Эффективность любой национальной инновационной системы в значительной степени обусловлена состоянием четырех основных ее комплексов: научно-образовательного (НО), государственно-политического (ГП), производственно-экономического (ПЭ) и социокультурного (СК), – формирующих единую экосистему в рамках концепции четверной спирали развития [Carayannis, Grigoroudis, 2016]. Изменение параметров функционирования любого из них как результат национальных политик, безусловно, сказывается и на состоянии других, и на общем результате, поскольку имеет место мутуализм – ситуация, при которой эффективность взаимодействия важна как для совместного функционирования, так и по отдельности. При этом взаимообусловленное развитие комплексов НИС сопровождается формированием совокупности многосторонних адаптаций (коадаптаций), оптимизирующих эти устойчивые взаимодействия.

Онтологическая сложность проблемы повышения эффективности НИС усугубляется тем, что в современном интегрированном мире многие важные для нововведений процессы выходят за пределы отдельных стран, формируя глобализированную среду, наличие и специфика которой определяют потенциал и стратегические направления дальнейшего развития каждой отдельной системы. То есть, сохраняя значительную степень самостоятельности, НИС каждой страны эволюционирует не только в рамках этой среды, но и вместе с ней. Таким образом, актуализируется гипотеза о существовании нескольких характерных базовых типов (образов) национальных инновационных систем, которые можно идентифицировать и к которым с определенной степенью приближения можно отнести все инновационные системы национальных экономик в мире. При этом каждый такой тип имеет свои устойчивые и уникальные черты, в значительной степени обуславливающие параметры поведения и возможности соответствующих НИС. Исходя из этого, развитие каждой отдельной национальной инновационной системы, с одной стороны, многовекторно из-за собственной идентичности, а с другой – может существенно ограничиваться межтиповыми особенностями.

Принимая во внимание сказанное, любые воздействия на развитие национальной инновационной системы должны учитывать не только особенности трансформации составляющих ее комплексов, но и характерные черты соответствующего базового типа, которые также трансформируются во времени и пространстве специфическим образом, обусловленным влиянием географических, экономических, социокультурных и других факторов. Именно учет типовой принадлежности позволяет правильно определить стратегические установки развития НИС и повысить эффективность ее регулирования.

Исследование национальных инновационных систем является популярным направлением последних лет. Так, основатели концепции НИС [Freeman, 1982; Metcalfe et al., 1988; Lundvall, 2007] полагают, что каждая такая система уникальна и неповторима, несмотря на ряд универсальных черт. Подобную точку зрения разделяют исследователи, которые в большей степени фокусируются на национальной специфике и ее динамике (см., например, [Datta et al., 2019]). Кроме того, акцент исследований распространен и на другие уровни, в том числе субнациональный (Кремниевая долина) [Saxenian, 1994], секторальный [Malerba et al., 2004], технологический [Carlsson, Jacobsson, 1997], региональный [Asheim et al., 2004], наднациональный [Jackson, 2014]. Также есть исследования, которые выделяют кластеры наднациональных инновационных систем, выходящих за пределы административных границ [Proksch et al., 2019]. Не меньший интерес в научно-практическом плане представляют таксономии [Godinho et al., 2005; Balzat, Pyka, 2006]: в первой работе анализируются 69 стран с различным регионом расположения и экономическим развитием, во второй – межнациональные особенности НИС восемнадцати развитых высокотехнологичных стран Организации экономического сотрудничества и развития. Отдельно следует выделить подходы, формирующие концептуальную основу для глобальных инновационных систем [Binz, Truffer, 2017].

В целом анализ ряда работ по этому направлению доказывает, что, несмотря на наличие различий в подходах и инструментах разных авторов, гипотеза существования базовых типов инновационных систем объективно обоснована и подтверждена эмпирическими наблюдениями.

Отдавая должное результатам существующих исследований по таксономии национальных инновационных систем, ввиду сложности, комплексности и широты понимания вопроса теоретические и практические аспекты решения проблемы не являются универсальными, так как в большинстве случаев ограничены спецификой целеполагания исследователей. В этой связи цель настоящей работы – предложить научный подход к типологизации национальных инновационных систем, способствующий решению ряда задач, связанных с идентификацией национальных инновационных систем, уточнением состава их базовых типов, анализом функционирующих наднациональных образований на предмет типовой принадлежности, а также моделированием развития.

