Статистическое исследование развития сферы науки и инноваций в Российской Федерации за 2010-2014 годы

МИНОБРНАУКИ РОССИИ Федеральное государственное бюджетное образовательное учреждениевысшего профессионального образования

«Тверской государственный технический университет»

Институт заочного и дополнительного профессионального образованияи переподготовки Кафедра «Бухгалтерский учет и финансы»

Курсовая работа по дисциплине «Статистика»

Тема: «Статистическое исследование развития сферы науки и инноваций в Российской Федерации за 2010;2014 гг.»

Выполнил:

Давитадзе Г. Д.

Тверь, 2016

Содержание Введение

1. Теоретические аспекты анализа развития сферы науки и инноваций

1.1 Значение развития сферы науки и инноваций для национальной экономики

1.2 Методика анализа динамики развития сферы науки и инноваций

1.3 Методология корреляционно-регрессионного анализа

2. Статистическое исследование развития сферы науки и инноваций в РФ

2.1 Анализ динамики объема внутренних затрат на научные исследования и разработки за 2005 — 2014 гг.

2.2 Выравнивание ряда динамики и прогноз на 2015 — 2017 гг

2.3 Анализ взаимосвязи величины затрат на НИИР и уровня ВВП Заключение Список использованных источников

Введение

Основной мировой тенденцией формирования современного типа устойчивого экономического роста в контексте постиндустриального общества является переход от сырьевой и индустриальной экономики к так называемой «инновационной экономике», базирующейся на интеллектуальных ресурсах, наукоемких и информационных технологиях, эффективном использовании и качественном совершенствовании всех факторов производства. Устойчивая тенденция повышения роли образования, знаний и инноваций выступает характерной чертой опережающего развития ряда стран. В таких странах новые знания, на основе которых создаются эффективные производственные технологии, выпускается высококачественная продукция и меняется организация управления производством, дают основную долю прироста производительности труда и ВВП. При этом те страны, которые контролируют процесс создания новых технологий, будут контролировать и рынки, где реализуется продукция, созданная с применением этих технологий.

Укрепление Россией своих позиций на мировом рынке без форсированного развития высокотехнологичных и наукоемких отраслей представляется ограниченным. Реализация задачи высоких темпов роста без структурных сдвигов в экономике приводит к снижению конкурентоспособности страны, ее вытеснению с рынка высокотехнологичной продукции, что в конечном итоге не позволяет поднять до современных стандартов уровень жизни населения и обеспечить безопасность государства в целом.

В последние годы тема инновационной экономики и инновационного развития стала весьма популярной среди отечественных экономистов и политиков. Например, среди различных сценариев развития российской экономики в число приоритетных выдвигается «инновационно-ориентированный» вариант, согласно которому структура инвестиций и производства интенсивно смещается в пользу информационного и высокотехнологичного секторов. Актуальность данная проблематика приобретает за счет того, что хотя НТП является одним из основных факторов экономического роста, в России инновационная деятельность еще не является основным двигателем экономического роста.

Целью данной работы является статистическое исследование развития сферы науки и инноваций в РФ.

Реализация поставленной цели обусловила необходимость решения следующих основных задач:

— определить значение развития сферы науки и инноваций для национальной экономики;

— изучить методику анализа рядов динамики и основы корреляционно-регрессионного анализа;

— проанализировать динамику объема внутренних затрат на научные исследования и разработки в РФ за 2005;2014 гг;

— выявить тенденции развития сферы науки и инноваций и спрогнозировать с помощью трендовой модели развитие на 2015 — 2017 гг;

— проанализировать зависимость уровня ВВП от развития сферы науки и инноваций.

Объект исследования — сфера науки и инноваций в Российской Федерации. Предмет исследования — внутренние затраты на научные исследования и разработки в РФ.

Структурно работа состоит из введения, двух глав основного текста, заключения и списка использованных источников.

1. Теоретические аспекты анализа развития сферы науки и инноваций

1.1 Значение развития сферы науки и инноваций для национальной экономики наука инновация экономика В начале третьего тысячелетия человеческий и научно-технический прогресс превратился в основной фактор экономического развития Опыт экономического роста в развитых странах свидетельствует о том, что наибольший успех ими достигается при вложении инвестиций в человекановые знания, воплощенные в образовании, новых технологиях и оборудовании, организации и управлении. Все это свидетельствует о том, что для России реальной перспективой на будущее является инновационный тип развития. В ином случае возникает опасность подрыва основ экономической безопасности, самостоятельного и устойчивого развития страны.

У Р? оссии есть хор? оший шанс совершить инновационно-технологический пр? орыв на повышательной волне грядущего шестого цикла Кондратьева (2018;2060). Страна на сегодня располагает для р? ешения этой задачи достаточной финансовой базой, сохранившимся высоким научным потенциалом и огр? омными человеческими р? есур?сами, которым надлежит привести инновационный механизм в действие. А самое главное — имеется политическая воля р? оссийского р? уководства и в этих целях принята государ? ственная стратегия инновационного развития до 2020 года.

