Решение задачи сравнительного анализа корреляционной связи показателей интеллектуального капитала и Индекса глобальной конкурентоспособности России, а также схожих по профилю GCI стран, и развитых стран с высоким уровнем конкурентоспособности требует выделить соответственно 2 группы стран.
собности (по методике ВЭФ, 2014-2016 гг.)
Методика ВЭФ выделяет группы стран, для которых определяющими драйверами роста конкурентоспособности являются 3 основные группы показателей: показатели базовых потребностей, показатели эффективности и показатели инноваций. Также есть группы стран, которые находятся в транзитном состоянии перехода из одной группы в другую (Таблица 3.1.1).
Таблица 3.1.1 — Группировка стран по признаку драйверов конкурентоспособности
| Страны с драйверами | Страны с переходным | Страны с драйверами инноваций |
| эффективности | типом экономики | (37 стран) |
| (30 стран) | (19стран) | |
| Албания | Аргентина | Австралия |
| Армения | Барбадос | Австрия |
| Босния и Герцеговина | Чили | Бахрейн |
| Бразилия | Коста-Рика | Бельгия |
| Болгария | Хорватия | Канада |
| Кабо-Верде | Венгрия | Кипр |
| Китай | Латвия | Чешская Республика |
| Колумбия | Ливан | Дания |
| Эквадор | Литва | Эстония |
| Египет | Малайзия | Финляндия |
| Сальвадор | Маврикий | Франция |
| Грузия | Мексика | Германия |
| Гватемала | Оман | Греция |
| Индонезия | Панама | САР Гонконг |
| Иран | Польша | Исландия |
| Ямайка | Российская Федерация | Ирландия |
| Иордания | Саудовская Аравия | Израиль |
| Македония | Словацкая Республика | Италия |
| Черногория | Турция, | Япония |
| Марокко | Уругвай | Корея, респ. |
| Намибия | Люксембург | |
| Парагвай | Мальта | |
| Перу | Нидерланды | |
| Румыния | Новая Зеландия | |
| Сербия | Норвегия | |
| Южная Африка | Португалия | |
| Шри-Ланка | Катар | |
| Таиланд | Сингапур | |
| Тунис | Словения Испания Швеция Швейцария Тайвань, Китай Тринидад и Тобаго Объединенные Арабские Эмираты Великобритания США |
Согласно методике ВЭФ, Россия находится в переходном состоянии между группами стран с драйверами эффективности и инноваций.
Исходя из этого, автором был проведен корреляционный анализ показателей за период с 2014 по 2016 г.г. для двух выборок стран:
1. Группа стран, характеризующаяся драйверами эффективности и переходные страны (далее группа 1).
2. Страны, характеризующиеся драйверами инноваций (далее группа 2).
Объединение групп стран с драйверами эффективности со странами переходных экономик связано с тем, что они не в полной мере характеризуются инновационными факторами, а значит тяготеют скорее к странам с драйверами эффективности, чем странам, движимым инновационными факторами.
В частности, Российская Федерация входит в группу транзитных стран, переходящих из группы, ориентированной на показатели эффективности, к группе стран, ориентированных на показатели инноваций.
В задачи нашего исследования входит детальное изучение тенденций развития показателей, характеризующих интеллектуальный капитал. Автором было принято решение рассматривать как значимые корреляционные зависимости с умеренным (в интервале 0,5-0,75) и высоким (0,75 и выше) уровнями коэффициентов корреляции в обеих группах стран.
Для выявления внутренних взаимосвязей между показателями интеллектуального капитала подробнее рассмотрим каждый из 5 блоков показателей по странам первой и второй групп. Здесь и далее в Приложениях 12 и 16 желтым цветом отмечены наиболее значимые показатели, имевшие высокие параметры корреляционной связи (коэффициент парной корреляции — 0,5-0,75) в течение 3 лет, зеленым — показатели, имевшие эти параметры в течение 2 лет, белым — показатели, имевшие единичный случай значимой связи или не имевшие ее вовсе. Результаты корреляционного анализа по обеим группам представлены в приложениях 9-12 и 13-16.
Обобщая результаты корреляционного анализа по двум группам стран, рассмотрим повторяемость взаимосвязей всех показателей интеллектуального капитала и GCI страны (Таблица 3.1.2.). В таблице красным цветом выделены те показатели, по которым выявлена высокая взаимосвязь с теснотой связи более 0,75 в течение 3 лет, желтым и зеленым цветом — с теснотой связи от 0,5 до 0,75 соответственно в течение 3 и 2 лет.
