В настоящее время значительная доля научно-технических знаний производится в развитых странах (более 70% патентов и научно-технических статей), при этом диспаритет в производстве этих знаний на душу населения между развитыми и развивающи- мися странами даже больше, чем диспаритет в их доходах [1]. Поэтому для развивающихся стран важно суметь усвоить и адаптировать научно-технические знания, накопленные развитыми странами.

Имеется много эмпирических исследований, лежащих в основе концепции экономи- ки знаний Всемирного банка и его методологического инструментария. Важно отметить, что переход к становлению экономики знаний требует разработки долговременных стратегий, которые должны фокусироваться на развитии четырех областей экономики знаний (табл. 1). Прежде всего это означает, что страны должны осознавать свои сильные и слабые стороны и затем воздействовать на них, развивая подходящие политики и механизмы для реализации целей.

Для содействия этому переходному процессу Институт Всемирного банка в рамках программы «Знание для развития» (Knowledge for Development (K4D) Program) разработал Knowledge Assessment – методологию (КАМ), которая связана с соответствующим онлайновым инструментом и обеспечивает базовую оценку готовности стран и регионов к переходу к экономике знаний. КАМ представляет собой дружественный ин- терактивный, диагностический и бенчмаркинговый инструмент, предназначенный для того, чтобы помочь странам-партнерам выявлять их сильные и слабые стороны в сравнении с другими странами. Поэтому КАМ может быть полезной для идентификации возможностей и проблем, с которыми страны могут сталкиваться, а там, где это необходимо, фокусировать внимание политиков или планировать новые инвестиции.

Уникальная сила КАМ связана с ее кросс-секторальным подходом, который предоставляет целостный взгляд на широкий спектр факторов релевантных экономике знаний. В первоначальной версии КАМ-2005 сравнительный анализ делался на основе 80 структурных и качественных переменных, распределенных по 9 индикаторам общего исполнения, 6 индикаторам гендерного равенства и 65 индикаторам из четырех областей экономики знаний, для 128 стран и 9 региональных группировок. Международные сравнения по выбранным индикаторам представляются в виде радиальных и ромбических диаграмм.  

Сравнения могут делаться:

– в глобальном масштабе среди всех стран;

– в региональном масштабе в рамках отдельной региональной группировки;

– в рамках категорий человеческого развития (высокий уровень человеческого раз- вития: HDI≥0,800; средний уровень че- ловеческого развития: 0,799≤HDI≤0,500; низкий уровень человеческого развития: 

– на основе уровней дохода - валовой национальный доход на душу населения (страны с низким доходом – 735 дол. США на душу населения и ниже; страны с доходом ниже среднего – от 736 до 2 935 дол. США на душу населения; страны с доходом выше среднего – от 2 936 до 9 075 дол. США на душу населения; страны с высоким доходом – 9 076 дол. США на душу населения и выше).

Процедура нормализации переменных в КАМ состоит в следующем.

1. Первичные данные (u) собираются из базы данных Всемирного банка и других международных баз данных для всех пере- менных и стран.

2. Для каждой страны определяется по ка- ждой из переменных ранг (rank (u)), то есть место страны в ранжировании по рассматриваемой переменной. Ранг 1 ставится для страны, имеющей лучшее исполнение по данной переменной, ранг 2 ставится следующей по исполнению стране и т.д.;

3. Для каждой отдельной страны вычис- ляется количество стран, которые стоят ниже нее в ранжировании, включая эту страну (NW).

4. Окончательная нормализация (норми- ровка) проделывается по формуле:

где Nc - общее количество рассматриваемых стран (в общем случае Nc = 128).

Формула (1) размещает нормализованные значения всех переменных от 0 до 10 для каждой из стран. Как видим, данная процедура нормализации намного проще, чем в Global Competitivenees Index (GCI) - методологии, так как позволяет абстрагироваться от понятий «hard data» и «survey data» и поэтому не требует использования формул пересчета «hard data» в интервал от 1 до 7 – балльных оценок «survey data». Отметим, что в версии КАМ-2012 количество переменных было увеличено до 109, а количество стран – до 146.

