РФ, полученные по результатам расчетов с применением технологий DEA-анализа представлены в таблице 2.
Таблица 1
Информационный массив для построения оценки IAsEf по субъектам РФ
|
№ п/п |
DMU (область) |
Входные параметры (input) |
Выходной параметр (output) |
||
|
GVP |
VZIR |
In_PR |
|||
|
А |
1 |
2 |
3 |
||
|
1 |
Брянская |
285,7 |
1,3 |
3,3 |
|
|
2 |
Калужская |
455,3 |
7,6 |
2,7 |
|
|
3 |
Московская |
572,5 |
17,1 |
13,2 |
|
|
4 |
Псковская |
243,7 |
0,3 |
3,1 |
|
|
5 |
Смоленская |
319,6 |
1,9 |
2,2 |
|
|
6 |
Тверская |
312,6 |
3,5 |
4,5 |
|
Примечание: в таблице использованы следующие обозначения: GVP – валовой региональный продукт на душу населения; VZIR – внутренние текущие затраты на научные исследования и разработки по видам работ; In_PR – удельный вес инновационных товаров, работ, услуг в общем объеме отгруженных товаров, выполненных работ, услуг, по рассматриваемой совокупности единиц.
Источник: получено авторами
Таблица 2
Характеристики инновационных экосистем субъектов РФ
|
№ п/п |
DMU (область) |
Показатель эффекта влияния IAsEf |
Эталонный DMU (коэффициент, с которым он формирует гипотетический объект) |
Качественная оценка IAsEf |
Место (ранг) |
|
А |
1 |
2 |
3 |
4 |
|
|
1 |
Брянская |
0,501 |
Московская область (0,499) |
заметная |
5 |
|
2 |
Калужская |
0,559 |
Московская область (0,795) |
заметная |
3 |
|
3 |
Московская |
1,000 |
Московская область (1,000) |
весьма высокая |
1 |
|
4 |
Псковская |
0,552 |
Московская область (0,426) |
заметная |
4 |
|
5 |
Смоленская |
0,299 |
Московская область (0,558) |
низкая |
6 |
|
6 |
Тверская |
0,624 |
Московская область (0,546) |
заметная |
2 |
Источник: получено авторами
Сопоставление регионов по оценкам эффективности инновационного взаимодействия и форм обмена НМА показывает, что показатели Московской области являются ориентиром для остальных единиц рассматриваемой совокупности регионов. Наиболее близко к границе эффективности располагаются Тверская (IAsEf = 0,624), Калужская (IAsEf = 0,559), Псковская (IAsEf = 0,552) и Брянская (IAsEf = 0,501) области, где уровень ресурсного потенциала позволяет увеличить уровень выпуска инновационной продукции практически в 2 раза.
Полученный результат для Смоленской области (IAsEf = 0,299) позволяет сделать вывод о том, что инновационная экосистема региона находится на стадии формирования. П при этом потенциал инновационного взаимодействия и форм обмена НМА используется всего на 30 %.
Выводы
Проведенное исследование показало, что применение экосистемного подхода предоставляет возможность рассматривать национальные инновационные системы как интеграторы процессов производства, накопления, распространения и апробации новых знаний в экономике, а также проводить их сравнительный анализ на основе оценок эффективности инновационного взаимодействия и форм обмена нематериальными активами как факторами экономического роста.
Совершенствование механизма формирования инновационной коллаборации относится к важнейшим направлениям в обеспечении роста занятости, экспорта и инвестиций; повышения конкурентоспособности хозяйствующих субъектов на макро- и микроуровнях на основе создания и применения новых знаний и высокопроизводительных научных технологий.
Предложенный инструментарий оценки эффективности инновационного взаимодействия и форм обмена НМА с использованием идей DEA-анализа позволил провести позиционирование Смоленской области и граничащих с ней субъектов РФ – областей Брянской, Калужской, Московской, Тверской и Псковской по выделенному критерию.
Позиционирование территориальных единиц наблюдение может рассматриваться как индикаторами инновационной политики, что позволяет определить направления для повышения качества принятия управленческих решений по поддержке и развитию инноваций в интересах различных групп заинтересованных стейкхолдеров (государство, технические предприниматели, институты развития, группы населения и др.).
Практическая реализация методики качественной оценки степени различий эффективности инновационного взаимодействия и форм обмена НМА применительно как для инновационной экосистемы в целом, так и для составляющих ее подсистем, требует развитие методов экономико-математического моделирования, интегрирующих данные статистической отчетности и экспертных оценок в различных сферах инновационной деятельности.
К перспективным направлениям научных исследований относятся анализ и оценка влияния факторов, способствующих переходу на инновационную траекторию развитию и преодолению «эффектов от предыдущего развития». Результаты исследования формируют научную основу для обоснования необходимости проведения внутренней государственной политики, ориентированной на развитие эффективного взаимодействия между субъектами инновационной деятельности в условиях цифровизации экономики.
Статья подготовлена по результатам исследований, выполненных за счет бюджетных средств по государственному заданию Финансовому университету на 2020 год.