Новые ориентиры для выбора приоритетных направлений диверсификации экономики на базе системы ситуационных центров
Новые ориентиры для выбора приоритетных направлений диверсификации экономики на базе системы ситуационных центров
Аннотация
Код статьи
S042473880023017-7-1
Тип публикации
Статья
Статус публикации
Опубликовано
Авторы
Афанасьев Михаил Юрьевич 
Аффилиация: ЦЭМИ РАН
Адрес: Москва, Российская Федерация
Ильин Николай Иванович
Аффилиация: ЦЭМИ РАН
Адрес: Российская Федерация, Москва
Выпуск
Страницы
29-44
Аннотация

ресурсами. Возможности подхода проверены для 14 секторов экономики Белгородской области на данных 2019 г. Для каждого сектора получены оценки по шести критериям. В качестве приоритетных при выборе регионом направления диверсификации экономики рассматриваются сектора, характеристики которых обладают свойством Парето-оптимальности в рассматриваемой многокритериальной задаче. Внедрение предложенного подхода с использованием цифровых технологий в региональных ситуационных центрах поможет обеспечить координацию решений, принимаемых регионами при выборе приоритетных направлений диверсификации с целью повышения экономической безопасности. Используемая методология позволяет в реальном масштабе времени учитывать и отображать в исходной информации, рассматриваемой любым регионом, решения, уже принятые другими регионами, что является актуальной задачей для системы ситуационных центров.

Ключевые слова
региональная экономика, диверсификация, эконометрика, экономическая сложность, обеспеченность ресурсами, инновационная активность, экономическая безопасность.
Классификатор
Получено
14.07.2022
Дата публикации
07.12.2022
Всего подписок
10
Всего просмотров
231
Оценка читателей
0.0 (0 голосов)
Цитировать Скачать pdf
Доступ к дополнительным сервисам
Дополнительные сервисы только на эту статью
Дополнительные сервисы на весь выпуск”
Дополнительные сервисы на все выпуски за 2022 год
1

ВВЕДЕНИЕ

2 Система ситуационных центров может служить основой процессов управления в сфере экономики, промышленности и топливно-энергетического комплекса, строительства и ЖКХ, здравоохранения, образования и науки, внутренней политики и развития местного самоуправления, национальных проектов, культуры, спорта, туризма, ликвидации последствий чрезвычайных ситуаций. Актуальной задачей является создание цифровой платформы, позволяющей определять приоритетные направления развития региона с учетом его инвестиционной привлекательности, экономической сложности и инновационной активности. В соответствии с предложенным нами подходом приоритетные направления выбираются на основе рекомендаций по развитию секторов. Такой подход создает возможности для развития теории диверсификации на основе построения и анализа структур сильных секторов региональной экономики.
3 Теория диверсификации и эмпирические оценки представлены в работах (Blien, Wolf, 2006; Fuchs, 2011; Illy, Schwartz et al., 2011). Согласно этой теории компании выигрывают от того, что сталкиваются с неоднородной средой, состоящей из различных отраслей, поскольку новые идеи приходят из внешней среды. Диверсификация, определяемая как расширение структуры экономики, является важной целью во всех странах и стала одним из важнейших приоритетов экономического развития. Потенциал диверсификации лежит в основе стратегии Европейского союза, нацеленной на содействие экономическому развитию, росту европейских регионов и новой промышленной политике (European Commission, 2011; McCann, Ortega-Argiles, 2015).
4 В ряде исследований были представлены теоретические и эмпирические доказательства существования «локальных возможностей», основанных на накопленных компетенциях и знаниях. Такие локальные возможности работают как источник для смежной диверсификации региональных экономик (Storper, 1995). В процессе диверсификации регионы с большей вероятностью расширяют сектора, которые тесно связаны с уже сложившимися в них сильными секторами (Frenken, Van Oort, Verburg, 2007; Frenken, Boschma, 2011; Klepper, 2006).
5 Смежная диверсификация предполагает, что экономическое развитие как на национальном, так и на региональном уровнях в значительной степени зависит от специфических местных возможностей, которые накапливаются с течением времени и которые в значительной степени зависят от технологической взаимной зависимости, общей инфраструктуры и др. Это означает, что не существует универсального решения для содействия экономическому развитию и структурным изменениям в регионах. Необходимо принимать во внимание особенности каждого региона при разработке и проектировании промышленной и региональной экономической политики.
6 Существуют аргументы в пользу государственного вмешательства для стимулирования процессов диверсификации, поскольку частный сектор обычно сосредотачивает свою экономическую деятельность и усилия вокруг своих основных сфер деятельности, что еще больше углубляет местную специализацию. Если экономическая политика не будет направлена на повышение разнообразия видов экономической деятельности, это может привести к структурным ловушкам развития, т.е. к специализации, с которой трудно расстаться. Поэтому с точки зрения экономической политики важным является вопрос о том, как запустить и расширить процесс диверсификации экономики и обеспечить создание и развитие технологически далеких секторов, но все же связанных с устоявшимися сильными сторонами региона или страны, используя преимущества, в которых будут задействованы имеющиеся знания и компетенции.
7 Однако существуют и пределы диверсификации, ограниченные уровнем технологических возможностей региона (страны). Поэтому в процессе диверсификации маловероятен стремительный переход к технологически сложным видам деятельности. Следует скорее придерживаться стратегии постепенной диверсификации с переходами к более сложным секторам, связанным с уже имеющимися сильными секторами, по мере накопления со временем технологического потенциала и возможностей. В широком смысле постепенная диверсификация соответствует стратегии догоняющего развития (Полтерович, 2020, 2021) и не противоречит подходам к формированию экономической политики ведущих ученых (Макаров и др., 2014; Макаров, Бахтизин, Хабриев, 2018; Дементьев, 2020, 2021; Клейнер, 2020).
8 В статье рассматривается задача установления приоритетов развития секторов до уровня сильных. В качестве оценки диверсификации экономики региона мы будем использовать число сильных секторов и связывать диверсификацию с появлением в регионе нового сильного сектора.
9

