Исходя из вышесказанного можно сделать вывод о том, что предположение о временных промежутках кризиса было определено верно, и сдвиг по кризису начался с 2014 года.

Прежде, чем приступить к этапу построения эконометрической модели, будет целесообразным проверить наличие взаимосвязи между переменными и провести графический анализ взаимосвязи между зависимой переменной и регрессорами (Приложение 5). Предварительный анализ показал наличие линейных связей между независимыми переменными и показателем инновационной активности региона.

Следующим целесообразным шагом будет построение корреляционной матрицы (Таблица 3).

Таблица 3 Коэффициенты корреляции

	ln_inn_goods	ln_GRP	ln_cap_inv	ln_fdi	scientists	ln_inn_costs	ln_tech_costs	unprofit	patents	high_ed	doctors
ln_inn_goods	1
ln_GRP	0,24	1
ln_cap_inv	0,14	0,9	1
ln_fdi	0,33	0,58	0,52	1
scientists	0,3	0,05	0,01	0,26	1
ln_inn_costs	0,4	0,4	0,3	0,33	0,74	1
ln_tech_costs	0,73	0,43	0,37	0,41	0,31	0,44	1
unprofit	-0,25	0,19	0,19	0,04	-0,18	-0,9	-0,18	1
patents	0,22	-0,19	-0,23	-0,13	0,35	0,27	0,14	-0,16	1
high_ed	-0,08	-0,52	-0,43	-0,43	-0,05	-0,14	-0,24	-0,27	0,33	1
doctors	-0,03	0,08	0,03	0,12	0,58	0,49	-0,03	-0,08	0,18	0,04	1

Далее коэффициенты корреляции зависимой переменной были протестированы, и на 1% уровне значимости оказались отличными от нуля, только по переменной doctors тест показал, что на 10% уровне она не является значимой, а также переменная high_ed оказалась не значима на 1 % уровне. Однако все переменные будет включены в модель для того, чтобы избежать дальнейшей эндогенности. Стоит также заметить, что лишь один коэффициент между регрессорами превышают 0,7, что говорит о возможном наличии мультиколлинеарности в будущих моделях.

Далее необходимо рассмотреть проверку гипотез. В рамках первой гипотезы будут построены модели для того, чтобы оценить влияние кризиса.

Так как переменные обладают панельной структурой данных, стоит оценить их с помощью специальных моделей: это модель сквозной регрессии, модель с фиксированными эффектами и модель со случайными эффектами. Также согласно обзору литературы будут добавлены соответствующие лагированные значения денежных вложений.

Спецификация модели сквозной регрессии:

(3)

Где: a_i - компонент ошибки, отражающий ненаблюдаемые характеристики объекта, не меняющиеся во времени,

е_it - ненаблюдаемая ошибка, меняющаяся и по объектам, и по моментам времени.

Модель с фиксированными эффектами, описывает регрессионную модель в отклонениях от средних по времени значений переменных. Главное отличие от модели сквозной регрессии состоит в формуле случайной ошибки:

(4)

Где: u_i - ненаблюдаемые индивидуальные эффекты, которые не зависят от времени и отвечают за характеристики объектов, которые не включены в регрессию непосредственно;

v_it - остаточное возмущение, которое меняется в зависимости от времени и объектов, и может рассматриваться как обыкновенная случайная составляющая в регрессии.

В данной модели эффекты (u_i) будут фиксированными, в случае модели с индивидуальными эффектами, позволяющей оценить коэффициенты перед инвариантными во времени переменными, данные эффекты будут случайными. Было решено посчитать робастные стандартные ошибки, чтобы нивелировать последствия в виде неэффективных оценок коэффициентов и несостоятельности стандартных ошибок.

В таблице 4 представлены результаты оценивания вышеупомянутых моделей.

Таблица 4 Значения коэффициентов

Переменная	Pooled	FE	RE
б	6,916**	-	4,241
	(2,881)	-	(3,304)
ln(GRP)	-0,415	0,08	-0,214
	(0,62)	(0,607)	(0,53)
ln(GRP_lag1)	0,471	1,458**	1,075**
	(0,643)	(0,588)	(0,534)
ln(cap_inv)	-0,257	-0,33	-0,361
	(0,335)	(0,364)	(0,351)
ln(cap_inv_lag1)	-0,367	-0,882**	-0,672*
	(0,364)	(0,399)	(0,361)
ln(fdi)	0,04	-0,049	-0,008
	(0,047)	(0,047)	(0,043)
ln(fdi_lag1)	0,123**	0,04	0,075*
	(0,049)	(0,05)	(0,045)
scientists	0,381	4,969	2,631*
	(1,489)	(3,04)	(1,391)
ln(inn_costs)	0,115	-0,053	0,064
	(0,087)	(0,11)	(0,077)
ln(inn_costs_lag1)	-0,041*	-0,041*	-0,042**
	(0,021)	(0,023)	(0,02)
ln(inn_costs_lag2)	0,027	0,027	0,032
	(0,021)	(0,022)	(0,02)
ln(tech_costs)	0,477***	0,252***	0,363***
	(0,077)	(0,066)	(0,058)
ln(tech_costs_lag1)	0,135	0,07	0,114
	(0,09)	(0,08)	(0,081)
ln(tech_costs_lag2)	0,282***	0,209***	0,258***
	(0,076)	(0,074)	(0,072)
unprofit	-0,025*	0,007	-0,017
	(0,015)	(0,016)	(0,014)
patents	19,641	4,714	30,982
	(35,736)	(30,481)	(33,907)
high_ed	0,876	-0,732	-0,095
	(1,262)	(0,865)	(1,26)
doctors	-18,257*	-16,907	-20,296**
	(9,642)	(20,903)	(8,721)
ec_zone	0,172	-0,365**	-0,027
	(0,173)	(0,161)	(0,158)
сrisis	0,373***	-0,023	0,173
	(0,141)	(0,174)	(0,149)
R2 adj	0,628	0,242	0,421
Примечание:	*p<0,1	**p<0,05	***p<0,01

