Моделирование показателей человеческого потенциала в контексте инновационно-технологического развития страны (на примере стран АТР)

В настоящее время инновации являются одним из механизмов обеспечения экономического роста страны. Именно инновации ведут к обновлению рынков, улучшению качества и расширению ассортимента товаров и услуг, созданию новых методов производства, сбыта продукции, повышению эффективности управления. Обеспечение качественного роста возможно при наличии особых условий, которые бы активизировали и усилили инновационную составляющую. Влияние инноваций на развитие национальных экономик стало стимулом для разработки развитыми странами комплекса мер, направленных на развитие инновационной деятельности. Безусловно, прогресс в области инноваций может быть обеспечен только за счет человека, его способностей и возможностей.

Как справедливо отметил Н.О. Эминов в своем исследовании, посвященном оценке инновационного аспекта экономического роста: «Обеспечение качественного роста возможно при наличии особых условий, которые бы активизировали и усилили инновационную составляющую»30. Влияние инноваций на развитие национальных экономик стало стимулом для разработки развитыми странами комплекса мер, направленных на развитие инновационной деятельности. В частности, в работе Н.О. Эминова было отмечено: «Сегодня перед странами стоит задача повысить качество экономического роста, стать страной, обеспечивающей такой рост не только за счет сырьевых отраслей и экспорта их продукции, но и за счет наукоемких факторов, сформировать экономику инновационного типа, сделать инновации ключевым факто- ром экономического роста» . Достижение поставленных целей, безусловно, невозможно без развития человеческого потенциала. Поскольку именно человек является ключевым фактором, обеспечивающим инновационное развитие страны.

Выявление факторов, оказывающих существенное влияние на инновационное развитие страны, определяется необходимостью разработки стратегий, стимулирующих инновационную деятельность в экономике. Как отметил Т.А. Штерцер в своем исследовании, посвященном выявлению детерминант инновационной активности региона, инновационная деятельность состоит из последовательных трех укрупненных этапов[1] [2] [3]:

  • - изобретение - разработка новых научных, технических идей и решений;
  • - инновация - внедрение изобретения в производство и на рынок;
  • - диффузия - распространение инновации во времени и в пространстве.

При этом стоит отметить, что количественная оценка объемов и эффективности инновационного развития представляется достаточно затруднительной в виду ограниченности статистической информации в региональном и страновом аспектах. Основным измерителем инновационной активности в зарубежной экономической литературе выступает число заявок на патенты, для сравнения в некоторых российских исследованиях используется показатель - число инновационно-активных предприятий. Таким образом, выбор показателя в качестве измерителя инновационной активности остается на выбор исследователя.

Мы согласимся с мнением зарубежных исследователей, поскольку патенты более точно отражают состояние научно- исследовательского сектора, как основного источника новых знаний и инноваций, чем количество инновационно-активных предприятий. Именно число поданных патентных заявок отражают эффективность деятельности инновационно-активных предприятий. Безусловно, инновационная активность предприятий оказывает влияние на инновационное развитие страны и ее регионов и предопределяется огромным числом факторов.

Выбор факторов, оказывающих влияющих на инновационное развитие страны проводилось с помощью методов регрессионного анализа. В качестве основной модели была выбрана модель с фиксированной ошибкой, поскольку выборка не является случайной, а также есть вероятность наличия сильной корреляции между индивидуальными особенностями страны и регрессорами.

Регрессионное уравнение оценивалось по 41 стране Азиатско- Тихоокеанского региона в период 2008-2013 гг. (246 наблюдений). В выборку не были включены КНДР, Науру, Тувалу, Маршалловы острова и Палау в виду отсутствия данных ряда показателей. Информационной базой исследования послужили статистические данные из базы World Bank.

В качестве зависимой переменной, характеризующей инновационную активность страны в настоящем исследовании, было использовано число поданных заявок на патенты резидентами и нерезидентами, рассчитанных на 100 тыс. населения (Patent).

