Оценка условий реализации повышения конкурентоспособности экономического кластера на примере регионов Юга России

Введение

Одной из перспективных форм успешной хозяйственной деятельности отдельных стран и территорий является создание экономических кластеров. Кластеры выступают в качестве средства повышения конкурентоспособности экономики региона, перехода к производственным процессам с большой добавленной стоимостью.

«Исследования на примере 25 стран Евросоюза показывают, что доля прироста валового внутреннего продукта за счет инноваций составляет более 75%» [1].

Регион представляет собой административно-территориальное образование, являющееся подсистемой соответствующего крупного экономического района страны.

Выявление общих тенденций и особенностей развития регионов Юга России, а также для соизмерения и выявления соотношения между ресурсными и результирующими показателями целесообразно применение методов кластерного анализа. В отличие от процедуры группировки и простых одномерных методов, как правило, оперирующих ограниченными и однотипными наборами объектов наблюдения, а также взаимосвязями между их признаками, методы кластерного анализа позволяют классифицировать многомерные наблюдения, каждое из которых характеризуется набором исходных переменных.

В качестве метода объединения регионов Юга России в кластеры использовался метод k-средних. Предварительно при построении кластеров исходные характеристики регионов, представленные в интервальной шкале, были стандартизированы, поскольку в процессе кластеризации при использовании абсолютных значений исходных данных могли возникнуть искажения, связанные с их несоразмерностью.

В качестве критериев кластеризации использовались следующие показатели:

• ВРП на душу населения (vrp);
• Уровень занятости населения (zan);
• Стоимость основных фондов на одного занятого (of);
• Инновационная активность организаций (innov).

Выбранные показатели позволяют создать кластеры регионов, однородные по уровню развития региональной экономики.

Экспериментальным путем было установлено, что оптимальное количество выделенных кластеров равняется трем. Самая большая вариация между классами при наименьшей внутриклассовой вариации наблюдается по переменным zan (Уровень занятости населения) и vrp (ВРП на душу населения) (Таблица 1).

В процессе дисперсионного анализа также проверялась гипотеза о неравенстве дисперсий между кластерами и внутри них. Рассчитанные значения уровня значимости позволяют принять гипотезу о неравенстве дисперсий для всех рассматриваемых переменных, следовательно, они будут значимо влиять на разбиение регионов на кластеры.

В кластер 1 были включены 4 региона — Краснодарский край, Астраханская, Волгоградская и Ростовская области. Уровень развития экономики данных регионов характеризуются самыми высокими показателями. Среди участников кластера наблюдается относительно высокий уровень инновационной активности, при этом в двух субъектах — Ростовская и Астраханская области – данный показатель превышает среднероссийский уровень, составивший в 2015 г. 9,3%.

 

Рисунок 1. Сопоставление рейтингов инновационного развития регионов РФ

Составлено автором на основе материалов [8], [9]

 

Таблица 1 — Анализ вариации внутри кластеров и между кластерами

Переменная	Между SS	cc	Внутри SS	cc	F	Значим.
vrp	9,867	2	2,133	10	23,132	0,00017
zan	10,233	2	1,767	10	28,958	0,00006
of	5,802	2	6,198	10	4,681	0,03676
innov	6,404	2	5,596	10	5,722	0,02205

 

В результате анализа выявлено три региональных кластера (таблица 2 и рисунок 1).

 

Таблица 2 — Средние значения показателей по кластерам

Критерии кластеризации	кластер 1	кластер 2	кластер 3
ВРП на душу населения, руб.	308 516,35	165 894,86	157 388,58
Уровень занятости населения, %	62,88	60,22	53,60
Стоимость ОФ на одного занятого, руб.	1 801,41	1 092,94	1 187,16
Инновационная активность организаций	8,70	3,42	5,98

 

Кластер 2 состоит из 5 регионов — Ставропольский край, Республики Калмыкия, Кабардино-Балкария, Северная Осетия (Алания), Чеченская Республика. Уровень их экономического развития характеризуется достаточно высокими значениями показателей ВРП на душу населения и уровнем занятости, но при этом важной характеристикой данного кластера являются самые низкие значения показателей стоимости основных фондов на одного работника и уровня инновационной активности.