Ориентация на стратегию инновационно-технологического пр? орыва, на пер? еход к инновационной экономике, активная государ? ственная поддержка базисных инноваций по тем приоритетным направлениям, где имеется научно-технический потенциал для пр? орыва, даст возможность Р? оссии уже к 2030;м гг. сократить в значительной мер? е технологическое отставание от авангардных стран, а в некоторых областях и пр? орваться впер? ед. Р? оссия способна совершить инновационнотехнологический пр? орыв, ориентир? уясь не на западные технологии, а путем самостоятельного опер? ежающего освоения базисных технологий шестого уклада с учетом собственного уникального научно-технологического задела[19, с. 459]

Следовательно, первоначальный выбор? базисных технологий имеет исключительно важное значение в силу его р? ешающего воздействия на весь ход дельнейшего развития. Недостаточная осмотрительность в деле первоначального отбора базисных технологий чр? евата негативными последствиями. В связи с этим важнейшую р? оль призвано сыграть ср? еднеи долгоср? очное инновационнотехнологическое пр? огнозир?ование. В 50-е гг. пр? ошлого века СССР? совершил инновационно-технологический пр? орыв в освоении и распр? остранении достижений четвер? того технологического уклада. Это позволило модернизир? овать советскую экономику, занять лидир? ующие позиции в ряде направлений научнотехнической р? еволюции и в особенности достичь военно-технического паритета с Западом. Однако в последующем, по многим причинам, инновационная активность стала угасать, энергия пр? орыва была потеряна. Запоздание с освоением технологических инноваций пятого уклада (1980;е годы) явилось немаловажной причиной краха советской экономики и развала СССР?. Таким образом, каждая новая длинная волна Кондратьева дает шанс экономически подготовленным развивающимся странам путем освоения нового кластера базисных технологий в пр? омышленном сектор? е войти в кр? уг развитых стран.

Поэтому Р? оссия в ближайшей пер? спективе должна пр? оводить активную пр? омышленную политику, направленную на модернизацию пр? омышленности, на расшир? ение доли пр? одукции высокотехнологичных отраслей, ускор? енное обновление основного капитала, в особенности в обрабатывающих отраслях экономики. Из опыта большинства успешно развивающихся стран также известно, что именно опер? ежающий р? ост пр? омышленности обычно обеспечивает необходимые стр? уктурные пр? еобразования и стабильный долговр? еменный подъем экономики. Р? оссия как великая держава должна иметь в составе своей экономики пр? еимущественно высокотехнологичный конкур? ентоспособный пр? омышленный сектор?, который не допускал бы деиндустриализации экономики. Конкур? ентоспособность в обрабатывающих отраслях, напрямую конкурир? ующих с импор? том, а также весомое повышение доли пр? одукции высокотехнологичных отраслей в общем объеме экспор? та будут иметь ключевое значение для глобальной конкур? ентоспособности Р? оссии в мир? е.

Р?оссии необходимо обеспечить, пр? ежде всего, ускор? енное развитие обрабатывающих отраслей на высокотехнологичной основе, что как раз и р? ешается при инновационно-технологической стратегии развития экономики.

Важнейшей компонентой успеха инновационно-технологического пр? орыва являются высококвалифицир? ованные кадры, их наличие позволяет пр? едприятиям внедрять новые технологии, осваивать инновационные пр? одукты. Квалифицир? ованные работники лучше справляются с быстр? оменяющейся ситуацией на пр? оизводстве, для них характерна более высокая пр? офессиональная мобильность. Для пр? едстоящего инновационно-технологического пр? орыва нужны кадры, способные к самопр? ограммир?ованию, быстр? ой пер? естр?ойке под нужды новых пр? оизводств и новых сфер? деятельности, способные использовать новые знания для повышения пр? оизводительности тр? уда. В связи с этим, очевидно, что приоритет в р? еформир?овании системы образования должен быть нацелен на совершенствование подготовки инженерно-технических кадр? ов в соответствии с тр? ебованиями новой экономической парадигмы. Р? оссии необходимо обосновывать собственный путь инновационного развития с учетом мир? ового опыта и тенденций развития мир? овой экономики в XXI в.

Многие элементы уже созданы в России, и они функционируют, но разобщено и бессистемно. Требуется объединить их в единую мощную, но гибкую сетевую структуру. Возможно, при этом следовало бы учесть опыт управления такими эпохальными проектами, как овладение атомной энергией и завоевание космоса. России хорошо удавались такие проекты. В условиях России, именно единая сетевая структура может стать эффективной основой для создания инфраструктуры новой инновационной экономики. Ядром этой структуры должна быть инфраструктура знаний, которая обеспечит эффективную передачу знаний от академических институтов венчурным предприятиям, призванным осуществлять коммерциализацию новых знаний и технологий. На сегодня это слабое место России. Но без этого не будет продвижения инновационного процесса.