2. МЕТОДОЛОГИЯ

10 2.1. Структура сильных секторов
11 На основе концепции выявленных сравнительных преимуществ (Hausmann, Klinger, 2006) формируется матрица A=ac,p  , описывающая структуры сильных секторов региональных экономик. Для этого будем использовать данные об объемах производства по секторам. Матрица A содержит данные о секторах экономики, которые в разных регионах развиты на уровне выявленных сравнительных преимуществ:
12 ac,p=1,     если RCAcp 1;0,     если RCAcp <1. 
13 где RCAcp — показатель выявленных сравнительных преимуществ. Если ycp — объем производства сектора p экономики региона c , то
14 RCAcp=(ycp/pycp)/ cycp/cpycp. (1)
15 Вектор ac,p1,,ac,pm описывает структуру сильных секторов экономики региона.
16 2.2. Экономическая сложность
17 Одним из ориентиров представленного подхода к диверсификации экономики региона является повышение ее экономической сложности. Страны и регионы, экспортирующие сложные товары, обычно имеют более высокий уровень душевого материального благосостояния, чем страны и регионы, экспортирующие простые товары (Афанасьев, 2022). Если диверсификация связана с появлением новых секторов экономики, то в качестве приоритетных направлений диверсификации можно рассматривать сектора, развитие которых способствует повышению экономической сложности региона. Далее ее оценка проводится в соответствии с подходом, представленным в работах (Hartmann, 2017; Hausmann, Hwang, Rodrik, 2006; Hidalgo, Hausmann, 2009) в отношении регионов и секторов.
18 Оценка экономической сложности региона ECIc пропорциональна среднему уровню экономической сложности сильных секторов в структуре его экономики:
19 ECIc=a1prc,pECIp , rc,p=ac,p/kc,0 , kc,0=pac,p ,(2)
20 где a1 — положительная константа.
21 Оценка экономической сложности сектора ECIp пропорциональна среднему уровню экономической сложности регионов, в структуре экономик которых этот сектор является сильным:
22 ECIp=a2crp,c*ECIc , rp,c*=ac,p/kp,0 , kp,0=cac,p ,(3)
23 где a2 — положительная константа.
24 Пусть c=ECIc1,ECIc2,...T   — вектор-столбец оценок экономической сложности для регионов; p=ECIp1,ECIp2,...T  — вектор-столбец оценок экономической сложности для секторов; R1=rc,p , R2=rp,c*  — матрицы весов. Тогда c=a1a2R1R2c , p=a1a2R2R1p .
25 Таким образом, оценки экономической сложности регионов определяются как собственный вектор матрицы R1R2 , а оценки экономической сложности секторов — как собственный вектор матрицы R2R1. Ввиду того что эти матрицы являются стохастическими (Sciarra et al., 2020), в качестве значений оценок экономической сложности регионов (секторов) мы будем использовать собственный вектор матрицы R1R2 ( R2R1 ), который соответствует второму максимальному собственному значению.
26 2.3. Вероятности появления в регионе новых сильных секторов
27 Обозначим wi,j=R1R2ij.  В работе (Afanasiev, Kudrov, 2021) показано, что величину wi,j можно интерпретировать как характеристику степени вложенности множества сильных секторов региона ci во множество сильных секторов региона cj . Чем ниже это отношение, тем меньше сильных секторов региона ci входит во множество сильных секторов региона cj . Поэтому показатели вложенности отражают эволюционную обусловленность структур сильных секторов региональных экономик.
28 С использованием показателей вложенности разработана модель, позволяющая прогнозировать появление в экономике региона новых сильных секторов. В результате апробации модели для каждого региона оценены вероятности возникновения в его структуре новых сильных секторов. Количественные оценки позволяют обосновать целесообразность развития в регионе нового сильного сектора с учетом эволюции прошлой экономической деятельности и могут рассматриваться в качестве меры эволюционной обусловленности появления сектора в регионе в качестве сильного. Если прогнозируемое значение вероятности превышает 0,5, то появление нового сильного сектора в регионе можно считать эволюционно обусловленным.
29 2.4. Аппроксимация оценок экономической сложности
30 Возможности диверсификации экономики региона c* связаны с появлением нового сильного сектора p* . Приоритетным можно считать появление такого нового сильного сектора, которое приводит к повышению экономической сложности региона. Для того чтобы оценить изменение экономической сложности региона, в матрице А значение элемента ac*,p* можно изменить с 0 (ранее сектор p* не был сильным в регионе c* ) на 1 и рассчитать собственный вектор новой матрицы R1R2 в соответствии со стандартным подходом (Hartmann, 2017; Hausmann, Hwang, Rodrik, 2006; Hidalgo, Hausmann, 2009).
31 Альтернативным вариантом является аппроксимация изменения ΔECIc*p* оценки экономической сложности региона c* на основе оценок экономической сложности сектора p* и всех сильных секторов экономики региона c* . Возможности аппроксимации оценки ECIc*p* экономической сложности региона c* в случае появления в нем нового сильного сектора p* показаны в работе (Афанасьев, Гусев, 2022).
32

2.5. Влияние инновационной активности региона на развитие сектора

33 На основе регрессионного анализа выявляется инновационная активность секторов. Признак инновационной активности сектора r_INNp принимает значение 1, если коэффициент при индексе инновационной активности значим для сектора p  в регрессии объема производства на компоненты расширенного экономического базиса. В противном случае величина r_INNp принимает значение 0.
34

Для оценки влияния инновационной активности региона

j на развитие сектора применяются компоненты экономического базиса, включающего характеристики региональной дифференциации и индексы инновационной активности. Описание экономического базиса

{Lj  ,

tej  ,

sj1  ,

sj2 } и методология его применения для оценки социально-экономического развития на региональном уровне представлены в ( Aivazian , Afanasiev, Kudrov, 2018, 2020). Индексы инновационной активности построенные на основе концепции стохастической границы, представлены в (Lysenkova, Afanasiev, 2020). Расширенный экономический базис

{Lj  ,

tej  ,

sj1  ,

sj2 ,INNj } , включающий индекс инновационной активности, отражает не только экономическую структуру региональной экономики, но и специфику инновационной активности регионов, ориентированную на конкретный результат инновационной деятельности. Если индекс инновационной активности, статистически зависит от некоторых компонент экономического базиса, то для предупреждения эффекта мультиколлинеарности целесообразно рассматривать модификацию индекса, очищенную от влияния этих компонент. Проводится регрессионный анализ объемов производства каждого сектора экономики с помощью расширенного экономического базиса. Построим регрессии вида

35 ln yij=consti+β1ilnLj+β2itej+β3isj1 +β4isj2 +β5iINNj+εi,j, (4)
36 где yij — объем производства сектора i в регионе j ;  Lj — масштаб экономики региона j (в качестве характеристики масштаба экономики берется показатель Росстата «Численность экономически активного населения»); tej — оценка технической эффективности регионального производства);  sj1  — индекс отраслевой специализации (первая главная компонента структуры ВРП); sj2  — индекс индустриализации (вторая главная компонента структуры ВРП);  εi,j — ошибка регрессии. Значения главных компонент строились согласно методологии и показателям Росстата по отраслевой структуре валового регионального продукта (ВРП) (Айвазян, Афанасьев, Кудров, 2016). INN— индекс инновационной активности. Здесь используется один из авторских индексов, построенный на основе концепции стохастической границы на данных о международных патентных заявках (TEMPZ), патентных заявках (TEPZ), выданных патентах (TEVP), новых разработанных производственных технологий (TETTCH) (Lysenkova, Afanasiev, 2020). Из совокупности секторов выделяются те, для которых оценка параметра β5i положительна и значима на уровне 95%. Объем производства каждого из таких секторов зависит от уровня инновационной активности регионов, определяемым индексом INN.
37 2.6Ресурсная обеспеченность
38 Для каждого сектора pj определяется признак его ресурсной обеспеченности res_pjci  в каждом регионе ci,  в котором этот сектор не является сильным. Это означает, что для пары ci ,pj выполняется неравенство RCAcipj<1 . Величина res_pjci принимает значение 1, если ошибка регрессии (4) удовлетворяет условию, при котором для ожидаемого объема производства сектора pj в регионе ci справедливо неравенство RCAcipj1.  То есть при ожидаемом объеме производства, определяемом выражением (4) при  εi,j=0 , сектор pj будет сильным в регионе ci . В противном случае величина  res_pjci  принимает значение 0.
39 Оценка достаточности обеспечения сектора ресурсами в регионе определяется уровнем соответствия фактического объема производства сектора ожидаемому, обусловленному характеристиками дифференциации региона. Выявляются регионы, в которых ожидаемый объем производства сектора выше фактического. В таких регионах превращение сектора в сильный возможно за счет нереализованного потенциала экономического развития. Это относится ко всем секторам. В том числе к тем, объем производства которых не зависит от уровня инновационной активности региона. Если фактический объем производства сектора выше ожидаемого, то сектор, уже реализовав потенциал роста в регионе, все же не стал сильным. В этом случае развитие сектора до уровня сильного может опираться на рост инновационной активности региона в целом. Это относится к секторам, объем производства которых зависит от уровня инновационной активности региона.
40 Для оценки ресурсной обеспеченности путем сравнения фактического объема производства сектора с ожидаемым могут быть использованы разные метрики. Например, для сектора pj в регионе ci она может быть оценена на основе концепции выявленных сравнительных преимуществ. При достаточном обеспечении ресурсами показатель E_RCAcipj  выявленных сравнительных преимуществ, соответствующий ожидаемому объему производства сектора pj в регионе ci , должен быть не меньше 1, для того чтобы сектор мог стать сильным. Это значит, что должно выполняться неравенство
41 (E_ycipj/(E_ycipj+ppjycp))/ cycp/cpycp1, (5)
42 где E_ycipj=exp{lnycipj-εi,j}.  Неравенство (5) эквивалентно неравенству
43 εi,jln1-upjRCAcipj/1-upjRCAcipj,  (6)
44 где upj=cycpj/cpycp , RCAcipj определяется формулой (1). Заметим, что правая часть неравенства (6) — отрицательная величина. Это следует из неравенства RCAcipj<1 , которое выполняется, так как сектор pj не является сильным в регионе ci.  Таким образом, если ошибка εi,j  регрессии (4) меньше величины ε*i,j=ln1-upjRCAcipj/1-upjRCAcipj , то сектор pj имеет достаточное ресурсное обеспечение в регионе ci в том смысле, что при ожидаемом объеме производства он станет сильным. В противном случае полагаем, что ресурсного обеспечения региона ci  недостаточно для превращения сектора pj в сильный.
45 2.7. Задача выбора
46