Кластер 3 образуют 4 региона с низким уровнем экономического развития, слабыми возможностями обеспечения за счет собственных ресурсов приемлемого уровня экономического роста – Республики Адыгея, Дагестан, Ингушетия и Карачаево-Черкесская Республика. Уровень ВРП на душу населения в регионах данного кластера в 2 раза ниже, чем в регионах, попавших в первый кластер. Также в регионах, попавших в третий кластер, пониженный по сравнению с другими территориями Юга России удельный вес занятого населения.

На третьем этапе с целью оценки влияния ресурсных подсистем на результаты социально-экономического развития регионов Юга России применялись методы эконометрического моделирования с использованием моделей панельных данных.

 

Гипотезы исследования

Моделирование было нацелено на решение следующих исследовательских задач (рисунок 2):

• проверка наличия прямой положительной связи между уровнем инновационной деятельности и достижением целевых индикаторов стратегий развития регионов Юга России (гипотеза 1);
• оценка влияния ключевых факторов инфраструктурного обеспечения, производственного и трудового потенциала на инновационную деятельность в регионе (гипотеза 2);
• оценка воздействия факторов инфраструктурного обеспечения, производственного и трудового потенциала непосредственно на динамику показателя ВРП на душу населения (гипотеза 3);
• определение комплексного влияния инновационной деятельности и факторов производственного, трудового и инфраструктурного потенциала на динамику показателя ВРП на душу населения (гипотеза 4).

 

Методы тестирования гипотез исследования

В соответствии с представленной на рисунке 1 концептуальной схемой проверки исследовательских гипотез о влиянии региональных факторов на результаты стратегического развития построены  эконометрические модели в линейной спецификации, поскольку возможность четкой экономической интерпретации коэффициентов регрессии делает линейное уравнение регрессии достаточно распространенным в эконометрических исследованиях.

Использование панельных данных позволило, во-первых, увеличить количество наблюдений в выборке, что, в свою очередь, способствовало увеличению числа степеней свободы и снижению зависимости между регрессорами, и, следовательно, уменьшению стандартных ошибок оценок, во-вторых, дало возможность дать лучшую спецификацию модели, учитывающую пространственно-временную структуру данных. Анализ проводился по панельным данным на основе линейных многофакторных регрессионных моделей с фиксированными и случайными эффектами.

 

Рисунок 2. – Концептуальная схема исследовательских гипотез о влиянии региональных факторов на результаты стратегического развития

 

В работе Никитаевой А.Ю., Маслюковой Е.В. [2] методами эконометрического моделирования была осуществлена проверка исследовательских гипотез о влиянии ростоформирующих региональных факторов на результаты стратегического развития. В результате было построено восемь панельных регрессионных моделей (с фиксированными и случайными эффектами). «Модель панельных данных с фиксированными эффектами позволяет учитывать индивидуальную гетерогенность объектов выборки. В моделях со случайными эффектами предполагается, что индивидуальные отличия носят случайный характер» [3].

Переменные, включенные в модели:

l_vrp — логарифм ВРП на душу населения (зависимая переменная);

l_innov — логарифм показателя инновационной активности организаций;

l_zan — логарифм уровня занятости населения (фактор, характеризующий трудовой потенциал);

l_of — логарифм стоимости основных фондов на одного занятого (фактор, отражающий состояние производственного потенциала);

l_gruz — логарифм грузооборота (фактор, отражающий состояние транспортной инфраструктуры);

l_doc — логарифм показателя использования системы электронного документооборота в организациях (фактор, отражающий состояние информационной инфраструктуры).