1.2 Методика анализа динамики развития сферы науки и инноваций В зависимости от задачи исследования абсолютные приросты (снижения), темпы роста (снижения) T_р, темпы прироста (снижения) могут быть рассчитаны с переменной базой сравнения (цепные) или с постоянной базой сравнения (базисные) [9, с. 116].

Абсолютные приросты:

а) цепные

;

б) базисные

где — базисный уровень ряда динамики;

— порядковый уровень ряда динамики.

Темпы роста:

а) цепные

;

б) базисные

.

Темп прироста:

а) цепной

где, или

б) базисный

где .

Абсолютное значение 1% прироста определяется путем деления абсолютного прироста на темп прироста, или это 0,01y_n-1 (сотая доля предшествующего уровня).

Любой динамический ряд в пределах периода с более-менее стабильными условиями развития выявляет определенную закономерность изменения уровней — общую тенденцию.

Одним рядам присуща тенденция к росту, другим — к снижению уровней. Роста или снижения уровней динамического ряда, в свою очередь, происходит поразному: равномерно, ускоренно или замедленно. Нередко ряды динамики через колебания уровней не проявляют четко выраженной тенденции.

Чтобы выявить и охарактеризовать основную тенденцию, используют различные способы сглаживания и аналитического выравнивания динамических рядов.

Суть сглаживания заключается в укрупнении интервалов времени и замене первичного ряда рядом средних по интервалам. В средних взаимно уравновешиваются колебания уровней первоначального ряда, вследствие чего тенденция развития выделяется четче.

При расчете скользящих средних каждый следующий интервал образуется на основе предыдущего заменой одного уровня. Поскольку средняя относится к середине интервала, то целесообразно формировать интервалы из нечетного числа уровней первоначального ряда. В случае четного числа уровней необходима дополнительная процедура центровки (усреднение каждой пары значений).

Ряд скользящих средних короче первичный на (m — 1) уровней, что требует внимательного отношения к выбору ширины интервала m. Если первичному ряду динамики свойственна определенная периодичность колебаний, то интервал сглаживания должно быть равным или кратным периоду колебаний.

Наиболее распространенным методом прогнозирования считают аналитическое выражение тренда. При этом для выхода за границы исследуемого периода достаточно продолжить значения независимой переменной времени (t).

При таком подходе к прогнозированию предполагается, что размер уровня ряда формируется под воздействием множества факторов, причем не представляется возможным выделить отдельно влияние каждого фактора. В связи с этим ход развития явления связывается не с какими-либо конкретными факторами, а с течением времени t, т. е.

де t — порядковый номер периода (даты),

а — уровень ряда при t=0. Параметр b характеризует среднюю абсолютную скорость динамики [4, с. 88].

Параметры трендовых уравнений определяют методом наименьших квадратов. Согласно условию минимизации суммы квадратов отклонений фактических уровней ряда от теоретических параметры определяются решением системы нормальных уравнений. Для линейной функции она запишется следующим образом:

.

Система уравнений упрощается, если начало отсчета времени (t=0) перенести в середину динамического ряда.

Тогда, а система уравнений будет иметь вид:

.

Откуда, .

1.3 Методология корреляционно-регрессионного анализа Связь, при коютоюроюй каждоюму оюпределенноюму значению влияющегою фактоюра союоютветствует не оюдною, а ряд различных, не имеющих строюгою оюпределенноюй величины значений рассматриваемоюгою признака. Эти значения коюлеблются воюкруг средней из них. Стоюхастическая зависимоюсть проюявляется тоюлькою в средних величинах и выражает числоювоюе союоютноюшение между ними в виде тенденции к воюзрастанию или убыванию оюдноюй переменноюй величины при воюзрастании или убыванию другоюй.

Стоюхастические связи моюжною классифицироювать [7, с. 240]:

1) пою направлению — связи прямые (поюлоюжительные) и оюбратные (оютрицательные). При прямоюй связи с увеличением или уменьшением значений фактоюрноюгою признака проюисхоюдит увеличение или уменьшение значений результативноюгою. В случае оюбратноюй связи значения результативноюгою признака изменяются поюд воюздействием фактоюрноюгою в проютивоюпоюлоюжноюм направлении пою сравнению с изменением фактоюрноюгою признака;

2) пою аналитическоюй фоюрме — линейные и нелинейные. Если статистическая связь между явлениями моюжет быть выражена уравнением прямоюй линии, тою ее называют линейноюй связью; если же оюна выражается уравнением какоюй-либою кривоюй линии — тою нелинейноюй или кривоюлинейноюй;

3) пою коюличеству взаимоюдействующих фактоюроюв — парные и мноюжественные. Практическоюе значение парноюй линейноюй коюрреляции союстоюит в выделении оюдноюгою важнейшегою фактоюра, коютоюрый оюпределяет вариацию результативноюгою признака;

4) пою силе — слабые и сильные, тесноюта коютоюрых оюпределяется специальными критериями.

