CC BY
14
УДК 332,14+330.43
КОМПЛЕМЕНТАРНОСТЬ ПЕРЕТОКОВ НИОКР В ПРОСТРАНСТВЕ И ЭКОНОМИЧЕСКОЙ СТРУКТУРЕ РЕГИОНОВ РОССИИ
Галина Афанасьевна Унтура
Институт экономики и организации промышленного производства СО РАН, 630090, Россия, г. Новосибирск, пр. Академика Лаврентьева, 17, доктор экономических наук, профессор кафедры экономического управления НГУ, тел. (913)701-80-38, e-mail: galina.untura@gmail.com
В качестве методологии исследования выбраны модели теории эндогенного роста, которые в разных странах эмпирически подтвердили, что финансирование НИОКР дополняет традиционные затраты, такие как труд и капитал, а переток знаний между субъектами и регионами в конечном итоге приводит к экономическому росту. Построена модель панельной регрессии за 2005-2013 гг. по данным федеральной статистики науки и инноваций РФ. Спецификации модели учитывают разные каналы совместного финансирования: затраты на НИОКР и технологические инновации, а также матрицу расстояний между субъектами РФ и матрицу структурной близости по видам экономической деятельности регионов. Приведены результаты эмпирического анализа влияния комплементарных перетоков знаний в регионах на экономический рост. Подтверждена гипотеза о том, что пространственные и комплементарные перетоки знаний увеличивают темп прироста ВРП на душу населения, если каналы финансирования НИОКР и технологических инноваций организованы с учетом пространственной и технологической близости экономической деятельности субъектов РФ. Эффект комплемпентарности может возрастать по мере совершенствования механизмов адаптации знаний в регионах и отраслях их использования.
Ключевые слова: наука, инновации, регион, пространственный переток знаний, эко-нометрическая модель, комплементарность, матрица.
COMPLEMENTARY OF R&D SPILLOVER IN THE SPACE AND THE ECONOMIC STRUCTURE OF THE RUSSIA REGIONS
Galina A. Untura
Institute for Economics and Industrial Engineering SB RAS, 17, Аkademik Lavrentiev Prospect, Novosibirsk, 630090, Russia, D. Sc., Professor, Department of Economic Management of the NSU, phone: (913)701-80-38, e-mail: galina.untura@gmail.com
The design of the study based on the endogenous growth theory models because have empirically confirmed that funding for R&D supplements traditional costs such as labor and capital, and the flow of knowledge between actors and regions ultimately leads to economic growth in various countries. The model of panel regression for 2005-2013 is constructed. Data used the federal science and innovation statistics of the Russian Federation. The model specifications take into account the different channels of co-financing: the costs of R & D and technological innovation as well as the matrix of distances between subjects of the Russian Federation and the matrix of structural proximity by types of economic activity of the regions. The results of an empirical analysis of the effect of complementary regional knowledge flows on economic growth are presented. The hypothesis was confirmed that complementary knowledge transfers increase the rate of growth of GRP per capita if the channels for financing R & D and technological innovations are organized taking into account the spatial and technological proximity of economic activities of the subjects of the Russian Federation. The effect of complementarities could increase as the mechanisms for adapting knowledge will be improved in the regions and sectors.
Key words: science, innovation, region, spatial R&D spillover, econometric model, complementarity, matrix.
Введение
Мировое лидерство, демонстрация высоких темпов развития государств, решение социально-экономических проблем все больше становится зависимым от вовлеченности науки и инноваций в сетевые структуры промышленных корпораций и сферы услуг. Многие страны мира, не имея высокий научный потенциал и достаточных финансовых ресурсов для организации научных и опытно-конструкторских разработок (НИОКР) по широкому фронту научно-технических направлений, прибегают к заимствованию результатов фундаментальных исследований или уже готовых технологии извне. «В широком смысле под "перетоком знаний" понимаются ситуации, в которых определенные законодательно акторы имеют возможность бесплатно либо с минимальными затратами получить знания из внешних источников» [1, с.22]. В статье переток знаний (ПЗ) определим как процесс получения из внешних источников новых научно-технических знаний и навыков (компетенций), а также их адаптацию и применение для роста вновь добавленной стоимости в экономической деятельности регионов за счет разных каналов финансирования.
