Статистический анализ и моделирование развития малого и среднего инновационного бизнеса

Инновации и малые предприятия как объекты статистического исследования. Связь основных макроэкономических показателей статистики и развития предпринимательства. Регрессионный анализ влияния экономических показателей на количество отгруженного товара.

Рубрика Экономика и экономическая теория
Вид дипломная работа
Язык русский
Дата добавления 30.07.2016
Размер файла 1,7 M

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Рис. 17 Дендрограмма метода Варда

Проведём кластерный анализ методом k-средних и опишем характеристики полученных кластеров. Итоговые средние значения для кластеров получились следующими:

Таблица 7 Итоговые средние значения для кластеров

Номер кластера

Численность кластера

X1

X2

X3

X4

1

10

5,45

1,5

250,8

236,3

2

27

6,5

1,8

72,2

82,3

3

28

3,23

0,26

36,23

37,57

График стандартизованных средних значений признаков в каждом кластере представлен на рис.18.

Рис. 18 Стандартизованные средние значения показателей

Наиболее развитым в инновационном плане оказался кластер 1 (составляет 15% общего числа рассмотренных регионов), включающий в себя Воронежскую область, краснодарский край, Ростовскую область - динамично развивающиеся регионы, в которые переезжают многие производства из г. Москвы и Московской области. В Нижегородской области за последние годы было открыто несколько технопарков и Нижегородский инновационный бизнес-инкубатор, одним из приоритетных направлений которого является с 2006 года развитие целевой программы развития малого предпринимательства в Нижегородской области. Данный кластер значительно превосходит остальные по показателям затрат на технологические инновации и поступлению патентных заявок, однако отдача от данных вложений пока не может вывести данный кластер в лидеры по результативным показателям, а именно удельному весу малых предприятий, осуществлявших технологические инновации в отчетном году, в общем числе обследованных малых предприятий и удельному вес инновационных товаров, работ, услуг в общем объеме отгруженных товаров, выполненных работ, услуг малых предприятий. Это кластер «инновационно развитые регионы».

В 2 кластер (42% общего числа рассмотренных регионов) входят традиционно промышленные регионы - Кировская область, Красноярский край, крупные аграрные центры с выстроенной внутренней производственной системой. Кластер является лидером по результативным показателям, а именно удельному весу малых предприятий, осуществлявших технологические инновации в отчетном году, в общем числе обследованных малых предприятий и удельному вес инновационных товаров, работ, услуг в общем объеме отгруженных товаров, выполненных работ, услуг малых предприятий, но имеет отставание по показателям затрат и поданных патентных заявок. Это кластер «промышленные регионы»

В 3 кластер вошли регионы, в которых роль малые предприятий невелика, патентных заявок подается сравнительно мало, и инновационное развитие этих регионов пока не входит в приоритетные задачи правительства, в основном это аграрные, сельскохозяйственные районы страны и регионы в которых преобладают предприятия легкой промышленности. Это кластер «регионы со слабым инновационно-техническим развитием».

Существует еще один поход к стратификации регионов- это метод расщепления смесей. Регионы страны отличаются неравномерным присутствием на их территориях различных производств и характеризуются отличиями в экономической, социально-политической и других сферах. При построении моделей это надо учитывать, поэтому рассмотрим объемам затрат на технологические инновации малых предприятий, нормированный относительно масштаба региона, определяемого численностью его населения, x [руб. / 1000 чел.].

Чтобы классифицировать регионы (всего в анализе участвуют 75 субъектов) по данному признаку прибегнем к расщеплению смесей нормальных распределений, предварительно эмпирически прикинув количество компонент и их вид. На рис. 21 приведены данные по показателю «логарифм объёма затрат на технологические инновации малых предприятий на 1000 чел. за 2011 год» (аналогичный график за 2009 год в приложении).

Рис. 19 Логарифм объема затрат на технологические инновации малых предприятий, на 1000 чел, [2009, 2011, 2013 гг.]

Наилучшим для аппроксимации и интерпретации результатов оказалось представление совокупности регионов в виде трех страт. Записываем начальные параметры нашего приближения, и максимизируем функция правдоподобия, исходя из предположения о смеси трех нормально распределенных компонент.

Функция правдоподобия выглядит следующим образом:

,

Где

Таблица 8 Максимально правдоподобные оценки

Максимально правдоподобные оценки

параметров смеси распределений

2009

2011

2013

i

1

0

1,73

0,07

0,13

1

0,04

0,52

1,32

0,20

2

2,7

1,09

0,56

3,79

0,92

0,76

3,14

0,98

0,38

3

4,02

1,1

0,37

5,38

0,68

0,2

4,78

1,02

0,42

Построим модели регионов по полученным данным и определим, насколько менялись границы страт за 5 лет.

Рис. 20 Модель распределения регионов по уровню затрат на технологические инновации малых предприятий, 2009 год

В 2009 году количество регионов, в которых наиболее активно инвестировались средства в технологические инновации, незначительно превосходит регионы со средним показателем

Рис. 21 Модель распределения регионов по уровню затрат на технологические инновации малых предприятий, 2011 год

В целом затраты на технологические инновации малых предприятий, приходящиеся на душу населения, возросли в период с 2009 по 2011 год. В 2011 году можно наблюдать резкое увеличение таких «средних» регионов и их превосходство над «лидерами» более, чем в 2 раза.

Рис. 22 Модель распределения регионов по уровню затрат на технологические инновации малых предприятий, 2013 год

В 2013 году разрыв между «средними» регионами и «лидерами» сократилось в полтора раза.