 

1. Выявление зависимости между ВРП на душу населения и инновационной активностью организаций (в скобках указаны стандартные ошибки, статистически значимые коэффициенты регрессии выделены жирным шрифтом.).^. Построены модели с фиксированными (FE) и случайными (RE) эффектами:

FE:   l_vrp = 11.8206 + 0.0669*l_innov

                      (0.0236)      (0.0548)

 

RE:   l_vrp = 11.7679 + 0.1042*l_innov

                      (0,0316)      (0.0852)

О качестве подгонки в модели с фиксированными эффектами следует судить по коэффициенту детерминации, равному 0,5704, то есть модель с фиксированными эффектами лучше подходит для описания данных, чем модель простой регрессии. О значимости модели со случайными эффектами свидетельствует высокое значение статистики Вальда – Wald χ2 = 10,80. Тест Хаусмана говорит о состоятельности оценок в модели с фиксированными эффектами, поскольку найденное p-значение, равное 0,0010, меньше 0,05. Этого и следовало ожидать, поскольку для исследования выбирались конкретные регионы, их состав не менялся от года к году.

Построенные модели подтверждают применительно к Югу России гипотезу о наличии прямой связи между уровнем инновационной активности предприятий в регионе и ключевым показателем результативности экономического развития на региональном уровне — ВРП на душу населения.

2. Выявление влияния факторов инфраструктурного обеспечения, производственного и трудового потенциала на инновационную активность предприятий и организаций:

FE:   l_innov = -21.5811 + 5.3816*l_zan + 0.5548*l_of + 1.0971*l_gruz + 0.4180*l_doc

                    (7.199)            (1.5711)          (0.596)       (0.399) (0.401)

 

RE:   l_innov = -13.6573 + 4.3181*l_zan + 0.4460*l_of + 0.1813*l_gruz + 0.1022*l_doc

                    (4.800)            (1.185)            (0.503)       (0.134)       (0.375)

Несмотря на то, что тест Хаусмана свидетельствует о большей состоятельности оценок в модели с фиксированными эффектами по сравнению с моделью со случайными эффектами, поскольку найденное p-значение, равное 0,0004, меньше 0,05, в модели с фиксированными эффектами значение коэффициента детерминации достаточно низкое (R2 = 0.2135). При этом статистически значимым в построенных моделях является только коэффициент при переменной l_zan. Другими словами, наибольшее позитивное воздействие на инновационную деятельность и, опосредованно, — динамику ВПР на душу населения в сложившейся системе связей и отношений регионов Юга России играет уровень занятости населения.

3. Определение влияния факторов инфраструктурного обеспечения, производственного и трудового потенциала динамику показателя ВРП на душу населения:

FE:   l_vrp = 2.7167 + 0.5378* l_zan + 1.0450*l_of + 0.0258*l_gruz + 0.0079* l_doc

              (0,9366) (0,204)                   (0.077)         (0.051)             (0.052)

 

RE:   l_vrp = 1.8822 + 0.8071*l_zan + 0.9389*l_of + 0.0310*l_gruz + 0.0245*l_doc

              (0,763)   (0,184)                   (0.077)         (0.028)             (0.054)

В рассмотренных моделях также предпочтительной оказалась модель с фиксированными эффектами (значение статистики χ2 теста Хаусмана составило 189,30, Prob> χ2 = 0.0000), однако в данной спецификации коэффициент детерминации в модели с фиксированными эффектами значительно выше (R2 = 0.8271). Статистически значимыми в обеих моделях являются только коэффициенты при переменных l_zan и l_of. То есть, с существующими характеристиками инфраструктурная составляющая не является ростоформирующим фактором для экономики регионов Юга России.