Исходя из заявленной цели и ожидаемых результатов, методика исследования предполагает использование ряда экономико-математических методов, которые по исходному набору показателей позволяют:

1) установить подобие национальных инновационных систем и сформировать устойчивые кластеры, отвечающие определенным типам НИС, которые рассматриваются как базовые (материнские);

2) разработать инструментарий отнесения новых объектов исследования к соответствующим типам НИС.

В общем приближении процесс распознания базовых типов национальной инновационной системы можно представить в таком виде (более подробно см. [Кравченко, 2019; Кравченко, Заниздра, 2019]):

1.1) обоснование классификационных признаков национальной инновационной системы (в основу положена концепция четверной спирали развития);

1.2) формирование репрезентативной выборки показателей (в исследовании в основу положены базы данных мировых рейтингов за разные годы: Глобальный индекс инноваций, Индекс глобальной конкурентоспособности, Индекс человеческого развития. Кроме того, использовался Индекс готовности к будущему (международный дискуссионный клуб «Валдай» и Всероссийский центр изучения общественного мнения), данные Института статистики ЮНЕСКО, интернет-ресурса Travel Weather Averages, Международного энергетического агентства, Программы содействия управлению энергетическим сектором Всемирного банка и др. Первоначальная выборка состоит из 136 стран, параметры национальных инновационных систем которых характеризуют 148 качественных и количественных показателей в разрезе четырех классификационных признаков: НО, ПЭ, ГП и СК);

1.3) нормализация параметров выборки (для дальнейших корректных сравнений) производилась по правилу: большее значение стандартизированного показателя – более эффективное функционирование национальной инновационной системы. Таким образом, показатели были приведены в диапазон [0, 1] (для последующего построения нейросети с бинарным типом данных);

1.4) каждый анализируемый показатель получил номер исходя из того, к какой классификационной группе (признаку) он относится. Далее полученный ряд был использован как целевая функция при отборе наиболее значимых для формирования кластеров стран (применен метод генетических алгоритмов). То есть решалась обратная задача: при определенном разбиении объектов на группы выбирались показатели, оказывающие наибольшее влияние на это разбиение. Таким образом, первичная матрица была оптимизирована (сокращена до 95 стран);

1.5) кластерный анализ усеченной/оптимизированной выборки (применен метод Уорда). Мера расстояния – квадрат евклидова расстояния. Уточнение количества кластеров производилось с использованием функционала качества – сумма квадратов расстояний до центра кластеров. При этом при разбиении на четыре кластера функционал составил 255, на пять – 235, на шесть – 254.

Для решения задачи отнесения новых объектов к базовым типам национальных инновационных систем построена нейросеть (подробнее см. [Кравченко, Заниздра, 2019]). Алгоритм ее формирования следующий:

2.1) сбор, анализ и стандартизация входных данных (в качестве данных была использована ранее описанная выборка из 136 стран и 148 показателей);

2.2) выбор архитектуры и определения структуры нейронной сети (многослойный персептрон с одним скрытым слоем: 148–60-5);

2.3) обучение нейросети (использовалось 70% первичных параметров, оптимизированных методами генетических алгоритмов, определение обучающей выборки – 100-процентный результат);

2.4) тестирование и проверка нейронной сети (разбивка исходных данных: 15% для тестирования и 15% для проверки, при этом определение тестовой выборки соответствует 92,9% результата, проверочной – 85,7%, что свидетельствует о достаточно высоком качестве формирования сети).

Кластерный анализ оптимизированной выборки из 95 стран с разным географическим расположением и уровнями развития национальных инновационных систем (научно-образовательный, производственно-экономический, государственно-политический и социокультурный комплексы которых характеризуются 148 показателями) позволил выделить пять кластеров. Однако углубленный анализ их состава показал, что один из них, самый малочисленный, включает страны, высокие показатели эффективности в которых достигаются за счет доходов рентного типа. Поэтому этот кластер (Объединенные Арабские Эмираты, САР Гонконг (Китай), Сингапур, Катар) в исследовании был исключен из таксономии. Таким образом, в итоге идентифицировано четыре базовых типа национальных инновационных систем.

С использованием построенной нейронной сети для стран, ранее признанных незначимыми для кластеризации и отсеянных методом генетических алгоритмов, был установлен базовый тип НИС. Полная информация о группировке 132 стран представлена в табл. 1.