В целом, тенденции группировки регионов методом кластерного анализа и метода расщепления смесей совпадают. Количество инновационное активных регионов в два раза меньше, чем количество средних по инновационному развитию регионов. Но стоит обратить внимание, что на распределение регионов по группам в кластерном анализе, кроме затрат на технологические инновации, влияют и другие предикторные факторы, кроме того в методе расщепления смесей показать берётся в расчёте на 1000 человек.

Увеличение количества инновационно - активных регионов и рост затрат на инновации является хорошим знаком растущего интерес к развитию технологий. В регионах инновации становятся важным элементом повышения инвестиционной привлекательности.

3.2 Регрессионный анализ влияния общих экономических показателей на количество отгруженного инновационного товара МП

При анализе инновационной активности региона важно понимать, как те или иные экономические данные влияют на инновационные показатели. В качестве зависимой переменной можно рассматривать и удельный вес инновационный вес малых предприятий в общем числе предприятий по региону, и удельный вес отгруженных инновационных товаров малых предприятий в общем количестве отгруженных товаров малыми предприятиями. Такой анализ поможет понять, какой из показателей наиболее значим в итоге: например, использование передовых производственных технологий или затраты на технологические инновации.

Построим вначале модель линейной регрессии, взяв в качестве результирующей переменной Y - удельный вес инновационных товаров, работ, услуг в общем объеме отгруженных товаров, выполненных работ, услуг малых предприятий;

X1 - используемые передовые производственные технологии по субъектам Российской Федерации;

X2 - Затраты на технологические инновации малых предприятий;

X3 - выдано патентов и охранных документов по субъектам РФ;

X4 - число организаций, выполнявших научные исследования и разработки, по субъектам Российской Федерации

X5 - инвестиции в основной капитал;

X6 - число организаций, имевших научно-исследовательские, проектно-конструкторские подразделения, единиц.

Данные представлены Росстатом за 2012 год, денежные показатели приводятся в млн. руб.

Данные рассматриваются на уровне областей, автономных округов и краев, не рассматривались регионы, содержащее пропуски в предоставленной информации, это такие регионы, как Калмыкия, Ямало-Ненецкий автономный округ, республика Хакасия и некоторые другие. В итоге для анализа был оставлен 71 субъект федерации.

Анализ корреляционных матриц говорит о значительной прямой зависимости показателя Y от объясняющих переменных. Коэффициенты корреляции варьируются между 0,183 и 0,827. Самая слабая коррелированность наблюдается между результирующим показателем «удельный вес инновационных товаров, работ, услуг в общем объеме отгруженных товаров, выполненных работ, услуг малых предприятий» и «используемые передовые производственные технологии по субъектам Российской Федерации» (X1) (ryx1 =0,183).

Наиболее сильно коррелированы с Y показатель «Затраты на технологические инновации малых предприятий» (X2) (ryx2 =0,494).

Таблица 9 Матрица корреляций по всем регионам

Корреляции

Y

X1

X2

X3

X4

X5

X6

Y

1

,183

,494**

,253*

,326*

,247

,434**

X1

,183

1

,437**

,730**

,650**

,366**

,803**

X2

,494**

,437**

1

,593**

,684**

,277*

,664**

X3

,253*

,730**

,593**

1

,827**

,497**

,808**

X4

,326*

,650**

,684**

,827**

1

,453**

,822**

X5

,247

,366**

,277*

,497**

,453**

1

,471**

X6

,434**

,803**

,664**

,808**

,822**

,471**

1

Проведем предварительный анализ данных и дадим его краткое описание.

На основании описательных статистик и критериев Колмогорова - Смирнова и Шапиро - Уилка был сделан вывод, что лишь по зависимой переменной Y не отвергается гипотеза о нормальном распределении данных, кто тому же в ней нет аномальных значений, в отличие от объясняющих переменных. Удалим регионы, которые имеют аномальные значения: это Тюменская область (экстремальное значение по показателю «Инвестиции в основной капитал»), а так же г. Москва, Санкт- Петербург, Московская область, чьё обследование надо проводить отдельно; построим степенную регрессионную модель, используя в качестве предикторов логарифмированные величины показателей - lnX1, lnX2, lnX3, lnX4, lnX5, lnX6. Степенная регрессионная модель была выбрана в качестве основной из-за большого количества денежных показателей в списке факторов. В качестве алгоритма регрессионного анализа был выбран метод пошагового включения переменных.

Таблица 10 Характеристики степенной регрессионной модели

Коэффициенты

Модель

Нестандартизованные коэффициенты

Стандартизованные коэффициенты

t

Знч.

B

Стд. Ошибка

Бета

(Константа)

-1,718

1,965

-,874

,386

lnX1

,032

,315

,016

,102

,919

lnX2

,402

,177

,311

2,270

,027

lnX3

,137

,254

,098

,539

,592

lnX4

-,208

,388

-,086

-,536

,594

lnX5

-,270

,174

-,207

-1,556

,126

lnX6

,760

,308

,455

2,471

,017

a. Зависимая переменная: lnY

Значение R2= 0, 44, то есть значение результирующего признака объяснено на 44%. Значимыми оказались переменные X6 - число организаций, имевших научно-исследовательские, проектно-конструкторские подразделения, единиц, X2 - Затраты на технологические инновации малых предприятий, и уравнение имеет вид

Значение Fнабл=6,95 >Fкр (71-6=65, 6-1=5, 0,05) = 2,37 на уровне 0,05 указывает на то, что построенное уравнение регрессии значимо.

Коэффициенты регрессии при экономическом анализе можно интерпретировать как средние нормативы отдачи соответствующих факторов.

