CC BY
0
Научная статья УДК 332.146
https://doi.org/10.24158/tipor.2024.12.23
Оценка значимых факторов экономического развития муниципальных образований региона: пространственный анализ (на примере Ростовской области и Краснодарского края)
Ольга Юрьевна Патракеева1, Инна Васильевна Митрофанова2
■^Федеральный исследовательский центр Южный научный центр Российской академии наук, Ростов-на-Дону, Россия
2Волгоградский государственный университет, Волгоград, Россия [email protected], https://orcid.org/0000-0002-9320-2327 [email protected], https://orcid.org/0000-0001-5072-7070
Аннотация. Цель исследования заключается в выявлении значимых факторов и их прямых и внешних эффектов (экстерналий), влияющих на экономическую продуктивность территорий муниципальных образований Ростовской области и Краснодарского края. Основные задачи направлены на характеристику экономического пространства и определение территориальных кластеров опережающего развития и зон экономического спада рассматриваемых регионов. Применен пространственный эконометрический подход. Для проведения анализа авторами построены модели с пространственным лагом и модель c пространственным взаимодействием в ошибках на основе данных муниципальной статистики за 2023 г. Модельные расчеты показали, что общими значимыми факторами экономической продуктивности для Ростовской области и Краснодарского края являются: объем инвестиций в основной капитал, среднемесячная заработная плата работников организаций, плотность автодорог общего пользования местного значения с твердым покрытием. Для Ростовской области дополнительным фактором роста на муниципальном уровне определена среднесписочная численность работников организаций. Доказано наличие отрицательной пространственной автокорреляции экономической динамики между соседними муниципалитетами региона. Для обоих субъектов выявлены территориальные кластеры опережающего развития и зоны экономического спада.
Ключевые слова: муниципальные образования, экономическая динамика, инвестиции, транспортная инфраструктура, модель с пространственным лагом, модель c пространственным взаимодействием в ошибках Финансирование: публикация подготовлена в рамках реализации государственного задания ЮНЦ РАН, № проекта 122020100349-6.
Для цитирования: Патракеева О.Ю., Митрофанова И.В. Оценка значимых факторов экономического развития муниципальных образований региона: пространственный анализ (на примере Ростовской области и Краснодарского края) // Теория и практика общественного развития. 2024. № 12. С. 203-212. https://doi.org/10.24158/tipor.2024.12.23.
Original article
Evaluating Significant Economic Factors of Municipalities' Development Based on Spatial Analysis (The Case of Rostov Region and Krasnodar Krai)
Olga Yu. Patrakeeva1, Inna V. Mitrofanova2
12Federal Research Center Southern Scientific Center of the Russian Academy of Sciences, Rostov-on-Don, Russia
2Volgograd State University, Volgograd, Russia [email protected], https://orcid.org/0000-0002-9320-2327 [email protected], https://orcid.org/0000-0001-5072-7070
Abstract. The study aims to identify the significant factors and their direct and external effects (externalities) that influence the economic productivity of municipal entities in the Rostov Region and Krasnodar Krai. The principal tasks focus on characterizing the economic space and delineating territorial clusters of accelerated development alongside zones of economic decline in the specified regions. A spatial econometric approach has been applied. For the purposes of this analysis, authors designed SAR (spatial autoregressive model) and SEM (spatial error model) models based on municipal statistics data for 2023. Model calculations revealed that the common significant factors influencing economic productivity in both Rostov Region and Krasnodar Krai include the volume of investments in fixed capital, the average monthly wage of employees in organizations, and the density of paved local public roads. Moreover, for
© Патракеева О.Ю., Митрофанова И.В., 2024
Rostov region, an additional growth factor at the municipal level of municipalities is the average number of employees of organizations. Using the tools of spatial econometrics, the presence of a negative spatial autocorrelation of economic dynamics between neighboring municipalities of the region has been proved. Furthermore, for both subjects, based on calculations of local spatial aggregation indicators (LISA), territorial clusters of advanced development and zones of economic recession were identified. The results obtained can serve as a basis for developing a differentiated approach to determining the directions and tools for managing socio-economic development at the subregional level.
Keywords: municipalities, economic dynamics, investments, transport infrastructure, spatial autoregressive model, spatial error model
Funding: The publication was prepared as part of the implementation of the State Assignment of the SSC RAS, No. of state registration of the project 122020100349-6.
