CC BY
38
P1 = F (Xj) - человеческий потенциал; P2 = F2 (x2) - инновационный потенциал; P3 = F3 (x3) - инвестиционный потенциал; x^ x2; x3 - соответствующие наборы статистически наблюдаемых показателей; ф1, ф2, ф3 - веса потенциалов (Бураков и др., 2019a, с. 152).
Выражение (4) позволяет сформулировать общую задачу количественного определения композитных факторов - человеческого, инновационного, инвестиционного потенциалов.
В настоящем исследовании, как и в известном докладе Всемирного банка, подготовленном совместно с Аналитическим центром при Правительстве РФ (Новая..., 2018), применяется эмпирический подход. Его основой является совокупность показателей, обеспечивающих возможность применения методов многомерного статистического анализа с целью выявления и измерения инновационного, инвестиционного и человеческого потенциалов.
Сформулируем следующую гипотезу: каждый из трех указанных потенциалов может быть измерен в результате агрегирования соответствующих наборов статистически наблюдаемых показателей.
Проверка данной гипотезы требует решения двух задач. Во-первых, необходимо для каждого потенциала сформировать имманентный список статистически наблюдаемых показателей, отражающих различные стороны общего явления, которое, как мы предполагаем, может описываться соответствующим композитным фактором. Во-вторых, надо определить систему весов для набора исходных показателей, характеризующих этот экономический потенциал1.
В настоящем исследовании использован статистический подход к выявлению системы весов (весовой функции), присущей каждому потенциалу. При этом использование эмпирических данных и возможностей многомерного статистического анализа - в данном случае речь идет о применении принципиально нового статистического метода - «Multiway Data Analysis» (MW-анализ), который уже был опробован в нескольких работах (Рубинштейн, Слуцкин, 2018; Бураков и др., 2019b; Бураков и др., 2019a).
В развитие предыдущих исследований авторов, где MW-анализ применялся при построении интегрального рейтинга регионов, а для определения самих композитных факторов использовался метод главных компонент (с плоской матрицей наблюдений: регионы - показатели), в данной работе сделан следующий шаг. Речь идет о расширении исходных данных и введении в анализ динамики указанных показателей и формировании трех трехмерных
1 Заметим, что во многих случаях указанные веса выбираются относительно произвольно, исходя из неких качественных соображений тех или иных экспертов. Часто предполагается также, что все показатели имеют равный вес; встречаются и такие случаи, когда допускается, что один показатель доминирует, в связи с чем ему присваивается наибольший вес.
матриц наблюдений (регионы - показатели - годы) для показателей, характеризующих человеческий, инновационный и инвестиционный потенциалы.
Следует отметить, что М^-анализ является обобщением метода главных компонент для многомерной матрицы (тензора). При этом в данном исследовании речь идет о трехмерном тензоре V = {V }, который образует соответствующий информационный параллелепипед, каждый элемент которого может быть представлен посредством трех координат - проекций на ось регионов /, ось статистически наблюдаемых показателей7 и ось времени
В основе М^-анализа, являющегося обобщением метода главных компонент, лежит восстановление исходного тензора, характеризующего указанное выше трехмерное пространство, посредством его представления в виде внешнего произведения трех векторов, которые требуется вычислить и которые можно интерпретировать как соответствующие экономические потенциалы региона, являющиеся линейными агрегатами исходных показателей; вклады (веса) исходных показателей в указанный потенциал и веса годов рассматриваемого периода. При этом использование выявленной системы весов позволяет определить значение каждого экономического потенциала для каждого года и каждого региона, по которым заданы исходные показатели. Новизна предложенного подхода обусловлена тем, что он позволяет количественно определить ретроспективную динамику экономических потенциалов для каждого субъекта РФ.
АПРОБАЦИЯ МОДЕЛИ
Рассматриваемая модель потенциалов экономического развития регионов является определенным развитием идей, представленных в работе (Бураков и др., 2019Ь). При этом для проверки гипотезы об измеримости потенциалов использованы эмпирические данные, характеризующие экономику российских регионов в период с 2001 по 2015 г.1
Все статистически наблюдаемые показатели разделены на три независимых блока, каждый из которых характеризует соответствующий композитный фактор - инновационный, инвестиционный и человеческий потенциалы экономического развития российских регионов. Отметим также, что, применяя обычную практику, показатели различной размерности были стандартизированы и приведены в сопоставимый вид. Апробация модели включает три последовательные части расчетов.
1 Изначально база данных была сформирована по всем регионам России на основе открытых статистических показателей ФСГС. Ввиду неполноты информации по некоторым показателям была выделена группа из 65 субъектов РФ, для которых отсутствовали пропуски в статистических наблюдениях за каждый год в период с 2001 по 2015 г. (Бураков и др., 2019а).
Определение вектора весов исходных показателей
На первом шаге для всей совокупности рассматриваемых регионов был применен MW-анализ отдельно по каждому из трех наборов показателей, характеризующих соответствующие потенциалы экономического развития регионов. Для обеспечения сопоставимости результатов значения весов нормированы. Полученные в результате расчетов три вектора весов приведены в трех нижеследующих таблицах (табл. 1-3). Рассмотрим теперь полученные результаты вычислений отдельно по каждому потенциалу.
Инновационный потенциал. Выполненные расчеты свидетельствуют, что при формировании инновационного потенциала российских регионов наибольшим весом обладают показатели, характеризующие удельный вес организаций, осуществлявших технологические, организационные, маркетинговые инновации, а также внутренние затраты на научные исследования и разработки и численность персонала, занятого научными исследованиями и разработками, к общему числу занятых.
Как показали расчеты, наименьший вес имеет показатель, характеризующий число используемых передовых производственных технологий в расчете на 1 млн руб. валового внутреннего продукта региона. Промежуточное влияние на формирование инновационного потенциала оказывает показатель затрат на технологические инновации к ВРП (табл. 1).
Таблица 1
Веса показателей, характеризующих инновационный потенциал
Table 1
Weight of innovation potential indicators
№ Показатель Нормированные веса показателя, %
1 Удельный вес организаций, осуществлявших технологические, организационные, маркетинговые инновации, в общем числе обследованных организаций, % 22,01
2 Внутренние затраты на научные исследования и разработки к ВРП, % 21,56
3 Численность персонала, занятого научными исследованиями и разработками, к общему числу занятых, % 21,11
4 Затраты на технологические инновации к ВРП, % 18,65
5 Число используемых передовых производственных технологий к ВРП, ед. на 1 млн руб. ВРП региона 16,67
Итого 100,00
Источник: составлено авторами по данным ФСГС РФ.
Инвестиционный потенциал. Анализ показателей, характеризующих инвестиционный потенциал, демонстрирует их примерно равный вес. Немного уступает этим показателям, непосредственно отражающим различные формы инвестиций, индикатор «неизношенности основных фондов» (табл. 2).
