Диссертация (1137117), страница 5
Текст из файла (страница 5)
Для формированиясубиндексов используется 15 показателей, нормированных по формуле√√√где√,– нормированное значение показателя;x – исходное значение показателя;– минимальное значение показателя по исследуемой выборке;– максимальное значение показателя по исследуемой выборке.Конечный индекс SZ региона reg рассчитывается по формулеОсновные выводы, полученные Центром стратегических разработок«Северо-Запад»:- на инновационное развития региона существенное влияние оказываетналичие крупного города;29- наиболее инновационно развиты регионы центральной России, наименее –приграничные районы.1.1.11 Индекс инновационного развития регионовМетодика формирования данного индекса подробно описывается в [13].Индекс инновационного развития регионов основывается на 3 агрегированныхблоках, отражающих:1.потенциал для создания инноваций (обозначим PI сам показатель, а- количество исходных показателей, входящих в PI; состоит из 6 исходныхпоказателей);2.потенциал коммерциализации инноваций (PK; 5 показателей);3.результативность инновационной политики (RI; 5 показателей).Выбор показателей объясняется использованием, в определѐнной мере,методов исследования инновационного развития регионов ЕС.
ОсобенностьюИндекса инновационного развития регионов является использование весовыхкоэффициентов: 0,2 – для 1-ого агрегированного показателя; 0,3 – для 2-ого; 0,5 –3-его. Данный факт придает некоторую схожесть со Сводным индексоминновационного развития, применяемым в США (cм. 1.1.2).Конечный индекс рассчитывается по формуле∑∑∑где |PI|– количество исходных показателей блока «потенциал для созданияинноваций»;|PK| – количество исходных показателей блока «потенциал коммерциализацииинноваций»;30|RI| – количество исходных показателей блока «результативность инновационнойполитики»;reg – регионы;t – год расчѐта рейтинга;– значение i-ого показателя блока «потенциал для создания инноваций»;– минимальное значение i-ого показателя блока «потенциал для созданияинноваций»;– максимальное значение i-ого показателя блока «потенциал для созданияинноваций»;– значение i-ого показателя блока «потенциал коммерциализации инноваций»;–минимальноезначениеi-огопоказателяблока«потенциалi-огопоказателяблока«потенциалкоммерциализации инноваций»;–максимальноезначениекоммерциализации инноваций»;– значение i-ого показателя блока «результативность инновационнойполитики»;– минимальное значение i-ого показателя блока «результативностьинновационной политики»;– максимальное значение i-ого показателя блока «результативностьинновационной политики».Таким образом, при расчете Индекса регионального развития регионовучитываются агрегированные значения показателей за 2 года, предшествующихсоставлению рейтинга.1.1.12 Рейтинг регионов РоссииРейтинг регионов России [13] базируется на индексе инновационногоразвития, описанного в 1.1.11, и позволяет разбить субъекты РФ на 5инновационных групп, основываясь на сравнении со средними значениямипоказателей (обозначим SI) по регионам:316.
«Слабые новаторы» (<0,7SI);7. «Средне-слабые новаторы» (0,7SI – 0,9SI);8. «Средние новаторы» (0,9SI – 1,1SI);9. «Средне-сильные новаторы (1,1SI – 1,3SI);10.«Сильные новаторы» (>1,3SI);1.1.13МетодикаНезависимогоинститутасоциальнойполитики(Индекс инновативности, ИИ)Индекс инновативности Независимого института социальной политики(НИСП) [51] основывается на 5 показателях (в 2005 году – 7). В ранней версиииндекса использовались следующие показатели:1. процент крупногородского населения (;2. процент занятых в науке (от занятых в сфере услуг,3.
процент проникновения сотовой связи (););4. численность студентов в государственных Высших учебных заведения(на 10.000 чел.,);5. процент «интернетизации» ();6. ВРП на душу населения (сфера услуг,)7. ВРП на душу населения (наука и «научное обслуживание»,).Нормировка производилась аналогично индексу GII:,а сам индекс рассчитывался как∑После 2005 года поменялось количество показателей индекса (сократилосьдо 5). Показатели были переименованы:1.
субиндекс интернетизации (;322. субиндекс доли затрат на инновации в ВРП (;3. субиндекс % персонала, занятого исследованиями и разработками (4. субиндекс количества патентов (;5. субиндекс числ. студентов гос. ВУЗов (Новый индекс инновативности (;.) рассчитывается по формуле∑Показатели данного индекса использованы в разделе 3 для формированияопределенных кластеров и оценки неоднородности инновационного развития.1.1.14 Исследование А. Гусева (Рейтинг инновационного развитиярегионов, РИРР)Данноеисследованиеописанов[6].Длясоставлениярейтингаиспользуются 6 агрегированных показателей:– фондоотдача;– производительность труда;– экологичность производства;– затраты на технологические инновации (на 1 занятого);– затраты на исследования и разработки (на 1 занятого);– выпуск инновационной продукции.Показатели разделены на 2 блока: «Факторы инновационной восприимчивости,и «Факторы инновационной активности, IA» (IV» (.