(В скобках указаны стандартные ошибки)

При анализе таблицы видно, что только в модели сквозной регрессии исследуемый параметр кризиса является значимым и имеет положительное влияние на зависимую переменную, что доказывает первую гипотезу. В целом можно наблюдать, что оценки параметров в моделях являются близкими по значению и направленности.

Далее было решено выбрать лучшую модель из представленных с помощью специальных тестов. Первым тестом был тест Бреуш-Пагана на сравнение сквозной регрессии и регрессии со случайными эффектами. Данный тест показал, что на уровне значимости в 1 % регрессия со случайными эффектами дает более качественный результат, чем модель сквозной регрессии.

Следующим тестом был LR тест на сравнение сквозной регрессии и регрессии с фиксированными эффектами, который показал, что на 1% уровне значимости модель сквозной регрессии отклоняется в пользу модели с фиксированными эффектами.

Последним был тест Хаусмана на сравнение регрессий с фиксированными и случайными эффектами. Проводимый тест показал, что на 1% уровне значимости модель с фиксированными эффектами оказалась более качественной. Таким образом, в дальнейшем исследовании использовалась спецификация с фиксированными эффектами.

Интерпретация полученных результатов регрессии может быть следующей: при увеличении ВРП на среднегодовую численность занятых прошлого года на 1% в среднем и при прочих равных повысит объем инновационных товаров, работ, услуг на организацию в текущем году на 1,458%. Увеличение инвестиций в основной капитал на среднегодовую численность занятых на 1 % в среднем и при прочих равных приведет к снижению зависимой переменной на 0,882%.

Повышение внутренних затрат на научные исследования и разработки на организацию в прошлом году на 1% в среднем и при прочих равных приведет к снижению объема инновационных товаров, работ, услуг на организацию в текущем году на 0,041%. При увеличении затрат на технологические инновации в млн. рублей на организацию на 1% в среднем и при прочих равных приведет к повышению показателя инновационной активности на 0,252%. В свою очередь увеличение затрат на технологические инновации на организацию на 1% спустя два года в среднем и при прочих равных повысит объем инновационных товаров, работ, услуг на организацию в текущем году на 0,209%. Наличие экономической зоны в регионе в среднем будет повышать зависимую переменную на 44,051%.

Сравнивая полученные результаты с результатами прошлых исследований, можно заметить, что ВРП влияет положительно на инновационную активность региона, как и в работе Теплых, Галимарданова (2017), Ермасовой и Никитина (2014). Более того результаты схожи и для инвестиций в основной капитал (Ермасова и Никитин, 2014), затрат на технологические инновации (Теплых, Галимарданов, 2017). Результат оценки переменной наличия экономических зон также подтверждает предыдущие исследования (Кондратьева, 2010; Ермасова и Никитин, 2014).

Однако в исследования Мариева, Савина и Игнатьевой (2011) регрессор инвестиций в основной капитал влиял положительно. Также есть отличия по показателю внутренних расходов на исследования и разработки, в работе Теплых, Галимарданова (2017) он оказывал положительное влияние на инновационную активность региона. Это может говорить об изменении в структуре инноваций, так как исследование было проведено на других данных за иной промежуток времени.

Следующим этапом является проверка второй гипотезы. Для того, чтобы определить привел ли кризис к значимым изменениям в структуре региональных инноваций были построены три модели с фиксированными эффектами. Первая модель была построена на данных за 2010-2013 годы, вторая модель была соответственно построена на данных за 2014-2018 годы и третья модель была контрольной, оценивающей изменения.

Из-за снижения количества наблюдений модель была преобразована и из нее были исключены переменные high_ed и doctors. Новая спецификация модели с фиксированными эффектами:

(5)

Где: a_i - компонент ошибки, отражающий ненаблюдаемые характеристики объекта, не меняющиеся во времени,

е_it - ненаблюдаемая ошибка, меняющаяся и по объектам, и по моментам времени. Результаты оценивания также представлены с робастными ошибками (Таблица 5).