Таблица 2
Веса показателей, характеризующих инвестиционный потенциал
Table 2
Weight of investment potential indicators
№ Показатель Нормированные веса показателя, %
1 Инвестиции в основной капитал на душу населения, в постоянных ценах, руб. 25,94
2 Инвестиции в основной капитал к ВРП, % 25,80
3 Доля строительства в структуре ВРП по видам экономической деятельности, % 25,31
4 Степень неизношенности основных фондов*, % 22,94
Итого 100,00
Примечание. * Показатель, обратный степени изношенности основных фондов. Источник: составлено авторами по данным ФСГС РФ.
Человеческий потенциал. Интересный результат был получен при исследовании человеческого потенциала. Выполненный MW-анализ позволяет сделать вывод о том, что все статистически наблюдаемые показатели, характеризующие человеческий потенциал, оказывают примерно равное влияние на его формирование в российских регионах. Разница между наибольшим и наименьшим весом указанных показателей составляет менее 1% (табл. 3).
Таблица 3
Веса показателей, характеризующих человеческий потенциал
Table 3
Weight of human potential indicators
№ Показатель Нормированные веса показателя, %
1 Ожидаемая продолжительность жизни при рождении, лет 14,49
2 Оборот розничной торговли на душу населения, в постоянных ценах, руб. 14,45
3 Доля населения с денежными доходами выше величины прожиточного минимума к общей численности населения субъекта РФ, % 14,44
4 Объем платных услуг на душу населения, в постоянных ценах, руб. 14,44
5 Общая площадь жилых помещений, приходящаяся на одного жителя, м2 14,38
6 Численность экономически активного населения на душу, чел. на 1 тыс. чел. населения 14,03
7 Занятое население с высшим образованием, к общей численности занятого населения, % 13,77
Итого 100,00
Источник: составлено авторами по данным ФСГС РФ.
Динамика потенциалов
Второй этап апробации предложенной модели посвящен проверке возможностей ее применения в анализе различий между регионами с точки зрения ретроспективной динамики каждого потенциала, а также сравнительной динамики соотношений инновационного, инвестиционного и человеческого потенциалов в каждом регионе в отдельности.
Найденные на первом шаге веса статистически наблюдаемых показателей ak характеризующих k-й композитный фактор, можно использовать для определения значений потенциалов экономического развития в каждом году анализируемого периода для каждого рассматриваемого российского региона. Решение этой несложной задачи можно получить в результате вычисления для каждого фиксированного года t и k-го потенциала произведений двухмерной матрицы исходных показателей Xtk = {хл.} на вектор весов исходных показателей Ak = {ak }. В результате для каждого композитного фактора k будет получена матрица значений потенциала Pk ={pkit}, где i - номер региона, t - соответствующий год рассматриваемого периода.
Для простоты изложения и без ограничения общности полученных результатов в данной работе в качестве примера использования предложенной модели рассмотрены две выборки регионов, которые позволяют выявить различия между сравниваемыми регионами по каждому потенциалу и их соотношения по каждому региону.
Первая выборка - четыре региона. Она включает регионы, имеющие города с миллионным населением: Республика Татарстан, Новосибирская, Ростовская и Челябинская области (рис. 1-3).
Экономический кризис отразился на динамике всех анализируемых потенциалов, которыми обладали данные субъекты РФ с 2001 по 2015 г. При этом последствия для каждого региона сложились по-разному. До 2008 г. человеческий потенциал демонстрировал рост с различными темпами по всем четырем регионам. Во второй половине рассматриваемого периода темпы роста замедлились во всех регионах, хотя с 2010 по 2013 г. вернулись к прежним значениям. Однако в 2013-2015 гг. можно говорить о новом кризисном этапе, характеризующимся отрицательной динамикой показателя темпа накопления человеческого потенциала в данных субъектах РФ (рис. 1).
Расчеты показывают, что 2008 г. стал переломным и в темпах развития инновационного потенциала, причем как в положительную, так и в отрицательную сторону. Несмотря на негативную тенденцию и отрицательные темпы роста, наблюдавшиеся в Ростовской, Новосибирской и Челябинской областях, в период с 2008 по 2015 г., в Республике Татарстан инновационный потенциал после 2010 г. постоянно возрастал темпами в среднем более чем 32% ежегодно (рис. 2).
Ростовская область .......Республика Татарстан
Челябинская область — — — • Новосибирская область
Рис. 1. Динамика человеческого потенциала регионов России (2001 = 1) Fig. 1. Dynamic analysis of human potential in Russian regions (2001 = 1) Источник: составлено авторами по данным ФСГС РФ.
Ростовская область .......Республика Татарстан
Челябинская область — — — - Новосибирская область
Рис. 2. Динамика инновационного потенциала регионов России (2001 = 1) Fig. 2. Dynamic analysis of innovation potential in Russian regions (2001 = 1)
Источник: составлено авторами по данным ФСГС РФ.
Потенциал инвестиций за 15 лет в основном увеличивался во всех анализируемым субъектах РФ. Снижение наблюдалось только в Челябинской области - чуть менее чем 3,5% (рис. 3).
Выполненные экспериментальные расчеты для выборки из четырех российских регионов показывают, что предложенная модель экономических потенциалов позволяет увидеть общее и различное в развитии указанных субъектов РФ. Следует особо отметить, что средний рост человеческого по-оенциала в сравнении со средним ростом инвестиционного потенциала был в рассмафиваемыйпериод болеечемв8,5разавыше.
1,6 1,4 1,2 1,0 0,8
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015
Ростовская область .......Республика Татарстан
Челябинская область — — — • Новосибирская область
Рис. 3. Динамика инвестиционного потенциала регионов России (2001 = 1) Fig. 3. Dynamic analysis of investment potential in Russian regions (2001 = 1)
Источник: составлено авторами по данным ФСГС РФ.
Вторая выборка - двенадцать регионов. В эту выборку включены регионы с городами, численность населения которых превышает 1 млн жителей: г. Москва, г. Санкт-Петербург, Нижегородская область, Новосибирская область, Омская область, Пермский край, Республика Башкортостан, Республика Татарстан, Ростовская область, Самарская область, Свердловская область, Челябинская область.
Отметим, что данная выборка включает в себя регионы, в которых наилучшим образом отражена современная тенденция проживания населения России в больших городских агломерациях. Ввиду высокой плотности населения в подобных агломерациях становятся заметны особенности рынков труда, различия в уровне социальной напряженности общества и в подходах к развитию и управлению территориями. Для удобства изложения регионы этой выборки разделены на три группы.
В первую группу вошли следующие субъекты РФ: г. Москва, г. Санкт-Петербург, а также Нижегородская и Омская области (рис. 4-7).
В данной группе регионов в рассматриваемом периоде отчетливо видно разнонаправленное движение показателей инновационного и инвестиционного потенциалов. Период с 2001-2002 по 2008-2009 гг. характеризуется постоянным снижением инновационного потенциала во всех субъектах РФ с нарастающим темпом. В этот же период показатель инвестиционного потенциала демонстрирует прямо противоположную динамику, хотя и с неоднородными темпами для каждого конкретного региона.