Проведённый тест Уайта показывает, что расчётная вероятность допустить ошибку равна p=0,49. Дисперсия остатков однородна, гипотеза H0 о гомоскедастичности остатков не отвергается. Тест Бреуша -Пагана так же не отвергает гипотезу о постоянстве дисперсии в остатках. Коэффициенты регрессионного уравнения показывают, на сколько процентов увеличиться в среднем удельный вес инновационных товаров, работ, услуг в общем объеме отгруженных товаров, выполненных работ, услуг малых предприятий, если соответствующий фактор увеличивается на 1 %, а уровень всех остальных показателей остался без изменений.

Так, коэффициент регрессии при Х2 показывает, что при увеличении затрат на технологические инновации малых предприятий на 1% удельный вес инновационных товаров и услуг увеличивается на 0,4%, а при увеличении числа организаций, имевших научно-исследовательские, проектно-конструкторские подразделения на 1%, происходит увеличение результирующего показателя на 0,8%.

На качественном уровне можно дать следующую интерпретацию построенной модели: удельный вес инновационных товаров, работ, услуг в общем объеме отгруженных товаров, выполненных работ, услуг малых предприятий растет с увеличением

· числа организаций, имевших научно-исследовательские, проектно-конструкторские подразделения,

· затраты на технологические инновации малых предприятий.

Инновационное развитие малых предприятий по регионам зависит от множества факторов, многие из которых не рассмотрены в представленной модели, однако они могут значительно повлиять на конченые результаты. Такими факторами являются экономические предпосылки: финансовая база, возможности гибкого кредитования, поддержка местными органами власти; технические факторы: существующие мощности, помогающие развитию инновационной среды, развитые коммуникации, а так же обученность персонала, хорошее планирование рабочего процесса, мотивированность на результат. Понятно, что именно признаки, связанные с человеческим фактором, наиболее сложно поддаются оценки и учету в моделировании и прогнозировании.

Территориальный состав Российской федерации чрезвычайно разнообразен по своим социальным и экономическим показателям, поэтому строить одинаковую модель инновационного развития для всех регионов порой выглядит нецелесообразно.

Поэтому постараемся разбить регионы на «лидеров» (регионы с высокими показателями) и «отстающих» на основании показателя «Рейтинг инновационного развития субъектов Российской Федерации в 2014 году».

Лидерами данного рейтинга являются Москва, Республика Татарстан и Санкт-Петербург. В первую группу наиболее прогрессивных, с точки зрения развития инноваций, регионов также вошли: Нижегородская область, Калужская область, Чувашская Республика, Свердловская область, Томская область, Московская область, Ульяновская область, Пермский край, Новосибирская область. Нижние строчки рейтинга занимают: Республика Ингушетия, Республика Калмыкия, Чеченская Республика. Лучше других дела с инновациями обстоят у Приволжского федерального округа, Центрального, Сибирского, Уральского и Северо-Западного округов. В аутсайдерах -- Северо-Кавказский федеральный округ.

Построим общую линейную регрессию по 57 регионам (исключены автономные округа в составе областей, краев, а также регионы, не имеющие полного набора данных, а так же регионы, имеющие выбросы в данных).

Результирующая переменная: объема отгруженных товаров и услуг малыми инновационными предприятиями в 2013 году (innov_goods_2003). Факторы: используемые передовые производственные технологии по субъектам Российской Федерации в 2013 году (indust_tech_2013); логарифмированный показатель объемов инвестиций в основной капитал( млн. руб.), в 2013 году (ln_invest_main_capital_2011); затраты на технологические инновации малых предприятий по субъектам Российской Федерации (млн. рублей) в 2013 году (ln_tech_expend_2013); средняя численность занятых в малом предпринимательстве в 2013 году (employment_2013); логарифмированные затраты на науку и технологии (млн. руб.) за 2011 и 2013 гг. (ln_science_2011 и ln_science_2013). Данный набор факторов поможет полнее рассмотреть влияние экономических, научных, социальных показатели на инновации.

Стоит отметить, что денежные показатели берутся в модели за предыдущий период (2011 год) из-за временного лага отдачи от денежных вложений в экономику.

Общая модель по регионам имеет следующий вид:

Она оказалась значимой F=31,23; коэффициенты детерминации R2 =0,79, R2скорр =0,76.

Гипотеза H0 о гомоскедастичности не отвергается тестами Уайта и Бреуша-Пагана (статистики см. в Приложении). Значимыми оказались переменные: логарифм затрат на технологические инновации малых предприятий по субъектам Российской Федерации (млн. рублей) в 2013 году (ln_tech_expend_2013); средняя численность занятых в малом предпринимательстве в 2013 году (employment_2013), используемые передовые производственные технологии по субъектам Российской Федерации в 2013 году (indust_tech_2013).

Ожидаемо, что первые два показателя положительно влияют на результирующую переменную. Отрицательный знак перед значимой переменной - используемые передовые производственные технологии можно объяснить различными стратегиями в инновационном поведении регионов:

· стратегия 1 - деятельность без прорывных проектов. Достаточно много предприятий осуществляют технологические инновации, но при этом затраты на инновационное развитие небольшие. (Алтайский край, г. Санкт-Петербург, Нижегородская область);

· стратегия 2 - передовые практики. Доля малых предприятий средняя, однако их затраты на инновации составляют довольно большую часть бюджета. (Республика Татарстан, Калужская область, Новосибирская область). Стратегия 2 предположительно должна обеспечивать существенный рост производительности труда;

· стратегия 3 - доля малых предприятий и затрат на технологические инновации имеют средние значения (Московская область, Краснодарский край, Свердловская область).

