Направления дальнейших исследований

УДК 332.1

АНАЛИЗ ВЗАИМОСВЯЗИ МЕЖДУ КЛАСТЕРНОЙ СПЕЦИАЛИЗАЦИЕЙ И ВАЛОВЫМ РЕГИОНАЛЬНЫМ ПРОДУКТОМ

Развитие экономических систем обусловлено развитием их структурных элементов. В контексте анализа экономики страны на уровне региона – мезоуровне - такими структурными элементами также являются кластеры. Цель данного исследования состоит в оценке влияния кластерной специализации регионов РФ на размеры их валового регионального продукта (ВРП). Таким образом, авторы тестируют гипотезы о наличии значимой положительной взаимосвязи между кластерной специализацией регионов и размерами их ВРП в краткосрочном и долгосрочном периодах. Для тестирования данных гипотез авторы использовали основные теоретические и методологические положения идентификации кластеров в рамках подхода «сверху». Поскольку методики идентификации и анализа развития кластеров на уровне регионов являются предметом широкой дискуссии в научных кругах, то вначале был проведён анализ практики использования коэффициента локализации (localization quotient, LQ) для целей идентификации кластеров. Далее, для проведения исследования была выбрана методика расчёта кластерной специализации региона, предложенная Линдквистом и скорректированная авторами с учётом особенностей экономической структуры РФ, и проведена оценка её влияния на размеры валового регионального продукта. Для оценки кластерной специализации региона были рассчитаны следующие показатели: «Коэффициент локализации», «Размер кластера» и «Фокус кластера» для 37 кластеров в 80 регионах РФ в период с 2011 - 2015 гг. Если величина какого – либо из этих показателей превышала пограничное значение, то кластеру присуждалась звезда. Далее путём сложения «звёзд» по каждому кластеру, относящемуся к конкретному региону, был рассчитан показатель, отражающий кластерную специализацию региона. На основании проведённых расчётов были подтверждены гипотезы о наличии положительной взаимосвязи между кластерной специализацией регионов и размерами их ВРП в период с 2011 по 2015 гг. Как следствие, было подтверждено наличие положительных агломерационных эффектов, возникающих в результате высокой кластерной специализации региона. Предложенный инструментарий может служить ориентиром для разработки и обоснования государственной промышленной кластерной политики.

КЛАСТЕРНАЯ СПЕЦИАЛИЗАЦИЯ РЕГИОНОВ, КОЭФФИЦИЕНТ ЛОКАЛИЗАЦИИ, ВАЛОВЫЙ РЕГИОНАЛЬНЫЙ ПРОДУКТ, ГОСУДАРТСВЕННАЯ КЛАСТЕРНАЯ ПОЛИТИКА.

ANALYSIS OF THE RELATIONSHIP BETWEEN CLUSTER SPECIALIZATION AND GROSS REGIONAL PRODUCT

Development of structural elements determines growth of economic systems as a whole. Clusters are structural elements of regions. Regions may be considered as meso - level of country macro system. The aim of the current research is to estimate influence of regional cluster specialization on gross regional product (GRP). Therefore, we test hypotheses that there is positive relationship between regional cluster specialization and GRP in short and long run periods. In order to test these hypotheses we use main theoretical and methodological aspects for cluster identification using «top-down» approach. Firstly, we discuss practice of using localization quotient (LQ) for cluster identification and show various approaches for determining its cut-off value. After that, we discuss research method, proposed by Lindquist, for analysis of regional cluster specialization and its influence on gross regional product. In order to assess regional cluster specialization we calculate «Localization quotient», «Size» and «Focus» for 37 clusters at 80 regions of Russia during 2011 – 2015. We award cluster a star, if the value of «Localization quotient», «Size» or «Focus» exceed their cut off value. Further, we summarize stars of all the clusters, presented in a particular region, in order to calculate cluster specialization of the region. Finally, we conduct regression analysis and confirm hypotheses concerning existence positive relationship between level of cluster specialization and GRP during 2011 – 2015 period. Consequently, we confirm existence of positive agglomeration effects, which appear as a result high regional cluster specialization. These results and instruments may be reference points for development and rationalization of government cluster policy.

REGIONAL CLUSTER SPECIALIZATION, LOCALIZATION QUOTIENT, GROSS REGIONAL PRODUCT, CLUSTER POLICY.

Introduction

Создание и развитие кластеров позволяет раскрыть потенциал региона и укрепить его конкурентоспособность [11, 22]. Такие характеристики, как размер, уровень локализации и фокус кластеров определяют объем и качественный уровень знаний, циркулирующих между предприятиями и организациями, входящими в исследуемый кластер [10, 7]. Как следствие, развитие кластеров должно приводить к появлению синергетических эффектов, положительно сказывающихся на росте экономики региона [2, 18, 20], и укреплению его инновационного потенциала [17, 21]. При этом, вне зависимости от типа кластера, остается открытым вопрос оценки влияния кластерной специализации на экономику региона [9, 23].

В данной статье авторы придерживаются подхода «сверху» к идентификации кластеров. В рамках этого подхода предполагается, что на основании макроэкономических данных о структуре занятости в регионе можно определить «критическую массу» ядра кластера и сформировать «эталонные кластеры». Соответствие конкретного кластера эталону определяет его относительную силу и конкурентоспособность. Кроме того, чем больше развита кластерная специализация региона, тем больше положительных экстерналий генерируется внутри него [5, 16].

Использование коэффициента локализации (location quotient, LQ) [3] для идентификации кластеров в регионах и определения направлений их специализации является распространенной практикой в рамках подхода «сверху» [4, 8]. Пограничные значения LQ, в соответствии с которыми определяется наличие кластера на данной территории, являются актуальной темой для дискуссии в научной литературе [12]. Учёные продолжают использовать произвольное пограничное значение LQ, как унифицированную меру во всех исследованиях, игнорируя тот факт, что невозможно определить одно правильное значение LQ, которое будет верным для всех случаев [14].

Для того, чтобы преодолеть необходимость определять пограничное значение LQ случайным образом, О’Доногхью и Глив предлагают использовать стандартизированное значение коэффициента локализации (standardized LQ, SLQ) в процессе идентификации кластеров с целью определения регионов, где концентрация определённых кластеров исключительно высокая. Таким образом, значение SLQ должно быть выше 1,96 в случае использования двухстороннего теста и 1,65 в случае одностороннего. Пьеро - Сигнес и др. развили данную идею и предложили классификацию силы концентрации кластера на основании значений SLQ. Так, если значение SLQ находится между 1,25 и 1,96, то это «низкосконцентрированный кластер» («low concentrated cluster»), если между 1,96 и 3, то это «среднесконцентрированныйкластер» («medium concentrated cluster»), и если SLQ выше 3, то это «высокосконцентрированный кластер» («higly concentrated cluster»). Основное ограничение в использовании SLQ состоит в том, что значения LQ должны быть нормально распределены, что напрямую зависит от того, как исходные данные по занятости населения агрегированы по регионам и секторам экономики [13].

С другой стороны, можно отсортировать значения LQ по конкретному кластеру и разбить совокупность наблюдений на персентили. Таким образом, кластер будет считаться локализованным, если значение LQ будет находиться выше определенного персентиля. Наиболее жесткое ограничение предлагает накладывать Линдквист, считая, что значения LQ должны быть выше двух, что соответствует, грубо говоря, 10% всех кластерных групп и регионов [10]. Наиболее слабое ограничение предлагают накладывать Дельгадо, Портер и Стерн, считая, что кластер локализован, если значения LQ находятся выше 75^ого процентиля [1]. Европейская кластерная обсерватория с 2014 использует методику, по которой LQ должен быть выше 80^ого процентиля [6]. Такой подход позволяет более гибко подходить к вопросу определения пограничного значения LQ, так как в каждом случае значение его абсолютной величины будет определяться индивидуально и зависеть от кластерной структуры объекта исследования.

На основании LQ был также основан ряд методик, с помощью которых можно проводить детальный анализ кластерной структуры региона. Их разработка была обусловлена необходимостью измерять не только уровень кластерной специализации региона [10], но и кластерную силу регионов [6, 19]. Наиболее интересной адаптацией LQ для цели анализа и идентификации кластеров, по-нашему мнению, является методология, разработанная Г. Линдквистом [10] и использовавшаяся Европейской кластерной обсерваторией до 2014 года. В рамках данной методологии наличие и развитие положительных экономических экстерналий, влияющих на деятельность предприятий, входящих в кластер, определяется наличием определенной «критической массы» ядра кластера. Вследствие этого, сформированные «эталонные» ядра кластеров должны быть исследованы на предмет наличия заданной «критической массы», определяющей относительную силу и конкурентоспособность местного кластера. В особенности это актуально для исследования кластерной структуры РФ, так как в научной литературе отсутствуют исследования, в которых был бы проведен расчёт кластерной специализации регионов РФ и оценивалось бы её влияние на размеры валового регионального продукта.

Таким образом, цель данного исследования состоит в оценке влияния кластерной специализации регионов РФ на размеры их валового регионального продукта (ВРП).

Методика исследования

Рассмотрим методику оценки влияния кластерной специализации на валовый региональный продукт, состоящую из четырёх этапов.

На первом этапе исследования авторы определили состав «эталонных» ядер кластеров с использованием синтетического подхода, предложенного М. Портером [15]. В соответствии с этим подходом были установлены соответствия между кодами европейского классификатора NACE, используемыми Европейской кластерной обсерваторией для идентификации кластеров, и российского ОКВЭД. В результате данной адаптации был определен перечень видов экономической деятельности по ОКВЭД с учетом доступной детализации данных для 37 ядер кластеров, которые в данном исследовании были приняты за кластерные эталоны.

На втором этапе авторы провели идентификацию кластеров. Существование кластеров предполагает подтверждение гипотезы их существования на заданной территории, что достижимо с использованием статистического инструментария в соответствии с методикой, предложенной Линдквистом [10]. Идентификация кластеров происходит на основании предельных значений «Коэффициента локализации» (1), «Размера кластера» (2) и «Фокуса кластера» (3). Если значение факторов превышает пороговое, то считается, что изучаемый кластер достиг достаточной «критической массы» для генерации положительных внешних эффектов и связей. Данные показатели рассчитываются по статистике занятости и в математическом виде отражаются следующим образом [10]:

(1)

где LQ – «Коэффициент локализации»; – количество занятых в кластере j в регионе i; – общее количество занятых в регионе i; – количество занятых кластере j; – общее количество занятых в экономике страны.

(2)

где Size – «Размер кластера»; – количество занятых в кластере j в регионе i; – количество занятых кластера j.

(3)

где Focus – «Фокус кластера»; – количество занятых кластера j в регионе i; – количество занятых в регионе i.

Линдквист - шведский экономист из Европейской кластерной обсерватории - в качестве пороговых значений, характеризующих значимые кластеры в регионе, устанавливает следующие критерии [10]:

1) «Коэффициент локализации» (3.1) ≥ 2;

2) регион должен входить в число 10% регионов, лидирующих по «Размеру кластера» (3.2);

3) регион должен входить в число 10% регионов, лидирующих по «Фокусу кластера» (3.3).

Выполнение условия по каждому показателю означает присвоение кластеру 1 «звезды». Таким образом, максимально тот или иной кластер может получить 3 «звезды». Количество «звезд» определяет силу кластера на заданной территории.

Кроме того, ни одна из «звезд» не может быть присвоена в случае, если общая численность работников ядра кластера не превосходит 1000 человек.

В итоге, реализация описанной методологии позволяет получить данные о количестве и силе исследуемых кластеров по всем регионам исследуемой страны (группы стран).

В нашем исследовании в качестве порогового значения LQ предлагается использовать величину 1,3. Выбор более низкого порогового значения коэффициента локализации в сравнении с методологией Европейской кластерной обсерватории определен спецификой российского бизнеса и доступной статистической базы. Так, использованная статистика численности занятых по видам деятельности не включает индивидуальных предпринимателей. При этом, большая доля численности работников формируется за счет крупных предприятий, а широкое распространение их территориальных отделений приводит к тому, что в большинстве регионов будет существовать определенная численность занятых по каждому кластеру, хотя им и не будет присуща сильная конкурентная позиция в отрасли.

Использование критериев Европейской кластерной обсерватории дает возможность, во-первых, оценить силу кластеров в том или ином регионе по количеству присвоенных «звезд», а, во-вторых, идентифицировать регионы, в которых исследуемые кластеры являются значимыми. Выявление подобных регионов позволяет говорить, как о существовании межтерриториальных кластеров, учет которых позволяет проводить более эффективную региональную политику, так и о существовании конкурирующих «очагов» концентрации соответствующих отраслей, способных «оттягивать» на себя занятость других кластеров за счет действия на их территории более значимых положительных агломерационных экстерналий.

На третьем этапе для расчёта кластерной специализации конкретных регионов были сложены «звезды», полученные всеми кластерами в регионе i в момент времени t. По – мнению Линдквиста, данный подход позволяет отразить уровень кластерной специализации региона [10].

На четвёртом этапе в соответствии с моделью, предложенной Линдквистом, была проведена оценка влияния кластерной специализации региона на размеры ВРП с использованием эконометрического инструментария.

В рамках первой модели проверялась гипотеза о наличии взаимосвязи между кластерной специализации в регионе i и размерами ВРП в момент времени t. Данная модель может быть представлена следующим образом:

(4)

где:

– переменная, отражающая общий уровень кластерной специализации экономики региона i в момент времени t. Данная переменная рассчитывается путем сложения «звезд», полученных всеми кластерами в регионе i в момент времени t по результатам оценки «коэффициента локализации», «размера кластера» и «фокуса кластера.

Далее тестировалась гипотеза о наличии взаимосвязи между уровнем кластерной специализации экономики региона i в момент времени t-1 и уровнем его ВРП в момент времени t. В данном случае проверялось наличие или отсутствие причинно – следственной связи между кластерной специализацией в предыдущем году и объемами ВРП в текущем. В обобщенном виде модель, на основании которой будет проверяться данная гипотеза, может быть записана в следующем виде:

(5)

где:

– переменная, отражающая общий уровень развития кластерной структуры экономики региона i в момент времени t-1.

В конце проверялась гипотеза о наличии взаимосвязи между кластерной специализацией региона в 2011 году и величиной ВРП в 2011 – 2015 годах. В данном случае мы предполагаем, что наличие кластера в регионе в базовом году оказывает постоянное воздействие на объемы ВРП в регионах РФ в последующих годах, что представлено в модели 3. В общем виде модель, которая использована для проверки гипотезы, выглядит следующим образом:

(6)

где:

– переменная, отражающая общий уровень кластерной специализации региона i в 2011 году.

Полученные результаты

Результаты анализа представлены в таблице 1. На основании полученных данных можно заключить, что существует значимая положительная взаимосвязь между уровнем кластерной специализации регионов и размерами их ВРП. Причем данная взаимосвязь сохраняется как в краткосрочном, так и в долгосрочном периодах, объясняя 30,4% и 32,1% вариации соответственно. В целом, каждая дополнительная «звезда», присваиваемая региону на основании анализа характеристик его кластерной специализации, ассоциируется с более высокими уровнями ВРП как в краткосрочном, так и в долгосрочном периоде. То есть повышение уровня кластерной специализации какого-либо кластера в данном регионе будет благоприятно сказываться на объемах ВРП.

Таблица 1 Результаты анализа влияния уровня развития кластерной структуры на объемы ВРП

	Модель 1	Модель 2	Модель 3
Уровень развития кластерной структуры в текущем периоде	0,0581***
Уровень развития кластерной структуры в текущем периоде	(0,00461)
Уровень развития кластерной структуры в периоде t-1		0,0602***
Уровень развития кластерной структуры в периоде t-1		(0,00455)
Уровень развития кластерной структуры в базовом периоде – 2011 году			0,0599***
			(0,00438)
Константа	11,65***	11,63***	11,65***
Константа	(0,0848)	(0,0828)	(0,0795)
Количество наблюдений	400	400	400
R²	0,285	0,305	0,321
R²adjusted	0,283	0,304	0,319
Среднеквадратичная ошибка	0,935	0,922	0,908

В скобках представлены стандартные ошибки коэффициентов регрессии

*** p<0,01, ** p<0,05, * p<0,1 – уровни значимости коэффициентов

Как следствие, более высокая кластерная специализация региона порождает положительные агломерационные эффекты за счет высокой географической концентрации и солокализации кластеров в регионах РФ. Таким образом, можно заключить, что поставленные гипотезы, поставленные на втором этапе исследования, подтверждены и развитие кластерной специализации регионов оказывает положительное влияние на объемы их ВРП.

Выводы

В рамках данного исследования были рассмотрены основные аспекты использования LQ для идентификации кластеров на заданной территории. На основании анализа научной литературы и международной практики использования LQ, как основы для идентификации и всестороннего анализа уровня развития кластера, были выделены наиболее перспективные методики и подходы. В качестве базовой методики была выбрана методика Линдквиста, позволяющая оценивать относительный уровень развития кластерной специализации региона. В результате исследования были рассчитаны такие показатели для 37 кластерных групп в 83 регионах РФ в период с 2011-2015 гг., как «Коэффициент локализации», «Размер кластера» и «Фокус кластера». На основании результатов этих расчётов был оценен уровень кластерной специализации каждого региона в период с 2011 по 2015 гг. Далее, была проведена оценка влияния уровня развития кластерной специализации в регионе на размеры ВРП. По результатам оценки были подтверждены гипотезы о наличии положительной взаимосвязи между уровнем развития кластерной специализации в регионе и размерами ВРП в период с 2011 по 2015 гг. Как следствие, было подтверждено наличие положительных агломерационных эффектов, возникающих в результате высокой кластерной специализации региона. Предложенный инструментарий может служить ориентиром для разработки и обоснования государственной кластерной политики; инвестиций, направленных на стимулирование инновационного развития экономики регионов; создания инфраструктуры кластеров, системы законодательного и финансового обеспечения деятельности кластеров.

Направления дальнейших исследований

Авторы планируют расширить и модифицировать методику, предложенную Лингвистом, и использовать её не только для оценки уровня локализации кластеров на заданной территории, но и для оценки других параметров, характеризующих кластеры. Таким образом, можно будет измерить не только кластерную специализацию региона, но и его силу, выражающуюся в успешности работы кластера с точки зрения динамики изменения его экономических показателей. Разработанная методика позволит производить оценку влияния каждого отдельного кластера и его характеристик на экономику регионов. Таким образом, можно будет оценить мультипликативный эффект развития конкретных кластеров в регионах и определить те кластеры, которые генерируют положительные агломерационные экстерналии.

Благодарности

Исследование выполнено в рамках гранта Президента Российской Федерации.

Список литературы

1. Delgado M., Porter M. E., Stern S. Defining clusters of related industries //Journal of Economic Geography. 2015. Т. 16. №. 1. С. 1-38.

2. Gutman S.S., Zaychenko I.M., Kalinina O.V. Selection of strategy implementation tool for shipbuilding cluster of Arkhangelsk Oblast // 29th International Business Information Management Association Conference - Education Excellence and Innovation Management through Vision 2020: From Regional Development Sustainability to Global Economic Growth, IBIMA. 2017. С. 1430-1438.

3. Hoover E.M. The measurement of industrial localization //The Review of Economic Statistics. 1936. С. 162-171.

4. Isard W. et al. Methods of interregional and regional analysis. Oxford: Routledge, 2017. 279 с.

5. Ketels C., Lindqvist G., Sölvell Ö. Strengthening clusters and competitiveness in Europe //The Role of Cluster Organisations. The Cluster Observatory. – 2012. – 56 c.

6. Ketels C., Protsiv S. European cluster panorama 2014. Stockholm: Center for Strategy and Competitiveness, Stockholm School of Economics, 2014. 69 с.

7. Kiese M., Hundt C. Cluster Policies, Organising Capacity and Regional Resilience: Evidence from German Case Studies; Clusterpolitik, Organisationskapazität und regionale Resilienz: Ergebnisse deutscher Fallstudien //Raumforschung und Raumordnung. 2014. Т. 72. №. 2. С. 117-131.

8. Kopczewska K. et al. Measuring Regional Specialisation: A New Approach. Springer, 2017. 465 c.

9. Kudryavtseva T., Rodionov D., Skhvediani A. An empirical study of information technology clusters and regional economic growth in Russia //SHS Web of Conferences. EDP Sciences, 2018. Т. 44. С. 1 - 11.

10. Lindqvist G. Disentangling Clusters: Agglomeration and Proximity Effects. Stockholm School of Economics, 2009. - 313 p.

11. Mikhaylov A. Information Technology Cluster in Kaliningrad Region: An Eternal Initiative or Launch Pad? //Social and Economic Geography. 2015. Т. 1. №. 1. С. 16-22.

12. Morrissey K. A location quotient approach to producing regional production multipliers for the Irish economy //Papers in Regional Science. 2016. Т. 95. №. 3. С. 491-506.

13. O’Donoghue D., Gleave B. A note on methods for measuring industrial agglomeration //Regional Studies. 2004. Т. 38. №. 4. С. 419-427.

14. Peiró-Signes A. et al. The effect of tourism clusters on US hotel performance //Cornell Hospitality Quarterly. 2015. Т. 56. №. 2. С. 155-167.

15. Porter M. E. Clusters and the new economics of competition. – Boston: Harvard Business Review, 1998. Т. 76. №. 6. С. 77-90.

16. Protsiv S. Methodology and findings report for a cluster mapping of related sectors // Stockholm: European Cluster Observatory, 2014. 41 c.

17. Rodionov D.G., Rudskaya, I.A. Regıonal Innovatıve Envıronment in Natıonal Economıc Development (The Case of Russia) // International Journal of Ecology & Development. 2017. № 32(4). С. 20-28.

18. Rudskaya I.A. et al. Comprehensive evaluation of Russian regional innovation system performance using a two-stage econometric model //Revista ESPACIOS. 2018. Т. 39. №. 04.

19. Slaper T.F., Harmon K.M., Rubin B.M. Industry Clusters and Regional Economic Performance: A Study Across US Metropolitan Statistical Areas //Economic Development Quarterly. 2018. Т. 32. №. 1. С. 44-59.

20. Wolman H., Hincapie D. Clusters and cluster-based development policy //Economic Development Quarterly. 2015. Т. 29. №. 2. С. 135-149.

21. Бабкин А.В., Мерзликина Г.С., Пшеничников И.В. Совершенствование модели инновационного регионального кластерообразования//Научно-технические ведомости СПбГПУ. Экономические науки. 2015. № 4 (223). С. 129-139.

22. Бабкин А.В., Новиков А.О. Кластер как субъект экономики: сущность, современное состояние, развитие //Научно-технические ведомости Санкт-Петербургского государственного политехнического университета. Экономические науки. 2016. №. 1 (235). C. 9 - 29.

23. Схведиани А.Е. Анализ взаимосвязи между уровнем развития кластера "информационные технологии" и размерами валового регионального продукта // Инновационные кластеры цифровой экономики: драйверы развития: труды научно-практической конференции с международным участием. Под редакцией А.В. Бабкина. - СПб.: Санкт-Петербургский политехнический университет Петра Великого, 2018. - С. 142 - 146.

List of references