Реальная практика показывает, что ряд известных корпораций сокращают внутренние НИОКР и ориентируются на политику открытых инноваций. Многие страны хотя и не имеют своих армий и развитой национальной системы, но демонстрируют экономическое развитие за счет импорта знаний и технологий. Лишь отдельные государства обладают установками мега-сайнс (например, большой адронный коллайдер, обсерватории, крупные научные полигоны и др.), благодаря чему являются технологическими лидерами по ключевым технологиям (ядерная энергетика, катализ и др.). Одновременно страны АТР и БРИКС, в первую очередь, Китай и Россия демонстрируют успешность политики сочетания собственных научных результатов с развитием и адаптацией зарубежных технологий. Эмпирические исследования ПЗ в странах Европы показали, что полный отказ от финансирования науки и ориентация только на перетоки знаний не оправдана и не может обеспечить надежный экономический рост за счет «интеллектуального иждивенчества» [2]. Кроме того даже сам процесс адаптации знаний и технологий в слабо развитых регионах также может оказаться недостаточно эффективным, если не будут созданы надежные каналы перетока знаний, обеспечена комплементарность научных и технологических стадий в реализации инновационных проектов в регионах.
Большинство регионов в России также пользуются результатами фундаментальных исследований, "перетекающих" из столичных городов или известных региональных научных центров, таких как СО РАН, УРО РАН, ДВО РАН. Влияние ПЗ на экономический рост России зависит как от финансирования и инвестиций, выделяемых на инновации непосредственно в регионах, так и финансовых экстерналий НИОКР из других территорий страны. Эффект ПЗ про-
является в приросте вновь добавленной стоимости (ВДС), т.е. насколько удачно разработки, профинансированные в отдельных регионах, могут быть адаптированы в других регионах, создавая "кумулятивную отдачу НИОКР". Социально-экономические условия, качество человеческого капитала исходных регионов и у соседних регионов, так же как и расстояние между регионами, близость в структуре технико-экономической деятельности должны быть приняты во внимание при моделировании, чтобы выводы расчетов могли быть предусмотрены в инновационных стратегиях развития регионов.
В этой связи в экономических исследованиях актуальна проблематика выявления и оценки влияния на экономический рост регионов как самих затрат на НИОКР, так и их перетоков, поскольку пространственная неоднородность в размещении центров науки и индустрии высока и объективно неизбежна.
Термин «комплементарностъ» перетоков знаний означает взаимное соответствие сферы производства и использования знаний. С экономической точки зрения это с в я з ь дополняющих друг друга структур, определяемая их свойствами, способностью создавать рыночно-востребованные товары и технологии. Она возникает вследствие не только научных, но и организационно-экономических взаимодействий и финансовых ресурсов. Комплементарность может проявляться/обеспечиваться в разных вариантах: пространственная (близость между регионами) и структурная (близость наборов видов экономической деятельности). Экономический эффект комплементарности состоит в том, что если один регион, осуществляет затраты на НИОКР, а далее полученные результаты могут быть использованы в других регионах, тем самым регионы-реципиенты фактически экономят на финансировании НИОКР. В качестве финансовых экс-терналий (косвенного финансирования извне) регионы могут воспользоваться пространственными перетоками НИОКР в зависимости от географии размещения. Радиус таких ареалов составляет от 100 до 400 километров. Полагают, что эффект ПЗ выше при географической близости регионов, что описывается матрицами расстояний.
Если спрос на знания зависит не столько от соседства регионов, сколько от структуры их технико-экономической деятельности, определяемой технологиями и компетенциями, можно ожидать, что в регионах со схожим набором производств или услуг будет более активно идти обмен знаниями, технологическим опытом при адаптации технологий. Специализированный трансфер ключевых технологий, лицензий имеет место в транснациональных корпорациях, отраслевых холдингах, имеющих предприятия в разных регионах.
Цель исследования - построение эконометрической модели, позволяющей провести эмпирический анализ воздействия затрат на НИОКР в регионах России оценить влияние пространственных и комплементарных перетоков знаний на экономический рост.
Новизной предполагаемого исследования, по мнению автора, станет развитие эндогенных моделей догоняющего роста Р. Барро и Х.Сала-и-Мартина [3], и А. Родригеса-Поуза и Р.Крещенци [4-5]. Предложена авторская эконометриче-ская модель предназначена для проверки гипотезы о том, что комплементарность
ПЗ позволяет обеспечить динамику инновационного роста также как и пространственный переток знаний между регионами. Полученные результаты разных спецификаций модели будут сопоставлены с результатами других авторов в аналогичных постановках для других стран и РФ. Выводы эмпирического анализа могут послужить для подготовки рекомендаций региональным органам власти по созданию условий эффективной отдачи перетоков знаний и динамики роста.
1. Исследованность проблемы. Известны экономико-математические подходы, в рамках которых проведено большое количество исследований применительно к рассмотрению НИОКР и перетоков знаний, компетенций как факторов экономического роста [6]. Назовем лишь основные подходы для оценки влияния науки и инноваций на экономический рост стран и регионов или продуктивность компаний, которые составили методологию нашего исследования. 1.1 Эмпирические исследования на основе моделей эндогенного роста
Р. Барро и Х. Сала-и-Мартин предложили эконометрическую модель, которая позволяла эмпирически проверить модель Солоу. Модель этих авторов [3] была преобразована различными исследователями путем включения переменных, описывающих специфические факторы развития региона. Как отмечено в обзоре [7], она не учитывает перетоки ресурсов и знаний между регионами, а также пространственный аспект, т. е. географические, технологические, финансовые, институциональные экстерналии перетока знаний. Это пробел преодолевают А. Родригес-Позе и Р. Крешенци [4; 5]. В работе [4] с помощью матриц расстояний W и индексов доступности были учтены и перетоки знаний и расстояния между регионами Европы, а в статье [5] данная модель применялась к анализу панельных данных для оценки темпов экономического развития 31 штата Мексики в период 2000-2010 гг. Для России также доказана значимость положительного влияния затрат на НИОКР, а также ПЗ в 2005-2013 гг. [8-10], используя модифицированные модели догоняющего роста [5].
Развитие методологии оценки ПЗ шло по линии совмещения в моделях пространственных и «непространственных факторов», к которым Р. Крещенци отнес следующие [11, р.12]:1) когнитивная (технологическая) близость; 2) организационная близость; 3) социальная близость; 4) институциональная близость, которая основана на действиях агентов, разделяющих одни и те же институциональные правила и культурные привычки.
Е.Марокку и др., отмечали, что, технологическая (когнитивная) близость показывает, насколько в регионах совпадают базы знаний. Она измеряется индексом, в основе которого лежат доли определенного сектора промышленности к в регионе г. Индекс варьируется от 0 до 1, а подробности составления матрицы близости изложены в [12, с.1487].Результаты данной работы побудили экономистов-географов выдвинуть тезис о том, что рассмотрение лишь географической близости, и связанных с ней перетоков знаний в теориях взаимосвязи экономического роста и инновационной активности без изучения новых видов близости, является в настоящее время устаревшей научной парадигмой в экономической географии [11].
1.2. Эмпирические исследования влияния знаний на экономический рост на основе производственной функции знаний (ПФЗ) на уровне фирм и регионов
Региональные аспекты построения ПФЗ за рубежом были рассмотрены, например, в работах Д. Аудреша и М. Фелдман, подтвердивших гипотезу о том, что в экономике происходит кластеризация экономической деятельности в тех отраслях промышленности и в тех регионах, в которых происходят активные процессы генерации знания. Авторы рассматривали три источника знаний: НИОКР, высококвалифицированная рабочая сила и фундаментальные исследования [13]. Основная гипотеза исследования была подтверждена с помощью базы данных о 8 тыс. инноваций (в виде патентов) в США в 1982 г. и регрессионной модели.
Далее появились работы о том, что не только вложение НИОКР в определенном регионе, но и возможность использования поученных знаний в других регионах влияет на динамику экономического роста в стране или продуктивность фирмы. А. Джаффе [14]интерпретировал перетоки знаний как перетоки НИОКР. Используя функцию производства знаний, разработанную Ц. Грилихе-сом [15], и число патентов как индикатор запаса знаний, он показал, что увеличение НИОКР на 10 % всеми фирмами приводит к росту количества патентов на 20 % на примере базы данных компаний США, подтверждая тем самым, положительные эффекты перетока знания. В качестве близости в работе рассматривалась технологическая близость, а не географическая и экстерналии, связанные с ней. В России аналогичные работы проводили В. Л.Бабурин, С. П.Земцов [16]. 1.3 Модели пространственной эконометрики
Самостоятельный класс моделей учитывает пространственную близость регионов или других объектов посредством матриц географической близости (расстояний), а в эмпирических исследованиях применяются известные модели SAR, SEM, SDM, SPGMM spatial GMM и др. Нам известны эмпирические исследования в России, выполненные с помощью таких моделей О.Н.Лободиной, Ю.Д Шмидтом [17]и L.Aldieri, V.N.Kotsemir, C.Vinci [18], в которых рассматривались пространственные перетоки знания для периода 2000-2014 гг.
Таким образом вышеназванные подходы используют инструменты ПФЗ, модели панельной регрессии и динамической регрессии Ареллано-Бонда (GMM), а также инструментальные приемы пространственной эконометрики с предикторами затрат на НИОКР, ПЗ, с включением дамми- или категориальных переменных по отдельным регионам, годам или характеристикам инновационной деятельности, специализации и т. д. 2.Методы, данные, эксперименты
В статье развивается подход, изложенный в работах [5;10], однако эмпирический анализ дополнен учетом в модели комплементарных ПЗ. Информационная база создавалась авторами на основе статистического ежегодника Регины России по 80 регионам за период 2005-2013 гг.
Модель разработана совместно с к.э.н. Каневой М.А.[10]. Она учитывает перетоки знаний, социальных условий на основе пространственной близости (матриц расстояний). Кроме того были рассмотрены ПЗ, возникающие между
регионами, имеющими схожую структуру производств в регионе (матрица близости по структуре вновь добавленной стоимости по видам экономической деятельности). Формальная запись приведена в формуле (1).
growthl t -а+ Д1п§(у. t_1) + Д2Я & Би + Д3БосГШвг t + Д4БрШ1 t + + Д5 Ех&осЕШвг, ,t + Д6 ExtGDPpcu + ДСОМБрШи + еи (1)
где I - регион N=1 .. .80; расшифровку переменных базовой модели см.в [9-10]. Зависимой переменной (growthl,t) модели является темп прироста ВРП на душу населения в период 2005-2013 гг. (%). Вновь добавленная независимая переменная:
СОМБрШц - структурный переток знаний, рассчитанный как произведение матрицы элементов структурной (технологической) близости (2)1 и вектор-столбца удельных затрат на НИОКР в ВРП в регионе (либо затрат на технологические инновации) - в году t. Комплементарный переток учитывает оба вида матриц близости: пространственную и структурную. - случайная ошибка модели.
Хотя сама теория сходства и близости объектов еще только формируется, она находит много приложений в естественных, технических науках, социологии. В статье в порядке обсуждения структура экономической деятельности региона рассматривается через призму удельных весов во вновь добавленной стоимости (ВДС) отдельных видов экономической деятельности по классификации ОКВЭД. Матрица близости (сходство "наборов производств" в регионах) определяется коэффициентами меры близости, которая рассчитываются по формуле:
>1,-1 _1
(к -16 Л
Е К _ d А (2)
у
где - доля сектора к (по 16 видам экономической деятельности) во всем объеме ВДС региона I, а I, j=N - число регионов РФ. Чем ближе коэффициент
к 1, тем больше схожести в структуре экономической деятельности регионов по
2
критерию создания ВДС .
1 Коэффициенты матрицы близости рассчитаны по формуле (2), учитывают удельный вес вновь добавленной стоимости региона I по видам экономической деятельности к, аналогичная формула применялась для патентов в [12, с.1487].
Доли можно также считать по выпуску продукции отдельных отраслей, удельному весу патентов, примененных новых технологий и др. Для построения матрицы структурной близости, по-видимому, предпочтительнее учитывать не сами объемы производства, а ВДС, поскольку она зависит и от технического базиса региона, и от качества трудовых ресурсов, и от прибыльности деятельности предприятий. Хотя конечно в такой обобщенной структуре
Предварительно было проведено дефлирование стоимостных показателей для ВРП на душу населения по национальному дефлятору 2004 г. Для двух спецификаций с коэффициентами матриц пространственной и структурно-технологической близости была построена панельная регрессия, учитывающая затраты на НИОКР и затраты на технологические инновации (ТИ). Расчеты по модели выполнены по нескольким сценариям сочетания пространственных и структурных перетоков:
1) с затратами на НИОКР (или альтернативно на технологические инновации) для всех субъектов РФ;
2) для регионов, в которых уровень развития инновационной деятельности признан достаточно высоким на основе национального рейтинга АИРР и Интерфакса [19].
«Спецификация 1»3 представляет следующие варианты расчетов. Затраты на НИОКР «генерируют»:
1) пространственные ПЗ между регионами - модель 1_р 10];
2) структурные перетоки знаний - модель 1_б (на основе матрицы близости), т.е. ПЗ между регионами, которые оказываются схожими по метрике структурной близости по ВДС.
3) комплементарные ПЗ - рекомбинантная форма близости, т.е. она отражает влияние пространственной и структурной форм близости одновременно. Причем воздействие структурных перетоков на прирост ВРП рассчитывалось как для НИОКР (модель 1.1_ рвк_КО), так и ТИ (модель1.2 _рБк_Т1).
Проверялись гипотезы Н1: затраты на НИОКР влияют на экономический рост инновационных регионов;
Н2: перетоки знаний (пространственные, структурные и комплементарные) значимы для экономического роста сильных регионов. Результаты проверки приведены в таблице.
Результаты
Результаты панельной регрессии с фиксированными эффектами показали, что затраты в НИОКР оказались значимыми для пространственных и комплементарных перетоков знаний. Они обеспечивают прирост ВРП на душу населения 3,5 и 2,7 п.п. при возрастании расходов на НИОКР на 1.п.п. в ВРП (соответственно модель 1_р и модель 1,1_ рвк_КО в табл. 1).
Оценка эффекта пространственных ПЗ статистически значима и составила - 44.п.п. (модель 1_р). Структурные ПЗ также значимы, значение коэффициента модели регрессии - 2 п.п. (модель 1_б).
достаточно сложно выделить идет ли прирост ВРП за счет традиционных или инновационных производств.
3 Аналогичная Спецификация 2 была рассчитана для затрат на технологические инновации и может быть представлена по запросу.
Интересен результат для комплементарных ПЗ. Судя по коэффициентам регрессии одновременное влияние и пространства, и структуры для затрат на НИОКР несколько понижает величину коэффициента структурных ПЗ, с. 2.0 п.п. (модель 1_б.) до 1, 6 п.п. (модель 1,1_рвк_ЯО). При этом пространственные ПЗ оказывают доминирующие воздействие на комплементарность для случая сочетания их с ТИ в соответствии (с матрицей структурной технологической близости, учитываемой модель 1.2 _рБк_Т1.) Оценки пространственных ПЗ в "рекомбинантной" модели тоже достаточно высоки и составили 43,9 п. п., Можно дать следующую экономическую трактовку полученного коэффициента, что если пространственные перетоки НИОКР приходили из других регионов РФ и были дополнены перетоками ТИ в соответствии со структурой экономической деятельности, то они сохраняли свою значимость. Во всех вариантах «Спецификации 1» значимы перетоки социально- экономических условий деятельности соседних регионах. Они обеспечивают прирост ВРП на душу 1-2 п.п. Подтверждается условная конвергенция и то, что НИОКР и разные виды ПЗ могут рассматриваться в качестве эндогенных факторов экономического роста для России.
Таким образом, подтверждаются гипотезы Н1: о значимости как самих затрат на НИОКР, так и Н2: о значимости прежде всего пространственных перетоков знаний для прироста ВРП на душу населения в России. Эта спецификация модели имеет Я выше по сравнению с остальными вариантами. Структурные и комплементарные ПЗ также значимы, но оказываются слабее по силе влияния на экономический рост. Вместе с тем есть примеры регионов, в которых комплементарность ПЗ достигается в рамках программ реиндустриализа-ции [20]. Исследование позволяет сделать выводы о значимости пространственных перетоков знаний для динамики экономического роста России, что характерно для многих развитых стран и интеграционных союзов, как отмечают многие зарубежные и отечественные исследователи [5, 10,17,18].
Заключение
Эмпирическая проверка влияния НИОКР и комплементарных перетоков знаний на прирост ВРП на душу населения в период 2005-2013 гг., используя эконометрическую модель эндогенного роста, позволила оценить значимость финансирования НИОКР и инноваций, а также продемонстрировать воздействие разных видов финансирования на возникновение комплементарных перетоков знаний между регионами. Оригинальность подхода и результата состоит в том, что количественно оценивалось одновременное влияние разных видов ПЗ между регионами с помощью: 1) пространственных перетоков знаний, которые определяются на основе дистанции между регионами; 2) структурных перетоков, вызванных когнитивной (технологической) близостью; и 3) комплементарных перетоков, которые рассматривались как их рекомбинантный вариант. Эксперимент подтвердил, что необходимо не только само финансирование НИОКР и ТИ, но и сочетание каналов финансирования, использование факто-
ров социальной-экономической среды окружающих регионов для создания потенциала роста.
Модель с пространственными и комплементраными перетоками затрат на НИОКР, зависимая переменная темп прироста ВРП на душу населения,
80 регионов РФ, 2005-2013 гг.
Независимые пе- Виды перетоков НИОКР
ременные Пространственные Структурные Комплементарные
модель 1_р модель 1_б модель 1.1 рБк модель 1.2 рБк Т1
Натуральный логарифм ВРП на душу населения с лагом 2 года -21,654*** (3,671) -18,868*** (3,6178) -19,631*** (3,646) -21,504*** (3,679)
Вложения в НИОКР как % от ВРП с лагом в 1 год 3,525** (1,630) 2,649 (1,619) 2,706* (1,615) 3,450** (1,634)
Социальный фильтр с лагом в 1 год 0,241 (0,268) 0,185 (0,262) 0,206 (0,262) 0,2415 (0,268)
Пространственные Перетоки НИОКР с лагом в 1 год (МОР) 44,073*** (10,397) 18,725 (13,047) 43,867*** 10,411
Переток социально-экономических условий с лагом в 1 год 1,616** (0,508) 1,896*** (0,471) 1,663** (0,497) 1,209** (0,727)
Переток ВРП на душу населения -,529 (0,098) -561*** (0,090) -513** (0,096) -511** (0,101)
Структурные перетоки НИОКР с лагом в 1 год (МТБ) 2,047*** ( 0 ,400) 1,5858** (0,5119) ,0374 (0,048)
Константа 252,088 *** (43,220) 163,7841** 48,87403 173,774** (49,228) 247,091*** (43,732)
Тест Фишера на значимость коэффициентов нулю коэффициентов регрессии Б(6,183) = 33,97 [0,0000] Б(6,183) =36,61 [0,0000] Б(7,182) =31,86 [0,0000] Б(7,182) =29,15 [0,0000]
Я2 0,1015 0,0972 0,1010 0,1035
Число наблюдений 216 216 216 216
Примечание 1: в скобках указаны робастные стандартные ошибки коэффициента регрессии (опция усе(гоЪш1))
Примечание 2: * ** *** - значимость на 10%-, 5%- и 1%-ном уровне соответственно. В виду ограниченности формата статьи, матрица корреляции переменных, ха-
рактеристики значений прокси - переменных и тесты (xttest3) и(xtserial') могут быть представлены по запросу.
Статья выполнена при финансовой поддержке гранта РФФИ 17-02-00060 «Оценка влияния факторов инновационного развития на экономический рост регионов России».
The article was implemented with the financial support of RFBR grant 17-0200060 "Evaluation of the influence of innovation development factors on the economic growth of Russian regions".