Таблица 3.1.2 — Результаты сравнительного корреляционного анализа повторяемости взаимосвязей показателей интеллектуального капитала с Индексом глобальной конкурентоспособности в странах 1 и 2 группы за период 2014-2016 г.г. [53]
| 1 группа | 2 группа | |
| Показатели интеллектуального капитала | стран | стран |
| 1. Количество патентов на 1 млн. чел | 0 | 3 |
| 2. Уровень охвата высшим образованием | 1 | 0 |
| 3 .Качество преподавания математики и естественных наук | 0 | 2 |
| 4. Качество бизнес- школ | 1 | 3 |
| 5. Доступность дополнительного образования | 3 | 3 |
| 6. Качество обучения персонала | 3 | 3 |
| 7. Гибкость определения зарплаты | 0 | 1 |
| 8.Уровень приема/увольнения | 1 | 0 |
| 9. Оплата и производительность | 3 | 3 |
| 10.Способность страны сохранять таланты | 0 | 3 |
| 11. Способность страны привлекать таланты | 1 | 3 |
| 12. Доступность новых технологий | 3 | 3 |
| 13. Доступность инженеров и ученых | 3 | 1 |
| 14. Трансфер технологий | 3 | 0 |
| 15. Качество НИИ | 3 | 3 |
| 16. Совместная работа университетов и регионов | 3 | 3 |
| 17.Умение регионов осваивать новые технологии | 3 | 3 |
| 18. Инновационный потенциал | 2 | 3 |
| 19. Расходы на НИОКР | 2 | 3 |
Как видно из Таблицы 3.1.2, во второй группе стран (с драйверами инноваций) у 15 из 20 рассмотренных показателей интеллектуального капитала статистический анализ выявил стабильно значимую корреляцию на протяжении трех лет, причем 11 из них имеют сильную взаимосвязь (более 0,75). Статистический анализ показал, что у второй группы (развитых стран) коэффициенты корреляции с GCI по 17 показателям существенно выше, чем у первой группы стран.
В то же время для первой группы стран по 12 из 20 показателей выявлена стабильная взаимосвязь с коэффициентом корреляции в интервале 0,5-0,75, причем не было ни одного показателя, который на протяжении всех 3 лет имел бы взаимосвязь более 0,75. [53]
В блоке интеллектуальной собственности у первой группы стран имеет место сильное отставание по показателю «Количество патентов на 1 млн. чел.», однако ввиду того, что данный показатель является результирующим, его увеличение возможно благодаря адекватным управленческим решениям в других блоках показателей. В блоке профессионального образования у стран 1 группы в отличии от стран характеризующихся инновационными показателями не наблюдается взаимосвязи с показателями качество преподавания математики и естественных наук а так же качество бизнес- школ. Поддержка государства и бизнеса в целях повышения качества обучения крайне важна, поскольку качество преподавания математики и естественных наук, а также качество бизнес-школ определяет качество подготовки научных и управленческих кадров, их компетентность, которые являются одним из ключевых факторов роста интеллектуального капитала страны. Так же стоит отметить, что во второй группе развитых стран довольно значимыми оказались показатели «Способность страны привлекать таланты» (Коэффициент корреляции 0,798112), а также «Способность страны сохранять таланты» (0,6379). Это проявление более высокой ценности человеческого капитала в развитых странах и наличия социально-экономических и правовых механизмов привлечения талантов со всего мира.
Для более точного анализа отличий и сходств между показателями интеллектуального капитала в этих 2 группах стран нами были построены 2 профиля интеллектуального капитала в соответствии с методологией, представленной во 2 главе диссертации.
Проведем сравнительный анализ полученных профилей с профилем стран 2 группы (с драйверами инноваций). При составлении профиля инновационных стран была использована аналогичная методика факторного анализа, описанная в данной главе. Для анализа нами были использованы данные за 2015 год по 37 странам, входящим в группу с инновационными драйверами развития.
Результаты факторного анализа этих показателей с применением вращения типа варимакс представлены в Таблице 3.1. 3.