Таблица 5 Значения коэффициентов

Переменная	Before	After	Change
б			4,173
			(2,811)
ln(GRP)	-2,991**	0,835	2,214*
	(1,264)	(0,917)	(1,213)
ln(GRP_lag1)	1,561	0,711	-1,78
	(0,957)	(0,819)	(1,15)
ln(cap_inv)	0,884	-0,168	-0,539
	(0,676)	(0,478)	(0,6)
ln(cap_inv_lag1)	-0,847*	-1,019*	-0,215
	(0,505)	(0,571)	(0,574)
ln(fdi)	-0,066	-0,053	0,099
	(0,064)	(0,059)	(0,066)
ln(fdi_lag1)	0,04	-0,006	0,031
	(0,084)	(0,051)	(0,085)
scientists	0,626	-2,103	-1,668
	(5,708)	(3,427)	(1,316)
ln(inn_costs)	-0,173	0,092	0,091
	(0,268)	(0,144)	(0,306)
ln(inn_costs_lag1)	-0,091***	0,111	0,116
	(0,032)	(0,237)	(0,256)
ln(inn_costs_lag2)	-0,028	0,306	-0,101
	(0,027)	(0,262)	(0,256)
ln(tech_costs)	0,186*	0,176*	-0,12
	(0,11)	(0,099)	(0,112)
ln(tech_costs_lag1)	0,168	-0,058	-0,106
	(0,126)	(0,078)	(0,126)
ln(tech_costs_lag2)	0,427**	0,002	-0,251
	(0,182)	(0,096)	(0,193)
unprofit	0,046*	-0,007	-0,03*
	(0,023)	(0,024)	(0,017)
patents	-44,223	-8,464	41,546
	(56,546)	(40,997)	(31,883)
ec_zone	-0,393	-0,106	-0,433**
	(0,275)	(0,399)	(0,212)
Кол-во наблюдений	316	395	711
Примечание:	*p<0,1	**p<0,05	***p<0,01



(В скобках указаны стандартные ошибки)

При рассмотрении результатов оценки моделей, представленных в Таблице 5, можно увидеть некоторые изменения, произошедшие в структуре региональных инноваций под влиянием кризиса. В частности - по переменной ВРП на численность занятых наблюдается положительный сдвиг, также по переменной доли убыточных фирм наблюдается небольшое изменение. Кроме этого, по показателю экономических зон в регионе происходит значимое положительное изменение с наступлением кризиса.

Если обратить внимание на значимые оценки моделей до и после кризиса, то можно заметить, что с наступлением кризиса ряд переменных перестал быть значимым. Это переменные: ВРП на среднегодовую численность занятых, внутренние затраты на научные исследования и разработки на организацию в предыдущем периоде, затраты на технологические инновации на организацию с лагом в два года, а также доля убыточных фирм.

По показателям инвестиций в основной капитал на среднегодовую численность занятых в предыдущем периоде и по затратам на технологические инновации на организацию не наблюдается критичных изменений в значимых оценках факторов. Показатель инвестиций в основной капитал оказывает незначительно большее негативное влияние, чем до кризиса, показатель затрат на технологические инновации приводит к чуть менее ощутимым изменениям инновационной активности региона на выборке после кризиса.

Исходя из анализа таблицы, можно предположить, что кризис привел к значимым изменениям в структуре региональной инновационной активности. Дополнительно был проведен тест на наличие структурного сдвига по исходной выборке. Данный тест показал отсутствие структурного сдвига на уровне значимости в 1%.

Полученный результат может говорить о том, что кризис 2014-2015 года не привел к структурному сдвигу в региональной инновационной активности, однако анализ таблицы 5 показал, что кризис повлек за собой значимые изменения в оценках факторов, что доказывает вторую гипотезу данного исследования.

Таким образом, с помощью вышеуказанных методов было выявлено, что кризис 2014-2015 года повлиял на инновационную активность российских компаний положительно. Более того под влиянием данного внешнего шока появились значимые изменения в оценках факторов региональной инновационной активности. Это может говорить о стимулирующей роли кризиса в экономике России, об увеличении конкурентоспособности российских компаний на рынке и появлении новых инновационных технологий.

Возможно, в случае последнего кризиса свою роль также сыграла политика «импортозамещения», о чем уже было ранее сказано в обзоре литературы. В рамках данной политики были выделены средства на финансирование предприятий, создание различных фондов, что, как показывают результаты исследования, позволило развить инновационную активность и, тем самым, удовлетворить спрос, который возник в результате отсутствия санкционных продуктов, технологий и услуг на российском рынке.



Заключение

В настоящее время развитие инновационной активности является одной из насущных проблем любой организации, региона и даже страны, так как именно инновации позволяют получать конкурентное преимущество как на внутренних, локальных рынках, так и на внешних, мировых. Однако существует множество внешних шоков, в данном случае - кризис, которые могут негативно или положительно влиять на инновационную активность.

