Инновационные производственные технологии на российских промышленных предприятиях

Размещено на http://www.allbest.ru/

Инновационные производственные технологии на российских промышленных предприятиях

С.П. Бурланков, С.А. Кузьмин, С.С. Солдатова

Аннотация

Актуальность и цели. В статье рассмотрены основные принципы разработки стратегии инновационного развития промышленных предприятий; проанализированы статистические данные, характеризующие общее состояние промышленности, а также уровень инновационной активности промышленных предприятий через анализ показателей регионов. Целью работы является выявление общих тенденций инновационного развития промышленных предприятий.

Материалы и методы. Авторы предлагают проводить оценку инновационного потенциала через две категории параметров: явные и латентные. Основой методики данного исследования является корреляционно-регрессионный анализ.

Результаты. Был выявлен общий тренд инновационного развития промышленности в регионах России. Представленные результаты могут использоваться для проведения региональной политики, направленной на реализацию Майских указов президента.

Выводы. Авторы статьи подчеркивают, что стратегия инновационного развития промышленных предприятий должна быть направлена на повышение конкурентоспособности высокотехнологичных товаров российского производства. При этом следует обратить внимание именно на те регионы, которые имеют наибольший нереализованный инновационный потенциал в промышленности.

Ключевые слова: инновационный потенциал, промышленные предприятия, регрессионный анализ, региональная политика.

Abstract

INNOVATIVE PRODUCTION TECHNOLOGIES AT RUSSIAN INDUSTRIAL ENTERPRISES

S.P. Burlankov, S.A. Kuz'min, S.S. Soldatova

Background. This article discusses the basic principles for the development of strategies for the innovative development of industrial enterprises; analyzed statistical data characterizing the general state of the industry, as well as the level of innovative activity of industrial enterprises through the analysis of regional indicators. The aim of the work is to identify the general trends of innovative development of industrial enterprises.

Materials and methods. The authors propose to assess the innovative potential through two categories of parameters: explicit and latent. The basis of the methodology of this study is the correlation and regression analysis.

Results. The authors identified a general trend of innovative industrial development in the regions of Russia. The presented results can be used to conduct a regional policy aimed at the implementation of the May Presidential decrees.

Conclusions. The authors of the article emphasize that the strategy of innovative development of industrial enterprises should be aimed at improving the competitiveness of high-tech products of Russian origin. At the same time, it is necessary to pay attention to those regions that have the largest unrealized innovative potential in industry.

Keywords: innovation potential, industrial enterprises, regression analysis, regional policy.

Сегодня важной проблемой является оценка уровня инновационности технологий на промышленных предприятиях. Нами предлагается проводить оценку инновационного потенциала через две категории параметров: явные и латентные. Так, явными являются те параметры, которые непосредственно включены нами в инновационный потенциал. К таким параметрам относятся, к примеру, количество используемых передовых производственных технологий. Очевидно, что чем больше таких технологий используется, тем выше инновационный потенциал.

Латентными параметрами являются те, которые не включены в инновационный потенциал, но при этом существует возможность того, что они также влияют на него. К таким параметрам может относиться численность населения территории: есть гипотеза о том, что чем больше численность населения, тем больше вероятность появления талантливых инженеров и ученых, которые уже напрямую влияют на инновационный потенциал. инновационный российский промышленный предприятие

Из табл. 1 видно, что наиболее ощутимая связь глобального инновационного индекса наблюдается с индексом восприятия коррупции (чем выше индекс восприятия, тем меньше коррупции в стране). При этом связь - прямая, что подтверждает теорию о том, что коррупция негативно отражается на инновационном развитии государства. Примечательно то, что среди исследуемых показателей наиболее низкое место в рейтинге у России именно по данному показателю. Таким образом, это определяющий латентный фактор, который негативно влияет на ее инновационное развитие.

Проведя регрессионный анализ средствами пакета анализа MSExcel, мы выяснили зависимость глобального инновационного индекса от индекса восприятия коррупции при достоверности аппроксимации, равной 0,73:

y = 0,54х + 11,6.

Таким образом (если абстрагироваться от прочих факторов), для того чтобы достичь значения инновационного индекса, равного 60, России необходимо увеличить индекс восприятия коррупции до (60 - 11,6) / 0,54 = 89,6 (уровень лидера Новой Зеландии); для 50 необходимо увеличить уровень восприятия до (50 - 11,6) / 0,54 = 71,1 (22-е место). Однако следует учесть, что индекс восприятия коррупции сообщает только об отношении общественности к коррупции, а не о ее реальных размерах. Поэтому проблема может также крыться в поведении экономических агентов, определяемом их пессимистичным коррупционным мышлением, которое демотивирует стремление к новациям.