В качестве регрессоров были рассмотрены следующие показатели:

  • - Валовой показатель охвата населения высшим образованием, в процентах (EDU_H). Данный показатель, отражающий уровень образования населения страны, является характеристикой человеческого потенциала.
  • - ВВП на душу населения, по ППС в международных долларах (GDPpc). Данный показатель отражает социально-экономическое развитие страны.
  • - Государственные расходы на образование, в процентах ВВП (EDUGDP). Показатель отражает социально-экономическое развитие страны.
  • - Расходы на НИОКР, в процентах ВВП (RgD). Показатель отражает объемы финансирования НИОКР.
  • - Импорт высокотехнологичных товаров, в процентах от импорта товаров (1МР_НТ). Показатель характеризует влияние внешнеэкономической деятельности на инновационно-технологическое развитие страны.
  • - Инженеры в секторе НИОКР, на 1 млн. человек (TECH RgD). Показатель отражает качество человеческого потенциала.
  • - Исследователи в секторе НИОКР, на 1 млн. человек (RESRgD). Показатель отражает качество человеческого потенциала.
  • - Коэффициент демографической нагрузки, количество человек в возрасте 0-14 и 65+ на 100 человек в возрасте 15-64 (TDR). Показатель человеческого потенциала для характеристики возрастной структуры населения.
  • - Государственные и частные расходы на здравоохранение, в процентах ВВП (HEALTH GDP). Показатель, характеризующий развитие человеческого потенциала, поскольку каждому человеку необходимы различные мероприятия, направленные на поддержание здоровья.
  • - Ожидаемая продолжительность жизни при рождении, лет (LEB). Показатель характеризует человеческий потенциал.
  • - Прямые иностранные инвестиции, чистый отток, в процентах ВВП (INV OUT). Показатель отражает инвестиционную привлекательность страны.
  • - Уровень безработицы, в процентах (U_EMPL). Показатель для характеристики человеческого потенциала.
  • - Экспорт высокотехнологичных товаров, в процентах от промышленного экспорта (ЕХ_НТ). Показатель характеризует влияние внешнеэкономической деятельности на инновационнотехнологическое развитие страны.
  • - Прямые иностранные инвестиции, чистый приток, в процентах ВВП (INV IN). Показатель отражает инвестиционную привлекательность страны.
  • - Информационно-коммуникационные услуги. Защищенные интернет сервера, на 1 млн. человек (ITSERV). Показатель характеризует доступ человека к информационным ресурсам.
  • - Статьи в научных и технических журналах, количество (SAJ). Показатель отражает качество человеческого потенциала.
  • - Интернет-пользователи, на 100 человек (1T_US). Показатель характеризует доступ человека к информационным ресурсам.

Как ранее было отмечено, апробация регрессионной модели проводится по данным стран Азиатско-Тихоокеанского региона. Очевидно, что в странах АТР наблюдается достаточно высокая дифференциация как по показателям, характеризующим социально-экономическое развитие, так и по показателям инновационно-технологического развития. В рамках настоящего исследования, предполагается разделить страны АТР на однородные группы по всем показателям, описанным выше.

На основании предложенного набора показателей, характеризующих уровень инновационно-технологического развития страны, реализована многомерная группировка стран Азиатско- Тихоокеанского региона, которая проводилась с использованием пакета IBM SPSS Statistics по иерархической схеме методом Варда (Ward'smethod), критерием объединения, в котором является метрика города (City-block (Manhattan) distances).

В результате кластерного анализа, страны АТР будут разделены на однородные группы по уровню инновационного развития. В этой связи целесообразным представляется введение в модель фиктивной переменной, которая позволит учитывать специфику каждой страны. Представим спецификацию стран (принадлежность страны к определенному кластеру) бинарными признаками (рисунок 19).

Замена качественных параметров регрессионной модели бинарными признаками

Рисунок 19 - Замена качественных параметров регрессионной модели бинарными признаками.

