Недостаточное обсуждение вопросов оценки эффективности реализуемых кластерных программ, практически отсутствие методики такой оценки и мониторинга реализации кластерных инициатив обсулавливают актуальность необходимости проведения данного исследования. Целью представленной работы является исследование методических подходов к оценке эффективности реализации кластерной политики в регионах РФ. В статье обсуждается проблема выбора индикаторов в контексте программы развития кластера (ПРК); описываются методы и конкретные вопросы оценки воздействия ПРК на результаты деятельности компании, обсуждаются сильные и слабые стороны этих методов и то, в какой ситуации целесообразно их использование, и, наконец, обобщает имеющиеся данные об эффективности ПКР. Сформированы выводы о целесообразности проводить оценку эффективности кластерной политики в два этапа. На первом этапе проводится анализ кластерного потенциала территории и сопоставление количества кластеров, успешно действующих в регионе. Второй этап состоит в оценке эффективности конкретных мероприятий по поддержке развития кластерных инициатив территории. Обоснован тезис о необходимости более сложной оценки эффективности конкретных программ кластерного развития, которая требует соответствующего инструментария уже на этапе отбора пилотных регионов для включения их в соответствующие программы развития.

кластерная политика, оценка эффективности реализации кластерной политики, анализ кластерного потенциала территории, оценка эффективности программ кластерного развития

Исследование выполнено при финансовой поддержке РФФИ в рамках проекта проведения научных исследований «Оценка эффективности реализации кластерной политики социально-экономического развития региона», проект № 18-410-340020 р_а

Insufficient discussion of the issues of evaluating the effectiveness of implemented cluster programs, the practically absence of a methodology for such an assessment and monitoring of the implementation of cluster initiatives, make it imperative to carry out this study. The purpose of the presented work is to study the methodological approaches to assessing the effectiveness of the implementation of cluster policy in the regions of the Russian Federation. The article discusses the problem of choosing indicators in the context of the cluster development program (PPC); describes the methods and specific issues of assessing the impact of PPK on the company's performance, discusses the strengths and weaknesses of these methods and the situation in which their use is appropriate, and finally summarizes the available data on the effectiveness of RPC. Conclusions about the feasibility of assessing the effectiveness of cluster policy in two stages. At the first stage, the cluster potential of the territory is analyzed and the number of clusters successfully operating in the region is compared. The second stage consists in evaluating the effectiveness of specific activities to support the development of cluster initiatives of the territory. The thesis of the need for a more complex assessment of the effectiveness of specific cluster development programs, which requires appropriate tools at the stage of selection of pilot regions for inclusion in relevant development programs, is substantiated.

cluster policy, evaluation of the effectiveness of the implementation of cluster policy, analysis of the cluster potential of the territory, evaluation of the effectiveness of cluster development programs

The study was carried out with the financial support of the Russian Foundation for Basic Research in the framework of the research project "Assessing the effectiveness of the implementation of cluster policy for the socio-economic development of the region", project number 18-410-340020 p_a

Введение

Прошло уже более десяти лет, как кластерная политика в региональном управлении получила официальный статус. С момента принятия в 2008 году Концепции долгосрочного социально-экономического развития Российской Федерации до 2020 года [Правительство РФ, 2008], в которой были закреплены основные принципы кластерной политики, в стране возникли более 110 кластерных инициатив, объединяющих сегодня свыше 3 тыс. организаций и обеспечивающие порядка 1.3 млн. рабочих мест [Кластерная политика: достижение глобальной конкурентоспособности, 2018, с. 8]. Поддержка кластерных программ территориального развития осуществляется двумя министерствами Правительства РФ — Министерства экономического развития Российской Федерации и Министерства промышленности и торговли Российской Федерации. Министерство экономического развития с 2010 года выделяет субсидии для формирования и поддержки Центров кластерного развития (ЦКР), общий объем финансирования за 6 лет составил чуть больше 1 млрд. рублей, в результате чего в 33 регионах РФ было создано 34 таких центра. А, начиная с 2012 года, это министерство реализуют программу поддержки пилотных инновационных территориальных кластеров (пилотных ИТК) с совокупным бюджетом свыше 5 млрд. рублей. В 2016 году стартовал новый приоритетный проект «Развитие инновационных кластеров — лидеров инвестиционной привлекательности мирового уровня», который реализуют уже принципы проектного управления.