Предпосылками для создания Knowledge Assessment- методологии являлись труды П. Ромера, Р. Лукаса, Дж. Гроссмана, Е. Хел- пмана, Д. Кое, Р. Барро, Д. Когена, М. Сото, Э. Ганушека, Д. Кимко, Д. Ледермана, У. Ма- лони, Д. Гуеллека, Б. Поттелсберга, Дж. Адамса и др., которые перекликаются с более известным кластером работ о концепции национальных инновационных систем (НИС); разработка самой Knowledge Assessment – методологии осуществлена Д. Ченом и К. Далманом [1]. Важно отметить, что в основе этой методологии лежат четыре области (pillars), показанные в таблице 1.

Данная схема экономики знаний (Knowledge Economy Framework) предполагает, что инвестиции в четыре ее составляющие области необходимы для устойчивого создания, усвоения, адаптации и использования знаний во внутреннем производстве товаров и услуг, что будет выражено в более высокой их добавленной стоимости. Это будет, в свою очередь, увеличивать вероятность экономического успеха в настоящей высококонкурентной и глобализированной мировой экономике.

В каждой области экономики знаний (табл. 1) существуют свои межстрановые сравнительные исследования, которые показывают ее влияние на долговременный экономический рост. Например, для второй области экономики знаний Роберт Барро [2] в начале 90-х годов прошлого века, используя данные ВВП на душу населения для 98 стран (1960–1985 гг.) и данные за 1960 г. по охвату начальным и средним образованием как показатель начального человеческого капитала, нашел, что обе переменные статисти- чески значимо влияют на рост ВВП на душу населения. Подобно этому Даниель Коген и Марчелло Сото [3] через десять лет, используя страновые временные ряды по среднему количеству лет, проведенных в школе, обнаружили аналогичное статистически значимое влияние этого показателя на экономический рост.

В это же время Эрик Ганушек и Денис Кимко [4] предложили альтернативный подход, чтобы учесть влияние качества образования на экономический рост. Используя между- народные тестовые испытания школьников как показатель качества образовательных систем, они обнаружили, что качество образования оказывает положительное влияние на экономический рост.  

Что касается создания эффективных инновационных систем, то следует отметить исследование Даниеля Ледермана и Уильяма Малони [5], которые, используя регрессионный анализ на основе пятилетних средних данных за период с 1975 по 2000 год для 53 стран, нашли, что однопроцентное увеличе- ние общих расходов на НИОКР (известный в западной литературе показатель, называемый интенсивностью НИОКР) приводит к увеличению роста ВВП на 0,78%. Другие исследователи – Доминик Гуеллек и Бруно ванн Поттелсберг [6] – исследовали долго- временные воздействия различных типов НИОКР на мультифактор продуктивности роста (multifactor productivity growth), ис- пользуя панельные данные по странам ОЭСР за период 1980–1998 гг. Они обнаружили, что предпринимательские, общественные и иностранные НИОКР, все вместе и каждая в отдельности, оказывают статистически значимое положительное влияние на продуктивность роста. Отметим, что здесь под общественными НИОКР понимаются НИОКР, выполненные в государственном секторе и секторе высшего образования, а под иностранными НИОКР – предпринимательские НИОКР, выполненные за пределами 15 стран ОЭСР. Кроме того, Джеймс Адамс в 1990 г. [7], используя данные по количеству научных статей в девяти различных научных областях как один из показателей накопления знаний, нашел, что научно-техническое знание внесло значительный вклад в общий фактор продуктивного роста промышленных отраслей США в период с 1953 года по 1980 год.

Имеется также много работ, указывающих на положительное влияние информационной инфраструктуры на экономический рост. То же самое следует отметить и для первой области экономики знаний.