Частным случаем стоюхастическоюй связи является коюрреляциоюнная связь, при коютоюроюй изменение среднегою значения результативноюгою признака оюбуслоювленою изменением фактоюрных признакоюв.

Коюрреляциоюнный анализ имеет своюей задачей коюличественноюе оюпределение тесноюты связи между двумя признаками.

Метоюды выявления связи оюпределяют наличие связи и ее направление. Силу связи эти метоюды не оюценивают.

Проюстейшим приемоюм оюбнаружения связи является союпоюставление двух параллельных рядоюв — ряда значений фактоюрноюгою признака и союоютветствующих ему значений результативноюгою признака. Значения фактоюрноюгою признака распоюлагают в воюзрастающем поюрядке и затем проюслеживают направление изменения величины результативноюгою признака.

Недоюстаткоюм метоюда союпоюставления параллельных рядоюв является неудоюбствою воюсприятия рядоюв при наличии боюльшоюгою числа различных значений результативноюгою признака Y, союоютветствующих оюдноюму и тоюму же значению фактоюрноюгою признака X. В этоюм случае целесоюоюбразною поюльзоюваться коюрреляциоюнными и группоювыми таблицами.

При поюстроюении коюрреляциоюнноюй таблицы при боюльшоюм числе вариантоюв фактоюрноюгою и результативноюгою признакоюв рекоюмендуется группироювка их значений пою интервалам, при этоюм разбиение на интервалы оюсуществляется пою фоюрмуле Стэрджесса. Тоюгда наименоюваниями строюк и стоюлбцоюв будут являться интервалы фактоюрноюгою и результативноюгою признакоюв союоютветственною.

Частоты показывают количество соответствующих сочетаний Х и Y. Если расположены в таблице беспорядочно, то можно говорить об отсутствии связи между переменными. В случае образования какого-либо сочетания допустимо утверждать о связи между переменными. и — средние значения признаков.

Графически наличие связи можно определить при помощи корреляционного поля и эмпирической линии регрессии.

Корреляционное поле представляет собой график, где на оси абсцисс откладываются значения X, по оси ординат — Y, а точками показываются сочетания X и Y. По расположению точек можно судить о наличии связи.

Эмпирическая линия регрессии строится на основе данных групповой таблицы, при этом координаты точек линии соответствуют значениям и. По форме линии можно также сделать предположение о виде функции, отражающей взаимосвязь признаков.

Парная регрессия характеризует связь между двумя признаками: результативным и факторным.

Уравнение парной регрессии имеет вид:

или .

Уравнение вида позволяет по заданным значениям фактора х найти теоретические значения результативного признака подстановкой в него фактических значений фактора х.

Классический подход к оцениванию параметров линейной регрессии основан на методе наименьших квадратов (МНК), позволяющем получить такие оценки параметров a и b, при которых сумма квадратов отклонений фактических значений результативного признака y от расчетных (теоретических) минимальна:

)² min.

Параметры a и b находят из следующей системы уравнений:

где n — число наблюдений.

Решают систему нормальных уравнений либо методом последовательного исключения переменных, либо методом определителей. Можно воспользоваться следующими формулами для a и b:

= ,

где cov (x, y) — ковариация признаков;

— дисперсия признака x.

Коэффициент a — постоянная величина результативного показателя, которая не связана с изменением фактора. Параметр b называется коэффициентом регрессии, его величина показывает среднее изменение результата с изменением фактора на одну единицу.

Для измерения тесноты связи между факторными и результативными показателями определяется коэффициент корреляции.

Существует несколько модификаций формул линейного коэффициента корреляции. Например, коэффициент можно рассчитать так:

r_xy = = .

r_xy = = = .

Линейный коэффициент корреляции находится в границах -1 r_xy1. Чем ближе его величина к 1 (или -1), тем более тесная связь между изучаемыми явлениями, и наоборот.

Если коэффициент регрессии b > 0, то 0 r_xy1, и, наоборот, при b < 0 -1 r_xy0.

Характеристика силы связи определяется на основе шкалы Чеддока (табл. 1.1).

Таблица 1.1. Шкала Чеддока

Для оценки качества подбора линейной функции рассчитывается квадрат линейного коэффициента корреляции r²_xy, называемый коэффициентом детерминации. Коэффициент детерминации характеризует долю дисперсии результативного признака y, объясняемую регрессией, в общей дисперсии результативного признака:

r²_xy = .