Принятие в 2014 году Федерального закона от 31 декабря 2014 г. № 488-ФЗ «О промышленной политике в Российской Федерации», определило впервые понятие «промышленного кластера», меры поддержки и стимулирования развития таких территориальных образований в субъектах РФ. А с конца 2015 года Министерство промышленности и торговли Российской Федерации запустило программу поддержки промышленных кластеров по субсидированию части затрат, понесенных в ходе реализации совместных проектов по производству импортозамещающей продукции.

Согласно опубликованного в 2018 году аналитического отчета «Кластерная политика: достижение глобальной конкурентоспособности» [Кластерная политика: достижение глобальной конкурентоспособности, 2018] в этом направлении достигнуты определенные результаты. Так, в 2015 году создано 27 кластеров-бенефициаров, в 2017 г. – 12 и в 2018 г. – 26. Реализуемые программы преследовали цели по развитию инновационной инфраструктуры, увеличения несырьевого экспорта, привлечения инвестиций, импортозамещения и развития промышленной кооперации. В общей сложности было затрачено 8,29 млрд. рублей. О результативности созданных кластеров говорят такие показатели как, объем экспорта несырьевой продукции, который в 2016 году составил 5,6 млрд. долларов США, объем привлеченных частных инвестиций (2016 год – 163,9 млрд. рублей), общий объем отгруженных их участниками товаров собственного производства, выполненных работ и услуг собственными силами (2016 год – 597,7 млрд. рублей).

Однако в публикациях по вопросам кластерной политики слабо обсуждаются вопросы оценки эффективности реализуемых кластерных программ, практически отсутствуют методики такой оценки и мониторинга реализации кластерных инициатив. Связано это, в первую очередь, с высокой затратностью реализации таких оценок, отсутствием учета органами государственной статистики показателей деятельности кластеров. Фундаментальной проблемой во всех методиках по оценке программ остается вопрос, эффективно ли конкретное вмешательство – программа развития кластера (ПРК) – выполняется ли основные задачи. Методическим инструментарием оценки такого воздействия является создание надежного параметра, который позволит понять, что случилось бы с фирмами-бенефициарами в отсутствие ПРК. Для этого в статье обсуждается проблема выбора индикаторов в контексте ПРК; в общих чертах описываются методы и конкретные вопросы оценки воздействия ПРК на результаты деятельности компании, кратко обсуждаются сильные и слабые стороны этих методов и то, в какой ситуации целесообразно их использование, и, наконец, обобщает имеющиеся данные об эффективности ПКР.

Методика. Результаты и обсуждение

Формирование кластеров в регионах России опиралось, в первую очередь, на положительный опыт зарубежных стран, внедряя аналогичные цели и инструменты кластерной политики. Однако российские регионы, имеющие свою специфику и специализацию, не преодолели проблемы постсоветского развития, поэтому реализуемые мероприятия в рамках программ кластерного развития оказываются малоэффективными и не дают ожидаемого результата. Поэтому возникает проблема в оценке целесообразности применяемых инструментов на конкретной территории.

В таблице 1 приведены результаты развития кластеров в субъектах РФ за последние 10 лет. Анализ проведен на основе материалов, опубликованных кластерной обсерваторией Института статистических исследований и экономики знаний (ИСИЭЗ) Национального исследовательского университета «Высшая школа экономики».

Официальная статистика не располагает данными о наличии кластеров и итогов их развития в регионах России, поэтому в своем исследовании авторы опирались на данные из аналитического исследования «Кластерная политика: достижение глобальной конкурентоспособности. Выпуск 2». В своем анализе в первую очередь, авторы анализировали абсолютные и относительные показатели результативности кластеров, не принимая во внимание их специализацию и отраслевую принадлежность.

Лидером по числу успешно функционирующих кластеров является Центральный федеральный округ (создано 34 кластера), на втором месте — Северо-Западный федеральный округ (24 кластера) и на третьем – Приволжский федеральный округ. Среди регионов наибольшее число кластеров действует в г. Санкт-Петербург (10 кластеров), Ростовской области (9 кластеров) и по 6 кластеров в республике Татарстан и г. Москве.

Тем не менее, вклад этих кластеров в экономику региона очень разный, не менее велик разброс значений как по числу занятых в кластерах, так и по доле занятых в кластерах в общем числе занятых в регионе. По этим показателям следует отметить Архангельскую область, где в этих объединениях предприятий работает 13,6% всех занятых в регионе.

Таблица 1 — Сравнительный анализ результатов кластерной политики по регионам Российской Федерации в 2018 г.