Определение приоритетного направления диверсификации экономики региона

c* связано с выбором сектора

pjkc*  для его развития в регионе

c* до уровня сильного. Обоснованием может стать решение задачи множественного выбора с учетом ряда характеристик для каждого сектора

pjkc*  из совокупности секторов

(pj1c*,...,pjkc*,...),  не являющихся сильными в регионе

c* . В том числе: экономическая сложность

ECIc*  региона; экономическая сложность сектора

ECIpjkc* ; оценка

qpj1c* вероятности появления сектора

pj1c* в качестве сильного в регионе

c* ; признак роста экономической сложности

IECc*;  величина приращения

ΔECIc*pjkc*  экономической сложности региона

c* в результате появления в нем нового сильного сектора

pjkc* ; признак инновационной активности сектора

r_INNp;  признак ресурсной обеспеченности сектора

res_pjc* . В дополнение к этим характеристикам с использованием матрицы

Y=ycp (где

ycp — объем производства сектора p экономики региона c) нетрудно вычислить оценку снизу прироста ВРП региона

c* в случае, когда сектор

pjkc* превращается в сильный. Решением такой задачи множественного выбора является совокупность секторов, набор характеристик которых обладает свойством Парето-оптимальности.

47 Далее в качестве региона c* , для которого формируются исходные данные и решается задача выбора приоритетных направлений диверсификации экономики, рассматривается Белгородская область. Этот регион выбран в качестве примера, потому что занимает первую позицию в списке регионов, используемом Росстатом.
48

3. РЕЗУЛЬТАТЫ РАСЧЕТОВ

49

3.1. Структура сильных секторов

50 Матрица A=ac,p, описывающая структуру сильных секторов региональных экономик, построена на основе данных о налоговых поступлениях1 за 2019 г. по 82 секторам в 79 регионах РФ. Такой подход позволяет характеризовать структуры региональных экономик, включающие сектора, ориентированные как на внешний, так и на внутренний рынки. В Приложении в табл. П1 столбец 6 показывает число сильных секторов в структуре экономики каждого региона, т.е. дает оценку диверсификации. Наиболее диверсифицированы (с числом сильных секторов более 35) экономики регионов: Тверская область — 42; Чувашская Республика — 40; Московская область — 39; Новосибирская область — 39; Владимирская область — 37; Липецкая область — 36. Наименее диверсифицированы (с числом сильных секторов менее 10) экономики регионов: Астраханская область — 9; Тюменская область — 8; Оренбургская область — 6. В структуре экономики Белгородской области 24 сильных сектора.
1. «Данные о налоговых поступлениях по секторам экономики за 2019 г.» (https://www.nalog.ru/rn77/related_activities/statistics_and_analytics/forms/8826515/).
51

3.2. Экономическая сложность

52 В Приложении в табл. П1 в столбце 3 представлены ненормированные оценки экономической сложности 82 секторов; в столбце 7 — ненормированные оценки экономической сложности 79 регионов, рассчитанные как значения собственных векторов в соответствии с описанным выше стандартным подходом. Значения констант определены в результате решения систем уравнений (2) и (3): a1 = 1,9305; a2 = 1,9756. В столбцах 4 и 8 (Приложение, табл. П1) приведены нормированные оценки экономической сложности секторов и регионов соответственно.
53 Точка на рис. 1 характеризует регион в пространстве «Число сильных секторов» (ось абсцисс) — «Оценка экономической сложности региона» (ось ординат). Имеет место нелинейная взаимосвязь числа сильных секторов с оценками экономической сложности регионов. При этом коэффициент корреляции характеристик диверсификации региональных экономик и оценок экономической сложности регионов достаточно высокий и равен 0,635. Регионы в левой нижней части рисунка характеризуются высокой специализацией в добывающей промышленности. Это Оренбургская область — 6 сильных секторов; Тюменская область — 8; Астраханская область — 9; Томская область — 10; Республика Саха (Якутия) — 11.
54

55 Рис. 1. Нормированная оценка экономической сложности
56

3.3. Вероятности появления в регионе новых сильных секторов

57 Для каждого региона оценена вероятность возникновения в его структуре любого сектора в качестве сильного. Результаты моделирования, представленные в работе (Афанасьев, Кудров, 2021), не противоречат гипотезе о статистической значимости влияния характеристик эволюционной обусловленности на вероятность появления сектора в качестве сильного. Они согласуются с выводами в работе (Neffke, Henning, Boschma, 2011), где показано, что регионам легче развивать новые отрасли промышленности, если они связаны с уже имеющимися в регионе.
58 Строки матрицы на рис. 2 соответствуют регионам и расположены в соответствии с их порядком в табл. П1 в столбце 5; столбцы — секторам и расположены в соответствии с их порядком в табл. П1 в столбце 1 (см. Приложение). Выделенные элементы матрицы в каждой строке указывают, какие сектора имеют благоприятный прогноз развития в регионе: вероятность появления такого сектора в регионе выше 0,5. Эти оценки являются обоснованием целесообразности развития в регионе нового сильного сектора с учетом эволюции прошлой экономической деятельности. Например, в Белгородской области (строка 1 на рис. 2) 11 секторов имеют вероятности возникновения в качестве сильных выше 0,5.
59 Практически для каждого региона можно указать новый сильный сектор, который может появиться в регионе с вероятностью выше 0,5. Хотя не все сектора имеют эволюционную обусловленность. Например, виды деятельности «в области информации и связи», «в сфере телекоммуникаций», «предоставления финансовых услуг, страхования», «по операциям с недвижимым имуществом» и некоторые другие — для этих секторов прогнозируемое значение вероятности появления в любом регионе в качестве сильного не превышает 0,5.
60