Коэффициенты регрессии при экономическом анализе можно интерпретировать как средние нормативы отдачи соответствующих факторов, т.е. коэффициенты регрессионного уравнения показывают, на сколько единиц менялся в среднем объем отгруженных товаров и услуг малыми инновационными предприятиями в 2013 году, если соответствующий фактор увеличивается на единицу, а уровень всех остальных не менялся. Таким образом при росте логарифма затрат на технологические инновации малых предприятий на единицу, объем отгруженных товаров и услуг малыми инновационными предприятиями в 2013 возрастал на 113,62 млн. Можно сказать, что прослеживается достаточно сильная эластичность объема отгруженных инновационных товаров по затратам на технологические инновации. При росте показателя «средняя численность занятых в малом предпринимательстве в 2013 году (чел.)» на единицу объем отгруженных товаров и услуг малыми инновационными предприятиями в 2013 рос на 0,002 млн. А вот показатель «число используемые передовые производственные технологии по субъектам РФ в 2013 году» даёт несколько парадоксальный результат: при росте показателя на единицу, объем отгруженных инновационных товаров по затратам на технологические инновации снижался на 0,04 млн.

Постараемся улучшить модель, построив регрессию, используя рассмотренные выше факторы для прогрессивных и отстающих регионов.

Для регионов - “лидеров” (31 регион) модель имеет следующий вид:

Коэффициенты детерминации: R2 =0,79, R2скорр =0,76.

Для “отстающих” регионов (26 регионов) модель имеет следующий вид:

Коэффициенты детерминации: R2 =0,76, R2скорр =0,65.

В целом, F-статистики свидетельствуют о том, что модели значимы, однако проблема неопределенности в корреляции остатков по-прежнему остаётся.

Кроме того, значимость переменных и знаки перед ними совпадают с общей моделью.

Рассмотри для линейной регрессионной модели тест Чоу, статистический тест, позволяющий оценить значимость улучшения регрессионной модели после разделения исходной выборки на части.

Нулевая гипотеза: , то есть о том, равны ли коэффициенты регрессии по двум подвыборками.

Значение статистики

где - остаточная дисперсия регрессии по всей выборке, - остаточная дисперсия регрессии по i-й подвыборке, k - число регрессоров, l,m - число наблюдений в каждой из подвыборок.

В нашем случае F - статистика получилась следующей: Fнабл=0,3, а Fкр ( 0,05; 6; 57-2*6) = 2,34. Тем самым Fнабл < Fкр, и можно сделать вывод о том, что в нашем случае разбивать выборку на две подгруппы нецелесообразно, модели по подвыборка не дают выйгрыша в улучшении значимости переменных и модели в целом.

Построим регрессионную модель с целью моделирования и прогнозирования величины объема отгруженной инновационной продукции по малым предприятиям, используя метод главных компонент.

Использование главных компонент - это, во-первых, один из способов борьбы с мультиколлинеарностью, а во-вторых, веса при главных компонентах позволяют выяснить, в каком направлении лучше всего действовать с целью увеличения объема инновационной продукции.

В модели использованы следующие факторы:

X1 - затраты организации на технологические инновации;

X2 - внутренние затраты на научные исследования и разработки;

X3 - затраты организаций на маркетинговые исследования;

X4 - инвестиции в основной капитал

X5 - затраты организаций на обучение и подготовку персонала, связанные с инновациями

X6 - затраты организаций на приобретение программных средств

X7 - затраты организаций на производственное проектирование, дизайн и другие разработки новых продуктов, услуг и методов их производства (передачи), новых производственных процессов

Y - объём инновационных товаров, работ, услуг организаций, осуществлявших технологические инновации

Таблица 11 Значения корреляции факторов

Корреляции

Tech

science

marketing

major_cap

education

programs

proects

innov_products

Tech

1

0,126

0,185

0,227

0,635

0,257

0,413

0,167

science

0,126

1

-0,225

0,790*

0,628

0,681

0,805*

0,785*

marketing

0,185

-0,225

1

0,079

0,197

0,331

-0,32

0,107

major_cap

0,227

0,790*

0,079

1

0,761*

0,589

0,524

0,964**

education

0,635

0,628

0,197

0,761*

1

0,47

0,666

0,801*

programs

0,257

0,681

0,331

0,589

0,47

1

0,321

0,495

proects

0,413

0,805*

-0,32

0,524

0,666

0,321

1

0,593

innov_products

0,167

0,785*

0,107

0,964**

0,801*

0,495

0,593

1

*. Корреляция значима на уровне 0.05 (2-сторон.).

**. Корреляция значима на уровне 0.01 (2-сторон.).

Для оценки влияния этих показателей на объем отгруженной инновационной продукции были выделены три главные компоненты, которые на 88,66% воспроизводят матрицу корреляций.

Три главные компоненты имеют следующий экономический смысл: u1 связана с обновлением основных фондов, u2 - c маркетинговыми исследованиями и инновациями, u3 - с деятельностью, связанной с разработкой и выглядят следующим образом:

.

По критерию сферичности Бартлетта, проверяющий многомерную нормальности критерий и отличие корреляции от 0, значение p меньшее 0,05,. Это указывает на то, что данные вполне приемлемы для проведения факторного анализа.

Интерпретация:

Регрессионная модель с главными компонентами в качестве объясняющих переменных имеет вид:

Связь между компонентами результирующим показателем y является довольно сильной.

Отрицательный коэффициент при компоненте u3, связанной с маркетинговыми исследованиями, объясняется длительным периодом проявления их влияния на рост инновационной продукции.

Для прогнозирования значений главных компонент будет использовать экспоненциальное сглаживание с коэффициентом 0.3, получим следующие значения на 2014 год: u1 = 8.72, u2 = 8.23, u3 = -1,57. Прогнозное значение объемов инновационных товаров, работ, услуг организаций, осуществлявших технологические инновации, составляет 184899,6 млн. руб.,

что на 10% ниже, чем в 2013 году. Это может объясняться снижение затрат на маркетинговые инновации и исследования и затрат на приобретение программных средств.