Учитывая вышеизложенное, базовая регрессионная модель имеет вид (формула 10):

где а, р, р - параметры уравнения;^; - остаток; знаки при переменных указывают на направление связи.

На основании ранее предложенного набора показателей инновационного развития, была реализована многомерная группировка стран АТР за 2008-2013 гг., результаты которой представлены в таблице 14.

Таблица 14 - Группировка стран АТР по уровню инновационно- технологического развития в 2008 и 2013 гг._

Итоги кластеризации на начало исследуемого периода (2008 год)

Итоги кластеризации на конец исследуемого периода (2013 год)

Кластер А

Австралия, Канада, Новая Зеландия, Республика Корея, Япония, Сингапур, Гонконг, США

Австралия, Канада, Новая Зеландия, Республика Корея, Япония, Сингапур, Гонконг, США

Кластер В

Бруней, КНР, Россия, Макао, Малайзия, Мексика, Таиланд, Чили, Панама

КНР, Коста-Рика, Макао, Малайзия, Мексика, Россия, Таиланд, Чили, Монголия

Кластер С

Коста-Рика, Вьетнам, Индия, Индонезия, Колумбия, Монголия, Перу, Фиджи, Эквадор, Филиппины

Бруней, Индия, Индонезия, Колумбия, Панама, Перу, Сальвадор, Фиджи, Филиппины, Вьетнам, Эквадор

Кластер D

Вануату, Гватемала, Гондурас, Камбоджа, Микронезия, Папуа-Новая Гвинея, Самоа, Соломоновы острова, Восточный Тимор, Сальвадор, Никарагуа, Тонга, Непал, Шри-Ланка, Бангладеш

Вануату, Гватемала, Гондурас, Камбоджа, Микронезия, Никарагуа, Папуа-Новая Гвинея, Самоа, Соломоновы острова, Восточный Тимор, Шри- Ланка, Бангладеш, Непал, Тонга

В кластер А в 2013 г. вошли 8 стран АТР (19% общего числа). Данный кластер сформирован странами-лидерами по показателям инновационного развития. В странах данной группы показатель среднедушевого ВВП составил 48054,53 международных долларов по ППС, что говорит о достаточно высоком уровне социально-экономического развития стран. Показатели, характеризующие интеллектуальный потенциал, также находятся на высоком уровне: охват населения высшим профессиональным образованием в среднем по странам группы составил 68%, в среднем на 1 млн. человек населения приходятся 819 и 4946 инженеров и исследователей в секторе НИОКР соответственно. Количество публикаций в научных журналах по итогам 2013 г. составило в среднем 43233,6. В странах данной группы в среднем было подано 192 заявки на патенты на 100 тыс. человек населения. Все это безусловно говорит о высоких показателях инновационной активности стран, вошедших в состав данного кластера. За рассматриваемый период состав группы не изменился.

В состав кластера В по итогам 2013 г. вошли 9 стран АТР (21% общего числа). Страны данной группы занимают «серединное» положение относительно стран остальных кластеров. В странах кластера В наблюдались достаточно высокие значения показателя душевого ВВП и в среднем составил 26465,91 долл. США по ППС (в международных долларах), что характеризует их как страны с благополучным уровнем и качеством жизни населения. Что касается значения ключевого показателя, характеризующего инновационное развитие, то в данной группе стран число поданных заявок на патенты в среднем составляет 20,8 на 100 тыс. человек населения. В странах кластера В в 2013 г. наблюдалась высокая доля импорта высокотехнологичных товаров - в среднем 13,5% от импорта всех товаров. При этом здесь также отмечалась и высокая доля экспорта высокотехнологичных товаров и составил в среднем 20,1% промышленного экспорта, преимущественно за счет Коста-Рики (43,3%) и Малайзии (43,6%). На поддержку образования и НИОКР государствами в 2013 г. выделялись в среднем по 4,6 и 0,8% ВВП соответственно. В группе кластера В средний охват населения высшим образованием составил около 53,5%. За период 2008-2013 гг. количественный состав кластера В изменился незначительно: из состава группы вышел Бруней и переместился в кластер С, в то время как, улучшив свои по-зиции, Коста-Рика вошла в состав данного кластера В. Таким образом, страны кластера В занимают второе место по уровню инновационного развития и интеллектуального потенциала в сравнении в остальными однородными группами стран Азиатско- Тихоокеанского региона.

