Целевое управление инновационным развитием регионов России

С учетом целей настоящего исследования представленный обзор литературы включает в себя рассмотрение четырех блоков вопросов:

1) понимания организационно-экономической природы региональной инновационной системы;

2) формирования и организации функционирования региональных инновационных систем;

3) анализа эмпирической информации в сфере организации деятельности региональных инновационных систем;

4) выявления проблем управления региональными инновационными системами, инновационным развитием регионов РФ с использованием экономико-математического моделирования, в том числе нейронных сетей.

Первые три блока обзора литературы позволяют выявить те факторы, которые обусловливают эффективность функционирования региональных инновационных систем. Последний из них необходим для обоснования целесообразности применения нейросетевого подхода в качестве адекватного и высокоточного инструмента моделирования инновационного развития российских регионов.

В ряде эмпирических исследований (см., напр.: [Голова, Суховей, Никулина, 2017; Гохберг, 2016; Еферина и др., 2017; Земцов и др., 2016; Макаров и др., 2016]), базирующихся на статистических данных, отмечается существенная межрегиональная дифференциация регионов России по уровню инновационного развития. В частности, авторы работы [Голова, Суховей, Никулина, 2017, с. 310] подчеркивают: «... Анализ динамики трансформации инновационного пространства России показывает, что в настоящее время идут достаточно интенсивные процессы затухания науки на периферии. Это создает определенные проблемы для распространения инновационных импульсов по территории страны». В результате углубляются межрегиональные дисбалансы и провоцируется отток инновационно ориентированных предпринимателей в более развитые регионы, а также формируется замкнутый круг, который в перспективе может привести к утрате экономической целостности России.

Указанные проблемы особенно остро проявляются сейчас, когда в условиях, с одной стороны, санкционного давления, а с другой -- замедлившегося экономического роста, нашей стране необходимо ликвидировать (или хотя бы смягчить в ключевых для национальной безопасности областях) сильное технологическое отставание от передовых государств, наладить импортозамещающие производства [Котляров, 2016] и выйти на траекторию внедрения передовых моделей и технологий ведения хозяйственной деятельности (таких как Индустрия 4.0), основанных на инновациях.

При этом академик РАН А. Д. Некипелов отмечает наличие предпосылок для ускоренного перевода российской экономики на инновационную траекторию развития. «Сомнительно также, что произошедшие изменения в структуре производства можно однозначно считать негативными, на что намекает уничижительный термин “деиндустриализация”. И дело не только в том, что современные отрасли добывающей промышленности представляют собой сложнейшие производства, но, являясь источником спроса на высокие технологии, эти отрасли активно способствуют их интенсивной разработке (в том числе отечественным сектором НИОКР). Странным с точки зрения природы рыночной экономики является само разделение видов деятельности на прогрессивные и непрогрессивные вместо их деления на эффективные и неэффективные» [Некипелов, 2015, с. 206].

Рассмотрение основных факторов инновационного развития на мезоуровне предполагает уточнение понятийного аппарата исследования и, прежде всего, выявление сущности дефиниции «региональная инновационная система».

Концепция региональных инновационных систем (РИС) возникла в начале 1990-х гг. вследствие территориальной специализации концепции национальных (государственных) инновационных систем, разработанной К. Фриманом [Freeman, 1987] в процессе изучения технологической стратегии и экономического развития Японии. В настоящее время зарубежными учеными накоплен достаточно большой опыт в области исследования понятийного аппарата не только национальных, но и региональных инновационных систем. При этом в рамках настоящей статьи рассматриваются лишь наиболее широко распространенные определения РИС.

По мнению Д. Долорэ, региональная инновационная система является «набором взаимодействующих частных и государственных интересов, официальных институтов и организаций, осуществляющих свою деятельность в соответствии с организационной и институциональной структурой и отношениями по использованию знаний» [Doloreux, 2003, p. 82].

Другие зарубежные исследователи -- П. Кук и О. Мемедович -- подчеркивают разнообразие элементов РИС, понимая ее как «систему с упорядоченными внешними и внутренними связями между источниками знаний -- университетами, исследовательскими центрами, посредническими структурами и институтами, оказывающими частные и государственные услуги по обеспечению инновационной деятельности, а также крупными и малыми предприятиями» [Cooke, Memedovic, 2003, p. 118].