Однако после событий, связанных с мировым экономическим кризисом, ситуация с развитием потенциалов резко поворачивает в обратную сторону. Несмотря на дифференциацию в динамике, с 2009 г. во всех рас-
сматриваемых регионах начинают сокращаться темпы падения инновационного потенциала. Стоит отметить, что в Москве наилучшим образом из регионов данной группы прошло восстановление инвестиционного потенциала: к 2015 г. показатель вернулся к уровню докризисных значений темпов роста.
Человеческий потенциал
.......Инновационный потенциал
- — — -Инвестиционный поеенциал
Рис. 4. Динамика трех потенциалов экономического развития, Москва (2001 = 1) Fig. 4. Dynamic analysis of three economic growth potentials, Moscow (2001 = 1) Источник: составлено авторами по данным ФСГС РФ.
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015
Человеческий потенциал
.......Иннооационный потенциал
— — — •Инвестиционный потенциал
Рис. 5. Динамика трех потенциалов экономического развития, Санкт-Петербург (2001 = 1) Fig. 5. Dynamic analysis of three economic growth potentials, St. Petersburg (2001 = 1) Источник: составлено авторами по данным ФСГС РФ.
Человеческий потенциал
.......Инновационный потенциал
- — — -Инвестиционный потенциал
Рис. 6. Динамика трех потенциалов экономического развития, Нижегородская область
(2001 = 1)
Fig. 6. Dynamic analysis of three economic growth potentials, Nizhegorodskaya Oblast
(2001 = 1)
Источник: составлено авторами по данным ФСГС РФ.
✓ / \ \ ----^ —
- ^____
......
--1-1-1-1-1-1-< >-1-1-1-1-1-1-
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015
Человеческий потенциал
....... Инновационный потенциал
— — — •Инвестиционный потенциал
Рис. 7. Динамика трех потенциалов экономического развития, Омская область (2001 = 1) Fig. 7. Dynamic analysis of three economic growth potentials, Omskaya Oblast (2001 = 1) Источник: составлено авторами по данным ФСГС РФ.
Во вторую группу регионов были отнесены Новосибирская, Самарская, Свердловская и Челябинская области (рис. 8-11).
В этой группе регионов динамика инвестиционного потенциала в 20012015 гг. заметно различалась. Однако по итогам анализируемого периода три субъекта РФ продемонстрировали рост от 17 до 28%, и только в Челябинской области показатель немного снизился - на 3,4%. Отличительной чертой данной группы регионов стало существенное снижение инноваци-
онного потенциала. Несмотря на заметный рост в 2002-2003 гг. в Свердловской области и в 2009 г в Челябинской области, общее падение инновационной деятельности за 15 лет составшю: Ноаосибирская область - 23,7%, Самарская область - 41,6%, Свердловская область - 14,8%, Челябинская область - 42,9%.
— Человеческий потенциал .......Инновационный потенциал
— — — - Инвестиционный потенциал
Рис. 8. Dynamic analysis of three economic growth potentials, Novosibirskaya Oblast
(2001 = 1)
Fig. 8. Dynamics of the three economic development potentials, Novosibirsk region (2001 = 1) Источник: составлено авторами по данным ФСГС РФ.
--< ►- -----------
V'
•••••
1 1 1 1 1 i i ► 1 1 1 1 1 1
2001 2002 2003 2004 2005 2006 2Л0В 200И 2009 2010 2011 2012 2013 2014 2015
Чиновичиский йотинциан
.......Инновационный йотинциан
— — — - Инвистиционный йотинциан
Рис. 9. Динамика трех потенциалов экономического развития, Самарская область
(2001 = 1)
Fig. 9. Dynamic analysis of three economic growth potentials, Samarskaya Oblast (2001 = 1) Источник: составлено авторами по данным ФСГС РФ.
-|-< ►-
/\
У •■■■.,________ v—-»—
--1-1-1-1-1-1-< ........... >-1-1-1-1-1-1-
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015
== Человеческий потенциал
.......Инновационный потенциал
— — — - Инвестиционный потенциал
Рис. 10. Динамика трех потенциалов экономического развития, Свердловская область (2001 = 1) Fig. 10. Dynamic analysis of three economic growth potentials, Sverdlovskaya Oblast (2001 = 1) Ист очник: составлено авторами по данным ФСГС РФ.
____
------''' --------- ......т..
. .......... ............ .............
-......
2ЛЛ1 2ЛЛ2 2ЛЛ3 2ЛЛ4 2ЛЛ5 2ЛЛ6 2ЛЛ7 2(Ю8 2ЛЛ9 2Л1Л 2Л11 2Л12 2Л13 2Л14 2Л15
Человеческий потенцнал
.......Инновационный потенциал
- — — -Инвестиционный потенциал
Рис. 11. Динамика трех потенциалов экономического развития, Челябинская область (2001 = 1) Fig. 11. Dynamic analysis of three economic growth potentials, Chelyabinskaya Oblast (2001 = 1)
Источник: составлено авторами по данным ФСГС РФ.
Третья группа представлена Ростовской областью, республиками Башкортостан и Татарстан, Пермским краем (рис. 12-15).
В данной группе регионов также можно заметить некоторые схожие черты в динамике потенциалов. Итогом пятнадцатилетнего периода стало ум еньшение инновационного потенциала в трех регионах: Ростовской области, РеспубликеБашкортостани Пермском крае. При этом в Республике Татарстан обнаружен самый заметныйростданного показателя - на 23,7%, несмотряна заметное па5ение в 2015 г.
пэ
№ I 2020
---^^
............... ........ « • •
.............
1,5 1,3 1,1 0,9 0,7 0,5
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015
Человеческий потенциал
.......Инновационный потенциал
- — — -Инвестиционный потенциал
Рис. 12. Динамика трех потенциалов экономического развития, Ростовская область
(2001 = 1)
Fig. 12. Dynamic analysis of three economic growth potentials, Rostovskaya Oblast (2001 = 1) Источник: составлено авторами по данным ФСГС РФ.
1,8 1,6 1,4 1,2 1,0 0,8 0,6
--< ►-
^____—; ____
..................... --1-1-1-1-1-1-< ►-1-1-1-1-1-1-
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015
Человеческий потенциал
.......Инновационный потенциал
— — — •Инвестиционный потенциал
Рис. 13. Динамика трех потенциалов экономического развития, Республика Башкортостан
(2001 = 1)
Fig. 13. Dynamic analysis of three economic growth potentials, Republic of Bashkortostan
(2001 = 1)
Источник: составлено авторами по данным ФСГС РФ.
Интересно, что потенциал инвестиций данной группы в течение всего периода демонстрирует не только рост, как в большинстве регионов данной выборки, но и ощутимое снижение: в Республике Башкортостан на 8,9%, тогда как Пермский край стал «лидером с конца» среди всех 12 субъектов РФ с городами-миллионниками: падение составило более 20%.
1-< >-
--
•• • •
...... ^^ * * mm * * ^^
^ ....... --1-1-1-1-1-1-< ........•• >-1-1-1-1-1-1-
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015
Человеческий потенциал
.......Инновационный потенциал
— — — »Инвестиционный потенциал
Рис. 14. Динамика трех потенциаловвооншмоннскоро рншвития, Республика Татарстан
(2001 м н.