Можно предположить, что затраты на приобретение оборудования будут оказывать влияние на объем инновационной продукции и в последующие годы. Это говорит

о том, что необходимо определять корреляцию в остатках - зависимость данных от значений этих показателей в предыдущие годы. Выпишем значения автокорреляционной функции и частной автокорреляционной функции.

Таблица 12 Коэффициенты автокорреляционной функции

Автокорреляции

Частные автокорреляции

Ряд:

Standardized Residual

Ряд:

Standardized Residual

Лаг

Автокорреляция

Стд. Ошибкаa

Лаг

Частная автокорреляция

Стд. Ошибка

1

-,153

,296

1

-,153

,354

2

-,263

,274

2

-,293

,354

3

,216

,250

3

,133

,354

4

-,314

,224

4

-,376

,354

5

-,199

,194

5

-,256

,354

6

,154

,158

6

-,194

,354

Эти значения дают повод считать, что временной ряд для остатков есть процесс Юла - авторегрессия порядка 2 (AR(2)).

Вначале рассмотрим авторегрессию порядка 1, AR(1). Для оценки значимости коэффициента корреляции статистика Дарбина - Уотсона [9] (Доугерти, 1999). На уровне значимости равным 0.05 при n = 7 и k = 3 по таблице статистики Дарбина - Уотсона находим, что dL = 0.46 и dU = 1.896. Так как DW = 2(1- с1)=2.306 > 4-1.896=2.104, то принимаем решение: есть отрицательная корреляция, т.е. этот коэффициент значимо отличается от нуля и отрицателен. В таком случае, зависимость объема инновационных товаров, работ, услуг организаций, осуществлявших технологические инновации, может быть представлена в виде следующей зависимости:

Прогноз объема инновационных товаров, работ, услуг на 2014 г. составил 150848,39 млн. руб.

Рассмотрим процесс Юла AR(2) с остатками, преобразованными следующим образом:

.

Коэффициенты б1 и б2 записываются следующим образом:

В таком случае зависимость объема инновационных товаров, работ, услуг организаций, осуществлявших технологические инновации, может быть представлена в виде следующей зависимости:

Прогноз объема инновационных товаров, работ, услуг на 2014 год составил 151849,55 млн. руб.

Подходы в построении модели, учитывающие лаговые переменные, позволяют сделать прогноз более точным и приближенным к реальным цифрам.

Применение таких моделей позволяет повысить обоснованность планируемых показателей и принимаемых решений по управлению инновационной деятельностью на промышленных предприятиях.

3.3 Классификация регионов по индексу организационных инноваций на малых предприятиях

Рассмотрение организационных инноваций в контексте малого предпринимательства может быть целесообразно по ряду причин:

1. организационные инновации направлены на экономию всех видов издержек;

2. у организационных инноваций самая быстрая отдача, не требующая больших стартовых инвестиционных вложений, что очень важно для малого бизнеса.

Для анализа влияния организационных инноваций на удельный вес отгруженного инновационного товары МП возьмем сводную таблицу удельного веса организаций, осуществлявших отдельные виды организационных инноваций в общем числе организаций, имевших организационные инновации в течение последних трех лет (до 2012 года). Взяв результирующий показатель удельный объем отгруженных инновационных товаров малых предприятий за 2012 год, мы можем проследить, каково влияние инноваций на произведенные услуги и товары, ведь в среднем сроки реализации инновационных работ в среднем и составляет 3 года.

Факторный анализ произведем на основании таблицы «Удельный вес организаций, осуществлявших отдельные виды организационных инноваций в общем числе организаций, имевших организационные инновации в течение последних трех лет в 2012 году (в процентах)», полученной на основании формы 4-Инновации.

В таблице представлены следующие показатели:

· Разработка и реализация новой или значительно измененной корпоративной (акционерной) стратегии (U1)

· Внедрение современных (на основе информационных технологий) методов управления организацией (U2)

· Разработка и внедрение новых или значительно измененных организационных структур в организации (U3)

· Нововведения в использовании сменного режима рабочего времени (U4)

· Применение современных систем контроля качества, сертификации товаров, работ, услуг (U5)

· Внедрение современных систем логистики и поставок сырья, материалов, комплектующих (“Точно в срок” и т.п.) (U6)

· Создание специализированных подразделений по проведению научных исследований и разработок, практической реализации научно-технических достижений (технологические и инжиниринговые центры, малые инновационные предприятия) (U7)

· Внедрение корпоративных систем управления знаниями (U8)

· Реализация мер по развитию персонала (организация корпоративного и/или индивидуального обучения, создание/развитие структур по обучению и повышению квалификации персонала) (U9)

Попробуем обобщить данные признаки и сократить число параметров в модели.

Построив матрицу парных коэффициентов корреляции сделаем вывод, что значение корреляции относительно высокое для переменных U1-U5, U1- U6, U1-U8, U1-U9, U2-U6, U2-U8, U3-U8, U4- U5, U4-U6, U4-U9 .

Целесообразность выполнения факторного анализа определяется наличием корреляций между переменными. Критерий сферичности Бартлетта (Bartlett's Test of Sphericity) проверяет нулевую гипотезу об отсутствии корреляций между переменными в генеральной совокупности. Критерий адекватности выборки Кайзера-Мейера-Олкина (Kaiser-Meyer-Olkin Measure of Sampling Adequacy) позволяет проверить, насколько корреляцию между парами переменных можно объяснить другими переменными (факторами).

Таблица 13 Проверка целесообразности факторного анализа

Мера адекватности и критерий Бартлетта

Мера выборочной адекватности Кайзера-Мейера-Олкина.

,633

Критерий сферичности Бартлетта

Прибл. хи-квадрат

83,262

ст.св.