Теперь перейдем к рассмотрению двух типов табло («Scoreсard»), используемых в КАМ. Наиболее часто используется «базовое табло» («Basic Scoreсard»). Оно включает 14 стан- дартных переменных: две переменные общего исполнения стран и 12 переменных экономики знаний (по 3 из каждой области знаний). Сравнения в КАМ проводятся с 2000 года. В таблице 2 приведена первоначальная версия такого табло для уровня 2005 года.

Результаты расчетов по КАМ иллюстрируются радиальными (14 переменных) и ромбовидными (4 агрегированные переменные, соответствующие четырем областям экономики знаний). В первом случае, чем полнее диаграмма (лучшее приближение к вписанному в окружность равностороннему четырнадцатиугольнику), тем лучше страна продвинулась в построении экономики знаний.

В качестве интегрального показателя в КАМ-2005 использовался Knowledge Economy Index (KEI), который суммирует страновое исполнение по четырем областям экономики знаний и вычисляется как среднеарифметическое значение по 12 нормализированным индикаторам знаний базового табло. Поэтому базовое табло может рассматриваться как дисагрегированное представление KEI.

Разработана также диагностическая диаграмма для KEI в координатах 2000 г. и по- следнего года расчетов, на которую наносятся показатели стран мира. Если координата страны находится выше диагонали квадрата, то исполнение страны в отношении перехода ее к экономике знаний улучшилось, и наоборот. Наблюдаются три кластера точек стран: в районе верхней части диагонали – развитые страны, в районе средней части диагонали – среднеразвитые страны, в районе нижней части диагонали – слаборазвитые страны.

Второй тип табло называется Custom Scoreсard. Это так называемое заказное табло, которое может строиться пользователями в интерактивном онлайновом режиме при любом сочетании исходных переменных. Такие возможности не дают близкие по сути Trend Chart и GCI-методологии. Начиная с версии КА-методологии за 2008 г. (КАМ-2008) дополнительно к интегральному показателю KEI рассматривается интегральный показатель KI (Knowledge Index), который вычисляется аналогичным образом, как среднеарифметическое значение по 9 переменным, входящим в три области экономики знаний (образование и человеческие ресурсы, ин- новационная система, информационная инфраструктура). Последняя область экономики знаний здесь называется «информационно-коммуникационные технологии». Также вводятся агрегированные показатели (индексы), отвечающие за каждую из четырех областей знаний.

Рассмотренная Knowledge Assessment-методология позволяет без каких-либо затруднений и пересчётов строить базовое и заказное табло для любых групп стран. В то же время удалось определить два аспекта, в которых данная методология может быть развита [8].

Во-первых, следует отметить, что используемые в КАМ как частные нормированные, так и агрегированные индикаторы (индексы) изменяются от 0 до 10. В связи с этим может быть введена равномерная пятиуровневая классификационная шкала для этих показателей (табл. 3). Она может лечь в основу формализованного SWOT-анализа в части количественной оценки сильных и слабых сторон экономики знаний стран мира. Во-вторых, в KAM никак не обосновывается выбор трех индикаторов в каждой области экономики знаний, а ведь от этого существенно зависят значения агрегированных и интегральных показателей. Поэтому при более детальных расчетах необходимо учитывать все имеющиеся частные индикаторы, как это делается в GCI-методологии. 

Предложенный разработчиками KAM инструмент Custom Scorecard позволяет это сделать. Такие расчеты для стран MEDA и ASEAN проделывались в работе [8]. Ниже расчеты по рассматриваемой методологии будут проделаны для стран Субсахарской Африки.

Приложение KAM к странам Cубсахарской Африки

Будем рассматривать три региональные группировки стран Субсахарской Африки – COMESA, ECOWAS, ECCAS. Принадлежность стран к этим региональным группировкам будет видна из последующего изложения. Здесь только отметим, что в COMESA входит Египет, который не является страной Субса-харской Африки. На основе КАМ–2012 построено базовое табло для агрегированных и интегральных показателей экономики знаний стран Субсахарской Африки (табл. 4). К агрегированным показателям относятся показатели, входящие в четыре области знания, а к интегральным – индексы KEI и KI [8]. В таблице 4 для сравнения приведены показатели из КАМ–2000 и изменения мировых рангов по индексу KEI рассматриваемых стран за интервал времени, соответствующий оценкам показателей в КАМ–2012 и КАМ–2000.