Всеединицы измерения являются относительными. Нормировка происходит поформулеЗначения IV и IA для каждого региона рассчитываются как33∑∑Таким образом, итоговая оценка для составления РИРР рассчитывается как)/2.Отметим, что, напрямую или косвенно, для исследования инновационногоразвития также применяются World Development Indicators [52], The RegionalEntrepreneurship and Development Index (REDI) [53], The Business Environment andEnterprise Performance Survey [54], а также The Global Cities Ranking [55].1.2. Система параллельных координатДля визуального отображения полученных в работе результатов, а такжеисследования неоднородности инновационного развития, в работе используетсясистема параллельных координат [33].
Автором общей идеи является AlfredInselberg (1985 год) [34].В [45] предложено использование параллельныхкоординат для многомерного анализа больших данных. В работе обозначенапроблема представления n-мерных данных на плоскости, в связи с чемпредлагается математический аппарат перевода Декартовых координат впараллельные.В настоящее время использование систем параллельных координатвизуализации и представления многомерных данныхдляполучило широкоераспространение в связи с простотой и наглядностью получаемых результатов.Отметим, что существуют другие эффективные методы представлениямногомерных данных:1.Многомерное шкалирование (Multidimensional Scaling, MDS).
Изсовременных печатных изданий, подробно иллюстрирующих многомерноешкалирование, отметим [21]. Объединяет метрические и неметрические методы.342.Лица Чернова (Chernoff Faces) [22, 23]. Данный метод предполагаетотображениемногомерныхобосновываетсяданныхпростотойввидечеловеческогочеловеческоговосприятиялица,чтоинформации,представленной в подобном виде. Первая работа датируется 1973 годом.3.Матричныедиаграммырассеяния(ScatterplotMatrix)[30].Предполагается представление исследуемых данных в виде точек (как правило, в2-мерной системе координат). К настоящему времени, матричные диаграммырассеяния являются одним из наиболее популярных методов отображенияобъектов, исследуемых по 2 показателям.Кратко опишем основную идею системы параллельных координат.Исследуется множество X: |X|=k.
Каждый объект множества характеризуетсясовокупностью из n показателей. Как правило, все показатели нормируются.Далее, строится n-мерная система координат, состоящая из n вертикальных 13параллельных осей, каждая из которых характеризует отдельный показатель. Накаждойосиотмечаетсяфактическое(илинормированное)значениеопределѐнного показателя. При соединении точек формируется кусочно-линейнаяфункция, характеризующая объект множества X.Приведѐм пример.
Пусть исследуется множество X, состоящее из 3объектов. Каждый объект характеризуется 5 показателями, фактические значениякоторых приведены в таблице 2. Задача: представить объекты в системепараллельных координат.Таблица 2. Гипотетические данныеОбъектыОбъект 1Объект 2Объект 3A502010B7040100C301050D907510E20570Требуемое представление объектов 1-3 в 5-мерной системе параллельныхкоординат изображено на рисунке 2.13Изначально использовались равномерно распределѐнные горизонтальные оси. К настоящемувремени, как правило, применяется более привычное представление в виде вертикальных осей.35Рисунок 2. Представление гипотетических данных в 5-мерной системе параллельныхкоординат (слева – горизонтальные оси, справа – вертикальные).Из современных работ, описывающих системы параллельных координат,отметим [31], в которой параллельные координаты рассматриваются на примере 7показателей (Home Value ($), Farm Acres, Average Income ($), Population, +65Population (%), College Graduate (%), Life Expectancy, характеризующих округАламида в Калифорнии, и нормированных в пределах [0;100].С целью дальнейшего построения методов исследования неоднородностиинновационного развития, отметим важную особенность кусочно-линейныхфункций, представленных в системе параллельных координат.
Из [31]:«…наклоны и общие паттерны будут выглядеть совершенно иначе, еслипереставить порядок переменных».Таким образом, дальнейшее исследование с использованием системыпараллельных координат направлено, в т.ч., на объединение исследуемыхобъектов, кусочно-линейные функции которых не теряют своей схожести прилюбых перестановках входных данных. Описание подобных методов приведено вразделе 2.Заключение по Разделу 1.В Разделе 1 рассмотрены основные существующие подходы к анализу иизмерению инновационной активности стран и регионов. Приведено определениетермина «инновации», используемое в работе. Описаны методы построенияосновных индексов инновационного развития. Приведены ссылки на 18 основных36подходов, прямо или косвенно оценивающих инновационное развитие.
Обзориндексов показывает определѐнную схожесть в их расчѐте. Приведено краткоеописание системы параллельных координат, используемой в дальнейшемисследовании, а также приведены ссылки на другие эффективные методывизуализации многомерных данных.37РАЗДЕЛ 2МЕТОДЫ ФОРМИРОВАНИЯ ИНДЕКСОВНЕОДНОРОДНОСТИ ИННОВАЦИОННОГОРАЗВИТИЯВ разделе 2 представлена новая ординальная парно-сопоставительнаямодель выявления паттернов, реализуемая в виде 3 новых оригинальных методов,основанных на парном сравнении показателей исследуемых объектов.
Описаныосновные свойства методов, их вычислительная сложность, приведена блок-схемапрограммной реализации, а также продемонстрирована эффективность ихприменения на примере классических тестовых данных «Anderson-Fisher IrisData» [32] и «Balance Scale Data Set» [44, 57]. Описаны численные методывычисления новых оригинальных индексов неоднородности инновационногоразвития, базирующихся на разработанной ординальной парно-сопоставительноймодели анализа паттернов. Приведенынекоторые свойства предложенныхиндексов, а также рассмотрены примеры их расчета.2.1 Анализ паттернов.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