For citation: Patrakeeva, O.Yu. & Mitrofanova, I.V. (2024) Evaluating Significant Economic Factors of Municipalities' Development Based on Spatial Analysis (The Case of Rostov Region and Krasnodar Krai). Theory and Practice of Social Development. (12), 203-212. Available from: doi:10.24158/tipor.2024.12.23 (In Russian).
На уровне муниципальных образований происходит соприкосновение населения и хозяйствующих субъектов с результатами государственной политики по созданию комфортных условий для проживания и ведения экономической деятельности (Веприкова и др., 2022: 71). Основные подходы к выявлению значимых факторов экономической динамики основаны на применении агрегированных производственных функций; микроэкономическом анализе, предполагающем определение функций затрат/прибыли на уровне предприятий; построении VAR, SVAR, VECM моделей (Патракеева, 2021: 285). Разработке пространственных моделей на внутрирегиональном уровне посвящены исследования отечественных и зарубежных ученых. Ряд их касается оценки влияния человеческого капитала на экономическое развитие, механизма конвергенции экономик провинций Китая, вклада сети городских узлов на продуктивность городских систем (Wagner et al., 2017; Xu, Li, 2020; Lu et al., 2024); определения выгод и затрат реализации проектов в сфере городского транспорта и их влияния на распределение населения и занятости в контексте взаимосвязи рынков земли, труда и товаров для районов местного самоуправления Квинсленда (Австралия) (Lennox, 2023); влияния расширения железнодорожной инфраструктуры в разрезе 500 муниципалитетов в Нидерландах (Knaap, Oosterhaven, 2011).
Как отмечает В.М. Тимирьянова, связанность внутрирегионального пространства предполагает учет динамики экономических процессов, происходящих на сопредельных территориях (Тимирьянова, 2020: 49). Применение эконометрических моделей территориально распределенных экономических процессов, позволяющих выявить сетевые эффекты, важно для прогнозирования и управления при стратегическом планировании регионов и городов (Балаш, 2012: 34). Наиболее распространенными моделями, учитывающими функциональную связь между экономическим положением пространственного объекта и положением в его окрестностях, являются модели пространственного лага (SAR), пространственной ошибки (SEM), пространственной фильтрации, географически взвешенная регрессия (GWR), регрессия с режимами (Грекусис, 2021: 473).
Для оценки экономической динамики на уровне субъектов страны в основном используется валовой региональный продукт (ВРП) на душу населения (или индекс его физического объема). Результирующим показателем регионального развития определено отношение ВРП к численности экономически активного населения (Земцов, Смелов, 2018). Гипотезы о значимости влияния человеческого капитала, инвестиций в основной капитал, фактора транспортной доступности рынков сбыта, уровня технологического развития в целом нашли подтверждение, при этом сочетание факторов менялось в разные периоды времени. Для административно-территориальных единиц динамика валового муниципального продукта (ВМП) характеризует эффективность экономической деятельности и результативность субрегионального управления (Климова, Сахапова, 2017). Однако отсутствие единого подхода и рекомендаций со стороны Федеральной службы государственной статистики к оценке ВМП создает серьезную методологическую проблему.
Выделяются следующие методы расчета показателя: факторной оценки, распределительный, результирующий, производственный (Климова, Сахапова, 2017: 107). Каждый из них имеет достоинства и недостатки, соответственно, имеющийся методический инструментарий противоречив и в полной мере не может быть применен на практике. В настоящей работе в качестве аналога ВМП выбран показатель отгрузки товаров собственного производства, выполненных работ и услуг собственными силами (без субъектов малого предпринимательства) как измеритель производственной активности на субрегиональном уровне (Тимирьянова и др., 2021: 54).
На рис. 1 представлено распределение данного показателя по муниципальным образованиям Ростовской области. В рамках первого квартиля [85,337 : 2063,753] сгруппированы районы с наименьшими объемами выпуска отгруженной продукции - преимущественно муниципалитеты северо- и юго-востока области. Второй и третий квартиль ([2254,150 : 8362,642] и [8477,872 : 21959,964]) составляют территории, обладающие потенциалом роста производства. К четвертому [23215,012 : 748268,110] - отнесены наиболее экономически активные муниципалитеты, в том числе крупные города, имеющие широкий рынок сбыта продукции.