Несколько иной точки зрения придерживается Б. Ашейм, который под РИС подразумевает «институциональную инфраструктуру, обеспечивающую осуществление инновационной деятельности в рамках производственной системы (структуры) региона» [Asheim, 2007, p. 233]. При этом он выделяет две подсистемы РИС: 1) производственную систему региона, состоящую из организаций; 2) региональную институциональную инфраструктуру, обеспечивающую и поддерживающую инновационную деятельность и включающую в себя финансовые институты, государственные и частные научные институты (лаборатории), ассоциации предпринимателей, высшие учебные заведения (ВУЗы), производственно-технические училища и агентства трансфера технологий [Asheim, 2007].

И наконец, К. Гунасекара в составе РИС выделяет четыре основных элемента: «Фактор региональной агломерации (кластеризации и пространственной близости предприятий); фактор региональной близости (близости элементов инфраструктуры обеспечения инновационной деятельности: квалифицированной рабочей силы, венчурного капитала, бизнес-сервисов); государственное регулирование (наличие профильных органов государственной власти); культурные нормы (принципы доверия, сотрудничества, стремления к получению новых знаний)» [Gunasekara, 2006, p. 144].

Таким образом, региональные инновационные системы описываются «как набор элементов (субъектов) инновационной деятельности и отношения между ними» [Статовский, Платонов, 2016, с. 46]. Это означает, что эффективность функционирования РИС будет определяться, во-первых, составом ее участников, и, во-вторых, организацией отношений между ними. Далее кратко рассмотрены основные модели, описывающие функционирование РИС.

Представляется, что в настоящее время самой популярной моделью региональной инновационной системы является теория «тройной спирали» (triple helix theory). В названии теории отражена ее основная идея, заключающаяся в том, что инновационная система состоит из трех спиралей (государство, промышленность и наука) и связь каждой из них с двумя другими способствует их более эффективному взаимодействию [Etzkowitz, 2008].

Можно выделить уровни (стадии) сотрудничества акторов. «Модель описывает три уровня (стадии) сотрудничества: государственнический (statist), либеральный (laissez faire) и гибридный (hybrid), которые обеспечивают разный результат с точки зрения максимизации национального инновационного потенциала... государственническая и либеральная модели “тройной спирали” сдерживают инновационный потенциал страны, поскольку не обеспечивают синергетического эффекта, порождаемого тем уровнем и форматом сотрудничества, которые характерны для гибридной модели» [Разак и др., 2016, с. 47].

Развитием теории «тройной спирали» стала концепция «четверной спирали» (quadruple helix). «Данная концепция расширяет популярную парадигму тройной спирали (triple helix), указывая на то, что наряду с наукой, промышленностью и государством ключевую роль в инновационном процессе играет общество» [Караян- нис, Григорудис, 2016, с. 31]. В ней «проанализирована связь между созданием знаний, инновационной активностью и повышением региональной и национальной конкурентоспособности на основе “умной специализации” (RIS3)» [Караяннис, Григорудис, 2016, с. 31].

В работе [Gackstatter, Kotsemir, Meissner, 2014, p. 297] отмечается, что «принцип четырехзвенной спирали повышает вероятность успешной реализации региональными политиками локально-ориентированного предпринимательского процесса, который стимулирует интенсивное экспериментаторство и изобретательство и одновременно активизирует инновационную деятельность».

С зарубежными исследованиями в части ключевых факторов развития национальных и региональных инновационных систем коррелируют и работы ряда других российских ученых. В исследовании [Юревич, 2019] указывается, что важным условием создания благоприятной инновационной экосистемы в рамках теории «четверной спирали» является высокий уровень восприимчивости домохозяйств к инновациям. Автор подчеркивает, что «это условие приобретает особую актуальность на локальном/региональном уровне из-за синергетических эффектов, возникающих в результате территориальной близости производителей и потребителей инноваций» [Юревич, 2019, с. 86]. В работе С. А. Айвазяна и М. Ю. Афанасьева в научный оборот введено понятие «инновационное пространство» как «совокупность потенциальных связей между организациями, создающими новые знания, и инновационно активными предприятиями» [Aivazian, Afanasiev, 2015, p. 11].