Важно понимать какой эффект оказывает кризис на инновационную активность, так как было обсуждено ранее в обзоре литературы, авторы не имеют единой точки зрения на то какое направление он имеет. Некоторые утверждают о том, что во время кризиса фирмам приходится наращивать свою инновационную активность, чтобы оставаться конкурентоспособными на рынке. Другие говорят о том, что во время экономического спада многие фирмы снижают свою инновационную активность.

Однако в случае Российской Федерации и кризиса 2014-2015 годов существует своя специфика, которую необходимо было учесть в данном исследовании. Таким образом, была поставлена цель работы: проанализировать влияние кризиса 2014-2015 годов на инновационную активность в России. Для достижения цели был выполнен ряд задач: проанализирована литература по теме; сформирована выборка по регионам России с 2010 по 2018 год; выбрана подходящую методологию для анализа полученных данных; определены факторы инновационной активности до и после кризиса; построена эконометрическая модель, которая позволила оценить влияние кризиса; проведено сравнительное исследование двух периодов и выявлены изменения в инновационном поведении, связанные с кризисом; и в конце были проинтерпретированы полученные результаты.

В процессе написания литературного обзора выявилась недостаточная изученность данной проблемы на российском рынке, и было решено провести исследование на выборке панельных данных по 79 регионам за 2010-2018 годы из 711 наблюдений.

Для этого была применена методология регрессионного анализа и построены модель сквозной регрессии, модель с фиксированными и модель со случайными эффектами. Значимые оценки коэффициентов в большинстве случаев были схожи с результатами предыдущих исследований. Был выявлен значимый положительный эффект кризиса в модели сквозной регрессии, что подтвердило ранее выдвинутую гипотезу.

Данный результат указывает на то, что из-за кризиса могли произойти значительные изменения в структуре инноваций по регионам. Исходя из этого, необходимым было понять какое влияние оказал кризис 2014-2015 года на драйверы инновационной активности регионов, и было ли это влияние значимым. Таким образом, была сформирована вторая гипотеза о том, что кризис 2014-2015 года привел к статистически значимым изменениям в факторах инновационной активности регионов Российской Федерации.

С помощью специальных моделей, построенных на отдельных временных промежутках, а также с помощью модели, учитывающей изменения, вторая гипотеза была доказана. Были выявлены статистически значимые изменения драйверов инновационной активности в регионах Российской Федерации.

Таким образом, была выполнена цель работы: было проанализировано влияние кризиса 2014-2015 годов на инновационную активность в России. Это может говорить о том, что после кризиса происходило усиленное развитие сферы научных исследований, создание новых технологий, и как следствие увеличение объема инновационной продукции.

Ограничениями данной работы может быть качество макро-данных, по некоторым регионам отсутствовали данные, либо находились в закрытом доступе, более того есть риск усредненных значений в данных. Также существует вероятность эндогенности моделей, так как некоторые факторы, предложенные исследователями в Приложении 1, не были использованы в данном исследовании. Стоит также учитывать то, что данные были собраны по регионам, где социально-экономические факторы могут схожими, что может вести к частичной мультиколлинеарности переменных.

Для улучшения результатов в следующих исследованиях по данной теме возможно применение иной структуры данных, к примеру, по компаниям, введение большего количества регрессоров в модель, изменение формы модели, применение более совершенных моделей.



Список литературы

Нормативные правовые акты

1. Стратегия инновационного развития Российской Федерации на период до 2020 года: Распоряжение Правительства РФ от 8 декабря 2011 г. № 2227-р / Правовой сервер «Консультант Плюс»

Специальная литература

2. Бабурин В. Л. и Земцов С. П. (2016), Факторы патентной активности в регионах России, Мир экономики и управления, Т.16, №1, с.86-100.

3. Белякова Г. Я. и Чайран Ю. А. (2014), Факторы, влияющие на развитие инновационной деятельности, Креативная экономика, №11(95), с.162-170.

4. Ермасова Н. Б. и Никитин А.А. (2014), Факторы, влияющие на инновационную активность организаций, ИЗВЕСТИЯ САРАТОВСКОГО УНИВЕРСИТЕТА. НОВАЯ СЕРИЯ. СЕРИЯ ЭКОНОМИКА. УПРАВЛЕНИЕ. ПРАВО, Т.14(3), с.495-503.

5. Земцов, С. П. и Смелов, Ю. А.(2018), Факторы регионального развития в России: география, человеческий капитал или политика регионов, Журнал Новой экономической ассоциации, № 4, с. 84-108.

6. Индикаторы инновационной деятельности: 2019: статистический сборник / Л. М. Гохберг, К. А. Дитковский, И. А. Кузнецова и др.; Нац. исслед. ун-т «Высшая школа экономики». - М.: НИУ ВШЭ, 2019.

