В статье предлагается и апробируется авторская методология количественной диагностики системных дисфункций в региональных системах управления интеллектуальной собственностью (ИС). Вводится понятие «институционального парадокса» – устойчивого разрыва между объективным научно-техническим и кадровым потенциалом территории и её неспособностью трансформировать этот потенциал в инновационные результаты (патенты, лицензии, инновационную продукцию) через механизмы ИС. Методология базируется на двухэтапном статистическом подходе: (1) кластеризация регионов методом k-средних для многомерной типологизации по совокупности макро-, мезо- и микроуровневых показателей; (2) ранговый корреляционный анализ Спирмена для оценки связи между макроэкономической динамикой (среднегодовой темп роста ВРП, CAGR) и изобретательской активностью (коэффициент патентных заявок на 10 тыс. населения) с последующей идентификацией регионов-выбросов. Апробация проведена на данных 48 субъектов Российской Федерации за период 2019–2023 гг., включая Донецкую Народную Республику (ДНР), для которой использован прогнозный CAGR 2022–2027 гг. как индикатор восстановительной динамики. Выделены четыре устойчивые типологические группы регионов. В общероссийском контексте выявлена умеренная положительная связь между макроэкономической динамикой и изобретательской активностью (ρ = 0,58; R² = 0,336; 95% доверительный интервал [0,37; 0,74]). ДНР идентифицирована как статистический выброс с максимальным разрывом: при прогнозном CAGR 14,3% (верхний квартиль) коэффициент изобретательской активности составляет 0,04 (по данным 2024 г.) – минимальное значение в выборке, что в 23 раза ниже медианы по РФ. Предложенный метод преодолевает ограничения традиционного бенчмаркинга (сравнение с абсолютными лидерами) и может быть масштабирован на другие направления региональной политики (экологическую, цифровую, социальную).

интеллектуальная собственность, институциональный парадокс, региональная политика, кластерный анализ k-средних, корреляция Спирмена, системные разрывы, Донецкая Народная Республика.

The article proposes and tests an original methodology for the quantitative diagnostics of systemic dysfunctions in regional intellectual property (IP) management systems. The concept of an “institutional paradox” is introduced – a persistent gap between the objective scientific, technological, and human resources potential of a territory and its inability to transform this potential into innovative results (patents, licenses, innovative products) through IP mechanisms. The methodology is based on a two-stage statistical approach: (1) clustering of regions using the k-means method for multidimensional typologization based on a set of macro-, meso-, and micro-level indicators; (2) Spearman rank correlation analysis to assess the relationship between macroeconomic dynamics (compound annual growth rate of GRP, CAGR) and inventive activity (patent application coefficient per 10,000 population) with the subsequent identification of outlier regions. The testing was carried out on data from 48 constituent entities of the Russian Federation for the period 2019–2023, including the Donetsk People’s Republic (DPR), for which the projected CAGR for 2022–2027 was used as an indicator of recovery dynamics. Four stable typological groups of regions were identified. In the all-Russian context, a moderate positive relationship was found between macroeconomic dynamics and inventive activity (ρ = 0.58; R² = 0.336; 95% confidence interval [0.37; 0.74]). The DPR was identified as a statistical outlier with the largest gap: with a projected CAGR of 14.3% (upper quartile), the inventive activity coefficient is 0.04 (based on 2024 data) – the minimum value in the sample, which is 23 times lower than the median for the Russian Federation. The proposed method overcomes the limitations of traditional benchmarking (comparison with absolute leaders) and can be scaled to other areas of regional policy (environmental, digital, social).

intellectual property, institutional paradox, regional policy, k-means cluster analysis, Spearman correlation, systemic gaps, Donetsk People’s Republic.

Введение

Современный этап регионального развития в Российской Федерации характеризуется парадоксальной ситуацией. С одной стороны, на уровне государственных стратегий и программ повсеместно декларируется переход к экономике знаний, инновационному развитию и технологическому суверенитету [1]. С другой стороны, многие регионы, обладая значительным научно-техническим и кадровым потенциалом, демонстрируют крайне низкие результаты в сфере создания и коммерциализации интеллектуальной собственности (ИС). Это расхождение между потенциалом и результативностью автор исследования определяет как «институциональный парадокс» регионального развития.

Теоретическая рамка исследования объединяет институциональную теорию Д. Норта [2], концепцию институциональных ловушек В.М. Полтеровича [3, 4], теорию трансакционных издержек О. Уильямсона [5, 6], модель «тройной спирали» Г. Ицковица [7, 8] и эволюционную экономическую теорию Р. Нельсона и С. Уинтера [9].

Ключевая гипотеза: низкая результативность использования ИС в регионе обусловлена не столько дефицитом ресурсов (хотя он тоже может присутствовать), сколько качеством институциональной среды и наличием системных разрывов между макро‑, мезо‑ и микроуровнями управления.

Существующие подходы к сравнительному анализу регионов – бенчмаркинг (сравнение с абсолютными лидерами, например, с Москвой или Татарстаном), рейтингование (Рейтинг инновационного развития регионов НИУ ВШЭ) – обладают существенными ограничениями. Они либо игнорируют структурные различия между регионами и их траекторию предшествующего развития (path dependence), либо не позволяют количественно измерить глубину разрыва между динамикой роста и инновационной активностью, либо смешивают ресурсные, результативные и институциональные показатели в одном агрегате, что затрудняет выработку конкретных мер политики.

Цель настоящей статьи разработка и апробация двухэтапного статистического метода диагностики «институционального парадокса», позволяющего:

• объективно позиционировать любой регион относительно типологических групп со схожими структурными характеристиками;
• количественно измерить силу связи между макроэкономической динамикой и изобретательской активностью в целом по стране;
• идентифицировать регионы-выбросы, где эта связь разорвана, и диагностировать конкретные конфигурации системных разрывов.

Понятие «институционального парадокса». В обычной экономической логике более высокие темпы роста валового регионального продукта (ВРП) при прочих равных условиях должны сопровождаться увеличением ресурсной базы для финансирования науки и, как следствие, ростом патентной активности и инновационной результативности. Однако в регионах типа ДНР наблюдается логическое противоречие: максимальные темпы роста ВРП (верхний дециль) сосуществуют с минимальными значениями коэффициента изобретательской активности (нижний дециль). Диссонанс между «входными» и «выходными» параметрами, который не может быть объяснён дефицитом кадров, есть суть парадокса. Как справедливо отмечает Е.В. Рожков в контексте цифровизации регионов, «институциональные ловушки формируются при определённой государственной политике» [10]. Именно такой случай мы наблюдаем в ДНР, где отсутствие базовых регламентов (ИПНБ=0,00) при высоком темпе роста ВРП консервирует неэффективность.

Парадокс не сводится к простому отставанию – это нарушение ожидаемой положительной связи между двумя явлениями, которая статистически подтверждена для подавляющего большинства регионов (ρ = 0,58). Иными словами, регион ведёт себя иррационально с точки зрения стандартной экономической теории: «растёт быстро, но не инновирует». Между тем, как подчёркивают исследователи, «патентная активность региона может стать ключевым драйвером социально-экономического развития региона и экономики страны в целом» [11]. Отсутствие же этого драйвера в ДНР при высоких темпах роста ВРП как раз и составляет суть «институционального парадокса». «Институциональный парадокс» в региональной системе управления интеллектуальной собственностью – это ситуация, при которой одновременно выполняются три условия:

• численность исследователей в регионе находится в верхнем квартиле (или дециле) распределения по субъектам РФ, а темпы роста ВРП (CAGR) – также в верхнем квартиле (или дециле).
• коэффициент изобретательской активности находится в нижнем квартиле (или дециле), а объём отгруженной инновационной продукции близок к нулю или минимален.
• значение Индекса полноты нормативной базы (ИПНБ) ниже порогового уровня (менее 0,25), что фиксирует отсутствие базовых формальных институтов управления ИС.

При выполнении этих условий разрыв между потенциалом и результатом не может быть объяснён нехваткой ресурсов (учёные есть) или фазой экономического цикла (рост высокий) – он коренится исключительно в институциональных дисфункциях. В статье для ДНР эти условия выполняются: исследователи – верхний квартиль, CAGR – верхний квартиль, K_inv – нижний квартиль, ИПНБ = 0,00.

В-третьих, сравнение с существующими понятиями (Таблица 1).

Предлагаемый термин не заменяет, а дополняет и конкретизирует имеющиеся концепции применительно к сфере ИС на региональном уровне.

Таблица 1 – Сравнительная характеристика «институционального парадокса» и смежных институциональных понятий

Преимущества авторского термина, состоит в том, что он измерим (три формальных критерия, привязанных к квартилям и ИПНБ), тогда как «ловушка» и «дисфункция» часто остаются качественными характеристиками. Он фокусируется на региональном уровне и на сфере ИС, тогда как классические понятия имеют более общий характер. И, наконец, он диагностирует конкретную проблему для последующего институционального проектирования, а не только констатирует наличие неэффективности.

Введение термина «институциональный парадокс» не является данью новизне, а представляет собой необходимую операционализацию для построения количественной методологии диагностики.

Методология исследования. Предлагаемый метод включает три последовательных этапа, реализованных на данных 48 субъектов Российской Федерации за период 2019–2023 гг. (для ДНР использован прогнозный CAGR 2022–2027 гг. как индикатор восстановительного роста). Выборка сформирована по критерию наличия полной статистической информации по всем показателям, определённым в таблице 1, а также сопоставимости с ДНР по масштабу экономики и фазе развития.

Признаковое пространство для кластерного анализа сконструировано в соответствии с авторской трехуровневой моделью управления интеллектуальной собственностью (ИС), которая интегрирует ключевые конструкты институциональной экономической теории: спецификацию прав собственности (пучок правомочий А. Оноре), трансакционные издержки (О. Уильямсон), институциональные рутины (Р. Нельсон, С. Уинтер) и системные разрывы между уровнями управления. Как отмечает А.В. Емельяненко, «на макроуровне – валовой региональный продукт на душу населения, доля затрат на НИОКР в ВРП и среднегодовой темп роста ВРП; на мезоуровне – коэффициент изобретательской активности и наличие соглашения с Роспатентом; на микроуровне – доля инновационно активных предприятий и количество патентов на 1 млн руб. затрат на НИОКР» [12].

Модель постулирует, что эффективное использование ИС как стратегического ресурса регионального развития определяется не только объёмом инвестиций в науку, но и связностью трёх функциональных уровней:

Макроуровень (стратегический и институционально-правовой) – охватывает формальные правила и нормы, установленные на уровне региона: стратегии социально-экономического развития, государственные программы, региональные законы, регламенты управления правами на результаты интеллектуальной деятельности (РИД). На этом уровне формируются «правила игры» – стимулы и ограничения для всех участников инновационного процесса. Ключевые конструкты: формальные институты (Д. Норт), спецификация прав (закрепление правомочий за субъектами), ресурсное обеспечение инновационной деятельности. Как подчёркивают В.В. Вольчик и Е.В. Маслюкова, «формальные институты в виде различных нормативных актов имеют «объективную» форму, однако их функциональность зависит от того, как они выполняют свои регулятивные функции: от правоприменения, судебной системы, административных структур, а также от возможностей их эффективного воспроизводства во времени» [13].

Мезоуровень (инфраструктурно-координационный) – представлен институтами-посредниками, которые призваны снижать трансакционные издержки взаимодействия между наукой и бизнесом. Сюда относятся: центры трансфера технологий (ЦТТ), центры поддержки технологий и инноваций (ЦПТИ), технопарки, патентные службы, соглашения с Роспатентом. Функция мезоуровня – обеспечивать координацию («тройная спираль»: государство – университеты – бизнес), информационную прозрачность и сервисную поддержку создателей ИС. Однако, как показывает практика, существующая инфраструктура поддержки инноваций в России не всегда справляется с этими задачами: «бизнес-инкубаторы … пока не смогли стать центрами поддержки инноваций, а технопарки … не являются настолько масштабными, чтобы обеспечивать эффект роста инновационных проектов на национальном уровне» [14]. Это подчёркивает необходимость целенаправленного развития мезоуровня, в том числе через создание специализированных центров трансфера технологий и интеграцию в федеральную патентную систему.

