Russian Abstract: Предложен комплекс опережающих индикаторов инновационной динамики России и их многокомпонентные оценки для 78 регионов за период 2005-2017 годов. Индикаторы характеризуют динамику основных отраслей российской экономики (строительства, торговли, добычи полезных ископаемых, обрабатывающей промышленности) трендами, циклическими, сезонными колебаниями и их взаимодействиями. Динамика продукции сельского хозяйства, в большей степени обусловленная климатическими и природными условиями, пока не рассматривались. Для трендов индикаторов предложены одна линейная и шесть существенно нелинейных (нелинейных по параметрам) моделей. Сезонная компонента моделировалась гармоникой с сезонными коэффициентами, а циклы Китчина, Жугляра и Кузнеца - суммой гармоник с некратными частотами (по Е.Е. Слуцкому). Взаимодействие компонент рассматривалось как линейное (аддитивной), так и нелинейное (аддитивно-мультипликативное). Скорректированный коэффициент детерминации обосновал более точные модели. Было уделено внимание расширению адаптации инструментария, прогнозированию всех регулярных компонент индикаторов, характеристикам инновационного развития и синхронности циклов отдельных регионов. Представлен новый и большей точности материал для руководителей, служб и предприятий регионов, определены дальнейшие перспективы развития предложенного инструментария. English Abstract: The authors proposed a set of leading indicators of innovation dynamics in Russia and their multicomponent estimates for 78 regions during 2005-2017. The indicators show dynamics of the most important economic sectors in Russia (building, trade, mining, manufacturing and its branches) while agricultural production, which dynamics mostly depends on climate and geography, have not yet been considered The models include trends, cycles, seasonal component and their interactions. For trends one linear and six substantially nonlinear (nonlinear in the parameters) models are used. The seasonal component was modeled by seasonal coefficients. Kitchin, Juglar and Kuznets cycles was modeled using sum of three sine curves with non-proportional frequencies (as suggested by E.Slutsky). The interaction of components was considered both linear (additive) and nonlinear (additive-multiplicative). The most accurate models were justified using adjusted coefficient of determination. Special attention is paid to adaptive modeling tools expansion, leading indicators decomposition and forecasting, innovative development analysis and regional cycles synchrony or asynchrony. As a result of the modeling the authors presented new and more accurate material for regional authorities and managers. Further development of the proposed modeling tools are also suggested.