36

Знч.

,000

Нулевую гипотезу о том, что корреляционная матрица является единичной, отклоняем в соответствии с критерием сферичности Бартлетта. Приближенное значение статистики равно 83,262 с 36 степенью свободы, она является значимой на уровне 0,05. Значение статистики КМО (0,633) большое (>0,5). Вывод: факторный анализ является приемлемым методом для анализа.

На основании критерия «каменистой осыпи» Кеттела установим, что количество главных компонент в данном случае 3, поскольку количество собственных значений, превышающих единицу, равно 3.

Рисунок 23 График собственных значений

Проанализируем матрицу общей дисперсии, объясненной факторной моделью.

Таблица 14 Матрица полной объясненной дисперсии

Компонента

Начальные собственные значения

Суммы квадратов нагрузок извлечения

Итого

% Дисперсии

Кумулятивный %

Итого

% Дисперсии

Кумулятивный %

1

3,228

35,866

35,866

3,228

35,866

35,866

2

1,196

13,286

49,152

1,196

13,286

49,152

3

1,098

12,195

61,347

1,098

12,195

61,347

4

,857

9,517

70,863

5

,833

9,254

80,117

6

,649

7,211

87,329

7

,501

5,564

92,893

8

,435

4,833

97,726

9

,205

2,274

100,000

Первая главная компонента объясняет 35,9% общей дисперсии, вторая 13%. Всего в модели отобрано три фактора, которые объясняют 61,3% общей дисперсии (при критическом пороговом значении около 50% объясненной дисперсии).

Для оптимизации факторного анализа лучшего разделения переменных был применен метод VARIMAX (вращение, максимизирующее дисперсию).

Таблица 15 Матрица повернутых компонент

Матрица повернутых компонент

Компонента

1

2

3

Z-значение(U1)

,264

,207

,604

Z-значение(U2)

,560

,334

,174

Z-значение(U3)

,630

-,097

,430

Z-значение(U4)

,123

,748

,085

Z-значение(U5)

,326

,723

,023

Z-значение(U6)

-,103

,676

,588

Z-значение(U7)

,104

,030

,733

Z-значение(U8)

,694

,079

,352

Z-значение(U9)

,825

,319

-,173

Интерпретируя факторы, заметим следующее:

Первый фактор имеет высокие корреляции с U2, U3, U8, U9. Назовём данный индекс: «Инновационные методы управления организациями и персоналом».

Второй фактор имеет высокие корреляции с U4, U5, U6 . Назовём данный индекс: «Контроль качества производственного процесса».

Третий фактор имеет высокие корреляции с U1, U7. Назовём данный индекс: «Научные и организационные стратегии».

Таблица 16 Матрица коэффициентов оценок компонент

Матрица коэффициентов оценок компонент

Компонента

1

2

3

Z-значение(U1)

,015

-,018

,373

Z-значение(U2)

,244

,091

-,027

Z-значение(U3)

,326

-,269

,233

Z-значение(U4)

-,086

,481

-,094

Z-значение(U5)

,052

,435

-,172

Z-значение(U6)

-,297

,383

,338

Z-значение(U7)

-,070

-,133

,530

Z-значение(U8)

,344

-,145

,131

Z-значение(U9)

,467

,093

-,332

На основе обобщенных факторов была осуществлена многомерная классификация регионов РФ, которая позволила выделить 3 группы регионов, имеющих сходные черты в применении организационных инноваций на малых предприятиях.

Анализ распределения регионов по объемам организационных инноваций позволяет сделать следующие выводы:

· первый кластер включал в себя 8 регионов (21% общего числа) с высокими показателями по фактору: «Научные и организационные стратегии». В состав кластера входят: Владимирская область, Ленинградская область, Мурманская область, Краснодарский край, Самарская область, Ульяновская область, Ямало-Ненецкий автономный округ, Омская область;

· во второй кластер вошли 14 регионов (37% рассматриваемых регионов). В области организационных инноваций наибольшее значение в данном кластере занимают «Инновационные методы управления организациями и персоналом». В состав кластера вошли новые прогрессивные инновационные центры: Калужская, Нижегородская, Калужская область;

· в третий кластер вошли 16 регионов (42% рассматриваемых регионов). В области организационных инноваций наибольшее значение в данном кластере занимают «Контроль качества производственного процесса». В состав кластера вошли в основном крупные промышленные области Сибирского и Уральского федеральных округов.

Можно сделать выводы, что инновационные методы управления организацией и персоналом наиболее активно и продуктивно внедряются на предприятиях в регионах с активной инновационной политикой, большими вложениями в научную сферу, человеческий потенциал. Малые предприятия, в том числе и в составе бизнес-инкубаторов и технопарков, стремятся оптимизировать технологические затраты на разработку и производство за счет корректировок в управленческой области.

Для регионов с подавляющей долей добывающей, обрабатывающей промышленности, таких как Свердловская, Челябинская область на первое место среди организационных инноваций выходит показатель контроля качества, поскольку в данных регионах доля малых предприятий мала, а развитие крупных предприятий в основном происходит за счет закупок оборудования и техники.

3.4 Моделирование инновационной активности малых предприятий в региональном разрезе на основании панельных данных

Оценим уравнение объема отгруженных инновационных товаров и услуг на основании данных, взятых из сборников Росстата "Россия. Статистический справочник" и “Регионы России. Основные характеристики субъектов Российской Федерации”.

Целью построения данной модели является изучения эффекта инвестиций и внедрения новых производственных технологий на объёмы отгружаемого инновационного товара малыми предприятиями.