Микроуровень (организационно-мотивационный) – охватывает непосредственных создателей и пользователей ИС: научные организации, вузы, малые инновационные предприятия, промышленные компании, индивидуальных изобретателей. Здесь реализуются процессы генерации знаний, принятия решений о патентовании, коммерциализации, а также формируются поведенческие рутины (ориентация на отчётность vs. на рыночный результат, имитационные vs. инновационные стратегии). Как отмечает М.О. Карпенко, именно на этом уровне зачастую наблюдаются «отсутствие понимания, какие необходимы инновации и где именно их следует внедрять», «отсутствие мотивации к повышению эффективности», «низкая предпринимательская культура и проблема защиты интеллектуальной собственности» [15].

Результаты исследований

Диагностика «институционального парадокса» требует эмпирической операционализации каждого уровня с помощью измеримых показателей. Для этого каждому уровню сопоставлен набор индикаторов, отражающих:

на макроуровне – ресурсный потенциал (ВРП на душу, доля затрат на НИОКР в ВРП) и динамику развития (среднегодовой темп роста ВРП, CAGR);

на мезоуровне – результативность генерации новых знаний (коэффициент изобретательской активности) и степень институциональной интеграции (наличие соглашения с Роспатентом);

на микроуровне – восприимчивость бизнеса к инновациям (доля инновационно-активных предприятий) и эффективность конвертации научных инвестиций в охраноспособные результаты (количество патентов на 1 млн руб. затрат на НИОКР).

Состав показателей и их теоретическое обоснование приведены в таблице 2.

Таблица 2 – Признаковое пространство для кластерного анализа региональных систем управления ИС

Источник: составлено автором.

Выбор именно этих показателей, а не других, обоснован: (а) теоретической валидностью – каждый показатель соответствует определённому конструкту трехуровневой модели; (б) эмпирической доступностью – данные регулярно публикуются Росстатом и Роспатентом; (в) релевантностью для диагностики системных разрывов – диссонанс между значениями на разных уровнях указывает на конкретные типы дисфункций.

Для многомерной классификации регионов применён неиерархический алгоритм *k*-средних. Исходные показатели (разных единиц измерения) были стандартизированы методом Z-преобразования для обеспечения сопоставимости. Оптимальное число кластеров определено на основе анализа внутригрупповой суммы квадратов (метод «локтя») и индекса силуэта; в обоих случаях зафиксировано *k* = 4. Устойчивость решения проверена многократными запусками с разными начальными центроидами (совпадение распределения не менее 92 %). Как справедливо отмечают исследователи в области кластерного анализа, «универсального критерия на все случаи нет», поэтому применение комбинации методов („локоть“ и индекс силуэта) позволяет повысить обоснованность выбора числа кластеров [16].

Для количественной оценки связи между макроэкономической динамикой (среднегодовой темп роста ВРП, CAGR) и изобретательской активностью (коэффициент патентных заявок на 10 тыс. населения, K_inv) использован ранговый коэффициент корреляции Спирмена (ρ). Непараметрический метод выбран ввиду ненормальности распределений (тест Шапиро–Уилка, *p* < 0,05), наличия экстремальных значений (нулевая активность в ДНР) и предполагаемой монотонной, но не обязательно линейной связи.

Регионы, стандартизованные остатки которых на диаграмме рассеяния рангов (LOWESS-сглаживание) превышают 2σ, идентифицированы как статистические выбросы; для них проведена дополнительная диагностика с использованием квартильного анализа и Индекса полноты нормативной базы (ИПНБ) – авторский интегральный показатель, оценивающий наличие четырёх ключевых элементов формальной институциональной среды в сфере ИС на региональном уровне:

• наличие стратегии или целевой программы развития ИС (К1);
• наличие специального регионального закона об инновационной деятельности и/или ИС (К2);
• наличие детализированного регламента управления правами на РИД, созданные за счёт бюджета (К3);
• наличие действующего соглашения о сотрудничестве с Роспатентом (К4).

ИПНБ рассчитывается как среднее арифметическое бинарных индикаторов: ИПНБ = (К1+К2+К3+К4)/4. Значения индекса варьируются от 0 (полное отсутствие формальных институтов) до 1 (сформированная институциональная платформа). Применение ИПНБ позволяет количественно верифицировать нормативный вакуум и дифференцировать регионы-выбросы по глубине институционального дефицита, что необходимо для выработки адресных мер политики.

Типология регионов по уровню развития ИС. Кластерный анализ позволил выделить четыре устойчивые типологические группы. В таблице 3 приведены средние значения ключевых показателей по каждому кластеру. Кластеры содержательно интерпретированы.

Таблица 3 – Характеристика типологических кластеров регионов Российской Федерации

Источник: расчёты автора по данным Росстата (формы № 2-наука, № 4-инновация) и Роспатента.

Кластер 1 («Экзогенно-обусловленный рост, слабая ИС») объединяет регионы с наиболее высокими темпами роста (CAGR 13,6%), которые достигаются за счёт экзогенных факторов – крупных инвестиционных проектов в добывающих отраслях (Магаданская область, Республика Саха (Якутия)), агломерационного эффекта (Московская область) либо восстановительного роста (ДНР). При этом показатели инновационного развития минимальны: доля затрат на НИОКР в ВРП (0,41%) в 3,7 раза ниже, чем в Кластере 2; коэффициент изобретательской активности (0,47) – вдвое ниже; лишь 67% регионов имеют соглашение с Роспатентом. Как справедливо отмечают исследователи, «кластерный анализ представляет собой один из методов многомерного статистического анализа данных, который позволяет выделять некоторые однородные группы объектов по различным параметрам» [17, с. 2]. В терминах институциональной теории здесь доминирует разрыв «макро-мезо»: стратегические установки не подкреплены институтами-посредниками.

Кластер 2 («Эндогенный рост, развитая ИС») является эталонным. Регионы этой группы (Владимирская, Вологодская, Ульяновская, Кемеровская, Липецкая, Нижегородская, Новосибирская, Саратовская, Тульская, Челябинская области) демонстрируют сбалансированное развитие всех трёх уровней: высокие затраты на НИОКР (1,52% ВРП), высокая патентная активность (0,92), развитая инфраструктура (90% имеют соглашение с Роспатентом) и максимальная доля инновационно-активных предприятий (29,7%). Применение метода k-средних в данном случае оправданно, поскольку он «обладает такими сильными сторонами, как высокая эффективность при простоте его реализации, достаточный уровень качества выполненной кластеризации и возможность распараллеливания вычислительных процедур» [17, с. 4]. Рост здесь обеспечивается эндогенно – за счёт инновационного цикла «исследования → патенты → коммерциализация».

Кластер 3 («Крупные индустриальные системы, фрагментарная активность») включает регионы с мощной промышленной базой (Республика Татарстан, Свердловская, Челябинская, Ростовская области). Институциональная среда формально развита (92% имеют соглашение с Роспатентом), но инновационная активность фрагментарна: при лидерах (Татарстан: коэффициент изобретательской активности 1,67) присутствуют аутсайдеры (Чеченская Республика: 0,25). «По анализу данных об уровне социально-экономического развития регионов с учетом отраслевой структуры можно сделать выводы, что … для каждого кластера характерны свои значения показателей» [17, с. 11]. Внутрикластерная дисперсия показателей ИС наибольшая, что указывает на действие механизмов path dependence.

Кластер 4 («Умеренный рост, средняя институционализация») – регионы со стабильными, но невысокими темпами роста (CAGR 9,1% – ниже медианы по выборке). Показатели ИС средние, 85% регионов имеют соглашение с Роспатентом. «Выполненная кластеризация, учитывающая отраслевую структуру экономики регионов, может использоваться при реализации кластерно-ориентированной государственной политики с целью поддержки ускоренного развития субъектов» [17 с. 13]. Рост обеспечивается постепенной модернизацией традиционных секторов.

Позиционирование Донецкой Народной Республики.

По результатам кластеризации, проведённой на данных за 2019–2023 гг., ДНР отнесена к Кластеру 1. При прогнозном CAGR 14,3% (выше среднего по кластеру) коэффициент изобретательской активности Республики в этот период составлял 0,01 – в 47 раз ниже среднего по кластеру (0,47) и в 92 раза ниже среднего по Кластеру 2 (0,92). Объём отгруженной инновационной продукции был нулевым, соглашение с Роспатентом отсутствовало. Как подчёркивают авторы, «оптимальное число кластеров определяется исходя из анализа суммарного квадрата расстояний от предполагаемых центров до регионов в кластере» [17, с. 10], и именно такой подход позволил объективно отнести ДНР к группе регионов с экзогенно обусловленным ростом. Это статистически верифицировало наличие «институционального парадокса» в его наиболее острой форме.

Однако следует отметить, что по данным отчёта Роспатента за 2024 год в ДНР наблюдается резкое увеличение патентной активности. В 2024 году подано 49 заявок на изобретения, 32 заявки на полезные модели и 2 заявки на промышленные образцы (всего 83 заявки на объекты патентного права). Коэффициент изобретательской активности, рассчитанный по числу заявок на 10 тыс. населения, составил 0,04, что хотя и остаётся крайне низким (в 23 раза ниже среднего по Кластеру 2), но демонстрирует положительную динамику по сравнению с предшествующим периодом. Получено 7 патентов на изобретения, 12 – на полезные модели, 2 – на промышленные образцы. Кроме того, подано 337 заявок на товарные знаки, выдано 132 свидетельства, признано 41 товарный знак по процедуре трансформации свидетельств.

Вместе с тем, по состоянию на конец 2024 года в ДНР отсутствуют зарегистрированные патентные поверенные, что свидетельствует о сохраняющемся дефиците квалифицированных кадров в сфере управления ИС. Таким образом, несмотря на начавшуюся позитивную динамику, «институциональный парадокс» в полной мере не преодолён, а количественные показатели остаются на порядки ниже эталонных.

Оценка связи макроэкономической динамики и инновационной активности. Корреляционный анализ Спирмена по всей выборке (n=48) дал следующие результаты коэффициент ранговой корреляции: ρ = 0,58 (p < 0,01), коэффициент детерминации: R² = 0,336.

Согласно шкале Чеддока (0,00–0,30 – слабая связь; 0,30–0,50 – заметная; 0,50–0,70 – умеренная; 0,70–0,90 – высокая), значение ρ = 0,58 интерпретируется как умеренная положительная связь. Это означает, что примерно 33,6% вариации коэффициента изобретательской активности по субъектам РФ статистически связано с вариацией темпов экономического роста. Оставшиеся 66,4% дисперсии определяются иными факторами – институциональными (качество правоприменения, развитость центров трансфера технологий), кадровыми (наличие патентных поверенных), культурными (инновационные рутины) и историческими (path dependence).

На рисунке 1 представлена диаграмма рассеяния рангов (CAGR ВРП – коэффициент изобретательской активности). Линия тренда (LOWESS) демонстрирует общую положительную монотонную зависимость. Однако точка, соответствующая Донецкой Народной Республике, резко отклоняется от этой тенденции: при ранге по CAGR = 45 (из 48 возможных, что соответствует верхнему децилю) она имеет ранг по изобретательской активности = 1 (минимально возможный). Стандартизованный остаток превышает 3σ, что является формальным критерием статистического выброса.

Рисунок 1 – Взаимосвязь GAGR и коэффициента  изобретательской активности

На рисунке 1 наблюдается общая положительная тенденция: с ростом CAGR ВРП коэффициент изобретательской активности в среднем также увеличивается, что подтверждается линией тренда. Однако точка, обозначающая ДНР, резко выбивается из общей закономерности. Располагаясь в зоне высоких значений по оси X (CAGR ~14%), она находится практически у нулевой отметки по оси Y (коэффициент ~0.01). Это наглядная иллюстрация структурного разрыва: в ДНР высокие макроэкономические темпы роста не трансформируются в развитие институтов ИС, что подтверждает гипотезу о специфической конфигурации системных дисфункций в Республике. ДНР идентифицирована как регион, где связь «макроэкономический рост → развитие институтов ИС» полностью разорвана. Высокие темпы увеличения ВРП не транслируются в рост патентной активности, что является эмпирическим проявлением «институционального парадокса».

Диагностика системных разрывов на примере ДНР. Для углублённого анализа причин выявленного парадокса проведён квартильный анализ показателей ДНР в сравнении с распределением по 48 регионам РФ (таблица 4). В отличие от кластерного анализа, опиравшегося на данные 2019–2023 гг., здесь использованы актуальные данные Роспатента за 2024 год, позволяющие оценить динамику после начала институциональных преобразований. Как справедливо отмечают исследователи Института экономических исследований ДНР, в условиях ограниченной официальной статистики «методы экспертной оценки становятся адекватным источником получения информации о развитии предприятий, отраслей, промышленности и территории в целом» [18].

Таблица 4 – Конфигурация показателей ДНР в общероссийском контексте (с учётом данных 2024 г.)

Источник: составлено автором по данным Росстата, Роспатента 2024 г., анализа нормативных документов ДНР.

ДНР сохраняет значительный кадровый научный потенциал (верхний квартиль – 2400 исследователей). В 2024 году наметился количественный рост патентной активности: число заявок на изобретения и полезные модели выросло с единичных до 83 в год. Однако этот рост происходит с крайне низкой базы, и достигнутый уровень (коэффициент 0,04) по-прежнему в 23 раза ниже среднего по Кластеру 2 (0,92). Более того, отсутствие патентных поверенных и сохраняющийся нормативный вакуум (ИПНБ=0,00) свидетельствуют о том, что позитивная динамика может быть неустойчивой.  «В ДНР отсутствуют наукоемкие производства… Это связано с недостатком ресурсов и незначительным количеством прикладных научных исследований» [19]. Три системных разрыва, выделенные ранее, остаются в силе, хотя их острота несколько снизилась за счёт роста заявочной активности.

Разрыв «макро-мезо» (провал трансляции стратегических установок). Отсутствие соглашения с Роспатентом (K4=0) и детализированного регламента управления РИД (K3=0) блокирует интеграцию Республики в федеральную институциональную систему. Принятые в 2025–2026 гг. Государственная программа и Закон №251-РЗ не подкреплены ведомственными актами, которые остаются не приведёнными в соответствие.

Разрыв «мезо-микро» (координационный провал). Государственное бюджетное учреждение «НТЦИТ» формально обладает полномочиями по мониторингу коммерциализации и консультированию, но из-за отсутствия кадров, доступа к базам ФИПС и чётких KPI не выполняет роль активного центра компетенций. Научные организации и предприятия не имеют каналов для трансфера технологий.

Разрыв «микро-макро» (информационная асимметрия). Доминирование формальных отчётных показателей (приказы КНТ ДНР №46, №60) над качественными индикаторами приводит к тому, что реальные барьеры (дефицит финансирования, отсутствие патентных поверенных) не транслируются на уровень принятия решений. Воспроизводятся неэффективные рутины «патентования для отчётности».

Таким образом, «институциональный парадокс» в ДНР имеет не ресурсную (нехватка учёных), а институциональную природу: критический нормативный вакуум (ИПНБ=0,00) и координационная неэффективность блокируют конвертацию потенциала в результаты.

Преимущества предложенного метода перед традиционным бенчмаркингом. Бенчмаркинг традиционно понимается как «поиск наилучшей практики… с целью дальнейшей разработки стратегии» [20]. Однако применительно к регионам такой подход – сравнение с абсолютным лидером (например, с Москвой или Республикой Татарстан) – страдает несколькими методологическими недостатками. Как справедливо отмечают К.В. Криничанский и А.С. Лаврентьев, «нецелесообразно в группу сравниваемых регионов включать Москву… Все четыре критерия… свидетельствуют о несопоставимости данных регионов» [21, с. 2]. Во-первых, он игнорирует структурные различия между регионами (отраслевую структуру, фазу экономического цикла, институциональную историю). Сравнение ДНР (постконфликтная экономика с ВРП на душу 74,6 тыс. руб.) с г. Москвой (ВРП на душу >1,5 млн руб.) лишено аналитической ценности. Во-вторых, бенчмаркинг не учитывает path dependence – зависимость от траектории предшествующего развития. Регионы с длительной индустриальной историей могут быть «заблокированы» в неэффективной колее, и прямое сравнение с «молодыми» инновационными лидерами не позволяет выявить специфические барьеры. В-третьих, бенчмаркинг оперирует абсолютными показателями, не оценивая статистическую связь между ресурсами и результатами.

Предлагаемый двухэтапный метод устраняет эти недостатки:

1. Объективность типологизации. Кластерный анализ выделяет «естественные» группы регионов со схожими структурными характеристиками, а не задаёт их априорно. Регион сравнивается не с абсолютным лидером, а с типологической группой, к которой он объективно принадлежит.
2. Количественное измерение разрыва. Коэффициент корреляции Спирмена (ρ = 0,58) и диаграмма рассеяния рангов позволяют не только констатировать наличие или отсутствие связи, но и измерить, насколько сильно конкретный регион отклоняется от общей закономерности (стандартизованный остаток >3σ для ДНР).
3. Диагностика конкретного типа дисфункции. Сочетание кластерной принадлежности, квартильного анализа и ИПНБ позволяет идентифицировать доминирующий тип разрыва (макро-мезо, мезо-микро или микро-макро). Для ДНР это нормативный вакуум и координационный провал.
4. Верификация гипотез. Метод позволяет проверять теоретические предположения о ежедневных рутинах. Например, гипотеза о том, что эффективность использования ИС определяется качеством институциональной среды, а не только объёмом ресурсов, подтверждается: ДНР при значительном кадровом потенциале имеет нулевые результаты именно из-за ИПНБ=0,00.

Таким образом, «институциональный парадокс» в ДНР имеет не ресурсную, а институциональную природу. Как показывают исследования в сфере управления ИКТ в жестко регулируемом государственном секторе, «нарушения в системе управления … со временем начинают восприниматься как допустимое и управляемое состояние. Их сохранение обеспечивается формализованными аудиторскими процедурами, функционированием управленческих структур и передачей ответственности … на уровень технических подразделений, что позволяет поддерживать функционирование системы без устранения базовых управленческих проблем» [22]. Именно поэтому для выявления такого рода дисфункций требуется не сравнение с абсолютными лидерами (Москвой, Татарстаном), а «типологизация, построенная на наборе критериев, имеющих решающее значение для развития» [21, с. 3] В нашем случае аналогичную роль играют отсутствие соглашения с Роспатентом, нулевой индекс полноты нормативной базы и имитационные рутины «патентования для отчётности».

Заключение

В статье предложена и апробирована авторская методология диагностики «институционального парадокса» в региональных системах управления интеллектуальной собственностью.

Основные результаты:

1. Разработан двухэтапный статистический метод, сочетающий кластерный анализ k-средних и ранговую корреляцию Спирмена. Метод позволяет объективно типологизировать регионы, количественно измерить связь между макроэкономической динамикой и инновационной активностью, а также идентифицировать регионы-выбросы, где эта связь разорвана.
2. На данных 48 субъектов РФ выделены четыре устойчивые типологические группы, различающиеся по конфигурации макро-, мезо- и микроуровневых показателей. Донецкая Народная Республика отнесена к Кластеру 1 («экзогенно-обусловленный рост, слабая ИС»).
3. Измерена умеренная положительная связь между среднегодовым темпом роста ВРП (CAGR) и коэффициентом изобретательской активности в целом по РФ: ρ = 0,58, R² = 0,336 (p < 0,01). Это означает, что примерно 34% вариации патентной активности статистически связано с темпами экономического роста.
4. ДНР идентифицирована как статистический выброс. При прогнозном CAGR 14,3% (верхний квартиль) коэффициент изобретательской активности составляет 0,01 (минимальное значение в выборке). Диагностирована конфигурация системных разрывов: нормативный вакуум (ИПНБ=0,00), координационный провал на мезоуровне и доминирование неэффективных рутин на микроуровне.

Как подчёркивают исследователи региональной специализации, «для обеспечения экономического прогресса имеет принципиальное значение не только понимание степени зависимости от исторически сложившейся траектории развития, но и выявление надлежащих мер по рациональному выходу из «колеи»» [24].

Обоснованы преимущества предложенного метода перед традиционным бенчмаркингом, а также показана возможность масштабирования на экологическую, цифровую, социальную и образовательную политику.

Практическая значимость метода заключается в возможности перехода от интуитивного или политически мотивированного выбора приоритетов к доказательной региональной политике, где управленческие решения опираются на объективный статистический анализ. Для ДНР метод указывает на необходимость первоочередного институционального строительства (заключение соглашения с Роспатентом, разработка регламентов, усиление ГБУ «НТЦИТ») – именно эти меры, а не простое наращивание бюджетных ассигнований на НИОКР, позволят преодолеть «институциональный парадокс».

Список источников

1. Akhmetshin, E. et al. Opportunities for socio-economic development in Russia: integration of education, science, and business through the» University 4.0″ model //Brazilian Journal of Law & International Relations/Relações Internacionais no Mundo. – 2024. – Т. 4. – №. 46
2. North, D. C. Institutions and the performance of economies over time //Handbook of new institutional economics. – Cham : Springer Nature Switzerland, 2025. – С. 25-35
3. Boldyrev, I. Victor Polterovich //The New Palgrave Dictionary of Economics. – Palgrave Macmillan, London, 2023. – С. 1-7
4. Balatsky ,E. V. Institutional erosion and economic growth //Economic and Social Changes: Facts, Trends, Forecast. – 2023. – Т. 16. – №. 3. – С. 81-101
5. Rindfleisch A. Transaction cost theory: past, present and future //AMS Review. – 2020. – Т. 10. – №. 1. – С. 85-97
6. Williamson, O. E. Transaction cost economics: how it works; where it is headed //De economist. – 1998. – Т. 146. – №. 1. – С. 23-58
7. Shinkevich, A. I. et al. Economic Sectors Development Evaluation in Innovations TripleHelix Model //Eurasian Journal of Analytical Chemistry. – 2017. – Т. 12. – №. 3S. – С. 1399-1404
8. Dudin, M. et al. The triple helix model in the Russian economy: the quality evaluation of new institutionalization //Revista Inclusiones. – 2019. – С. 234-243
9. Nelson, R. R., Winter, S. G. An evolutionary theory of economic change. – harvard university press, 1985
10. Рожков, Е. В. Влияние институциональной теории и институциональных ловушек на цифровой профиль региона / Е. В. Рожков // Муниципалитет: экономика и управление. – 2022. – № 1(38). – С. 95-102.
11. Ильина, И.Е., Золотых, Н. И., Биткина, И. В., Патентная активность региона как драйвер развития экономики России // Управление наукой и наукометрия. 2022. №1. URL: https://cyberleninka.ru/article/n/patentnaya-aktivnost-regiona-kak-drayver-razvitiya-ekonomiki-rossii (дата обращения: 28.05.2026)
12. Емельяненко, А. В. Показатели интеллектуальной собственности как инструмент оценки региональной инновационной политики Донецкой Народной Республики / А. В. Емельяненко // Копирайт (вестник Академии интеллектуальной собственности). – 2026. – № 1. – С. 27-39.
13. Вольчик, В. В. Влияние формальных и неформальных институтов на инновационное развитие экономики / В. В. Вольчик, Е. В. Маслюкова // Экономические и социальные перемены: факты, тенденции, прогноз. – 2022. – Т. 15, № 5. – С. 77-94. – DOI 10.15838/esc.2022.5.83.4.
14. Папикян, Л. М. Создание центра трансфера технологий для поддержки развития инноваций в инвестиционностроительной сфере / Л. М. Папикян, С. С. Филонова, К. А. Барешенкова // Строительство. Экономика и управление. – 2019. – № 2(34). – С. 40-47.
15. Карпенко, М. О. Информационно-прогностическая модель управления инновациями на микроуровне // Вестник БГУ. 2012. №3 (2). URL: https://cyberleninka.ru/article/n/informatsionno-prognosticheskaya-model-upravleniya-innovatsiyami-na-mikrourovne (дата обращения: 28.05.2026)
16. Фролов, В. В., Слипченко, С. Е., Приходько, О. Ю. Метод расчета числа кластеров для алгоритма k-means // Экономика. Информатика. 2020. №1. URL: https://cyberleninka.ru/article/n/metod-rascheta-chisla-klasterov-dlya-algoritma-k-means (дата обращения: 28.05.2026)
17. Кетова, К.В., Касаткина, Е.В., Вавилова, Д. Д. Кластеризация регионов Российской Федерации по уровню социально-экономического развития с использованием методов машинного обучения // Экономические и социальные перемены: факты, тенденции, прогноз. 2021. №6. URL: https://cyberleninka.ru/article/n/klasterizatsiya-regionov-rossiyskoy-federatsii-po-urovnyu-sotsialno-ekonomicheskogo-razvitiya-s-ispolzovaniem-metodov-mashinnogo (дата обращения: 28.05.2026)
18. Лепа, Р.Н., Половян, А.В., Савченко, И.В., Экспертные методы мониторинга развития предприятий реального сектора экономики ДНР // Вестник ВолГУ. Экономика. 2024. №3. URL: https://cyberleninka.ru/article/n/ekspertnye-metody-monitoringa-razvitiya-predpriyatiy-realnogo-sektora-ekonomiki-dnr (дата обращения: 28.05.2026)
19. Лепа, Р. Н., Трубчанин, В. В., Курносова, О. А. Повышение инновационной активности в промышленности в рамках стратегии социально-экономического развития Донецкой Народной Республики // Теория и практика общественного развития. 2023. №8 (184). URL: https://cyberleninka.ru/article/n/povyshenie-innovatsionnoy-aktivnosti-v-promyshlennosti-v-ramkah-strategii-sotsialno-ekonomicheskogo-razvitiya-donetskoy-narodnoy (дата обращения: 28.05.2026)
20. Александрова, К. И., Александров, А. С. Бенчмаркинг как способ выявления проблем развития регионов // Развитие общественных наук российскими студентами. 2017. №6. URL: https://cyberleninka.ru/article/n/benchmarking-kak-sposob-vyyavleniya-problem-razvitiya-regionov (дата обращения: 28.05.2026).с. 1–2
21. Криничанский, К. В., Лаврентьев, А. С. Методологические вопросы сравнительной оценки экономического развития регионов // Региональная экономика: теория и практика. 2017. №10 (445). URL: https://cyberleninka.ru/article/n/metodologicheskie-voprosy-sravnitelnoy-otsenki-ekonomicheskogo-razvitiya-regionov (дата обращения: 28.05.2026)
22. Latchu, A. Normalized Dysfunction: The Persistence of ICT Governance Failure in a Highly Regulated Public Sector / A. Latchu, S. Singh // Стратегические решения и риск-менеджмент. – 2025. – Vol. 16, No. 4. – P. 316-325.
23. Цехмистер, Н. А. Идентификация территориальной специализации в свете решения проблемы path dependence / Н. А. Цехмистер, Е. В. Козоногова // Межтерриториальное неравенство: проблема или драйвер развития : Материалы VI Международного симпозиума по региональной экономике, Екатеринбург, 23–25 июня 2021 года. – Екатеринбург: Институт экономики Уральского отделения РАН, 2021. – С. 326-336.

