Технологическая дифференциация развития субъектов Уральского макрорегиона

Евсеева М. В.

DOI: 10.29141/2658-5081-2020-21-3-7

JEL classification: O14,O33,O47

М. В. Евсеева Уральский государственный экономический университет, г. Екатеринбург, Российская Федерация

Технологическая дифференциация развития субъектов Уральского макрорегиона

Аннотация. Проблема необходимости технологического прорыва России на мировой арене локализуется на уровне субъектов РФ. Статья посвящена выявлению причин различий в уровнях технологического развития субъектов Уральского макрорегиона. Методологическая база исследования сформирована концептуальными положениями экономической теории сложности и неошумпетерианской теории экономического роста. Использованы экономико-математические методы анализа, а также аналитический инструментарий экосистемного подхода. Информационной базой исследования выступила выборка из 3 436 компаний обрабатывающей промышленности семи субъектов Уральского макрорегиона. Наблюдения проводились с 2007 по 2019 гг. Исследование опиралось на детализацию отраслевых агрегаций до уровня обособленных технологий на базе ОКВЭД-2. Компании разделены на три группы в зависимости от вида реализуемой основной технологии: системные, компонентные и базисные. Показано, что для регионов-лидеров характерна существенная степень технологической сложности, определяемая по уровню технологического разнообразия и локализации компаний - системных интеграторов. Кроме того, лидеры демонстрируют значительный разрыв в уровнях факторной производительности компаний - носителей различных групп технологий. Обнаружено, что наличие системной технологии в регионе стимулирует развитие семейства сопряженных компонентных технологий, которые могут размещаться не только в регионе присутствия, но и в соседних, менее технологически развитых регионах. Это породило предположение о формировании на макротерритории обособленной экосистемы. С помощью эмпирических данных показано, что доминирование в регионе отдельных технологий может замедлять технологическое развитие. Результаты исследования могут быть учтены при разработке планов технологического и пространственного развития территорий.

Ключевые слова: технологическое развитие; Уральский макрорегион; совокупная факторная производительность; экономическая теория сложности; разнообразие; обрабатывающая промышленность.

Благодарности: Исследование выполнено при финансовой поддержке РФФИ и Свердловской области в рамках научного проекта № 20-410-660032 р_а. «Инновационно-технологическое развитие промышленности региона в контексте трансформации архитектуры бизнеса и управленческих технологий, продуцирующих знания и общие ценности: институциональный и стейкхолдерский аспекты».

Для цитирования: Евсеева М. В. (2020). Технологическая дифференциация развития субъектов Уральского макрорегиона // Journal of New Economy. Т. 21, № 3. С. 132-157. DOI: 10.29141/2658-5081-2020-21-3-7 Дата поступления: 30 июля 2020 г.

Введение

Экономическое развитие территориальной системы любого уровня имеет прямую зависимость от реализации ее научно-технологичекого потенциала, скадывающегося из совокупности материальных ресурсов и накопленного уровня знаний. Большинство моделей экономического роста опирается на научно-технический прогресс как базовый фактор устойчивой динамики ВВП.

Технологическое развитие есть непрерывный процесс появления и развития новых технологий и постепенного отмирания старых. Оно способствует повышению качества продукции и услуг, эффективности производства, экономии трудовых и материальных ресурсов, что непосредственным образом воздействует на уровень конкурентоспособности предприятий на внутреннем и внешнем рынках. Внедрение новых технологий позволяет увеличивать производительность труда, капитала, заний, что в конечном итоге повышает общий уровень благосостояния населения региона и общества в целом.

Субъекты Уральского макрорегиона демонстрируют существенные различия в уровнях развития. Причины этого недостаточно очевидны - близость к минерально-сырьевой базе, климатические, природные и другие условия в целом формируют идентичность контекста развития. Однако Свердловская область находится на 7-м месте в рейтинге социально-экономического развития, а Курганская - на 75-м. Существует множество теоретических подходов к объяснению столь сильной поляризации, эмпирических исследований, посвященных выявлению ее глубинных причин.

Цель исследования - выявить различия в уровнях технологического развития субъектов Уральского макрорегиона на основе использования концептуальных положений экономической теории сложности. К задачам следует отнести формирование теоретико-методической базы исследования, разработку расчетно-аналитического комплекса и интерпретацию результатов.

Исследование технологического развития в теориях экономического роста

В первых моделях экономического роста технологический прогресс рассматривался в качестве экзогенного фактора. В теории фирмы под развитием технологий подразумевался процесс, происходящий в «черном ящике», не поддающийся наблюдению. В исследованиях макросистем принято допущение, что экономический рост происходит в рамках имеющихся технологических возможностей (модель Солоу, модель Харрода-Домара) [Domar, 1946; Solow, 1956]. Позже было обнаружено, что технологический прогресс - эндогенный фактор экономического роста. Он формируется совокупностью внутренних условий экономической системы и является единственным способом избежать убывающей доходности в долгосрочном периоде [Romer, 1990; Grossman, Helpman, 1991; Barro, Sala-i-Martin, 1997].

В начале 2000-х гг. стали появляться работы, изучающие проблему дифференциации регионов одной страны по уровню инновационного и технологического развития [Porter, 2000; Fujita, Krugman, Venabees, 2001; Stimson, Stough, Roberts, 2006]. Ключевая роль регионов в формировании потенциала технологического развития национальных экономик связана с созданием благоприятных институциональных условий для появления и восприятия новых технологий. Данное положение нашло отражение и в группе неошумпе-терианских теорий экономического роста, развивающих идею о «созидательном разрушении» [Aghion, Howitt, 1992; Hanusch, Pyka, 2007; Sukharev, 2011]. Р. Нельсон указывал, что процесс технологического развития зависит не только от наличия производственных возможностей, изобретательных способностей предпринимателей и поощрительной политики власти, но и от способности среды принять и распространить новую технологию

[Nelson, 2008]. П. Агийон и П. Хоуит, опираясь на идею созидательного (креативного) разрушения Й. Шумпетера, связали внутренние источники повышения производительности и действия рыночных механизмов по вытеснению старых технологий производства, старых продуктов и практик управления [Aghion, Howitt, 1992]. Так появилась концепция, согласно которой ключевым фактором экономического роста является эффективная ре-аллокация, перелив ресурсов от наименее производительных фирм к более производительным, в результате чего рынок очищается от неэффективных фирм Сухарев, 2019; Катуков, Малыгин, Смородинская, 2019]. Нарушает данный процесс госмонополизм и поддержка низкорентабельных экономических агентов, часто являющихся социально значимыми. Низкоэффективные компании блокируют у себя ресурсы, препятствуя таким образом технологическому прогрессу и повышению уровня производительности отраслей, росту региональных экономик и экономики в целом [Decker et al., 2017].

Для России проблема существенных разрывов в уровне технологического и, как следствие, экономического развития регионов чрезвычайно актуальна. По состоянию на 2018 г. регионы Уральского макрорегиона находились в противоположных частях рейтинга научно-технологического развития (табл. 1). Рейтинг формируется путем оценки интегрального индекса для каждого субъекта РФ по 19-ти показателям, объединенным в 4 группы: «Человеческие ресурсы», «Материально-техническая база», «Эффективность научно-технологической деятельности» и «Масштаб научно-технологической деятельности». Рейтинг социально-экономического развития строится на основе 18-ти показателей, объединенных в следующие группы: «Показатели масштаба экономики», «Показатели эффективности экономики», «Показатели бюджетной сферы», «Показатели социальной сферы».

Таблица 1. Индекс социально-экономического и научно-технологического развития

регионов РФ (РИА Рейтинг) Table 1. Index of socioeconomic and scientific and technological development of the Russian regions (RIA ranking)

Субъект РФ Индекс социально-экономического развития

2017 г. 2018 г.

Ind R Ind R

Индекс социально-экономического развития

Лидер рейтинга (г. Москва) 84,73 1 88,05 1

Свердловская область 64,2 6 67,91 7

Тюменская область (без АО) 58,84 10 64,93 8

Республика Башкортостан 58,96 9 62,7 11

Челябинская область 53,54 17 57,26 15

Пермский край 53,86 15 57,05 16

Оренбургская область 43,6 29 48,81 25

Курганская область 24,19 72 23,95 76

Индекс научно-технологического развития

Лидер рейтинга (г. Москва) 81,68 1 79,91 1

Пермский край 56,27 7 57,60 7

Тюменская область (без АО) 54,13 11 56,99 8

Свердловская область 55,34 8 56,24 9

Челябинская область 49,24 18 51,54 13

Республика Башкортостан 50,78 15 49,98 18

Оренбургская область 27,42 59 28,62 56

Курганская область 28,63 55 28,22 57

Примечания: Ind - индекс развития; R - место в рейтинге. Составлено на основе данных рейтинга. URL: https://riarating.ru/regions/.

