ПРИМЕНЕНИЕ КЛАСТЕРНОГО АНАЛИЗА ДЛЯ ИССЛЕДОВАНИЯ ИНТЕЛЛЕКТУАЛЬНОГО КАПИТАЛА РЕГИОНАЛЬНЫХ ЭКОНОМИК

Малкова Дарья Сергеевна1, Ермолаев Михаил Борисович2
1Ивановский государственный химико-технологический университет, студент
2Ивановский государственный химико-технологический университет, доктор экономических наук, профессор

Аннотация
В данной работе предлагается концепция оценки интеллектуального капитала регионов Центрального Федерального Округа (ЦФО) при помощи кластерного анализа. Представлен сравнительный анализ уровня развития регионов ЦФО, основанный на расчетах кластеризации. Методика апробируются на данных по российским регионам за 2006, 2012 и 2017 гг.

Ключевые слова: , , , , ,


Рубрика: 08.00.00 ЭКОНОМИЧЕСКИЕ НАУКИ

Библиографическая ссылка на статью:
Малкова Д.С., Ермолаев М.Б. Применение кластерного анализа для исследования интеллектуального капитала региональных экономик // Современные научные исследования и инновации. 2019. № 12 [Электронный ресурс]. URL: https://web.snauka.ru/issues/2019/12/91018 (дата обращения: 29.03.2024).

Вопросы исследования и анализа интеллектуального капитала в настоящее время вызывают всё больше интерес, как ученых, так и представителей власти.

Возможность экономики эффективно использовать интеллектуальный капитал все в большей степени определяет так называемую экономическую силу современного общества, а также благосостояние нации.

Анализируя зарубежную и отечественную литературу можно прийти к выводу, что вопросы оценки интеллектуального капитала (ИК) и его эффективное использование в основном рассматриваются на уровне организации и предприятия.

Вследствие этого, целью исследования является рассмотреть взаимовлияние интеллектуального капитала и результатов его использования на так называемом мезоуровне (уровне регионов) [1].

Первоначальными данными для анализа выступили экономические показатели субъектов Центрального Федерального Округа (ЦФО) за 2006, 2012 и 2017 гг. Статистические данные были выбраны на базе Федеральной службы государственной статистики (Росстат) [2].

В качестве таких экономических показателей выбраны следующие, а именно:

1. Инновационная активность организации (IA);

2.Затраты на технологические инновации (TIC);

3.Объем инновационных товаров, работ и услуг (VIP);

4.Используемые передовые производственные технологии (AMT-U);

5.Разработанные передовые производственные технологии (AMT-D);

6.Организации, выполняющие научные исследования и разработки (OSR);

7.Численность персонала, занятого научными исследованиями и разработками (PSR);

8.Выдача патентных заявок в России (GP).

Предложенные нами статистические показатели выступают в качестве эффективных факторов оценки интеллектуального капитала регионов ЦФО.

Дробление субъектов на кластеры в данной работе, осуществлялось в пакете STАTISTICА методом k–средних (k-meаnsclаstering). Предварительно задавалось количество кластеров (k), на которые целесообразно разбить имеющиеся наблюдения. Наилучшее разбиение определялось исходя из отобранного фактора качества. Таким критерием качества классификации объектов выступал функционал качества разбиения. Из всего разнообразия таких показателей выбран критерий минимизации внутриклассовых дисперсий, как наиболее удобный и простой.

На первом этапе один за другим задавалось определенное количество кластеров: n=2,3,4,5,6. Разбиение на кластеры продолжается до тех пор, пока не будет соблюдено условие, при котором p-значимость по всем показателям не будет превышать заданного уровня значимости λ=0,01.

В нашем случае вышесказанное условие качества разбиения на кластеры для 2017 и 2012 гг. было выполнено при n=3, а для 2006 гг. при n=4, результаты кластеризации представлены в таблице 1, 2 и 3.

В таблице 1 представлены результаты кластеризации при соблюдении условия p-значимости λ=0,01 за 2017, 2012 и 2006 гг.

Таблица 1. Проверка условия p-значимости

Показатели

2017 г.

2012г.

2006 г.

1

2

3

4

0,003765

0,001499

0,024546

TIC

0,000000

0,000000

0,000000

VIP

0,001789

0,000219

0,001486

АMT-U

0,000000

0,000308

0,000064

АMT-D

0,000002

0,000006

0,000000

OSR

0,000024

0,000000

0,000000

PSR

0,000004

0,000000

0,000000

GP

0,000188

0,000000

0,000000

Далее для каждого n рассчитывалась принадлежность к кластерам, а также средние значения показателей по каждому кластеру.