Fig. 14. Dynamic analysis of three economic growth potentials, Republic of Tatarstan (2001 = 1)
Ист очник: составлено авторами по данным ФСГС РФ.
-1-< >-
^—^
---- ~ — — ............ ........... ^'Т--*'-**"
--1-1-1-1-1-1-< ■•. ^ — — — >-1-1-1-1-1-1-
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015
Чинооичисктй потенциал
.......Инновационный потенциал
— — — • Инвестиционный потенциал
Рис. 15. Динамика трех потенциалов экономического развития, Пермский край (2001 = 1) Fig. 15. Dynamic analysis of three economic growth potentials, Permsky Krai (2001 = 1)
Источник: составлено авторами по данным ФСГС РФ.
Во всех группах стоит выделить человеческий потенциал. Несмотря на различные экономические стадии, которые обычно выделяются при описании развития регионов России за 15 рассматриваемых лет, расчеты показали, что уровень социального развития по выделенным показателям начал снижение лишь в 2012-2013 гг. почти во всех регионах выборки. С начала периода среднее увеличение человеческого потенциала составило 40%.
Отдельно стоит выделить Москву: за пятнадцать лет рост человеческого потенциала в данном регионе был наименьшим - менее 13%; это единствен-
ный регион, в котором реакция на мировой экономический кризис отразилась на накоплении человеческого потенциала, что привело к его первому сокращению в 2009-2010 гг. более чем на 4,1%.
Совокупный потенциал экономического развития
Третья часть апробации модели посвящена определению вклада инновационного, инвестиционного и человеческого потенциалов в совокупный потенциал экономического развития российских регионов. Решение этой задачи, как и непосредственное определение для каждого региона величины совокупного потенциала, предполагает повторное использование MW-анализа, но уже применительно не к статистически наблюдаемым исходным показателям, а к композитным факторам. Это можно сделать, воспользовавшись построенной выше трехмерной матрицей P = Pk = {pm}, где i - номер региона, k - индекс (номер) потенциала, t - соответствующий год рассматриваемого периода. При этом в качестве примера и без ограничения общности используем информацию, содержащуюся в той же самой выборке из 12 регионов.
Веса экономических потенциалов. Выполненные расчеты по алгоритму MW-анализа позволили определить веса потенциалов, то есть их вклад в совокупный потенциал экономического развития регионов (табл. 4).
Таблица 4
Веса потенциалов экономического роста
Table 4
Weight of economic growth potentials
Потенциал Нормированные веса потенциалов (выборка из 12 регионов), %
Инновационный 40,69
Инвестиционный 25,19
Человеческий 34,13
Источник: составлено авторами по расчетным показателям.
В отличие от прежних наших исследований, в которых использовалась более простая модель (Бураков и др., 2019Ь; Бураков и др., 2019а), в соответствии с которой наибольший вес был обнаружен у человеческого потенциала, предложенная в данной работе модель обусловила иные результаты. Так, выполненные расчеты свидетельствуют, что наибольший вклад в совокупный потенциал экономического развития вносит инновационный потенциал - более 40%, в то время как человеческий потенциал находится на втором месте и «проигрывает» инновациям около 6%. Инвестиционный потенциал занимает последнее место и равен четверти общей суммы показателей потенциалов экономического развития регионов.
Совокупный потенциал экономического развития. Третья часть апробации связана с измерением совокупного потенциала экономического развития регионов России. После нормирования полученных значений совокупного потенциала регионов, в результате расчетов на основе MW-анализа для каждого из 12 регионов, в состав которых входят города с миллионным населением, появилась возможность ранжировать эти субъекты РФ. Для удобства изложения значения совокупного потенциала были нормированы относительно максимального уровня совокупного потенциала, которым обладал регион-лидер в течение рассматриваемого пятнадцатилетнего периода (табл. 5).
Таблица 5
Совокупный потенциал экономического развития регионов
Table 5
Aggregate potential of economic growth of regions
Регион Величина совокупного потенциала экономического роста (в % от региона-лидера)
Нижегородская область 100,0
г. Москва 90,5
г. Санкт-Петербург 88,7
Самарская область 69,7
Свердловская область 65,0
Республика Татарстан 63,8
Пермский край 63,5
Челябинская область 63,3
Новосибирская область 61,2
Ростовская область 54,8
Омская область 52,7
Республика Башкортостан 52,4
Источник: составлено авторами по данным ФСГС РФ.
Как видно по данным таблицы, отставание в обладании потенциалом экономического роста последнего региона - Республики Башкортостан - от лидера - Нижегородской области - характеризуется менее чем половиной от возможного уровня. Стоит отметить высокие позиции таких регионов, как Москва и Санкт-Петербург: разрыв значений потенциалов этих субъектов РФ с максимально возможным составляет менее 11 и 13% соответственно. При этом важно подчеркнуть, что данные результаты являются иллюстративными. Целью выполненных расчетов была апробация предложенной модели измерения потенциалов экономического развития регионов.
В качестве визуализации получаемых результатов представлена сводная таблица значений экономических потенциалов 65 регионов РФ за период 2001-2015 гг. (табл. 6).
Таблица 6
Значения экономических потенциалов регионов РФ, 2001-2015 гг.