В исследовании степень развитости/эффективности национальной инновационной системы анализируется в разрезе указанных выше четырех элементов спирали развития. В этой связи далее с целью объективизации анализа достижений разных стран дополнительно использовались обобщенные результаты трех мировых рейтингов: Глобальный индекс инноваций (GII), Индекс глобальной конкурентоспособности (GCI), Индекс человеческого развития (HDI). Данные этих рейтингов адаптированы к соответствующим выборкам стран: стандартизированы и обобщены в интегральный показатель (Ni) для каждой страны (табл. 2):

где GII*i – стандартизированное значение GII-рейтинга для i-й страны, GСI*i – стандартизированное значение GСI-рейтинга для i-й страны, HDI*i – стандартизированное значение HDI-рейтинга для i-й страны.

Такой подход призван обеспечить определенную сбалансированность оценки достижений разных стран в сфере инноваций, обращая внимание не только на эффективность усилий в этом направлении, но и на степень удовлетворенности общества достигнутыми результатами.

Мера обоснованности использования интегрального показателя (Ni) подтверждалась теснотой связи между ним и значениями рейтинга «Самые инновационные страны мира» (по версии Bloomberg) с помощью коэффициента ранговой корреляции Спирмена в 60 странах. Этот непараметрический метод характеризует связи между переменными, измеряемыми ранговой шкалой (объем выборки обусловлен наличием опубликованных указанным агентством данных). Принимая во внимание указанное и тот факт, что анализируемая выборка включает более 130 стран, а отдельные рейтинги (например, Bloomberg) – меньше, далее в сравнительном анализе экономик в основном использовались результаты интегрального показателя (Ni). Графическая интерпретация результатов кластеризации и ранжирования стран на его основе представлена на рис. 1.

Обобщая полученную информацию, можно сделать общие выводы:

Для дальнейшего более углубленного анализа специфики отдельных кластеров дополнительно использовались следующие данные Глобального индекса инноваций [Global Innovation Index, 2021]:

В соответствии с разработанной таксономией национальная инновационная система России относится к типу «Развитые страны с сильными неформальными институтами, в том числе постсоветского типа». Этот кластер включает еще 25 различных стран – как экономически развитых и инновационных (например, Испанию, Чехию, Италию и т. д.), так и со средним и ниже среднего уровнем развития, а также со слабыми НИС (Албанию, Монголию и т. д.) (табл. 2).

Анализируя данные табл. 2, следует отметить ряд моментов, дополнительно характеризующих НИС типа С:

Россия во всех трех рассматриваемых рейтингах (GII-2020, GCI-2019, HDI-2019) в общемировом разрезе входит в первую треть списков (табл. 2, столбцы 2–4), однако в кластерном разрезе (среди стран базового типа С с подобным типом инновационного развития) демонстрирует позиции на уровне средних, в том числе и по обобщенному показателю (Ni) (табл. 2, столбец 5). Очевидно, такое положение обусловлено присутствием в мировых рейтингах заведомо более слабых стран. Среди важных направлений дальнейшего развития в инновационной сфере следует отметить необходимость корректировки соотношения «вклад/результат от инноваций» (Innovation Output и Innovation Input), так как значение показателя «коэффициент эффективности инноваций» у России ниже среднего по кластеру (табл. 2, столбец 6).

Таким образом, для повышения степени обоснованности результатов моделирования инновационного развития особый интерес представляет не только распределение отдельных стран на лидеров и аутсайдеров в мировом разрезе, но и в каждом базовом типе НИС. Именно понимание полной картины происходящего позволит оценить современное реальное состояние НИС. При этом для любой страны могут рассматриваться два возможных подхода к инновационному развитию в дальнейшем: или ориентир на опыт лидеров своего базового типа НИС (имеющих схожую специфику развития), или стремление к мировым лидерам (условия и характер развития которых существенно отличаются). Очевидно, что во втором случае понадобится гораздо больше ресурсов (в том числе временны́х).

В целом использование описанного научно-методического подхода позволяет решать задачи моделирования таких многомерных явлений, как особенности функционирования отдельных национальных инновационных систем, и прогнозировать эволюцию их типов. Уточненная в общемировом и типовом/кластерном разрезе информация может представлять научно-практический интерес при выявлении характерных особенностей различных типов НИС, а также обосновании стратегических направлений дальнейшего их развития.