Рис. 2. Матрица, характеризующая благоприятный прогноз развития нового сильного сектора в Белгородской области

61 В табл. 1 приведены вероятности развития в Белгородской области 14 секторов до уровня сильных. Одиннадцать их них с вероятностями появления выше 0,5 отмечены в строке 1 матрицы на рис. 2. Вероятности развития еще трех секторов, отмеченных в табл. 1 символом «*», ниже 0,5. Развитие этих секторов не является эволюционно обусловленным для региона. Далее, для сравнения, мы будем рассматривать возможность развития до уровня сильных в Белгородской области и этих секторов.
62 Таблица 1. Вероятности появления секторов в качестве сильных в Белгородской области
63
Код сектора 1125 1130 1155 1160 1202 1203 1205
Вероятность 0,510 0,705 0,540 0,716 0,636 0,592 0,862
Код сектора 1220 1270* 1285* 1290* 1305 1315 1320
Вероятность 0,536 0,142 0,175 0,417 0,716 0,537 0,508
64

3.4. Аппроксимация оценок экономической сложности (ОЭС)

65 Приведем оценки аппроксимации экономической сложности ECIc*p* региона c* в случае появления в нем нового сильного сектора p*. Оценки получены на основе подхода, представленного в работе (Афанасьев, Гусев, 2022), для 14 секторов Белгородской области. Результаты их сравнения с оценками экономической сложности региона, полученными на основе стандартного подхода, представлены в табл. 2.
66 Таблица 2. Результаты аппроксимации оценок экономической сложности Белгородской области
67
Код сектора, рассмотренного в качестве нового сильного в экономике региона ОЭС сектора из столбца 3 табл. П1 Ненормированная ОЭС региона Ошибка аппроксимации (%) по отношению к истинному значению из столбца 3
при стандартном подходе при появлении нового сильного сектора из столбца 1 в результате аппроксимации по формуле (5)
1 2 3 4 5
1125 0,081212 0,071585 0,070626 –1,34
1160 0,053407 0,069069 0,068478 –0,85
1202 0,052563 0,068992 0,068413 –0,83
1290* 0,047159 0,068085 0,067996 –0,13
1205 0,032066 0,067207 0,066831 –0,56
1315 0,028627 0,066614 0,066565 –0,07
1203 0,025861 0,066562 0,066351 –0,31
1285* 0,017248 0,065481 0,065686 0,31
1270* 0,0073 0,064817 0,064918 0,15
1220 –0,0046 0,063917 0,0640 0,12
1130 –0,00508 0,063772 0,063962 0,29
1155 –0,01239 0,063442 0,063398 –0,07
1305 –0,03929 0,060504 0,061321 1,35
1320 –0,08985 0,05616 0,057416 2,23
68 В столбце 1 табл. 2 указаны коды 14 секторов, которые представлены в табл. 1. Ни один из этих секторов не является сильным в Белгородской области по данным 2019 г. В табл. 2 эти сектора упорядочены по убыванию оценок их экономической сложности, взятых из столбца 3 табл. П1. В столбце 3 табл. 2 приведена ненормированная оценка экономической сложности (ОЭС) региона Белгородской области, полученная в соответствии со стандартным подходом, при появлении в экономике региона нового сильного сектора из столбца 1. В столбце 4 показаны соответствующие оценки аппроксимации. В столбце 5 — ошибки аппроксимации, по модулю не превышающие 2,23%.
69

3.5. Влияние инновационной активности региона на развитие сектора

70 Корреляционная матрица компонент экономического базиса и индексов инновационной активности представлена в табл. 3. Корреляционный анализ 4 компонент экономического базиса и 4 индексов инновационной активности показывает, что:
71
  • - все компоненты экономического базиса можно считать взаимно независимыми;
  • - индексы инновационной активности можно считать взаимно независимыми (за исключением индексов TEPZ и TEVP, зависимость которых обусловлена их спецификой);
  • - каждый индекс инновационной активности независим или слабо зависим от экономического базиса.
72 Таблица 3. Корреляционная матрица компонент базиса и индексов инновационной активности, построенных по данным 2015 г.
73
L te s1 s2 TEMPZ TEPZ TEVP TETTCH
L 1 0,178 –0,135 0,195 0,231 0,207 0,120 0,146
te 0,178 1 0,202 0,238 0,120 –0,200 –0,193 0,214
s1 –0,135 0,202 1 –1,61E–10 –0,223 –0,309 –0,359 –0,058
s2 0,195 0,238 –1,61E–10 1 0,398 0,056 0,146 0,167
TEMPZ 0,231 0,120 –0,223 0,398 1 0,047 0,067 0,405
TEPZ 0,207 –0,200 –0,309 0,056 0,047 1 0,873 0,158
TEVP 0,120 –0,193 –0,359 0,146 0,067 0,873 1 0,136
TETTCH 0,146 0,214 –0,058 0,167 0,405 0,158 0,136 1
74 Рассмотрим в качестве индекса инновационной активности INN один из авторских индексов, построенный на основе концепции стохастической границы на данных о международных патентных заявках (TEMPZ). В соответствии с подходом, описанным в п. 2.5, на основе регрессионного анализа выявлено 20 секторов экономики, развитие которых зависит от инновационной активности регионов при создании международных патентных заявок (Afanasiev, Kudrov, Lysenkova, 2021). Эти сектора отмечены символом «*» в Приложении в столбце 1 табл. П1. Регионы, формируя международные патентные заявки и демонстрируя активность в этой области, влияют на развитие каждого из этих 20 секторов. Из результатов регрессионного анализа следует, что экономический потенциал развития каждого из 20 секторов связан с ростом масштаба региональной экономики, специализацией или индустриализацией региона, повышением технической эффективности производства. В зависимости от того, при каких компонентах экономического базиса наблюдаются значимые оценки коэффициентов в регрессии (6).
75 Другой путь связан с реализацией потенциала инновационной активности. Если заменить индекс TEMPZ на другой индекс инновационной активности, мы получим список секторов, объемы выпуска которых зависят от инновационной активности региона при создании соответствующего результата инновационной деятельности. Из числа 14 секторов, указанных в табл. 1 и 2, для каждого из которых анализируется возможность появления в качестве сильного в Белгородской области, развитие трех секторов зависит от инновационной активности регионов. Это сектора: «1270. Строительство»; «1315. Деятельность железнодорожного транспорта»; «1320. Деятельность трубопроводного транспорта». Они отмечены как зависящие от инновационной активности регионов в столбце 6 сводной табл. 5.
76

