CC BY
0
ИССЛЕДОВАНИЕ РАЗВИТИЯ ИННОВАЦИОННОЙ ДЕЯТЕЛЬНОСТИ НЕФТЕГАЗОВЫХ РЕГИОНОВ С ИСПОЛЬЗОВАНИЕМ КРОСС-МЕТОДИЧЕСКОГО ПОДХОДА1
ЛЕБЕДЕВА Маргарита Евгеньевна, [email protected], Институт экономики и организации промышленного производства Сибирского отделения Российской академии наук, Новосибирск, Россия ORCID: 0000-0002-5289-1074
В статье исследуется влияние инноваций на социально-экономическое развитие нефтегазовых регионов России. Применяется кросс-методический подход, включающий кластерный анализ, анализ панельных данных и когнитивное моделирование. Каждый метод выполняет свою функцию в процессе исследования: кластерный анализ - многофакторная систематика регионов, анализ панельных данных - получение количественных оценок влияния ресурсных и инновационных факторов на ВРП и когнитивное моделирование - построение сценарных прогнозов социально-экономического развития нефтегазового региона. В результате выявлены особенности взаимодействия нефтегазового сектора и сферы инновационной деятельности, определен характер их влияния на рост экономики регионов РФ.
Ключевые слова: социально-экономическое развитие, ВРП, технологии, импортозамещение, природные ресурсы, кластерный анализ, группировка, панельный анализ, когнитивное моделирование, прогнозирование.
DOI: 10.47711/0868-6351-197-111-125
Перспектива экономического роста России напрямую связана с возможностями развития экономики регионов. Определение круга регионов, обладающих наилучшими условиями для эффективного освоения природных ресурсов, развития промышленности и инновационной сферы создает возможность концентрации усилий на достижении общих целей экономического роста. В этом круге достойное место отводится регионам, где ведется добыча углеводородного сырья (УВС). Нефтегазовый сектор (НГС) может создавать значительный спрос на отечественные инновационные технологии. Важность же диверсификации закупок технологий, машин и оборудования, импортозамещения возрастает с каждым годом. Независимость НГС России от импорта технологий и оборудования является одним из условий экономической безопасности страны - устойчивости хозяйственной системы к политическим и экономическим шокам.
Для оценок инновационного развития регионов исследователи используют широкий набор инструментов: общие методы статистического анализа, эконометриче-ский анализ, кластерный анализ и др. В [1] предложена классификация экономико-математических моделей, созданных для оценки уровня инновационного развития российских регионов. Существенный вклад в исследование инновационной деятельности регионов России внесли работы [2-9]. Свою методику оценки инновационного развития регионов РФ предложил Независимый институт социальной политики [10]. Разработкой индекса инновационности регионов занимался Центр стратегических разработок «Северо-Запад» [11]. Начиная с 2012 г. коллективом исследователей НИУ ВШЭ составляется рейтинг инновационного развития субъектов РФ [12].
1 Статья подготовлена по результатам исследований, проводимых в рамках плана НИР ИЭОПП СО РАН по Проекту 5.6.3.2. (0260-2021-0004) «Ресурсные территории Востока России и Арктической зоны: особенности процессов взаимодействия и обеспечения связанности региональных экономик в условиях современных научно-технологических и социальных вызовов».
Проблемам инновационного развития ресурсных регионов и нефтегазового сектора, как составной части региональных социально-экономических систем, посвящено относительно небольшое число исследований, а состояние и перспективы использования инноваций в минерально-сырьевом секторе обсуждаются, в основном, применительно к отраслевому и национальному уровням. В качестве примеров можно привести работы [13-20].
Несмотря на имеющийся задел, сохраняется актуальность дальнейшего исследования, с учетом российских особенностей, взаимодействия нефтегазового и инновационного секторов как на отраслевом, так и на региональном уровне. Как нефтегазовые регионы различаются между собой по уровню инновационной активности? Какие возможности и ограничения для инновационного развития влечет нефтегазовая специализация региона? Множество решаемых исследовательских задач требует применения разнообразных инструментов анализа, что является предпосылкой для использования кросс-методического подхода.
Предлагаемый кросс-методический подход включает следующие три этапа.
1. Сначала проводится экономическая систематика (классификация, типизация) регионов РФ с выделением типологических групп методом кластерного анализа.
2. Далее для анализа общих тенденций и оценки влияния факторов на экономическое развитие, в целом по всей совокупности регионов России и на примере типологических групп регионов, используется метод панельного анализа данных.
3. И наконец, на третьем этапе, для выбранного региона строится нормативный сценарный прогноз экономического развития при помощи метода когнитивного моделирования, что позволяет ответить на вопросы: «Что нужно сделать? Какие меры предпринять, чтобы улучшить ситуацию?».
При выделении типологических групп (кластеров) регионов имеется в виду их статистическая однородность, т. е. допускается некоторая вариация региональных показателей внутри выделенных кластеров. Поэтому построение сценарного прогноза для региона, выбранного из однородной группы, учитывает индивидуальные значения характерных для него показателей. Важно при этом, что основные общие выводы, полученные при построении сценарного прогноза для выбранного региона, можно распространить на все регионы соответствующей типологической группы. Однако для получения конкретных рекомендаций требуется индивидуальный анализ характерных черт каждого региона.
Кросс-методический подход к выявлению особенностей влияния ресурсной обеспеченности и инновационной деятельности на экономическое благосостояние территорий сформировался в совместных исследованиях с В.В. Шматом в последние несколько лет. Отдельные вариации этого подхода, примеры его применения для анализа разных экономических проблем представлены в [21-25].
Компоненты кросс-методического подхода при исследовании влияния инноваций на социально-экономическое развитие нефтегазовых регионов. Рассмотрим модули предлагаемого кросс-методического подхода: кластерный анализ, панельный анализ данных и когнитивное моделирование.