В данной статье мы предпримем попытку рассмотреть проблему столь сильной дифференциации технологического развития регионов Уральского макрорегиона в ракурсе используемых технологий, их разнообразия и локализации фирм-системных интеграторов. В качестве методологической основы мы используем базовое положение экономики сложных систем о том, что ключевым фактором повышения устойчивости экономической системы является наращение ее сложности, а сложность относится к функции разнообразия. Мы полагаем, что показатель совокупной факторной производительности отражает уровень технологичности экономической системы любого уровня - национальной, региональной, отраслевой [Евсеева, 2019].

Экономическая теория сложности для исследований технологического развития

Теоретический подход, впоследствии названный экономической теорией сложности, или экономикой сложности (Complexity Economic), получил свое развитие в результате междисциплинарных исследований сложных адаптивных систем. Экономическая теория сложности опирается на понимание того, что современные экономические системы не всегда стремятся к равновесию и могут демонстрировать эффекты возрастающей отдачи, а экономические ситуации не статичны, они являются динамично меняющимся комплексом институтов, механизмов и технологий [Arthur, 1999; 2013]. В этом заключается главное отличие подхода от неоклассической теории, основанной на идее равновесия и вытекающей из нее проблеме убывающей отдачи на длительном временном периоде.

С. Г. Кирдина-Чэндлер так формулирует предпосылки развития концепции экономики сложности: «... возникает все больше явлений и феноменов, которые не вписываются ни в стандартную классификацию «рынков и иерархий», ни в дихотомию «микро-ма-кро». Мы видим пространство институтов, сетевые структуры (блокчейны, технологические платформы и т. д.), гибридные формы, агломерации и т. д., взаимодействия между которыми все более усложняются.» [Кирдина-Чэндлер, 2018, с. 8].

В качестве первичной организационной единицы анализа теория рассматривает сложные адаптивные системы, обладающие способностью к саморазвитию и самообновлению [Al-Suwailem, 2011]. Эти системы неотделимы от постоянно меняющейся внешней среды, формируемой их участниками в ходе совместного развития. Участники системы непрерывно адаптируются друг к другу и среде через сигналы обратной связи [Martin, Sunley, 2007; Schneider, 2012]. Экономическая динамика в экономической теории сложности - это результат сетевых взаимодействий сложных нелинейных экосистем [Russell, Smorodinskaya, 2018].

Фокус на нелинейном характере развития - это еще одно базовое функциональное отличие теории от неоклассического мейнстрима. Здесь мы находим наследие эволюцион-но-институционального подхода, сторонники которого первыми указали на то, что зарождение технологий - многомерный процесс. Накопление, адаптация и перелив новых знаний между институциональными секторами, а затем селекция лучших технологий и инновационный процесс формируют направления и траекторию технологического развития [Elsner, Heinrich, Schwardt, 2014]. Дж. Доси связывал проявление эффектов возрастающей отдачи с накоплением технологического знания, сетевыми внешними эффектами, эффектами комплементарности и экономии от интеграции при разработке и/или освоении технологий [Доси, 2012]. Однако ровно эти же факторы приводят к проявлению эффекта колеи (path dependence) и попаданию в технологическую ловушку, объясняемую институционалистами как результат неблагоприятного отбора. Примером этому служит эффект qwerty, описанный в работе П. Дэвида [David, 1985]. Д. Норт следующим образом объясняет возникновение ловушек: «. технологическое развитие, однажды принявшее

определенное направление, может привести к победе одного технологического решения над другими даже тогда, когда первое технологическое направление, в итоге, оказывается менее эффективным по сравнению с отвергнутой альтернативой» [Норт, 1997].

Экономическая теория сложности конституирует технологическое развитие как результат динамического сочетания технологической конкуренции и интерактивной технологической кооперации участников сложных адаптивных систем (бизнес-сетей, экосистем). А ключевыми факторами, позволяющими нивелировать траекторную зависимость, называет поддержку разнообразия и отбор технологий, имеющих наибольший потенциал развития.

В. Артур указывает на то, что сбалансированный рост в условиях нелинейности может быть достигнут только при условии наращивания экономикой своей структурной сложности [Arthur, 1999]. Р. Хаусманн определяет два базовых направления структурного усложнения экономических систем - организационное и функциональное. Первое обусловлено развитием сетевых взаимодействий разнородных экономических агентов, а второе - усложнением технологий производства товаров и услуг, их активной конвергенцией и высокой скоростью обновления [Hausmann et al., 2013].

Наибольшее развитие получили исследования функционального усложнения экономики. Экономика считается функционально сложной, наиболее адаптивной и динамически устойчивой, если она экспортирует значительное число разновидностей технологически сложных продуктов [Hidalgo, Hausmann, 2009]. На этом утверждении построен гарвардский индекс экономической сложности стран мира (Economic complexity index)1, а также большинство академических исследований (см. напр. [Martin, Sunley, 2007; Schneider, 2012; Кадочников, Федюнина, 2015; Любимов и др., 2017; Love, Stockdale-Otárola, 2017; Любимов, Оспанова, 2019; Ivanova, Smorodinskaya, Leydesdorff, 2020]). Методически указанные исследования базируются на предположении о том, что экспортные данные отражают наличие в экономике производственных ингредиентов (сырье, материалы, оборудование, технологии, компетенции), которые необходимы для выпуска и экспорта определенного товара. Таким образом, по составу экспортной корзины страны можно оценить аккумулированные данной экономикой ресурсы и определить, что эта страна сможет производить в будущем [Любимов и др., 2017]. Страны с наибольшим индексом обладают наибольшим конкурентным потенциалом, перспективой технологического роста и высокой динамической устойчивостью. По состоянию на 2018 г. Россия занимала 64-е место в рейтинге экономической сложности, располагаясь между Египтом (63-е место) и Грузией (65-е место) (рис. 1).

На рис. 1 видны различия траекторий индекса сложности для стран с ресурсной специализацией - России, Нидерландов, Венесуэлы и Саудовской Аравии. А траектории индексов России и Венесуэлы практически параллельны.

Необходимо отметить, что в условиях санкционной политики данный методический подход может давать для отдельных стран не вполне корректные результаты. Кроме того, опора на товарный экспорт в соответствии с ТНВЭД - для российский исследований и HS code - для зарубежных исследований предполагает отраслевую стратификацию экономики. Однако усложнение технологий производства товаров, развитие сервисных бизнес-моделей, распространение цифровых технологий ведут к тому, что компании начинают концентрироваться на выполнении технологически обособленных и узкоспециализированных бизнес-задач, т. е. экономические системы стремятся к более тонкой, чем отраслевая, стратификации. Например, в кластерной литературе выделяется 51

1 Atlas of economic complexity. Available at: https://atlas.cid.harvard.edu/rankings/.

Рис. 1. Индекс экономической сложности некоторых стран мира, 1996-2018 гг.1 Fig. 1. Country Complexity Ranking, 1996-2018

кластерная категория - сектор со сложной специализацией на стыке нескольких технологически сопряженных видов деятельности [Sturgeon, 2002; Delgado, 2018; Lindqvist, 2009].

В докладе Европейской комиссии за 2017 г. особо подчеркивается, что в современном мире технологический рост связан с развитием новых «сложных» знаний и технологий, появляющихся на стыке научных дисциплин. Создание условий для генерации и применения этих новых технологий возможно только в пределах географически обособленных территорий [Crespo et al., 2017]. Таким образом, взаимодействие экономических агентов перемещается из межотраслевой плоскости и вертикали технологической цепочки в точки сопряжения отдельных технологий, а территории приобретают не отраслевую, а технологическую специализацию. И. В. Бойко развивает идею технологической диверсификации регионов России, подчеркивая необходимость преодоления отраслевого подхода к стратификации экономического пространства страны [Бойко, 2018].

В контексте углубления специализации следует, однако, вновь обратиться к ключевому тезису эволюционно-институционального подхода о траекторной зависимости развития от сочетания ранее сложившихся тенденций [Аузан, 2015]. Сужение разнообразия видов деятельности и/или доминирование какой-то одной технологии может грозить эффектами блокировки и попаданием в технологическую ловушку. К. Френкен

1 Atlas of economic complexity. Available at: https://atlas.cid.harvard.edu/rankings.

и Р. Бошма обращают внимание на необходимость поддержания баланса между технологической специализацией территории и разнообразием применяемых промышленными производствами технологий [Frenken, Boschma, 2007].

Таким образом, устойчивость экономики территории обусловлена возможностью встраивания в большее число глобальных технологических цепочек, проявлением эффекта диверсификации (территория сохраняет экономическую устойчивость в условиях, если продукция отдельной технологии оказывается невостребованной) и снижением вероятности траекторной зависимости. Технологические ловушки, являющиеся следствием траекторной зависимости, существенно подрывают перспективы роста, девальвируя усилия государства в сфере стимулирования технологического прорыва.

В данной статье мы попытаемся взглянуть на проблему оценки уровня технологичности экономики региона, углубляя отраслевые агрегации до уровня отдельных технологий. Оценим технологическую сложность региональной экономической системы как функцию разнообразия, а также технологическую фрагментированность на уровне совокупностей фирм - носителей технологий, выражаемую величинами разрывов в их факторной производительности. Мы полагаем, что значительные разрывы в показателях СПФ блокируют перелив ресурсов от менее производительных компаний к более производительным, препятствуя тем самым экономическому росту.