Table 6
Values of economic potentials of RF regions, 2001-2015
Субъект РФ Человеческий потенциал Инновационный потенциал Инвестиционный потенциал
1 2 3 4
г. Москва 0,731 1,569 0,869
г. Санкт-Петербург 0,559 1,757 1,005
Сахалинская область 0,530 0,438 2,389
Московская область 0,516 1,710 1,042
Тюменская область 0,516 0,337 1,920
Хабаровский край 0,500 0,544 1,193
Мурманская область 0,499 0,598 0,839
Республика Саха (Якутия) 0,486 0,463 1,486
Самарская область 0,484 1,278 0,852
Свердловская область 0,483 1,100 0,859
Республика Татарстан 0,480 0,843 1,230
Республика Коми 0,470 0,383 1,401
Приморский край 0,465 0,512 1,069
Новосибирская область 0,459 1,012 0,824
Краснодарский край 0,454 0,307 1,530
Архангельская область 0,451 0,372 1,245
Красноярский край 0,448 0,545 1,049
Республика Башкортостан 0,446 0,641 0,937
Калининградская область 0,444 0,450 1,076
Томская область 0,442 1,180 1,037
Челябинская область 0,440 1,096 0,886
Белгородская область 0,437 0,417 1,045
Омская область 0,434 0,734 0,830
Новгородская область 0,433 0,694 1,048
Нижегородская область 0,433 2,450 0,970
Республика Карелия 0,433 0,434 0,885
Воронежская область 0,432 0,907 1,000
Липецкая область 0,432 0,624 1,102
Ростовская область 0,431 0,723 1,011
Пермский край 0,431 1,157 0,814
Ставропольский край 0,430 0,369 0,911
Калужская область 0,429 1,721 1,079
Волгоградская область 0,429 0,649 0,811
Саратовская область 0,424 0,720 0,837
Курская область 0,422 0,623 0,845
Псковская область 0,422 0,423 0,810
Тверская область 0,422 0,781 1,073
Орловская область 0,421 0,624 0,903
1 2 3 4
Ярославская область 0,421 1,012 0,928
Вологодская область 0,421 0,431 1,058
Тамбовская область 0,419 0,630 1,064
Смоленская область 0,417 0,477 0,980
Ленинградская область 0,417 0,656 1,659
Тульская область 0,415 1,200 0,842
Иркутская область 0,413 0,487 0,921
Рязанская область 0,413 0,592 0,856
Брянская область 0,412 0,403 0,773
Астраханская область 0,411 0,330 1,380
Амурская область 0,409 0,251 1,538
Пензенская область 0,408 0,871 0,941
Владимирская область 0,406 0,974 0,835
Оренбургская область 0,405 0,363 0,804
Чувашская Республика 0,402 0,734 1,000
Ульяновская область 0,400 1,132 0,897
Республика Бурятия 0,399 0,371 0,909
Костромская область 0,398 0,425 0,824
Республика Дагестан 0,395 0,414 1,368
Кировская область 0,395 0,594 0,750
Республика Мордовия 0,394 0,862 1,133
Удмуртская Республика 0,392 0,766 0,738
Алтайский край 0,390 0,478 0,754
Ивановская область 0,384 0,417 0,844
Республика Марий Эл 0,382 0,419 0,901
Курганская область 0,381 0,476 0,753
Забайкальский край 0,378 0,240 0,997
ВМЕСТО ЗАКЛЮЧЕНИЯ
Апробация предложенной в работе модели потенциалов регионального экономического развития позволяет говорить о некоторых сравнительных преимуществах по отношению к другим известным моделям экономического роста. В первую очередь данная модель позволяет определить вектора весов исходных показателей для различных групп территориальных объединений, которые можно выделить с помощью применения MW-анализа на первом шаге анализа. Выявляемые веса статистически наблюдаемых показателей человеческого, инновационного и инвестиционного потенциалов могут стать основой для структурного анализа особенностей экономического развития различных территорий. Динамика трех факторов развития, которая может быть построена на основе рассчитанных данных модели, позволяет подробно изучить изменения уровней экономических потенциалов субъектов РФ на протяжении различных периодов времени. Подробный ре-
троспективный анализ позволяет провести комплексный анализ и сформировать на его основе идентичные группы регионов.
Наконец, рассчитанные динамические ряды являются статистической базой для определения вклада инновационного, инвестиционного и человеческого потенциалов в каждом отдельном субъекте РФ и позволяют сформировать совокупный потенциал экономического развития. В свою очередь совокупный потенциал позволяет сравнить региональное развитие всех исследуемых объектов и выделить различные кластеры регионов.
В заключение стоит подчеркнуть, что предложенная модель предоставляет новые возможности для изучения региональных особенностей и закономерностей развития на уровне композитных факторов и совокупного объема накопленных потенциалов регионов страны. При этом необходимо производить тщательный отбор статистически наблюдаемых показателей для создания наиболее полной и репрезентативной структуры данных потенциалов экономического развития. Отбор показателей является наиболее важным для получения качественных результатов при решении задачи создания совокупного потенциала регионального развития.
СПИСОК ЛИТЕРАТУРЫ
Божечкова А.В. Эконометрическое моделирование влияния человеческого капитала на экономический рост в регионах России // Аудит и финансовый анализ. 2013. № 1. С. 90-99.
БураковН.А., Бухвальд Е.М., Кольчугина А.В. Ранжирование субъектов Российской Федерации на основе регионального индекса экономического развития // Федерализм. 2019a. № 3 (95). С. 149-171. https://doi.org/10.21686/2073-1051-2019-3-149-171 Бураков Н.А., Бухвальд Е.М., Кольчугина А.В., Рубинштейн А.Я., Славинская О.А., Слуцкин Л.Н. Региональный индекс экономического развития и ранжирование субъектов Российской Федерации / под ред. Е.М. Бухвальда, А.Я. Рубинштейна (препринт). М.: Институт экономики РАН, 2019b. 72 с. URL: http://vestnik-es.vlsu. m/fileadmin/No20/Nauchnyi_doklad_IEH_RAN.pdf (дата обращения: декабрь 2019). Дробышевский С., Луговой О., Астафьева Е., Полевой Д., Козловская А., Трунин П., Ледерман Л. Факторы экономического роста в регионах Российской Федерации. М.: ИЭПП, 2005. 278 с. Земцов С.П., Смелов Ю.А. Факторы регионального развития в России: география, человеческий капитал или политика регионов // Журнал Новой экономической ассоциации. 2018. № 4 (40). С. 84-108. https://doi.org/10.31737/2221-2264-2018-40-4-4 Зубаревич Н.В. Региональное развитие и региональная политика за десятилетие экономического роста // Журнал Новой экономической ассоциации. 2009. № 1-2. С. 161-174.
Комарова А.В., Павшок О.В. Оценка вклада человеческого капитала в экономический рост регионов России (на основе модели Мэнкью - Ромера - Уэйла) // Вестник НГУ. Серия: Социально-экономические науки. 2007. Т. 7. № 3. С. 191-201. Комарова А.В., Крицына Е.А. О вкладе человеческого капитала в рост ВРП регионов России // Вестник НГУ. Серия: Социально-экономические науки. 2012. Т. 12. № 3. С. 5-14.
Кузнецова О.В. Пирамида факторов социально-экономического развития регионов // Вопросы экономики. 2013. № 2. С. 121-131. https://doi.org/10.32609/0042-8736-2013-2-121-131
Луговой О., Дашкеев В., Мазаев И., Фомченко Д., Поляков Е., Хехт А. Экономико-географические и институциональные аспекты экономического роста в регионах. М.: ИЭПП, 2007. 164 с.
Новая география регионального развития. Оценка экономического потенциала российских регионов и возможностей его эффективного использования / Всемирный банк; Аналитический центр при Правительстве Российской Федерации. Вашингтон (округ Колумбия) - Москва. 2018. 92 с. URL: http://ac.gov.ru/files/content/16352/ geografiya-rosta-pdf.pdf (дата обращения: декабрь 2019).
Проблема сдвигов в региональной структуре экономики России / Аналитический центр при Правительстве Российской Федерации. 2013. 22 с. URL: http://ac.gov.ru/ files/publication/a/1197.pdf (дата обращения: декабрь 2019).
Рубинштейн А.Я., Слуцкин Л.Н. «Multiway Data Analysis» и общая задача ранжирования журналов // Прикладная эконометрика. 2018. Т. 50. С. 90-113.
Синельников-Мурылев С., Дробышевский С., КазаковаМ. Декомпозиция темпов роста ВВП России в 1999-2014 годах // Экономическая политика. 2014. № 5. С. 7-37.
Штерцер Т.А. Роль человеческого капитала в экономическом развитии регионов РФ // Вестник НГУ. Серия: Социально-экономические науки. 2006. Т. 6. № 2. С. 37-51.
Acemoglu D., Johnson S., Robinson J. Institutions as the Fundamental Cause of Long-Run Growth // Handbook of Economic Growth. 2005. Vol. 1A. Pp. 385-472. https://doi. org/10.1016/S1574-0684(05)01006-3
Cass D. Optimum Growth in an Aggregate Model of Capital Accumulation // The Review of Economic Studies. 1965. Vol. 32. Issue 3. Pp. 233-240. https://doi.org/10.2307/2295827
FujitaM., KrugmanP., VenablesA.J. The Spatial Economy: Cities, Regions, and International Trade. Cambridge; London: The MIT Press, 1999. 367 p.
Koopmans T. C. On the Concept of Optimal Economic Growth // The Econometric Approach to Development Planning. Part I. 1965. Vol. 28. Pp. 225-300. URL: http://www.pas.va/ content/accademia/en/publications/scriptavaria/developmentplanning-part-i.html (дата обращения: декабрь 2019).
Krugman P. Increasing Returns and Economic Geography // Journal of Political Economy. 1991. Vol. 99. No. 3. Pp. 483-499. https://doi.org/10.1086/261763
Lucas R. On the Mecanics of Economic Development // Journal of Monetary Economics 1988. No. 22. Pp. 3-42.
Mankiw N.G., Romer D., Weil D.N. A Contribution to the Empirics of Economic Growth / National Bureau of Economic Research. Working Paper No. 3541. 1990. 48 p.
North D.C., Thomas R.P. The Rise of the Western World: A New Economic History. New York: Cambridge University Press, 1973. 171 p. https://doi.org/10.1111/aehr.152br15
Romer P.M. Increasing Returns and Long-Run Growth // Journal of Political Economy. 1986. Vol. 94. No. 5. Pp. 1002-1037. https://doi.org/10.1086/261420
Russia: Reshaping Economic Geography / World Bank Group. Report No. 62905-RU. 2011. 139 p. URL: http://documents.worldbank.org/curated/en/863281468107678371/ Russia-Reshaping-economic-geography (дата обращения: декабрь 2019).
Solow R.M. A Contribution to the Theory of Economic Growth // The Quarterly Journal of Economics. 1956. Vol. 70. No. 1. Pp. 65-94. https://doi.org/10.2307/1884513
Solow R.M. Technical Change and the Aggregate Production Function // The Review of Economics and Statistics. 1957. Vol. 39. No. 3. Pр. 312-320. https://doi. org/10.2307/1926047
World Development Report 2009: Reshaping Economic Geography / World Bank. 2009. 410 p. URL: https://openknowledge.worldbank.org/handle/10986/5991 (дата обращения: декабрь 2019).
World Development Report 2018: Learning to Realize Education's Promise: Main Report Washington: World Bank Group. 2018. 240 p. URL: http://documents.worldbank.org/ curated/en/240351507784846426/Main-Report (дата обращения: декабрь 2019).
REFERENCES
Acemoglu D., Johnson S., Robinson J. Institutions as the Fundamental Cause of LongRun Growth. Handbook of Economic Growth, 2005, vol. 1A, pp. 385-472. https://doi. org/10.1016/S1574-0684(05)01006-3
Bozhechkova A.V. Econometric Modeling of the Impact of Human Capital on Economic Growth in Russian Regions. Audit i Finansovyy Analiz = Audit and Financial Analysis. 2013, no. 1, pp. 90-99. (In Russian).
Burakov N.A., Bukhvald E.M., KoFchugina A.V. Regional Index of Economic Development and Ranking of the Subjects of the Russian Federation. Federalizm = Federalism, 2019a, no. 3 (95), pp. 149-171. https://doi.org/10.21686/2073-1051-2019-3-149-171 (In Russian).
Burakov N.A., Bukhvald E.M., Kolchugina A.V., Rubinstein A.Ya., Slavinskaya O.A., Slutskin L.N. Regional Index of Economic Development and Ranking of the Subjects of the Russian Federation. Editors by E.M. Bukhvald, A.Ya. Rubinstein (Preprint). Moscow: Institute of Economics RAS, 2019, 72 p. Available at: http://vestnik-es.vlsu. ru/fileadmin/No20/Nauchnyi_doklad_IEH_RAN.pdf (accessed December 2019). (In Russian).
Cass D. Optimum Growth in an Aggregate Model of Capital Accumulation. The Review of Economic Studies, 1965, vol. 32, issue 3, pp. 233-240. https://doi.org/10.2307/2295827
Drobyshevsky S., Lugovoy O., Astafeva E., Polevoy D., Kozlovskaya A., Trunin P., Liderman L. Factors of Economic Growth in Russia's Regions. Moscow: Institute for the Economy in Transition, 2005, 278 p. (In Russian).
Fujita M., Krugman P., Venables A.J. The Spatial Economy: Cities, Regions, and International Trade. Cambridge; London: The MIT Press, 1999, 367p.
Komarova A.V., Pavshok O.V. The Estimation of the Human Capital's Impact into the Economic Growth of the Regions of Russian Federation (Using Mankiw - Romer -Wail's Model). VestnikNGU. Seriya: Sotsialno-Ekonomicheskie Nauki = VestnikNSU. Series: Social and Economic Sciences, 2007, vol. 7, no. 3, pp. 191-201. (In Russian).
Komarova A.V., Kritsyna E.A. On the Proportion Human Capital in GRP of Russian Regions. Vestnik NGU. Seriya: Sotsialno-Ekonomicheskie Nauki = Vestnik NSU. Series: Social and Economic Sciences, 2012, vol. 12, no. 3, pp. 5-14. (In Russian).
Koopmans T.C. On the Concept of Optimal Economic Growth. The Econometric Approach to Development Planning. Part I, 1965, vol. 28, pp. 225-300. Available at: http://www. pas.va/content/accademia/en/publications/scriptavaria/developmentplanning-part-i. html (accessed December 2019).
Krugman P. Increasing Returns and Economic Geography. Journal of Political Economy, 1991, vol. 99, no. 3, pp. 483-499. https://doi.org/10.1086/261763
Kuznetsova O.V. Pyramid of Factors of Regional Socio-Economic Development. Voprosy Ekonomiki [Economic Issues], 2013, no. 2, pp. 121-131. https://doi.org/10.32609/0042-8736-2013-2-121-131 (In Russian).
Lucas R. On the Mecanics of Economic Development. Journal of Monetary Economics, 1988, no. 22, pp. 3-42.
Lugovoy O., Dashkeev V., Mazaev I., Fomchenko D., Polyakov E., Hecht A. Analysis of Economic Growth in Regions: Geographical and Institutional Aspect. Moscow: Institute for the Economy in Transition, 2007, 164 p. (In Russian).
Mankiw N.G., Romer D., Weil D.N. A Contribution to the Empirics of Economic Growth. National Bureau of Economic Research. Working Paper No. 3541, 1990, 48 p.
New Geography of Regional Development: Assessment of the Economic Potential of Russian Regions and the Possibilities of its Effective Use. World Bank; Analytical Center for the Government of the Russian Federation. Washington DC, Moscow, 2018, 92 p. Available at: http://ac.gov.ru/files/content/16352/geografiya-rosta-pdf.pdf (accessed December 2019). (In Russian).