В группу кластера С вошли в 2013 г. 11 стран АТР (26% общего числа стран, участвующих в исследовании). Основной характеристикой стран, вошедших в состав данного кластера, является уровень инновационного развития ниже среднего. Об этом свидетельствуют невысокие число поданных заявок на патенты - 2,4 в среднем на 100 тыс. населения, количество статей в научных журналах - 2226, а также невысокая численность инженеров и исследователей в секторе НИОКР - 106 на 1 млн. человек населения. В странах кластера С экспорт высокотехнологичных товаров превышает их импорт и в среднем по группе данное превышение составило 20% (за исключением Колумбии, Перу, Панамы и Эквадора). Государственные расходы на образование в странах данной группы составили в среднем 3,7% ВВП, однако стоит отметить, что лидером по значению данного показателя выступает Вьетнам

- 6,6% ВВП. Государственные затраты на НИОКР более стабильны и в среднем по группе варьируются в пределах 0,2% ВВП. Уровень социально-экономического развития стран кластера С отличается от стран остальных кластеров и характеризуется как более или менее стабильный. Значение душевого ВВП стран данной группы в среднем составляет 16330,4 долл. США по ППС (международных долларов), что почти в 2 раза ниже среднего значения по группе стран АТР кластера В. Валовой охват населения высшим образованием в среднем по группе составил 32,1%, наряду с этим здесь также отмечается и низкое значение показателя интернет-пользователей - 40 человек на 100 человек населения. За период 2008-2013 гг. в составе стран кластера С произошли некоторые изменения: по итогам 2008 г. в состав группы входили 10 стран, за рассматриваемый период Коста-Рика и Монголия, улучшив рейтинги по части показателей, характеризующих инновационное развитие, переместились в группу стран кластера В. При этом негативная тенденция снижения показателей инновационной активности была отмечена в Брунее (число поданных заявок на патенты за рассматриваемый период снизился с 19,7 до 2,6 единиц (на 100 тыс. населения), также снижение наблюдалось и по показателю публикационной активности. Таким образом, уровень инновационного развития стран кластера С можно охарактеризовать как ниже среднего.

В 2013 г. В состав кластера D 14 стран АТР (34% общего числа). Страны данного кластера значительно отличаются от всех остальных кластеров по уровню инновационного развития, а также по показателям человеческого потенциала. В данной группе отмечены самые низкие показатели инновационной активности населения (число поданных патентных заявок составило в среднем 0,980 на 100 тыс. человек населения; число публикаций в научных журналах также находится на самом низком уровне в сравнении с остальными кластерами и составило 10 единиц). В данной группе также наблюдается самый низкий охват населения высшим образованием и в среднем составил 12,9%, самая низкая численность исследователей и инженеров в секторе НИОКР. В странах кластера D отмечен самый высокий уровень безработицы (в среднем по странам составил 11,3%) относительно остальных кластеров, а также самый низкий показатель душевого ВВП - 4729,1 международных долларов по ППС. За рассматриваемый период состав кластера незначительно изменился, за счет перехода Сальвадора в состав группы стран с более лучшими показателями инновационного развития. Таким образом, страны кластера D характеризуются как страны с самым низким уровнем инновационного и человеческого развития в Азиатско-Тихоокеанском регионе.

Результаты кластеризации показывают высокую степень дифференциации стран АТР по уровню инновационного развития, это обусловлено рядом факторов: географическим положением стран, природно-климатическими условиями, развитием экономики и рынка труда, демографическими и социальными характеристиками.

На основании вышеизложенного была построена регрессионная модель, описывающая взаимность факторов, определяющий инновационное развитие в контексте человеческого потенциала. В результате корреляционного анализа было выявлены сильноррелируемые между собой факторы. Наличие линейной зависимости между независимыми факторами в регрессионной модели приводит к одному из основных препятствий эффективного применения множественного регрессионного анализа - мультиколлинеарности. Для исключения эффекта мультиколлинеарности, а также с целью снижения размерности исходных показателей в настоящем исследовании реализован факторный анализ методом главных компонент в программной среде SPSS (таблица 15).

Таблица 15 - Значение главных компонент и доля дисперсии признаков

Номер

компоненты

Обозначениеглавной

компоненты

Собственное

значение

главной

компоненты

Доля объясненной дисперсии, %

Кумулятивная доля объясненной дисперсии, %

1

F,

6,003

42,343

42,343

2

f2

3,256

19,991

62,334

3

F3

1,789

12,855

75,189

Источник: рассчитано авторами.

Из таблицы 16 видно, что собственные значения первых трех главных компонент превышают значение единицы, таким образом, они сохраняются для дальнейшего анализа. При этом, они объясняют 75,189% дисперсии исходных признаков.Для определения состава главных компонент, а также для выявления корреляционной зависимости факторов и главных компонент построим матрицу факторных нагрузок. Знак факторных нагрузок определяет направление связи (таблица 16).

Таблица 16 - Матрица факторных нагрузок главных компонент

Показатели

Компонента

F,

f2

F3

EDU Н

0,771

0,225

0,144

GDPpc

0,718

0,057

-0,224

EDU GDP

0,038

0,030

0,947

RgD

0,730

0,351

0,028

IMP HT

0,242

0,750

-0,183

TECH RgD

0,852

0,150

0,154

RES RgD

0,819

0,207

0,093

TDR

-0,685

-0,020

0,084

HEALTH GDP

0,107

0,443

0,592

LEB

0,715

0,147

-0,052

INV OUT

0,716

0,021

-0,145

U EMPL

-0,038

-0,050

-0,946

EXHT

0,140

0,923

0,067

INV IN

0,863

-0,097

0,079

IT SERV

0,063

0,710

0,018

SAJ

0,278

0,807

-0,016

ITUS

0,909

0,170

0,018

Источник: рассчитано авторами.

Из таблицы 16 видно, что в первую главную компоненту вошли показатели, отражающие уровень человеческого развития: валовой показатель охвата населения высшим образованием; ВВП на душу населения; затраты на НИОКР; инженеры в секторе НИОКР; исследователи в секторе НИОКР; коэффициент демографической нагрузки на трудоспособное население; ожидаемая продолжительность жизни при рождении; прямые иностранные инвестиции (чистый отток); прямые иностранные инвестиции (чистый приток); интернет-пользователи.

Условно первую компоненту (Fi) можно назвать как «Фактор человеческого потенциала»: ВВП на душу населения - отражает уровень материального благополучия, валовой охват населения высшим профессиональным образованием - уровень грамотности, ожидаемая продолжительность жизни при рождении - уровень социального благополучия. При этом стоит также отметить, что данные показатели входят в интегральный показатель - Human Development Index, согласно методологии ООН. В состав данного показателя также вошли индикаторы, характеризующие численность специалистов в секторе НИОКР. Коэффициент демографической нагрузки отражает уровень старения населения, а также численность населения в трудоспособном возрасте с накопленным уровнем потенциала. Прямые иностранные инвестиции также играют особую роль в формировании человеческих возможностей, поскольку целенаправленные вложения капитала в различные сферы и отрасли способствуют улучшению благосостояния населения. Подавляющее большинство показателей связаны с первой главной компонентой прямой корреляционной зависимостью, т.е. при увеличении значений данных показателей, согласно расчетам, компонента изменяет свое значение в сторону увеличения, за исключением коэффициента демографической нагрузки, что говорит о снижении значения компоненты при росте данного показателя. Доля вариации первой главной компоненты составила 41,714%.

