Цель - предложить подходы к оценке эффективности создания новых технологий в региональных инновационных системах (РИС) России в 1998-2012 гг.

1. ОЦЕНКА ЭФФЕКТИВНОСТИ РЕГИОНАЛЬНЫХ
ИННОВАЦИОННЫХ СИСТЕМ С ПОМОЩЬЮ
МОДЕЛИ DEA.
КАКИЕ РЕГИОНЫ РОССИИ БОЛЕЕ
ЭФФЕКТИВНО СОЗДАЮТ НОВЫЕ
ТЕХНОЛОГИИ И ПОЧЕМУ?
Авторы: Земцов С.П. (РАНХиГС, МГУ),
Коцемир М.Н. (НИУ ВШЭ)
Докладчик: Земцов Степан Петрович,
к.г.н., с.н.с.
E-mail: zemtsov@ranepa.ru
Институт прикладных экономических исследований
РАНХиГС
Центр статистических исследований и экономики
знаний НИУ ВШЭ
МГУ им. М.В. Ломоносова
22.12.2016
Третий Российский экономический конгресс

2. Цель
2
Актуальность:
• Режим санкций – ограничения на заимствование новых технологий
• Создана инновационная инфраструктура в большинстве регионов
• Но какова эффективность инновационной политики регионов?
Цель:
• Предложить подходы к оценке эффективности создания новых
технологий в региональных инновационных системах (РИС)
России в 1998-2012 гг.
Гипотеза:
• Эффективность регионов по созданию новых технологий выше, если
в них выше плотность городской среды, а соответственно
взаимодействие инновационных агентов

3. Используемые определения
3
 Региональная инновационная система (РИС) – это
сеть взаимодействующих инновационных агентов и
соответствующей инфраструктуры [Cooke, 1992; Tödtling,
Tripple, 2005]
 Эффективность (в нашей работе) – соотношение
полученных результатов и используемых ресурсов
[Ширяев, 2014]
 Эффективность РИС – получение максимального
инновационного выпуска при используемом объеме
ресурсов (инвестиции в научные исследования,
человеческий капитал) [Zabala-Iturriagagoitia, 2007; Chen,
Guan, 2012; Zhu, 2013; Kotsemir, 2013]

4. Что такое DEA?
Оболочечный анализ, или анализ среды функционирования
(англ. Data Envelopment Analysis, DEA) – метод сравнительного
анализа деятельности сложных систем (единиц принятия решения),
основанный на оценке соотношения результатов (outputs) к
использованным ресурсам (inputs) [Charnes, Cooper, 1962]


,
min
r
r








0
0
0



Xx
Yy
rr
r
• θ – оценка эффективности
региона r
• λ – вектор констант (n×1)
• xr – вектор затрат (1×k)
• уr – вектор выпуска (1×m)
• X – матрица затрат (k×n)
• Y – матрица выпуска (m×n)
Оценка эффективности регионов 2 и 5
равна 1 (граница производ. возм.)
2
5
A
B
OA
Оценка эффективности региона
B равна отношению ОA/OB
0

5. Преимущества и недостатки DEA
Преимущества метода DEA
 не требует априорного задания вида функциональной
зависимости между переменными «затрат» (input variables) и
переменными «выпуска» (output variables)
 не вводятся ограничения на весовые коэффициенты для
переменных
 работает с большим числом переменных, каждая из которых может
быть выражена в разных единицах измерения
 возможность оценить изменения переменных, необходимые для
перехода неэффективных объектов анализа на границу
эффективности
Недостатки метода DEA
 оценки эффективности исследуемых объектов сильно зависят от
статистических шумов и статистических выбросов
 трудность обоснования выбора переменных «затрат» и переменных
«выпуска»
 оценки сильно зависят от состава выборки (при добавлении нового
региона необходимо пересчитывать оценки эффективности заново)
 при малом объёме выборки и большом наборе переменных оценки
эффективности могут быть некорректными 5

6. Переменные DEA
6
 Вид зависимости основан на производственной
функции знаний [Griliches, 1979; Romer, 1990;
Zemtsov et al., 2016]
 Выпуск: число потенциально
коммерциализируемых патентов на
изобретения в год
 Затраты:
• Внутренние затраты на НИОКР, млн руб.
• Численность экономически активного
городского населения с высшим
образованием, чел.