7. Кондратьева, Е. В. (2010), Исследование взаимосвязи между инфраструктурой инноваций и инновационной активностью в регионе, Вестник НГУ. Серия: Социально-экономические науки, № 10, с. 134-139.

8. Лякин А.Н. (2018), Три кризиса по одному сценарию, Вестник СПбГУ, № 34, с.4-25.

9. Мариев, О. С., Савин, И. В. и Игнатьева, Е. Д. (2011), Эконометрическое моделирование факторов стимулирования инновационного развития производительных сил, Журнал экономической теории, № 1, с. 117-129.

10. Пашкус Н. А.(2014), Особенности развития инновационного сектора в российской экономике в новых экономических условиях, ОБЩЕСТВО: ПОЛИТИКА, ЭКОНОМИКА, ПРАВО, № 1, с.53-58.

11. Пушкарев, А.А., Грозных, Р.И. и Нагиева, К.М. (2018), Моделирование факторов инновационного развития российских регионов, Журнал экономической теории, Т.15, №3, с.540-544.

12. Теплых, Г. В. и Галимарданов, А. Ш. (2017), Моделирование инвестиций в инновации в российских регионах, Прикладная эконометрика, № 46, с. 104-125.

13. Штерцер, Т.А. (2005), Эмпирический анализ факторов инновационной активности в субъектах РФ, Вестник Новосибирского государственного университета. Серия: Социально-экономические науки, Т.5, №. 2., с.100-109

14. Aganbegian A.G. (2011), Lessons of the Crisis: Russia Needs Modernization and an Innovation Economy, Problems of Economic Transition, Vol. 53, No. 9, pp. 4-28.

15. Aldieri, L., Kotsemir M. and Vinci, C. P. (2019), Environmental innovations and productivity: Empirical evidence from Russian regions, Resources Policy, № 101444.

16. Archibugi, D., Filippetti, A. and Frenz M. (2013a), Economic crisis and innovation: Is destruction prevailing over accumulation?, Research Policy, Vol. 42, pp. 303-314.

17. Archibugi, D., Filippetti, A. and Frenz M. (2013b), The impact of the economic crisis on innovation: Evidence from Europe, Technological Forecasting & Social Change, Vol. 80, pp. 1247-1260.

18. Capitanio, F., Coppola, A. and Pascucci, S. (2009), Indications for drivers of innovation in the food sector, British Food Journal, Vol. 111, pp. 820-838.

19. Crescenzi, R. and Jaax, A. (2017) Innovation in Russia: the territorial dimension, Economic Geography, Vol. 93(1), pp. 66-88.

20. Carland, J.W., Hoy, F., Boulton, W.R. and Carland, J.A.C. (1984), Differentiating entrepreneurs from small business owners: a conceptualization, Academy of Management Review, Vol. 9, No. 2, pp. 354-359.

21. Filippetti, A. and Archibugi, D. (2010), Innovation in times of crisis: National Systems of Innovation, structure, and demand, Research Policy, Vol. 40, pp. 179-192.

22. Fillipov, S. (2011), Emerging Russian Multinationals: Innovation,Technology, and Internationalization, Journal of East-West Business, Vol. 17, pp. 184-194.

23. Glebova, I. and Kotenkova, S. (2014), Evaluation of Regional Innovation Potential in Russia, Procedia Economics and Finance, Vol. 14, pp. 230-235.

24. Gokhberg, L., Kuznetsova, T. and Roud, V. (2012), Exploring innovation modes of Russian companies: What does the diversity of actors mean for policymaking?, Basic Research Program at the National Research University Higher School of Economics.

25. Khayrullina, M. (2014), Innovative Territorial Clusters as Instruments of Russian Regions Development in Global Economy, Procedia Economics and Finance, Vol. 16, pp.88-94.

26. Kravchenko, N.A., Kuznetsova, S.A., Yusupova, A., Jithendranathan, T., Lundsten, L.L. and Shemyakin, A. (2015), A comparative study of regional innovative entrepreneurship in Russia and the United States, Journal of Small Business and Enterprise Development,Vol. 22, No. 1, pp. 63-81.

27. Le Bas, Ch. and Sierra, Ch. (2002), `Location versus home country advantages' in R&D activities: some further results on multinationals' locational strategies, Research Policy, Vol. 31, pp. 589-609.

28. Pogodaeva, T., Zharapova, D. and Efremova, I. (2015), Changing Role of the University in Innovation Development: New Challenges for Russian Regions, Procedia - Social and Behavioral Sciences, Vol. 214, pp. 359 - 367.

29. Pushkarev, A. (2018), Cluster analysis of regional innovation activity in Russia in 2010-2015, R-Economy, Vol.4(1),pp. 7-15.

30. Rastvortseva, S. (2015), Innovation as a factor of regional economic growth: evidence from Russia, Proceedings of the 3rd International Conference, Innovation Management and Corporate Sustainability.