Сост. авт. по: Информация для ведения мониторинга социально-экономического положения субъектов Российской Федерации. Декабрь 2018 г. – Стат. сб. / Росстат режим доступа: http://www.gks.ru/wps/wcm/connect/rosstat_main/rosstat/ru/statistics/publications/catalog/doc_1246601078438; Кластерная политика: достижение глобальной конкурентоспособности. Выпуск 2 / В.Л. Абашкин, С.В. Артемов, А.Н. Гусев и др.; Минэкономразвития России, АО «РВК», Нац. исслед. ун-т «Высшая школа экономики». – М.: НИУ ВШЭ, 2018.

Не меньших успехов достигли и в республике Татарстан, где в 6 региональных кластерах работает 10,6% всего занятого населения. Среди лидеров по этому показателю следует отметить Самарскую область (6,8%), Липецкую область (6,0%), Тульскую область (5,6%) и Волгоградскую область (4,7%).

Совсем отсутствуют кластеры в Северо-Кавказском федеральном округе, таких областях как Амурская, Магаданская, Сахалинская, Еврейская, республиках Адыгея и Калмыкия, Ямало-Ненецком автономном округе, Чукотском автономном округе.

Несмотря на государственную поддержку и реализуемые на федеральном уровне различные программы по развитию кластеров, результаты являются неоднозначными, поэтому возникает необходимость в методическом обеспечении, включая критерии и процедуры отбора пилотных проектов, пакет мер государственной поддержки, механизмы информационного и аналитического обеспечения.

С методической точки зрения авторами предлагается осуществлять оценку эффективности в два этапа. Первый этап посвящен оценки потенциала кластерного развития и сопоставление с результатами социально-экономического развития субъекта РФ, который позволит понять, насколько эффективно реализуется существующий в регионе потенциал. Данная проблема и апробация результатов по Волгоградской области авторами представлена в статье «Информационно-аналитическое обеспечение реализации кластерной политики в регионах России» [Петрова, Калинина, 2018]. Второй этап состоит в оценке эффективности конкретных мероприятий по поддержке развития кластерных инициатив территории.

В теории кластеров российскими и зарубежными исследователями разработаны методики, позволяющие оценить потенциал территории к формированию кластеров, разработан инструментарий мониторинга территорий. Однако вопросы оценки эффективности кластерной политики требуют дальнейшей разработки. Чтобы адекватно оценить влияние программ кластерного развития (ПКР), необходимо определить причинно-следственную связь между политическим вмешательством (разработка и осуществление программы кластерного развития) и выбранными переменными результатами развития территории. Эффект реализации мероприятий программы развития — это разница между значением индикатора результата после проведения политики и значением этого показателя в отсутствие государственного вмешательства.

Для описания данных процессов введем в рассмотрение два показателя, которые отражают само государственное вмешательство (C_i – например, выделение субсидий или снижение территориальных налогов и т.д.) и показатель, который отражает эффект от развития кластеров (Y_i – например, увеличение количества занятых на предприятиях, увеличение выпуска продукции и т.д.). Предположим, что индикатор вмешательства принимает значение 1, когда предприятие участвует в ПКР, и 0 в противном случае (т.е. C_i = {0,1}, i = 1,…n, где n – количество хозяйственных субъектов, участвующих в ПКР). Кроме того, предположим, что если предприятие участвует в ПКР (C_i = 1), значение переменной результата будет Y_i1; если он не участвует (C_i = 0), значение выходной переменной равно Y_i0. В терминах моделирования Y_i1 и Y_i0 определяют как потенциальные результаты. Таким образом, переменная результата функционирования предприятия может быть записана как:

или альтернативная запись

Единственное различие между двумя сценариями состоит в том, что в одном предприятие участвует в программе, а в другом — нет. Следовательно, различие в конечных переменных (Y_i1 — Y_i0) можно отнести к результатам вмешательства. Однако, предприятие либо участвует, либо нет в программе, поэтому оценить разность (Y_i1 — Y_i0) на одном и том же наблюдаемом предприятии невозможно, по существу, нам приходится оценивать возможные события, то есть каким был бы результат, например, занятость, для предприятия-бенефициара в отсутствие программы. Это приводит ко второй проблеме: поскольку возможные события для каждой отдельной фирмы нельзя ни наблюдать, ни оценивать, оценки воздействия фокусируются на среднем эффекте от ПКР, а не на ее индивидуальном эффекте. Таким образом, для оценки соответствующего эффекта от ПКР обычно используют группы сравнения (иногда называемые контрольными группами), которые похожи на фирмы-бенефициары, но не участвуют в ПКР.