Методика исследования технологической сложности субъектов Уральского макрорегиона

Отрасль - это совокупность однотипных технологий, результатом которых является конечный продукт или продукт для промежуточного потребления.

Мы использовали представление иерархии технологий, широко применяемое в зарубежной литературе (см. напр. [Pistorius, Utterback, 1997; Meade, Islam, 1998; Lee, Lee, Oh, 2003; Zhang et al., 2017]). Согласно этому подходу все технологии можно условно разделить на базисные (в иностранной литературе используется понятие «фундаментальные»), компонентные и системные.

Системные технологии соответствуют одному или нескольким функциональным требованиям конечных пользователей и реализуются путем интеграции нескольких аппаратных и программных продуктов, называемых компонентными технологиями. Компонентные технологии поддерживают системную технологию, но, как правило, не могут выполнять функциональные требования пользователей отдельно. Базисные - это первичные технологии, позволяющие реализовать технологии компонентного уровня. Примером реализации системной технологии может служить пассажирский самолет, компонентной технологии - авиационный турбинный двигатель, базисной технологии - сплав для изготовления лопатки турбины авиационного двигателя [Zhang et al., 2019].

Необходимо отметить, что средний уровень инженерных систем - компонентный -часто условно делится еще на три группы: простые, средней сложности и сложные компонентные технологии. Зарубежные исследователи используют этот прием для дифференциации относительно сложных и простых технологий, например, изготовление мебели по данной классификации относится к системным технологиям, а отдельные ее элементы (например, фурнитура) - к компонентным. Но изготовление мебельной фурнитуры и авиационного двигателя - не сопоставимые по сложности технологии, поэтому внутри компонентного уровня они располагаются в разных группах.

Для оценки совокупной факторной производительности как показателя уровня технологичности экономики мы применили традиционную формулу, используемую большинством исследователей (см., например [Botric, Bozic, Broz, 2017; Бессонова, 2018;

Орехова, Кислицын, 2019]). Совокупная факторная производительность (TFP) является универсальным индикатором технологического прогресса, обеспечиваемого возрастанием эффективности использования располагаемых факторов производства:

У У а

TFP = f (■£■)!=, (1)

где Y - валовая добавленная стоимость, K - величина капитала компании, L - количество труда, используемого компанией, A - совокупная факторная производительность, а - доля дохода на капитал в общем объеме факторных доходов (= 0,3)

Y = Sales - DC + L + IP + Tax, (2)

где Sales - выручка компании, DC - прямые расходы, Lab - оплата труда, IP - страховые взносы, уплачиваемые предприятиями в государственные внебюджетные фонды РФ, Tax - налоги, включаемые в себестоимость.

Для оценки технологической фрагментированности экономической среды региона мы использовали коэффициент вариации.

Основываясь на том, что типичным объектом анализа в экономической теории сложности является экосистема, мы посчитали возможным применить инструментарий экосистемного подхода, оперирующий такими показателями, как плотность, разнообразие, теснота связи и т. п. Хотя этот инструментарий еще находится в начальной стадии формирования и во многом опирается на междисциплинарное сочетание показателей сетевой экономики и биоэкологии, полагаем, что для целей нашего исследования он может дать вполне релевантные результаты.

Для расчета показателя технологического разнообразия мы применили индекс Шеннона и индекс Симпсона. Индекс Шеннона характеризует разнообразие и вырав-ненность сообщества, индекс Симпсона является мерой доминирования, чувствительной к наиболее распространенным видам. Считается, что сочетание этих индексов наиболее полно характеризует меру разнообразия [Алимов, 2000].

Индекс Шеннона:

H = *lnf). (3)

Индекс Симпсона:

(4)

Р(Р-1) ' v J

где рг - количество фирм-носителей г-той технологии, р - общее количество фирм, п -количество технологий.

Предполагаем, что чем больше в промышленном секторе региона технологий и чем меньше различаются по количеству фирмы-носители этих технологий, тем выше индекс Шеннона. При незначительном технологическом разнообразии индекс Шеннона стремится к нулю.

Чем сильнее выражено доминирование какой-либо технологии, что отражается в количества фирм-носителей, тем выше индекс Симпсона. При равномерном распределении количеств фирм-носителей технологий индекс Симпсона стремится к нулю. Таким образом, для правильного отображения логики матрицы примем обратный индекс - 1АО. На рис. 2 изображена матрица технологического разнообразия по измеряемым индексам.

cs

и

о и

с

s . s

и

и И

tu «

Я

S

Разнообразие слабо выражено. Угроза неустойчивости. Разнообразие хорошо выражено. Устойчивая система

Разнообразие не выражено. Угроза неустойчивости. Угроза path dependence Разнообразие хорошо выражено, но есть доминирование технологий. Угроза path dependence

Индекс Шеннона (H)

Рис. 2. Матрица технологического разнообразия экономических систем Fig. 2. Matrix of economic systems' technological diversity

DO

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

0

oo

Индекс экономической сложности, как было показано выше, основан на предположении о том, что экономическая система тем сложнее, чем более технологически сложные продукты она способна производить. Это привело нас к идее, что чем больше на территории региона сконцентрировано фирм-носителей системных технологий (мы назвали их системными интеграторами), тем более сложной и динамически устойчивой будет региональная экономическая система.

Таким образом, технологическая сложность региональной экономики есть функция от двух обобщенных аргументов - технологического разнообразия и концентрации системных интеграторов.

В целом программа исследования включает следующие этапы:

1) дезагрегация видов экономической деятельности на отдельные технологии;

2) структурирование технологий в трехуровневой системе - базисные, компонентные, системные;

3) формирование выборки компаний - носителей технологий;

4) расчет показателей и оценка степени технологической фрагментированности и технологического разнообразия региональных экономических систем;

5) интерпретация результатов.

Последовательно выполняя программу, мы ожидали получить ответы на следующие вопросы:

A. Имеет ли место технологическая фрагментированность на каждом уровне технологий? Проводя декомпозицию видов экономической деятельности до отдельных технологий, мы увидели, что, как правило, отрасль (вид экономической деятельности по ОКВЭД-2) располагается на двух уровнях - либо базисные/компонентные, либо компонентные/системные технологии. Это породило предположение, что диагностируемые в исследованиях на агрегированных данных внутриотраслевые разрывы в уровне СПФ обусловлены тем, что фирмы-носители технологий разного уровня, объединенные в одном виде экономической деятельности, имеют различную факторную производительность.

B. Насколько существенны различия в значениях факторной производительности для разных уровней иерархии технологий? Согласно данным прежних исследований значительная разница в СПФ стимулирует появление эффекта замедления: низкие показатели на базисном уровне тормозят развитие компонентных технологий, которые, в свою очередь, тормозят развитие системных. Для объяснения этого явления был использован эффект просачивания (trickle-down effect) и показано, что государственная поддержка только системных технологий не дает должного эффекта именно из-за ин-гибирующего действия нижних уровней технологических систем [Zhang et al., 2018; 2019]. В. И. Бархатов и Д. С. Бенц [2019] отмечают, что форсирование развития только

высоких технологий может вызвать кризис воспроизводства в смежных отраслях, что подчеркивает двусторонний характер эффекта просачивания.

С. Определяется ли технологическая сложность экономической системы концентрацией системных, т. е. сложных, технологий? И насколько существен фактор технологического разнообразия в контексте структурной сложности экономической системы? Н. Смородинская указывает, что эффективность политики технологического роста определяется тем, насколько успешно институциональная среда поддерживает развитие смежных технологий, усложняя тем самым структуру связей субъектов экономической системы [Смородинская, Катуков, 2020].

Данные исследования

Объектом исследования выступили субъекты Уральского макрорегиона: Свердловская, Челябинская, Тюменская (без автономных округов), Курганская, Оренбургская области, Пермский край и Республика Башкортостан. Область исследования - обрабатывающая промышленность, за исключением пищевой. Выбор обусловлен выраженным индустриальным типом экономик этих регионов: существенную долю валового регионального продукта формируют обрабатывающие виды деятельности. Кроме того, опираясь на методику оценки индекса экономической сложности, мы заключили, что экспортная корзина формируется в основном продукцией этих видов деятельности.

Кроме того, в область исследования частично включены виды деятельности из сектора добывающей промышленности: добыча металлических руд и прочих полезных ископаемых. Это сделано, чтобы обеспечить семейство компонентных технологий по производству неметаллической минеральной продукции (строительные материалы, керамика, огнеупоры, стекло) базисными технологиями, поскольку для их производства не существует полуфабрикатов, таких как, например, стальные отливки для первичной металлообработки. И, как правило, предприятия по производству этой продукции располагаются в непосредственной близости от карьеров, а их производственный цикл включает добычу и обогащение минерального сырья.