31. Savin, I. and Winker, P. (2012), Heuristic Optimization Methods for Dynamic Panel Data Model Selection. Application on the Russian Innovative Performance, Computational Economics, Vol. 39, pp. 337-363.

32. Spitsin, V., Mikhalchuk, A., Chistyakova, N., Spitsyna, L. and Pavlova, I. (2018), Development of innovative industries in Russia under unfavourable external environment, Equilibrium. Quarterly Journal of Economics and Economic Policy, Vol. 13(3), pp. 467-485.

33. Schumpeter, J.A. (1939), Business Cycle: A Theoretical, Historical and Statistical Analysis of the Capitalist Process, McGraw - Hill, New York.

34. Teplykh, G. (2018), Innovations and productivity: the shift during the 2008 crisis, Industry and Innovation, Vol. 25, No.1, pp.53-83.

35. Zemtsov, S.P.and Baburin, V.L. (2016), Does economic-geographical position affect innovation processes in russian regions? Geography. Environment. Sustainability., Vol. 9, pp. 4-32.

36. Zemtsov, S., Muradov, A., Wade, I. and Barinova, V. (2016), Determinants of Regional Innovation in Russia: Are People or Capital More Important?, Foresight and STI Governance, Vol.10, No. 2, pp.29-42.



Приложение 1

Эконометрические исследования инновационной активности регионов Российской Федерации