Таблица 3.1.3 — Результаты факторного анализа по группе стран с инновационным типом экономики
| Переменные | Факторы | ||
| F1 | F2 | F3 | |
| Х1 Количество зарегистрированных патентов | <0.75 | <0.75 | <0.75 |
| Х10 Доля населения, имеющего высшее образование | <0.75 | <0.75 | -0,798 |
| Х11 Качество преподавания математики и естественных наук | <0.75 | <0.75 | <0.75 |
| Х12 Качество бизнес-образования | <0.75 | <0.75 | <0.75 |
| Х13 Доступность дополнительного образования | 0,758 | <0.75 | <0.75 |
| Х14 Качество обучения персонала | 0,830 | <0.75 | <0.75 |
| Х5 Гибкость определения зарплаты | <0.75 | <0.75 | <0.75 |
| Х6 Уровень приема/увольнения | <0.75 | 0,855 | <0.75 |
| Х7 Оплата труда/ производительность | <0.75 | 0,765 | <0.75 |
| Х8 Способность страны сохранять таланты | 0,814 | <0.75 | <0.75 |
| Х9 Способность страны привлекать таланты | <0.75 | <0.75 | <0.75 |
| Х15 Доступность новых технологий | 0,912 | <0.75 | <0.75 |
| Х16 Трансфер технологий | <0.75 | <0.75 | <0.75 |
| Х17 Качество научно- исследовательских институтов | 0,922 | <0.75 | <0.75 |
| Х18 Совместная работа университетов и предприятий | 0,864 | <0.75 | <0.75 |
| Х19 Доступность инженеров и ученых | <0.75 | <0.75 | <0.75 |
| Х2 Уровень усвоения новых технологий | 0,840 | <0.75 | <0.75 |
| Х3 Интеллектуальный потенциал | 0,935 | <0.75 | <0.75 |
| Х4 Расходы на НИОКР | 0,855 | <0.75 | <0.75 |
На втором этапе исследования были построены 2 регрессионные многофакторные модели (Приложение 17 и 18). В первой модели в качестве независимых переменных нами были выбраны переменные, входящие в 1 факторную группу (Х13, Х8, Х15, Х17, Х18, Х2, Х3, Х4), а в качестве зависимой переменной — значение F1. В результате последовательного построения и отбора моделей нами была построена модель, удовлетворяющая всем статистическим критериям:
F1 = -8,3254 + 0,324473х14 + 0,128649х8 + 1,017198х15 — 0,50742х2 +
0,62188х3 (3) Во второй модели мы рассмотрели вторую факторную группу (значение 2 фактора рассматривалось в качестве зависимой переменной), а в качестве независимых переменных рассматривались два фактора (Х6, Х7). В результате последовательного отбора была построена следующая регрессионная модель:
F2 = -3,64122 + 0,885х7 (4)
Таким образом, мы получаем следующий профиль интеллектуального капитала для второй группы стран.
Самым крупным блоком показателей, представленных в данной группе, являются показатели инновационной активности регионов. Они соответствуют одноименной группе на уровне предприятия, которая не только включает все 3 показателя, измеряемые в рамках методики GCI, но помимо этого еще 2 являются прямыми факторами влияния на развитие интеллектуального капитала на макро-и мезоуровнях.
Это является сильным аргументом в пользу утверждения, что инновационная активность в данных странах является основой формирования интеллектуального капитала на уровне страны и региона.
Настолько же широко в факторе F1 представлен блок инновационной обеспеченности региона. Регрессионный анализ показал, что в составе этих показателей всего 1 влияет на интеллектуальный капитал региона (Х15-доступность новых технологий). Несмотря на то, что на микроуровне данный блок показателей не может быть адекватно оценен, невозможно отрицать большое влияние инновационной инфраструктуры как на интеллектуальный капитал региона, так и на интеллектуальный капитал предприятия.
Немалый вклад в формирование фактора F1 вносит система высшего и профессионального образования, которая на микроуровне представлена блоком обучения персонала. Хотя данный блок представлен всего 2 показателями, один из них (Х14- качество обучения персонала) является прямым фактором развития интеллектуального капитала региона. Наименьшее влияние на формирование фактора оказывает единственный показатель из блока Защиты интеллектуальной собственности.
Также всего одним показателем в факторе F1 представлен блок Рынка труда и соответствующий ему на микроуровне блок показателей оплаты труда и кадрового состава (Х8 — способность страны сохранять таланты). Однако именно он является показателем, напрямую влияющим на интеллектуальный капитал.
Следует отметить, что большая часть показателей, представленных в факторе F1 (Х2, Х3, Х4, Х13, Х14, Х8, Х15, Х19), по результатам корреляционного анализа, существенно влияют на конкурентоспособность страны.