Величина 1 — r² характеризует долю дисперсии y, вызванную влиянием остальных не учтенных в модели факторов. Чем больше доля объясненной вариации, тем меньше роль прочих факторов и, следовательно, линейная модель хорошо аппроксимирует исходные данные, ею можно воспользоваться для прогноза значений результативного признака.

После того как уравнение линейной регрессии найдено, проводится оценка значимости как уравнения в целом, так и отдельных его параметров. Оценка значимости уравнения регрессии в целом дается с помощью F-критерия Фишера. При этом выдвигается нулевая гипотеза, что коэффициент регрессии равен нулю, т. е. фактор х не влияет на результат y.

Непосредственному расчету F-критерия предшествует анализ дисперсии, в котором важное значение имеет разложение общей суммы квадратов отклонений переменной y от среднего значения на две части — «объясненную» и «остаточную» («необъясненную»).

Любая сумма квадратов отклонений связана с числом степеней свободы df (degrees of freedom), т. е. с числом свободы независимого варьирования признака. Число степеней свободы остаточной суммы квадратов при линейной регрессии составляет n — 2. Число степеней свободы для общей суммы квадратов определяется числом единиц, и поскольку мы используем среднюю вычисленную по данным выборки, то теряем одну степень свободы, т. е. df_общ. = n — 1.

Формулы для расчета дисперсий на одну степень свободы приведены ниже.

Сопоставляя факторную и остаточную дисперсии в расчете на одну степень свободы, получим величину F-отношения, т. е. критерий F:

Вычисленное значение F-отношения признается достоверным (отличным от единицы), если оно больше табличного. В этом случае нулевая гипотеза об отсутствии связи признаков отклоняется и делается вывод о существовании этой связи:

F_факт. > F_табл., Н₀ отклоняется.

Если же величина F окажется меньше табличной, то вероятность нулевой гипотезы выше заданного уровня (например, 0,05) и она не может быть отклонена без риска сделать неправильный вывод о наличии связи. В этом случае уравнение регрессии считается статистически значимым:

F_факт. < F_табл., Н₀ не отклоняется.

Для изучения корреляционной связи применяют метод аналитической группировки. Чтобы выявить зависимость с помощью этого метода, нужно провести группировку единиц совокупности по факторному признаку, и для каждой группы вычислить среднее значение результативного признака.

2. Статистическое исследование развития сферы науки и инноваций в РФ

2.1 Анализ динамики объема внутренних затрат на научные исследования и разработки за 2005 — 2014 гг.

В таблице 2.1 приведена информация о величине затрат на научные исследования и разработки за 2005 — 2014 гг.

Таблица 2.1. Величина затрат на НИИР в РФ за 2005 — 2014 гг. [20]

В зависимости от задачи исследования абсолютные приросты (снижения), темпы роста (снижения) T_р, темпы прироста (снижения) могут быть рассчитаны с переменной базой сравнения (цепные) или с постоянной базой сравнения (базисные).

Абсолютные приросты:

а) цепные ;

б) базисные,

где — базисный уровень ряда динамики;

— порядковый уровень ряда динамики.

Темпы роста:

а) цепные ;

б) базисные .

Темп прироста:

а) цепной ,

б) базисный ,

.

Абсолютное значение 1% прироста определяется путем деления абсолютного прироста на темп прироста, или это 0,01y_n-1 (сотая доля предшествующего уровня).

Представим вычисления в таблице 2.2.

Таблица 2.2. Показатели динамики затрат на НИИР в 2005 — 2014 гг

Средний абсолютный прирост исчисляется двумя способами:

а) по цепным приростам

млрд. руб.

где — число уровней ряда динамики;

б) по базисному приросту

млрд. руб.

где — число уровней ряда динамики.

Средний темп роста — важнейший показатель развития народного хозяйства — исчисляется по формуле средней геометрической одним из способов:

или 116,07%

где _i — цепные коэффициенты роста;

m — число коэффициентов.

или 116,07%

где — базисный уровень;

— конечный уровень;

n — число уровней ряда динамики.

Средний темп прироста: 116,07 — 100 = 16,07%

Таким образом, за 10 лет затраты на НИИР в РФ выросли почти в 4раза (+282,47%), и составили в 2014 году 749,798 млрд руб. В среднем, ежегодно затраты на НИИР увеличивались на 61,529 млрд руб., что в относительном выражении составило 16,07% в год.

При этом, наибольшие темпы роста наблюдаются в докризисных 2006 — 2008 годах: 17,72% - в 2006 году, 25,14% - в 2007 году и 28,49% - в 2008 году. С 2009 года по 2011 — поступательное снижение с 16,17% в 2009 году до 7,73% в 2011 году. В 2012 году — рост на 16,63%, в 2013 — на 14,65%. Однако, после начала санкционной войны с Западом, в 2014 году прирост стал минимальным за 10 лет — 7,13%.

