О. С. Ноговицына, О. Н. Соболева. Методы исследования факторов инновационной активности предприятий агропромышленного комплекса региона

О. С. НОГОВИЦЫНА, О. Н. СОБОЛЕВА 

МЕТОДЫ ИССЛЕДОВАНИЯ ФАКТОРОВ ИННОВАЦИОННОЙ АКТИВНОСТИ ПРЕДПРИЯТИЙ АГРОПРОМЫШЛЕННОГО КОМПЛЕКСА РЕГИОНА

Ключевые слова: инновационная активность, агропромышленный комплекс, дискриминантный анализ, факторный анализ, стратегия кластеризации

Key words: innovative activity, agricultural sector, discriminant analysis, factor analysis, clustering strategy

НОГОВИЦЫНА Ольга Сергеевна, старший преподаватель кафедры государственного и муниципального управления Вятского государственного университета.

СОБОЛЕВА Ольга Николаевна, и. о. заведующего кафедрой государственного и муниципального управления Вятского государственного университета.

NOGOVITSYNA Olga Sergeyevna, Senior Lecturer at the Department of Public Administration, Vyatka State University (Kirov, Russian Federation).

SOBOLEVA Olga Nikolaevna, Acting Head of the Department of Public Administration, Vyatka State University (Kirov, Russian Federation)

В статье рассмотрены методы исследования факторов инновационной активности предприятий агропромышленного комплекса (АПК) региона при помощи программных продуктов «SPSS 17.0», «Minitab.16». Выделены основные факторы, влияющие на инновационную активность предприятий агропромышленного комплекса на примере Кировской области. Предложена стратегия кластеризации для повышения инновационной активности агропромышленных предприятий региона.

The paper considers the methods of researching factors of innovative activity of enterprises in the regional agro-industrial complex with the help of the "SPSS 17.0" and "Minitab.16" software. Major factors influencing innovative activity of enterprises in the agro-industrial complex were revealed exemplified by the Kirov Region. The clustering strategy for increasing innovative activity of agro-industrial enterprises in a region is proposed.

В современных условиях обеспечение устойчивого развития предприятий агропромышленного комплекса предполагает инновационную активность. В качестве ее основных видов следует выделить: исследования и разработки; инструментальную подготовку и организацию производства; производственное проектирование, дизайн и др.; не связанные с научными исследованиями разработки новых продуктов, услуг и методов их производства, новых производственных процессов; приобретение машин и оборудования, по своему технологическому назначению связанных с внедрением инноваций; приобретение объектов интеллектуальной собственности, связанных с внедрением инноваций; обучение, подготовку и переподготовку персонала; организационные инновации (новые методы, способы, приемы управления); маркетинговые исследования, связанные с внедрением ин-новаций1.

Однако уровень инновационной активности предприятий агропромышленного комплекса в регионах России крайне низок, что требует изучения и выявления факторов, сдерживающих инновационную активность и последующий выбор стратегии повышения инновационной активности предприятий АПК региона.

В качестве методов исследования факторов инновационной активности мы считаем целесообразным использовать дис-криминантный и факторный анализ. Посредством первого выявляются «типичные характеристики» предприятий агропромышленного комплекса, готовых и неготовых к внедрению инноваций. Факторный анализ позволяет сгруппировать схожие по смыслу утверждения в макрокатегории (факторы)2.

В ходе нашего исследования было опрошено 40 руководителей предприятий агропромышленного комплекса Кировской области, готовых и неготовых к внедрению инноваций (55 % готовы, 45 % не готовы). В качестве независимых переменных для описания профилей полученных групп были использованы возраст руководителя, годы; опыт работы, годы; специализация предприятия (растениеводство — 1, животноводство — 2, переработка — 3, смешанная — 4); местоположение предприятия (удаленность от областного центра), км; наличие специалистов, структурных подразделений, занимающихся инновациями (да — 1, нет — 2); количество реализованных инновационных проектов за последние 3 года, ед.; рентабельность внедренных инноваций, %; доля инновационной продукции в общем объеме, %.

Анализ результатов исследования показал, что к группе предприятий, готовых к внедрению инноваций, относятся те, средний возраст руководителей которых составляет 45 лет, опыт работы на рынке 12 лет, удаленность от областного центра — 160 км. В группу не готовых к внедрению инноваций можно отнести предприятия, средний возраст руководителей которых составляет 52 года, опыт работы на рынке — 16 лет, удаленность от областного центра — 270 км. Следует также отметить, что предприятия, у глав которых уже был успешный опыт реализации инновационных проектов, готовы и далее заниматься внедрением инноваций, в то время как руководители, не имеющие подобного опыта, не заинтересованы в этой деятельности. Дискрими-нантный анализ проводился с помощью программного продукта «SPSS 17.0».

Статистически значимые переменные в группах: «количество реализованных инновационных проектов» (0,002 < 0,050), «возраст» (0,004 < 0,050), «рентабельность внедренных инноваций» (0,005 < 0,050) и «доля инновационной продукции» (0,007 < 0,050), «местоположение» (0,013 < 0,050), «наличие структурных подразделений и специалистов, занимающихся инновациями» (0,016 < 0,050).