В состав второй главной компоненты (F2), доля вариации которой составила 20,642%, вошли показатели, характеризующие инновационное развитие страны, поэтому ее условно назовем «Фактор инновационного потенциала»:импорт высокотехнологичных товаров; экспорт высокотехнологичных товаров; информационнокоммуникационные услуги; защищенные интернет-сервера в расчете на 1 млн. человек населения; статьи в научных и технических журналах. Показатели, входящие во вторую главную компоненту, имеют прямую корреляционную зависимость, что говорит об увеличении F2 при росте обуславливающих ее факторов.

В состав третьей главной компоненты (F3) вошли: государственные расходы на образование; общие расходы на здравоохранение; уровень безработицы. На долю вариации F3 приходится 13,381%. Показатели третьей главной компоненты, в большинстве своем, можно охарактеризовать как факторы, способствующие (препятствующие) развитию возможностей (потенций) человека, что безусловно окажет положительный эффект и на уровень инновационного развития. Государст- венные расходы на образование и расходы на здравоохранение имеют положительную корреляционную связь с компонентой; уровень безработицы - отрицательную. При этом, мероприятия по снижению уровня безработицы и сокращению напряженности на рынке труда, проводимые государством в той или иной стране, безусловно, повлияют на темпы экономического роста, что повлечет за собой повышение уровня и качества жизни населения в стране и. естественно, благоприятным образом скажется на развитии человеческих способностей и инновационного мышления. Все вышеперечисленное окажет существенное влияние в долгосрочной перспективе и на уровень инновационного развития страны.

Таким образом, в исследовании выделены три общих фактора: «Фактор человеческого потенциала», характеризующий благополучие человека (население) и реализацию его возможностей. «Фактор инновационного потенциала», который характеризует результаты инновационной деятельности в стране. «Фактор реализации человеческих возможностей» характеризует потенциальные возможности для самореализации человека, а также возможные угрозы, препятствующие благополучному человеческому развитию. При этом стоит особо отметить, что на фактор человеческого потенциала приходится наибольшая доля вариации, что говорит о большем вкладе данной компоненты в общей вариации признаков. Это еще раз доказывает тот факт, что только человеческий фактор может обеспечивать в долгосрочной перспективе устойчивое инновационно-технологическое развитие любой страны.

Далее, в исследовании целесообразным считается определение взаимосвязи между инновационным развитием и полученными факторами (таблица 17). Как было отмечено ранее, в качестве результативного показателя был выбран показатель - число поданных заявок на патенты резидентами и нерезидентами, рассчитанных на 100 тыс. населения (Patent).

Таблица 17 - Матрица парных коэффициентов корреляции между интегральным показателем напряженности и факторами

Факторы

Patent

F,

F2

F3

Patent

1,000

0,563

0,366

0,207

F,

0,563

1,000

0,000

0,000

f2

0,366

0,000

1,000

0,000

F3

0,207

0,000

0,000

1,000

Источник: рассчитано авторами.

Как видно из таблицы 17, связь между результирующим показателем и факторами прямая, наибольшее влияние на число поданных заявок на патенты оказывает фактор человеческого потенциала (коэффициент корреляции составил 0,563). Между собой факторы не коррелируют.

Построим регрессионную модель зависимости результативного показателя от выделенных факторов (формула 11). В регрессионную модель были включены фиктивные переменные, позволяющие учитывать принадлежность страны к определенному кластеру.

Представим доверительные интервалы оценок параметров уравнения регрессии (таблица 18).