4. Определение совместного влияния инновационной деятельности и факторов производственного и трудового потенциала на динамику показателя ВРП на душу населения:

 

FE:   l_vrp = 2.7748 + 0.4717*l_zan + 1.0414*l_of + 0.0307*l_innov

              (0,693)   (0,184)                   (0.072)      (0.014)

RE:   l_vrp = 2.6895 + 0.6354*l_zan + 0.9557*l_of + 0.0418*l_innov

              (0,713)   (0,188)                   (0.073)      (0.015)

В построенных моделях коэффициенты при всех независимых переменных являются статистически значимыми, однако согласно тесту Хаусмана, предпочтение также следует отдать модели с фиксированными эффектами (значение статистики χ2 теста Хаусмана составило 76,49, Prob> χ2 = 0.0000). Значимость модели с фиксированными эффектами также подтверждается высоким значением коэффициента детерминации (R2 = 0.8374).

Таким образом, результаты панельного моделирования свидетельствуют о том, что инновационная деятельность должна рассматриваться как один из ключевых ростоформирующих факторов экономики региона, но наряду с трудовым и производственным потенциалом для обеспечения позитивной динамики ВРП на душу населения.

Для выявления лимитирующих факторов стратегического развития регионов Юга России в описанные выше модели были включены факторы-дестимуляторы и протестировано их влияние на инновационную активность организаций:

l_bezrab – логарифм показателя Уровень безработицы в регионе;

l_kf – логарифм показателя Коэффициент фондов.

В результате были построены следующие модели с фиксированными (FE) и случайными (RE) эффектами (табл. 2.5 – 2.6):

FE:    l_innov = 21.5427 – 3.1076*l_bezrab – 5.0557*l_kf

                   (5.391)                 (0.715)                   (1.723)

 

RE:   l_innov = 10.4549 – 1.7702*l_bezrab – 1.9254*l_kf

                   (3.281)                 (0.288)                   (0.159)

Тест Хаусмана, как и в предыдущих случаях, подтверждает целесообразность использования модели с фиксированными эффектами (значение статистики χ2 теста Хаусмана составило 6.71, Prob> χ2 = 0.0349), однако значимость модели с фиксированными эффектами невысокая (коэффициент детерминации оставил 0,239).

 

Оценка результатов тестирования

На основе расчетов можно сделать вывод, что в группе регионов Юга России значительную роль в инновационной ориентации экономики играют социальные показатели, при этом основными лимитирующими факторами инновационного экономического развития являются уровень безработицы и значительная дифференциация уровня доходов населения.

Таким образом, согласно результатам моделирования с использованием панельных данных по регионам Юга России можно выделить инновационную деятельность, трудовой и производственный потенциал в качестве ключевых ростоформирующих факторов. Также важно принимать во внимание, что показатели занятости (как стимулятора) и безработицы (как дестимулятора) оказывают заметное позитивное и негативное воздействие на результативность социально-экономического развития и инновационной деятельности на рассматриваемых территориях, соответственно. То есть включение в стратегии регионального развития комплекса мер по активизации инновационной деятельности, в том числе, посредством содействия занятости населения с учетом текущего и перспективного спроса и предложения на рынке труда позволит уменьшить лимитирующее воздействие безработицы на экономический рост.

При этом сложившаяся региональная инфраструктура и ее отдельные составляющие не являются по результатам проведенного анализа важными ростоформирующими факторами для экономики Юга России в настоящее время, тогда как в мире инфраструктурная обеспеченность, особенно ее информационная составляющая в русле формирования Индустрии 4.0, выступает заметным позитивным фактором регионального развития. Это свидетельствует о важности поиска пути эволюционных преобразований инфраструктуры для обеспечения ее адекватности задачам сбалансированного социально-экономического развития территорий.

Такие преобразования целесообразно проводить «в сопряжении с развитием институциональной структуры региональной экономики, выстраивая их для содействия инновационному развитию по следующим функциональным направлениям:

• финансирование (для ресурсной поддержки инноваций);
• сервисы (для обеспечения технологического трансфера и диффузии инноваций);
• взаимодействие (для обмена знаниями и идеями, поиска партнеров);
• спрос (создание условий для формирования критического спроса на инновации)» [4].