Значимость F-статистик показывает следующее: когда предикторы рассматриваются по отдельности, то «количество реализованных инновационных проектов» и «возраст руководителей» значимо различаются между руководителями, которые готовы к внедрению инноваций, и теми, кто к этому не готов. При дискриминации между группами наиболее важными предикторами являются «количество реализованных инновационных проектов» (1,435), «наличие структурных подразделений» (0,882).

Анализ объединенной внутригрупповой корреляционной матрицы позволяет сделать вывод о том, что «возраст» и «опыт» тесно связаны, так как их коэффициент корреляции составил 0,56, что выше нормативного значения 0,50. Тесно связаны такие предикторы, как «возраст» и «количество реализованных проектов» (0,566), «возраст» и «доля инновационной продукции в общем объеме выпуска» (0,528), «опыт» и «количество реализованных инновационных проектов» (0,515), «опыт» и «рентабельность внедренных инноваций» (0,560), «опыт» и «доля инновационной продукции в общем объеме выпуска» (0,591), «наличие структурных подразделений и специалистов, занимающихся инновациями» и «количество реализованных инновационных проектов» (0,715), «наличие структурных подразделений и специалистов, занимающихся инновациями» и «рентабельность внедренных инноваций»

(0,783); «наличие структурных подразделений и специалистов, занимающихся инновациями» и «доля инновационной продукции в общем объеме выпуска» (0,866); «количество реализованных инновационных проектов» и «рентабельность внедренных инноваций» (0,937); «количество реализованных инновационных проектов» и «доля инновационной продукции» (0,852); «рентабельность внедренных инноваций» и «доля инновационной продукции» (0,851).

Лямбда Уилкса 0,406 преобразуется в хи-квадрат статистику, равную 30,630 с двумя степенями свободы. Значимость дискриминантной функции составила 0,000, что свидетельствует о высокой значимости различий средних значений, т. е. о статистической надежности и достоверности полученных результатов.

При сложении элементов, лежащих по диагонали матрицы, и разделении полученной суммы на общее количество случаев определяется коэффициент результативности, или процент верно классифицированных случаев. В нашем случае это выглядит так: (18+17)/40 = 0,875 (87,5 %). Исследуемая группа руководителей, готовых к внедрению инноваций, составила 18 чел. из 22. Корректные результаты равны 81,8 %, а ошибочные — 18,2 %. Исследуемая группа руководителей, не готовых к внедрению инноваций, включает 17 чел., 1 чел. был причислен к группе по ошибке. В итоге корректные результаты классификации составили 94,4 %, а ошибочные — 5,6 %, что также свидетельствует о высокой достоверности результатов.

Для выявления факторов, влияющих на инновационную активность предприятий агропромышленного комплекса, был использован факторный анализ: выделено 16 таких факторов (таблица). Все факторы оценивались экспертами по десятибалльной шкале. Далее результаты исследования подверглись факторному анализу при помощи программы «Minitab 16» для выделения наиболее важных.

Из данных корреляционной матрицы видно, что особенно высокое значение корреляции наблюдается между X1 и X2,

X1 и X^ X4 и X^ X5 и X15, X7 и X11, X7 и X13, X7 и X16, X9

и X,,, X, и X„ X, и X,,, X,. и X1B и X,_. Следовательно,

13 11 12 11 13 14 15 16

переменные, тесно взаимосвязанные между собой, должны коррелировать с одними и теми же факторами.

Таблица доступна в полной PDF-версии журнала.

Для определения числа факторов в каждом из запусков программы мы использовали правило: процент объясненной дисперсии фактора должен быть больше, чем 100 % / количество переменных: 100 %/16 = 6,25 %, т. е. в расчет включаются те факторы, доля которых более 6,25 %. Кроме того, можно использовать показатель «собственное значение», величина которого для включения в расчет должна быть больше 1,0. В нашем случае для второго этапа факторного анализа на основе графика «каменистой осыпи» рекомендуется отобрать 2-, 5- или 6-й факторы (рисунок), величина «собственного значения» и величина «доли, %» подтверждают такой отбор («собственное значение» факторов — 4,37; 2,93; 2,43; 1,88; 1,30; «доля, %» — 27,3, 18,4, 15,2, 11,7, 8,1).

Можно сделать вывод, что относительно высокое значение корреляции для первого фактора наблюдается между переменными «недостаточная законодательная поддержка развития инноваций в регионе», «высокие затраты по внедрению инноваций, большой срок окупаемости инноваций»,

«боязнь, что внедрение инноваций не оправдает ожидаемый результат», «отсутствие взаимодействия с вузами и другими НИИ», «отсутствие отдельного бюджета на инновационную деятельность». Данный фактор можно назвать «риски внедрения инноваций».