Таблица 18 - Доверительные интервалы для оценок параметров уравнения регрессии

Переменные

Значения пара- метров

Доверительный интервал

Нижняя граница

Верхняя граница

Const

143,98

130,1

171,7

F,

12,83

7,6

18,3

f2

8,86

4,0

13,7

F3

1,32

0,9

5,1

CIA

-142,68

-143,4

-108,9

Cl В

-132,08

-140,8

-106,1

Cl C

-124,63

-129,1

-92,3

Все параметры уравнения регрессии значимы при 1% уровне значимости, следовательно, модель адекватна исходным данным. F- критерий Фишера также показал статистическую значимость коэффи- циента детерминации (R =0,716) при 1% уровне.

На отсутствие гетероскедастичности указывает распределение остатков на рисунке 20.

Распределение остатков регрессионной модели

Рисунок 20 - Распределение остатков регрессионной модели

В целом регрессионная модель считается адекватной исходным данным, так как коэффициент детерминации принял значение не меньше 50%. Таким образом, в 71,6% случаев изменения рассматриваемых факторов приводят к изменению числа заявок на патенты в стране. Все факторы вошли в регрессионную модель со знаками, не противоречащими действительности. Константа а=144,4 дает прогнозируемое значение зависимой переменной при значении всех факторных признаков, входящих в данную модель.

Стоит отметить, что зависимость числа поданных заявок на патенты от факторов для стран каждого кластера будет описываться следующими уравнениями:

Для стран кластера А:

Далее приведем визуализацию результатов исследования. На рисунке 21 приведены эмпирические и смоделированные значения числа поданных заявок на патенты в странах кластера А по итогам 2013 года.

Число поданных заявок на патенты в странах кластера А

Рисунок 21 - Число поданных заявок на патенты в странах кластера А

по итогам 2013 года.

Число поданных заявок на патенты в странах кластера В

Рисунок 22 - Число поданных заявок на патенты в странах кластера В

по итогам 2013 года.

Число поданных заявок на патенты в странах кластера С

Рисунок 23 - Число поданных заявок на патенты в странах кластера С

по итогам 2013 года.

Число поданных заявок на патенты в странах кластера Dno итогам 2013 года

Рисунок 24 - Число поданных заявок на патенты в странах кластера Dno итогам 2013 года.

Из рисунков 21-24 видно, что модель адекватна исходным данным, основная тенденция не противоречит действительности. Также на графиках представлены относительные отклонения смоделированных значений результативного показателя от эмпирических данных. Построенная модель также может быть использована для прогнозирования ключевых показателей и выявления основной тенденции результативного показателя.

Таким образом, в ходе исследования была построена эмпирическая модель взаимосвязи инновационного развития от различных факторов. Описаны показатели, их качественные характеристики, направление связи, предложена базовая модель оценки. Для учета фактора дифференциации стран по ряду показателей, отражающих экономическое и инновационное развитие, проведена кластеризация стран и образованы однородные группы. В конечном итоге авторами построена регрессионная модель, позволяющая провести оценку факторов, оказывающих влияние на инновационно-технологическое развитие страны. Для исключения эффекта мультиколлинеарности, а также с целью снижения размерности исходных показателей в настоящем исследовании реализован факторный анализ методом главных компонент. Далее были выделены три главные компоненты и определен их состав. Таким образом настоящее исследование позволило количественно и качественно определить влияние человеческого фактора на инновационное развитие стран Азиатско-Тихоокеанского региона с учетом их особенностей.

  • [1] Эминов, Н.О. Инновационный аспект экономического роста Азербайджанской
  • [2] Республики // Креативная экономика. - 2012. - №4(64). - С. 119-124.
  • [3] Штерцер, Т.А. Детерминанты инновационной активности на региональномуровне (эмпирический анализ) // Статистические измерения и эконометрическийанализ [Электронный ресурс] :http://www.nsu.ru/exp/ref/Media:4efl a2788846c8c01300028210_Shterzher.pdf
 
Посмотреть оригинал
< Пред   СОДЕРЖАНИЕ   ОРИГИНАЛ   След >