Таблица 1

Оценка тесноты связи латентных параметров и показателя инновационного развития

Инновационное развитие России является неотъемлемой частью ее экономического развития. В связи с этим оценка первого требует к себе особого внимания. В данной работе мы выделим несколько составляющих инновационного развития и оценим их. Такими составляющими являются:

- материальная составляющая инновационного потенциала России через внутренние затраты на научные исследования и разработки;

- интеллектуальная составляющая инновационного потенциала России через численность и структуру персонала, занятого исследованиями и разработками [3];

- результаты инновационной деятельности в России через объем инновационной продукции и разработанные передовые производственные технологии (далее - ППТ).

Показатели взяты из статистического сборника «Регионы России» [4].

Говоря о структуре внутренних текущих затрат на исследования и разработки, необходимо отметить, что она фактически осталась неизменной с 2012 г. Это говорит о том, что антироссийские санкции практически не повлияли на нее. По видам затрат доминирующей статьей расходов являются затраты на оплату труда (47 %), а по видам работ большая часть затрат приходится на инвестиции в конкретные разработки (65 %). На исследовательские программы, способные обеспечить высокие темпы инновационного развития в долгосрочной перспективе, средств уделяется гораздо меньше.

В структуре персонала, выполняющего исследования и разработки, отмечается высокая доля исследователей (51,3 %). Меньше всего в структуре персонала техников (8,4 %).

Рассмотрим интеллектуальную составляющую инновационного потенциала России, представленную динамикой численности исследователей с 2009 по 2015 г. (табл. 2). В стране наблюдается волнообразное изменение числа исследователей, в целом не влияющее на их структуру. При этом можно заметить одну негативную особенность в исследуемом периоде: прирост исследователей с учеными степенями доктора наук (за исключением 2010 и 2014 гг.) и кандидата наук ниже количества людей, получивших степень в этот же год. Особенно остро эта разница ощутима в ситуации с кандидатами наук. Дело в том, что многие из получивших ученую степень, которая подразумевает статус профессионального ученого-исследователя, не могут или не желают заниматься исследованиями.

В качестве основных результатов инновационной деятельности России мы выделяем количество разработанных и используемых передовых производственных технологий, а также выпуск инновационной продукции (табл. 3). Эти два показателя тесно связаны между собой. Так, коэффициент корреляции (полученный по данным с 2005 по 2016 г.) между разработанными ППТ и объемом инновационной продукции равен 0,9887.

При этом результаты инновационной деятельности оставляют желать лучшего. Так, разница между количеством используемых передовых производственных технологий (даже разработанных в течение длительного срока) и разработанных чрезвычайно большая (примерно в 150-160 раз за период с 2009 по 2016 г.), что говорит о явном доминировании заимствованных технологий в стране и нехватке собственных.

Таблица 2

Количество и состав исследователей, чел.

Таблица 3

Динамика передовых производственных технологий в российских промышленных предприятиях, шт.

Проведенный нами корреляционный анализ показал высокую зависимость результатов инновационной деятельности от финансовых вложений (более 0,96 - для объема инновационной продукции и более 0,93 - для количества разработанных ППТ), а также от количества высококвалифицированных интеллектуальных кадров (около 0,88 - для объема инновационной продукции и около 0,91 - для количества разработанных ППТ). А вот между количеством вспомогательного и прочего персонала и инновационным развитием - связь обратная (-0,83 и -0,86 соответственно). В целом общая численность персонала, занятого в НИОКР, также обратная (-0,72 и -0,76 соответственно). Этим объясняется увеличение автоматизированных вспомогательных процессов.

Говоря об инновационном развитии, нельзя не отметить и его институциональную составляющую, представленную в нашем исследовании Стратегией инновационного развития РФ до 2020 г. (далее - Стратегия) [2], утвержденной Распоряжением Правительства от 8 декабря 2011 г. № 2227-р. Она разработана на основе положений Концепции долгосрочного социальноэкономического развития Российской Федерации на период до 2020 г. и призвана ответить на стоящие перед Россией вызовы и угрозы в сфере инновационного развития. В рамках данной Стратегии выделяется 12 целевых показателей, которых планировалось достичь к 2013, 2016 и 2020 гг. Данные по некоторым из них не отслеживаются, поэтому мы рассматривали лишь 10 из них. Прогнозированию поддаются только семь показателей (табл. 4). Серым цветом показаны недостигнутые (реально или по прогнозу) плановые показатели Стратегии.

В результате мы выяснили, что к 2013 г. было выполнено лишь четыре из 10 показателей, а к 2016 г. ни один показатель не достиг плановой отметки. Через прогноз по полиномиальному тренду третьей степени (один показатель был спрогнозирован методом экстраполяции из-за низкой достоверности аппроксимации) было выявлено, что к 2020 г. будут выполнены лишь два исследуемых показателя: доля инновационных товаров, работ, услуг в общем объеме экспорта организаций промышленного производства и интенсивность затрат на технологические инновации организаций промышленного производства (они же были выполнены в 2013 г.). Это говорит о низкой конкурентоспособности инновационной системы страны.

Тем не менее данный вопрос требует дальнейшего исследования, в частности анализа факторов инновационного развития и мер по повышению эффективности инновационной системы страны, что найдет свое отражение в дальнейших работах.

Таким образом, чтобы оценить инновационный потенциал предприятия, необходимо оценить инновационное развитие его среды. В нашем случае мы рассматривали инновационное развитие России и пришли к следующим выводам:

- большая часть затрат, связанных с инновациями, приходится на оплату труда сотрудникам, занимающимся конкретными разработками. На исследовательские программы, способные обеспечить высокие темпы инновационного развития в долгосрочной перспективе, средств уделяется гораздо меньше;

- разница между количеством используемых передовых производственных технологий (даже разработанных в течение длительного срока) и разработанных - чрезвычайно большая, что говорит о явном доминировании заимствованных технологий в стране и нехватке собственных;

Таблица 4

Динамика и прогноз показателей Стратегии инновационного развития РФ до 2020 г.*

Примечание. * - прогноз выполнен средствами MSExcel через уравнение полиномиального тренда третьей степени; ** - прогноз выполнен методом экстраполяции из-за низкой достоверности аппроксимации.

- как показал корреляционный анализ, зависимость результатов инновационной деятельности от финансовых вложений, а также от количества высококвалифицированных интеллектуальных кадров высока. А вот между количеством вспомогательного и прочего персонала и инновационным развитием - связь обратная. Этим объясняется увеличение автоматизированных вспомогательных процессов;

- большинство показателей Стратегии инновационного развития РФ до 2020 г. не выполняется, что говорит о низкой конкурентоспособности инновационной системы страны.

Проведем анализ эффективности затрат на технологические инновации в Российской Федерации графическим способом. За основу возьмем два сопоставимых показателя:

- совокупные затраты на технологические инновации за 2011-2015 гг. (исключая Республику Крым, Республику Ингушетию и Чеченскую Республику, а также г. Севастополь, так как по этим регионам отсутствует полная информация за представленный период) - показатель-причина;

- выпуск инновационной продукции в 2016 г. - показатель- следствие.

Представим данные показатели в разрезе субъектов РФ. Средствами MSExcel сформируем график (рис. 1), на котором по оси абсцисс будут представлены совокупные затраты на технологические инновации за 2011-2015 гг. в субъектах РФ, а на оси ординат - выпуск инновационной продукции в 2016 г. по субъектам РФ.

Рис. 1. Графическое соотношение затрат на инновации и выпуска инновационной продукции по субъектам РФ, тыс. руб.

Как видно из рис. 1, существует некая положительная зависимость между объемом финансовых вложений в технологические инновации и выпуском инновационной продукции. Об этом говорит плавно восходящая пунктирная кривая на графике, которая является линией тренда, выраженного полиномиальной функцией второй степени. Достоверность аппроксимации Я2 равна 0,8843. График частично искажает сильное различие между регионами: точка в правом верхнем углу (г. Москва) слишком отдалена от остальной совокупности точек, что говорит о сильной дифференциации региона, который представляет собой отдельный кластер.

Стоит обратить внимание на то, что некоторые точки расположены слишком далеко от линии тренда, и поэтому они исключаются из характерной для российских регионов регрессионной модели, отражающей исследуемую зависимость. Они будут искажать регрессионную модель, поэтому мы выявим пороговые значения этих отклонений и исключим показатели, находящиеся за их пределами.

Для решения данной задачи мы предлагаем применить аппроксимационный метод. Введем понятие «аппроксимационный коэффициент». Аппроксимационный коэффициент - это число, на которое требуется умножить и поделить значения линии тренда, чтобы определить приемлемые пороговые значения для разграничения показателей на соответствующие регрессионной модели (уравнению линии тренда) и не соответствующие ей.

Выделим два аппроксимационных коэффициента:

- аппроксимационный коэффициент первого порядка равен величине достоверности аппроксимации (в нашем случае 0,8843). Те значения, которые войдут в определенные аппроксимационным коэффициентом первого порядка пороговые значения, назовем ультранормальными. Они в наибольшей мере соответствуют общему тренду. Если данных значений будет меньше половины всей выборки (в нашем случае представлен 81 субъект), то следует использовать коэффициент второго порядка;

- аппроксимационный коэффициент второго порядка соответствует такому максимальному числу, при котором определяемые пороговые значения смогут охватить больше половины выборки (в нашем случае в эти значения должны попасть минимум 42 субъекта). Здесь, помимо уль- транормальных значений, добавляются умеренно нормальные. Они также достаточно близки к общему тренду. В нашем случае аппроксимационный коэффициент второго порядка равен 0,4 (под пороговые значения попали 44 субъекта).