Scree Plot of CI;...; С1б

1 2 3 4 5 6 7 В 9 10 11 12 13 И 15 16

Рисунок. График «каменистой осыпи» для определения количества факторов

Второй фактор более всего коррелирует с переменными «недостаточность финансовых ресурсов», «отсутствие оборудования, способствующего внедрению инноваций», «проблемы с защитой интеллектуальной собственности», «отсутствие взаимодействия с субъектами рынка при поиске инновационных идей». Отрицательное значение факторных нагрузок говорит о том, что при наличии финансовых ресурсов, оборудования и отсутствии проблем с защитой интеллектуальной собственности у предприятия будет повышаться инновационная активность. Этому фактору можно дать назвать «потенциал предприятия».

Третий фактор более всего коррелирует с переменными «отсутствие льгот по налогам при внедрении инноваций», «отсутствие поддержки со стороны государства». Отрицательное значение этих факторных нагрузок говорит о том, что при наличии поддержки со стороны государства и предоставлении льгот по налогам предприятиям агропромышленного комплекса, внедряющим инновации, инновационная активность будет повышаться. Данный фактор можно назвать «государственная поддержка внедрения инноваций».

Четвертый фактор более всего коррелирует с переменными «отсутствие специалистов в области внедрения и реализации инноваций» и «отсутствие системы мотивации работников для реализации творческого потенциала». Отрицательное значение этих факторных нагрузок говорит о том, что чем больше специалистов в области разработки и внедрения инноваций и более развита система их мотивации, то тем выше инновационная активность предприятия в целом. Данному фактору можно дать название «мотивация работников к инновациям».

Пятый фактор более всего коррелирует с переменными «недостаточность времени», «большой срок окупаемости инноваций». Отрицательное значение факторной нагрузки говорит о том, что сокращение срока окупаемости инноваций способствует повышению инновационной активности предприятий. Этот фактор можно назвать «время».

Для повышения уровня инновационной активности предприятий агропромышленного комплекса Кировской области целесообразно рекомендовать стратегию кластеризации. В агропромышленный кластер Кировской области должны войти предприятия, готовые к развитию на основе инноваций, средний возраст руководителей которых составляет 45 лет, опыт работы на рынке 12 лет, находящиеся в радиусе 160 км от г. Кирова, специализация которых животноводство и переработка мясной и молочной продукции. Также в кластер должны войти высшие учебные заведения региона, объекты инновационной инфраструктуры региона, которые будут выполнять такие функции, как разработка инновационных проектов, проведение научных исследований, подготовка и переподготовка кадров для инновационных проектов, оказание услуг аутсорсинга, выполнение функций интеграторов в системах снабжения и сбыта.

Важной особенностью агропромышленного кластера региона является возможность планирования и осуществления крупных проектов в рамках нескольких организаций. Следует отметить, что проекты, реализуемые в рамках кластера, будут носить инновационный характер и способствовать повышению инновационной активности предприятий, входящих

в него. Реализация проектов в агропромышленном кластере региона должна происходить на конкурсной основе при поддержке региональной исполнительной власти.

ПРИМЕЧАНИЯ

1 См.: Балашов А.И., Рогова Е.М., Ткаченко Е.А. Инновационная активность российских предприятий: проблемы измерения и условия роста. СПб: Изд-во С.-Петерб. гос. политех. ун-та, 2010. 207 с.; Oslo Manual. The measurement of scientific and technological activities proposed guidelines for collecting and interpreting technological innovation data. P.: OECD Publ., 2005. 93 p.

2 См.: Моосмюллер Г., Ребик Н.Н. Маркетинговые исследования М74 с SPSS: учеб. пособие. М.: ИНФРА-М, 2009. 160 с. Поступила 18.09.2014.

O. S. Nogovitsyna, O. N. Soboleva. Methods of Researching Factors of Innovative Activity of Enterprises in the Regional Agro-Industrial Complex

The aim of the study is to determine the characteristics of еру innovation-active enterprises in the agro-industrial complex in a region and to highlight factors which constraint the innovative activity. During the study 40 heads of enterprises in the agro-industrial complex of the Kirov Region were surveyed, both ready and not ready to introduce innovations (55 % are ready to innovate, 45 % are not ready to). As the methods of research, the discriminant analysis and factor analysis were used. To conduct the study, "SPSS 17.0" and "Minitab.16" were applied.

The study allowed to draw the following conclusions: the group of enterprises willing to innovate include the companies whose heads are 45 years old (on average), work experience in the market is 12 years, the distance from the regional center is 160 km; the group of those not ready to innovate comprises the companies, whose heads are on average 52, that have 16 years of work experience in the market, and that are 270 km away from the regional center. The companies whose leaders have already had successful experience in implementation of innovative projects, are ready to continue to engage in innovation, while the managers who do not have experience in implementing innovative projects are not ready to engage in innovation.

As a result of the analysis, five factors hampering innovative activity of enterprises of the agro-industrial complex of a region were also identified: the risks of innovations, the potential of enterprises, governmental support for innovation, motivation of employees to innovate, and time.

To increase the level of innovative activity of enterprises in the agro-industrial complex in the Kirov Region strategy of clustering is expedient. The regional agro-industrial cluster should include enterprises whose heads are willing to introduce innovations, institutions of higher education, and facilities for innovative infrastructure.

 

Лицензия Creative Commons
Материалы журнала "РЕГИОНОЛОГИЯ REGIONOLOGY" доступны по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная