Главная страница » Публикации » №3 (63) » Классификация региональных кластеров и критерии их эффективности

Классификация региональных кластеров и критерии их эффективности

Regional clusters classification and performance indicators

Методология исследований, Региональное развитие

Авторы

Гранков Павел Юрьевич
первый заместитель генерального директора
Россия, АО «Агентство инновационного развития – центр кластерного развития Калужской области»
grankov@airko.org
Бурцева Татьяна Александровна
доктор экономических наук, профессор отделения социально-экономических наук
Россия, Национальный исследовательский ядерный университет «МИФИ»
tbur69@mail.ru

Аннотация

В статье проведено исследование результативности деятельности кластеров в регионах России, осуществлена их классификация и показаны количественные закономерности эффективности их развития, что позволило оценить количественные критерии эффективного кластера.

Ключевые слова

региональные кластеры, классификация региональных кластеров, регионы России, количественные критерии эффективного кластера.

Рекомендуемая ссылка

Гранков Павел Юрьевич , Бурцева Татьяна Александровна

Классификация региональных кластеров и критерии их эффективности// Региональная экономика и управление: электронный научный журнал. ISSN 1999-2645. — №3 (63). Номер статьи: 6305. Дата публикации: 06.08.2020. Режим доступа: https://eee-region.ru/article/6305/

Authors

Grankov Pavel Yuryevich
first deputy general director
Russia, JSC "Agency for Innovative Development - the center of cluster development of the Kaluga region"
grankov@airko.org
Burtseva Tatyana Aleksandrovna
Doctor of Economics, Professor of the Department of Social and Economic Sciences
Russia, National Research Nuclear University "MEPhI"
tbur69@mail.ru

Abstract

The article presents the study results of clusters activities in the regions of Russia, carried out their classification and shows the quantitative patterns of the effectiveness of their development, which made it possible to assess the quantitative criteria of an effective cluster.

Keywords

regional clusters, classification of regional clusters, regions of Russia, quantitative criteria for an effective cluster.

Suggested Citation

Grankov Pavel Yuryevich , Burtseva Tatyana Aleksandrovna

Regional clusters classification and performance indicators// Regional economy and management: electronic scientific journal. ISSN 1999-2645. — №3 (63). Art. #6305. Date issued: 06.08.2020. Available at: https://eee-region.ru/article/6305/ 

Print Friendly, PDF & Email

Введение

Как показывает мировой опыт, формирование и развитие высокотехнологичных, промышленных и инновационных кластеров залог успешного экономического развития регионов [1]. В России с 2005 г. формируется региональная экономика кластерного типа. Анализ создания и развития кластеров позволяет констатировать, что идет сокращение темпов создания кластеров,  в 2014 году число созданных кластеров составляло 27,  в 2018 оно снизилось до 2. Таким образом, существует противоречие между стратегическими задачами государственного управления и происходящими процессами кластеризации экономики России, которое требует исследования проблем развития и оценки эффективности функционирования кластеров в регионах России. На данный момент «не существует целостного представления о состоянии и результатах функционирования кластеров в регионах России» [2, 41]. В связи с чем авторами проведено исследование результативности деятельности кластеров в регионах России, осуществлена их классификация и показаны количественные закономерности эффективности их развития, что позволило оценить количественные критерии эффективного кластера.

 

Алгоритм и результаты исследования результативности деятельности региональных кластеров

В качестве исходной информации исследования выступили актуальные статистические данные Федеральной государственной службы статистики, отчеты экспертных агентств и ассоциаций (АИРР, АКиТ, АИРКО и др.), отчеты региональных органов власти, материалы международных консалтинговых и информационных агентств, публикации в периодических российских и иностранных изданиях, информация, размещенная на официальных и тематических сайтах в сети Интернет,  официальные данные и аналитические материалы Минэкономразвития России и Минпромторга России. В результате получена сводная исходная информация о 31  кластере (перечень представлен в третьем столбце таблицы 1), включающая показатели: количество участников кластера, количество совместных проектов, количество проведенных кластерных мероприятий, численность работников на предприятиях кластера, объем произведенной продукции предприятиями кластера, объем налоговых поступлений от деятельности предприятий кластера, объем инвестиций в создание кластера. На основе исходной информации рассчитаны показатели эффективности деятельности кластеров:

  • производительность труда (объем производства/численность работников на предприятиях кластера);
  • налоговая результативность (объем налоговых поступлений от деятельности предприятий кластера/количество участников кластера);
  • эффективность инвестиций (объем произведенной продукции предприятиями кластера/объем инвестиций в создание кластера);
  • количество совместных проектов на участника кластера;
  • количество кластерных мероприятий на участника кластера.

Так как представленная информация по кластерам является несоизмеримой, разнокачественной и неоднородной, то для проведения классификации применялся алгоритм иерархического кластерного анализа, реализованный в статистическом пакете R. Код представлен на рисунке 1.

 

library(readxl)
types = c( rep("numeric", 5))
t <- as.data.frame(read_excel("C:/Users/компьютер/Documents/pok.xlsx", 1,
                              col_types = types))
x<-t[,c(1,2,3,4,5)]
miny<-min(x[,1])
minx<-min(x[,2])
maxy<-max(x[,1])
maxx<-max(x[,2])
x[,1]<-(x[,1]-miny)/(maxy-miny)
x[,2]<-(x[,2]-minx)/(maxx-minx)
miny<-min(x[,3])
minx<-min(x[,4])
maxy<-max(x[,3])
maxx<-max(x[,4])
x[,3]<-(x[,3]-miny)/(maxy-miny)
x[,4]<-(x[,4]-minx)/(maxx-minx)
miny<-min(x[,5])
maxy<-max(x[,5])
x[,5]<-(x[,5]-miny)/(maxy-miny)
library(cluster)
hc <- hclust(dist(x), method = "complete")
plot(hc)

Рисунок 1. Алгоритм проведения кластерного анализа в R

 

Как показано на рисунке 1, исходные показатели подвергались нормировке, результат выполнения алгоритма представлен на рисунке 2.

 

Кластерная дендограмма

Рисунок 2. Кластерная дендограмма

(по оси х — номер кластера, столбец 2 в таблице 1)

 

Как видно из результатов анализа, представленных на рисунке 2, можно выделить три группы кластеров: кластеры с высоким, средним и низким уровнем эффективности деятельности. В таблице 1 представлена итоговая классификация и количественные оценки показателей эффективности по каждой группе кластеров, позволяющие выявить количественные закономерности в развитии региональных кластеров (см. рис. 3).

 

Количественные закономерности развития региональных кластеров

Рисунок  3. Количественные закономерности развития региональных кластеров

 

Таблица 1 — Классификация региональных кластеров

Группы № в исходном перечне кластеров Наименование кластера Производи-тельность труда, млн. руб. на чел. Объем налоговых поступлений на участника, млн. руб. на участника Количество совместных проектов на участника Налоговая нагрузка (Налоговые поступления на 1$ инвестиций), млн. руб. на млн. долларов США
Наиболее эффективные кластеры (4) 17 Инновационный территориальный кластер волоконно-оптических технологий «Фотоника» Пермского края 6,671115467 727,0454545 0,292929293 822,6
21 Инновационно-территориальный кластер «Кластер ядерно-физических и нанотехнологий в г. Дубне»
22 Нижегородский индустриальный инновационный кластер в области автомобилестроения и нефтехимии
23 Троицкий инновационный территориальный кластер «Новые материалы, лазерные и радиационные технологии»
Средние по эффективности кластеры (9) 1 Кластер фармацевтики, биотехнологий и биомедицины Калужской области 2,507621306 556,6840731 0,216710183 959,5409541
6 Консорциум «Научно-образовательно-производственный кластер «Ульяновск-Авиа»
7 Ядерно-инновационный кластер города Димитровграда Ульяновской области
8 Промышленный кластер станкостроения и станкоинструментальной промышленности «ЛИПЕЦКМАШ»
9 Электротехнический кластер Псковской области
12 Алтайский биофармацевтический кластер
13 Судостроительный инновационный территориальный кластер Архангельской области
18 Инновационный территориальный аэрокосмический кластер Самарской области
19 Биотехнологический инновационный территориальный кластер Пущино
Низкие по эффективности кластеры (18) 2 Камский инновационный территориально-производственный кластер Республики Татарстан 1,643948177 322,4325429 0,126737531 1065,482302
3 Научно-производственный кластер «Сибирский наукополис» Новосибирской области
4 Нефтехимический территориальный кластер Республики Башкортостан
5 Удмуртский машиностроительный кластер
10 Кластер медицинской, фармацевтической промышленности, радиационных технологий г. Санкт-Петербург
11 Инновационный территориальный кластер «Зеленоград»
14 Энергоэффективная светотехника и интеллектуальные системы управления освещением Республики Мордовия
15 Комплексная переработка угля и техногенных отходов Кемеровской области
16 Инновационный территориальный кластер «Технополис «Новый Звездный» Пермского края
20 Инновационный территориальный кластер «ФИЗТЕХ XXI»
24 Кластер инновационных технологий ЗАТО г. Железногорск Красноярского края
25 Развитие информационных технологий, радиоэлектроники, приборостроения, средств связи и инфотелекоммуникаций г. Санкт-Петербурга
26 Инновационный территориальный кластер Свердловской области «Титановый кластер Свердловской области»
27 Инновационный территориальный кластер «Фармацевтика, медицинская техника и информационные технологии Томской области»
28 Инновационный территориальный кластер авиастроения и судостроения Хабаровского края
29 Кластер производителей нефтегазового и химического оборудования Воронежской области
30 Кластер машиностроения и приборостроения Республики Бурятия
31 Кластер метровагоностроения Московской и Тверской областей

 

Выводы

На основе полученных результатов можно сделать выводы о критериях эффективности регионального кластера:

  1. Высокоэффективным следует признать кластер, если производительность труда на его предприятиях не ниже 6,67 млн. руб. на работника;
  2. Высокоэффективным следует признать кластер, если объем налоговых поступлений на участника кластера не менее 727 млн. руб.;
  3. Низкоэффективным следует признать кластер, если производительность труда на его предприятиях ниже 1,6 млн. руб. на работника;
  4. Низкоэффективным следует признать кластер, если объем налоговых поступлений на участника кластера менее 322 млн. руб.

Также проведенный анализ показал, что налоговая нагрузка на предприятия кластера не может превышать 1000 рублей на 1$ инвестиций, чтобы кластер мог развиваться и стать эффективным.

 

Список литературы

  1. Гранков Павел Юрьевич, Бурцева Татьяна Александровна. Анализ развития кластерной экономики Калужской области// Региональная экономика и управление: электронный научный журнал. ISSN 1999-2645. — №2 (62). Номер статьи: 6208. Дата публикации: 2020-05-07. Режим доступа: https://eee-region.ru/article/6208/
  2. Aleshnikova V.I., Burtseva T.A. Territory marketing: labor productivity in clusters of the Kaluga region [Marketing territoriy: proizvoditel’nost’ truda v klasterakh Kaluzhskoy oblasti]// in the book: Actual Problems of Management — 2016 21st International Scientific and Practical Conference. 2016.S. 40-43.

 

List of references

  1. Grankov Pavel Yur’yevich, Burtseva Tat’yana Aleksandrovna. Analysis of the development of the cluster economy of the Kaluga region [Analiz razvitiya klasternoy ekonomiki Kaluzhskoy oblasti]// Regional economy and management: electronic scientific journal. ISSN 1999-2645. — No. 2 (62). Article number: 6208. Publication date: 2020-05-07. Access mode: https://eee-region.ru/article/6208/
  2. Aleshnikova V.I., Burtseva T.A. Territory marketing: labor productivity in clusters of the Kaluga region [Marketing territoriy: proizvoditel’nost ’truda v klasterakh Kaluzhskoy oblasti] // in the book: Actual Problems of Management — 2016 21st International Scientific and Practical Conference. 2016.S. 40-43.

Похожие статьи