1. Введение
Инновационный потенциал обрабатывающей промышленности представляет собой сложную многомерную систему, формирующуюся под воздействием множества разнородных факторов. Динамика современных экономических процессов обуславливает перераспределение значимости факторов и изменение структуры их взаимосвязей. Взаимосвязи, возникающие благодаря их взаимодействию подвержены изменчивости во времени, что является характерной особенностью данной системы. Поэтому инновационный потенциал экономических субъектов следует рассматривать не как статичную совокупность ресурсов, а как динамическую систему, параметры которой постоянно меняются. В связи с этим требуют развития подходы и методы к оценке на основе привлечения широкого спектра факторов развития инновационного потенциала и их системных взаимосвязей во временной динамике.
Вместе с тем современная экономическая динамика обуславливает потребность в разработке методов управления предиктивного типа (на основе обработки ретроспективных и текущих статистических данных), позволяющих выявлять и предсказывать тенденции развития экономических процессов [1, С. 160], [13, С. 64]. В этой связи инструменты индикативного планирования должны выступать неотъемлемым элементом стратегического развития, формируемые и реализуемые на всех уровнях управления в краткосрочной, среднесрочной и долгосрочной перспективах. Только с учетом этих особенностей возможно формирование обоснованных стратегий, направленных на повышение составляющих инновационного потенциала.
2. Основные результаты
Цели и задачи развития инновационного потенциала обрабатывающих производств находят отражение на разных уровнях стратегического планирования. Так, на национальном уровне базовые ориентиры заданы в «Концепции технологического развития страны до 2030 года» [4]. На отраслевом уровне приоритеты детализируются в рамках «Сводной стратегии развития обрабатывающей промышленности Российской Федерации до 2024 года и на период до 2035 года» [7]. На региональном уровне стратегическое планирование развития обрабатывающего сектора осуществляется в координации с целями и задачами, закреплёнными в федеральных и отраслевых стратегиях. Например, в Москве утверждена «Стратегия развития промышленности Москвы до 2030 года» [12].
Масштабность и сложность стратегических задач по развитию инновационного потенциала обрабатывающих производств объективно затрудняет их реализацию на практике. Эта проблема носит комплексный характер: существенный разрыв между установленными целями и реальными достижениями наблюдается в большинстве регионов страны [6], которые остаются на низком уровне инновационного развития. Как следствие, Россия отстает от ряда других стран и находится на относительно низком уровне инновационного развития [2].
Индикативные показатели служат инструментом реализации стратегических целей страны и регионов на определенном временном горизонте. Однако на отдельных этапах социально-экономического развития целевые ориентиры государства могут не совпадать с выбранными социальными стандартами. В этой связи говорить о конкретных показателях (индикаторах) необъективно [11, С. 19–20]. Поскольку региональные и отраслевые стратегии разрабатываются в русле общегосударственных приоритетов, заложенные в них индикативные показатели также должны обладать способностью к трансформации вслед за изменением вектора развития страны.
Как показывают результаты научного анализа [10, С. 108–112], существующие механизмы и инструменты управления развитием инновационного потенциала на региональном и отраслевом уровне не в полной мере учитывают сложившиеся в современных реалиях экономические изменения и сложные системные взаимосвязи факторов, определяющих его формирование и динамику. Игнорирование системных и динамических свойств инновационного потенциала в стратегическом индикативном планировании приводит к несогласованности управленческих решений, нерациональному распределению ресурсов и, как следствие, снижению результативности инновационной политики промышленности региона.
В условиях ограниченности и односторонности существующих инструментов оценки развития инновационного потенциала возникает объективная необходимость в создании вычислительной модели (математического инструментария), способной обеспечить оценку влияния факторов, определяющих инновационный потенциал, моделирование их изменений с последующей корректировкой индикаторов (показателей) для поддержания согласованности и реализации стратегических планов развития инновационного потенциала [5, С. 73].
Последовательность реализации структурно-динамической модели анализа и оценки инновационного потенциала представлена на рисунке 1. Настоящая работа является продолжением цикла исследований, посвященных развитию инновационного потенциала обрабатывающей промышленности, более подробно методические и инструментальные основы, а также описание этапов 1–4 представлены автором в работах [8], [10].
Структурно-динамическая модель анализа и оценки инновационного потенциала
Предлагаемая в исследовании структурно-динамическая модель нивелирует недостатки традиционных статических моделей, которые сводят оценку инновационного потенциала к расчету единого интегрального индикатора на основе текущих статистических показателей. В отличие от действующих, данная модель позволяет оценить потенциал с учетом динамики скрытых взаимосвязей между анализируемыми «достигнутыми» (ретроспективными) показателями, что обеспечивается использованием метода главных компонент, лежащего в основе разработанной модели.
Таким образом, модель смещает фокус со статического измерения уровня инновационного потенциала на анализ системных взаимосвязей между его компонентами. Это способствует выявлению устойчивых закономерностей формирования инновационного потенциала и позволяет отслеживать его структурные изменения. Графовая структура позволяет сгруппировать показатели и ключевые точки влияния [14], [15]. Каждая связка в данной структуре группы преобразовывается в узел [LATEX_FORMULA]d_{k}[/LATEX_FORMULA], отражающий логическую взаимосвязь элементов внутри каждой [LATEX_FORMULA]F_{k}[/LATEX_FORMULA] - ой составляющей потенциала.
Инновационный потенциал определяется как составляющие групп:
[LATEX_FORMULA]F_{k}^{v}[/LATEX_FORMULA] зависят от различий и изменений определяющих многофакторных параметров [LATEX_FORMULA]f_{i k}[/LATEX_FORMULA] и сопряженных параметров [LATEX_FORMULA]f_{i_{j_{k}}}[/LATEX_FORMULA] и определяющих множество [LATEX_FORMULA]\left\{f_{i k} ; f_{i_{j_{k}}} \cup F_{k}^{v}\right\}[/LATEX_FORMULA], где [LATEX_FORMULA]f_{i k}[/LATEX_FORMULA] определяется множеством показателей [LATEX_FORMULA]X[/LATEX_FORMULA].