К агрегированным показателям относятся показатели, входящие в четыре области знания, а к интегральным – индексы KEI и KI [8]. В таблице 4 для сравнения приведены показатели из КАМ–2000 и изменения мировых рангов по индексу KEI рассматриваемых стран за интервал времени, соответствующий оценкам показателей в КАМ–2012 и КАМ–2000.

В дополнение к GCI-методологии для оценки глобальной конкурентоспособности стран можно использовать близкую по сути методологию оценки экономики знаний Всемирного банка (КА-методологию, КАМ), рассматриваемую выше. Как и ранее, будем использовать эту методологию для трех региональных группировок Субсахарcкой Африки COMESA, ECOWAS и ECCAS. Укрупненные и интегральные (KEI, KI) показатели экономики знаний стран Субсахарcкой Африки и условных стран по группам дохода для взвешенных и невзвешенных индикаторов приведены в таблице 4. В этой таблице страны Субсахарcкой Африки, условные страны по группам доходов, страны Африки в целом, группировки стран COMESA, ECOWAS и ECCAS проранжированы в порядке убывания интегрального показателя KEI для 2012 года.

       Рассмотрим три региональные группировки стран Субсахарской Африки – COMESA, ECOWAS и ECCAS.

На основе таблицы 4 и классификационной шкалы (таблицы 3) построены матрицы уровней развития стран трех группировок на 2000 и 2012 гг. (табл. 5-10).

В таблице 5 на 2000 г. представлены уровни развития стран COMESA по показателям КАМ. 

Из этой таблицы видим, что пять стран COMESA из двенадцати достигают по крайней мере один раз среднего или высокого уровня развития. Лучшие позиции из этих пяти стран зани- мает Маврикий, который достиг высокого уровня развития по показателям «Экономические стимулы и институциональный режим» и «ИКТ», а также среднего уровня по показателям KEI и KI, «Инновации». За Маврикием следует Египет, который имеет средний уровнень развития по показателям KEI, KI, «Инновации» и «Образование». Остальные три страны - Замбия, Сва- зиленд и Кения - имеют средний уровень развития по одному показателю. В этот же порядке страны располагаются и по их ранжированию по показателям KEI и KI в таблице 4. В таблице 6 на представлены уровни развития стран ECOWAS в 2000 году по показателям КАМ. 

Из этой таблицы следует, что из девяти стран ECOWAS только три – Гана, Сенегал и Мали – имеют средний уровень развития по показателю «Экономические стимулы и институциональ- ный режим». Все три страны ECCAS в 2000 г. имели или очень низкий или низкий уровень развития по рассматриваемым показателям (таблица 7). 

В таблице 8 представлены уровни развития стран COMESA в 2012 году по показателям КАМ.

По сравнению с 2000 г. Маврикий поднялся на один уровень по показателям «Экономические стимулы и институциональный режим» и «ИКТ». В то же время Египет, подняв уровень только одного показателя «Экономические стимулы и институциональный режим», опустился на один уровень по показателям KEI, KI и «Образование» (таблица 5).

Замбия и Свазиленд сохранили свои позиции, а Кения по показателю «Инновации» перешла со среднего уровня на низкий.

В таблице 9 представлены уровни развития стран ECOWAS в 2012 году по показателям КАМ.

По сравнению с 2000 г. Сенегал и Мали (табл. 6) по показателям «Экономические стимулы и институциональный режим» перешли со среднего уровня на низкий, а Буркина-Фасо наоборот - с низкого на средний. Для многих стран ECOWAS наблюдались переходы на очень низких и низких уровнях.

В табл. 10 на 2012 г. представлены уровни развития трех стран ECCAS по показателям КАМ.