	Авторы	Выборка	Зависимая переменная	Регрессоры
1	Glebova and Kotenkova (2014)	Наблюдения по трем регионам Приволжского федерального округа за 2005-2010 года	Интегрированный индекс регионального инновационного потенциала	Индекс научного потенциала Индекс кадрового потенциала Индекс технологического потенциала Индекс финансового и экономического потенциала Индекс информационно-коммуникационной составляющей
2	Spitsin et al. (2018)	Анализ за 2012-2015 гг. основан на статистических данных Росстата, UniSIS и Евростата	Расходы на инновации в текущий год	Стоимость отгруженной продукции Инвестиции в основной капитал Численность работников Структурные пропорции Доля отгруженной продукции инновационного сектора Доля новой или значительно улучшенной продукции Доля предприятий, занимающихся технологическими инновациями
3	Savin and Winker (2012)	Данные за период с 1999 по 2006 год из базы данных Росстат	Объем инновационной продукции в регионе	Показатели рыночной конкуренции Показатели деятельности МСП Прокси для структуры собственности компаний Прокси для экономических показателей компаний Прокси для развития региональной инфраструктуры Вектор региональных социально-экономических характеристик Социально-экономические характеристики в соседних регионах
4	Кондратьева (2010)	72 субъекта РФ в период с 2005 по 2008 годы, источником данных - Росстат	Число использованных передовых производственных технологий	Численность персонала, занятого исследованиями и разработками Фиктивная переменная наличия инновационной инфраструктуры определенного типа
5	Мариев, Савин, Игнатьева (2010)	75 регионов за 2000-2007 годы, источник данных - Росстат	Объем инновационной продукции в регионе	Показатели уровня конкуренции на рынке инновационной продукции Показатели развития МСП; переменные инвестиционной активности Показатели финансового состояния организаций Показатели уровня развития инфраструктуры Показатели формы собственности Показатели, характеризующие способность региона к восприятию и адаптации новых знаний и технологий Показатели уровня инновационной активности в соседних регионах
6	Теплых, Галимарданов (2017)	74 субъекта РФ за 2008-2014 годы, источник данных - Росстат	Логарифм отношения инвестиций к трудовым ресурсам	Расходы на технологические инновации Расходы на исследования и разработки; численность ЭАН Остаточная стоимость основных фондов Средняя заработная плата ВРП Доля убыточных компаний Количество зарегистрированных фирм Соотношение кредитов банков, выданных юрлицам в ВПР Число организаций, специализирующихся на НИОКР Отгрузка инновационной продукции Число выданных патентов Экспорт продукции Импорт продукции Соотношение оборота фирм с иностранным капиталом к общему объему отгрузки Доля государственных и муниципальных организаций в общем количестве Работники государственных и муниципальных органов
7	Aldieri, Kotsemir, Vincia (2019)	Несбалансированная база данных, состоящая из 64 регионов РФ за 2010-2015 годы (Росстат)	Добавленная стоимость на одного работника или производительность	Физический капитал Численность работников Основной капитал НИОКР Число поданных патентов Доля организаций, занимающихся экологическими инновациями или доля организаций, занимающихся сокращением выбросов углекислого газа Доля организаций, занимающихся сокращением загрязнения почвы, воды, воздуха и шумового загрязнения Доля организаций, занимающаяся переработкой отходов, воды и других материалов Дамми по регионам Временные дамми, учитывающие географические особенности и динамические шоки
8	Pogodaeva, Zhaparova and Efremova (2015)	16 регионов за 2010-2013 годы (Росстат)	ВВП на душу населения	Затраты на технологические инновации к ВРП (%) Объем инновационных товаров, операций и услуг к ВРП (%) Количество сотрудников, занятых научными исследованиями и разработками, на 10000 ЭАН Количество исследователей с учеными степенями на 10000 ЭАН Количество аспирантов и докторантов на 10000 ЭАН Коэффициент изобретательской активности Количество созданных передовых производственных наук на 10000 ЭАН Количество использованных передовых производственных наук на 10000 ЭАН Соотношения поступлений патентных заявок к числу исследователей
9	Zemtsov, Baburin (2016)	83 региона РФ ( Росстат)	Логарифм объема инновационной продукции в регионе	Фактические расходы на НИОКР Количество работающих городских жителей с высшим образованием Совокупное количество использованных патентов с 1994
10	Штерцер (2005)	76 субъектов РФ в период с 1998 по 2003 год (349 наблюдений). Данные из Росстата	Число поданных заявок на изобретения и полезные модели	Индекс промышленного производства (% к предыдущему году) Совокупная величина исследователей с учеными степенями Число занятых исследованиями и разработками, за исключением исследователей с учеными степенями Величину внутренних затрат на исследования и разработки Численность занятых в промышленности Сальдированный финансовый результат деятельности организаций Объем инвестиций в основной капитал Объем затрат на технологические инновации Стоимость основных фондов отраслей экономики (по полной учетной стоимости на конец года) Фиктивная переменная, отражающая статус административного центра региона Величина экспорта Величина экспорта технологий и услуг технического характера Величина импорта технологий
11	Пушкарев, Грозных и Нагиева (2018)	Данные Росстата для 42 регионов России (регионы, вошедшие в выборку, в целом характеризуются хорошо развитой обрабатывающей промышленностью) на 2001- 2014 годы	Количество запатентованных изобретений	Логарифм доходов консолидированного бюджета субъекта РФ Логарифм валового накопления основного капитала Доля организаций, выполнявших научные исследования и разработки, в общем числе организаций Логарифм густоты железнодорожных путей общего пользования (км путей на 10 000 кв. км территории) Логарифм густоты автомобильных дорог путей общего пользования с твердым покрытием (км дорог на 1000 кв. км территории) Логарифм объема инвестиций в основной капитал организаций: транспорт Логарифм объема инвестиций в основной капитал организаций: связь Доля выпускников государственных и муниципальных вузов в общей численности населения региона Логарифм численности сотрудников организаций, занятых исследованиями и разработками Логарифм прямых иностранных инвестиций
12	Ермасова и Никитин (2014)	83 региона России в период с 2008 по 2012 г.	Поступление патентных заявок и выдача охранных документов в России по субъектам РФ	Количество выданных патентов по регионам Объем иностранных инвестиций Уровень социального риска Уровень экономического риска Уровень финансового риска Уровень управленческого риска Наличие специальных экономических зон Плотность населения в регионе Валовый внутренний продукт Объем инвестиций в основной капитал на душу населения Уровень законодательного риска Средняя зарплата на душу населения в регионе
13	Zemtsov, Muradov, Wade and Barinova (2016)	83 региона России в период с 2010 по 2015 (Росстат)	Количество потенциально коммерциализируемых патентов	Численность экономически активного городского населения с высшим образованием Реальные внутренние расходы на покупку оборудования Реальные внутренние расходы на фундаментальные исследования Реальные внутренние расходы на прикладные исследования Потенциал для взаимодействия между исследователями Средний уровень патентования в соседних регионах
14	Crescenzi and Jaax (2017)	Данные взяты в период с1997-2011 и охватывают 78 из 83 российских регионов, источник Росстат и база данных ОЭСР-РегПат	Натуральный логарифм заявок PCT, посчитанный согласно области проживания изобретателя, на миллион жителей.	Расходы на НИОКР в процентах от регионального ВВП Пространственно взвешенное среднее значение расходов на НИОКР в соседних регионах как прокси для экспозиции к межрегиональным потокам знаний Доля работников с высшим образованием Оборот иностранных предприятий в процентах от ВВП региона Дамми, отвечающие за отрасль, социально-экономическое и географическое положение



Приложение 2

Специальные экономические зоны в России на 2018 год

Виды экономических зон	Название	Год основания	Регионы
Промышленно-производственные	«Алабуга»	2006	Республика Татарстан
	«Липецк»	2005	Липецкая область
	«Тольятти»	2010	Самарская область
	«Титановая долина»	2010	Свердловская область
	«Ступино Квадрат»	2015	Московская область
	«Центр»	2018	Воронежская область
	«Моглино»	2012	Псковская область
	«Калуга»	2012	Калужская область
	«Лотос»	2015	Астраханская область
	«Узловая»	2016	Тульская область
Технико-внедренческие	«Дубна»	2005	Московская область
	«Санкт-Петербург»	2006	г. Санкт-Петербург
	«Томск»	2005	Томская область
	«Технополис Москва»	2005	г. Москва
	«Исток»	2015	Московская область
	«Иннополис»	2012	Республика Татарстан
Туристско-рекреационные	«Байкальская гавань»	2007	Республика Бурятия
	«Бирюзовая катунь»	2007	Алтайский край
	«Завидово»	2015	Тверская область
	«Ворота Байкала»	2007	Иркутская область
	«Архыз»	2010	Караево-Черкесская республика
	«Ведучи»	2010	Чеченская республика
	«Эльбрус»	2010	Кабардино-Балкарская республика
	«Матлас»	2010	Республика Дагестан
	«Армхи и Цори»	2010	Республика Ингушетия
Портовые	«Ульяновск»	2009	Ульяновская область

