Аспирант Каган Е.Б.

Южно-Уральский государственный университет, Россия

Ключевые аспекты оценки инновационного потенциала промышленного предприятия

Из-за необходимости внедрения инноваций на предприятиях всех секторов экономики перед руководителями организаций и инвесторами встает вопрос о потенциальной готовности экономических субъектов к переходу на инновационный путь развития, поэтому безусловно необходимым этапом анализа экономической деятельности российских компаний становится оценка инновационного потенциала.

Под инновационным потенциалом мы будем понимать способность субъекта экономической деятельности к инновационной деятельности. Инновационный потенциал предприятия характеризуется возможностью субъекта экономической деятельности к реализации инновационных проектов. Высокий инновационный потенциал позволяет организации получить конкурентные преимущества за счет внедрения новых технологий, видов техники или производства нового продукта, напротив низкий уровень потенциала характеризует слабую готовность предприятия к изменениям факторов внешней среды и применению достижений НТП.

Если управление инновациями на предприятии заключается в разработке, апробации, внедрении новшеств, управлении ими и оценке эффективности их внедрения с точки зрения конкурентоспособности данного предприятия, то под управлением инновационным потенциалом понимается способность менеджмента организации оценить уровень инновационного потенциала, проанализировать полученный результативный показатель и выработать тактические и стратегические решения на его основе. Таким образом, процесс управления инновационным потенциалом можно разделить на 3 стадии:

1. Оценка уровня инновационного потенциала;

2. Анализ полученной оценки;

3. Разработка программы действий по увеличению или поддержанию уровня инновационного потенциала.

В данной статье пойдет речь о первой стадии процесса управления инновационным потенциалом – оценке его уровня на предприятии.

Кроме того, показатель инновационного потенциала служит индикатором готовности предприятия к внезапным изменениям внешней среды и способности внести соответствующие необходимые изменения в продуктовый ряд, технологическую, управленческую или организационную составляющую деятельности предприятия.

В российской экономической литературе показатель инновационного потенциала как правило характеризует лишь внутренние возможности предприятия к реализации инновационных проектов. Однако, на наш взгляд, такой подход не может дать полной оценки инновационного потенциала предприятия как совокупности возможностей для реализации инноваций. Поэтому в данной работе под инновационным потенциалом будет пониматься наличие у промышленного предприятия внешних и внутренних ресурсных резервов и возможности их мобилизовать с целью внедрения инновационной разработки и улучшения в будущем своих позиций на рынке.

Таким образом, для оценки инновационного потенциала мы предлагаем рассматривать внутренние и внешние возможности предприятия с точки зрения реализации инновационных проектов. Внутренние возможности представляют собой характеристику производственно-хозяйственной системы предприятия, а внешние – политический, социальный, экономический климат среды, в которой функционирует предприятие (рис. 1).

Рисунок 1. Схема внутренних и внешних составляющих инновационного потенциала предприятия

Под инновационной восприимчивостью организации понимается характеристика организации как системы, состоящей из определенных элементов, и способности этой системы к внедрению инноваций.

Содержание каждого блока внутренних и внешних возможностей представлено в таблицах 1 и 2.

Таблица 1

Содержание блоков внутренних возможностей организации

Предлагаемая классификация внутренних и внешних возможностей предприятия не является единственно истинной, однако, на наш взгляд, представляется наиболее полной и удобной для дальнейшего анализа показателя инновационного потенциала предприятия.

Таблица 2

Содержание анализа внешней среды организации

Для оценки инновационного потенциала промышленного предприятия необходимо качественно оценить возможности внешней и внутренней среды предприятия, а далее свернуть полученные результаты в единый комплексный показатель, который и будет характеризовать инновационный потенциал данного субъекта экономической деятельности.

Получив такой показатель эксперт может сделать вывод о том, готово ли предприятие к внедрению инноваций и управлению инновационным процессом, а само предприятие имеет возможность выделить «узкие» звенья и более тщательно оценить свои слабые и сильные стороны в вопросе реализации инновационных проектов.

Мы предлагаем использовать аппарат теории нечетких множеств и метод лингвистической аппроксимации для оценки инновационного потенциала предприятия, поскольку, во-первых, при оценке инновационного потенциала эксперты имеют дело с преобладанием качественных показателей над количественными, а во-вторых, оценка инновационных процессов на предприятиях, как правило, производится в условиях отсутствия (ограниченности) точных статистических данных, необходимых для осуществления расчетов с применением вероятностных методов.