Однако в этом случае возникает проблема, которая в исследованиях, посвященных оценке влияний различного характера, имеет название как предвзятость выбора. В нашем случае это означает следующее — если бы предприятия (отобранные для участия в программах кластерного развития) не участвовали, их результаты были бы такими же, как результаты предприятий из контрольной группы? Есть несколько причин думать, что это не так. Например, понять насколько повлияла программа на продуктивность предприятий участников ПКР невозможно путем сравнения производительности участников и неучастников после применения программы. Даже если производительность участников выше, чем производительность неучастников, разница может не быть связана с программой. Фактически, если участники были уже более продуктивными, чем неучастники до реализации программы, разница после программы также будет отражать разницу до программы, а не только ее эффект. Фирмы, которые решают участвовать в ПКР, более склонны быть мотивированными, предприимчивыми и лучше управляемыми, чем те, которые не участвуют.

В качестве оценки и устранения проблемы предвзятости выбора можно использовать следующие методические подходы, которые широко обсуждаются в современной литературе:

• оценка показателя склонности;
• разница в различиях и фиксированные эффекты;
• синтетический контроль;
• инструментальные переменные;
• разрыв регрессии.

Каждый из предлагаемых подходов имеет свои ограничения, накладывает определенные требования к исходным данным наблюдения, поэтому выбор одного из этих методов должен быть основан на анализе каждой конкретной ситуации и анализируемой программы развития.

Оценка показателя склонности. Проблема выбора возникает из-за того, что бенефициары (прямые и косвенные) отличаются от не бенефициаров даже до участия в программах кластерного развития. Метод оценки показателя склонности (ОПС) определяет контрольную группу — небенефициаров, похожих на бенефициаров — используя информацию о наблюдаемых характеристиках. Процедура состоит из двух этапов: во-первых, оценка вероятности участия в программе (то есть оценка степени склонности) и, во-вторых, сравнение бенефициаров и не-бенефициаров с аналогичной вероятностью участия в программе. Основная идея метода заключается в том, что при сопоставлении фирм с использованием показателя склонности наблюдаемые характеристики, используемые для оценки этой вероятности, будут сбалансированы между бенефициарами и не-бенефициарами [Rosenbaum and Rubin, 1983].

Предположение, необходимое для определения эффекта политики с использованием этого метода, состоит в том, что существует множество ковариат (в терминах эконометрики – это наблюдаемые переменные, которые могут влиять на взаимосвязь между изучаемыми переменными, однако сама по себе интереса не представляет), так что после контроля этих ковариат (Х) потенциальные результаты не зависят от статуса предприятия (участвует или нет в программе). Это предположение известно как условное предположение о независимости, необоснованность или выбор на наблюдениях:

Это означает, что после определения и контроля ковариат (наблюдаемых характеристик X) оценки эффективности программ носят случайный характер. Это предположение эквивалентно предположению, необходимому, чтобы дать причинную интерпретацию регрессии обычных наименьших квадратов (МНК). Основным преимуществом этого метода является то, что он не накладывает линейности на условное ожидание переменной результата.

Второе предположение метода оценки показателя склонности является допущением выполнения следующего неравенства

что гарантирует, что для любого набора ковариат X существует положительная вероятность того, что можно найти статистически близкие по характеристикам компании контрольной группы.

Основное преимущество этого метода заключается в том, что его можно применять для перекрестного анализа предприятий, что важно, поскольку во многих случаях информация предоставляется только в течение одного периода после реализации программы. Однако основным недостатком является то, что условное предположение о независимости слишком сильно, что означает, что исследователь наблюдает за всей информацией, которая стимулирует участие в программе, а это далеко не всегда выполнимо.

Как упоминалось ранее, вполне вероятно, что только лучшие предприятия решат принять участие в программе. Более того, ПКР обычно сосредоточены на кластерах с высоким потенциалом [Cheshire, 2003]. В этом контексте выбор в программу сильно зависит от ненаблюдаемых характеристик. Если способность или мотивация предпринимателя являются одним из основных факторов, определяющих участие компании, то невозможно осуществлять оценку с помощью предлагаемого метода, поскольку невозможно независимо определить способности и мотивации всех претендентов.