7. Инновационный выпуск?
7
 Новые технологии ассоциируются с патентами на
изобретения [Griliches, 1979, 2007]
 Низкое качество патентов: высокая волатильность, низкая
коммерциализируемость, форма отчетности, патентные тролли
и др. Примеры: Квасенков О.И. – 31 тыс. патентов,
Щепочкина Ю.А. – 4 тыс.
• Innov – число коммерциализируемых патентов
• Pat_rus – число российских патентов
• Pat_PCT — число международных PCT-заявок
 0.08 и 0.5 - доли (8% and 50%) коммерциализированных
патентов в предыдущие периоды
, , ,0.08 _ 0.5 _i t i t i tInnov Pat rus Pat PCT   

8. Результаты:
выпуск новых технологий
8

9. Затраты:
затраты на НИОКР
9
Млрд долл.

10. Затраты:
человеческий капитал
10
_ _ _HC urb Econ Act Urban High empl  

11. Эффективность РИС
по созданию новых технологий
Источник: Оценки авторов. Регионы, для которых данные доступны за один или два года, исключены из таблицы.
11
Регионы 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012
Средн
ее
Станд.
откл.
Регионы, лидирующие по оценке эффективности РИС
Москва 1,00 0,88 0,75 0,68 0,57 0,67 0,68 0,77 0,75 0,83 0,85 0,77 0,99 0,92 1,00 0,81 0,13
Липецкая область 0,17 0,41 0,46 0,17 0,67 0,91 0,84 1,00 0,51 0,40 0,63 0,62 0,90 0,45 0,29 0,56 0,27
Костромская обл. 0,50 0,42 0,30 0,13 0,32 0,41 0,46 0,44 0,44 0,78 0,85 0,55 0,55 0,49 0,35 0,47 0,18
Томская область 0,39 0,36 0,31 0,26 0,35 0,44 0,37 0,39 0,46 0,43 0,49 0,44 0,41 0,52 0,52 0,41 0,07
Санкт-Петербург 1,00 0,88 0,75 0,68 0,57 0,67 0,68 0,77 0,75 0,83 0,85 0,77 0,99 0,92 1,00 0,81 0,13
Московская область 0,31 0,32 0,23 0,62 0,32 0,49 0,44 0,38 0,37 0,43 0,47 0,33 0,29 0,28 0,35 0,37 0,10
Краснодарский край 0,13 0,13 0,09 0,68 1,00 0,52 0,25 0,24 0,20 0,17 0,19 0,14 0,17 0,15 0,14 0,28 0,26
Новосибирская обл. 0,18 0,20 0,22 0,34 0,35 0,32 0,29 0,33 0,36 0,36 0,25 0,26 0,21 0,20 0,28 0,07
Пермский край 0,12 0,13 0,19 0,85 0,30 0,39 0,24 0,24 0,22 0,24 0,24 0,25 0,24 0,20 0,28 0,28 0,17
Регионы, отстающие по оценке эффективности РИС
Иркутская область 0,1 0,06 0,08 0,25 0,1 0,1 0,07 0,08 0,1 0,11 0,11 0,09 0,09 0,08 0,11 0,1 0,04
Республика Бурятия 0,06 0,53 0,04 0,07 0,07 0,04 0,05 0,05 0,06 0,07 0,05 0,07 0,1 0,1 0,13
Новгородская обл. 0,08 0,11 0,06 0,08 0,1 0,07 0,1 0,13 0,08 0,08 0,05 0,07 0,11 0,21 0,09 0,04
Калининградск. обл. 0,04 0,05 0,05 0,1 0,11 0,1 0,11 0,06 0,1 0,05 0,07 0,1 0,05 0,13 0,15 0,08 0,03
Кабардино-Балкария 0,1 0,08 0,05 0,05 0,08 0,04 0,1 0,06 0,06 0,06 0,14 0,13 0,07 0,08 0,03
Республика Саха 0,06 0,06 0,08 0,07 0,08 0,07 0,08 0,07 0,07 0,05 0,05 0,08 0,08 0,1 0,12 0,07 0,02
Респ. Мордовия 0,05 0,04 0,06 0,08 0,06 0,07 0,06 0,05 0,11 0,09 0,1 0,09 0,08 0,06 0,07 0,02
Смоленская область 0,1 0,06 0,06 0,08 0,07 0,05 0,04 0,06 0,05 0,07 0,07 0,1 0,05 0,08 0,07 0,02
Мурманская область 0,02 0,03 0,06 0,33 0,04 0,03 0,06 0,05 0,08 0,06 0,07 0,04 0,04 0,05 0,06 0,07 0,08
Архангельская обл. 0,11 0,07 0,08 0,08 0,05 0,06 0,03 0,05 0,09 0,08 0,05 0,03 0,05 0,09 0,04 0,06 0,02