Помимо этого, остальные показатели блока Рынка труда представлены в факторе F2:
Х6 — уровень приема и увольнения;
Х7- оплата труда/производительность, который является прямым показателем влияния на интеллектуальный капитал. Данный показатель также влияет на конкурентоспособность по результатам корреляционного анализа.
Аналогичным образом нами был построен профиль интеллектуального капитала для стран первой группы (в который входит и Россия). В Таблице 3.1.4 представлены результаты факторного анализа с применением вращения типа ва-римакс.
На втором этапе исследования нами были построены 3 регрессионные многофакторные модели (Приложения 19-21). В первой модели в качестве независимых переменных выбраны переменные, входящие в 1 факторную группу (Х12, Х13, Х18, Х19, Х3, Х4), а в качестве зависимой переменной — значение F1. В результате последовательного построения и отбора моделей нами была построена модель, удовлетворяющая всем статистическим критериям:
F1 = -6,7633 + 0,893х12 + 0,8041х4 (5)
Во второй модели мы рассмотрели третью факторную группу, а в качестве независимых переменных рассматривались компоненты данного фактора (Х7). В результате была построена следующая регрессионная модель:
F3 = -4,1771 + 1,1704 х7
Таблица 3.1.4 — Матрица повернутых компонент стран с инвестиционными драйверами роста
| Факторы | ||||
| F1 | F2 | F3 | F4 | |
| Х1 Количество зарегистрированных патентов | <0.75 | <0.75 | <0.75 | 0,793 |
| Х10 Доля населения, имеющего высшее образование | <0.75 | <0.75 | <0.75 | <0.75 |
| Х11 Качество преподавания математики и естественных наук | <0.75 | <0.75 | <0.75 | <0.75 |
| Х12 Качество бизнес-образования | 0,771 | <0.75 | <0.75 | <0.75 |
| Х13 Доступность дополнительного образования | 0,796 | <0.75 | <0.75 | <0.75 |
| Х14 Качество обучения персонала | <0.75 | <0.75 | <0.75 | <0.75 |
| Х5 Гибкость определения зарплаты | <0.75 | <0.75 | <0.75 | <0.75 |
| Х6 Уровень приема/увольнения | <0.75 | <0.75 | 0,840 | <0.75 |
| Х7 Оплата труда/ производительность | <0.75 | <0.75 | <0.75 | <0.75 |
| Х8 Способность страны сохранять таланты | <0.75 | <0.75 | <0.75 | <0.75 |
| Х9 Способность страны привлекать таланты | <0.75 | <0.75 | <0.75 | <0.75 |
| Х15 Доступность новых технологий | <0.75 | <0.75 | <0.75 | <0.75 |
| Х1 6 Трансфер технологий | <0.75 | <0.75 | <0.75 | <0.75 |
| Х17 Качество научно- исследовательских институтов | <0.75 | 0,863 | <0.75 | <0.75 |
| Х18 Совместная работа университетов и предприятий | 0,807 | <0.75 | <0.75 | <0.75 |
| Х19 Доступность инженеров и ученых | 0,854 | <0.75 | <0.75 | <0.75 |
| Х2 Уровень усвоения новых технологий | <0.75 | <0.75 | <0.75 | <0.75 |
| Х3 Интеллектуальный потенциал | 0,790 | <0.75 | <0.75 | <0.75 |
| Х4 Расходы на НИОКР | 0,784 | <0.75 | <0.75 | <0.75 |
Третья модель была построена на основе четвертой факторной группы, в которую также входила всего одна переменная (Х1), которая была рассмотрена в качестве независимых переменных, в то время как значение фактора F4 рассматривалось в качестве зависимой переменной, в результате чего была получена следующая регрессионная модель:
Таким образом, мы получаем профиль интеллектуального капитала для второй группы стран. Как можно видеть из рисунка, наибольшая факторная группа в профиле представлена фактором F1, в который входят показатели из трех групп: показатели, характеризующие профессиональное образование (Х12, Х13), показатели инновационной обеспеченности (Х18, Х19) и инновационной активности (Х3, Х4). Именно эта группа является основным фактором, характеризующим особенности формирования интеллектуального капитала в странах первой группы. Интересно отметить, что показатели X12, Х18, Х19, Х3 и Х4 также имеют сильную корреляцию с уровнем Индекса глобальной конкурентоспособности в странах второй группы.