Разница в различиях и фиксированные эффекты. Как упомянуто выше, предположение об условной независимости не выполняется, когда существуют ненаблюдаемые факторы, способствующие отбору предприятий в ПКР. Однако, если имеются данные предварительного отбора и ненаблюдаемые факторы, влияющие на выбор, не зависят от времени, допущение условной независимости может быть ослаблено. В этом случае эффект ненаблюдаемого можно отменить, взяв разницу в результатах до и после программы. С двумя периодами (т. е. до и после участия в программе) модель аналогична регрессии или сопоставлению, за исключением того, что результат измеряется в изменениях. Это значит, если t-1 и t периоды до и после участия в программе, а Y_i — исходный результат, новая результирующая переменная

Тогда метод разницы в различиях (DD) оценивает (прямое) среднее влияние программы следующим образом:

Если доступно больше одного периода времени, то оценка DD является параметром δ в следующей регрессии (фиксированный эффект):

где Y_it — переменная результата, а C_it — фиктивная переменная, которая принимает значение 1 после того, как компания становится бенефициаром программы. Следует заметить, что необходимо оценить два уравнения: одно для прямых бенефициаров, а другое для косвенных бенефициаров. Регрессор μ_t измеряет все ненаблюдаемые изменяющиеся во времени факторы, которые одинаково влияют на все предприятия. Параметр α_i оценивает все ненаблюдаемые и не зависящие от времени характеристики, которые влияют на решение об участии в программе или на значение переменных результата. Наконец, ε_it— это обычная ошибка регрессии, которая в контексте ПКР может быть интерпретирована как географическая составляющая, чтобы учесть возможность корреляции ошибок между предприятиями.

Когда есть данные за годы до старта программ поддержки кластеров, можно использовать метод оценки показателя склонности, чтобы найти небенефициаров с той же ожидаемой тенденцией в результате, что и для предприятий-бенецифиаров. При сравнении бенефициаров и не-бенефициаров, имеющих одинаковые характеристики, до реализации программы, включая тенденцию в результирующих переменных, легче предположить равенство тенденций в отсутствие программы. То есть можно утверждать, что если бы до применения политики бенефициары и не бенефициары росли с одинаковой скоростью, то в отсутствие программы они также росли бы с той же скоростью.

Синтетический контроль. Многие государственные программы осуществляются на агрегированном уровне, затрагивая территории в целом (например, страны, регионы, муниципальные образования). В этом контексте комбинация субъектов сравнения часто обеспечивает лучшее сравнение для отдельных предприятий, подвергшихся вмешательству, чем любой отдельный субъект. В соответствии с методом синтетического контроля (МСК), разработанным Abadie и Gardeazabal (2003) и расширенный в Abadie, Diamond и Hainmueller (2010), синтетический контроль — это средневзвешенное значение доступных блоков управления, построенное для аппроксимации наиболее важных характеристик обработанного блока.

Предположим, что МСК нацелен на конкретную территорию, такую как регион, и влияет на весь субъект РФ. В этом случае фирмы-бенефициары и фирмы, не являющиеся бенефициарами, не могут быть идентифицированы, поскольку вмешательство оказывает определенное влияние на все фирмы в регионе.

Алгоритм синтетического контроля оценивает возможность участия в ПКР отдельного предприятия и, следовательно, результаты воздействия программы, как средневзвешенное значение результата единиц в группе сравнения. Весовые коэффициенты выбираются таким образом, чтобы значения исходной переменной и ковариат синтетического контроля до обследования были, в среднем, очень похожи на значения в выбранной единице. Как и в случае распространенных моделей зависимых переменных с лагом, идентифицирующее допущение в МСК является независимым фактором от статуса участия и потенциальных результатов. Затем, если выбранное предприятие и синтетический контроль ведут себя одинаково в течение расширенного периода предварительной оценки, расхождение в результате после вмешательства интерпретируется как произведенное самим вмешательством (т.е. программой развития). Основными привлекательными особенностями этого подхода являются следующие:

• Прозрачность: МСК предоставляет систематический способ выбора единиц сравнения, четко обозначая относительный вклад каждого и сходства между обработанной единицей и синтетическим контролем.
• Защита от экстраполяции: весовые коэффициенты ограничены, чтобы быть положительными и суммировать с единицей.
• Гибкость: набор потенциальных контрольных единиц может быть ограничен единицами с результатами, которые, как считается, обусловлены тем же структурным процессом, что и выбранная единица обследования, и которые не подвергались структурным воздействиям на результирующую переменную в течение периода наблюдения.
• Допущение более слабой идентификации: МСК позволяет эффекту ненаблюдаемых мешающих факторов изменяться со временем.

С другой стороны, ограничение МСК состоит в том, что он не позволяет использовать традиционные (большие выборки) подходы к статистическому исследованию из-за небольшого объема данных, отсутствия рандомизации и того факта, что вероятностная выборка не используется для выбора единиц обследования.