Рисунок 1 - Карта распределения экономической активности в разрезе муниципалитетов Ростовской области (по данным за 2023 г.)
Figure 1 - Map of Economic Activity Distribution by Municipalities of the Rostov Region (Based on Data for 2023)
Экономическая продуктивность распределена в пространстве неравномерно, сконцентрирована в мегаполисе (Ростов-на-Дону) и тяготеющих к нему районах (Аксайский район, г. Новочеркасск, Азов, Таганрог), а также на урбанизированных территориях или в формирующихся крупных городских агломерациях - Восточно-Донбасском (Красносулинский, Белокалитвинский районы, г. Каменск-Шахтинский, Шахты) и Волгодонском (г. Волгодонск) полюсах роста, а также в перспективном аграрно-индустриальном кластере - Миллеровском районе. На их долю приходится 84,2 % отгруженных товаров собственного производства, выполненных работ и услуг собственными силами, коэффициент вариации показателя - 2,8.
Для производственной деятельность Краснодарского края также характерна территориальная неоднородность (коэффициент вариации - 1,7), однако в меньшей степени по сравнению с Ростовской области. Экономическая активность, измеряемая объемом отгруженной продукции, сконцентрирована в муниципальных образованиях, относящихся к четвертому квартилю [67269,266 : 640254,689] - Абинском, Северском, Славянском, Темрюкском, Тимашевском районах, Краснодаре, Новороссийске, Анапе и Сочи (рис. 2). На долю этих территорий проходится 75,4 % выпуска товаров, выполненных работ и услуг собственными силами. Районы с наименьшим объемом отгруженной продукции отнесены к первому квартилю [4358,682 : 15775,458]. Второй и третий квартили составляют муниципалитеты ([17051,02 : 26074,647] и [33059,396 : 58220,571]), тяготеющие к городским агломерациям и имеющие перспективы развития за счет пространственной близости к рынкам сбыта и возможностям развития кооперационных связей.
Как отмечалось выше, на экономическую динамику оказывают влияние инвестиционная активность, инфраструктурная обеспеченность, накопленный человеческий капитал. В данной работе в качестве основных рассмотрим следующие факторы и оценим их вклад в экономическое развитие обоих регионов: индикаторами человеческого капитала определены среднесписочная численность работников организаций и среднемесячная заработная плата сотрудников организаций; индикатором инфраструктурного капитала - плотность автодорог общего пользования местного значения с твердым покрытием.
1 Все таблицы и рисунки составлены авторами.
Ф Qu an tile: Otgr
+ Ф |3, ^ V " I в S
Рисунок 2 - Карта распределения экономической активности в разрезе муниципалитетов Краснодарского края (по данным за 2023 г.)
Figure 2 - Map of Economic Activity Distribution by Municipality in Krasnodar Krai (Based on Data for 2023)
Неслучайное географическое распределение экономической активности и других факторов развития территорий оказывает существенное влияние на точность классических регрессионных моделей, которые основываются на предположении о независимости наблюдений. При наличии пространственной автокорреляции последнее отвергается, а применение классических моделей приводит к получению смещенных оценок. Следовательно, при работе с пространственными данными необходимо определить наличие глобальной или локальной пространственной автокорреляции (Грекусис, 2021: 225-226).
Для проверки гипотезы о значимости факторов на уровне муниципальных образований нами были выбраны модели SAR (формула (1)) и SEM (формула (2)):
Y = const + WY + ах1 + bx2 + сх3 + dx4 + е £ ~ N(0, а2) Y = const + ах1 + bx2 + сх3 + dx4 + и
(1)
U = ÄWU + £ (2)
где Y - отгруженные товары собственного производства, выполненные работы и услуги собственными силами (без субъектов малого предпринимательства), млн руб.;
WY - пространственный лаг отгруженных товаров собственного производства, выполненных работ и услуг собственными силами (без субъектов малого предпринимательства), млн руб.; х1 - объем инвестиций в основной капитал (за исключением бюджетных средств), млн руб.; х2 - среднемесячная заработная плата работников организаций (без субъектов малого предпринимательства), руб.;
х3 - плотность автодорог общего пользования местного значения с твердым покрытием, км на 1000 кв. км;
х4 - среднесписочная численность работников организаций (без субъектов малого предпринимательства), человек.