12. Динамика эффективности
12
Москва (0.808)
Липецкая область
(0.563)
Костромская обл.
(0.467)
Томская обл.
(0.408)
Санкт-Петербург
(0.391)
Московская обл.
(0.374)
Краснодарский
край(0.279)
Новосибирская
обл. (0.276)
Пермский край
(0.276)
Ивановская область
(0.437)
Ивановская
область (0.347)
0,000
0,100
0,200
0,300
0,400
0,500
0,600
0,700
0,800
0,900
1,000
0,000
0,100
0,200
0,300
0,400
0,500
0,600
0,700
0,800
0,900
1,000
1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012

13. Эффективность регионов России
по созданию новых технологий
13

14. -5
-4,5
-4
-3,5
-3
-2,5
-2
-1,5
-1
-0,5
0
0,5
4,5 5 5,5 6 6,5 7 7,5 8
l_Dist_to_aggl
Y = -0,0739 - 0,335X
Фактор эффективности:
расстояние до крупной агломерации
14
Ln (расстояние до крупной агломерации)
Ln(эффективностьпоDEA)

15. -5
-4,5
-4
-3,5
-3
-2,5
-2
-1,5
-1
-0,5
0
0,5
4 5 6 7 8 9 10 11 12
l_Pat_stock1
Y = -3,51 + 0,229X
Фактор эффективности:
запас знаний / укорененность
15
Ln(эффективностьпоDEA)
Ln(число патентов кумулятивно с 1994 г.)

16. Фактор эффективности:
доля затрат на НИОКР в ВРП
16
-5
-4
-3
-2
-1
0
1
2
-5 -4 -3 -2 -1 0 1 2 3
Ln(RnD expenditures per GRP)
Y = -1,96 + 0,275X + 0,168X^2
Ln(доля затрат на НИОКР в ВРП)
Ln(эффективностьпоDEA)

17. Фактор эффективности:
переток знаний
17

j tij
tj
ti
D
P
V 
,
,
,
P – число патентов
Dji – расстояние от
региона i до
региона j

18. Фактор эффективности:
запасы знаний, интенсивность НИОКР
18
Зависимая переменная: ln(эффективность РИС по DEA).
Модель фиксированных эффектов. 978 наблюдений. 1998-2012. Временные
эффекты включены.
Константа −8.44*** 0.83)
Ln (затраты на НИОКР в ВРП)2 0.16*** (0.01)
Ln (число патентов кумулятивно с 1994 г.) 1.26*** (0,16)
LSDV R2 0.84
Within R2 0.49
Зависимая переменная: ln(эффективность РИС по DEA)
Модель пула. 978 наблюдений.
Константа −1.25*** (0,16)
Ln (патентный потенциал) 0.14*** (0,01)
Ln (расстояние до агломерации с 1 млн чел.) −0.21*** (0,02)
Ln (число малых фирм к ЭАН) 0.16*** (0,03)
Ln (доля затрат на НИОКР к ВРП)2 0.12*** (0,01)
R2 0.43
Скорректированный R2 0.43

19. Выводы
19
 Методика позволяет оценить способности РИС создавать
новые технологии, но не учитывается их способность
реализовывать новые продукты
 Проблемы статистического учета
 Высокая пространственная и временная дифференциация
эффективности
 Основные факторы эффективности:
• агломерационные эффекты (?)
• запас знаний (укорененность)
• интенсивность финансирования НИОКР
 Требуется проведение регионально дифференцированной
политики

20. СПАСИБО ЗА ВНИМАНИЕ!
Земцов Степан Петрович
zemtsov@ranepa.ru
URL: http://www.ranepa.ru/prepodavateli/sotrudnik/?742
Институт прикладных экономических исследований РАНХиГС
Лаборатория инновационной экономики ИЭП им. Е.Т. Гайдара
Географический факультет МГУ им. М.В. Ломоносова
Статьи, в которых изложены результаты
• Zemtsov S., Muradov A., Wade I., Barinova V. Determinants of regional innovation in
Russia: are people or capital more important? // Foresight-Russia. 2016. №2. С. 29 – 42.
• Бабурин В.Л., Земцов С.П. Факторы патентной активности в регионах России //
Вестник НГУ. Серия: Социально-экономические науки. 2016. Том 16. № 1. С.86 -
100.
• Земцов C.П., Мурадов А.К., Баринова В.А. Факторы региональной инновационной
активности: анализ теоретических и эмпирических исследований // Инновации.
2016. № 5. C. 42-51.
• Земцов С., Баринова В. Смена парадигмы региональной инновационной политики в
России: от выравнивания к «умной специализации» // Вопросы экономики. 2016. №
10. C. 70-77.
• Земцов С.П. Обзор статистических методов регионального анализа инновационной
деятельности // Региональные исследования. 2016. № 2