По оценкам специалистов, «вклад институтов в создание ВВП составляет порядка 23%, что делает институциональную структуру одним из определяющих в составе ростоформирующих факторов экономики региона в контексте его стратегического развития» [5]. При этом формализованная оценка институциональной структуры наталкивается на ряд объективных ограничений, что требует подключения методов оценки качественных характеристик институциональной подсистемы региона для соответствующего учета институциональной составляющей в стратегиях регионального развития.

Дополнительно при инструментальном наполнении региональных стратегий важно учитывать, что большой технологический разрыв между уровнем производимой продукции может привести экономику в ловушку стагнации и сохранению положения, когда инновации являются единичными событиями. «Сокращение такого разрыва способствует распространению инноваций по всей экономике, приводя к устойчивому экономическому росту в долгосрочной перспективе» [6]. Следовательно, рекомендуется разработка мер по снижению технологических разрывов в производственной сфере, дополняющих меры по стимулированию точек и полюсов роста.

Важно также учитывать «неоднородность экономик регионов Юга России и их разный потенциал как с точки зрения активизации инновационной деятельности, так и с точки зрения других индикаторов социально-экономического развития» [7].

Таким образом, примененная комбинация методов кластерного анализа и эконометрического моделирования позволила, с одной стороны, выявить неравномерную пространственную локализацию региональной экономики, с другой — раскрыть взаимосвязь между уровнем инновационной деятельности и целевым индикатором стратегий развития регионов Юга России (показателем ВРП на душу населения), а также выделить основные ростоформирующие и лимитирующие факторы регионального развития.

Наблюдаемый разрыв между регионами Юга России, выявленный в ходе кластерного анализа, а также результаты исследования региональных аспектов экономического развития показывают, что в регионах с низким уровнем социально-экономических показателей, слабыми возможностями обеспечения за счет собственных ресурсов приемлемого уровня функционирования социальной сферы, как правило, наблюдается пониженный по сравнению с другими территориями удельный вес занятого населения и уровень инновационной активности. В связи с этим, для осуществления перехода экономики на инновационно-ориентированную модель важно уменьшать социальное неравенство путем создания рабочих мест, увеличения вложения средств в преодоление социально негативных процессов. Это позволит балансировать экономические и социальные ориентиры, обеспечивая в итоге более эффективное использование реально имеющихся ресурсов и возможностей для достижения целей стратегического развития.

 

Заключение

Проведенное исследование показало, что приоритетная концентрация мер, направленных на стимулирование инновационной деятельности и развитие трудовых ресурсов, включенных в региональные стратегии, позволит сформировать более благоприятные условия для достижения целевых значений результирующих критериев стратегического развития регионов Юга России.

 

