Глава 3. Результаты исследования

Целью данной курсовой работы являлось выявление основных факторов, оказывающих влияние инновационное развитие регионов Российской Федерации.

Для достижения данной цели было необходимо провести регрессионный и корреляционный анализы, результаты которых представлены в данной главе курсовой работы.

3.1 Результаты эмпирического анализа

На основании панельных данных, которые были описаны во 2 главе данной курсовой работы, были проведены четыре регрессионных анализа: два проведенных с использованием модели с фиксированных переменных, а два на модели со случайными эффектами, с использованием разного набора описывающих факторов.

Использование разного набора факторов, в связи с чем было получено четыре уравнения регрессии, а не два, было необходимо для того, чтобы избежать корреляции между различными факторами. Поскольку одним из условий нахождения уравнения множественной регрессии является независимость действия факторов, коллинеарность факторов нарушает это условие, то есть факторы модели дублируют друг друга и один из них рекомендуется исключить из регрессии, для чистоты полученных результатов. В эконометрике предпочтение отдается не тому фактору, что наиболее сильно связан с результатом, а фактору, который при сильной связи с результатом имеет наименьшую тесноту связи с другими факторами. Перед проведением регрессионного анализа в данной курсовой работе также была проведена проверка парных корреляций, результаты которой представлены в таблице 3.

Таблица 3 – Корреляционная матрица

	patents_pc	RD_GRP	student_pc	export	population	reg_ibr	researches_pc
patents_pc	1	0,492	0,660	0,543	0,634	-0,240	0,638
RD_GRP	0,492	1	0,289	0,125	0,437	-0,087	0,748
student_pc	0,660	0,289	1	0,444	0,455	0,022	0,547
export	0,543	0,125	0,444	1	0,613	-0,030	0,442
population	0,634	0,437	0,455	0,613	1	-0,254	0,652
reg_ibr	-0,240	-0,087	0,022	-0,030	-0,254	1	-0,067
researches_pc	0,638	0,748	0,547	0,442	0,652	-0,067	1

Данные таблицы 3 указывают в целом на корреляционные зависимости между объясняемой переменно - число патентов и рассматриваемыми факторами. Кроме того, высокая корреляционная зависимость прослеживается между долей расходов на НИОКР в ВРП регионов и числом исследователей (75%). Это может повлиять на чистоту проводимого анализа, в связи с чем было решено не включать эти факторы в одну модель и составить разные уравнения регрессии.

В результате проведения регрессионных анализов было составлено три уравнения регрессии, которые представлены ниже:

log(patents_pc) = α₁log(population) + α₂log(researches_pc) + α₃log(student_pc) + α₄log(export) + α₅reg_ibr + ε₁, model = "within" (2)

log(patents_pc) = α₁log(population) + α₂log(researches_pc) + α₃log(student_pc) + α₄log(export) + α₅reg_ibr + ε₂, model = "random" (3)

log(patents_pc) = α₁log(population) + α₂log(RD_GRP) + α₃log(student_pc) + α₄log(export) + α₅reg_ibr + ε₃, model = "within" (4)

log(patents_pc) = α₁log(population) + α₂log(RD_GRP) + α₃log(student_pc) + α₄log(export) + α₅reg_ibr + ε₄, model = "random" (5)

Где:

a) log(patents_pc) – прологарифмированный объясняемый фактор- количество патентов, зарегистрированных в регионе;

б) log(population) – логарифм численности населения региона;

в) log(researches_pc) – логарифм числа исследователей на 1 млн. населения;

г) log(student_pc) – логарифм численности студентов на 10 000 человек постоянного населения;

д) log(export) – логарифм объема экспорта;

е) reg_ibr – индекс ИБР в регионе;

ж) log(RD_GRP) – логарифм доли расходов НИОКР в ВРП региона

Коэффициенты α₁…α₅ – коэффициенты уравнения регрессии, полученные в ходе проведения регрессионного анализа и представленные ниже, а ε₁, ε₂, ε₃, ε₄ – стандартные ошибки по трем уравнениям регрессий.

По результатам регрессионного анализа, который был выполнен с помощью программы R, были получены значения коэффициентов детерминации.

Таблица 4 – Регрессионная статистика

Регрессионная статистика
R21	0,139
R22	0,221
R23	0,137
R24	0,227

Коэффициент детерминации R² отражает, что на 13,8% вариация количества патентов относительно общего числа жителей в 78 регионах Российской Федерации в период с 2001 по 2012 год по первому уравнению регрессии объясняется изменениями выбранных объясняющих факторов. Невысокий уровень коэффициента детерминации говорит о том, что ряд факторов в данном регрессионном анализе отсутствует.

Относительно второго уравнения регрессии, которое идентично первому, однако получено из модели со случайными, а не фиксированными эффектами, можно сделать вывод, что на 22,1% вариация количества патентов обусловлена изменениями объясняющих факторов, а на 77,9% неучтенными в рассматриваемой модели факторами.

По третьему уравнению (с фиксированными эффектами), как видно из таблицы 2, данный показатель практически идентичен полученному результату в первом уравнении (также с фиксированными эффектами).

Что касается четвертого уравнения регрессии (модель со случайными переменными и использованием фактора ВРП), то оно в большей степени описывает имеющиеся данные, так как вариация объясняемого фактора (количества патентов) на 22,7% обуславливается изменениями объясняющих факторов и на 77,3% неучтенными в эмпирической модели факторами.