Кластерный анализ (методом ^средних) в построении классификации регионов. Для целей классификации была составлена общая выборка из 83 регионов России. Параметры кластеризации включают показатели уровня социально-экономического развития и ресурсной обеспеченности, состояния инновационной деятельности и накопления человеческого капитала2 (табл. 1). Статистические данные по факторам кластеризации собраны за период 2000-2018 гг. и по стоимостным показателям приведены в сопоставимые цены 2018 г. Получены средние значения факторов за весь период по каждому региону. Как крайние точки среди объектов кластеризации (вы-
2 Источником данных для параметров кластеризации являются выпуски статистического сборника «Регионы России. Социально-экономические показатели», публикуемогоРосстатом. URL: https://rosstat.gov.ru/folder/210/documenl/13204
бросы) выделяются города Москва и Санкт-Петербург, Московская область (высокие значения факторов), Чукотский автономный округ и Магаданская область (низкая численность населения ведет к крайне высоким относительным значениям факторов). Эти регионы были исключены из анализа, группировка осуществляется среди оставшихся 78 регионов.
Таблица 1
Параметры кластеризации
ВРП (на душу населения) Инвестиции в основной капитал (на душу населения)
Отгружено товаров собственного производства, выполнено работ и услуг собственными силами (без НДС, акцизов и других аналогичных платежей) по виду экономической деятельности «Добыча нефти и природного газа; предоставление услуг в этих областях» (на душу населения)
Объем инновационных товаров, работ, услуг (на душу населения)
Затраты на технологические инновации (на общее число организаций)
Используемые передовые производственные технологии (единиц на общее число организаций) Внутренние затраты на научные исследования и разработки (на душу населения) Доля населения с высшим образованием в общей численности занятых Численность населения
При помощи кластерного анализа методом ¿-средних было выявлено шесть существенно различающихся типологических групп регионов, включая три группы нефтегазовых регионов и три - ненефтегазовых регионов. Состав полученных кластеров представлен в табл. 2. Средние значения признаков для регионов каждого кластера приведены в табл. 3.
Таблица 2
Состав кластеров по результатам кластеризации выборки из 78 регионов России
Нефтегазовые 1 (4)* Нефтегазовые регионы с моноотраслевой экономикой. Высокий уровень большинства рассматриваемых факторов. Низкий уровень затрат на НИОКР Ненецкий автономный округ, Ханты-Мансийский автономный округ - Югра, Ямало-Ненецкий автономный округ, Сахалинская область
2 (6) Нефтегазовые регионы с диверсифицированной экономикой. Такие показатели, как «Доля населения с высшим образованием» и «Затраты на исследования и разработки», выше, чем в первом кластере Республика Татарстан, Пермский край, Самарская область, Тюменская область (без АО), Красноярский край, Томская область
3 (6) Нефтегазовые регионы с низкой инновационной активностью Республика Коми, Астраханская область, Удмуртская Республика, Оренбургская область, Иркутская область, Республика Саха (Якутия)
^ Ненефтегазовые с 4 (14) Регионы с уровнем инновационной активности выше среднего Нижегородская, Свердловская, Челябинская, Калужская, Тульская, Ярославская, Липецкая, Мурманская, Новгородская, Вологодская, Ленинградская, Архангельская области (без АО); республики Башкортостан, Мордовия
5 (32) Регионы - «середняки» Новосибирская, Воронежская, Белгородская, Ростовская, Ульяновская, Пензенская, Омская, Смоленская, Рязанская, Кемеровская, Саратовская, Тамбовская, Владимирская, Калининградская, Тверская, Курская, Кировская, Волгоградская, Орловская, Костромская, Псковская, Курганская, Амурская области; Забайкальский, Хабаровский, Краснодарский, Приморский, Камчатский края; республики Карелия, Хакасия, Чувашская Республика, Еврейская АО
6 (16) кобках Замыкающие регионы. Показатели в среднем более низкие, чем в пятом кластере указано число регионов, относящихся к кл Ивановская, Брянская области; Алтайский, Ставропольский края; республики Бурятия, Марий Эл, Адыгея, Северная Осетия-Алания, Алтай, Тыва, Калмыкия, Ингушетия, Дагестан, Кабардино-Балкарская, Карачаево-Черкесская, Чеченская астеру.
Таблица 3
Показатели по кластерам, усредненные за период 2000-2018 гг.
Показатель Кластер Россия
1 2 3 4 5 6
ВРП
Тыс. руб./чел. 2868 514 476 363 298 174 475
% к РФ 604 108 100 76 63 37 100
Инвестиции в основной капитал
Тыс. руб./чел. 644 106 100 78 66 41 94
% к РФ 688 113 107 83 70 44 100
% к душевому ВРП по группе 22 21 21 22 22 24 —
Объем производства по виду деятельности «Добыча нефти и газа»
Тыс. руб./чел. 2504 162 238 2 4 2 79
% к РФ 3174 206 301 3 5 3 100
% к ВРП по группе 87 32 50 1 1 1 —
Объем инновационных товаров, работ, услуг
Тыс. руб./чел. 77 53 10 24 8,7 3,8 20,8
% к ВРП по группе 3 10 2 7 3 2 —
Затраты на технологические инновации
Тыс. руб./организация 1331 448 220 337 124 49 216
Используемые передовые производственные технологии
Ед./тыс. организаций 65 46 40 77 40 22 38
Внутренние затраты на научные исследования и разработки
Тыс. руб./чел. 3 5 2 5 2,2 0,5 6,2
Доля населения с высшим образованием в общей численности занятых (средняя)
% 26 27 24 24 26 28 29
В первые три кластера вошли 16 нефтегазовых регионов. Первый кластер (типологическая группа регионов) включает четыре главных нефтегазовых региона России - в этих регионах сложилась моноотраслевая ресурсная экономика с бесспорно ведущей ролью нефтегазодобывающей промышленности. Во второй кластер входят шесть регионов с уровнями добычи углеводородов значительно меньшими, чем в регионах первого кластера, но с весьма диверсифицированной экономикой. Третий кластер состоит из шести регионов, в которых в среднем еще более низкий уровень добычи углеводородов и сравнительно низкий уровень инновационной активности.
Кластеры с четвертого по шестой представлены ненефтегазовыми регионами (и регионами, где добыча углеводородов крайне низкая). В четвертый кластер выделились 14 развитых регионов с высокими показателями ВРП, инвестиций в основной капитал и инновационной деятельности. Пятый кластер, самый многочисленный, состоит из 32-х регионов со средними относительными показателями экономики. Шестой кластер (16 регионов) представлен регионами с низкими уровнями рассматриваемых показателей.
В итоге была получена классификация регионов России с учетом параметров развития экономики, инновационной деятельности и ресурсообеспеченности.
Панельный анализ данных - модель с фиксированными эффектами. На этом этапе выявляется функциональная зависимость между динамикой душевого ВРП
регионов России и факторами ресурсной обеспеченности, инновационной деятельности и накопления человеческого капитала (используются те же статистические данные, что и на этапе кластерного анализа).
Характер влияния компонентов экономической системы на рост благосостояния у разнотипных регионов имеет свою специфику: он зависит от масштабов региональной экономики, степени ее диверсификации, от наличия развитого научно-образовательного комплекса и от многих других факторов. Поэтому дальнейший анализ проводится для каждого выделенного кластера регионов отдельно.
Для выбора наилучшей спецификации панельной регрессии: регрессии пула, модели с фиксированными эффектами или модели со случайными эффектами необходимо попарно сравнивать эти варианты между собой, используя тесты Вальда, Бройша-Пагана и Хаусмана или, как альтернативу, тест Мундлака. На основании данных тестов была выбрана модель с фиксированными эффектами, чаще всего применяемая исследователями при работе с региональными панельными данными.
Для каждого из кластеров оценивается уравнение регрессии с фиксированными индивидуальными эффектами:
Vit = ßtx IKut-2 +ß2x Nit + ß3x ITit + ßAx TIi,t-1 + + ß5x STit + ß6x IRit +ß7x Cit + at + sit, где: i - индекс региона; t - период времени; Уц - валовой региональный продукт (ВРП); IKi t-2 - инвестиции в основной капитал (с лагом в два года); Nit - добыча нефти и газа; 1Тц - объем инновационных товаров, работ и услуг; TIi,t-i - затраты на технологические инновации (с лагом в один год); БТц - число используемых передовых производственных технологий; 1Яц - внутренние затраты на научные исследования и разработки; Сц - доля лиц с высшим образованием в общей численности занятых; ß^ - коэффициенты при независимых факторах; щ - ненаблюдаемые фиксированные эффекты, характеризующие специфические особенности регионов (культурные, институциональные и др.), не изменяющиеся во времени; £ц - случайные ошибки модели.
Судя по полученным оценкам регрессии, эффект от роста инвестиций в основной капитал имеет значение для всех кластеров. Добыча нефти и газа ожидаемо имеет высокое значение для всех кластеров нефтегазовых регионов. Фактор «Объем инновационных товаров и услуг» имеет положительные значимые оценки для ненефтегазовых регионов, но оказался незначим для кластеров нефтегазовых. При этом показатели (уровни) этого фактора в среднем значительно выше для нефтегазовых регионов первого и второго кластеров относительно прочих. Несмотря на это, в кластерах нефтегазовых регионов создание новых товаров не оказывает серьезного влияния на динамику ВРП.
«Затраты на технологические инновации» ожидаемо значимы для ненефтегазовых инновационных регионов. Данный фактор также значим для регионов третьего и шестого кластеров - с малыми факторными показателями - ввиду низкой базы. Для первого, второго и пятого кластеров влияние на ВРП фактора затрат на технологические инновации регрессионной моделью не улавливается - он незначим. «Количество передовых технологий» оказывает значительное влияние на ВРП ненефтегазовых регионов в четвертом и пятом кластерах. Среди нефтегазовых регионов фактор значим для третьей группы -неинновационных регионов. Для прочих групп фактор оказался незначим.
«Затраты на исследования и разработки» положительно значимы для всех кластеров, кроме второго - нефтегазовых инновационных регионов. «Человеческий капитал» положительно значим для всех кластеров, большее влияние оказывает на ВРП инновационных регионов второй и четвертой группы.
Отсутствие статистически значимого влияния факторов инновационной деятельности на динамику ВРП нефтегазовых регионов (кластеры 1-3) может быть объяс-
нено особенностями региональной экономики и ее взаимодействия с НГС. Инновационный потенциал отрасли в значительной степени задействуется через инвестиции в основной капитал. Этот фактор «перетягивает» на себя влияние фактора «Затраты на технологические инновации», потому что НГС большей частью приобретает необходимые ему технологии в готовом виде за пределами регионов добычи. Осуществленные затраты на инновационные машины, оборудование дают прирост основного капитала, ведут к увеличению добычи и росту налоговых отчислений в региональный бюджет. Однако это не затрагивает инновационную сферу самого региона, не запускает работу его научно-образовательного комплекса и машиностроения.
В регионах с высоким уровнем добычи углеводородов (первый кластер) отдача от инноваций в НГС может быть слабо заметной вследствие высокой естественной продуктивности сырьевой базы, а их стоимость, несмотря на значительную абсолютную величину, составляет слишком малую долю в общей сумме затрат и доходов. В регионах же со средним и малым уровнем добычи и, кроме того, в ближайшей перспективе - со снижающимся прогнозным трендом добычи (второй и третий кластеры) - новые товары и услуги, технологии, необходимые компаниям НГС для интенсивного освоения истощающихся месторождений, помогают продлевать период получения стабильного уровня прибыли, поддерживая текущий уровень добычи углеводородов. Тем самым инновации на определенный период «возмещают» убытки от истощения месторождений, а не создают стимулы для дополнительного роста. Но уже и это обстоятельство для регионов со средним и низким уровнем добычи является важным и позитивным хотя бы потому, что налоговые поступления от НГС составляют значимую часть доходов региональных бюджетов. А создание инновационных товаров и услуг, технологий при наличии постоянного спроса со стороны НГС помогает развиваться сектору исследований и разработок, высшего образования, что дает толчок для развития всех связанных отраслей.
Когнитивное моделирование при анализе экономической системы региона. Результаты панельного анализа могут получить качественное развитие с помощью инструментария когнитивного моделирования ситуации в отдельно взятом регионе. В нашем случае в качестве примера взята Томская область, принадлежащая к типологической группе нефтегазовых инновационных регионов.
Томская область представляет особый интерес, поскольку она в определенной мере является «малой моделью» всей России. Экономика региона имеет структуру, схожую с общероссийской; близки показатели, характеризующие уровень социально-экономического развития. В социально-экономической системе Томской области существенную роль играют НГС, обрабатывающая промышленность и научно-образовательный комплекс (НОК). Сырьевая база НГС представлена как старыми, давно разрабатываемыми, так и новыми, слабоизученными, перспективными объектами. При этом ухудшающиеся условия добычи на старых традиционных месторождениях, равно как и трудности освоения новых сложных ресурсных объектов, требуют применения инновационных технологий.
В набор факторов когнитивной модели экономики Томской области вошли статистически значимые факторы модели панельной регрессии, а также ряд дополнительных, которые было проблематично отразить в регрессионной модели (табл. 4). По всем количественным факторам собраны статистические данные за 2008-2018 гг. с пересчетом в цены 2018 г.5
3 Источником данных для когнитивной модели являются выпуски статистического сборника «Регионы России. Социально-экономические показатели», публикуемого Росстатом, URL: https://rosstat.gov.ru/folder/
210/document/13204; статистический ежегодник Томской области за 2012-2018 гг.,
URL: https://tmsk.gks. ru/folder/3 7342; отчет о налоговой базе и структуре начислений по НДПИ (форма № 5 — НДПИ) за 2008-2018 гг., в разрезе субъектов РФ, публикуемый Федеральной налоговой службой, URL: https://www.nalog.rU/rn89/related_activities/statistics_and_analytics/forms/#t1
Таблица 4
Факторы когнитивной модели экономики Томской области
Тип влияющего фактора Название фактора (показатели) Обозначение фактора
Базовые ресурсные факторы Ресурсы нефти и газа (в показателях добычи, млн т н. э.) Человеческий капитал (накопленные затраты на формирование, млрд руб.) Нефть Человеческий капитал
Опосредующие финансовые потоки Инвестиции в основной капитал, млрд руб. Собственные доходы бюджета, млрд руб. Трансферты из федерального бюджета, млрд руб. Издержки производства (себестоимость проданных товаров, продукции, работ, услуг, млрд руб.) Затраты на технологические инновации, млрд руб. Инвестиции Бюджет Трансферты Издержки Инновации
Главные хозяйственные комплексы Нефтегазовый сектор (объем выпуска, млрд руб.) Обрабатывающая промышленность (объем выпуска, млрд руб.) Научно-образовательный комплекс (ВДС*, млрд руб.) НГС Промышленность НОК
Обеспечивающие факторы Инфраструктура (ВДС, млрд руб.) Уровень технологий (качественная переменная) Уровень развития социальной сферы (качественная переменная) Инфраструктура Технологии Социальная сфера
Внешние факторы Внешняя конъюнктура (цены на нефть, долл./барр.) Внешние риски - финансовые, политические, регуляторные и проч. (качественная переменная) Цены Риски
Целевой фактор Уровень развития экономики (ВРП, млрд руб.) ВРП
*Примечание: ВДС — валовая добавленная стоимость.
Основным инструментом когнитивного моделирования является когнитивная карта ситуации, изображаемая в виде ориентированного графа (рис. 1). Вершины графа соответствуют факторам модели, а направленные дуги, характеризующиеся знаками и параметрами интенсивности, отражают взаимовлияния между факторами. Ориентированному графу «вменяется» квадратная матрица смежности, состоящая из коэффициентов взаимовлияния между факторами.
Вычислительные процедуры когнитивного моделирования проводятся на основе инструментария матричной алгебры и подразделяются на три этапа. Первый этап -это моделирование (имитация) саморазвития ситуации. Динамику системе на этом этапе придают вводимые исследователем слабые импульсные воздействия на факторы модели. На втором этапе исследуется управляемое развитие ситуации: изменение системы в связи с вариацией управляющих факторов, выбранных исследователем. Третий этап представляет собой решение обратной задачи: нахождение значений управляющих факторов, требующихся для достижения заданного значения целевого фактора. Более подробное описание методики когнитивного моделирования приводится в [26]. Примеры использования данного инструментария в области экономических исследований представлены в [27, с. 202-205].
Построенная когнитивная модель анализируется в разрезе трех прогнозных сценариев до 2028 г.: консервативного, базового и оптимистичного. Сценарии отличаются параметрами начального импульсного воздействия на систему. В рамках базового сценария также рассмотрены подсценарии научно-технологического развития, в этом случае предполагаются дополнительные управляющие воздействия (табл. 5).
ВРП 1
1
- -> I 1 1 1 1 1 1 I 1 1 1
* 1 1
1
Бакеые ресурсные факторы 1 1 1 1 1 --+ 1 Опосредующие финансовые потоки 1 1 I 1 1 1 1
Несть Июестнции
1
1 1 1
1 1 1 1 , 1 --> <--
-:— 1 1 1 1
'-ггсвеческий кагитал —а- Бюджет
— 1 1 —
-1-4
! |[ -->
т 1 —г 1 1 1 | 1 1 1 | 1 | 1 | 1 .
<— 1 1 1 1 1 1 1 1 1 * 1 1 1 1 1 1 1 1 1 .1.
—1 Трансферты
Главные хо]яйс_венные 1!
г 1 11 1 11 11 11 1 1 I
—=- <- —> Издержки
—>■ Н"С 1 1 1 1 1 1 1 1 1 1 1 1 _ 1 1 --г *- 1 1 1 1 1 —^ —> —> -+Т--
—> —
— 1 1 1 1 1 1 1 111 1 | 1 1 | 1 | 1 | 11 1 |
Промышленность <— < <- Инновации
—г-—^
—> — 1 1 "Т 1 1 1 1 —> —^
— —=• — <-- --1 -г 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 -ч-1 1 1 1 1 1 1 11 1 | | 1 1 | I I 1 | II 1 | 1 |
НОК Обеспечивающие факторы
1 — Инфраструктура
—> - -
1 | 1 | 1 | | 1 !!
1 —
Внешние факторы 1 1 1 --1- —-- Технсгони
Цены 1 1
г> 1 1 1 1 1 1
1 1 ! 1 _| 1
Т 1 1 1 1 1 1 г 1 1 ! | 1 | 1 !! _| |
^иски
и 1 1 Социальная сфеэа
1 1 1
1 1 -1 1 1 1
<-- 1 J
- Полсштлные свяли
---СЬрицагельные связи
Рис. 1. Когнитивная карта социально-экономической системы Томской области
Таблица 5
Параметры импульсных и управляющих воздействий в прогнозных сценариях развития экономики Томской области до 2028 г.
Сценарии Импульсы Подсценарии Управляющие воздействия
Консервативный Нефть (-0,1%) Цены (-8,3%) Риски (7%)
Базовый Нефть (1,4%) Цены (-3,1%) Риски (2%) Импорт технологий Традиционная технологическая специализация Научно-технологическое лидерство Инновации (5%) НОК (2%) Инновации (15%) НОК (5%) Инновации (30%) НОК (10%)
Оптимистичный Нефть (2%) Цены (1,2%) Риски (-7%)
Прогнозные среднегодовые темпы прироста добычи углеводородного сырья рассчитаны в соответствии со сценариями Стратегии социально-экономического развития Томской области до 2030 г.4; цен на нефть - по Прогнозу социально-экономического развития РФ на период до 2036 г.5; параметры рисков приняты согласно сценариям.
Для каждого сценария получены прогнозные оценки показателей, отражающих рост факторов модели. Согласно расчетам, при саморегулировании ситуации в консервативном и даже базовом сценарии прогнозируется отрицательный прирост ВРП. Только в оптимистичном сценарии при увеличении объема добычи углеводородов, положительной динамике цен на нефть и снижении внешних рисков возможен положительный рост ВРП и прочих факторов экономической системы (рис. 2).
Рис. 2. Рост факторов модели в оптимистичном прогнозе, 2028 г. в % к 2 018 г.
4 Официальный интернет-портал Администрации Томской области. Стратегия социально-экономического развития Томской области до 2030 года. URL: https://tomsk.gov.ru/ctrategija-sotsialno-ekonomicheskogo-razvitija-tomskoj-oblasti-do-2030-goda
5 Прогноз социально-экономического развития Российской Федерации на период до 2036 года. 2018. 47 с.
Второй этап моделирования в рамках базового сценария показал, что приложение к системе одновременных значительных управляющих воздействий по факторам «Инновации» и «НОК» (см. табл. 5) способно изменить положение дел - в этом случае возможен переход от стагнирующей экономики к экономике роста. Темпы прироста ВРП в подсценариях «импорт технологий», «традиционная технологическая специализация» и «научно-технологическое лидерство» достигают в прогнозном периоде, соответственно 4%, 11% и 24%, или в среднегодовом выражении -0,4%, 1,1% и 2,2% (рис. 3).
%
80 -70 -60 -50 -40 -30 -20 -10 -0
■
I
ш
I
I
I
4?
/
<4^
Рис. 3. Темпы прироста факторов модели в подсценариях научно -технологического развития, 2028 г. в % к 2018 г.: ■ импорт технологий; ЕЗ традиционная технологическая специализация; Ш научно-технологическое лидерство
На третьем этапе решается обратная задача с подбором параметров - темпов прироста по факторам, через которые осуществляются управляющие воздействия для
достижения целевого темпа прироста ВРП (рис. 4).
%
60
40
-20
И ■
1 Ш ИР
111 111
О
И О
к
та
к N
Рис. 4. Расчетные значения интенсивности управляющих воздействий, необходимых для достижения целевого прироста ВРП в 2028 г. на 10% по сравнению с 2018 г.
80
20
0
Расчеты говорят о необходимости наибольшей интенсивности воздействий по стимулированию инвестиций в основной капитал, затрат на технологические инновации и научно-образовательного комплекса (роста валовой добавленной стоимости в сфере образования и НИОКР). Требуемые среднегодовые темпы прироста управляющих факторов: «Инвестиции» - 6%; «Инновации» - 5,9%; «НГС» - 2%; «Промышленность» - 3,3%; «НОК» - 5,3%; «Инфраструктура» - 2,4%; «Риски» - -2,1%. Активизация управляющих воздействий ведет также к повышению темпов роста
обрабатывающей промышленности и ускорению технологического развития (рис. 5).
%
Рис. 5. Рост факторов модели при решении обратной задачи, 2028 г. в % к 2018 г.
Интересно, что фактор «Инновации» в регрессионной модели на основе ретроспективных данных для регионов второго кластера был определен как незначимый. В решении когнитивной модели именно он в сочетании с факторами «Инвестиции» и «НОК» требует приложения максимальных управляющих воздействий. Таким образом, когнитивная модель (в отличие от регрессии) выявляет недостаточность взаимодействий между элементами сложившейся экономической системы и указывает
на необходимость ее эволюции с усилением инновационной составляющей.
* * *
Проведенное исследование позволило выявить следующие закономерности взаимодействия НГС и сферы инновационной деятельности. Во-первых, в регионах с наиболее высокими уровнями добычи углеводородов и умеренной степенью истощения их геологических запасов, где НГС находится в стадии активного развития и, тем более, возрастающей добычи, а инновационный сектор развит слабо, - даже высокие затраты на инновации в НГС не создают стимулов к технологическому развитию и диверсификации региональной экономики. В этом случае нет достаточной мотивации для технологического развития, ресурсы разрабатываются экстенсивно, требуемые технологии и оборудование приобретаются за пределами региона и чаще всего импортируются.
Во-вторых, в регионах с низким уровнем добычи углеводородов и слабо развитым инновационным сектором отсутствуют условия, необходимые для осуществления инновационного роста региональной экономики. Это нефтегазовые регионы, имеющие сравнительно малую по размерам сырьевую базу, находящиеся в фазе ранней или затухающей добычи; НГС здесь не генерирует достаточной ренты, на основе которой можно было бы инвестировать в разработки и инновации.
В-третьих, в регионах со сравнительно высокими уровнями добычи и исчерпания ресурсов, где НГС находится в фазе зрелости, а сектор инновационной деятельности хорошо развит, имеются предпосылки и возможности для роста и диверсификации региональной экономики за счет технологического развития НГС на базе регионального инновационного сектора. Сочетание ресурсной специализации с научно-технологическим прогрессом в регионах такого типа является наиболее благоприятным направлением социально-экономического развития в долгосрочной перспективе.
Диверсификация экономики нефтегазовых регионов позволит уменьшить негативные последствия постепенного спада в добывающем сегменте НГС, вызванного истощением геологических запасов месторождений на их территории. Сегодня большое количество месторождений уже характеризуются высокой степенью выра-ботанности6, и для их дальнейшей эксплуатации необходимы все более сложные технологии добычи. Значительная часть ресурсов полезных ископаемых не может быть вовлечена в хозяйственный оборот (превращена в реальный капитал) без существенной модернизации технологий.
Возможности существенного влияния НГС на технологическое развитие региона ограничены сравнительно непродолжительным периодом. Наибольшая отдача может иметь место на стадии зрелости и начальной фазы падающей добычи, когда возникает и усиливается потребность в инновациях (из-за падения продуктивности запасов и эффективности добывающего производства), но еще генерируется достаточно большой доход (источник средств для создания и внедрения инноваций). Спрос на инновации может быть еще довольно велик, т. е. будет иметь место и эффект масштаба. В долгосрочной перспективе (на стадии затухания), эффект масштаба будет исчезать, требуемые инновации будут становиться все дороже, а источники для их финансирования будут сокращаться. Сегодня, в «исторически» краткосрочном аспекте, существует возможность активизации «ресурсного мультипликатора» [28, с. 44; 29, с. 102], направленного на развитие связанных с НГС отраслей, приобретение технологической независимости добывающего сектора, усиление инновационной составляющей экономики России.
Инновационное развитие НГС предполагает эффективное импортозамещение технологий, оборудования, специализированных инженерно-технических услуг, мотивированное целенаправленной государственной политикой, внешними санкционными ограничениями, истощением традиционных месторождений. Компании НГС затрачивают крупные средства на импорт необходимых технологий, материалов, оборудования и машин. Было бы полезно направить этот спрос на развитие отечественных разработок и производств для нужд НГС. Важной задачей государства является продолжение усилий в направлении импортозамещения, создание условий, при которых разработка, а главное, внедрение отечественных инноваций, станут выгоднее их импорта.
Выбор точек приложения усилий в направлении возможного импортозамещения включает:
6 Государственный доклад о состоянии и использовании минерально-сырьевых ресурсов Российской Федерации в 2020 году / гл. ред. Е.И. Петров, Д.Д. Тетенькин. Министерство природных ресурсов и экологии Российской Федерации. Федеральное агентство по недропользованию (Роснедра). М., 2021. 568 с. Сс. 22, 42, 51, 66. URL: https://www.rosnedra.gov.ru/article/13931.html
- поиск видов инновационных технологий, производство которых экономически целесообразно в России;
- проработку локализации таких производств - определение территорий, обладающих необходимыми компетенциями в области технологических разработок для НГС, существующими успешными производствами, готовыми образцами аналогов импортных позиций, налаженными связями с ресурсодобывающими компаниями;
- поиск зарубежных партнеров для совместной работы над инновациями, создание альянсов российских компаний НГС с зарубежными для разработки новых, а также трансфера и адаптации существующих технологий;
- детальное оформление механизмов развития отечественного высокотехнологичного производства для НГС.
Проведенное исследование показало, что нефтегазовый сектор может стать локомотивом инновационного развития в тех нефтегазовых регионах, где уже накоплен определенный научно-технологический потенциал. Для этого требуется серьезное изменение подхода к сотрудничеству НГС с научно-образовательной сферой -прежде всего, с ее региональными сегментами. Построение эффективной цепочки взаимодействий позволит через генерацию новых знаний осуществлять проекты, связанные с продолжением освоения уже выявленных ресурсов углеводородного сырья, а также с разработкой нетрадиционных источников и видов ресурсов.
Литература / References
1. Дроговоз ПЛ., Драгун E.A. Обзор и классификация экономико-математических моделей оценки инновационного развития регионов России // Российский экономический вестник. 2019. Т. 2. M 5. С. 59-бб. [DrogovozP.A., Dragun E.A. Obzor i klassifikatsiya ekonomiko-matematicheskikh modelei otsenki innovatsion-nogo razvitiya regionov Rossii // Russian Economic Bulletin. 2019. Т. 2. No. 5. S. 59-бб. (In Russ.)]
2. Погодина Т.В. Экономический анализ и оценка инновационной активности и конкурентоспособности регионов Приволжского федерального округа//Экономический анализ: теория и практика. 2004. M 5 (20). С. 1б-22. [Pogodina T.V. Ekonomicheskii analiz i otsenka innovatsionnoi aktivnosti i konkurentosposobnosti regionov Privolzhskogo federal'nogo okruga//Economic Analysis: Theory andPractice. 2004. Mb 5 (20). S. 1б-22. (In Russ.)]
3. Aпатова Н.В. Экономико-математическая модель инновационного развития региона // Ученые записки Таврического национального университета имени В.И. Вернадского. Серия: Экономика и управление. 2009. Т. 22 (61). M 1. С. 3-S. [Apatova N.V. Ekonomiko-matematicheskaya model' innovatsionnogo razvitiya regiona // Scientific Notes of Taurida National V. Vernadsky University. Series: Economy and Management. 2009. T. 22 (б1). No. 1. S. 3-S. (In Russ.)]
4. Владимирова О.Н. Методические подходы к формированию рейтинга инновационной восприимчивости региона // Инициативы XXI века. 2010. M 4-5. С. 6S-72. [Vladimirova O.N. Metodicheskie podkhody k formirovaniyu reitinga innovatsionnoi vospriimchivosti regiona//InitsiativyXXI veka. 2010. No. 4-5. S. 6S-72. (In Russ.)]
5. Доничев О.А, Мищенко З.В., Фраймович Д.Ю. Моделирование инновационно-воспроизводственного развития региона на основе многоуровневой характеристики интегрального показателя // Экономика, статистика и информатика. Вестник УМО. 2012. M 3. С. 125-130. [Donichev O.A., Mishchenko Z.V., Fraimovich D.Yu. Modelirovanie innovatsionno-vosproizvodstvennogo razvitiya regiona na osnove mnogourovnevoi kharakteristiki integral'nogo pokazatelya // Economics, Statistics and Informatics. Vestnik UMO. 2012. No. 3. S. 125-130. (In Russ.)]
6. КаневаM.A., Унтура r.A. Модели оценки влияния экономики знаний на экономический рост и инновации регионов / Отв. ред. В.И. Суслов. Новосибирск, ИЭОПП СО РЯН. 2021. 256 с. [Kaneva M.A., Untura G.A. Modeli otsenki vliyaniya ekonomiki znanii na ekonomicheskii rost i innovatsii regionov / Otv. red. V.I. Suslov. Novosibirsk, IEIE SB RAS. 2021. 25б s. (In Russ.)]
7. Гусев A£. Формирование рейтингов инновационного развития регионов России // Наука. Инновации. Образование. 2009. Т. 4. M1. С. 158-173. [Gusev A.B. Formirovanie reitingov innovatsionnogo razvitiya regionov Rossii //Nauka. Innovatsii. Obrazovanie. 2009. T. 4. No. 1. S. 15S-173. (In Russ.)]
S. Паньшин И.В., Кашицына Т.Н. Совершенствование методологии компонентной оценки уровня развития инновационной инфраструктуры, региона //Региональная экономика: теория и практика. 2009. M 30. С. 43-53. [Pan'shin I.V., Kashitsyna T.N. Sovershenstvovanie metodologii komponentnoi otsenki urovnya razvitiya innovatsionnoi infrastruktury regiona // Regional Economics: Theory and Practice. 2009. No. 30. S. 43-53. (In Russ.)]
9. Самаруха A.B., Дулесов A.H., Краснов Г.И. Эффективность инновационных процессов в ходе трансформации региональной экономики // Известия Иркутской государственной экономической академии. 2009. M 2. С. 4S-53. [Samarukha A.V., Dulesov A.N., Krasnov G.I. Effektivnost' innovatsionnykh protsessov v khode transformatsii re-gional'noi ekonomiki //Izvestiya of Irkutsk State Economics Academy. 2009. No. 2. S. 4S-53. (In Russ.)]
10. Aлексеев AM., Aндpеев Е.М., Белозеров В.С. и др. Россия регионов: в каком социальном пространстве мы живeм? //Независимый институт социальной политики. М.: Изд-во Поматур, 2005. 27S с. ISBN5-S620S-174-7. [Alekseev A.I., Andreev E.M., Belozerov V.S. et al. Rossiya regionov: v kakom sotsial'nomprostranstve my zhivem? //Nezavisimyi institut sotsial'noi politiki. M. : Izdatel'stvo Pomatur, 2005. 27S s. (In Russ.)]
11. Доклад «Научно-технологический форсайт РФ: региональный аспект». Центр стратегических разработок «Северо-Запад». URL: https://www.csr-nw.ru/files/csr/file_category_172.pdf. [Doklad «Nauchno-tekhnologicheskii forsait RF: regional'nyi aspekt». The Center for Strategic Research «Nord-West». (In Russ.)]
12. Абашкин В.Л., Абдрахманова Г.И., Бредихин С.В. и др. Рейтинг инновационного развития субъектов Российской Федерации. М., Национальный исследовательский университет «Высшая школа экономики», 2021. 274 с. ISBN978-5-7598-2390-2. DOI 10.17323/978-5-7598-2390-2. [V.L. Abashkin, G.I. Abdrakhmanova, S.V. Bredikhin et al. Reiting innovatsionnogo razvitiya sub'ektov Rossiiskoi Federatsii. M., HSE University, 2021. 274 s. (In Russ.)]
13. Andersen A.D., Marin A., Simensen E.O. Innovation in natural resource-based industries: a pathway to development? Introduction to special issue // Innovation and Development. 2018. № 8 (1). Pp. 1-27. DOI: 10.1080/2157930X. 2018.1439293
14. Sasson A., Blomgren A. Knowledge based oil and gas industry / Research Report. 3/2011. BI Norwegian Business School, Department of Strategy and Logistics. 2011. 131 p.
15. Sabel C., Herrigel G. Collaborative innovation in the Norwegian oil and gas industry: Surprise or sign of a new economy-wide paradigm? //Petroleum Industry Transformations. Routledge. 2018. Pp. 231-248.
16. Fernandez V. Innovative intensity in the mining industry: Evidence from patent families // Resources Policy. 2022. № 78. 102805. DOI: 10.1016/j.resourpol.2022.102805
17. Akinwale Y.O. Empirical analysis of inbound open innovation and small and medium-sized enterprises' performance: Evidence from oil and gas industry // South African Journal of Economic andManagement Sciences. 2018. No. 21 (1). a1608. DOI: 10.4102/sajems. v21i1.1608
18. Соколов Н.А., Ларин С.Н. Перспективы развития нефтегазового сектора российской экономики в условиях реализации программ импортозамещения // Бюллетень науки и практики. Электронный журнал. 2018. Т. 4. № 1. С. 191-206. URL: http://www.bulletennauki.com/sokolov-na [SokolovN.A., Larin S.N. Perspektivy razvitiya neftegazovogo sektora rossiiskoi ekonomiki v usloviyakh realizatsii programm importozameshcheniya. Bulletin of Science and Practice. 2018. T. 4. No. 1. S. 191-206 (In Russ.)]
19. Kryukov V., Tokarev A. Spatial trends of innovation in the Russian oil and gas sector: What does patent activity in Siberia and the Arctic reflect? //Regional Science Policy andPractice. 2022. No. 14 (1). Pp. 127-146. DOI: 10.1111/rsp3.12445
20. Samusenko S.A., Popodko G.I., Zimnyakova T.S. Empirical Analysis of Imperfections in Innovative Systems of Resource and Nonresource Regions of Russia // Regional Research of Russia. 2021. No. 11. Pp. 101-112. DOI: 10.1134/S2079970521010123
21. Лебедева М.Е. Развитие экономики знаний во взаимодействии с ресурсным сектором на примере Томской области // Интерэкспо ГЕО-Сибирь 2020. XVIМеждународный научный конгресс: сборник материалов в 8 т. Т. 3: Национальная научная конференция «Экономическоеразвитие Сибири и Дальнего Востока. Экономика природопользования, землеустройство, лесоустройство, управление недвижимостью». Новосибирск: СГУГиТ, 2020. № 1. С. 131-143. DOI: 10.33764/2618-981X-2020-3-1-131-143 [LebedevaM.E. Razvitie ekonomiki znanii vo vzaimodeistvii s resursnym sektorom na primere Tomskoi oblasti // Interexpo GEO-Siberia 2020. XVI The International Scientific Congress: conference materials. T. 3: Natsional'naya nauchnaya konfer-entsiya «Ekonomicheskoe razvitie Sibiri i Dal'nego Vostoka. Ekonomika prirodopol'zovaniya, zemleustroistvo, lesoustroistvo, upravlenie nedvizhimost'yu». Novosibirsk, SSUGT. 2020. No. 1. S. 131-143. (In Russ.)]