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Майснер Д. Экономические эффекты «перетока» результатов научно- технической и инновационной деятельности //Форсайт. - 2012. - т. 6. №3. - С.20-31.
2. Синергия пространства: региональные инновационные системы, кластеры и перетоки знания /Отв. ред. А. Н. Пилясов. - Смоленск: Ойкумена, 2012. - 760 с.
3. Sala-i-Martin X. Regional cohesion: evidence and theories of regional growth and convergence // European Economic Review. - 1996. - Vol. 40. - P. 1325-1352.
4. Rodriguez-Pose A., Crescenzi R. Research and development, spillovers, innovation systems, and the genesis of regional growth in Europe //Regional Studies. - 2008. - Vol. 42 (1). - P. 51-67.
5. Rodgriguez-Pose A., Villareal Peralta E.M. Innovation and regional growth in Mexico: 2000- 2010 // Growth and Change. - 2015. - Vol. 46 (2). - P. 172-195.
6. Канева М.А., Унтура Г.А. Эволюция теорий и эмпирических моделей взаимосвязи экономического роста, науки и инноваций (Часть 1) //Мир экономики и управления. - 2017. -№ 4. - С.5-17.
7. Harris R. Models of regional growth: past, present and future //Journal of Economic Surveys. - 2011. - Vol. 25 (5). - P. 913-951.
8. Kaneva M., Untura G. Innovation indicators and regional growth. //Economic Change and Restructuring .- 2017, - Vol. 50 (2), p. 133-159.
9. Канева М.А., Унтура Г.А. Взаимосвязь НИОКР, перетоков знаков и динамики экономического развития регионов России// Регион: экономика и социология. - 2017. - № 1 - С. 78-100.
10. Kaneva M., Untura G. Interrelation of R&D, Knowledge Spillovers, and Dynamicsof the Economic Growth of Russian Regions // Regional Research of Russia. - 2018. - Vol. 8. - No. 1. -P. 84-91.
11. Crescenzi R. Fischer M. M., Nijkamp P. (Eds.). Changes in economic geography theory and dynamics of technological change. Handbook of Regional Science. - Berlin, Springer-Verlag, 2013. - P. 649-666.
12. . Marrocu E., Paci R., Usai S. Proximity, networking and knowledge production in Europe: what lessons for innovation policy? //Technological Forecasting and Social Change. - 2013. -Vol. 80, p. 1484-1498.
13. Audretsch D. B., Feldman M.P. R&D spillovers and the geography of innovation and production // American Economic Review. - 1996. - Vol. 86 (4). - P. 253-273.
14. Jaffe A. B. Technological opportunity and spillovers of R&D: Evidence from firms' patents, profit and market share //American Economic Review. - 1986. - Vol. 76. - P. 984-1001.
15. Pakes A., Griliches Z. Patents and R&D at the firm level: A first look. R&D, Patents, and Productivity. - Chicago, University of Chicago Press,1984. - P. 55-72.
16. Бабурин В. Л., Земцов С. П. Факторы патентной активности в регионах России //Мир экономики и управления. - 2016. - Т. 16. - № 1. - С. 86-100.
17. Лободина О.Н., Шмидт Ю.Д. Оценка влияния пространственных факторов на интенсивность инновационных процессов //Вестн. ТГЭУ. - 2013. - № 3. - С. 20-30.
18. Aldieri L., Kotsemir M.N., Vinci C.P. Knowledge spillover effects: empirical evidence from Russian regions// Quality and Quantity. - 2017. - DOI 10.1007/s11135-017-0624-2.
19. Рейтинг инновационных регионов России: версия 2017. - 2018. -M.: АИРР.
20. Kuleshov V.V., Untura G.A., Markova V.D.Towards a knowledge economy: the role of innovative projects in the reindustrialization of Novosibirsk oblast //Regional Research of Russia. -2017. - Vol. 7(3). - P. 215-224.
REFERENCES
1. Majsner D. (2012) Ehkonomicheskie ehffekty peretoka rezultatov nauchno tekhnicheskoji nnovacionnoj-deyatelnosti [The economic impact of spillover from R&D and innovation] Foresight. 6. (3). 20-31. [in Russian].
2. Pilyasov, A.N. (Ed.) (2012). Sinergiya prostranstva: regional'nye innovatsionnye sistemy, klastery i peretoki znaniya [Synergy of space: regional innovation systems, clusters, and knowledge spillovers]. Smolensk: Ojkumena. [in Russian].
3. Sala-i-Martin X.(1996) Regional cohesion: evidence and theories of regional growth and convergence. European Economic Review. 40. 1325-1352.
4. Rodriguez-Pose A., Crescenzi R.(2008) Research and development, spillovers, innovation systems, and the genesis of regional growth in Europe. Regional Studies. 42 (1). - P. 51-67.
5. Rodgriguez-Pose A., Villareal Peralta E.M. (2015).Innovation and regional growth in Mexico: 2000- 2010. Growth and Change. 46 (2). 172-195.
6. Kaneva М. А., Untura G. A. (2017).Evolution of Theories and Empirical Models of a Relationship between Economic Growth, Science and Innovations (Part 1). World of Economics and Management. 17( 4) . 5-21. (In Russ.)
7. Harris R. Models of regional growth: past, present and future.(2011). Journal of Economic Surveys. 25 (5). 913-951.
8. Kaneva M., Untura G.(2017). Innovation indicators and regional growth. Economic Change and Restructuring 50 (2). 133-159.
9. Kaneva M. А., Untura G. А. (2017) Vzaimosvyaz' NIOKR, peretokov znaniy i dinamiki ekonomicheskogo rosta regionov Rossii [Relationship Between R&D, Knowledge Spillovers and Dynamics of Economic Growth for Regions of Russia]. Region: ekonomika i sotsiologiya [Region: Economics and Sociology]. 1.78-100. [in Russian].
10. Kaneva M., Untura G. (2018). Interrelation of R&D, Knowledge Spillovers, and Dynamicsof the Economic Growth of Russian Regions. Regional Research of Russia. 8(1). 84-91.
11. Crescenzi R. Fischer M. M., Nijkamp P. (Eds.).(2013) Changes in economic geography theory and dynamics of technological change. Handbook of Regional Science. Berlin, SpringerVerlag. 649-666.
12. . Marrocu E., Paci R., Usai S. (2013) Proximity, networking and knowledge production in Europe: what lessons for innovation policy? Technological Forecasting and Social Change. 80. 1484-1498.
13. Audretsch D. B., Feldman M.P. R&D spillovers and the geography of innovation and production. (1996) American Economic Review. 86 (40). 253-273.
14. Jaffe A. B. Technological opportunity and spillovers of R&D: Evidence from firms' patents, profit and market share. (1986). American Economic Review. 76984-1001.
15. Pakes A., Griliches Z. (1984) Patents and R&D at the firm level: A first look. R&D, Patents, and Productivity. Chicago, University of Chicago Press. 55-72.
16. Baburin V. L., Zemtsov S. P. (2016) Faktory patentnoj aktivnosti v regionakh Rossii [Factors of Patent Activity in Regions of Russia]. Mir ekonomiki i upravleniya [World of Economics and Management], 16 (1), p. 86-100. [in Russian].
17. Lobodina O. N., SHmidt Yu. D.(2013). Otsenka vliyaniyaprostranstvennykh faktorov na intensivnost' innovatsionnykh protsessov [Estimation of the Effect of Spatial Factors on Intensity of Innovation Processes]. Vestnik TGEU [PSUE Bulletin]. 3. 20-30. [in Russian].
18. Aldieri L., Kotsemir M.N., Vinci C.P. Knowledge spillover effects: empirical evidence from Russian regions.(2017) Quality and Quantity. DOI 10.1007/s11135-017-0624-2.
19. Reyting innovatsionnyih regionov Rossii: versiya 2017. (2018). [Rating of innovative regions of Russia: version 2017]. [in Russian].
20. Kuleshov V.V., Untura G.A., Markova V.D. Towards a knowledge economy: the role of innovative projects in the reindustrialization of Novosibirsk oblast. (2017). Regional Research of Russia. 7(3). 215-224.
© Г. A. Унтура, 2018