В конкретном контексте анализа результатов программ развития кластеров, МСК — это метод с высоким потенциалом для оценки структурных проектов, то есть как метод оценки воздействия мероприятий, которые приносят пользу большинству предприятий, входящих в кластер, способствуя развитию коллектива, увеличения эффективности и конкурентоспособность кластеров. В то же время, данный метод менее полезен при оценке мероприятий, которые нацелены на отдельные предприятия (например, обучение, техническая поддержка и консалтинговые услуги).

Инструментальные переменные. Когда ПКР включает некоторую степень самоотбора и существует опасение, что ненаблюдаемые различия между бенефициарами и не-бенефициарами могут привести к смещенным оценкам воздействия, метод инструментальных переменных является мощной альтернативой для определения воздействия программы.

Предположим, что ПКР направлена на повышение конкурентоспособности предприятий путем финансирования внедрения инновационных технологий, которые позволили бы им получить доступ к международным рынкам, и компании подали заявки на участие в программе. В этом случае некоторые характеристики, такие как способность и мотивация предпринимателей, которые, как ожидается, будут определять участие в программе, также могут повлиять на их конкурентоспособность. Как упоминалось ранее, сравнение между бенефициарами и не-бенефициарами будет включать воздействие программы, а также влияние ненаблюдаемых внутренних характеристик участвующих предприятий. Таким образом, некорректно использовать регрессию для оценки причинного эффекта от участия программы (C_i) на результирующую переменную (Y_i) (т. е. Y_i = βC_i + u_i), учитывая, что ненаблюдаемые характеристики описываются ошибкой регрессии u_i и будет относиться как к конкурентоспособности (Y_i), так и кс участию в программе (C_i).

Альтернативой для решения этой проблемы является использование инструментальных переменных (Z_i) или набора инструментальных переменных. Инструментальная переменная должна удовлетворять двум условиям: она должна прогнозировать участие в программе (т. е.  (релевантность)) и не может коррелировать с выходной переменной, кроме как через участие в программе (т. е. Z_i ⏊ u_i или ), то есть она должна быть экзогенной. Другими словами, инструментальная переменная — это переменная, которая влияет на результат и позволяет нам воспроизводить условия эксперимента.

Хотя метод инструментальных переменных является мощной альтернативой для оценки воздействия ПКР, поиск таких переменных после реализации программы не является простым. Одним из подходов к решению этой проблемы является использование случайного отбора компаний для участия в программах. Например, программа может случайным образом предоставлять информацию некоторым предприятиям, о льготах участия в программах и, следовательно, предопределить решение об участии. В этом сценарии разумно полагать, что компании, которые получают ценную информацию, с большей вероятностью будут участвовать в программе, чем фирмы, которые этого не делают. Учитывая, что стимулы случайным образом распределяются между предприятиями, нет никаких оснований полагать, что механизм поощрения коррелирует с переменной результата, что делает его инструментальной переменной.

Разрывная регрессия (Regression Discontinuity). Этот метод позволяет также оценить влияние ПКР на производительность компании. Подход основан на идее, что при определенных условиях сравнение среднего эффекта воздействия для объектов, находящихся в непосредственной близости от порогового значения критериев, по которым принимается решение о принятии  компании в программу, может помочь в выявлении причинно-следственных связей, имеющих социально-экономическое содержание, важное для принятия адекватных управленческих решений. В этом контексте метод позволяет оценить в разрыв, который определяет, какие фирмы вступают в программу и для контроля не получают программу.

Проекты разрывной регрессии бывают двух видов: нечеткие и четкие. Четкий тип регрессии можно рассматривать как описание выбора по наблюдаемым переменным, тогда как нечеткий тип приводит к настройке параметров регрессии, относящихся к инструментальным переменным (Angrist and Pischke, 2009).

В четком типе регрессии участие в программе является детерминированной и прерывистой функцией ковариаты. Например, ПКР может применяться в конкретном муниципальном образовании. В этом случае до тех пор, пока данное муниципальное образование является произвольным, предприятии в соседнем муниципальном образовании могут служить в качестве контроля. Однако в случае ПКР, если предприятия в соседнем районе являются частью кластера, их нельзя использовать в качестве контроля, поскольку они являются косвенными бенефициарами, которые получают побочные эффекты.