List of sources 

1. Akhmetshin, E. et al. Opportunities for socio-economic development in Russia: integration of education, science, and business through the» University 4.0″ model //Brazilian Journal of Law & International Relations/Relações Internacionais no Mundo. – 2024. – Т. 4. – №. 46
2. North, D. C. Institutions and the performance of economies over time //Handbook of new institutional economics. – Cham : Springer Nature Switzerland, 2025. – С. 25-35
3. Boldyrev, I. Victor Polterovich //The New Palgrave Dictionary of Economics. – Palgrave Macmillan, London, 2023. – С. 1-7
4. Balatsky ,E. V. Institutional erosion and economic growth //Economic and Social Changes: Facts, Trends, Forecast. – 2023. – Т. 16. – №. 3. – С. 81-101
5. Rindfleisch A. Transaction cost theory: past, present and future //AMS Review. – 2020. – Т. 10. – №. 1. – С. 85-97
6. Williamson, O. E. Transaction cost economics: how it works; where it is headed //De economist. – 1998. – Т. 146. – №. 1. – С. 23-58
7. Shinkevich, A. I. et al. Economic Sectors Development Evaluation in Innovations TripleHelix Model //Eurasian Journal of Analytical Chemistry. – 2017. – Т. 12. – №. 3S. – С. 1399-1404
8. Dudin, M. et al. The triple helix model in the Russian economy: the quality evaluation of new institutionalization //Revista Inclusiones. – 2019. – С. 234-243
9. Nelson, R. R., Winter, S. G. An evolutionary theory of economic change. – harvard university press, 1985
10. Rozhkov, E.V. Influence of Institutional Theory and Institutional Traps on the Digital Profile of a Region [Vliyanie institututsional’noy teorii i institututsional’nykh lovushek na tsifrovoy profil’ regiona] // Municipality: Economics and Management. 2022. No. 1(38). Pp. 95–102.
11. Il’ina, I.E., Zolotykh, N.I., Bitkina, I.V. Patent Activity of a Region as a Driver of Russia’s Economic Development [Patentnaya aktivnost’ regiona kak drayver razvitiya ekonomiki Rossii] // Science Management and Scientometrics. 2022. No. 1. URL: https://cyberleninka.ru/article/n/patentnaya-aktivnost-regiona-kak-drayver-razvitiya-ekonomiki-rossii (accessed: 28.05.2026).
12. Emel’yanenko, A.V. Intellectual Property Indicators as a Tool for Assessing Regional Innovation Policy in the Donetsk People’s Republic [Pokazateli intellektual’noy sobstvennosti kak instrument otsenki regional’noy innovatsionnoy politiki Donetskoy Narodnoy Respubliki] // Copyright (Vestnik Akademii intellektual’noy sobstvennosti). 2026. No. 1. Pp. 27–39.
13. Volchik, V.V., Maslyukova, E.V. Influence of Formal and Informal Institutions on the Innovative Development of the Economy [Vliyanie formal’nykh i neformal’nykh institutov na innovatsionnoe razvitie ekonomiki] // Economic and Social Changes: Facts, Trends, Forecast. 2022. Vol. 15, No. 5. Pp. 77–94. DOI: 10.15838/esc.2022.5.83.4
14. Papikyan, L.M., Filonova, S.S., Barashenkova, K.A. Creation of a Technology Transfer Center to Support the Development of Innovations in the Investment and Construction Sector [Sozdaniye tsentra transfera tekhnologiy dlya podderzhki razvitiya innovatsiy v investitsionno-stroitel’noy sfere] // Construction. Economics and Management. 2019. No. 2(34). Pp. 40–47.
15. Karpenko, M.O. Information and Forecasting Model of Innovation Management at the Micro Level [Informattsionno-prognosticheskaya model’ upravleniya innovatsiyami na mikrourovne] // Bulletin of BSU. 2012. No. 3 (2). URL: https://cyberleninka.ru/article/n/informattsionno-prognosticheskaya-model-upravleniya-innovatsiyami-na-mikrourovne (accessed: 28.05.2026).
16. Frolov, V.V., Slipchenko, S.E., Prikhod’ko, O.Yu. Method for Calculating the Number of Clusters for the k-Means Algorithm [Metod rascheta chisla klasterov dlya algoritma k-means] // Economics. Computer Science. 2020. No. 1. URL: https://cyberleninka.ru/article/n/metod-rascheta-chisla-klasterov-dlya-algoritma-k-means (accessed: 28.05.2026).
17. Ketova, K.V., Kasatkina, E.V., Vavilova, D.D. Clustering of Russian Regions by Socio-Economic Development Level Using Machine Learning Methods [Klasterizatsiya regionov Rossiyskoy Federatsii po urovnyu sotsial’no-ekonomicheskogo razvitiya s ispol’zovaniyem metodov mashinnogo obucheniya] // Economic and Social Changes: Facts, Trends, Forecast. 2021. No. 6. URL: https://cyberleninka.ru/article/n/klasterizatsiya-regionov-rossiyskoy-federatsii-po-urovnyu-sotsialno-ekonomicheskogo-razvitiya-s-ispolzovaniem-metodov-mashinnogo (accessed: 28.05.2026).
18. Lepa, R.N., Polovyan, A.V., Savchenko, I.V. Expert Methods for Monitoring the Development of Enterprises in the Real Sector of the DPR Economy [Ekspertnye metody monitoringa razvitiya predpriyatiy real’nogo sektora ekonomiki DNR] // Vestnik Volgograd State University. Economics. 2024. No. 3. URL: https://cyberleninka.ru/article/n/ekspertnye-metody-monitoringa-razvitiya-predpriyatiy-realnogo-sektora-ekonomiki-dnr (accessed: 28.05.2026).
19. Lepa, R.N., Trubchanin, V.V., Kurnosova, O.A. Increasing Innovation Activity in Industry Within the Framework of the Socio-Economic Development Strategy of the Donetsk People’s Republic [Povysheniye innovatsionnoy aktivnosti v promyshlennosti v ramkakh strategii sotsial’no-ekonomicheskogo razvitiya Donetskoy Narodnoy Respubliki] // Theory and Practice of Public Development. 2023. No. 8 (184). URL: https://cyberleninka.ru/article/n/povyshenie-innovatsionnoy-aktivnosti-v-promyshlennosti-v-ramkakh-strategii-sotsialno-ekonomicheskogo-razvitiya-donetskoy-narodnoy (accessed: 28.05.2026).
20. Aleksandrova, K.I., Aleksandrov, A.S. Benchmarking as a Method for Identifying Regional Development Problems [Benhmarking kak sposob vyyavleniya problem razvitiya regionov] // Development of Social Sciences by Russian Students. 2017. No. 6. Pp. 1–2. URL: https://cyberleninka.ru/article/n/benhmarking-kak-sposob-vyyavleniya-problem-razvitiya-regionov (accessed: 28.05.2026).
21. Krinichanskii, K.V., Lavrent’ev, A.S. Methodological Issues of Comparative Assessment of Regional Economic Development [Metodologicheskie voprosy sravnitel’noy otsenki ekonomicheskogo razvitiya regionov] // Regional Economy: Theory and Practice. 2017. No. 10 (445). URL: https://cyberleninka.ru/article/n/metodologicheskie-voprosy-sravnitel-noy-otsenki-ekonomicheskogo-razvitiya-regionov (accessed: 28.05.2026).
22. Latchu, A., Singh, S. Normalized Dysfunction: The Persistence of ICT Governance Failure in a Highly Regulated Public Sector // Strategic Decisions and Risk Management. 2025. Vol. 16, No. 4. Pp. 316–325.
23. Tsekhmister, N.A., Kozonogova, E.V. Identification of Territorial Specialization in the Context of Solving the Path Dependence Problem [Identifikatsiya territorial’noy spetsializatsii v svete resheniya problemy path dependence] // Interterritorial Inequality: Problem or Driver of Development: Proceedings of the VI International Symposium on Regional Economics, Ekaterinburg, June 23–25, 2021. Ekaterinburg: Institute of Economics, Ural Branch of the Russian Academy of Sciences, 2021. Pp. 326–336.