В таблице 2, 3 и 4 представлены результаты проведенного кластерного анализа по данным за 2017, 2012 и 2006 гг.

Таблица 2. Описание кластеров по состоянию на 2017 г.

Номер кластера

Области, составляющие кластер

1

3

1 кластер

г. Москва, Московская область

2 кластер

Белгородская область, Владимирская область, Воронежская область, Липецкая область, Рязанская область, Тамбовская область, Тульская область, Ярославская область

3 кластер

Брянская область, Ивановская область, Калужская область,

Костромская область, Курская область, Орловская область, Смоленская область, Тверская область

Таблица 3. Описание кластеров по состоянию на 2012 г.

Номер кластера

Области, составляющие кластер

1

3

1 кластер

г. Москва

2 кластер

Владимирская область, Липецкая область, Московская область, Тульская область, Ярославская область

3 кластер

Белгородская область, Брянская область, Воронежская область, Ивановская область, Калужская область, Костромская область, Курская область, Рязанская область, Смоленская область, Тверская область

Таблица 4. Описание кластеров по состоянию на 2006 г.

Номер кластера

Области, составляющие кластер

1

3

1 кластер

г. Москва

2 кластер

Московская область

3 кластер

Владимирская область, Воронежская область, Калужская область, Орловская область

4 кластер

Белгородская область, Костромская область, Курская область, Смоленская область, Тверская область, Тульская область, Ярославская область

Можно отметить, что несомненными лидерами среди областей, входящих в ЦФО за 2017, 2012 и 2006 гг. являются г. Москва и Московская область, которые имеют самый завидный уровень по всем результирующим показателям.

Интерпретируя полученные данные таблицы 5. средних значений показателей по каждому кластеру всех областей ЦФО за 2017 г., можно сказать, что в первый кластер входят наиболее развитые области, а именно г. Москва и Московская область, которые можно назвать «абсолютными лидерами», по всем экономически значимым показателям и во многом превосходят области других кластеров. Данная группа кластеров характеризуется высокими значениями затрат на технологические инновации, численностью персонала, занятого научными разработками, а так же значительным числом, выданных патентов. Однако входящие в первый кластер области имеют невысокое значение инновационной активности. Их можно условно назвать полюсами экономического развития.

Во второй кластер входят девять областей – это достаточно многочисленный кластер. Условно области данного кластера близки по некоторым показателям к «абсолютным лидерам», однако значительно уступают по разработке передовых производственных технологий, численности персонала, занятого научными исследованиями и количеству организаций, выполняющих научные разработки, а так же выдачи патентов.

Формально третий кластер можно назвать «абсолютным аутсайдером», поскольку, все входящие в него области имеют достаточно низкий уровень развития по всем отобранным показателям. Существенно низкими показателями, чем в областях других кластеров являются, затраты на технологические инновации, объем инновационных товаров, а так же численность персонала, занятого научными исследованиями и разработками.

Таблица 5. Конечные центры кластеров на 2017 г.

 Показатели

Кластер 1

Кластер 2

Кластер 3

1

2

3

4

11,5

11,8

6,2

TIC

161288,6

11901,0

4960,9

VIP

8,9

9,3

4,7

АMT-U

18328,2

3082,8

2080,9

АMT-D

129,5

14,0

13,6

OSR

487,7

33,2

25,5

PSR

151732,9

4489,4

2885,3

GP

3593,3

192,0

146,9

Анализируя данные кластеров за 2012 г., приведенные в таблице 6. можно сказать, что г. Москва, представляющий первый кластер выступает заметным лидером по всем отобранным показателям по сравнению с другими областями.

Профиль второго кластера демонстрирует высокие значения таких показателей, как затраты на технологические инновации, объем инновационных товаров, используемые передовые производственные технологии, организации, выполняющие научные разработки, кроме того отмечается высокий показатель численности персонала, занятого научными исследованиями и разработками. Однако области второго кластера значительно уступают по разработке передовых производственных технологий и выдачи патентов.

В третий кластер входит самая многочисленная группа областей, которая во многом уступает по всем анализируемым показателям.

Таблица 6. Конечные центры кластеров на 2012 г.