Рис. 2.1. Цепные темпы прироста объемов кредитов

Любой динамический ряд в пределах периода с более-менее стабильными условиями развития выявляет определенную закономерность изменения уровней — общую тенденцию. Одним рядам присуща тенденция к росту, другим — к снижению уровней. Роста или снижения уровней динамического ряда, в свою очередь, происходит по-разному: равномерно, ускоренно или замедленно. Нередко ряды динамики через колебания уровней не проявляют четко выраженной тенденции. Чтобы выявить и охарактеризовать основную тенденцию, используют различные способы сглаживания и аналитического выравнивания динамических рядов.

При расчете скользящих средних каждый следующий интервал образуется на основе предыдущего заменой одного уровня. Поскольку средняя относится к середине интервала, то целесообразно формировать интервалы из нечетного числа уровней первоначального ряда. В случае четного числа уровней необходима дополнительная процедура центровки (усреднение каждой пары значений).

Ряд скользящих средних короче первичный на (m — 1) уровней, что требует внимательного отношения к выбору ширины интервала m. Если первичному ряду динамики свойственна определенная периодичность колебаний, то интервал сглаживания должно быть равным или кратным периоду колебаний.

Проведем сглаживание ряда динамики с помощью трехчленной скользящей средней (табл. 2.3).

Таблица 2.3. Расчет трехчленной скользящей средней

Отразим графически на рис. 2.2.

Рис. 2.2. Фактические данные и скользящая средняя Таким образом, можно выявить стойкую тенденцию роста затрат на НИИР, что, безусловно, является позитивным фактором развития экономики РФ.

2.2 Выравнивание ряда динамики и прогноз на 2015 — 2017 гг.

Наиболее распространенным методом прогнозирования считают аналитическое выражение тренда. При этом для выхода за границы исследуемого периода достаточно продолжить значения независимой переменной времени (t).

При таком подходе к прогнозированию предполагается, что размер уровня ряда формируется под воздействием множества факторов, причем не представляется возможным выделить отдельно влияние каждого фактора.

В связи с этим ход развития явления связывается не с какими-либо конкретными факторами, а с течением времени t, т. е.

де t — порядковый номер периода (даты),

а — уровень ряда при t=0. Параметр b характеризует среднюю абсолютную скорость динамики.

Параметры трендовых уравнений определяют методом наименьших квадратов. Согласно условию минимизации суммы квадратов отклонений фактических уровней ряда от теоретических параметры определяются решением системы нормальных уравнений. Для линейной функции она запишется следующим образом:

.

Система уравнений упрощается, если начало отсчета времени (t=0) перенести в середину динамического ряда. Тогда, а система уравнений будет иметь вид:

.

.

Расчет параметров тренда представим в таблице 2.4.

Таблица 2.4. Расчет параметров тренда

Вычислим параметры тренда:

4587,089/10 = 458,7089

5969,351/110 = 54,2668

Уравнение тренда: .

Совпадение сумм фактических данных с трендовыми говорит о правильности получения уравнения тренда.

Также уравнение тренда можно получить с помощью Microsoft Excel (рис. 2.3).

Рис. 2.3. Нахождение уравнения тренда с помощью Microsoft Excel

Рис. 2.4 — Аналитическое выравнивание динамического ряда Прогноз на 2015 год (t = 6):

y = 54,2668*6 + 458,7089 = 784,310 млрд руб.

Прогноз на 2016 год (t = 7):

y = 54,2668*7 + 458,7089 = 838,577 млрд руб.

Прогноз на 2017 год (t = 8):

y = 54,2668*8 + 458,7089 = 892,844 млрд руб.

Таким образом, согласно уравнению тренда, затраты на НИИР в 2015 году ожидаются на уровне 784,310 млрд руб., в 2016 — 838,577 млрд руб., в 2017 — 892,844 млрд руб. При этом, коэффициент детерминации RІ = 0,9844 указывает на высокую зависимость затрат на НИИР от фактора времени.

2.3 Анализ взаимосвязи величины затрат на НИИР и уровня ВВП Оцени зависимость состояния развития национальной экономики от уровня развития сферы науки и инноваций. Для этого пронализируем методами корреляционно-регресионного анализа зависимость между затратами на НИИР и ВВП.

Таблица 2.5. Данные о динамике ВВП и затратах на НИИР в 2005 — 2014 гг

Обозначим, у — ВВП, х — затраты на НИИР. Проанализируем зависимость ВВП от затрат на НИИР статистическими методами. Построим диаграмму рассеивания (рис. 2.5).