Значения, которые не войдут в порог, называются девиантными. Они значительно отклоняются от линии тренда. Исключим эти значения и построим новый график с нормальными и ультранормальными значениями (рис. 2): на оси абсцисс - совокупные затраты на технологические инновации за 2011-2015 гг. в субъектах РФ, тыс. руб.; на оси ординат - выпуск инновационной продукции в 2016 г. по субъектам РФ, тыс. руб. Линия тренда представлена полиномиальной функцией второй степени.

Уравнение тренда примет следующий вид:

Данное уравнение отражает зависимость между финансовыми затратами на технологические инновации и выпуском инновационной продукции. В нашем исследовании мы подразумеваем, что затраты на технологические инновации следует брать в совокупности за пять периодов, предшествующих результативному периоду, так как затраты носят кумулятивный и в то же время отложенный эффект. Вычислим производную функции:

Рис. 2. Нормализованное графическое соотношение затрат
на инновации и выпуска инновационной продукции по субъектам РФ

Примечательно, что при любом положительном значении х (отрицательными затраты быть не могут) функция будет расти, причем с увеличением числа затрат будут увеличиваться темпы роста выпуска инновационной продукции. Это значит, что регионы еще не достигли такого уровня финансирования, при котором рост выпуска инновационной продукции замедлится.

Найдем отношение амплитуды затрат на технологические инновации и амплитуды выпуска инновационной продукции. Крайними по значениям субъектами выступают Республика Адыгея и г. Москва:

Полученный результат незначительно выше единицы. Это означает, что в среднем на каждый рубль, затраченный на технологические инновации, приходится 1,067 руб. выпущенной инновационной продукции. Получается, что мультипликативного эффекта либо нет, либо его период слишком большой.

Рассмотрим девиантные значения. В нашем исследовании их количество равно 33. Иными словами, 33 субъекта РФ сильно отличаются от общей тенденции взаимозависимости затрат на технологические инновации и выпуска инновационной продукции. На диаграмме показано соотношение ультранормальных, умеренно нормальных, позитивно девиантных и негативно девиантных значений (рис. 3).

Заметно преобладание негативно девиантных над ультранормальными и позитивно девиантными значениями, что говорит о том, что достаточно большая часть регионов используют затраты намного неэффективнее, чем это предполагается общей тенденцией использования данной категории затрат.

Наиболее эффективными в соотношении затрат и результатов являются Брянская, Белгородская, Тюменская области без автономных округов и Удмуртская Республика. По нашему мнению, эти регионы могли бы показывать высокие темпы инновационного развития, если бы региональные власти уделяли этому больше внимания.

Рис. 3. Соотношение значений по степени отклонения от тренда

Наиболее эффективными в соотношении затрат и результатов являются Брянская, Белгородская, Тюменская области без автономных округов и Удмуртская Республика. По нашему мнению, эти регионы могли бы показывать высокие темпы инновационного развития, если бы региональные власти уделяли этому больше внимания.

Библиографический список

1. Мировой атлас данных. - URL: http://knoema.ru

2. Индекс восприятия коррупции. - URL: https://transparency.org.ru

3. Скворцова, В. А. Интеллектуальный капитал в условиях становления постиндустриальной экономики : автореф. дис. ... д-ра экон. наук / Скворцова В. А. ; Моск. гос. обл. ун-т. - Пенза, 2004. - 49 с.

4. Федеральная служба государственной статистики : офиц. сайт / Росстат. - иЯЬ: http://www.gks.ru

References

1. Mirovoy atlas dannykh [World data atlas]. Available at: http://knoema.ru [In Russian]

2. Indeks vospriyatiya korruptsii [Corruption perception index]. Available at: https://transparency.org.ru [In Russian]

3. Skvortsova V. A. Intellektual'nyy kapital v usloviyakh stanovleniya postindustrial'noy ekonomiki: avtoref dis. d-ra ekon. nauk [Intellectual capital at the establishment of postindustrial economy: author's abstract of dissertation to apply for the degree of the doctor of economic sciences]. Penza, 2004, 49 p. [In Russian]

4. Federal'naya sluzhba gosudarstvennoy statistiki: ofits. sayt. Rosstat. [Federal Service of State Statistics: official website of Rosstat] Available at: http://www.gks.ru [In Russian]

Размещено на Allbest.ru