Суть предлагаемой методики заключается в построении математической модели на основе причинно-следственных связей между входными и выходными параметрами системы (в данном случае, предприятия) путем описания этих связей с применением трапециевидных нечетких чисел. Нечеткость при такой трактовке проявляется, прежде всего, в лингвистических оценках лица, принимающего решение (ЛПР), или эксперта, применяемых к тем или иным состояниям системы (показателям), критериям, параметрам, например: высокий, малый, приблизительно, около и т.д. Все перечисленные понятия являются нечеткими, неявными, а следовательно, содержат в себе некоторую степень неопределенности, которая выражается в размытых оценках экспертов.

Для того, чтобы эксперты могли дать оценку уровню инновационного потенциала, необходима возможность построения единого комплексного показателя, основанного на качественных и количественных оценках индивидуальных параметров системы.

Нечеткость вытекает из неуверенности эксперта в определении конкретного порога между сопряженными оценками качественного (иногда и количественного) параметра. Предлагаемая методика позволяет каждому качественному (и количественному) показателю сопоставить соответствующую меру принадлежности определенной качественной области и сделать вывод о качественном значении итогового показателя, поэтому, на наш взгляд, данная методика является наиболее актуальной для решения такого рода задач.

Из сказанного ранее следует, что при оценке инновационного потенциала предприятия необходимо будет производить свертку в единый показатель качественных характеристик, которые требуют перевода в количественную область. Предлагаемая методика позволяет все имеющиеся показатели (в том числе, и количественные) перевести в качественную область, после чего получить числовые значения степени принадлежности конкретному качественному описанию параметра и оценить вклад в итоговый показатель на основе отношений предпочтения/безразличия и уровня влияния каждого конкретного показателя на итоговый показатель уровня инновационного потенциала предприятия. То есть, если стандартные методы оценки инновационного потенциала стремятся к переводу всех показателей, оказывающих влияние на итоговый параметр, в количественную область, то предлагаемая нами методика предполагает оценку принадлежности как качественных, так и количественных параметров конкретному лингвистическому терм-множеству, характеризующему качественный уровень данного параметра.

Предположим, у нас есть некоторый набор показателей, характеризующих все составляющие инновационного потенциала предприятия. Имеющиеся значения как качественных, так и количественных показателей переводятся в лингвистические переменные, соответствующие принятой классификации. Далее полученные лингвистические переменные переводятся в числовые значения степени принадлежности конкретному терм-множеству и на основе соответствующих весов свертываются в итоговый показатель инновационного потенциала предприятия.

Перейдем к описанию предлагаемой методики. Для оценки потенциала предприятия мы будем рассматривать следующую математическую модель IP (Innovation Potential):

IP = <G, L, Ф>, (1)

где G — иерархия показателей, характеризующих состояние предприятия, L — набор качественных оценок каждого конкретного показателя в иерархии, Ф — система отношений предпочтения факторов внутри одного уровня иерархии G.

Иерархия G может быть описана ориентированным графом с одной корневой вершиной (рис.1):

G = <{Fi}, {Vij}>, (2)

где {Fi} - множество вершин факторов, {Vij} — множество дуг, F0 — корневая вершина всей модели, характеризующая инновационный потенциал организации. Кроме того, в предлагаемом графе должны отсутствовать петли, циклы, горизонтальные ребра в пределах одного уровня иерархии.

Набор качественных оценок L будет характеризовать влияние каждого показателя на инновационный потенциал всего предприятия и будет задан следующими терм-множествами:

L = {Предельно низкий (ПН), Низкий (Н), Средний (С), Высокий (В), Предельно высокий (ПВ)}, (3)

Данный набор качественных оценок не является догматическим и может изменяться в зависимости от мнения экспертов. В соответствии с нашим набором качественных оценок экспертами или ЛПР должен быть оценен каждый имеющийся показатель, влияющий на текущий инновационный потенциал предприятия.

А система отношений показателей внутри одного уровня выглядит так:

Ф = {Fi (ϕ) Fj | ϕ ∈ (⎬, ≈)}, (4)

где {Fi}- множество вершин факторов, {Vij} – множество дуг, F0 – корневая вершина, отвечающая уровню инновационного потенциала всего предприятия (итоговый показатель).