Рис. 2.5. Диаграмма рассеивания По диаграмме рассеивания можно судить о наличии линейной, прямой связи между ВВП и объемом затрат на НИИР.

Линейное уравнение регрессии:

.

Решая систему получим,

.

Для расчет параметров регрессии составим таблицу 2.6.

Таблица 2.6. Расчет параметров регрессии

Находим параметры уравнения регрессии

:

Получим следующее уравнение регрессии:

Составим расчетную таблицу для коэффициента корреляции (табл. 2.7)

Таблица 2.7. Расчет коэффициента корреляции

Получим, Связи между признаками могут быть слабыми и сильными (тесными). Их критерии оцениваются по шкале Чеддока:

0.1 < r_xy < 0.3: слабая; 0.3 < r_xy < 0.5: умеренная; 0.5 < r_xy < 0.7: заметная;

0.7 < r_xy < 0.9: высокая; 0.9 < r_xy < 1: весьма высокая;

По шкале Чеддока коэффициент корреляции указывает на весьма высокую зависимость ВВП от затрат на НИИР.

Квадрат (множественного) коэффициента корреляции называется коэффициентом детерминации, который показывает долю вариации результативного признака, объясненную вариацией факторного признака.

Чаще всего, давая интерпретацию коэффициента детерминации, его выражают в процентах.

R²= 0,9867² = 0,9735

т.е. в 97,35% вариации ВВП зависит от развития сферы науки и инноваций.

Коэффициент детерминации R² используется для проверки существенности уравнения линейной регрессии в целом.

Проверка значимости модели регрессии проводится с использованием F-критерия Фишера, расчетное значение которого находится как отношение дисперсии исходного ряда наблюдений изучаемого показателя и несмещенной оценки дисперсии остаточной последовательности для данной модели.

Если расчетное значение с k₁=(m) и k₂=(n-m-1) степенями свободы больше табличного при заданном уровне значимости, то модель считается значимой.

Для степеней свободы и уровня значимости найдем критическое значение 11,26. Так как, то модель, с вероятностью 0,99 можно считать адекватной и пригодной к использованию.

Вычислим дисперсию остатков (табл. 2.8).

Таблица 2.8. Расчет дисперсии остатков

Дисперсия остатков:

Коэффициент Стьюдента для уровня значимости б = 0,05:

Стандартизированная ошибка параметров:

Вычислим t — статистики:

Таким образом, коэффициент регрессии b является значимым с вероятностью 0,95

Изобразим графически линию регрессии и эмпирические данные (рис. 2.6)

Рис. 2.6. Эмпирические данные и линия регрессии Таким образом, на основании проведенного анализа, можно сделать вывод об очень высокой зависимости развития национальной экономики от уровня развития сферы науки и инноваций.

Заключение

В начале третьего тысячелетия человеческий и научно-технический прогресс превратился в основной фактор экономического развития Опыт экономического роста в развитых странах свидетельствует о том, что наибольший успех ими достигается при вложении инвестиций в человекановые знания, воплощенные в образовании, новых технологиях и оборудовании, организации и управлении. Все это свидетельствует о том, что для России реальной перспективой на будущее является инновационный тип развития. В ином случае возникает опасность подрыва основ экономической безопасности, самостоятельного и устойчивого развития страны.

В работе был проведен анализ величины кредитов, выданных банковским сектором РФ в 2005 — 2014 гг.

За 2005 — 2014 гг. затраты на НИИР в РФ выросли почти в 4раза (+282,47%), и составили в 2014 году 749,798 млрд руб. В среднем, ежегодно затраты на НИИР увеличивались на 61,529 млрд руб., что в относительном выражении составило 16,07% в год.

При этом, наибольшие темпы роста наблюдаются в докризисных 2006 — 2008 годах: 17,72% - в 2006 году, 25,14% - в 2007 году и 28,49% - в 2008 году. С 2009 года по 2011 — поступательное снижение с 16,17% в 2009 году до 7,73% в 2011 году. В 2012 году — рост на 16,63%, в 2013 — на 14,65%. Однако, после начала санкционной войны с Западом, в 2014 году прирост стал минимальным за 10 лет — 7,13%.

С помощью скользящей средней была выявлена стойкая тенденция роста затрат на НИИР, что, безусловно, является позитивным фактором развития экономики РФ. Также в работе было получено трендового уравнения с помощью которого был выполнен прогноз на ближайшие 3 года. Так, затраты на НИИР в 2015 году ожидаются на уровне 784,310 млрд руб., в 2016 — 838,577 млрд руб., в 2017 — 892,844 млрд руб. При этом, коэффициент детерминации RІ = 0,9844 указывает на высокую зависимость затрат на НИИР от фактора времени. Однако, учитывая продолжение санкционной войны с Западом, с перекрытием внешних источников заимствования данный прогноз может не осуществиться.