Будем использовать методы анализа панельных данных, позволяющие строить более гибкие и содержательные модели и позволяют учитывать индивидуальные особенности экономических единиц [10] (Магнус, Катышев, & Пересецкмй, 2004). В используемую панель вошли данные в разрезе регионов РФ за 2009, 2011, 2013 года, разрыв в 2 года связан с периодичностью заполнения формы № 2-МП инновация «Сведения о технологических инновациях малого предприятия» _ 1 раз в 2 года.

В качестве зависимой переменной взят логарифмированный показатель «отгружено инновационных товаров, работ, услуг» (млн. руб.) - LN_innov_goods.

В качестве объясняющих выступают следующие переменные: LN_tech_innov_expend - логарифм затрат на технологические инновации малых предприятий, млн руб.; industrial_tech - Используемые передовые производственные технологии по субъектам Российской Федерации; empl - Средняя численность занятых, чел; LNinvest_main_capital_per_capita - логарифм инвестиций в основной капитал на душу населения, руб.

Оценивание модели производилось в пакете Stata.

Сквозное оценивание, игнорирующее панельную природу данных, приводит к следующим результатам:

Значения коэффициентов детерминации (R-squared и Adj R-squared) составляют 44% и 43% соответственно.

Таблица 17 Характеристики сквозной регрессии

Source

SS

df

MS

Number of obs=162

F(4,157)=30,81

Prob>F=0,0000

R-squared=0,4398

Adj R-squared=0,4255

Root MSE=1,2154

Model

182,039101

4

45,5097753

Residuals

231,919969

157

1,47719726

Total

413,95907

161

2,57117435

Ln_innov_goods

Coef

Std.Err

t

P>|t|

[95 % Conf. Interval]

Ln tech_innov

0,5736018

0,087116

6,58

0,000

0,4015311

0,7456724

Industrial h

0,00000584

0,0000438

0,13

0,894

-0,0000806

0,0000923

empl

0,00000675

0,00000163

4,14

0,000

0,00000353

0,00000989

Ln_invest_main_

-0,4890135

0,1922082

-2,54

0,012

-0,868661

-0,109366

_cons

1,903485

2,049188

0,93

0,354

-2,14405

5,95102

Значимыми являются коэффициенты перед регрессорами:

LN_tech_innov_expend - логарифмом затрат на технологические инновации малых предприятий;

LNinvest_main_capital_per_capita - логарифмом инвестиции в основной капитал на душу населения, руб и empl - средней численности занятых, чел.

F-тест также показывает значимость зависимости в целом.

Логарифм инвестиции в основной капитал на душу населения и средняя численность занятых вносят ожидаемо положительный вклад в результирующий показатель. Тогда как логарифмом инвестиции в основной капитал на душу населения имеет отрицательный знак, что немного не соответствует ожидаемым результатам.

Оценив between - регрессию, имеющую следующий вид , с помощью МНК сделаем следующие выводы: качество подгонки регрессии отражено показателем R2 between, равным 60,9%, а

достаточно большое значение характеризуют тот факт, что влияние временных колебаний менее существенно, чем изменение по регионам.

Следующим шагом будет построение FE-модели с детерминированными эффектами, имеющей следующий вид, где

Требование для состоятельности МНК-оценок к данной модели некоррелированность остатков (е) и предикторов (X).

Таблица 18 Характеристики регрессионной модели с детерминированными эффектами

Fixed-effects (within) regression

Group variable: region

R-sq: within=0,2253

Between=0,5320

Overall=0,4145

Corr (Ui, Xb)=-0,1023

Number of obs=162

Number of groups =54

Obs per group: min = 3

Avg = 3,0

Max =3

F(4,104)=7,56

Prob>F=0,0000

Ln_innov_goods

Coef

Std.Err

t

P>|t|

[95 % Conf. Interval]

Ln tech_innov

0,513536

0,1148071

4,47

0,000

0,2858693

0,7456724

Industrial h

-0,0000365

0,0000996

-0,37

0,715

-0,0002341

0,0001611

empl

0,00000955

0,00000291

3,28

0,001

0,00000378

0,0000153

Ln_invest_main_

-0,9345767

0,382289

-2,44

0,016

-1,69267

-0,1764833

_cons

6,81149

3,996503

1,70

0,091

-1,113725

14,7367

Sigma_u

0,87390217

Fraction of variance due to UI

Sigma_e

1,0841166

rho

0,3576261

F test that all Ui=0:

F(53,104)=1,76 Prob>F=0,072

На индивидуальные эффекты приходится лишь 36% вариации данных (rho=0,358). Корреляция между X и u равна corr(u_i, Xb) = -0.1023.

Посмотрим на качество построенной модели. R2within равен 0,225, что почти в 2 раза меньше, чем R2between =0,532. Можно выдвинуть гипотезу, что межиндивидуальные эффекты проявляются сильнее, чем динамические.

Рассмотрим модель со случайными индивидуальными эффектами. Данная модель отличается и от сквозной регрессией, налагающей сильное ограничение гомогенности на все коэффициенты уравнения регрессии для любых i и t, и регрессией FE, позволяющей учитывать ненаблюдаемую гетерогенность.

Таблица 19 Характеристики регрессионной модели со случайными эффектами

...

Random-effects GLS regression

Group variable: region

R-sq: within=0,2101

Between=0,5790

Overall=0,4384

Random effects Ui ~ Gaussian

Corr (Ui, Xb)=-0 (assumed)

Number of obs=162

Number of groups =54

Obs per group: min = 3

Avg = 3,0

Max =3

Wald chi2(4) =99,68

Prob>chi2=0,0000

Ln_innov_goods

Coef

Std.Err

t

P>|t|

[95 % Conf. Interval]


Подобные документы

  • Сущность малого и среднего предпринимательства и их роль в экономике. Анализ развития и реализации государственной поддержки малого и среднего предпринимательства в Еврейской автономной области. Проблемы развития малого и среднего предпринимательства.