Что касается показателей Х17 и Х1, представленных во втором и четвертом факторе соответственно, согласно результатам корреляционного анализа, они также сильно влияют на конкурентоспособность предприятия. Таким образом, большая часть факторов, вошедших в данный профиль (7 из 9), имеют значительное влияние на формирование конкурентоспособности.
В целом имеет место большое сходство с аналогичным профилем, построенным для второй группы стран. Если сравнить наибольшие факторные группы показателей, то мы можем заметить, что показатели первой группы стран аналогичны показателям стран второй группы за исключением одного показателя — Х12 — Качество бизнес-образования. В то же время следует отметить, что во второй группе стран есть совокупность важнейших для формирования эффективного интеллектуального капитала показателей, не представленных в первой группе стран: Х2 — Уровень усвоения новых технологий, Х8- Способность страны сохранять таланты, X15 — Доступность новых технологий.
Отсутствие показателей Уровня усвоения новых технологий и Доступности новых технологий указывают на неспособность стран быстро осваивать новейшие технологии на уровне регионов. Отсутствие этой возможности существенно снижает конкурентоспособность производимой в стране продукции, делая ее либо морально устаревшей, либо неоправданно дорогой.
На наш взгляд, важнейшим фактором, лежащим в основе построения эффективного интеллектуального капитала, является отсутствующий у первой группы стран показатель — Способность страны сохранять таланты, потому что отсутствие компетенций и условий в данной сфере ведет к так называемой «утечке мозгов», отъезду высококлассных специалистов, которые могут создавать и осваивать новые технологические и бизнес-решения, существенно увеличивающие конкурентоспособность страны.
При сравнении большое сходство отмечается у показателей фактора F3 у стран первой группы и фактора F2 у стран второй группы. Общим показателем у обеих групп стран является X6 — Уровень приема/увольнения, однако во второй группе стран значимым является и показатель, связанный с оплатой труда/производительностью. Данный показатель также является крайне важным для формирования интеллектуального капитала, ввиду того, что он отражает степень оценки труда высококвалифицированных специалистов. Понимание важности и целенаправленная работа в данной сфере позволяет не только существенно сократить утечку высококлассных специалистов, но также привлечь специалистов из других стран и регионов.
Сравнительный корреляционный анализ показал, что в странах второй группы с инновационным типом экономики более тесная связь с Индексом глобальной конкурентоспособности (Коэффициент корреляции более 0,75) отмечается по следующим 12 показателям интеллектуального капитала:
Защита интеллектуальной собственности;
Доступность дополнительного образования;
Качество обучения персонала;
Качество бизнес-школ;
Оплата труда/ производительность;
Способность страны привлекать таланты;
Доступность новых технологий;
Качество НИИ;
Совместная работа университетов и регионов;
Умение регионов осваивать новые технологии;
Инновационный потенциал;
Расходы на НИОКР.
Статистический анализ показателей по методике ВЭФ позволил сделать вывод о том, что именно эти факторы определяют успехи в формировании, развитии и реализации интеллектуального капитала развитых стран.
В странах первой группы на Индекс глобальной конкурентоспособности оказывают существенное влияние меньшее количество показателей (с коэффициентом корреляции более 0,62):
Оплата труда/производительность;
Совместная работа университетов и регионов;
Качество НИИ;
Качество обучения персонала;
Умение регионов осваивать новые технологии;
Трансфер технологий;
Доступность новых технологий;
Расходы на НИОКР.
Проведенный анализ со значительной степенью вероятности статистически доказал, что именно в этих факторах кроются проблемы управления интеллектуальным капиталом в России и других странах первой группы.
Благодаря использованию авторской методики построения профиля интеллектуального капитала удалось уточнить, что наиболее проблемными показателями интеллектуального капитала для России являются Х2- Уровень усвоения новых технологий, и Х8- Способность страны сохранять таланты, X15- Доступность новых технологий, а также показатель Х7- оплата/ производительность труда. Решение проблем роста интеллектуального капитала России и стран первой группы требует принятия кардинальных управленческих решений прежде всего в указанных областях не только на уровне государства и его регионов, но и на уровне крупных и средних регионов. Они, в свою очередь, естественным образом могут создавать спрос на высококлассных специалистов и поддерживать инновационную среду посредством инвестиций в человеческий капитал, в разработку новых технологий, продуктов, процессов Но для осознанных стратегических решений в данном направлении предприятие должно анализировать и адекватно оценивать особенности конфигурации профиля своего интеллектуального капитала, который является ключевым инструментом повышения его конкурентоспособности.