По сравнению с 2000 г. Руанда и Камерун (табл. 7) перешли с низкого уровня на средний по показателям «Экономические стимулы и институциональный режим» и «Инновации». Если сравнивать три группировки стран в целом, то мы видим, что самый высокий потенциал по показателям экономики знаний имеет COMESA и за ней следуют ECOWAS и ECCAS. Об этом также свидетельствуют расчеты интегральных показателей KEI и KI (табл. 4 ). «Basic Scorecard» на уровень 2012 год для частных взвешенных индикаторов трех рассматриваемых группировок стран приведены в таблицах 11-13. На их основе построены матрицы сильных и слабых стран экономики знаний трех рассматриваемых группировок стран (таблицы 14-16 ). Эти матрицы строились на основе девяти частных индикаторов KI, входящих в «Basic Scorecard» (они начинаются с четвертого по счету частного индикатора а таблицах 11-13.

Как видим, в группировке стран COMESA сильные стороны экономики знаний характерны только для Маврикия и Свазиленда. В первом случае это было связано с обеспечением компью- терами, во втором – с роялти-платежами и поступлениями. Среди группировок стран ECOWAS и ECCAS отсутствовали страны, имеющие сильные стороны по показателям KI(9), входящим в «Basic Scorecard». Радиальные диаграммы взвешенных показателей экономики знаний для стран Субсахарcкой Африки и их региональных группировок приведены на рис. 1-4.

Рис. 1. Радиальные диаграммы взвешенных показателей экономики знаний для стран Субсахарской Африки и условных групп стран с разным доходом, 2012 г.

Fig. 1. Radial Diagrams of the Weighted Indicators of Knowledge Economy for the Sub-Saharan Africa Countries and Conventional Groups of Countries with Different Income, 2012 г.

Рис. 2. Радиальные диаграммы взвешенных показателей экономики знаний для стран COMESA и условных групп стран с разным доходом, 2012 г.

Fig. 2. Radial Diagram of the Weighted Indicators of Knowledge Economy for the COMESA Countries and Conventional Groups of Countries with Different Income, 2012 г

Рассмотрены методология оценки экономики знаний Всемирного банка и лежащие в ее основе эмпирические исследования. На ее основе построено базовое табло «Basic Scorecard» для агрегированных и интегральных показателей трех группировок стран Субсахарской Африки (COMESA, ECOWAS и ECCAS). На основе этого табло и классификационной шкалы уровней развития стран по взвешенным показателям КАМ построены матрицы уровней развития вышеуказанных стран трех рассматриваемых группировок на 2000 и 2012 гг. Лучшие позиции среди стран COMESA занял Маврикий, который достиг очень высокого уровня развития по показателю «Экономические стимулы и институциональный режим», а также среднего уровня по показателям KEI, KI, «Образование» и «Инновации». За Маврикием следовали Египет, Замбия, Свазиленд и Кения. Среди стран ECOWAS только две страны – Гана и Буркина-Фасо – достигли среднего уровня по показателю «Экономические стимулы и институциональный режим», а большинство стран ECCAS имели очень низкий уровень развития экономики знаний по агрегированным и интегральным показателям. Аналогичное базовое табло «Basic Scorecard» построено для частных взвешенных индикаторов указанных группировок стран Суб- сахарской Африки, оно позволило построить матрицы сильных и слабых сторон экономики знаний рассматриваемых стран по девяти переменным, входящим в три области экономики знаний. Среди стран COMESA сильные стороны экономики знаний имели только Маврикий и Свазиленд. В первом случае это было связано с обеспечением страны компьютерами, а во втором – с роялти - платежами и денежными поступлениями. Среди группировок стран ECOWAS и ECCAS не оказалось стран, имеющих сильные стороны по показателям KI(9), входящим в «Basic Scorecard». Лучшие агрегированные показатели по группировкам в целом имеет COMESA, за ней следуют ECOWAS и ECCAS. Предложенный бенчмаркинговый инструментарий, адаптированный для сравнительной оценки показателей экономики знаний стран Субсахарской Африки, может быть использован координирующими органами стран COMESA, ECOWAS и ECCAS для управления их глобальным позиционированием по данным показателям.