    дипломная работа [1,2 M], добавлен 13.10.2011

  • Развитие малого и среднего бизнеса. Анализ системы государственной поддержки малого и среднего бизнеса на примере деятельности АО "Фонд развития предпринимательства "Даму" и ИП "Мурагер". Перспективы развития малого и среднего бизнеса в Казахстане.

    дипломная работа [747,6 K], добавлен 16.09.2017

  • Понятие малого бизнеса в экономической теории. Роль малого и среднего бизнеса в экономике Казахстана. Анализ состояния и динамики развития малого и среднего бизнеса, его проблемы и риски. Рейтинг проблем, препятствующих развитию предпринимательства.

    презентация [2,6 M], добавлен 06.06.2012

  • Анализ текущего уровня развития малого предпринимательства в Хабаровском крае. Совершенствование региональной политики по повышению эффективности деятельности инновационного предпринимательства как приоритетного направления развития малого бизнеса.

    курсовая работа [1,0 M], добавлен 29.05.2012

  • Цели и принципы государственной политики в области развития малого предпринимательства в России, его современное состояние. Особенности развития малого бизнеса в Японии, США, Европе. Расчет технико-экономических показателей деятельности предприятия.

    курсовая работа [94,2 K], добавлен 02.08.2011

  • Субъекты малого предпринимательства: индивидуальные, микро- и малые организации. Зависимость становления, функционирования и развития бизнеса от экономических, социальных и правовых условий. Сеть инфраструктуры поддержки малого предпринимательства.

    курсовая работа [54,6 K], добавлен 20.02.2014

  • История развития предпринимательства в России. Субъекты малого и среднего предпринимательства. Количество предприятий по видам экономической деятельности. Среднемесячная начисленная заработная плата в организациях, инвестиции в основной капитал.

    курсовая работа [2,0 M], добавлен 21.04.2011

  • Корреляционно-регрессионный анализ как объект статистического изучения, система статистических показателей, его характеризующих. Особенности и принципы применения метода корреляционно-регрессионного анализа. Построение статистического ряда распределения.

    курсовая работа [453,1 K], добавлен 28.01.2014

  • Роль малого и среднего предпринимательства в странах с переходной экономикой и пути стимулирования их развития. Тенденции их развития и современное состояние. Государственная политика поддержки малого и среднего предпринимательства Кыргызской Республики.

    курсовая работа [484,5 K], добавлен 10.02.2015

  • Исторические этапы, условия и факторы развития и становления малого бизнеса. Анализ основных экономических показателей деятельности малых предприятий в РФ. Факторы, тормозящие развитие. Проблемы развития малого бизнеса в России и способы их решения.

    курсовая работа [365,2 K], добавлен 12.06.2014

  • Понятие прибыли и необходимость ее статистического изучения. Задачи и система показателей статистики прибыли предприятия. Статистическая оценка влияния факторов и прогнозирование прибыли на перспективу. Факторный анализ показателей прибыли ООО "Лесной".

    курсовая работа [164,0 K], добавлен 05.08.2011

  • Сущность, факторы развития, функции и субъекты предпринимательства и бизнеса. Роль малого и среднего бизнеса в развитии национальной экономики на примере зарубежных стран. Тенденции и проблемы становления и развития предпринимательства в Казахстане.

    курсовая работа [248,6 K], добавлен 27.10.2010

  • Понятие, функции и сущность малого и среднего бизнеса, их место в рыночной системе хозяйствования. Особенности динамики развития малого предпринимательства в регионах Российской Федерации. Основные проблемы и перспективы развития малого бизнеса в России.

    курсовая работа [884,3 K], добавлен 09.01.2015

  • Экономические и организационные основы малого и среднего бизнеса. Предпринимательство – стратегический фактор экономического развития малого и среднего бизнеса. Экономическая сущность предпринимательства. Предпринимательство как экономический процесс.

    курсовая работа [58,6 K], добавлен 29.04.2009

  • История развития предпринимательства в постсоветской России. Исследование показателей объемов оборота и среднесписочной численности занятых с целью оценки роли малого бизнеса в экономике РФ. Проблемы развития малого и среднего предпринимательства.

    курсовая работа [395,0 K], добавлен 16.03.2014

  • Специфика развития малого и среднего бизнеса в современной экономике. Экономическая сущность предпринимательства. Роль малых предприятий в решении экономических, социальных и политических проблем. Государственная поддержка малого и среднего бизнеса.

    дипломная работа [114,7 K], добавлен 27.10.2015

  • Необходимость развития сектора малого предпринимательства России. Роль и место малого бизнеса в рыночной экономике. Анализ и тенденции развития нефтяной и газовой отрасли в РФ. Анализ основных проблем, сдерживающих развитие малого предпринимательства.

    курсовая работа [302,9 K], добавлен 07.11.2012

  • Рассмотрение снов инновационного развития экономики России. Изучение факторов, препятствующих развитию малого инновационного бизнеса. Определение путей решения существующих проблем; осуществление поддержки предпринимательства государственными фондами.

    реферат [28,4 K], добавлен 06.08.2014

  • Преимущества и недостатки малого бизнеса. Роль малого бизнеса в экономике России. Условия и факторы развития малого бизнеса в России. Государственная политика в области малого предпринимательства. Анализ развития малого предпринимательства в г. Иркутске.

    курсовая работа [132,9 K], добавлен 04.06.2012

  • Условия для формирования малого бизнеса. Цели и принципы государственной политики в области развития малого и среднего предпринимательства в Российской Федерации. Организация функционирования предприятия малого бизнеса на примере ООО "Мага-отель".

    дипломная работа [369,1 K], добавлен 09.10.2014

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.