Для выявления пространственной зависимости рассчитывается глобальный индекс Мо-рана и множители Лагранжа - Lagrange Multiplier (SAR, SEM) (Robust LM (SAR, SEM)). Данные критерии оцениваются при создании модели классической регрессии (OLS) и позволяют понять, какую спецификацию следует применить: пространственную регрессию или можно ограничиться результатами OLS (Грекусис, 2021: 474). Выбор подходящей модели для Ростовской области опирался на оценки критериев, представленных в табл. 1.
Таблица 1 - Диагностика пространственной зависимости (Ростовская область)
Table 1 - Diagnostics of Spatial Dependence (Rostov Region)
Тест Значение p - value
Moran's I (error) -1,9861 0,04702
Lagrange Multiplier (SAR) 14,0222 0,00018
Robust LM (SAR) 10,3294 0,00131
Lagrange Multiplier (SEM) 4,3895 0,03616
Robust LM (SEM) 0,6967 0,40389
Расчеты показали, что оба множителя Лагранжа значимы: Lagrange Multiplier (SAR) = = 14,0222 (p = 0,00018) и Lagrange Multiplier (SEM) = 4,3895 (p = 0,03616), однако робастные множители Лагранжа указывают на предпочтительность применения модели пространственного лага - SAR (Robust LM (SAR) = 10,3294, p = 0,00131; Robust LM (SEM) = 0,6967, p = 0,40389).
Тест Moran's I (error) указывает на наличие пространственной автокорреляции в остаточных ошибках. Оценки модели SAR для муниципалитетов Ростовской области рассчитаны методом максимального правдоподобия и приведены в табл. 2.
Таблица 2 - Оценки модели SAR (Ростовская область)
Table 2 - SAR Model Estimates (Rostov Region)
Регрессоры Коэффициент Статистическая ошибка
const -78533,5*** 20 900,1
p (wY) -0,220*** 0,059
Xi 6,197*** 1,202
X2 1,906*** 0,483
Xs 7,335*** 1,737
0,634* 0,342
R2 0,973
*** 1 %-ный, 10 %-ный уровни значимости
Параметр пространственной авторегрессии p является отрицательным и статистически значимым, что свидетельствует о соседстве территорий с высокой экономической активностью с муниципалитетами, характеризующимися относительно низкой продуктивностью. Отрицательные экстерналии указывают на особый характер связанности экономического пространства, в рамках которого снижение или прекращение производства в одном муниципалитете стимулирует темпы экономической деятельности в соседствующих районах для удовлетворения спроса на продукцию (Тимирьянова и др., 2021: 54).
Все рассматриваемые факторы статистически значимы. Количественные отклики результирующего показателя в зависимости от изменения инвестиций в основной капитал (хх) и плотности сети автомобильных дорог местного уровня (х3) сопоставимы (6,197 и 7,335 соответственно) и выше, чем отклики на изменение других показателей.
Соответственно, инвестиции в основные фонды и, в том числе, в расширение дорожной сети, способствующие повышению совокупной факторной производительности и снижению общих транспортных издержек, являются детерминантами экономического роста и развития промышленного производства. Заработная плата (х2) и занятость (х4) также имеют положительное влияние на динамику отгруженной продукции.
Глобальный индекс пространственной автокорреляции (Moran's I) указывает на наличие кластеризации в значениях отгруженной продукции, но не позволяет определить конкретное местоположение кластеров. Для его определения следует использовать локальный индекс Морана (LISA). Высокие положительные оценки последнего указывают на формирование кластера «Высокий - Высокий» (High - High), то есть муниципалитеты, имеющие высокий уровень производства окружены территориями с высоким уровнем экономической активности.
Если значения индекса низкие, то имеет место кластер «Низкий - Низкий» (Low - Low), в котором районы с низким значением показателя окружены пространственными объектами с аналогичными характеристиками.
Кластер «Низкий - Высокий» (Low - High) включает районы, отстающие по темпам роста относительно соседствующих муниципалитетов, а в кластере «Высокий - Низкий» (High - Low), наоборот, территории с высоким уровнем производства соседствуют с отстающими относительно них районами. Карта пространственных выбросов (кластеров) по Ростовской области, построенная с помощью LISA, представлена на рис. 3.
Рисунок 3 - Карта локальных пространственных кластеров Ростовской области, построенная с помощью метода LISA
Figure 3 - Map of Local Spatial Clusters Rostov Region, Built Using the LISA Method
Центрами кластера «Высокий - Высокий» являются Аксайский район и г. Шахты, в кластер «Низкий - Высокий» вошли Гуково, Зверево, конкурирующие за инвестиции и другие ресурсы развития с Красносулинским районом и Шахтами, а также г. Батайск и Мясниковский район, конкурирующие с Аксайским, Азовским районами и Ростовом-на-Дону. В то же время территории в границах ареала «Низкий - Высокий» получают положительные экстерналии от Ростовской и формирующейся Восточно-Донбасской агломераций. Однако муниципальные образования кластера «Низкий - Низкий» - Семикаракорский, Верхнедонской, Боковский, Советский, Морозов-ский, Зимовниковский районы - являются экономически депрессивными с точки зрения показателя отгруженной продукции. В отношении этих муниципальных образований следует проводить политику, направленную на диверсификацию производства и занятости, модернизацию социальной и транспортной инфраструктуры. Например, в Зимовниковском районе низкая обеспеченность автодорожной сетью (72,9 км на 1 000 кв. км; для сравнения: в Волгодонске - 1 924,5 км на 1 000 кв. км) и низкое качество транспортной инфраструктуры (не отвечают нормативным требованиям 53,5 % дорог общего пользования местного значения) являются факторами замедления экономической динамики. Инфраструктурные ограничения и низкая инвестиционная активность территорий, тяготеющих к Волгодонску как центру одного из областных индустриальных полюсов роста, являются препятствием к формированию Волгодонской агломерации.
Проведем аналогичный анализ для Краснодарского края. Оценки множителей Лагранжа и глобального индекса Морана позволяют выбрать подходящий инструментарий (табл. 3).
Таблица 3 - Диагностика пространственной зависимости (Краснодарский край)
Table 3 - Diagnostics of Spatial Dependence (Krasnodar Krai)
Тест Значение p - value
Moran's I (error) -1,3376 0,18102
Lagrange Multiplier (SAR) 1,9052 0,16750
Robust LM (SAR) 0,7335 0,39175
Lagrange Multiplier (SEM) 2,3747 0,12331
Robust LM (SEM) 1,2030 0,27271
Расчеты показали, что оба множителя Лагранжа незначимы: Lagrange Multiplier (SAR) = = 1,9052 (p = 0,16750) и Lagrange Multiplier (SEM) = 2,3747 (p = 0,12331), в том числе и множители Лагранжа (Robust LM (SAR) = 0,7335, p = 0,39175; Robust LM (SEM) = 1,2030, p = 0,40389). Тест Moran's I (error) позволяет принять гипотезу об отсутствии пространственной автокорреляции в остаточных ошибках. Соответственно, для оценки коэффициентов модели может быть использован метод наименьших квадратов (табл. 4).
Таблица 4 - Оценки модели SAR (Краснодарский край)
Table 4 - SAR Model Estimates (Krasnodar Krai)
Регрессоры Коэффициент Статистическая ошибка
const -207526*** 59 030,7
3,64472*** 0,665154
4,24445*** 1,22999
73,2717*** 20,5966
X4 -0,0912 0,25284
R2 0,933
1 %-ный, 10 %-ный уровни значимости
Для Краснодарского края значимыми факторами экономической динамики являются инвестиции в основной капитал (хх), средняя заработная плата (х2) и обеспеченность транспортной инфраструктурой (х3). Прирост плотности дорожной сети на км на 1 000 кв. км позволяет увеличить экономическую продуктивность на 73,3 млн руб. Таким образом, отдача от инфраструктурных проектов в транспортной сфере значительно выше, чем в Ростовской области.
Изменение геополитической ситуации последних лет обусловило переориентацию экономических связей России на Восток и на Юг. Следовательно, для удовлетворения потребностей экономики и общества в качественных транспортных услугах проекты развития дорожного хозяйства и автомобильного транспорта приобретают особую актуальность. Например, в Южном макрорегионе осуществляется реконструкция федеральной трассы М-4 «Дон», строительство трассы «Таврида» А-291 и ведущих от нее двух дорог хордовой сети, других автомобильных дорог регионального и местного значения, расширение мощностей портов Новороссийск, Тамань и Темрюк, модернизация инфраструктуры семи аэропортов, в том числе в новых регионах.
Значимость плотности сети автодорог местного уровня в обоих регионах для увеличения продуктивности хозяйственной деятельности свидетельствует о том, что инвестиции в транспортную инфраструктуру могут порождать неравенство между муниципалитетами и усиливать процесс «стягивания» ресурсов периферии в «ядра» агломераций. Полученный результат подтверждает важность инфраструктуры как фактора результативности регионального управления (Puga, 2002).
Применение локального индекса Морана позволило выявить территории опережающего развития (центр кластера «Высокий - Высокий» - г. Анапа), точки роста (кластер «Низкий - Высокий» - Красноармейский и Крымский районы, г. Геленджик) и муниципалитеты, характеризующиеся замедлением выпуска продукции, выполненных работ и услуг собственными силами относительно соседствующих с ними районов (рис. 4).
USA Cluster Map: krasl. l_Otgr <3999 perm)
*.: + <■> О. Q. v Я I т О
*СЬ5=А> р <= ans
Рисунок 4 - Карта локальных пространственных кластеров Краснодарского края, построенная с помощью метода LISA
Figure 4 - Map of Local Spatial Clusters in Krasnodar Krai Built Using the LISA Method
Перспективы развития Красноармейского района связаны с распространением локальных экстерналий Краснодарской агломерации, Крымского района и Геленджика - вхождением в состав Новороссийской агломерации и, соответственно, получением положительных пространственных эффектов, обусловленных концентрацией населения и экономической активности.
Для территорий, отстающих по объему отгруженной продукции, требуется формирование благоприятных условий для инвестирования в ключевые отрасли экономики муниципальных образований: для Каневского района - в переработку сельскохозяйственного сырья; для Белореченского района - в химическую, перерабатывающую, пищевую промышленность, промышленность строительных материалов; для Лабинского района - в агропромышленный комплекс.
Представленное исследование вносит свой вклад в изучение теоретических и практических аспектов связи результатов экономической деятельности с социальными, инфраструктурными, инвестиционными макрорегиональными факторами. Выявлено наличие значимых пространственных внешних эффектов для Ростовской области, учитывающих географическую близость муниципалитетов региона. Для Краснодарского края экстерналии имеют локальный характер. Полученные результаты подчеркивают наличие пространственных различий в региональном росте рассматриваемых субъектов и могут служить основанием для выработки дифференцированного подхода к определению направлений и инструментов управления социально-экономическим развитием на субрегиональном уровне.
Список источников:
Балаш О.С. Эконометрическое моделирование пространственных взаимодействий // Известия Саратовского университета. Серия: Экономика. Управление. Право. 2012. Т. 12, № 3. С. 30-35.
Веприкова Е.Б., Кисленок А.А., Гулидов Р.В. Методика оценки уровня социально-экономического развития муниципальных образований региона на основе выявления признаков локальной депрессивности // Власть и управление на Востоке России. 2022. № 3 (100). С. 71-86. https://doi.org/10.22394/1818-4049-2022-100-3-71-86.
Грекусис Д. Методы и практика пространственного анализа. М., 2021. 540 с.
Земцов С.П., Смелов Ю.А. Факторы регионального развития в России: география, человеческий капитал или политика регионов // Журнал Новой экономической ассоциации. 2018. № 4 (40). С. 84-108. https://doi.org/10.31737/2221-2264-2018-40-4-4.
Климова Н.И., Сахапова Г.Р. Валовой муниципальный продукт как важнейший показатель стадиальной идентификации жизненного цикла субрегиональных образований // Вестник УГНТУ. Наука, образование, экономика. Серия: Экономика. 2017. № 4 (22). С. 104-113.
Патракеева О.Ю. Оценка влияния инфраструктурной обеспеченности на пространственное социально-экономическое развитие региона // Экология. Экономика. Информатика. Серия: Системный анализ и моделирование экономических и экологических систем. 2021. Т. 1, № 6. С. 285-290. https://doi.org/10.23885/2500-395X-2021 -1 -6-291 -285-290.
Тимирьянова В.М. Оценка пространственной зависимости объема отгруженной продукции в динамике // Статистика и экономика. 2020. Т. 17, № 5. С. 49-58. https://doi.org/10.21686/2500-3925-2020-5-49-58.
Тимирьянова В.М., Зимин А.Ф., Юсупов К.Н. Экономическая активность территорий: сравнительный анализ способов оценки пространственных эффектов // Пространственная экономика. 2021. Т. 17, № 4. С. 41-68. https://doi.org/10.14530/ se.2021.4.041 -068.
Knaap T., Oosterhaven J. Measuring the Welfare Effects of Infrastructure: A Simple Spatial Equilibrium Evaluation of Dutch Railway Proposals // Research in Transportation Economics. 2011. № 31. P. 19-28. https://doi.org/10.1016/j.retrec.2010.11.004.
Lennox J. Spatial Economic Dynamics in Transport Project Appraisal // Economic Modelling. 2023. Vol. 127. Р. 106464. https://doi.org/10.1016/j.econmod.2023.106464.
Lu Y., Yu W., Yao S. High-Speed Rail Operation Network and Urban Economic Development in Western China: A Spatial Difference-In-Differences Approach // Research in Transportation Business & Management. 2024. Vol. 57. Р. 101222. https://doi.org/10.1016/j.rtbm.2024.101222.
Puga D. European Regional Policies in Light of Recent Location Theories // Journal of Economic Geography. 2002. № 2 (4). P. 373-406. https://doi.org/10.1093/jeg/2A373.
Wagner E.H., Flinter M., Hsu C., Cromp DeAnn, Austin B.T., Etz R., Crabtree B.F., Ladden M.D. Effective Team-Based Primary Care: Observations from Innovative Practices // BMC Family Practice. 2017. № 18. Р. 13. https://doi.org/10.1186/s12875-017-0590-8.
Xu Y., Li A. The Relationship between Innovative Human Capital and Interprovincial Economic Growth Based on Panel Data Model and Spatial Econometrics // Journal of Computational and Applied Mathematics. 2020. № 365. Р. 112381. https://doi.org/10.1016/j.cam .2019.112381.
References:
Balash, O. S. (2012) Ekonometricheskoe modelirovanie prostranstvennykh vzaimodeistvii [Econometric modeling of spatial interactions]. Izvestiya Saratovskogo universiteta. Seriya: Ekonomika. Upravlenie. Pravo. 12 (3), 30-35. (In Russian)
Grekusis, D. (2021) Metody i praktika prostranstvennogo analiza [Spatial analysis methods and practice]. Moscow. 540 р. (In Russian)
Klimova, N. I. & Sahapova, G. R. (2017) Gross Municipal Product as the Most Important Indicator for Stadial Identification of the Life Cycle of Subregional Entities. Vestnik UGNTU. Nauka, obrazovanie, ekonomika. Seriya: Ekonomika. (4 (22)), 104-113. (In Russian)
Knaap, T. & Oosterhaven, J. (2011) Measuring the Welfare Effects of Infrastructure: A Simple Spatial Equilibrium Evaluation of Dutch Railway Proposals. Research in Transportation Economics. (31), 19-28. Available from: doi:10.1016/j.re-trec.2010.11.004.
Lennox, J. (2023) Spatial Economic Dynamics in Transport Project Appraisal. Economic Modelling. 127, 106464. Available from: doi:10.1016/j.econmod.2023.106464.
Lu, Y., Yu, W. & Yao, S. (2024) High-Speed Rail Operation Network and Urban Economic Development in Western China: A Spatial Difference-In-Differences Approach. Research in Transportation Business & Management. 57, 101222. Available from: doi:10.1016/j.rtbm.2024.101222.
Patrakeeva, O. Yu. (2021) Evaluating the Impact of Infrastructure on Spatial Socio-Economic Development in the Region. Ecology. Economy. Informatics. System Analysis and Mathematical Modeling of Ecological and Economic Systems. 1 (6), 285290. Available from: doi:10.23885/2500-395X-2021-1-6-291-285-290. (In Russian)
Puga, D. (2002) European Regional Policies in Light of Recent Location Theories. Journal of Economic Geography. (2 (4)), 373-406. Available from: doi:10.1093/jeg/2.4.373.
Timiryanova, V. M. (2020) Assessing the Spatial Dependence of the Shipped Products Volume in Dynamics. Statistics and Economics. 17 (5), 49-58. Available from: doi:10.21686/2500-3925-2020-5-49-58. (In Russian)
Timiryanova, V. M., Zimin, A. F. & Yusupov, K. N. (2021) Economic Activity of Territories: Comparative Analysis of the Spatial Effects Assessing Methods. Spatial Economics. 17 (4), 41-68. Available from: doi:10.14530/ se.2021.4.041-068. (In Russian)
Veprikova, E. B., Kislenok, A. A. & Gulidov, R. V. (2022) Methodology for Evaluating Socio-Economic Development of the Territories Based on Revealing of the Local Backwardness Attributes. Vlast' i upravlenie na Vostoke Rossii. (3 (100)), 71-86. Available from: doi:10.22394/1818-4049-2022-100-3-71-86. (In Russian)
Wagner, E. H., Flinter, M., Hsu, C., Cromp, DeAnn, Austin, B. T., Etz, R., Crabtree, B. F. & Ladden, M. D. (2017) Effective Team-Based Primary Care: Observations from Innovative Practices. BMC Family Practice. (18), 13. Available from: doi:10.1186/s12875-017-0590-8.
Xu, Y. & Li, A. (2020) The Relationship between Innovative Human Capital and Interprovincial Economic Growth Based on Panel Data Model and Spatial Econometrics. Journal of Computational and Applied Mathematics. (365), 112381. Available from: doi: 10.1016/j.cam.2019.112381.
Zemtsov, S. P. & Smelov, Y. A. (2018) Factors of Regional Development in Russia: Geography, Human Capital and Regional Policies. Journal of the New Economic Association. (4 (40)), 84-108. Available from: doi:10.31737/2221-2264-2018-40-4-4. (In Russian)
Информация об авторах О.Ю. Патракеева - кандидат экономических наук, ведущий научный сотрудник, заведующая лабораторией региональной экономики Федерального исследовательского центра Южного научного центра Российской академии наук, Ростов-на-Дону, Россия. https://elibrary.ru/author_items.asp?authorid=669900
И.В. Митрофанова - профессор, доктор экономических наук, профессор, главный научный сотрудник Лаборатории региональной экономики Федерального исследовательского центра Южного научного центра Российской академии наук, Ростов-на-Дону, Россия; профессор кафедры экономической теории, региональной экономики и предпринимательства Волгоградского государственного университета, Волгоград, Россия.
https://elibrary.ru/author_items.asp?authorid=251182
Вклад авторов:
О.Ю. Патракеева - разработка концепции и инструментария исследования; написание исходного текста; сбор данных; итоговые выводы.
И.В. Митрофанова - разработка концепции; анализ данных; написание исходного текста; итоговые выводы; оформление.
Конфликт интересов:
авторы заявляют об отсутствии конфликта интересов.
Information about the authors
0.Yu. Patrakeeva - PhD in Economics, Leading Research Fellow, Head of the Regional Economics Laboratory, Federal Research Center of the Southern Scientific Center of the Russian Academy of Sciences, Rostov-on-Don, Russia.
https://elibrary.ru/author_items.asp?authorid=669900
1.V. Mitrofanova - Professor, D.Phil. in Economics, Professor, Senior Research Fellow, Laboratory of Regional Economics, Federal Research Center of the Southern Scientific Center of the Russian Academy of Sciences, Rostov-on-Don, Russia; Professor, Department of Economic Theory, Regional Economics and Entrepreneurship, Volgograd State University, Volgograd, Russia.
https://elibrary.ru/author_items.asp?authorid=251182
Contribution of the authors:
0.Yu. Patrakeeva - developing the research concept and instrumentation; source text writing; data collection; final conclusions.
1.V. Mitrofanova - concept development; data analysis; source text writing; final conclusions; design.
Conflicts of interests:
The authors declare no conflicts of interests.
Статья поступила в редакцию / The article was submitted 22.10.2024; Одобрена после рецензирования / Approved after reviewing 19.11.2024; Принята к публикации / Accepted for publication 24.12.2024.
Авторами окончательный вариант рукописи одобрен.