Рисунок 2. Древовидная иерархия F с системой предпочтения Ф (Источник: Недосекин А.О. Оценка риска бизнеса на основе нечетких данных. - СПб., 2003. - с. 40)

При оценке уровня инновационного потенциала предприятия мы будем подниматься с низших уровней иерархии к верхнему, формируя промежуточные оценки по каждому подуровню. Для получения итогового показателя инновационного потенциала необходимо свести все факторы иерархии в один, другими словами, агрегировать имеющиеся данные.

В нашем случае для агрегирования данных мы предлагаем использовать матричную схему.

Для определения состояния нам необходимо сформулировать лингвистические терм-множества по уровню комплексного показателя F0. Также в рамках предлагаемой методики мы будем оценивать сопряженную с данным конкретным уровнем инновационного потенциала степень риска нереализации произвольного инновационного проекта R на данном предприятии (табл. 3).

Таблица 3

Соответствие уровня лингвистического значения фактора F0 степени риска инновационного проекта R

Сущность показателя R в нашей модели состоит в сравнительной оценке рискованности реализации произвольного инновационного проекта на конкретном предприятии по сравнению с предприятием-конкурентом. Другими словами, степень риска нереализации будет отражать риски, которые берет на себя инвестор или собственник предприятия, реализуя инновационную разработку силами данной организации, связанные с внутренними и внешними возможностями этой организации по реализации инновационных проектов.

Очевидно, что при оценке каждого конкретного показателя в процессе построения нашей модели мы также должны использовать лингвистическую переменную вида L. Например, для показателя Fij мы формируем лингвистическую переменную Bij, характеризующую уровень данного показателя в формате нашей лингвистической переменной, носителем которой будет являться конкретное значение показателя Fij:

Bij1 - подмножество предельно низких значений показателя Fij;

Bij2 - подмножество низких значений показателя Fij;

Bij3 - подмножество средних значения показателя Fij;

Bij4 - подмножество высоких значений показателя Fij;

Bij5 - подмножество предельно высоких значений показателя Fij.

Логично заметить, что если все показатели Fij входящие в нашу модель принимают значения, соответствующие лингвистической переменной Bij3 - средние значения, то и итоговый показатель F03 принимает значение среднего, а степень риска R3, соответственно, будет приемлемой.

Для удобства в расчетах в том случае если оцениваемый показатель Fij оказывает обратное воздействие на итоговый показатель F0, то для оценки мы будем брать либо сопряженный с показателем Fij обратный ему показатель, либо просто показатель 1/Fij.

Для определения степени принадлежности каждого i-го показателя j-ого подуровня к одному из 5-и нечетких подмножеств (ПН, Н, С, В, ПВ) необходимо выделить для данного показателя точные значения m, которые, по мнению эксперта (ЛПР), соответствуют данному лингвистическому терм-множеству.

Таблица 4

Разбиение показателя Fij по нечетким подмножествам

Далее нам необходимо выстроить соответствие между интервалами значений итогового показателя инновационного потенциала и соответствующими терм-множествами.

Наиболее удобным вариантом общего интервала, на наш взгляд, будет интервал [0;1], то есть мы будем в итоге опираться на принадлежность значения инновационного потенциала конкретного предприятия определенному подмножеству значений, соответствующих данному лингвистическому множеству (ПН, Н, С, В, ПВ), на интервале от 0 до 1.

Распределим в интервале [0;1] трапециевидные нечеткие числа значений инновационного потенциала в соответствии с выбранной лингвистической переменной L (3). Учитывая выбранное количество терм-множеств при определении уровня показателя, мы должны построить стандартный 5-иуровневый 01-классификатор, каждому из 5-и уровней будет соответствовать определенная степень принадлежности всем терм-множествам (рис. 3). Следует еще раз отметить, что выбранное нами количество уровней не является обязательным, т.е. их может быть как больше, так и меньше, выбор того или иного количества зависит, прежде всего, от мнения экспертов и от необходимой степени детализации итогового показателя.

В нашем примере, точно соответствовать определенным значениям лингвистической переменной будут следующие значения показателя инновационного потенциала:

- Предельно Низкий: m1 = 0,1;

- Низкий: m2 = 0,3;

- Средний: m3 = 0,5;

- Высокий: m4 = 0,7;

- Предельно Высокий: m5 = 0,9.

Другими словами, в нашем примере значение итогового показателя F0, равное 0.1, точно характеризуется экспертами, как предельно низкое, аналогично с оставшимися значениями.