Важным условием инновационного развития регионов страны является создание благоприятной институциональной среды генерирования инноваций, их трансфера и диффузии [Овчинников, Кетова, 2016; Рогова, 2014]. Аналогичной точки зрения придерживаются и другие российские исследователи. Например, О.А. Романова считает, что «наиболее успешны инновации в таких странах, где само их появление связано не столько со сложившимися конкретными социально-экономическими условиями, сколько с системой институтов, определяющих облик страны» [Романова, 2017, с. 284].

Роль институционального фактора в инновационном развитии регионов России подтверждается эмпирическими исследованиями. Так, в работе В. Н. Овчинникова и Н. П. Кетовой на примере 12 регионов из разных федеральных округов РФ статистическим методом установлено, что «формирование и развитие полноценной институционально-инновационной инфраструктуры в российской экономике является ключевым фактором, оказывающим влияние на активизацию инновационной деятельности субъектов региональной экономики» [Овчинников, Кетова, 2016, с. 540]. Такие результаты подтверждаются и другими авторами [Айвазян и др., 2017; Еферина и др., 2017]. Например, «установлена зависимость между результатами инновационной активности региона и количеством потенциальных связей между научными организациями и бизнес-компаниями. Обоснована возможность использования полученного параметрического описания национальной и региональной инновационных систем для межстрановых сопоставлений» [Айвазян и др., 2017, с. 29]. Другим научным коллективом эмпирическим путем было доказано, что «в долгосрочном периоде вложения в инновационную сферу дают дополнительный рост в сравнении с аналогичным объемом инвестиций в иные секторы экономики. То же справедливо и для налоговых преференций наукоемким предприятиям» [Макаров и др., 2016, с. 88].

В ходе проведения эмпирического исследования С. Земцов и его соавторы подтвердили три гипотезы: «Инновационная активность в России плохо поддается эконометрическому моделированию; человеческий капитал -- более важный фактор инновационной активности в России, чем затраты на исследования и разработки, ввиду их неэффективности; межрегиональный трансфер знаний оказывает влияние на инновационную активность» [Земцов и др., 2016, с. 30].

Важнейшим результатом проведенного исследования стало выявление ключевой роли человеческого капитала в создании инноваций. «Качественное и количественное наращивание человеческого капитала на 1 % ведет к интенсификации инновационного выпуска и активности -- в среднем на 0,5 %. В то же время увеличение различных форм финансирования на 1 % приводит к росту инновационного выпуска лишь на 0,05 %, т. е. повышение затрат на инновации и разработки в регионах России со слабым человеческим капиталом не приводит к пропорционально большей результативности инновационной деятельности» [Земцов и др., 2016, с.40]. Было установлено, что «рынок инноваций в России недостаточно развит, их финансирование неэффективно, а качество регистрируемых изобретений остается низким» [Земцов идр., 2016, с. 41].

Решением таких проблем является создание благоприятной бизнес-среды инновационно активных организаций, что подтверждает значение инновационной инфраструктуры для инновационного развития.

В макроэкономическом анализе, как правило, применяются два типа экономико-математических моделей -- балансовые и факторные [Суворов, 2015]. Балансовые модели описывают процессы формирования и использования производственных ресурсов, а также балансы межотраслевых связей. В факторных моделях представлены взаимосвязи: 1) темпов и факторов экономического роста (производственные функции); 2) масштабов потребления различных благ, услуг и уровня доходов населения (функции потребительского спроса); 3) масштабов и факторов формирования внешнеторгового оборота; 4) показателей материально-вещественной и финансовой структуры национальной экономики и т. д.

Работа [Кирилюк, 2017] посвящена обзору экономико-математических моделей для исследования экономики на мезоуровне. Отмечается, что поведение социально-экономических систем адекватно описывается классическими моделями (такими как модель межотраслевого баланса Леонтьева, теоретико-игровой подход) и относительно новыми моделями, применяющими математический аппарат систем нелинейных отображений или дифференциальных уравнений, а также различными имитационными моделями.

Для имитации поведения сложных социально-экономических систем в настоящее время наиболее адекватными инструментами признаны агент-ориентированные модели. Среди российских ученых лидирующие позиции в развитии этого направления занимает коллектив исследователей из ЦЭМИ РАН (Москва) под руководством академика РАН В. Л. Макарова и член-корреспондента РАН А.Р. Бахтизина. Анализ тематической научной литературы позволяет сделать вывод о том, что и искусственные нейронные сети также являются достаточно точным инструментом для имитации поведения сложных социально-экономических систем, включая инновационные системы на макро- и мезоуровне. В частности, в работе [Корепина, Чекмарева, 2017] представлены результаты сравнительного анализа нейросетевого и агент-ориентированного подходов к моделированию сложных социально-экономических систем по ряду критериев. Исследователи отмечают высокое качество прогнозирования при использовании таких подходов. Однако, несмотря на ряд преимуществ, и у нейросетевых технологий имеются недостатки (табл. 1).