Отдельно следует отметить, что предложенный инструментарий также позволяет анализировать уже существующие наднациональные образования и прогнозировать особенности формирования новых. Так, например, в ходе исследования были охарактеризованы несколько наднациональных объединений/союзов1:

С этой целью на базе выборки данных, использованной для кластеризации, сформированы усредненные параметры функционирования указанных объединений (по 148 показателям), которые в дальнейшем идентифицированы нейросетью. Визуализация результатов приведена на рис. 2.

Полученные результаты можно свести к следующему:

Современная регионализация центров политического тяготения носит культурно-технологический характер, что ведет к формированию транснациональных инновационных экосистем, которые необязательно занимают смежные в пространстве территории. Такие экосистемы могут охватывать разные регионы мира, так как объединяют людей и территории, исторически имеющих общие ценности, социокультурные черты и технико-технологические нормы. Так, например, вследствие колонизации Австралия культурно и технологически стала частью западного мира, хотя географически существенно отдалена от Западной Европы и Северной Америки. В этой связи принципиально важное значение для понимания особенностей развития национальных инновационных систем приобретает концепция четырехзвенной спирали инноваций, которая наряду с наукой, промышленностью и властью также учитывает эволюционные и социокультурные аспекты развития общества.

Предложенный в работе научно-методологический подход в целом опирается на гипотезу о целесообразности регулирования развития отдельной национальной инновационной системы с учетом ее принадлежности к определенному базовому типу, имеющему специфические особенности развития. В этой связи в работе идентифицированы четыре базовых типа НИС, которые имеют характерные особенности (пространственно-исторические, ресурсные и пр.), обуславливающие возможности и поведение стран в отношении к нововведениям.

Контуры отдельного типа национальной инновационной системы вполне реальны, однако широки и гибки (допускают пересечение с другими) и, таким образом, возможно множество вариантов развития событий. В этой связи векторы развития НИС отдельной страны естественно разнообразны, однако могут существенно ограничиваться типовой спецификой функционирования. Эту особенность обязательно необходимо учитывать при разработке отдельных национальных стратегий, направленных на активизацию инновационной деятельности.

Разработанный инструментарий предназначен для анализа и моделирования развития НИС с учетом типовых особенностей, его использование направлено на повышение степени обоснованности стратегических решений. С его помощью установлено, что национальная инновационная система России относится к базовому типу «Развитые и развивающиеся страны со смешанными экстрактивно-инклюзивными институтами с сильно выраженной неформальной составляющей (в том числе постсоветского типа)». Результаты ее функционирования (согласно проанализированным статистическим данным) могут быть улучшены. При этом возможны два подхода к корректировке инновационного развития: или укрепление позиций, ориентируясь на опыт стран своего типа НИС (имеют похожую специфику развития), или следование за мировыми лидерами (условия и характер развития которых существенно отличаются). Очевидно, что во втором случае необходимо будет мобилизовать гораздо больше ресурсов и усилий.

В качестве демонстрации дополнительных возможностей инструментария идентифицированы и проанализированы четыре наднациональных объединения стран (ЕС, АТЭС, БРИКС и СНГ). Отмечена относительная эффективность ЕС как наднационального образования на фоне других.

Характерными особенностями, отличающими авторские подходы от существующих, является сочетание методов генетических алгоритмов и кластерного анализа для получения репрезентативной выборки национальных инновационных систем, разных по уровню экономического развития, географическому расположению и доминирующим институтам. Однако их ограничением является необходимость привлечения больших данных для проведения анализа, а также размытые (движущиеся) границы между разными базовыми типами НИС, непостоянные в долгосрочной перспективе. В этой связи дальнейшую идентификацию и распределение конкретных национальных инновационных систем между определенными базовыми типами предлагается выполнять на основе нейросетевого моделирования. Полученная сетевая модель способна накапливать экспериментальные знания, учиться на них и с высоким качеством относить новые объекты анализа к соответствующим кластерам.

Практическая значимость представленных результатов исследования заключается в возможности проведения вариативных аналитико-прогнозных исследований в ходе обоснования оптимальных направлений дальнейшего развития национальной инновационной системы в разрезе общемировых и кластерных тенденций.

1 Основные союзы мира (2020). EconomicData.ru. https://www.economicdata.ru/union.php?menu=world-unions.