Такие низкие показатели могут быть объяснены тем, что ряд факторов для инновационной системы не был определен гипотезами.

Результаты регрессионного анализа представлены в таблице 5.

Таблица 5 – Коэффициенты уравнений регрессий

Независимая переменная	log(patents_pc)1	log(patents_pc)2	log(patents_pc)3	log(patents_pc)4
log(population)	-1,619** (0,509)	0,636*** (0,097)	-1,611** (0,509)	0,613*** (0,093)
log(researches_pc)	-0,067 (0,045)	0,038 (0,04)	-	-
log(RD_GRP)	-	-	-0,022 (0,049)	0,081* (0,039)
log(student_pc)	0,581*** (0,099)	0,818*** (0,085)	0,588*** (0,1)	0,833*** (0,085)
log(export)	0,044** (0,014)	0,072*** (0,013)	0,054*** (0,012)	0,073*** (0,012)
reg_ibr	-0,08 (0,079)	-0,12. (0,067)	-0,086 (0,079)	-0,124. (0,066)
N	936	936	936	936

В данной таблице представлены полученные в ходе проведения регрессионного анализа коэффициенты уравнений регрессий. В крайнем левом столбце представлены независимые переменные – объясняющие факторы, а в остальных ячейках отражены коэффициенты по трем уравнениям, которые были представлены выше.

Также в каждой из ячеек представлена стандартная ошибка по каждому из коэффициентов (значение в скобках), а также значимость каждого из них, которая обозначена звездами или точкой. Три звезды (***) означают высокую значимость полученного коэффициента - на уровне 0,1%. Две звезды (**) отражают, что значимость соответствует уровню 1%. Одна звезда (*) отражает значимость 5%, (.) – значимость 10%.

Нижняя строка отражает количество наблюдений для каждого из уравнений – 936.

При проведении сравнительного анализа по полученным данным в Таблице 4, можно сделать вывод о том, что наиболее значимыми оказались модели со случайными эффектами.

Таким образом итоговые уравнения регрессий по моделям со случайными эффектами выглядят следующим образом:

log(patents_pc) = 0,636*log(population) + 0,038*log(researches_pc) + 0,818*log(student_pc) + 0,072*log(export) - 0,12*reg_ibr (6)

log(patents_pc) = 0,613*log(population) + 0,081*log(RD_GRP) + 0,833*log(student_pc) + 0,073*log(export) – 0,124*reg_ibr (7)

Необходимо интерпретировать каждый из полученных коэффициентов.

Рассматривая первое из полученных уравнений регрессии: Коэффициент уравнения регрессии по 1 фактору (численность населения региона) равен (0,636), что можно интерпретировать следующим образом: при увеличении численности населения на 1 %, число патентов в относительном показателе увеличивается на 0,64%. Данный фактор имеет значимость на уровне 0,1%, соответственно, можно сделать вывод о том, что поставленная ранее гипотеза о положительном влиянии роста населения на развитие инновационной системы (которая оценивается в данном случае числом зарегистрированных патентов), подтвердилась.

Коэффициент по фактору числу исследователей не имеет значимого влияния на производство инноваций.

Гипотеза о положительном влиянии числа студентов в регионе на развитие его инновационной системы подтвердилось. Так, при увеличении числа студентов на 1%, количество зарегистрированных патентов увеличивается на 0,818 %. Данная зависимость является высоко значимой – на уровне 0,1%., это говорит о важности развития университетов в регионах: усиления научной и образовательной функций университетов, повышения квалификации преподавателей, увеличение привлекательности регионов для привлечения высококвалифицированных преподавателей, а также абитуриентов, увеличении конкурентоспособности вузов регионов страны относительно зарубежных вузов, с целью снижения «утечки мозгов» за рубеж.

Увеличение расходов на НИОКР в ВРП имеет положительный эффект на рост инновационной системы региона. Гипотеза, поставленная в начале исследования, подтвердилась, данный фактор, по результатам регрессионного анализа, оказался значимым в модели со случайными эффектами на уровне 0,1%. При увеличении расходов на 1% количество зарегистрированных патентов в регионе увеличивается на 0,081%.

Ориентированность рынка региона на внешний рынок также сказывается на росте производства инноваций (коэффициент значим на уровне 0,1%) В соответствии с полученным коэффициентом, при увеличении экспорта на 1% единицу, число зарегистрированных патентов в регионе увеличивается на 0,72%.

Как показал регрессионный анализ, индекс ИБР практически не оказывает влияния на объясняемый фактор, однако по полученному коэффициенту регрессии можно судить, об обратной зависимости между данным и объясняемым фактором, что подтверждает гипотезу.

Основываясь на полученных результатах, можно сказать, что регионам следует обратить внимание на значимые факторы производства инноваций. В первую очередь, следует усиливать университеты, а также повышать качество преподавания в них, за счет чего будет возможным избежать «утечки мозгов» как из регионов, так и из страны.

Также стоит обратить внимание на то, что интеграция регионов в международный рынок за счет роста экспорта производимой продукции, которую сопровождают грамотные маркетинговые мероприятия, способствует созданию новых изобретений, продуктов и услуг, что ведет к росту производства новых знаний.