Таблица 1. Нейросетевое прогнозирование: преимущества и недостатки

Составлено по: [Аюев и др., 2015; Белолипцев и др., 2015; Букаев и др., 2001; Корепина, Чекмарева 2017; Хайкин, 2006].

В исследовании [Бахтизин, Бахтизина, 2010] отражен опыт одновременного применения агент-ориентированного и нейросетевого подходов. Авторы рассматривают методологию построения гибридных агент-ориентированных моделей с применением искусственных нейронных сетей, что позволяет преодолеть недостатки известных методов математической формализации поведения агентов микроуровня. Впоследствии такой подход был апробирован при моделировании развития экономики региона (на примере Республики Башкортостан) с учетом эффективности пространства инноваций [Макаров и др., 2016].

Искусственные нейронные сети применяются учеными-исследователями для решения прикладных экономических задач (кластеризации и прогнозирования) в качестве самостоятельного адекватного и высокоточного инструмента моделирования поведения сложных социально-экономических систем.

В работе [Романова, Сиротин, 2017] нейросетевая модель используется для распознавания технологического образа регионального металлургического комплекса, т. е. систематизации прогнозных значений параметров, определяющих этапы перепозиционирования и формирования его нового (инновационного) технологического образа. Нейромоделирование производится авторами научной статьи в программном продукте Stati.sti.ka. В исследовании [Манасян, Чернов, 2013] с помощью нечеткой нейронной сети осуществляется рейтинговая оценка инновационного развития региона. Авторы разработали определенный алгоритм прогнозирования рейтинга инновационного развития региона с помощью нейросетевого подхода на основе ретроспективных динамических оценок в программном продукте Matlab.

В работах [Перова, Гончарова, 2015; Перова, Зайцева, 2017] задача кластеризации российских регионов, исходя из достигнутых результатов инновационной деятельности за определенный период времени, решается методом самоорганизующихся карт Кохонена в программных продуктах Matlab и Viscovery SOMine. В исследовании [Максименко, Новоселов, Пятковский, 2009], посвященном разработке интеллектуальной аналитической системы управления инновационным развитием региона, для оценки инновационного потенциала научно-технических организаций региона также применяется нейросетевой подход.

Таким образом, на основе тематических исследований российских и зарубежных авторов были уточнены основные факторы-драйверы, определяющие уровень инновационного развития субъектов РФ [Айвазян и др., 2017; Еферина и др., 2017; Земцов и др., 2016; Караяннис, Григорудис, 2016; Макаров и др., 2016; Овчинников, Кетова, 2016; Разак и др., 2016; Романова, 2017; Gackstatter, Kotsemir, Meissner, 2014]. К ним относятся человеческий капитал, институциональная среда, инновационная инфраструктура и различные формы господдержки бизнес-сообщества. Сочетание и взаимодействие данных факторов порождает синергетический эффект, проявляющийся в системодополняющем росте совокупного инновационного потенциала регионов России.

Очевидно, что методика оценки инновационного развития регионов России должна включать в себя эти факторы, и именно на улучшение их значений должны быть направлены программы повышения уровня инновационного развития регионов. При этом, опираясь на выводы исследований [Бахтизин, Бахтизина, 2010; Корепина, Чекмарева, 2017; Макаров и др., 2016; Максименко, Новоселов, Пятковский, 2009; Манасян, 2013; Перова, 2015; Перова, 2017; Романова, 2017], можно заключить, что искусственные нейронные сети являются современным эффективным инструментом управления (решения задачи кластеризации и прогнозирования) инновационным развитием российских регионов.

Проведенный в рамках настоящего обзора анализ исследований не является исчерпывающим по причине наличия достаточного большого количества работ. Важно отметить, что применение нейросетевого подхода, несмотря на моделирование в различных программных продуктах, позволяет адекватно решать прикладные экономические задачи с необходимой для ученого-исследователя высокой степенью точности.

Оценка, кластеризация и прогнозирование инновационного развития субъектов РФ: авторская методика