Период наблюдений - 2007-2019 гг. Это обусловлено тем, что методика нашего исследования базируется на использовании ОКВЭД, первая редакция которого введена в действие в 2007 г.

Дезагрегация видов экономической деятельности на отдельные технологии проведена в соответствии с классификатором ОКВЭД-2 до уровня кодирования, отражающего обособленные технологии. Например, вид экономической деятельности 17. Производство бумаги и бумажных изделий разделен на две составляющие его технологии: 17.1. Производство целлюлозы, древесной массы, бумаги и картона и 17.2. Производство изделий из бумаги и картона. А вид деятельности 28. Производство машин и оборудования, не включенных в другие группировки детализирован на 21 обособленную технологию. Полученные после дезагрегации видов экономической деятельности технологии мы расположили в иерархической системе технологий. Необходимо отметить, что высокотехнологичные виды деятельности1 расположились на уровне системных технологий, наиболее низкотехнологичные виды деятельности - на уровне базисных технологий (рис. 3).

1 В соответствии с классификацией, принятой на основании приказа Росстата от 15 декабря 2017 г. № 832 (ред. от 17 января 2019 г.) «Об утверждении Методики расчета показателей «Доля продукции высокотехнологичных и наукоемких отраслей в валовом внутреннем продукте» и «Доля продукции высокотехнологичных и наукоемких отраслей в валовом региональном продукте субъекта Российской Федерации».

Системные технологии

20.51120.4 // 20.3 // 20.21121.11122.0 // 23.0 // 24.3 // 24.2 // 25.0//26.1//26.8 // 26.7 // 26.5 // 26.3 // 27.1 // 27.2 // 27.4 // 27.3 // 28.29.1 // 2 8.29.7 // 28.29.6 // 28.25 // 28.24 // 28.1 // 29.3 // 30.99 // 30.92 // 31.0 // 32.0 // 16.2 // 17.2 // 18.1

Компонентные технологии

16.1 17.1 18.2 19.1 19.2 19.3 20.1 24.1 24.4 24.5

Базисные технологии

Рис. 3. Пример иерархии технологий (технологии обозначены разверткой кодов ОКВЭД-21) Fig. 3. Example of a hierarchy of technologies (technologies are specified according to All-Russian Classification of Economic Activities (OKVED-2))

Источником формирования выборки компаний для исследования послужила система СПАРК-Интерфакс. В выборку включались действующие компании со среднесписочной численностью не менее 10 человек, имеющие требуемые для расчета показатели выручки, оплаты труда, основных средств, себестоимости продаж. Технологическая принадлежность определялась по основному виду экономической деятельности компании. Параметры выборки представлены в табл. 2.

Таблица 2. Выборка исследования по состоянию на 2019 г.

Table 2. The research sample as of 2019

Показатель Курганская область Тюменская область* Свердловская область Челябинская область Оренбургская область Пермский край Республика Башкортостан

Генеральная совокупность, шт. 290 541 1673 1468 509 1032 1318

Количество компаний в выборке, шт. 144 255 865 859 225 520 568

Доля по выручке на агрегированном отраслевом рынке, % 85,5 83,6 86,0 86,3 84,7 84,1 83,9

Количество выявленных базисных технологий 8 12 37 31 14 23 21

Количество выявленных компонентных технологий 26 38 101 86 56 75 93

Количество выявленных системных технологий 8 8 18 20 10 17 13

Всего технологий 42 58 152 137 80 115 127

Примечания: *без учета автономных округов.

1 Расшифровка доступна на сайте: https://classifikators.ru/okpd.

Для каждого региона рассчитаны показатели совокупной факторной производительности компаний и коэффициенты вариации, отражающие технологическую фраг-ментированность на каждом уровне. Расчет вариаций по отдельным технологиям не был проведен по причине недостаточности количества наблюдений. Вероятно, данный показатель будет более релевантен в страновых измерениях. Из табл. 3 уже видно, что, например, на территории Свердловской области реализуется наибольшее из сравниваемых регионов количество технологий, т. е. можно сделать предварительный вывод о степени разнообразия. Однако индексы Шеннона и Симпсона призваны дать более тонкую оценку степени выравненности и доминирования технологий, а значит, более точную оценку степени разнообразия. Для каждого региона также была оценена доля компаний - носителей системных технологий. Расчеты проведены по итогам 2007, 2011, 2015, 2019 гг.

Исходя из теоретической информации, мы предполагаем, что, во-первых, компа-нии-системные интеграторы имеют более высокую факторную производительность. Во-вторых, в наиболее развитых регионах присутствует большее число таких компаний, что могло бы косвенно объяснить более высокие значения валового регионального выпуска по рассматриваемым отраслям.

Результаты и обсуждение

Совокупная факторная производительность. Результаты расчета показателей совокупной факторной производительности представлены на рис. 4 в виде натуральных логарифмов величин. Коэффициенты вариации рассчитаны на основе первичных величин показателя СПФ.

Обращает на себя внимание то, что у регионов с высоким уровнем развития показатели производительности компаний в целом выше, чем у Оренбургской и Курганской областей. Кроме того, у Оренбургской и Курганской областей величины СПФ сравнимы по всем трем уровням, в то время как у остальных исследуемых регионов производительность компаний на системном уровне выше, чем на компонентном и базисном.

В Свердловской области можно наблюдать более высокую производительность компаний на компонентном уровне, чем в Челябинской области. Наибольшая дисперсия значений СПФ на всех трех уровнях - в Пермском крае, наименьшая - в Оренбургской области.

450 400 350 300 250 200 150 100 50 0

J A A U-* k ж ■ ■ ■ A*A

1 fad * - * ь ■■

11 '.1 ■ ■ ■ ■ "г* ■ _ _ ■

■ ■ ■■ go : ■■ ■

■ ■ ■ # ■ _ ■ 1

1 ж ♦ Л » ф ф ■ Ar ■ "i ■ V

♦ ♦ i глч. ♦♦♦ 4 • . * ♦ ♦ ж , »

is* Л ♦4. ♦ ^ ♦

0,00 1,00 2,00 3,00 4,00 5,00 6,00 Натуральный логарифм СПФ

Базисные технологии ■ Компонентные технологии

а Системные технологии

7,00 8,00

а) Свердловская область, 2019 г.

H

a «

s и

at

a s

о «

о m

H

и

(U

Cr" S К О

w

180 160 140 120 100 80 60 40 20 0

. A A A

■ ■ ■ ■ aA в ■■ A A A AAA A

4/ : - ■ ■ ■

■■ ■ ■ ■■ - 1 ■ ■

■: J -:■ J ■■r.

1 ■ ^ ■ ■ ■ _ ■ ■

' и ■ ■ ■ ■ ; ■ _

■■ * : ■

- ■ ♦ ♦ ♦ Л^ж ♦ ♦ ♦

e-i 0

>s s к

ai И

s о

W

о я

H

о

<u

S

«

3

400 350 300 250 200 150 100 50 0

H 0

>s" s и

ев С

s

о к о я н и «и

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

S

ч

н 0

»S

S «

ст)

И

S §

о я н о

<L> Cr1

s и

з

350 300 250 200 150 100 50 0

Базисные технологии

Компонентные технологии

Системные технологии

0,00 1,00 2,00 3,00 4,00 5,00 6,00 7,00 8,00 Натуральный логарифм СПФ

б) Тюменская область, 2019 г.

A A4 1

Ш m -Mi* ■ ^А А А

■ ■ ■■ ■ _ ■ I 1 ■МВГ ■ # ■ Г ■ ■ ■

A ■ тя ■ ■ ■ ■

я ■ "

■ ш *ИЧГ ■ и ■

■ ■ . л * л ■ ■ ■

♦ ♦

Базисные технологии Компонентные технологии

Системные технологии

0,00 1,00 2,00 3,00 4,00 5,00 6,00 7,00 8,00 Натуральный логарифм СПФ

в) Челябинская область, 2019 г.

4 А. А k. 4

■ В 4 ■ Ш.Ш _ ▲ A А

f ъ ■ ■ ■ ■ ■ ■■ ■

■ ■ ■ ■ ■ ' Vй. ■ ■ ■ ■ ■ ■■ v; -: ■ ■

■ ■: --J

■ ■ ■

♦ ♦ ♦ ^

00 1,00 2,00 3,00 4,00 5,00 6,00 7,00 8,< Натуральный логарифм СПФ г) Пермский край, 2019 г.

■TL AA А А А

■ ■ Щ tv? 1 J4 ■ ь ■ ■1 ■

■ # ■ ■ ■ ■ ri ■ ■ m ■

■ ■ ■А m I ■ _

■ т »■А ■ ■■ \ V ■ ■ ♦ 4 ■ - <r ■ ■

- * t ♦♦♦ ♦ ♦

Базисные технологии

Компонентные технологии

Системные технологии

Базисные технологии

Компонентные технологии

Системные технологии

0,00 1,00 2,00 3,00 4,00 5,00 6,00 7,00 8,00 Натуральный логарифм СПФ

д) Республика Башкортостан, 2019 г.

180 160 140 120 100 80 60 40 20 0

A A

/а f aa a ▲

4/> ■ ■ ■

: - ■ ■

■ ■■r ■

■ ■ Ящ Я Я ■ ■

■ ^ ■ ■ ■ я

♦ л ■ * ■ '

# ♦ ► ♦ ♦

0,00 1,00

80 70 60 50 40 30 20 10 0

Базисные технологии

■ Компонентные технологии

а Системные технологии

2,00 3,00 4,00 5,00 6,00 7,00 8,00 Натуральный логарифм СПФ

е) Оренбургская область, 2019 г.

Базисные технологии

■ Компонентные технологии

а Системные технологии

0,00 1,00 2,00 3,00 4,00 5,00 6,00 7,00 8,00 Натуральный логарифм СПФ

ж) Курганская область, 2019 г.

Рис. 4. Совокупная факторная производительность компаний в субъектах Уральского макрорегиона в 2019 г. Fig. 4. Total factor productivity of companies in the subjects of the Ural macroregion, 2019

Коэффициенты вариации, рассчитанные на основе первичных значений СПФ, показали следующую картину. По всем регионам в 2007 г. наблюдались разрывы в группе системных технологий в диапазоне коэффициента 1,40-1,55, компонентных - 1,50-1,74, базисных - 0,825-0,940. К 2019 г. коэффициенты вариации на системном и компонентном уровнях постепенно снижались и составили 0,87-0,92 и 0,97-1,02 соответственно. Мы наблюдаем снижение технологической фрагментированности, выравнивание производительности компаний на каждом уровне технологий. Исключение здесь составляет Пермский край. На уровне базисных технологий фрагментированность оставалась примерно на постоянном уровне, коэффициенты вариации не превышали 1. Частично это может быть объяснено явным численным превосходством компаний компонентного уровня.

Мы не увидели значимой связи между динамикой фрагментированности уровней, т. е. не можем с уверенностью говорить о том, что более фрагментированный уровень компонентных технологий в Пермском крае обуславливает и значительную фрагментированность на системном уровне и, наоборот, для Оренбургской области. По-видимому, для фиксации эффекта просачивания необходимы более глубокие методы наблюдения и более длительная ретроспектива.

Технологическое разнообразие. Показатели технологического разнообразия - индексы Шеннона и Симпсона - рассчитаны для каждого региона для 2007, 2011, 2015 и 2019 гг. Результаты расчетов показали следующее (табл. 3).

Таблица 3. Результаты расчетов показателей технологического разнообразия для субъектов Уральского макрорегиона, 2007, 2011, 2015 и 2019 гг.

Table 3. Calculated indicators of technological diversity for the subjects of the Ural macroregion, 2007, 2011, 2015 and 2019

Субъект РФ Индекс Шеннона Индекс Симпсона

2007 2011 2015 2019 2007 2011 2015 2019

Свердловская область 5,01 6,12 5,78 5,81 0,112 0,110 0,092 0,084

Тюменская область (без АО) 3,36 3,40 3,67 4,32 0,43 0,41 0,32 0,36

Республика Башкортостан 4,89 4,91 4,82 4,62 0,29 0,28 0,19 0,17

Челябинская область 5,36 5,61 5,62 5,69 0,093 0,092 0,097 0,081

Пермский край 4,75 4,82 4,90 5,04 0,22 0,15 0,14 0,15

Оренбургская область 4,68 4,66 4,52 4,17 0,18 0,21 0,15 0,102

Курганская область 3,58 3,50 3,51 3,33 0,21 0,22 0,27 0,28

Промышленность Тюменской области ожидаемо продемонстрировала наибольшие показатели индекса Симпсона, являющегося мерой доминирования технологий. С учетом ресурсно-ориентированного характера самой области и ее автономных округов выглядит логичной концентрация в области компаний вида деятельности «Производство машин и оборудования для добычи полезных ископаемых и строительства». Этот вид деятельности был отнесен нами в разряд системных технологий. Доминирующими на уровне компонентных технологий Тюменской области являются «Производство электрической распределительной и регулирующей аппаратуры», «Производство навигационных, метеорологических, геодезических, геофизических и аналогичного типа приборов, аппаратуры и инструментов», «Производство гидравлического и пневматического силового оборудования», «Производство арматуры трубопроводной», «Обработка металлов и нанесение покрытий на металлы». В целом видно, что вид доминирующей системной технологии определяет то, какие компонентные технологии получают наибольшее развитие на территории. Само по себе доминирование тех или иных производственных технологий не является негативным фактором и во многом обусловлено минерально-ресурсной базой региона. Тюменская область стабильно занимает высокие строчки в различного рода рейтингах социально-экономического развития. Однако этот фактор может стать критическим при изменении внешней конъюнктуры, а также быть причиной формирования и укрепления траекторной зависимости развития региона. Необходимо отметить, что промышленность Тюменской области в 2007 г. характеризовалась меньшей степенью технологического разнообразия, т. е. мы наблюдаем здесь позитивную динамику технологического развития.

Наименьшие значения показателей демонстрирует Курганская область. При значительном доминировании технологий индекс разнообразия достаточно низок. На уровне системных технологий наибольший вес имеет вид деятельности «Производство военных боевых машин», носителем которой является крупнейшее предприятие региона ПАО «Курганмашзавод». На компонентном уровне доминирующими являются технологии «Производство арматуры трубопроводной», «Обработка металлических изделий механическая», «Производство строительных металлических конструкций и изделий». В целом трудно говорить о соответствии вида распространенных компонентных технологий ведущей системной технологии. Также необходимо отметить негативную динамику - сужение технологического разнообразия.

Оренбургская область и Республика Башкортостан находятся в похожей ситуации. У обоих регионов наблюдается снижение индекса Шеннона, т. е. сужается количество реализуемых на территории технологий. Однако Республика Башкортостан стабильно

входит в первую двадцатку регионов по уровню социально-экономического и научно-технического развития. А для Оренбургской области характерны высокие места в рейтинге социально-экономического развития (вторая двадцатка) и места во второй половине рейтинга научно-технологического развития (см. табл. 1). По всей видимости, причина заключается в локализации системных интеграторов. Производительность компаний - носителей системных технологий в Оренбургской области сопоставима с производительностью компаний компонентного и базисного уровня, в Республике Башкортостан мы видим значимый разрыв в показателях СПФ системного и компонентного уровня. Это имеет значение, поскольку количество системных интеграторов в Республике Башкортостан выше, чем в Оренбургской области, для которой характерен широкий уровень компонентных технологий. Большой блок показателей рейтинга НТР связан с оценкой величины и эффективности затрат на внутренние разработки, технологические инновации, которые существенно выше для системных технологий [Zhang et al., 2019].

Наибольшие показатели технологического разнообразия демонстрируют Свердловская, Челябинская области и Пермский край. У всех трех регионов мы видим низкое значение индекса Симпсона, что говорит о технологической выравненности обрабатывающей промышленности: четко доминирующие технологии не выявляются. Учитывая, что для Свердловской и Челябинской областей отмечен низкий уровень технологической фрагментированности по СПФ и высокие показатели производительности (по макрорегиону), можно сделать заключение об относительно гомогенной межфирменной среде, способствующей переливу ресурсов от менее эффективных фирм к более эффективным.

На матрице показателей индексов разнообразия (рис. 5) видно, что наибольшим технологическим разнообразием обладают Свердловская и Челябинская области. Курганская, Тюменская области, Республика Башкортостан и Пермский край тяготеют к доминированию технологий, что может снижать их адаптационные способности в периоды глобальных технологических сдвигов. Критическое значение это имеет для промышленности Курганской и Тюменской областей, где диагностируется также невысокое количество технологий. Для Оренбургской области характерно несущественное разнообразие технологий при низких значениях доминирования: технологий немного, но доминирующих нет. Это в определенной степени нивелирует перспективы траекторной зависимости, но для повышения уровня технологического развития необходимо размещение на территории региона системных интеграторов. В настоящее время регион выполняет роль «компонентного придатка» для соседних регионов: на его территории размещаются производства базисных и компонентных технологий, потребность в инвестициях и производительность которых, как правило, ниже.

14,00

<s к 12,00

о

1=1 10,00

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

S

s и 8,00

и « <u 6,00

К S 4,00

2,00

▼

•

X

▲

+ ■

3,0 3,5 4,0 4,5 5,0 Индекс Шеннона

5,5

♦ Свердловская область х Челябинская область + Курганская область

■ Тюменская область (без АО) ж Пермский край ▲ Республика Башкортостан

• Оренбургская область

6,0

Рис. 5. Матрицирование индексов технологического разнообразия по регионам Fig. 5. Matrix of technological diversity indices for the regions

Компании - системные интеграторы. Системными интеграторами называются компании - носители системных технологий. Лидером по количеству системных технологий является Челябинская область (рис. 6).

о я н и <D

V S

ч

о «

Э 25

« S

1н

о «

о

и н И

В я S и н и

а

о

20

15

10

---*

-¥-- =—V,

- ——X

2007

2011

2015

2019

Годы

Курганская область Тюменская область Свердловская область Челябинская область Оренбургская область Пермский край Республика Башкортостан

Рис. 6. Количество системных технологий, реализуемых на территории региона в 2007, 2011, 2015, 2019 гг. Fig. 6. Number of system technologies implemented in the macroregion's territory, 2007, 2011, 2015 and 2019

При этом доля системных технологий для Челябинской области в общем количестве реализуемых на территории региона составляет 10,24 %, Свердловской области - 8,78 %, для Курганской области - 16,34 %, Тюменской - 16,03 %. При этом, например, в Свердловской области насчитывается 144 компании-системных интегратора, а в Челябинской - 132 (рис. 7).

Республика Башкортостан

Пермский край ■ Системные

Оренбургская область технологии

Челябинская область L^^H ^M^L^L^Lh 1 Компонентные

„ I I I I I I I I I I I технологии

Свердловская область

Тюменская область (без АО) " ^азисные

Курганская область

I

0 10 20 30 40 50 60 70 80 90 100 %

Рис. 7. Зависимость уровней технологий от количества компаний, 2019 г. Fig. 7. Dependence of the state of technologies on the number of companies, 2019

Лидерами по доле компаний-системных интеграторов являются на протяжении всего периода наблюдений Свердловская, Челябинская области и Пермский край. При этом Челябинская область оказалась также лидером по количеству компаний - носителей базисных технологий. Лидером по доле компаний компонентного уровня технологий является Оренбургская область, периодически уступая по этому показателю место Курганской области.

Ранее мы предположили, что технологическая сложность региона определяется двумя параметрами - уровнем разнообразия технологий и локализацией на территории региона производств, выпускающих технологически сложную продукцию (системных интеграторов). Исходя из этого мы видим, что высоким уровнем технологической сложности

Системные технологии

Компонентные технологии

Базисные технологии

обладают только два региона - Челябинская и Свердловская области. Вместе с тем низкий уровень сложности не мешает Тюменской области входить в первую десятку регионов по уровню развития. В целом Тюменская область не является типичным объектом наблюдения в разрезе обрабатывающих отраслей даже с учетом того, что в исследование не включались ее автономные округа.

Несколько иную картину представляют собой соотношения суммарных показателей валовой добавленной стоимости по каждому технологическому уровню (рис. 8).

Республика Башкортостан Пермский край Оренбургская область Челябинская область Свердловская область Тюменская область (без АО) Курганская область

■ I I I I I I I I I

100

Рис. 8. Соотношение уровней технологий по показателю валовой добавленной стоимости, 2019 г.

Fig. 8. Proportion of various levels of technologies by gross value added, 2019

Сравнивая результаты, представленные на рис. 7 и 8, мы видим, что сопоставимое число компаний - носителей технологий на разных уровнях может давать различные вклады в валовую добавленную стоимость. Особенно это значимо для системных технологий, так как большинство системных интеграторов - это крупные компании со значительной численностью работников, что делает их сравнение достаточно корректным. Например, примерно одинаковые доли системных интеграторов в Пермском крае и Свердловской области демонстрируют совершенно различные значения долей по ВДС. С учетом наличия в Пермском крае доминирующих технологий (невысокий индекс Симпсона) и существенной фрагментированности показателей производительности на уровне системных и компонентных технологий можно предположить блокирующее воздействие этих факторов на эффективную реаллокацию ресурсов и, как следствие, рост факторной производительности. Обращает на себя внимание существенная доля ВДС компонентного уровня в Оренбургской области, что коррелирует с показателями СПФ для каждого уровня технологий (см. рис. 4). Относительно небольшие разрывы в значениях СПФ указывают на нормальный перелив ресурсов между компаниями, что в итоге приводит к эффективно функционирующему уровню компонентных технологий.

Заключение

Результаты позволяют следующим образом ответить на вопросы, поставленные нами на начальных этапах исследования.

А. Технологическая фрагментированность действительно имеет место. Наибольшие ее значения наблюдаются между уровнями системных и компонентных технологий для лидеров технологического развития объектов исследования - Свердловской и Челябинской областей. Для наименее технологически развитых регионов - Курганской и Оренбургской областей - получены сравнимые диапазоны факторной производительности для всех технологических уровней. Внутри уровней значительные разрывы наблюдаются в значениях СПФ компаний Пермского края, Республики Башкортостан и Оренбургской

области. Особенно это характерно для уровня компонентных технологий, что частично может быть объяснено большим количеством наблюдений. Для остальных регионов технологическую фрагментированность на уровнях технологий можно охарактеризовать как незначительную.

B. Разница в значениях СПФ наблюдается только для уровней системных и компонентных технологий. Значения СПФ уровня базисных технологий слабо отличаются от уровня компонентных. Наиболее существенны различия в величинах факторной производительности компаний, принадлежащих разным уровням, в Свердловской и Челябинской областях. Таким образом, производительность системных интеграторов этих регионов отличается от компаний - носителей компонентных технологий, что, вероятно, создает потенциал для роста производительности нижних технологических уровней.

C. В целом по результатам исследования мы можем говорить о степени технологической сложности как функции от уровня разнообразия и локализации системных интеграторов - компаний, продукция которых является технологически сложной. В группе объектов исследования наибольшей технологической сложностью обладают Свердловская и Челябинская области. Полагаем, для этих регионов характерна потенциально более высокая адаптационная способность и устойчивость по сравнению с другими субъектами Уральского макрорегиона. Тюменская область, традиционно имея высокий общий уровень развития, согласно нашим выводам не обладает достаточным потенциалом устойчивости в отношении конъюнктурных и технологических сдвигов. Оренбургская область, обладая значительным разнообразием технологий, отличается крайне низкой локализацией системных интеграторов, что делает ее местом размещения компонентных технологий для других регионов. Это положительно влияет на адаптационные способности, но может негативно отражаться на темпах технологического роста, выражаемого в приросте факторной производительности. Для Республики Башкортостан и Пермского края обнаружено доминирование технологий, что является фактором, катализирующим возникновение траекторной зависимости.

Дальнейшие исследования целесообразно направить на расширение использования экосистемного подхода, поскольку достаточно очевидным является тот факт, что технологическое развитие смежных территорий не происходит изолированно. Компании, функционирующие в одном территориальном контуре, слагаемом сырьевыми, природными, климатическими условиями, формируют обособленную технологическую экосистему. Понимание закономерностей ее функционирования позволит осуществлять эффективное управления технологическим ростом макротерритории.

Источники

Алимов А. Ф. (2000). Элементы теории функционирования экосистем. СПб.: ЗИН РАН. 147 с.

Аузан А. А. (2015). «Эффект колеи». Проблема зависимости от траектории предшествующего развития - эволюция гипотез // Вестник Московского университета. Сер. 6: Экономика. № 1. С. 3-17.

Бархатов В. И., Бенц Д. С. (2019). Промышленные рынки Уральского региона: экономический рост в условиях «новой нормальности» // Управленец. Т. 10, № 3. С. 83-93. БО!: 10.29141/22185003-2019-10-3-8.

Бессонова Е. В. (2018). Анализ динамики совокупной производительности факторов на российских предприятиях (2009-2015 гг.) // Вопросы экономики. № 7. С. 96-118. БО!: ЬИрв^Моь о^/10.32609/0042-8736-2018-7-96-118.

Бойко И. В. (2018). Пространственная и технологическая диверсификация российской экономики // Управленческое консультирование. № 6. С. 68-76. БО!: 10.22394/1726-1139-2018-5-68-76.

Доси Дж. (2012). Экономическая координация и динамика: некоторые особенности альтернативной эволюционной парадигмы // Вопросы экономики. № 12. С. 31-60. DOI: https://doi. org/10.32609/0042-8736-2012-12-31-60.

Евсеева М. В. (2019). Исследование особенностей роста высокотехнологичных компаний на основе параметрического подхода // Journal of New Economy. Т. 20, № 5. С. 108-124. DOI: 10.29141/2658-5081-2019-20-5-7.

Кадочников С. М., Федюнина А. А. (2015). Несырьевой экспорт российских регионов: в поисках наиболее динамичных отраслей и рынков // Вопросы экономики. № 10. С. 132-150. DOI: https://doi.org/10.32609/0042-8736-2015-10-132-150.

Катуков Д. Д., Малыгин В. Е., Смородинская Н. В. (2019). Фактор созидательного разрушения в современных моделях и политике экономического роста // Вопросы экономики. № 7. С. 95-118. DOI: https://doi.org/10.32609/0042-8736-2019-7-95-118.

Кирдина-Чэндлер С. Г. (2018). Мезоэкономика и экономика сложности: актуальный выход за пределы ортодоксии // Journal of Institutional Studies Т. 10, №. 3. С. 6-17. DOI: 10.17835/20766297.2018.10.3.006-017.