Следует понимать, что соответствие конкретных числовых значений лингвистическому терм-множеству - субъективная оценка экспертов или ЛПР, основанная на принадлежности конкретного значения показателя конкретному значению лингвистической переменной, и это соответствие может изменяться в зависимости от экспертов и целей оценки.

Поскольку показатель инновационного потенциала мы будем оценивать на интервале [0;1], то и степень риска нереализации проекта автоматически будет оцениваться на данном интервале.

Рисунок 3. Трапециевидные степени принадлежности уровня инновационного потенциала лингвистическим терм-множествам

Напомним, что оценка соответствия терм-множеств числовым значениям каждого показателя Fij в нашей иерархии будет индивидуальной и будет зависеть от пределов значений данного показателя.

Также от мнения экспертов зависит длина параметра u - глубина неуверенности, в нашем случае для удобства расчетов мы примем u = 0.1, таким образом, каждый интервал между указанными выше пороговыми значениями будет разделяться на участок абсолютной уверенности в принадлежности данного значения данному терм-множеству, участок пониженной уверенности и участок абсолютной неуверенности. Длины всех трех участков будут равными.

Выделим вершины трапеций, соответствующие определенным степеням принадлежности нашего показателя лингвистическим терм-множествам:

ПН [0;0;0,15;0,25];

Н [0,15;0,25;0,35;0,45];

С [0,35;0,45;0,55;0,65];

В [0,55;0,65;0,75;0,85];

ПВ [0,75;0,85;1;1].

Соответствие трапециевидных нечетких чисел выбранному классификатору представлено на рисунке 3. Для того, чтобы получить итоговое качественное значение показателя F0 необходимо сопоставить каждому значению итогового показателя F0 и степени риска R определенное значение функции принадлежности μ(х) (табл. 5).

Следует отметить, что одному значению функции соответствуют максимум два значения степени принадлежности μ(х), сумма которых равна единице, а оставшиеся степени принадлежности (две или три) будут равны 0.

Таким образом, мы совершили переход от количественного или качественного значения показателя к значению его функции принадлежности.

Для агрегирования наших данных в единый показатель мы будем использовать OWA-оператор Ягера, а весами каждого отдельного показателя в нашей свертке будут выступать так называемые веса Фишберна. Данные коэффициенты - рациональные дроби, числитель которых определяется по формуле (5):

, (5)

где N - количество альтернатив (в нашем случае, количество показателей определенного уровня иерархии G), F - конкретный показатель данного уровня иерархии G.

Общий знаменатель коэффициента Фишберна будет рассчитываться как сумма всех числителей:

(6)

А вес конкретного показателя будет иметь вид:

pi = ri / K (7)

Тогда всего вариантов предпочтения будет 2N-1.

Таблица 5

Соответствие функции принадлежности μ(х) уровню инновационного потенциала F0 и степени риска R

Итак, теперь мы можем получить вес каждого i-го показателя каждого подуровня j иерархии G и, соответственно, влияние данного показателя на итоговый показатель уровня инновационного потенциала F0. Тогда показатель Fj подуровня j иерархии G будет равен сумме произведений степеней принадлежности определенному терм-множеству μj(х) всех показателей F1...i данного j-го подуровня и соответствующих весов Фишберна данных показателей. Другими словами мы сможем определить лингвистическую переменную, определяемую по классификатору, для каждого подуровня:

μj(х) = ∑ μi(х) * pi, (8)

где μi(х) - функция принадлежности каждого конкретного показателя j-го уровня иерархии определенному терм-множеству L.

Поскольку все значения степени принадлежности - трапециевидные нечеткие числа, то и итоговый показатель степени принадлежности подуровня j определенному терм-множеству также будет являться трапецией нечеткого вида, а следовательно, будет подчиняться законам нечеткой математики. Тогда мы можем представить данное трапециевидное нечеткое число в виде четырех его вершин, спроецированных на ось абсцисс:

μj(х) = (с1; с2; с3; с4), (9)

Тогда

μi(х) = ∑ рi * (ci1; ci2; ci3; ci4) = (∑ рi * ci1,∑ рi * ci2, ∑ рi * ci3, ∑ рi * ci4),(10)

Далее для того, чтобы получить качественную трактовку нашего значения нам необходимо сопоставить его с полученным ранее эталонным значением функции принадлежности (табл. 3). Мы можем осуществить данную операцию при помощи нормы Хемминга:

0 ≤ ν = 1 – max{|c1-b1|, |c2-b2|, |c3-b3|, |c4-b4|} ≤ 1, (11)

где (с1; с2; с3; с4) и (b1; b2; b3; b4) - произвольные трапециевидные числа. Если норма Хемминга равна 0, следовательно, полученное значение показателя Fj не распознается. как соответствующее ему значение функции принадлежности μ1...5(х) определенному терм-множеству из L. Если же ν = 1, то распознавание показателя Fj стопроцентное, и следовательно, μj(х) = μэ(х).