Список литературы

1. Материалы к заседанию Научно-экспертного совета при Председателе Совета Федерации Федерального Собрания РФ на тему «Социальные модели регионов и инновационный фактор их устойчивого развития». Доклад Е.М.Бухвальда «Инновационный процесс и формирование нового социально-экономического облика российских регионов». М.// Издательский отдел Управления информационного и документационного обеспечения Аппарат Совета Федерации. 167 с. С. 117
2. Никитаева А.Ю., Маслюкова Е.В. Ростоформирующие факторы стратегического развития регионов Юга России: инструментарий оценки//Региональная экономика: Юг России. 2017. №3.
3. Ратникова Т. А., Фурманов К. К. Анализ панельных данных и данных о длительности состояний: учеб. пособие // Нац. исслед. ун-т «Высшая школа экономики». — М.: Изд. дом Высшей школы экономики, 2014. — С. 29-32.
4. Никитаева А.Ю. Институциональная структура региона в контексте инновационного развития промышленности // Journal of Institutional Studies. — 2017. — Т. 9. № 1. — С. 134-149.
5. Матвеева Л.Г., Чернова О.А. Институциональная гармонизация эффективного ресурсообеспечения экономики региона // Известия Уральского государственного экономического университета. — 2017. — № 2 (70). — С. 61-74.
6. Andergassen, R., Nardini, F., Ricottilli, M. Innovation diffusion, general purpose technologies and economic growth // Structural Change and Economic Dynamics. – 2017. – Volume 40. — P. 72–80. – Electronic text data. – Mode of access: http://dx.doi.org/10.1016/j.strueco.2016.12.003. – Title from screen.
7. Матвеева Л.Г., Никитаева А.Ю., Чернова О.А. Перспективы и потенциал развития регионов Юга России в условиях антироссийских экономических санкций // Региональная экономика: теория и практика. — 2015. — № 17 (392). — С. 2-12.
8. Рейтинг инновационных регионов России //http://i-regions.org/about/proekty/rejting-innovatsionnogo-razvitiya
9. Рейтинг инновационного развития субъектов РФ. Выпуск 5: 2017//https://www.hse.ru/primarydata/rir 2017

 

REFERENCES

1. Materials for the meeting of the Scientific expert Council under the Chairman of the Federation Council of the Federal Assembly of the Russian Federation on «Social models of regions and innovative factor of their sustainable development». E. M. Buchwald’s report «Innovative process and formation of a new socio-economic image of Russian regions [Innovaczionny`j proczess i formirovanie novogo soczial`no-e`konomicheskogo oblika rossijskikh regionov]». // Publishing Department of Management of information and documentary support of the Staff of the Federation Council. 167 p. P. 117
2. Nikitaeva A.Yu., Maslyukova E.V. Growth-Forming factors of strategic development of regions of the South of Russia: tools of assessment [Rostoformiruyushhie faktory` strategicheskogo razvitiya regionov Yuga Rossii: instrumentarij oczenki]/ / Regional economy: the South of Russia. 2017. No. 3.
3. Ratnikova T. A., Furmanov K. K. Panel data Analysis and data on duration of States: studies. Manual [Analiz panel`ny`kh danny`kh i danny`kh o dlitel`nosti sostoyanij]// National. research. University «Higher school of Economics». — M.: Ed. house of the Higher school of Economics, 2014. — P. 29-32.
4. Nikitaeva A.Yu. Institutional structure of the region in the context of innovative development of industry [Instituczional`naya struktura regiona v kontekste innovaczionnogo razvitiya promy`shlennosti]// Journal of Institutional Studies. — 2017. — Vol. 9. No. 1. — P. 134-149.
5. Matveeva L.G., Chernova O.A. Institutional harmonization of effective resource supply of the region’s economy [Instituczional`naya garmonizacziya e`ffektivnogo resursoobespecheniya e`konomiki regiona]// news of the Ural state economic University. — 2017. — № 2 (70). — P. 61-74.
6. Andergassen, R., Nardini, F., Ricottilli, M. Innovation diffusion, general purpose technologies and economic growth // Structural Change and Economic Dynamics. – 2017. – Volume 40. — P. 72–80. – Electronic text data. – Mode of access: http://dx.doi.org/10.1016/j.strueco.2016.12.003. – Title from screen.
7. Matveeva L.G., Nikitaeva A.Yu., Chernova O.A. Prospects and potential of development of regions of the South of Russia in the conditions of anti-Russian economic sanctions [Perspektivy` i potenczial razvitiya regionov Yuga Rossii v usloviyakh antirossijskikh e`konomicheskikh sankczij]// Regional economy: theory and practice. — 2015. — № 17 (392). — S. 2-12.
8. Rating of innovative regions of Russia //http://i-regions.org/about/proekty/rejting-innovatsionnogo-razvitiya
9. Rating of innovative development of subjects of the Russian Federation. Issue 5: 2017//https://www.hse.ru/primarydata/rir 2017