Любимов И. Л., Гвоздева М. А., Казакова М. В., Нестерова К. В. (2017). Сложность экономики и возможность диверсификации экспорта в российских регионах // Журнал новой экономической ассоциации. № 2 (34). С. 94-123.

Любимов И. Л., Оспанова А. Г. (2019). Как сделать экономику сложнее? Поиск причин усложнения // Вопросы экономики. № 2. С. 36-53. DOI: https://doi.org/10.32609/0042-8736-2019-2-36-53.

Норт Д. (1997). Институты, институциональные изменения и функционирование экономики. М.: Фонд экономической книги «Начала». 180 с.

Орехова С. В., Кислицын Е. В. (2019). Совокупная производительность факторов в промышленности России: малые vs крупные предприятия // Journal of New Economy. Т. 20, № 2. С. 127-144. DOI: 10.29141/2073-1019-2019-20-2-8.

Смородинская Н. В., Катуков Д. Д. (2019). Когда и почему региональные кластеры становятся базовым звеном современной экономики // Балтийский регион. Т. 11, № 3. С. 61-91. DOI: 10.5922/2079-8555-2019-3-4.

Сухарев О. С. (2019). Экономический рост и технологическое обновление: структурная динамика // Journal of New Economy. Т. 20, № 2. С. 88-115. DOI: 10.29141/2073-1019-2019-20-2-2.

Aghion P., Howitt P. (1992). A model of growth through creative destruction. Econometrica, vol. 60, по. 2, pр. 323-351.

Al-Suwailem S. (2011). Behavioural complexity. Journal of Economic Surveys, vol. 25, по. 3, pр. 481506. DOI: https://doi.org/10.1111/j.1467-6419.2010.00657.x.

Arthur W. B. (1999). Complexity and the economy. Science, vol. 284, no. 5411, pp. 107-109. DOI: https://doi.org/10.1126/science.284.5411.107.

Arthur W. B. (2013). Complexity economics: A different framework for economic thought. Santa Fe Institute Working Papers, no. 13-04-012. Available at: http://tuvalu.santafe.edu/~wbarthur/Papers/Comp. Econ.SFI.pdf.

Barro R. D., Sala-i-Martin X. (1997). Technological diffusion, convergence, and growth. Journal of Economic Growth, no. 2, pp. 1-26. DOI: https://doi.org/10.1023/A:1009746629269.

Botric V., Bozic L., Broz T. (2017). Explaining firm-level total factor productivity in post-transition: Manufacturing vs. services sector. Journal of International Studies, vol. 10, no. 3, pp. 77-90. DOI: 10.14254/2071-8330.2017/10-3/6.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Crespo J., Balland P.-A., Boschma R., Rigby D. (2017). Regional diversification opportunities and smart specialization strategies. Luxembourg: Publications Office of the European Union. 28 p. DOI: 10.2777/133737.

David P. (1985). Clio and Economics of QWERTY. American Economic Review, vol. 75, no. 2, pp. 332-337.

Decker R. A., Haltiwanger J., Jarmin R. S., Miranda J. (2017). Declining dynamism, allocative efficiency, and the productivity slowdown. American Economic Review, vol. 107, no. 5, pp. 322-326. DOI: 10.1257/aer.p20171020.

Delgado M. (2018). Firms in context: Internal and external drivers of success. In: Clark G. L., Feld-man M. P., Gertler M. S., Wójcik D. (eds.). The new Oxford handbook of economic geography. Oxford, pp. 324—344. DOI: 10.1093/oxfordhb/9780198755609.013.19.

Domar E. D. (1946). Capital expansion, rate of growth and employment. Econometrica, vol. 14, no. 2, pp. 137-147. DOI: 10.2307/1905364.

Elsner W., Heinrich T., Schwardt H. (2014). The microeconomics of complex economies: Evolutionary, institutional, neoclassical, and complexity perspectives. Amsterdam: Academic Press. 600 p.

Frenken K., Boschma R. A. (2007). A theoretical framework for evolutionary economic geography: Industrial dynamics and urban growth as a branching process. Journal of Economic Geography, vol. 7, no. 5, pp. 635-649.

Fujita M., Krugman P. R., Venables A. (2001). The spatial economy: Cities, regions, and international trade. Cambridge, MA: MIT Press. 382 p.

Grossman G., Helpman E. (1991). Innovation and growth in the global economy. Cambridge, MA: MIT Press. 384 p.

Hanusch H., Pyka A. (2007). Principles of neo-Schumpeterian economics. Cambridge Journal of Economics, vol. 31, issue. 2, pp. 275-289.

Hausmann R., Hidalgo C. A., Bustos S., Coscia M., Simoes A., Yildirim M. A. (2013). The atlas of economic complexity: Mapping paths to prosperity. Cambridge, MA: MIT Press. 71 p.

Hidalgo C. A., Hausmann R. (2009). The building blocks of economic complexity. Center for International Development at Harvard University Working Papers, no. 186. 22 p.

Ivanova I. A., Smorodinskaya N. V., Leydesdorff L. (2020). On measuring complexity in a postindustrial economy: The ecosystem's approach. Quality & Quantity, vol. 54, pp. 197-212. DOI: https://doi. org/10.1007/s11135-019-00844-2.

Lee S. J., Lee D. J., Oh H. S. (2003). Technological forecasting at the Korean stock market: A dynamic competition analysis using Lotka-Volterra model. Technological Forecasting and Social Change, vol. 72, pp. 1044-1057. DOI:10.1016/J.TECHFORE.2002.11.001.

Lindqvist G. (2009). Disentangling clusters: Agglomeration and proximity effects. Dissertation for the Degree of Doctor of Philosophy. Stockholm School of Economics. 308 p.

Love P., Stockdale-Otárola J. (eds.) (2017). Debate the issues: Complexity and policy making. Paris: OECD Publ. 106 p. DOI: http://dx.doi.org/10.1787/9789264271531-en.

Martin R., Sunley P. (2007). Complexity thinking and evolutionary economic geography. Journal of Economic Geography, vol. 7, no. 5, pp. 573-601.

Meade N., Islam T. (1998). Technological forecasting - model selection, model stability, and combining models. Management Science, vol. 44, no. 8, pp. 1115-1130. DOI: https://doi.org/10.1287/ mnsc.44.8.1115.

Pistorius C. W. I., Utterback J. M. (1997). Multi-mode interaction among technologies. Research Policy, vol. 26, no. 1, pp. 67-84. DOI: https://doi.org/10.1016/S0048-7333(96)00916-X.

Nelson R. (2008). Economic development from the perspective of evolutionary economic theory. Oxford Development Studies, vol. 36, no. 1, pp. 9-21. DOI: https://doi.org/10.1080/13600810701848037.

Porter M. E. (2000). Location, competition, and economic development: Local clusters in a global economy. Economic Development Quarterly, vol. 14, issue 1, pp. 15-34. DOI: https://doi. org/10.1177/089124240001400105.

Romer P. M. (1990). Endogenous technological change. Journal of Political Economy, vol. 98, no. 5, pp. 71-102.

Russell M. G., Smorodinskaya N. V. (2018). Leveraging complexity for ecosystemic innovation. Technological Forecasting and Social Change, vol. 136, pp. 114-131. DOI: https://doi.org/10.1016Zj.tech-fore.2017.11.024.

Schneider V. (2012). Governance and complexity. In: Levi-Faur D. (ed.). The Oxford handbook of governance. Oxford: Oxford University Press, pp. 129-142. DOI: 10.1093/oxfordhb/9780199560530.013.0009.

Solow R. M. (1956). A contribution to the theory of economic growth. The Quarterly Journal of Economics, vol. 70, no. 1, pp. 65-94.

Stimson R. J., Stough R. R., Roberts B. H. (2006). Regional economic development: Analysis and planning strategy. Berlin: Springer. 466 p.

Sturgeon T. J. (2002). Modular production networks: A new American model of industrial organization. Industrial and Corporate Change, vol. 11, no. 3, pp. 451-496. DOI: https://doi.org/10.1093/ icc/11.3.451.

Sukharev O. S. (2011). Institutional change, efficiency and structure of economy. Saarbrucken: Lambert Academic Publishing. 124 p.

Zhang G., Allaire D., Shankar V., McAdams D. A. (2019). A case against the trickle-down effect in technology ecosystems. PLoS ONE, vol. 14, no. 6, art. no. e0218370. DOI: https://doi.org/10.1371/jour-nal.pone.0218370.

Zhang G., McAdams D. A., Shankar V., Darani M. M. (2017). Modeling the evolution of system technology performance when component and system technology performances interact: Commensal-ism and amensalism. Technological Forecasting and Social Change, vol. 125, pp. 116-24. DOI: 10.1016/j. techfore.2017.08.004.

Zhang G., McAdams D. A., Shankar V., Darani M. M. (2018). Technology evolution prediction using Lotka-Volterra equations. Journal of Mechanical Design, vol. 140, no. 6, art. no. MD-17-1275. DOI: https://doi.org/10.1115/L4039448 1-101.