Таким образом, пройдя по всем ступеням описанной методики мы сможем получить значение итогового риск-фактора всего инновационного проекта F0 и, сопоставив его с соответствующим терм-множеством, вывести лингвистическую переменную и сформировать мнение об уровне рискованности данного проекта. Полученный показатель позволяет руководству предприятия сделать вывод о том, какова степень готовности субъекта экономической деятельности к внедрению инноваций. Кроме того, предлагаемая методика позволяет оценить влияние всех уровней модели на итоговый показатель и сделать вывод о том, какие параметры следует улучшить перед реализацией инноваций, какие существующие возможности необходимо использовать в полной мере в процессе реализации инновационного проекта, а какие показатели необходимо тщательно отслеживать, чтобы вовремя нивелировать возможное негативное влияние на внедряемый проект.

На основе полученных данных менеджмент предприятия может перейти в реализации второй и третьей стадий процесса управления инновационным потенциалом, выделенным выше, и в итоге выработать конкретные шаги по улучшению инновационного потенциала своего предприятия как в краткосрочной, так и в долгосрочной перспективе. Потенциальному инвестору полученный показатель позволяет в сравнительном плане оценить какое из рассматриваемых предприятий потенциально лучше готово к разработке и реализации инновационных разработок, и, соответственно, лучше адаптируется к меняющимся условиям окружающего мира.

Однако важно отметить, что высокое значение инновационного потенциала отнюдь не дает полной уверенности в успешности реализации конкретного инновационного проекта, поскольку данный параметр характеризует лишь наличие у предприятия ресурсов для реализации инновационного процесс. Уровень инновационного потенциала ни коим образом не связан с эффективностью и коммерческой реализуемостью конкретного инновационного проекта, поскольку в процессе исследования данного показателя мы оперируем характеристиками предприятия, а не инновационного проекта. Другими словами, высокий уровень инновационного потенциала не гарантирует успешности и эффективности внедрения конкретной инновационной разработки на данном предприятии.

Библиографический список

1. Трифилова А.А. Анализ инновационного потенциала предприятия. - Журнал «Инновации», №6, 2003.

2. Недосекин А.О. Оценка риска бизнеса на основе нечетких данных. - СПб., 2003.

3. Ротштейн А.П. Интеллектуальные технологии идентификации. - Винница: Универсум, 1999.

4. Заде Л. Понятие лингвистической переменной и ее применение к принятию приближенных решений. - М.: Мир. - 1976.

5. Беллман Р., Заде Л. Принятие решений в расплывчатых условиях // В кн.: Вопросы анализа и процедуры принятия решений. - М.: Мир, 1976.

6. Дилигенский Н.В., Дымова Л.Г., Севастьянов П.В. Нечеткое моделирование и многокритериальная оптимизация производственных систем в условиях неопределенности: технология, экономика, экология. - М.: «Издательство Машиностроение − 1», 2004.

7. Недосекин А.О. Нечетко-множественный анализ рисков фондовых инвестиций. СПб, Типография «Сезам», 2002. – Также на сайте: http://sedok.narod.ru/sc_group.html .

8. Yager R. Families of OWA Operators // Fuzzy Sets and Systems, 59, 1993.

9. Рыжов А.П. Элементы теории нечетких множеств и измерения нечеткости. М.: Диалог-МГУ, 1998.

10. Недосекин А.О. Методологические основы моделирования финансовой деятельности с использованием нечетко-множественных описаний: Дисс. д.э.н. - СПб., 2003.

11. Гунин В.Н. и др. Управление инновациями: 17-модульная программа для менеджеров «Управление развитием организации». Модуль 7. «Управление инновациями». – М.: «ИНФРА-М», 1999.

12. Инновационный менеджмент. Основы теории и методологии инноватики Под ред. профессора В.Н. Гунина (www.ii.spb.ru/2005/ins_inn_material/baza_4/methodical_&_manuals_1_1.pdf ).