North D.C., Thomas R.P. The Rise of the Western World: A New Economic History. New York: Cambridge University Press, 1973, 171 p. https://doi.org/10.1111/aehr.152br15
Problem of Shifts in the Regional Structure of the Russian Economy. Analytical Center for the Government of the Russian Federation, 2013, 22 p. Available at: http://ac.gov.ru/ files/publication/a/1197.pdf (accessed December 2019). (In Russian).
Romer Paul M. Increasing Returns and Long-Run Growth. Journal of Political Economy, 1986, vol. 94, no. 5, pp. 1002-1037. https://doi.org/10.1086/261420
Rubinstein A.Ya., Slutskin L.N. Multiway Data Analysis' and the General Problem of Journals' Ranking. Prikladnaya Ekonometrika = Applied Econometrics, 2018, vol. 50, pp. 90-113. (In Russian).
Russia: Reshaping Economic Geography. World Bank Group. Report No. 62905-RU, 2011, 139 p. Available at: http://documents.worldbank.org/curated/en/863281468107678371/ Russia-Reshaping-economic-geography (accessed December 2019).
Shtertser T.A. Role of Human Capital in the Economic Development of Russian Regions. Vestnik NGU. Seriya: Sotsialno-Ekonomicheskie Nauki = Vestnik NSU. Series: Social and Economic Sciences, 2006, vol. 6, no. 2, pp. 37-51. (In Russian).
Sinelnikov-Murylev S., Drobyshevsky S., Kazakova M. Decomposition of Russian GDP Growth Rates in 1999-2014. Ekonomicheskaya Politika = Economic Policy, 2014, no. 5, pp. 7-37. (In Russian).
Solow R.M. A Contribution to the Theory of Economic Growth. The Quarterly Journal of Economics, 1956, vol. 70, no. 1, pp. 65-94. https://doi.org/10.2307/1884513
Solow R.M. Technical Change and the Aggregate Production Function. The Review of Economics and Statistics, 1957, vol. 39, no. 3, pр. 312-320. https://doi.org/10.2307/1926047
World Development Report 2009: Reshaping Economic Geography. World Bank, 2009, 410 p. Available at: https://openknowledge.worldbank.org/handle/10986/5991 (accessed December 2019).
World Development Report 2018: Learning to Realize Education's Promise : Main Report. Washington : World Bank Group, 2018, 240 p. Available at: http://documents.worldbank. org/curated/en/240351507784846426/Main-Report (accessed December 2019).
Zemtsov S.P., Smelov Y.A. Factors of Regional Development in Russia: Geography, Human Capital and Regional Policies. Zhurnal Novoy Ekonomicheskoy Assotsiatsii = Journal of the New Economic Association, 2018, no. 4 (40), pp. 84-108. https://doi. org/10.31737/2221-2264-2018-40-4-4 (In Russian).
Zubarevich N.V. Regional Development and Regional Policy in Russia During Ten Years of Economic Growth. Zhurnal Novoy Ekonomicheskoy Assotsiatsii = Journal of the New Economic Association, 2009, no. 1-2, pp. 161-174. (In Russian).
Поступила в редакцию / Submitted: 20.01.2020
Принята к публикации / Revised: 19.02.2020
Опубликована online / Published online: 30.03.2020
Пространственная Экономика 2020. Том 16. № 1. С. 51-65
JEL: C02, E27, R11, R15 https://dx.doi.org/10.14530/se.2020.L051-065
УДК 332.1+330.4
Оценка эффектов новой отрасли в экономике региона: нефтегазохимия на Дальнем Востоке
Н.Г. ДЖурка, О.В. Демина
Джурка Наталья Геннадьевна кандидат экономических наук
1 старший научный сотрудник
Институт экономических исследований ДВО РАН, ул. Тихоокеанская, 153, Хабаровск, 680042, Российская Федерация
2 Институт экономики РАН, Нахимовский пр-т, 32, Москва, 117218, Российская Федерация E-mail: zakharchenko@ecrin.ru
ORCID: 0000-0001-9242-5636
Дёмина Ольга Валерьевна кандидат экономических наук старший научный сотрудник
Институт экономических исследований ДВО РАН, ул. Тихоокеанская, 153, Хабаровск, 680042, Российская Федерация E-mail: demina@ecrin.ru ORCID: 0000-0002-7992-5852
Аннотация. Работа посвящена оценке эффектов, генерируемых в экономике Дальнего Востока создаваемым в настоящее время центром нефтегазохимии, ядром которого являются Амурский газоперерабатывающий завод и газохимический комплекс. В расчетах используется матрица социальных счетов региона за 2015 г, расширенная за счет включения в нее информации о технологиях и направлениях использования продукции газопереработки и газохимии. Установлено, что при условии выхода новых производств на объемы выпуска в 38 млрд м3 газа и 2 млн т полиэтилена, а также преимущественной ориентации новых производств на внешний рынок ВРП Дальнего Востока увеличится на 13,9% по сравнению с 2015 г. При этом показано, что наибольшие приросты валового выпуска ожидаются в газодобывающей отрасли, нефтепереработке и электроэнергетике. В рамках концепции итеративного межотраслевого моделирования построены распределения полученных оценок интегральных эффектов во времени. Раскрыты возможности использования в целях такого построения двух методов - аналитического и численного. Показано, что при сходстве экономического содержания расчетов, проводимых по двум методам, сходимость их результатов разная, поскольку по-разному в методах определяется импульс: в аналитическом методе - это внешний спрос на продукцию новых производств, в численном - их валовой выпуск. В данном случае при высокой доле внешнего спроса в валовом выпуске новых производств различия результатов двух
© Джурка Н.Г., Дёмина О.В., 2020
методов несущественные. Выявлено, что без учета вероятности лагов в производстве и потреблении интегральный прирост ВРП будет получен к 40-му циклу (или к 2055 г.), с учетом такой вероятности - к 50-му циклу (или к 2065 г). Максимальные расхождения двух траекторий макропоказателя (без лагов и с лагами) будут наблюдаться в период до 25-го цикла (до 2040 г).
