Материал: Эффективность организации и управления промышленными предприятиями. проблемы и пути решения
УДК 338.27
В. А. Дуболазов
Санкт-Петербургский политехнический университет Петра Великого, г. Санкт-Петербург (Россия)
А. Г. Сомов
Санкт-Петербургский политехнический университет Петра Великого, г. Санкт-Петербург (Россия)
К АЛГОРИТМУ АНАЛИЗА ИННОВАЦИОННОЙ АКТИВНОСТИ ВЕДУЩИХ СТРАН МИРА
В данной работе авторы рассматривают экономические показатели, связанные с инновационной активностью стран и их влияние на промышленность, строится экономическая модель по этим параметрам. Проводится анализ зависимости параметров модели для восьми стран лидеров инновационного рынка, включая Россию. По авто регрессионной методике делается прогноз поведения временного ряда модели на пять лет вперед методом ARIMA. Делается сравнительный экономический вывод для данных стран в рамках полученного прогноза.
Ключевые слова: цифровая трансформация, нейронные сети, инновации, прогнозирование.
V. A. Dubolazov
Peter the Great St.Petersburg Polytechnic University,
St.Petersburg, Russia
A. G. Somov
Peter the Great St.Petersburg Polytechnic University,
St.Petersburg, Russia
THE ALGORITHM FOR THE ANALYSIS OF INNOVATIVE ACTIVITY OF THE LEADING COUNTRIES OF THE WORLD
In this paper, the authors consider the economic indicators associated with the innovation activity of countries and their impact on industry, the economic model is based on these parameters. The analysis of the dependence of the model parameters for the eight countries of the innovation market leaders, including Russia. According to the auto-regression method, the behavior of the time series of the model is predicted for five years by the ARIMA method. The comparative economic conclusion for these countries within the received forecast is made.
Key words: digital transformation, neural networks, innovation, forecasting.
Введение. Вопрос инновационный активности различных стран все больше набирает популярность и актуальность с развити-
110
ем современных цифровых технологий и роста глобализации промышленных рынков. Для стран лидеров мировой торговли именно рост и развитие инноваций является важнейшим показателем их благополучия и заделом будущего успеха.
Основным показателем инновационной активности являются патенты. Основными переменными величинами, связанными с затратами на инновации, являются инвестиции в научные исследования и разработки (НИОКР) и технический персонал (инженеров и ученых) занимающиеся НИОКР. Источниками этих данных являются общедоступными (ОЭСР, ЮНЕСКО и др.). Эконометрические исследования свидетельствуют о том, что инновации действительно могут оказывать сильное позитивное воздействие на долгосрочное развитие стран, которое может быть более действенным, чем прямое воздействие государственных институтов.
Патентная статистика отражает результаты изобретательской деятельности стран, регионов и фирм, а также другие аспекты динамики инновационного процесса, такие как сотрудничество в инновационной или технологической областях [1].
Цели и задачи работы. Цель работы проанализировать взаимную зависимость основных инновационных параметров ведущих стран, построить прогноз их поведения до 2023 года, методом
ARIMA [подробнее см. 3,5].
Для этого необходимо выбрать экспертным образом параметры, имеющиеся в открытых источниках отражающие инновационную деятельность стран мира [1,2].
Перечислим девять экономических параметров, используемых при построении модели
№ |
Параметр на английском языке |
Перевод на русский язык |
1 |
Patent applications, nonresidents |
Заявки на патенты, нерезиденты |
2 |
Patent applications, residents |
Патентные заявки, резиденты |
3 |
Gross capital formation (% of GDP) |
Инвестиции (%от ВВП) |
4 |
Market capitalization of listed domestic |
Рыночная капитализация отечествен- |
|
companies (% of GDP) |
ных компаний (%от ВВП) |
5 |
Life expectancy at birth |
Продолжительность жизни от рождения |
6 |
High-technology exports (% of manufac- |
Экспорт высоких технологий (%от |
|
tured exports) |
экспорта промышленной продукции) |
7 |
GDP per capita, PPP (constant 2011 inter- |
ВВП на душу населения, (в долл. сша |
|
national $) |
по ценам 2011 года) |
8 |
Research and development expenditure (% |
Расходы на исследования и разработки |
|
of GDP) |
(%от ВВП) |
9 |
Researchers in R&D (per million people) |
Исследователи в области НИОКР (на |
|
|
миллион человек) |
111
С полной таблицей используемых авторами в работе данных можно ознакомиться по следующей ссылке [4].
Результаты. Взаимный анализ эконмических параметров показал почти линейную зависимость показателя продолжительности жизни от количества патентов (см. рис.1) и ВВП на душу населения, что говорит об прямом влиянии роста инноваций на жизненные факторы жителей страны. Т.е. с ростом инноваций увеличивается качество медицинского обслуживания, качество лекарств и продуктов питания, растет благосостояние населения и как следствие всего этого растет средняя продолжительность жизни населения. У России наблюдается менее заметный рост данной зависимости, что предположительно связано с меньшим количеством непосредственно внедренных в жизнь патентов на территории страны (что также наблюдается по зависимости рыночной капитализации отечественных компаний).
Рис.1. Зависимость продолжительности жизни и количества патентов от времени (величина кружка отражает количество населения, после названия страны идет год начала временного ряда) [2].
112
Рис.2. Зависимость продолжительности жизни и величины ВВП на душу населения от времени, (в долл. сша по ценам 2011 года)
(величина кружка отражает количество населения, после названия страны идет год начала временного ряда) [2].
На рис. 3 показан прогноз на 2023 год зависимости заявок на патенты (нерезиденты) от времени, методом ARIMA, который показывает в основном для ведущих стран почти «линейный» рост зависимости после кризиса 2008 года.
Рис.3. Зависимость заявок на патенты (нерезиденты) от времени, проведен прогноз до 2023 года (шкала по оси ординат логарифмическая)
113
Выводы. В данной работе успешно проведен анализ инновационной активности ведущих стран мира (включая Россию) по девяти экономическим параметрам, построен прогноз поведения временных рядов, по авто-регрессионной методике ARIMA.
Полученные данные позволяют более полно оценивать инновационную активность стран мира, проводить их сравнение и прогнозировать поведение и долгосрочное развитие стран.
Литература
1.World Bank Open Data, URL: https://data.worldbank.org, (да-
та обращения: 01.11.2018).
2.Independent Swedish foundation Gapminder, URL: https://www.gapminder.org/tools/, (дата обращения: 01.11.2018).
3.Сомов А.Г. Пономарева О.А. Прогнозирование временных рядов экономических данных с использованием ARIMA процессов
сцелью вывода на рынок инновационных продуктов // Фундаментальные и прикладные исследования в области управле-ния, экономики и торговли: сб. труд. научн. и учеб.-практ конф. – 2017.-Ч. 1.-
С. 340-350.
4.Ссылка на полную таблицу начальных данных. URL: https://yadi.sk/d/kbqF0MLpdN0_iQ (дата обращения: 01.11.2018).
5.Box, G. E. P., G. M. Jenkins, and G. C. Reinsel. Time Series Analysis: Forecasting and Control. 3rd ed. Englewood Cliffs, NJ: Prentice Hall, 1994 - 614 p.
114