Нечеткость отличается от четкого типа разрывной регрессии тем, что переменная (ковариата) не полностью определяет полученные эффекты и контроль, а скорее влияет на вероятность участия. В этом сценарии ковариата, влияющая на участие в программе, может использоваться в качестве инструментальной переменной для прогнозирования участия в программе, а модель может быть оценена с использованием двухэтапного метода наименьших квадратов.

Подводя итог, можно сказать, что случайное распределение по предприятиям, отобранным в программу, менее вероятно при реализации программ кластерного развития, и для контроля отбора компаний в программу необходимы эконометрические методы. Учитывая плюсы и минусы каждого метода, методы панельных данных (комбинация методов «Оценка показателя склонности» и «Разница в различиях и фиксированные эффекты» или модель с лаговой зависимой переменной в качестве дополнительного контроля) являются наиболее адекватными и наиболее применимыми для оценки воздействия ПКР на прямых и косвенных бенефициаров.

Другим подходом к оценке эффективности ПКР также может быть построение структурной модели, которая представляет собой набор математических моделей поведения субъектов и среды, которые объединяются для получения прогнозов о том, как экономические агенты будут вести себя в различных сценариях. Разработка структурной модели осуществляется по следующим этапам.

Во-первых, определяется уравнения, описывающие поведение соответствующих агентов, таких как потребители, максимизирующие прибыль компании, используя в качестве целевой функции функцию производства. Эти уравнения являются функциями параметров вмешательства (C_i). Например, бюджетные ограничения являются функцией налогов, а прибыль — функцией субсидий, которые могут получать фирмы. Во-вторых, эти уравнения объединяются для определения рыночного равновесия. Учитывая, что поведенческие уравнения зависят от параметров политики, равновесие также зависит от параметров политики. Наконец, модель используется для прогнозирования изменений в равновесии, полученных в результате изменений в политике.

В структурных моделях оценка возможного поведения строится на основе теоретической модели и, таким образом, может использоваться для оценки ex ante, поскольку для нее не требуются данные после обработки. Эти модели могут также использоваться для оценки программ, когда возможные результаты не могут быть получены эмпирически [Di Nardo and Lee, 2011].

Выводы

Таким образом, оценку эффективности кластерной политики целесообразно проводить в два этапа. На первом этапе проводится анализ кластерного потенциала территории и сопоставление количества кластеров, успешно действующих в регионе, что позволит оценить, насколько эффективно реализуется соответствующий потенциал.

Более сложной оценки требует оценка эффективности конкретных программ кластерного развития, которая требует соответствующего инструментария уже на этапе отбора пилотных регионов для включения их в соответствующие программы развития. Кроме того, в большинстве случаев соответствующие программы оказывают различное влияние на всех предприятий- бенефициаров. Влияние ПКР различно для разных групп предприятий. Например, они могут оказывать более сильное влияние на менее производительные компании или на небольшие предприятия. Ограничение анализа средним воздействием для всей совокупности предприятий может дать неполную или, по крайней мере, неточную оценку воздействия программы. Если, например, программа не эффективна для некоторых компаний, ее необходимо изменить или исключить для этой группы.

Случайное распределение по предприятиям, отобранным в программу, менее вероятно при реализации программ кластерного развития, и для контроля отбора компаний в программу необходимы эконометрические методы. Учитывая плюсы и минусы каждого метода, методы панельных данных (комбинация методов «Оценка показателя склонности» и «Разница в различиях и фиксированные эффекты» или модель с лаговой зависимой переменной в качестве дополнительного контроля) являются наиболее адекватными и наиболее применимыми для оценки воздействия ПКР на прямых и косвенных бенефициаров.