22. Лебедева М.Е., Шмат В.В. «Блеск и нищета» ресурсных экономик. Экономическая систематика стран мира на основе ресурсных и нересурсных признаков // ЭКО. 2020. № 3. С. 78-105. DOI: 10.30680/ECO0131-7652-2020-3-78-105 [LebedevaM.E., Shmat V.V. «Blesk i nishcheta» resursnykh ekonomik. Ekonomicheskaya sistematika stran mira na osnove resursnykh i neresursnykh priznakov // ECO. 2020. No. 3. S. 78-105. (In Russ.)]
23. Морозова М.Е., Шмат В.В. Среднесрочное прогнозирование российской экономики с использованием когнитивной модели // Проблемы прогнозирования. 2017. № 3. С. 19-25. [Morozova M.E., Shmat V.V. Medium-Term Forecasting of Russian Economy Using Cognitive Model // Studies on Russian Economic Development. 2017. Т. 28. No. 3. S. 253-258. (In Russ.)]
24. Морозова М.Е., Шмат В.В. Ресурсы как фактор экономической систематики при анализе потенциала развития стран и территорий //Интерэкспо ГЕО-Сибирь. XIV Международный научный конгресс. Международная научная конференция «Экономическое развитие Сибири и Дальнего Востока. Экономика природопользования, землеустройство, лесоустройство, управление недвижимостью»: сборник материалов в 2-х т. Новосибирск, СГУГиТ. 2018. Т. 2. С. 312-326. [MorozovaM.E., Shmat V.V. Resursy kak faktor ekonomicheskoi sistematiki pri analize potentsiala razvitiya stran i territorii // Interexpo GEO-Siberia. XIV The International Exhibition and Scientific Congress: «Ekonomicheskoe razvitie Sibiri i Dal'nego Vostoka. Ekonomika prirodopol'zovaniya, zemle-ustroistvo, lesoustroistvo, upravlenie nedvizhimost'yu»: conference materials. Novosibirsk, SSUGT. 2018. T. 2. S. 312-326. (In Russ.)]
25. Морозова М.Е., Шмат В.В. Когнитивный SWOT-анализ в стратегии социально-экономического развития региона // Экономика Сибири в условиях глобальных вызовов XXI века: сб. статей в 6-и т. Т. 2: Как превратить пространство из проклятия в ресурс развития. Новосибирск. ИЭОПП СО РАН, 2018. С. 244-259. [Morozova M.E., Shmat V.V. Kognitivnyi SWOT-analiz v strategii sotsial'no-ekonomicheskogo razvitiya regiona // Economy of Siberia under Global Challenges of the XXI Century: conference materials. Т. 2: Kak prevratit' prostranstvo iz proklyatiya v resurs razvitiya. Novosibirsk, IEIE SB RAS. 2018. S. 244-259. (In Russ.)]
26. Максимов В.И. Структурно-целевой анализ развития социально-экономических ситуаций // Проблемы управления. 2005. № 3. С. 30-38. [Maksimov V.I. Strukturno-tselevoi analiz razvitiya sotsial'no-ekonomicheskikh situatsii //Problemy upravleniya. 2005. No. 3. S. 30-38. (In Russ.)]
27. ЛебедеваМ.Е. Нечеткая логика в экономике—формирование нового направления //Идеи и идеалы 2019. Т. 11. № 1. Ч. 1. С. 197-212. DOI: 10.17212/2075- 0862-2019-11.1.1-197-212. [LebedevaM.E. Nechetkaya logika v ekonomike-formi-rovanie novogo napravleniya//Ideas and Ideals. 2019. T. 11. No. 1. Iss. 1. S. 197-212. (In Russ.)]
28. Широв А.А., Янтовский А.А. Оценка мультипликативных эффектов в экономике. Возможности и ограничения // ЭКО. 2011. № 2 (440). С. 40-58. [Shirov A.A., Yantovskii A.A. Otsenka mul'tiplikativnykh effektov v ekonomike. Vozmozhnosti i ogranicheniya // ECO. 2011. № 2 (440). S. 40-58. (In Russ.)]
29. Крюков ВА, Севастьянова АЕ, Токарев А.Н., Шмат В.В. Современный подход к разработке и выбору стратегических альтернатив развития ресурсных регионов // Экономика региона. 2017. Т. 13. Вып. 1. С. 93-105. DOI: 10.17059/2017-1-9[Kryukov VA., Sevast'yanova A.E., Tokarev AN, Shmat V.V. Sovremennyipodkhodkrazrabotke i vyboru strategicheskikh al'ternativ razvitiya resursnykh regionov //Economy of Regions. 2017. T. 13. No. 1. S. 93-105. (In Russ.)]
Статья поступила в редакцию 21.09.2022. Статья принята к публикации 27.10.2022.
Для цитирования: М.Е. Лебедева. Исследование развития инновационной деятельности нефтегазовых регионов с использованием кросс-методического подхода // Проблемы прогнозирования. 2023. № 2 (197). С. 111-125. БО!: 10.47711/0868-6351-197-111-125
Summary
A STUDY OF THE DEVELOPMENT OF INNOVATIVE ACTIVITIES IN OIL AND GAS REGIONS USING A CROSS-METHODOLOGICAL APPROACH
M.E. LEBEDEVA, Institute of Economics and Industrial Engineering, Siberian Branch of the Russian Academy of Sciences, Novosibirsk, Russia ORCID: 0000-0002-5289-1074
Abstract: The paper examines the impact of innovations on the socioeconomic development of the oil and gas regions of Russia. It applies a cross-methodical approach, including cluster analysis, panel data analysis and cognitive modeling. Each method performs its function in the research process: cluster analysis - multifactorial systematics of regions, analysis of panel data - obtaining quantitative estimates of the impact of resource and innovation factors on GRP, and cognitive modeling - building scenario forecasts for the socioeconomic development of an oil and gas region. As a result, the features of the interaction between the oil and gas sector and the sphere of innovation activity were revealed, and the nature of their influence on the growth of the economy of the regions of the Russian Federation was determined.
Keywords: socioeconomic development, GRP, technology, import substitution, natural resources, cluster analysis, grouping, panel analysis, cognitive modeling, forecasting.
Received 21.09.2022. Accepted 27.10.2022.
For citation: M.E. Lebedeva. A Study of the Development of Innovative Activities in Oil and Gas Regions Using a Cross-Methodological Approach // Studies on Russian Economic Development. 2023. Vol. 34. No. 2. Pp. 231-242. DOI: 10.1134/S1075700723020077