3.6. Ресурсная обеспеченность

77 В качестве примера получены оценки обеспеченности ресурсами сектора «Строительство» во всех регионах, приведенных в Приложении в столбце 5 табл. П1. В столбце 11 табл. П1 указано, в каких регионах сектор «Строительство» обладает выявленными сравнительными преимуществами и относится к сильным (значение 1), а в каких – нет (значение 0). Полученные нами оценки свидетельствуют о том, что сектор «Строительство» по данным 2019 г. будет сильным в экономике 33 регионов. В этих регионах рост объема производства этого сектора уже не приведет к диверсификации структуры сильных секторов их экономик. Для 46 регионов сектор «Строительство» сильным не является. Для этих регионов диверсификация экономики возможна за счет роста объема производства этого сектора и превращения его в сильный сектор. По данным 2019 г. сектор «Строительство» — это один из 20 секторов, объем производства которых зависит от инновационной активности региона.
78 Оценим выполнение условия ресурсной обеспеченности (6) для сектора «Строительство» в регионах, где сектор не является сильным. В столбце 9 табл. П1 приведены значения ошибки εi,j регрессии (4). В столбце 10 — пороговое значение ε*i,j правой части неравенства (6) для проверки выполнения условия ресурсной обеспеченности сектора в регионе. Заметим, что для всех регионов, в которых сектор не отмечен как сильный, пороговое значение будет отрицательной величиной. Если для региона, в котором сектор «Строительство» не является сильным, значение ошибки регрессии в столбце 9 меньше, чем пороговое значение в столбце 10, то сектор «Строительство» имеет достаточную ресурсную обеспеченность в регионе в том смысле, что при ожидаемом объеме производства он станет сильным. В этом случае развитие сектора в регионе до уровня сильного может опираться на экономический потенциал региона. Таких регионов по данным 2019 г. выявлено 11. Они помечены символом «*» в столбце 11 табл. П1. Среди них — и Белгородская область.
79 Выполнение условий ресурсной обеспеченности проверено и для 14 секторов, развитие каждого из которых до уровня сильного рассматривается в качестве возможного варианта диверсификации экономики Белгородской области. Результаты регрессионного анализа объемов производства этих секторов на компоненты расширенного экономического базиса представлены в табл. 4. Три из них зависят от инновационной активности регионов: «1270. Строительство»; «1315. Деятельность железнодорожного транспорта; «1320. Деятельность трубопроводного транспорта». В столбце 10 указано значение ошибки регрессии (4) объема производства каждого из 14 секторов для Белгородской области на компоненты расширенного экономического базиса. В столбце 11 табл. 4 приведены пороговые значения (правая часть неравенства (6)) для ошибки регрессии, при которых выполняется условие обеспеченности ресурсами. Результат проверки данного условия показан в столбце 5 табл. 5.
80

3.7. Задача выбора

81 Табл. 5 может рассматриваться в качестве результата комплексной оценки направлений диверсификации экономики конкретного региона. Это — одна из возможных форм цифровой поддержки принятия стратегических решений. В ее основе — современные методы оценки и концепции регионального развития. Опираясь на такую информацию, могут приниматься экспертные решения и выбираться приоритетные направления диверсификации региональной экономики. Информация может стать основой для установления приоритетов в реализации проектов регионального развития, направленных на повышение числа рабочих мест в регионе и рост материального благосостояния населения.
82 Таблица 4. Характеристики ресурсной обеспеченности секторов по данным 2019 г.
83
Код сектора Число наблюдений для построения регрессии (число регионов с ненулевым объемом производства сектора) R2   Оценка коэффициента регрессии Ошибка в регрессии (6) для сектора в Белгородской области Пороговое значение условия ресурсной обеспеченности (правая часть неравенства (8))
      Оценка константы в регрессии при логарифме численности экономически активного населения при индексе технической эффективности регионального производства при первой главной компоненте структуры ВРП при второй главной компоненте структуры ВРП при индексе инновационной активности TEMPZ    
1 2 3 4 5 6 7 8 9 10 11
1125 79 0,521 –8,257 (–4,21) 1,821 (6,27) –0,090 (–0,35) –0,636 (–2,39) 0,440 (1,57) 0,879 (0,73) –1,248 –0,337
1130 69 0,854 9,614 (13,40) 1,864 (17,36) 0,376 (3,78) –0,0097 –0,08 0,034 (0,31) –0,645 (–1,34) 2,422 –0,941
1155 66 0,628 –0,876 (–3,80) 1,344 (5,33) 0,568 (2,73) –0,222 (–1,05) 0,864 (3,80) –1,256 (–1,31) –0,288 –0,165
1160 69 0,381 –3,380 (–0,86) 2,983 (5,11) 0,498 (1,01) –0,678 (–1,61) –0,178 (–0,35) 2,017 (0,96) –1,534 –0,521
1202 63 0,572 3,015 (–0,86) 3,271 (6,36) –0,776 (–1,80) –0,087 (–0,21) 1,481 (3,38) –0,132 (–0,07) 1,658 –1,133
1203 79 0,608 –4,645 (–2,91) 1,768 ( 7,23) –0,411 (–1,99) –0,789 (–3,90) 0,468 (2,15) –0,063 (–0,06) 0,281 –1,398
1205 78 0,655 –2,915 (–2,03) 1,643 ( 7,49) 0,244 (1,30) –0,390 (–2,19) 0,829 (4,29) –0,523 (–0,62) 0,729 –0,024
1220 72 0,573 –3,873 (–1,17)) 1,454 (2,86) 0,272 (0,63) 0,991 (2,40) 0,599 (1,33) 0,787 (0,56) –1,878 –3,285
1270 79 0,767 7,212 (12,77) 1,139 (14,42) 0,090 (1,32) 0,228 (3,23) 0,158 (1,99) 0,274 (3,76) –0,75 –0,152
1285 79 0,623 3,276 (4,29) 0,987 (8,45) –0,304 (–3,09) 0,453 (4,69) 0,201 (1,93) 0,096 (0,20) 0,246 –0,303
1290 77 0,551 –0,818 ( –0,68) 1,444 (7,86) –0,477 (–3,03) 0,206 (1,39) 0,291 (1,78) 0,011 (0,01) –0,209 –0,412
1305 74 0,553 –3,873 (–1,17)) 1,454 (2,86) 0,272 (0,63) 0,991 (2,40) 0,599 (1,33) –3,238 (–1,56) –6,529 –7,627
1315 65 0,377 1,231 (0,50) 1,242 (3,55) 0,305 (1,10) 1,297 (4,86) –0,238 (–0,72) 0,593 (2,12) –1,392 –3,323
1320 80 0,584 5,290 (5,56) 1,184 (8,91) 0,292 (2,53) 0,400 (3,34) –0,004 (–0,03) 0,261 (2,116) –0,029 –0,259

Примечание. В скобках приведена t-статистика. Таблица 5. Комплексная оценка рассмотренных вариантов диверсификации по данным 2019 г.

Код сектора ОЭС сектора из столбца 3 табл. П1 Оценка эволюционной обусловленности сектора (прогнозируемая вероятность появления > 0,5), да/нет Истинная оценка изменения экономической сложности региона при появлении нового сильного сектора (экономическая сложность региона возрастает), да/нет Оценка изменения экономической сложности региона на основе аппроксимации (экономическая сложность региона возрастает), да/нет Объемы производства сектора зависят от инновационной активности регионов, да/нет Выполняется условие ресурсной обеспеченности сектора в регионе, да/нет Оценка снизу (%) увеличения ВРП региона в случае превращения сектора в сильный
1 2 3 4 5 6 7 8
1125* 0,0812 Да Да Да Нет Да 0,010
1160* 0,0534 Да Да Да Нет Да 0,152
1202* 0,0525 Да Да Да Нет Нет 0,641
1290 0,0471 Нет Да Да Нет Нет 0,365
1205 0,0321 Да Да Нет Нет Нет 0,017
1315* 0,0286 Да Нет Нет Да Нет 0,099
1203 0,0258 Да Нет Нет Нет Нет 0,318
1285 0,0172 Нет Нет Нет Нет Нет 0,607
1270* 0,0073 Нет Нет Нет Да Да 3,811
1220 –0,0046 Да Нет Нет Нет Нет 0,560
1130 –0,0051 Да Нет Нет Нет Нет 0,055
1155 –0,0124 Да Нет Нет Нет Да 0,089
1305 –0,0393 Да Нет Нет Нет Нет 0,143
1320* –0,0898 Да Нет Нет Да Нет 0,331
84 Примечание. В таблице приведены коды секторов, развитие которых до уровня сильных рассматривается в качестве возможных вариантов диверсификации экономики Белгородской области.
85 Выбор сектора для развития в регионе до уровня сильного на основе данных, представленных в табл. 5, связан с решением многокритериальной задачи. Каждый критерий соответствует одному из столбов таблицы, за исключением первого. Оценки изменения экономической сложности в столбцах 4 и 5 рассматриваются как альтернативные. Если доступны ОЭС на основе стандартного подхода, то используются оценки из столбца 4, что более предпочтительно. Если эти оценки недоступны, то — оценки из столбца 5, полученные на основе аппроксимации. Заметим, что для нашего примера оценки в столбцах 4 и 5 отличаются только у сектора 1205. Решением задачи является совокупность секторов, у каждого из которых совокупность характеристик обладает свойством Парето-оптимальности. Таких секторов шесть: «1125. Производство кожи и изделий из кожи»; «1160. Производство резиновых и пластмассовых изделий»; «1202. Производство компьютеров, электронных и оптических изделий»; «1270. Строительство»; «1315. Деятельность железнодорожного транспорта»; «1320. Деятельность трубопроводного транспорта». Они помечены символом «*» в столбце 1 табл. 5. Независимо от того, каким способом оценивается экономическая сложность, совокупность характеристик сектора 1205 не является Парето-оптимальной. Разумеется, экспертно могут быть выбраны и другие варианты. Но оптимальные по Парето варианты заслуживают внимания в первую очередь. Наиболее благоприятные условия развития у секторов 1125, 1160 и 1270, для которых выполняется условие обеспеченности ресурсами. Рост объемов производства этих секторов может опираться на экономический потенциал региона. Развитие секторов 1315 и 1320 может быть основано на росте инновационной активности региона. Для развития сектора 1202 экономического и инновационного потенциала региона может оказаться недостаточно. Однако развитие этого сектора является эволюционно обусловленным.
86

 4. ЗАКЛЮЧЕНИЕ

87 Получены результаты, развивающие методологию выбора приоритетных направлений диверсификации экономики региона. На основе стандартного подхода рассчитаны оценки экономической сложности секторов и регионов. Обоснована возможность их аппроксимации. Формализовано условие обеспеченности ресурсами, выполнение которого указывает на возможность развития сектора до уровня сильного. Возможности информационного обеспечения и решения задачи определения приоритетного направления диверсификации показаны на примере Белгородской области. В качестве возможных направлений развития рассмотрены 14 секторов, которые не являются сильными в экономике Белгородской области по данным 2019 г. (табл. 5, столбец 1). Для каждого сектора получены оценки экономической сложности на основе стандартного подхода (столбец 2). В их числе 11 секторов, развитие которых в регионе является эволюционно обусловленным: прогнозируемая вероятность появления такого сектора в качестве сильного в регионе выше 0,5 (столбец 3). На основе стандартного подхода оценено изменение экономической сложности региона в результате развития каждого из секторов до уровня сильного (столбец 4), а также на основе аппроксимации (столбец 5). На основе регрессионного подхода выявлены сектора, развитие которых зависит от инновационной активности региона (столбец 6). Указаны сектора, у которых ожидаемый объем производства обеспечивает их развитие до уровня сильного (столбец 7). Рассчитаны оценки снизу в процентах увеличения ВРП региона в случае превращения сектора в сильный (столбец 8). Сводная табл. 5 содержит характеристики секторов по семи критериям. Оценки из столбца 5 используются, если недоступны оценки на основе стандартного подхода (столбец 4). Среди 14 секторов выявлены 6, характеристики которых обладают свойствами Парето-оптимальности: «1125. Производство кожи и изделий из кожи»; «1160. Производство резиновых и пластмассовых изделий»; «1202. Производство компьютеров, электронных и оптических изделий»; «1270. Строительство»; «1315. Деятельность железнодорожного транспорта»; «1320. Деятельность трубопроводного транспорта».
88 Разумеется, число рассматриваемых критериев можно и нужно расширять. Прежде всего за счет оценок числа созданных рабочих мест, повышения социально-экономического развития региона, роста материального благосостояния в результате появления новых сильных секторов, затрат на развитие сектора до уровня сильного.
89 Расширению сферы применения предлагаемой методологии может способствовать использование оценки инвестиционной привлекательности региона для вложения финансовых и ресурсных средств в сектора экономики. В этом — одна из задач цифровизации системы регионального управления. Реализация предложенного подхода с использованием цифровых технологий в региональных ситуационных центрах может обеспечить координацию решений, принимаемых регионами при выборе приоритетных направлений диверсификации с целью повышения экономической безопасности страны в целом.
90 Данная методология позволяет в реальном масштабе времени учитывать и отображать в исходной информации, рассматриваемой любым регионом, прогнозируемые результаты решений, уже принятых другими регионами. Одним из возможных направлений использования представленного подхода для развития теории диверсификации является построение и анализ траекторий структур сильных секторов региональных экономик.
91 ПРИЛОЖЕНИЕ
92 В табл. П1 в столбцах расположена следующая информация:
93
  • столбец 1 — код сектора в соответствии со структурой данных о налоговых поступлениях; символом «*» отмечены сектора, объемы производства которых зависят от инновационной активности регионов;
  • столбец 2 — число регионов, в которых сектор является сильным;
  • столбец 3 — ненормированная ОЭС сектора («*» — сектора, которые являются сильными в Белгородской области);
  • столбец 4 — нормированная оценка экономической сложности сектора со средним 0 и стандартным отклонением 1;
  • столбец 5 — наименование региона;
  • столбец 6 — число сильных секторов в регионе;
  • столбец 7 — ненормированная ОЭС региона;
  • столбец 8 — нормированная ОЭС региона со средним 0 и стандартным отклонением 1;
  • столбец 9 — значения ошибки регрессии (6);
  • столбец 10 — пороговое значение правой части неравенства (8) для проверки выполнения условия ресурсной обеспеченности сектора в регионе;
  • столбец 11 — сектор «Строительство» является сильным в регионе: 1 — да, 0 —иначе («*» — регионы, в которых сектор «Строительство» имеет достаточную обеспеченность ресурсами).
94 Таблица П1. Оценки экономической сложности секторов и регионов
95
1 2 3 4 5 6 7 8 9 10 11
1020 40 0,0467* 0,6324 Белгородская область 24 0,0670 0,8364 –0,75 –0,152 0*
1025 32 –0,0292 –0,0650 Брянская область 31 0,0402 0,5933 0,304 0,443 1
1030 11 –0,0700 –0,4394 Владимирская область 37 0,0617 0,7883 0,043 –0,316 0
1046 11 –0,1167 –0,8681 Воронежская область 34 0,0285 0,4871 0,279 –0,040 0
1047 7 –0,1799 –1,4490 Ивановская область 28 0,043 0,6183 0,412 –0,071 0
1055 13 –0,4351 –3,7938 Калужская область 29 0,0584 0,7578 –0,177 0,258 1
1060 6 –0,5638 –4,9760 Костромская область 33 0,0246 0,4515 –0,323 –0,354 0
1075 10 –0,0078* 0,1318 Курская область 22 0,0618 0,7888 –1,087 –0,013 0*
1080 12 –0,2254 –1,8670 Липецкая область 36 0,0443 0,6306 –0,044 0,224 1
1081 15 –0,0847 –0,5743 Московская область 39 0,0266 0,4696 1,265 0,028 1
1084* 17 –0,3330 –2,8561 Орловская область 30 0,0561 0,7372 0,134 –0,009 0
1090 41 0,0569* 0,7267 Рязанская область 16 0,0435 0,6228 0,347 –0,772 0
1095 38 0,0522* 0,6830 Смоленская область 31 0,0455 0,6415 1,523 –0,245 0
1100 50 0,0392* 0,5641 Тамбовская область 28 0,0419 0,609 –0,525 0,708 1
1105 13 0,0635* 0,7870 Тверская область 42 0,0335 0,5322 0,09 0,084 1
1110 37 0,0238* 0,4223 Тульская область 34 0,0514 0,6945 0,109 0,663 1
1115 9 0,0501 0,6641 Ярославская область 25 0,0318 0,5174 0,493 –0,612 0
1120 26 0,0740 0,8830 г. Москва 24 –0,0386 –0,1212 1,83 0,253 1
1125 21 0,0812 0,9496 Республика Карелия 26 0,0215 0,4239 –0,302 0,209 1
1130 36 –0,0051 0,1569 Республика Коми 14 –0,2957 –2,4514 1,398 –0,647 0
1135 25 0,0054* 0,2530 Архангельская область 20 –0,0186 0,0599 –0,154 –0,493 0
1140 22 0,0617* 0,7703 Вологодская область 25 0,0413 0,6031 0,882 0,152 1
1145 5 0,0021 0,2231 Калининградская область 15 0,0126 0,3434 0,536 –0,157 0
1150 12 –0,1497 –1,1715 Ленинградская область 14 0,0332 0,5298 0,75 –0,303 0
1155 25 –0,0124 0,0897 Мурманская область 17 –0,0367 –0,1042 0,603 –0,766 0
1158 15 0,0336* 0,5126 Новгородская область 32 0,0404 0,5948 0,268 0,343 1
1160 30 0,0534 0,6942 Псковская область 35 0,0503 0,6848 0,015 0,204 1
1165 44 0,0536* 0,6958 г. Санкт–Петербург 23 –0,0031 0,2004 0,752 0,476 1
1170 28 0,0259* 0,4418 Республика Адыгея 22 –0,016 0,0841 –0,062 0,108 1
1175 14 0,0337* 0,5132 Краснодарский край 27 0,0354 0,5494 0,406 0,224 1
1176 1 0,0140 0,3325 Астраханская область 9 –0,2532 –2,0656 0,364 –0,691 0
1177 5 0,0329* 0,5058 Волгоградская область 17 0,0274 0,4776 0,129 –0,326 0
1180 8 0,0665* 0,8148 Ростовская область 33* 0,0461 0,6469 –0,331 0,111 1
1185 18 0,0475 0,6402 Республика Дагестан 19 0,0198 0,4081 –1,482 0,378 1
1190 11 –0,1165 –0,8667 Республика Ингушетия 15 –0,0168 0,0769 –2,532 1,057 1
1195 6 –0,0898 –0,6210 Кабардино-Балкарская Республика 17 0,0381 0,5739 –1,043 –0,900 0*
1200 31 0,0365* 0,5387 Карачаево-Черкесская Республика 27 0,0202 0,4122 –0,079 0,084 1
1201 20 0,0640* 0,7912 Республика Северная Осетия – Алания 14 –0,0029 0,203 –0,704 –0,107 0*
1202 27 0,0526 0,6864 Чеченская Республика 13 0,0186 0,3976 –10 –8,399 0*
1203 29 0,0259 0,4411 Ставропольский край 23 0,0527 0,7067 0,232 –0,254 0
1205 34 0,0321 0,4981 Республика Башкортостан 17 –0,1003 –0,6803 –0,312 0,076 1
1215 16 –0,0036 0,1704 Республика Марий Эл 31 0,0325 0,5232 –0,28 –0,190 0*
1220 27 –0,0046 0,1613 Республика Мордовия 15 0,0582 0,7559 –0,2 0,328 1
1221 9 –0,1234 –0,9300 Республика Татарстан 13 –0,1025 –0,7004 –0,112 –0,376 0
1223 19 –0,0331 –0,1002 Удмуртская Республика 15 –0,078 –0,4782 –0,182 –0,723 0
1225* 28 0,0155 0,3459 Чувашская Республика 40 0,0383 0,5761 –0,057 0,403 1
1245 36 –0,0198 0,0214 Пермский край 20 –0,0983 –0,6619 0,179 –0,428 0
1250* 48 0,0106* 0,3008 Кировская область 35 0,0473 0,6575 0,153 0,024 1
1255 46 0,0347* 0,5224 Нижегородская область 24 0,033 0,5277 0,31 –0,202 0
1261 57 0,0196* 0,3836 Оренбургская область 6 –0,5249 –4,5284 –0,315 –1,157 0
1262 9 0,0233 0,4173 Пензенская область 26 0,0513 0,6941 –0,1 –0,108 0*
1263* 33 0,0152* 0,3433 Самарская область 20 –0,1144 –0,8084 –0,2 –0,486 0
1270* 33 0,0073 0,2706 Саратовская область 21 –0,0135 0,1065 0,219 –0,556 0
1280* 28 0,0509 0,6714 Ульяновская область 25 0,0152 0,3668 –0,363 –0,442 0
1285 27 0,0172 0,3620 Курганская область 26 0,0175 0,3876 –0,091 –0,277 0
1290 40 0,0472 0,6368 Свердловская область 30 0,0229 0,4363 0,797 –0,145 0
1305 47 –0,0393 –0,1574 Тюменская область 8 –0,3363 –2,8186 –0,897 –0,017 0*
1315* 36 0,0286 0,4665 Челябинская область 35* 0,0071 0,2932 0,089 –0,500 0
1320* 35 –0,0898 –0,6219 Республика Алтай 30 –0,0352 –0,0898 0,64 0,921 1
1325 20 –0,1135 –0,8395 Республика Бурятия 25 –0,0047 0,1864 –0,771 0,150 1
1330* 19 –0,1723 –1,3791 Республика Тыва 17 0,0044 0,269 –0,783 0,219 1
1340 23 –0,0230 –0,0073 Республика Хакасия 22 0,0473 0,6577 –0,673 0,179 1
1345* 17 –0,0011 0,1932 Алтайский край 33 –0,2383 –1,931 0,063 –0,325 0
1350 11 0,0064 0,2627 Забайкальский край 19 –0,1845 –1,4435 –1,027 0,318 1
1355* 14 0,0030 0,2310 Красноярский край 15 0,008 0,301 –0,648 –0,380 0*
1360 4 0,0100 0,2952 Иркутская область 15 0,0295 0,4965 –0,343 –0,685 0
1363 3 0,0266 0,4478 Кемеровская область 20 –0,0104 0,1344 –0,406 –0,341 0*
1365* 4 –0,0312 –0,0833 Новосибирская область 39 –0,3 –2,49 0,6 –0,003 0
1375* 5 –0,0997 –0,7125 Омская область 17 –0,0295 –0,0387 0,164 –0,566 0
1380 3 –0,0220 0,0015 Томская область 10 –0,3225 –2,6943 0,147 –1,144 0
1385* 5 –0,0191 0,0277 Республика Саха (Якутия) 11 –0,0221 0,0285 –0,756 –0,059 0*
1390* 11 0,0560 0,7181 Камчатский край 23 –0,0039 0,1933 1,136 0,023 1
1395* 8 –0,2530 –2,1204 Приморский край 26 –0,0307 –0,0493 0,397 –0,043 0
1398* 14 –0,0658 –0,4013 Хабаровский край 21 –0,0896 –0,5833 0,876 –0,073 0
1400 55 0,0178* 0,3668 Амурская область 17 –0,0358 –0,0958 –0,217 0,863 1
1410* 58 0,0226* 0,4108 Магаданская область 23 –0,0278 –0,0234 1,429 0,664 1
1420* 57 0,0245* 0,4287 Сахалинская область 18 –0,1673 –1,2877 0,263 0,546 1
1430 35 0,0271 0,4528 Еврейская автономная область 21 0,024 0,446 –0,67 –8,399 0
1440 24 0,0280 0,4611 Чукотский автономный округ 13 –0,0964 –0,6447 1,103 0,515 1
1445 14 0,0196 0,3838
1447 3 0,0265 0,4466
1450 6 0,0493 0,6560