Литература

1. Концепции долгосрочного социально-экономического развития Российской Федерации до 2020 год. Утверждена распоряжением Правительства РФ от 17 ноября 2008 года №1662-р – режим доступа: http://government.ru/info/6217/
2. Кластерная политика: достижение глобальной конкурентоспособности. Выпуск 2 / В.Л. Абашкин, С.В. Артемов, А.Н. Гусев и др.; Минэкономразвития России, АО «РВК», Нац. исслед. ун-т «Высшая школа экономики». – М.: НИУ ВШЭ, 2018. – 342 с.
3. Федеральный закон от 31 декабря 2014 г. № 488-ФЗ «О промышленной политике в Российской Федерации» — режим доступа: https://fzrf.su/zakon/o-promyshlennoj-politike-488-fz/
4. Информация для ведения мониторинга социально-экономического положения субъектов Российской Федерации. Декабрь 2018 г. – Стат. сб. / Росстат режим доступа: http://www.gks.ru/wps/wcm/connect/rosstat_main/rosstat/ru/statistics/publications/ catalog/doc_1246601078438
5. Калинина А.Э., Петрова Е.А. Информационно-аналитическое обеспечение реализации кластерной политики в регионах России // Вестник ВолГУ. Серия 3, экономика. Экология. – 2018. Том 20. № 4. – С. 25 – 37.
6. Rosenbaum, P., and D. Rubin. 1983. “The Central Role of the Propensity Score in Observational Studies for Causal Effects.” Biometrika 70(1): 41–55.
7. Cheshire, P. C. 2003. «Territorial Competition: Lessons for (Innovation) Policy.» In J. Brocker, D. Dohse, and R. Soltwedel (eds.), Innovation Clusters and Interregional Competition. Berlin: Springer.
8. Abadie, A., and J. Gardeazabal. 2003. “The Economic Costs of Conflict: A Case Study of the Basque Country.” The American Economic Review 93(1): 113–32.
9. Abadie, A., A. Diamond, and J. Hainmueller. 2010. “Synthetic Control Methods for Comparative Case Studies: Estimating the Effect of California’s Tobacco Control Program.” American Statistical Association 105(490): 493–505.
10. Angrist, J., and J.-S. Pischke. 2009. Mostly Harmless Econometrics: An Empiricist’s Companion. Princeton, NJ: Princeton University Press.
11. Di Nardo, J., and D. S. Lee. 2011. “Program Evaluation and Research Designs.”Handbook of Labor Economics 4(A): 463–536.

References

1. The concept of long-term socio-economic development of the Russian Federation until 2020 [Kontseptsii dolgosrochnogo sotsial’no-ekonomicheskogo razvitiya Rossiyskoy Federatsii do 2020 god]. Approved by the order of the Government of the Russian Federation of November 17, 2008 No. 1662-p — access mode: http://government.ru/info/6217/
2. Cluster policy: achieving global competitiveness. Issue 2 [Klasternaya politika: dostizheniye global’noy konkurentosposobnosti]/ V.L. Abashkin, S.V. Artemov, A.N. Gusev and others; Ministry of Economic Development of Russia, JSC «RVK», Nat. researches University «Higher School of Economics». — M .: HSE, 2018. — 342 p.
3. Federal Law of December 31, 2014 No. 488-ФЗ “On Industrial Policy in the Russian Federation [O promyshlennoy politike v Rossiyskoy Federatsii]” — access mode: https://fzrf.su/zakon/o-promyshlennoj-politike-488-fz/
4. Information for monitoring the socio-economic status of the constituent entities of the Russian Federation. December 2018 [Informatsiya dlya vedeniya monitoringa sotsial’no-ekonomicheskogo polozheniya sub»yektov Rossiyskoy Federatsii. Dekabr’ 2018 g.] — Stat. Sat / Rosstat access mode: http://www.gks.ru/wps/wcm/connect/rosstat_main/rosstat/ru/statistics/publications/ catalog / doc_1246601078438
5. Kalinina A.E., Petrova Ye.A. Information and analytical support for the implementation of cluster policy in the regions of Russia [Informatsionno-analiticheskoye obespecheniye realizatsii klasternoy politiki v regionakh Rossii]// Bulletin of VolSU. Series 3, the economy. Ecology. — 2018. Volume 20. No. 4. — P. 25 — 37.
6. Rosenbaum, P., and D. Rubin. 1983. “The Central Role of the Propensity Score in Observational Studies for Causal Effects.” Biometrika 70(1): 41–55.
7. Cheshire, P. C. 2003. «Territorial Competition: Lessons for (Innovation) Policy.» In J. Brocker, D. Dohse, and R. Soltwedel (eds.), Innovation Clusters and Interregional Competition. Berlin: Springer.
8. Abadie, A., and J. Gardeazabal. 2003. “The Economic Costs of Conflict: A Case Study of the Basque Country.” The American Economic Review 93(1): 113–32.
9. Abadie, A., A. Diamond, and J. Hainmueller. 2010. “Synthetic Control Methods for Comparative Case Studies: Estimating the Effect of California’s Tobacco Control Program.” American Statistical Association 105(490): 493–505.
10. Angrist, J., and J.-S. Pischke. 2009. Mostly Harmless Econometrics: An Empiricist’s Companion. Princeton, NJ: Princeton University Press.
11. Di Nardo, J., and D. S. Lee. 2011. “Program Evaluation and Research Designs.”Handbook of Labor Economics 4(A): 463–536.