Группы [LATEX_FORMULA]F_{k}^{v}[/LATEX_FORMULA] определяют ориентированный граф [LATEX_FORMULA]G\left(D, F_{k}^{v}\right)[/LATEX_FORMULA]. Взаимодействие факторных параметров определяется:
где
— вершины графа, соответственно [LATEX_FORMULA]D=\{d 1, d 2 \ldots . d n\}[/LATEX_FORMULA], [LATEX_FORMULA]n \in N[/LATEX_FORMULA]; [LATEX_FORMULA]a_{\operatorname{maxi}_{k}}[/LATEX_FORMULA] и [LATEX_FORMULA]a_{\operatorname{max} i_{j k}}[/LATEX_FORMULA] — расстояние объединения показателей по дендрограмме.
Следовательно, взаимодействие факторных параметров определяется сверткой графа:
где [LATEX_FORMULA]N=\left\{d^{0} ; d^{1} \ldots . d^{n-1}\right\}[/LATEX_FORMULA] или [LATEX_FORMULA]N=\left\{d^{1} ; \ldots . d^{n-1}\right\}[/LATEX_FORMULA] и [LATEX_FORMULA]f_{i k} \in N[/LATEX_FORMULA].
Аналогичным образом рассчитывается объединение узлов [LATEX_FORMULA]d\left(f_{k}\right)[/LATEX_FORMULA].
На основе полученных данных определяются [LATEX_FORMULA]G_{k}^{v}[/LATEX_FORMULA] групп инновационного потенциала и его интегральное значение [LATEX_FORMULA]P[/LATEX_FORMULA]:
где [LATEX_FORMULA]\alpha_{k}^{v}[/LATEX_FORMULA] — коэффициенты, соответствующие информативности факторных групп.
— показатель факторной группы инновационного потенциала
На основе приведенных выражений формируется матрица прогнозных изменений параметров [LATEX_FORMULA]\mathrm{x}_{i j} \geq / \leq \mathrm{x}_{i+n_{j}}[/LATEX_FORMULA] развития потенциала.
Полученные интегральные значения ключевых факторных групп создают основу для разработки комплексной стратегии развития обрабатывающей промышленности региона, обеспечивая переход от фрагментарных решений к целостной системе направлений развития потенциала.
В целях прогнозирования изменений уровня инновационного потенциала в зависимости от влияния различных факторов, в рамках предлагаемой модели применяется сценарное планирование [3]. Данный подход позволяет имитировать результаты в зависимости от изменения входных параметров составляющих инновационного потенциала на основе базовых (достигнутых, инерционных факторах), запаздывающих (изменяющихся во времени и проявляющихся с временным лагом) и опережающих (динамичных, потенциально достижимых в экономических условиях) [9].
3. Практические результаты
По результатам факторного анализа инновационного потенциала обрабатывающей промышленности г. Москвы за 2019–2023 гг., выполненного на выборке из 150 наблюдений, выделены четыре факторные группы. Наиболее значимые показатели, формирующие каждую из них, представлены на рисунке 2.
Распределение показателей по группам осуществлено в зависимости от доли объяснённой дисперсии инновационного потенциала. Название каждой группы отражает наиболее значимые прямые связи показателей с факторной группой.
Структура факторных групп инновационного потенциала обрабатывающей промышленности г. Москвы
Графовая модель факторных групп инновационного потенциала обрабатывающей промышленности г. Москвы
На следующем этапе в рамках предложенной модели разрабатываются (имитируются) возможные сценарии развития инновационного потенциала, из которых на основе заданных критериев отбирается наиболее благоприятный с точки зрения достижения стратегических ориентиров инновационной политики г. Москвы .
Сценарные значения параметров вектора развития инновационного потенциала обрабатывающей промышленности на 2024-2026 гг.
Инновационный потенциал обрабатывающей промышленности г. Москвы
где
—
Полученное значение индекса отражает относительное изменение инновационного потенциала, которое, в свою очередь, оказывает влияние на экономические результаты деятельности региона.
Для расчета экономического эффекта в сценарном периоде необходимо использовать среднегеометрический индекс (
где
——
Выполненные расчёты показали, что в 2019–2026 гг. с учётом разработанного сценария и сформированного компонентного вектора развития (рис. 4) индекс изменения инновационного потенциала может быть увеличен на 19%. Это обеспечивает прирост валовой добавленной стоимости обрабатывающей промышленности в прогнозный период 2023–2026 гг. на 6%, что в абсолютном выражении составляет 287,013 млрд руб. в текущих ценах. Полученные результаты подтверждают практическую значимость и результативность предложенной модели.
4. Заключение
Структурно-динамический подход к управлению развитием инновационного потенциала, учитывающий динамику взаимосвязей его компонентов, создает основу для обеспечения устойчивого экономического роста региона. Предложенная модель позволяет осуществлять корректировку параметров рассматриваемого сценария развития, что подтверждает ее применимость в условиях изменяющейся экономической реальности. Препарированные результаты предназначены для интеграции в организационно-экономический механизм управления развитием инновационного потенциала обрабатывающей промышленности на региональном уровне.
Реализация такого механизма, сформированного на основе инструментов непрерывного индикативного планирования позволит определить многокомпонентный вектор развития инновационного потенциала в соответствии с национальными целями и задачами, обуславливая рост валовой добавленной стоимости обрабатывающей (ВДС) промышленности региона и валового регионального продукта (ВРП) в целом.