 Показатели

Кластер.1

Кластер.2

Кластер.3

1

2

3

4

18,6

12,2

9,2

TIC

176771,9

18297,5

3336,4

VIP

13,3

12,4

4,4

АMT-U

17948,0

5249,4

1517,2

АMT-D

173,0

19,0

10,2

OSR

710,0

65,0

23,4

PSR

234345,0

20313,4

3503,0

GP

7753,0

304,8

167,2

В результате проведенного кластерного анализа по данным, приведенным в таблице 7. за 2006 г., первый кластер представлен одним субъектом, а именно г. Москва.

Данная группа имеет превосходство по всем исследуемым показателям, особенно высокий уровень затрат на технологические инновации, разработанные передовые производственные технологии, численность персонала, занятого научными разработками и выдача патентов.

Во второй кластер входит Московская область, которая обладает самым высоким показателем использования передовых производственных технологий, в остальном значения показателей достаточно близки к значениям показателей первого кластера.

Третья группа имеет близкие значения с лидирующими областями по инновационной активности и объему инновационных товаров, зато значительно уступает в затратах на технологические инновации, используемые передовые производственные технологии, численности персонала, занятого научными разработками и выдачи патентов.

Кластер четыре отстает от предыдущих областей по таким показателям, как объем инновационных товаров, разработанные передовые производственные технологии, численность персонала, занятого научными исследованиями и выдачи патентов. Однако эта группа не отстает от уровня лидирующих областей по затратам на технологические инновации, инновационной активности и используемые передовые производственные технологии.

Таблица 7. Конечные центры кластеров на 2006 г.

 Показатели

Кластер.1

Кластер.2

Кластер.3

Кластер.4

1

2

3

4

5

14,9

8,7

14,5

8,9

TIC

21225,8

7455,1

1578,7

1473,9

VIP

2,9

5,2

5,7

2,7

АMT-U

11057,0

12771,0

1650,3

1822,9

АMT-D

103,0

32,0

8,5

4,4

OSR

787,0

206,0

35,8

22,6

PSR

251075,0

88681,0

8263,0

3716,7

GP

5250,0

1605,0

207,0

117,4

Таким образом, отметим, что в результате кластеризации всех областей ЦФО за 2017, 2012 и 2006 гг. явно просматривается превосходство наиболее развитых областей, а именно Московской области и г. Москва, которые можно назвать «абсолютными лидерами» по всем показателям, а также их можно формально обозначить центрами экономического роста.

Также можно отметить основных неизменных представителей третьего кластера (Калужская область, Брянская область, Ивановская область, Костромская область, Курская область, Смоленская область и Тверская область), а так же их новых представителей (Орловская область).

Подобным образом, опишем ситуацию для второго кластера, где постоянными представителями выступают (Владимирская область, Липецкая область, Тульская область и Ярославская область), а новыми представителя стали (Белгородская область, Воронежская область, Рязанская область и Тамбовская область).

Аналогичным образом кластеризация всех областей ЦФО за 2017 г., проводилась иерархическим методом на (рис.1.) представлена дендрограмма последовательного объединения регионов в кластеры. Как видно г. Москва и Московская область присоединяются к прочим регионам в последнюю очередь, что свидетельствует о приоритете этих регионов в уровне развития интеллектуального капитала.


Рис. 1. Дендрограмма процесса кластеризации областей ЦФО за 2017 г.

Исследование сравнительной характеристики оценки развития областей ЦФО за 2017 г., 2012. и 2006 г. с применением метода кластеризации, позволило нам выделить группы областей ЦФО как с лидирующими позициями по всем показателям, так и со схожим сочетанием значений, а так же обозначить роль и место каждого из них в экономике.


Библиографический список
  1. Селезнев Е.Н. Оценка эффективности использования интеллектуального капитала // Финансовый менеджмент. – 2005. – №6.
  2. Федеральная служба государственной статистики  [http://www.gks.ru/] (Дата обращения: (07.11.2019).


Количество просмотров публикации: Please wait

Все статьи автора «Малкова Дарья Сергеевна»


© Если вы обнаружили нарушение авторских или смежных прав, пожалуйста, незамедлительно сообщите нам об этом по электронной почте или через форму обратной связи.

Связь с автором (комментарии/рецензии к статье)

Оставить комментарий

Вы должны авторизоваться, чтобы оставить комментарий.

Если Вы еще не зарегистрированы на сайте, то Вам необходимо зарегистрироваться:
  • Регистрация