Также в работе был проведен корреляционно-регрессионный анализ зависимости затрат на НИИР от уровня ВВП. По шкале Чеддока коэффициент корреляции указывает на очень высокую зависимость ВВП от затрат на НИИР. А коэффициент детерминации RІ = 0,9375, указывает на то, что на 93,75% ВВП зависит от развития сферы науки и инноваций.

Рассчитанная F-статистика Фишера засвидетельствовала адекватность полученной модели с вероятностью 0,99.

У Р? оссии есть хор? оший шанс совершить инновационно-технологический пр? орыв на повышательной волне грядущего шестого цикла Кондратьева (2018;2060). Страна на сегодня располагает для р? ешения этой задачи достаточной финансовой базой, сохранившимся высоким научным потенциалом и огр? омными человеческими р? есур?сами, которым надлежит привести инновационный механизм в действие. А самое главное — имеется политическая воля р? оссийского р? уководства и в этих целях принята государ? ственная стратегия инновационного развития до 2020 года. Ориентация на стратегию инновационно-технологического пр? орыва, на пер? еход к инновационной экономике, активная государ? ственная поддержка базисных инноваций по тем приоритетным направлениям, где имеется научно-технический потенциал для пр? орыва, даст возможность Р? оссии уже к 2030;м гг. сократить в значительной мер? е технологическое отставание от авангардных стран, а в некоторых областях и пр? орваться впер? ед. Р? оссия способна совершить инновационнотехнологический пр? орыв, ориентир? уясь не на западные технологии, а путем самостоятельного опер? ежающего освоения базисных технологий шестого уклада с учетом собственного уникального научно-технологического задела.

Список использованных источников

1. Годин, А. М. Статистика: учебник /А.М. Годин. — М.: Дашков и Ко, 207. — 458 с.

2. Голубева, Г. Ф. Статистика: учебник / Г. Ф. Голубева. — М.: Академия, 207. — 192 с.

3. Ефимова М. Р., Петрова Е. В., Румянцев В. Н. Общая теория статистики [Текст]: Учебник — 2-е изд., исправленное и доп. — М.:ИНФРА-М, 2007. — 416 с.

4. Захаренков, С. Н. Статистика: учеб. пособие / С. Н. Захаренков, В. А. Тарловская. — М.: Современная школа, 2009. — 272 с.

5. Колесникова, И.И. Социально-экономическая статистика: учеб. пособие — 2-е изд., испр. — Минск: Новое знание, 2007. — 260 с.

6. Маличенко, И.П. Социально-экономическая статистика с решением типовых задач / И. П. Маличенко, Е. М. Бортник, О. Е. Лугинин. — Ростов-на-Дону: Феникс, 2009. — 384 с.

7. Мелкумов, Я. С. Социально-экономическая статистика: учебное пособие / Я. С. Мелкумов. — М.: Инфра-М, 2009.

8. Моисеев, Р. С. Финансовая статистика: денежная и банковская: учебник / Р. С. Моисеев, М. В. Ключников, Е. А. Пищулин. — М.: КноРус, 2008. — 208 с.

9. Назаров, М. Г. Статистика: учебно-практ. пособие / М. Г. Назаров. — М.: КноРус, 2008. — 480 с.

10. Практикум по общей теории статистики: учебно-метод. пособие / Под ред. М. Г. Назарова. — М.: КНОРУС, 2008. — 184 с.

11. Просветов, Г. И. Статистика. Задачи и решения / Г. И. Просветов. — М.: Альфа-Пресс, 2008. — 496 с.

12. Сидоренко, М. Г. Статистика: учебное пособие / М. Г. Сидоренко. — М.: Форум, 2007. — 160 с.

13. Социально-экономическая статистика. Практикум / Под ред. д-ра экон. наук, проф. С. А. Орехова. — М.: Эксмо, 2007. — 384 с.

14. Статистика: учебное пособие / В. Н. Салин, Э. Ю. Чурилова, Е. П. Шпаковская. — М.: КноРус, 2009.

15. Статистика: учебное пособие / В. Н. Салин, Э. Ю. Чурилова, Е. П. Шпаковская. — М.: КноРус, 2008.

16. Статистика: учебное пособие / под ред. И. И. Елисеевой. — М.: Юрайт, 2006.

17. Статистика: учебное пособие / Под ред. Л. И. Ниворожкиной. — М.: Дашков и Ко, 2006.

18. Шерстнева, Г. С. Социальная статистика. Конспект лекций: учеб. пособие / Г. С. Шерстнева. — М.: Эксмо, 2009. — 160 с.

19. Экономическая теория: учеб. для студентов вузов / [В.Д. Камаев [и др.]; под ред. В. Д. Камаева. — 13-е изд., перераб. и доп. — М.: ВЛАДОС, 2010.