Библиография

1. Айвазян С.А., Афанасьев М.Ю., Кудров А.В. (2016). Метод кластеризации регионов РФ с учетом отраслевой структуры ВРП // Прикладная эконометрика. Т. 41. № 1. С. 24–46.

2. Афанасьев М.Ю., Гусев А.А. (2022). Аппроксимация оценок экономической сложности при выборе приоритетных направлений диверсификации // Цифровая экономика. № 1 (17). С. 52–59.

3. Афанасьев М.Ю., Кудров А.В. (2021). Экономическая сложность и вложенность структур региональных экономик // Экономика и математические методы. Т. 57. № 3. С. 67–78.

4. Дементьев В.Е. (2020). Факторы дифференциации регионов по темпам экономического роста // Terra Economicus. № 18 (2). С. 6–21.

5. Дементьев В.Е. (2021). Цепочки создания ценности перед вызовами цифровизации и эконо-мического спада // Вопросы экономики. № 3. С. 68–83.

6. Клейнер Г.Б. (2020). Системная реконструкция российского социально-экономического пространства // Экономическое возрождение России. № 2 (64). С. 59–69.

7. Макаров В.Л., Айвазян С.А., Афанасьев М.Ю., Бахтизин А.Р., Нанавян А.М. (2014). Оценка эффективности регионов РФ с учетом интеллектуального капитала, характе-ристик готовности к инновациям, уровня благосостояния и качества жизни населения // Экономика региона. № 4. С. 76–90. DOI: 10.17323/1995-459X.2016.3.76.90

8. Макаров В.Л., Бахтизин А.Р., Хабриев Б.Р. (2018). Оценка эффективности механизмов ук-репления государственного суверенитета России // Финансы: теория и практика. № 22 (5). С. 6–26. DOI: 10.26794/2587-5671-2018-22-5-6-26.

9. Полтерович В.М. (2020). Реформа государственной системы проектной деятельности, 2018–2019 годы // Terra Economicus. № 18 (1). С. 6–27.

10. Полтерович В.М. (2021). Кризис институтов политической конкуренции, интернет и колла-боративная демократия // Вопросы экономики. № 1. С. 52–72

11. Aivazian S.A., Afanasiev M.Yu, Kudrov A.V. (2018). Indicators of regional development using differentiation characteristics. Montenegrin Journal of Economics, 14, 3, 7–22.

12. Aivazian S.A., Afanasiev M.Yu., Kudrov A.V. (2020). Methodology of socio-economic devel-opment assessment given the characteristics of regional differentiation. Model Assisted Statistics and Applications, 1–4 1. DOI: 10.3233/MAS-200502

13. Afanasiev M., Kudrov A., Lysenkova M. (2021). An approach to assessing the possibility of di-versifying the regional economy taking into account innovation activity. SHS Web of Conferences, 128. DOI: 10.1051/shsconf/202112801006.

14. Blien U., Wolf K. (2006). Local employment growth in West Germany: A dynamic panel ap-proach. Labour Economics, 13 (4), 445–458.

15. European Commission (2011). Cohesion Policy 2014-2020: Investing in growth and jobs, Green paper and COM documents, COM (2011) 614, Brussels.

16. Frenken K., Van Oort F.G., Verburg T. (2007). Related variety, unrelated variety and regional economic growth. Regional Studies, 41 (5), 685–697.

17. Frenken K., Boschma R. (2011). Technological relatedness and regional branching. In: H. Bahelt, M.P. Feldman, D.F. Kogler (eds.). Dynamic geographies of knowledge creation and innovation. London: Taylor & Francis.

18. Fuchs M. (2011). The determinants of local employment dynamics in Western Germany. Empirical Economics, 40 (1), 177–203.

19. Hartmann D. (2017). Linking economic complexity, institutions, and income inequality. World Development, 93, 75–93.

20. Hausmann R., Hwang J., Rodrik D. (2006). What you export matters. Journal of Economic Growth, 12 (1), 1–25.

21. Hausmann R., Klinger B. (2006). Structural transformation and patterns of comparative advantage in the product space. CID Working Paper no. 128.

22. Hausmann R., Rodrik D. (2003). Economic development as self-discovery. Journal of Develop-ment Economics, 72 (2), 603–633.

23. Hidalgo C.A., Hausmann R. (2009). The building blocks of economic complexity. Proceedings of the National Academy of Sciences, 106 (26), 10570–10575.

24. Illy A., Schwartz M., Hornych C., Rosenfeld M. (2011). Local economic structure and sectoral employment growth in German cities. Journal of Economic and Social Geography, 102 (5), 582–593.

25. Klepper S. (2006). The evolution of geographic structure in new industries. Revue OFCE, 135–158.

26. Lysenkova M., Afanasiev M. (2020). Comparative analysis of regional innovative development indexes in the space of expert-defined characteristics of regional differentiation. SHS Web of Conferences, 93, EDP Sciences, 2021. P. 05002. DOI: 10.1051/shsconf/20219305002

27. McCann P., Ortega-Argiles R. (2015). Smart specialization, regional growth and applications to European Union Cohesion Policy. Regional Studies, 49, 8, 1291–-1302.

28. Neffke F., Henning M., Boschma R. (2011). How do regions diversify over time? Industry rela-tedness and the development of new growth paths in regions. Economic Geography, 87, 3, 237–265.

29. Sciarra C., Chiarotti G., Ridolfi L. et al. (2020). Reconciling contrasting views on economic complexity. Nat Commun, 11, 3352. DOI: 10.1038/s41467-020-16992-1

30. Storper M. (1995). The resurgence of regional economies, ten years later: The region as a nexus of untraded interdependencies. European Urban and Regional Studies, 2 (3), 191–221.

Комментарии

Сообщения не найдены

Написать отзыв
Перевести