По данным сайта Министерства экономического развития РФ: https://economy.gov.ru/



Приложение 3

Графический анализ на выбросы

Рис. 2 Распределение переменной ln_GRP

Рис. 3 Распределение переменной ln_cap_inv



Рис. 4 Распределение переменной ln_fdi

Рис. 5 Распределение переменной ln_inn_goods



Рис. 6 Распределение переменной scientists

Рис. 7 Распределение переменной ln_inn_costs



Рис. 8 Распределение переменной ln_tech_costs

Рис. 9 Распределение переменной patents



Рис. 10 Распределение переменной doctors

Рис. 11 Распределение переменной unprofit



Рис. 12 Распределение переменной high_ed

Приложение 4

Результаты оценки моделей по годам (указаны стандартные ошибки) Примечание: *p<0,1 **p<0,05 ***p<0,01

Переменные	2010	2011	2012	2013	2014	2015	2016	2017	2018
ln_GRP	-0,16	0,722	0,041	0,084	0,481	-0,938	-1,512**	-0,151	-0,473
	(0,596)	(0,529)	(0,775)	(0,886)	(0,932)	(0,731)	(0,668)	(0,613)	(0,506)
ln_cap_inv	0,166	-0,463	-0,746	-0,904	-1,079*	-0,058	0,226	-0,817*	-0,518
	(0,332)	(0,375)	(0,545)	(0,645)	(0,641)	(0,533)	(0,538)	(0,445)	(0,355)
ln_fdi	-0,097	-0,075	0,201	0,241**	0,193	0,372***	0,206*	0,139	0,106
	(0,088)	(0,066)	(0,132)	(0,111)	(0,128)	(0,131)	0,106	(0,122)	(0,083)
scientists	2,845	3,709**	0,711	-3,989	0,571	-1,782	-0,962	-4,411*	-2,626*
	(2,439)	(1,85)	(3,202)	(3,015)	(3,279)	(3,284)	(3,15)	(2,481)	(1,567)
ln_inn_costs	-0,105	-0,311*	-0,075	0,376	-0,206	-0,061	0,144	0,372	0,344**
	(0,187)	(0,172)	(0,322)	(0,287)	(0,299)	(0,332)	(0,251)	(0,28)	(0,16)
ln_tech_costs	0,564***	0,887***	0,877***	1,034***	1,083***	0,691***	0,761***	0,842***	0,683***
	(0,172)	(0,101)	(0,192)	(0,172)	(0,156)	(0,132)	(0,11)	(0,138)	(0,118)
unprofit	-0,043	-0,027	-0,04	-0,025	-0,018	-0,021	-0,043*	-0,03	-0,043**
	(0,026)	(0,024)	(0,037)	(0,031)	(0,032)	(0,031)	(0,024)	(0,027)	(0,019)
patents	110,119*	29,452	14,543	-25,431	14,479	101,124	93,672	42,483	36,018
	(64,88)	(39,448)	(62,699)	(39,884)	(66,077)	(68,971)	(71,554)	(67,506)	(42,934)
constant	8,222	2,594	10,633	5,047	7,44	15,821**	19,54***	10,707*	14,637***
	(6,626)	(4,284)	(7,593)	(6,485)	(7,508)	(6,487)	(5,312)	(5,999)	(4,33)
R2adj	0,35	0,612	0,477	0,656	0,646	0,587	0,575	0,601	0,577

Приложение 5

Графический анализ взаимосвязи

Рис. 13 Диаграмма рассеяния между ln_inn_goods и ln_GRP

Рис. 14 Диаграмма рассеяния между ln_inn_goods и ln_cap_inv



Рис. 15 Диаграмма рассеяния между ln_inn_goods и ln_fdi

Рис. 16 Диаграмма рассеяния между ln_inn_goods и scientists



Рис. 17 Диаграмма рассеяния между ln_inn_goods и ln_inn_costs

Рис. 18 Диаграмма рассеяния между ln_inn_goods и ln_tech_costs



Рис. 19 Диаграмма рассеяния между ln_inn_goods и unprofit

Рис. 20 Диаграмма рассеяния между ln_inn_goods и patents



Рис. 21 Диаграмма рассеяния между ln_inn_goods и high_ed

Рис. 22 Диаграмма рассеяния между ln_inn_goods и doctors

Размещено на Allbest.ru

...