Информация об авторе Евсеева Марина Викторовна, кандидат экономических наук, доцент кафедры экономической теории и корпоративного управления Уральского государственного экономического университета, РФ, 620144, г. Екатеринбург, ул. 8 Марта/Народной Воли, 62/45 Контактный телефон +7 (343) 283-10-78, e-mail: m.evseeva@inbox.ru

■ ■ ■

Marina V. Evseeva Ural State University of Economics, Ekaterinburg, Russia

Technological differentiation in the development of the Ural macroregion's subjects

Abstract. At the local level, regions are the entities that have to grapple with the problem of Russia's technological breakthrough directly. The paper aims to uncover the reasons behind the differences in technological development of the subjects of the Ural macroregion. The economics of complexity and new Schumpeterian theory of economic growth constitute the methodological basis of the research. The author applies economic mathematical methods of analysis, as well as analytical tools of the ecosystem approach to examine the sample of 3,436 manufacturing companies from the seven subjects of the Ural macroregion in the period of 2007-2019. The researcher specifies separate technologies by disagregating industries using All-Russian Classification of Economic Activities (OKVED-2). Companies are divided into three groups depending on the type of the main implemented technology: system, component or basic. The findings reveal that leading regions feature high degree of technological complexity determined on the basis of technological diversity and localisation of the system integrator companies. Additionally, leaders significantly outperform other regions in total factor productivity of companies employing different groups of technologies. The research demonstrates that the presence of a system technology in a region stimulates the development of a family of related component technologies, which may be located not only in the region of operation, but in also in the

neighboring less technologically developed regions. This gives rise to the assumption that in the macroregion a separate technological ecosystem may form. The empirical data show that the domination of separate technologies in a region may slow down the technological development. The results of the research can be helpful while devising the plans for technological and spatial development of territories.

Keywords: technological development; Ural macroregion; total factor productivity; economics of complexity; diversity; processing industry.

Acknowledgements: The paper is funded by the Russian Foundation for Basic Research (RFFI) and Sverdlovsk oblast within the framework of the scientific project no. 20-410-660032 r_a "Innovative and technological development of the regional industry in the context of transforming business architecture and management technologies producing knowledge and common values: institutional and stakeholder aspects".

For citation: Evseeva M. V. (2020). Tekhnologicheskaya differentsiatsiya razvitiya subyektov Ural'skogo makroregiona [Technological differentiation in the development of the Ural mac-roregion's subjects]. Journal of New Economy, vol. 21, no. 3, pp. 132-157. DOI: 110.29141/26585081-2020-21-3-7 Received July 30, 2020.

References

Alimov A. F. (2000). Elementy teorii funktsionirovaniya ekosistem [Elements of the theory of ecosystem]. Saint Petersburg: ZIN RAN Publ. 147 p. (in Russ.)

Auzan A. A. (2015). "Effekt kolei". Problema zavisimosti ot traektorii predshestvuyushchego razvitiya - evolyutsiya gipotez [Path dependence problem: The evolution of approaches]. Vestnik moskovskogo uni-versiteta. Seriya 6: Ekonomika = Bulletin of the Moscow University. Series 6: Economics, no. 1, pp. 3-17. (in Russ.)

Barkhatov V. I., Bents D. S. (2019). Promyshlennye rynki Ural'skogo regiona: ekonomicheckiy rost v usloviyakh "novoy normal'nosti" [Industrial markets of the Ural region: Economic growth under "new normal"]. Upravlenets = The Manager, vol. 10, no. 3, pp. 83-93. DOI: 10.29141/2218-5003-2019-10-3-8. (in Russ.)

Bessonova E. V. (2018). Analiz dinamiki sovokupnoy proizvoditel'nosti faktorov na rossiyskikh pred-priyatiyakh (2009-2015 gg.) [Analysis of Russian firms' TFP growth in 2009-2015]. Voprosy ekonomiki = The Issues of Economics, no. 7, pp. 96-118. DOI: https://doi.org/10.32609/0042-8736-2018-7-96-118. (in Russ.)

Boyko I. V. (2018). Prostranstvennaya i tekhnologicheskaya diversifikatsiya rossiyskoy ekonomiki [Spatial and technological diversification of the Russian economy]. Upravlencheskoe konsul'tirovanie = Admnistrative Consulting, no. 6, pp. 68-76. DOI: 10.22394/1726-1139-2018-5-68-76. (in Russ.)

Dosi G. (2012). Ekonomicheskaya koordinatsiya i dinamika: nekotorye osobennosti al'ternativnoy evolyutsionnoy paradigmy [Economic coordination and dynamics: Some elements of an alternative "evolutionary" paradigm]. Voprosy ekonomiki = The Issues of Economics, no. 12, pp. 31-60. DOI: https:// doi.org/10.32609/0042-8736-2012-12-31-60. (in Russ.)

Evseeva M. V. (2019). Issledovanie osobennostey rosta vysokotekhnologichnykh kompaniy na os-nove parametricheskogo podkhoda [The study of high-tech companies' growth specifics applying the parametric approach]. Journal of New Economy, vol. 20, no. 5, pp. 108-124. DOI: 10.29141/2658-50812019-20-5-7. (in Russ.)

Kadochnikov S. M., Fedyunina A. A. (2015). Nesyryevoy eksport rossiyskikh regionov: v poiskakh naibolee dinamichnykh otrasley i rynkov [Manufacturing export of Russian regions: Looking for the most dynamic markets and industries]. Voprosy ekonomiki = The Issues of Economics, no. 10, pp. 132— 150. DOI: https://doi.org/10.32609/0042-8736-2015-10-132-150. (in Russ.)

Katukov D. D., Malygin V. E., Smorodinskaya N. V. (2019). Faktor sozidatel'nogo razrusheniya v sovremennykh modelyakh i politike ekonomicheskogo rosta [The factor of creative destruction in modern economic growth models and growth policy]. Voprosy ekonomiki = The Issues of Economics, no. 7, pp. 95-118. DOI: https://doi.org/10.32609/0042-8736-2019-7-95-118. (in Russ.)

Kirdina-Chendler S. G. (2018). Mezoekonomika i ekonomika slozhnosti: aktual'nyy vykhod za prede-ly ortodoksii [Mesoeconomics and complexity economics: Going beyond the limits of economic orthodoxy]. Journal of Institutional Studies, vol. 10, no. 3, pp. 6-17. DOI: 10.17835/2076-6297.2018.10.3.006017. (in Russ.)

Lyubimov I. L., Gvozdeva M. A., Kazakova M. V., Nesterova K. V. (2017). Slozhnost' ekonomiki i vozmozhnost' diversifikatsii eksporta v rossiyskikh regionakh [Economic complexity of Russian regions and their potential to diversify]. Zhurnal Novoy ekonomicheskoy assotsiatsii = The Journal of the New Economic Association, no. 2 (34), pp. 94-123. (in Russ.)

Lyubimov I. L., Ospanova A. G. (2019). Kak sdelat' ekonomiku slozhnee? Poisk prichin uslozhneniya [How to make an economy more complex? The determinants of complexity in historical perspective]. Voprosy ekonomiki = The Issues of Economics, no. 2, pp. 36-53. DOI: https://doi.org/10.32609/0042-8736-2019-2-36-53. (in Russ.)

North D. (1997). Instituty, institutsional'nye izmeneniya i funktsionirovanie ekonomiki [Institutions, institutional change and economic performance]. Moscow: Fond ekonomicheskoy knigi "Nachala" Publ. 180 p. (in Russ.)

Orekhova S. V., Kislitsyn E. V. (2019). Sovokupnaya proizvoditel'nost' faktorov v promyshlennosti Rossii: malye vs krupnye predpriyatiya [Total factor productivity in the Russian industry: Small vs large enterprises]. Journal of New Economy, vol. 20, no. 1, pp. 127-144. DOI: 10.29141/2073-1019-2019-20-28. (in Russ.)

Smorodinskaya N. V., Katukov D. D. (2019). Kogda i pochemu regional'nye klastery stanovyatsya ba-zovym zvenom sovremennoy ekonomiki [When and why regional clusters become basic building blocks of modern economy]. Baltiyskiy region = Baltic Region, vol. 11, no. 3. pp. 61-91. DOI: 10.5922/20798555-2019-3-4. (in Russ.)

Sukharev O. S. (2019). Ekonomicheskiy rost i tekhnologicheskoe obnovlenie: strukturnaya dinamika [Economic growth and technological renewal: Structural dynamics]. Journal of New Economy, vol. 20, no. 2, pp. 30-54. DOI: 10.29141/2073-1019-2019-20-2-2. (in Russ.)

Aghion P., Howitt P. (1992). A model of growth through creative destruction. Econometrica, vol. 60, no. 2, pp. 323-351.

Al-Suwailem S. (2011). Behavioural complexity. Journal of Economic Surveys, vol. 25, no. 3, pp. 481-506. DOI: https://doi.org/10.1111/j.1467-6419.2010.00657.x.