Ключевые слова: макроэкономическое моделирование, матрица социальных счетов, технология, топливно-энергетический комплекс, газохимия, экономический эффект, траектория, регион, Дальний Восток
Для цитирования: ДжуркаН.Г., Дёмина О.В. Оценка эффектов новой отрасли в экономике региона: нефтегазохимия на Дальнем Востоке // Пространственная экономика. 2020. Т. 16. № 1. С. 51-65. https://dx.doi.Org/10.14530/se.2020.1.051-065
Evaluating Impacts of the New Industry on the Regional Economy: Petrochemistry in the Far East
N.G. Dzhurka, O.V. Dyomina
Natalya Gennadievna Dzhurka Candidate of Sciences (Economics)
1 Senior Research Fellow
Economic Research Institute FEB RAS, 153 Tikhookeanskaya St., Khabarovsk, 680042, Russian Federation
2 Institute of Economics RAS, 32 Nakhimovsky Prospect, Moscow, 117218, Russian Federation E-mail: zakharchenko@ecrin.ru
ORCID: 0000-0001-9242-5636
Olga Valeryevna Dyomina Candidate of Sciences (Economics) Senior Research Fellow
Economic Research Institute FEB RAS, 153 Tikhookeanskaya St., Khabarovsk, 680042, Russian Federation E-mail: demina@ecrin.ru ORCID: 0000-0002-7992-5852
Abstract. The authors evaluate the effects generated in the economy of the Russian Far East by the emerging petrochemical industry center, its core in Amursk gas processing plant. The calculations are based on the regional social accounting matrix for 2015 augmented with data on gas processing and petrochemical technologies, consumption of their products. According to the assessment, with the output of new industries at 38 BCM gas and 2 MT polyethylene the regional GRP will increase by 13.9% against 2015. Also, with prevailing export orientation of the new industries the highest increment of gross output is expected in gas extraction, oil processing and electric power industry. In terms of the concept of sequential interindustry modeling, the authors estimate the temporal distribution of the obtained integral effects. In view of the above, the opportunities of two methods are revealed, the analytical and the numerical one. It is demonstrated that despite the similarity of the economic contents in both calculation methods the measure
of their convergence is different as their drivers are different: the external demand for new products is behind the choice of the analytical method while the gross output is behind the numerical one. In our case a high share of external demand in the gross output of new production levels out the difference between the effects of the two methods. The researchers conclude that without lags in production and consumption the integral GRP increase will be obtained by cycle 40 (or by 2055), with lags - after cycle 50 (or by 2065). The maximum discrepancy between the two trajectories of the macro indicator (without and with lags) will be observed in the period up to cycle 25 (to 2040).
Keywords: macroeconomic modeling, social accounting matrix, technology, fuel and energy sector, petrochemistry, economic effect, trajectory, region, Russian Far East
For citation: Dzhurka N.G., Dyomina O.V. Evaluating Impacts of the New Industry on the Regional Economy: Petrochemistry in the Far East. Prostranstvennaya Ekonomika = Spatial Economics, 2020, vol. 16, no. 1, pp. 51-65. https://dx.doi.org/10.14530/se.2020.1.051-065 (In Russian).
ВВЕДЕНИЕ
Технология переработки углеводородов условно может быть описана следующей схемой: энергоресурс (нефть, попутный нефтяной или природный газ) ^ продукты первичной переработки (нефтепродукты, продукты переработки газа) ^ базовые мономеры (этилен, пропилен, бутадиен) ^ полимеры, каучуки и продукция органического синтеза (Брагинский, 2017).
При сохранении лидерских позиций в сфере добычи углеводородов Россия уступает практически двум десяткам стран по объемам их глубокой переработки (нефтегазохимии). Одна из основных структурных проблем нефтегазохимической отрасли в России - это дефицит мощностей по производству базовых мономеров, важнейшим из которых является этилен (Брагинский, 2016). Спрос на производимые из этилена полимеры - полиэтилен высокого и низкого давления, линейный полиэтилен - сегодня на 40% превышает объем их выпуска. Доля российских производителей полиэтилена в мировой торговле составляет менее 1%.
Внутренний рынок полиэтилена является высококонцентрированным, на долю крупнейшего производителя (Казаньоргсинтез) приходится 40% в структуре установленной мощности. В географическом разрезе основной объем производства (65% от суммарного объема) сосредоточен в Приволжском федеральном округе, здесь располагаются четыре из семи производителей, еще по одному производителю представлено в Сибирском (18%), Северо-Кавказском (11%) и Северо-Западном федеральных округах (6%) (Волкова, 2016).
С целью обеспечения внутреннего рынка страны продукцией нефтега-зохимии и увеличения в общем объеме экспорта доли продукции глубокой переработки углеводородного сырья в стране планируется развитие шести
центров нефтегазохимии: Западно-Сибирского, Поволжского, Каспийского, Восточно-Сибирского, Северо-Западного и Дальневосточного. Соответствующие проекты разрабатываются с учетом создания собственной базы по производству этилена.
Мощность создаваемого на Дальнем Востоке центра нефтегазохимии соответствует текущему объему потребления полиэтилена в стране -2 млн т. При этом емкость регионального рынка полиэтилена незначительная - порядка 87 тыс. т, что связано со сравнительно низкой численностью населения, являющегося основным потребителем конечной продукции на основе полимеров. На сегодняшний день спрос на полиэтилен в регионе примерно на 30% удовлетворяется за счет импорта и на 70% - за счет межрегиональных поставок. С учетом параллельного ввода в эксплуатацию нефтегазохимических производств в других регионах страны можно заключить, что основным направлением использования производимого на Дальнем Востоке полиэтилена будет внешний рынок и прежде всего быстрорастущий рынок Китая.
Создание в регионе масштабного принципиально нового комплекса производств, включающего все стадии представленной выше технологической цепочки - от добычи природного сырья (газа) до создания продукции с высокой добавленной стоимостью (полиэтилена) - приведет к трансформации сложившейся в экономике региона сети структурных связей. Эта трансформация займет определенный период времени, и ее результат в виде изменения региональных макропоказателей может быть оценен лишь при условии системного прогнозирования структурных диспропорций экономики региона. Продолжительность трансформации будет зависеть от параметров регионального воспроизводственного цикла, в том числе от возможностей наращивания объемов производств, являющихся поставщиками ресурсов для нефтегазохимии.
Задачами данной статьи являются, во-первых, оценка интегральных эффектов, генерируемых в экономике региона новым комплексом производств, и, во-вторых, определение траекторий региональных макропоказателей, характеризующих процесс формирования интегральных эффектов.
Для решения поставленных задач традиционно используются методы балансового моделирования (Jackson, Jensen, 2011; Mann, 1975; Miller, Blair, 2009; Ivanova, Rolfe, 2011; Rose, 1984; Sonis, Hewings, 2009; Whealan-George et al., 2015). Особый интерес представляют те методы, которые позволяют на основе итеративных расчетов, без привлечения сложных динамических структур, получать параметры адаптации экономики региона к новым условиям сбалансированного развития. Эти методы разрабатываются на протяжении последних 40 лет, но лишь в 2014 г. был предложен их численный
вариант, подходящий для рассматриваемой в данной работе ситуации, когда структура затрат существующих в экономике региона отраслей остается неизменной при появлении в ней новых производств (Malik et al., 2014). До сих пор в отношении этого численного метода открытыми остаются два вопроса: 1) о соотношении его результатов с результатами сетевой (аналитической) модели распространения импульсов в экономике региона и 2) о его возможностях по учету лагов в производстве и потреблении. Соответственно, получение обоснованной оценки временного распределения интегральных эффектов от развития в регионе нефтегазохимии будет возможно лишь после рассмотрения обозначенных вопросов.
БАЛАНСОВОЕ МОДЕЛИРОВАНИЕ РАСПРЕДЕЛЕНИЯ ВО ВРЕМЕНИ ЭФФЕКТОВ НОВЫХ ПРОИЗВОДСТВ
Концепция итеративного межотраслевого моделирования
Попытки использовать балансовые модели с детализированным представлением межотраслевых взаимодействий для исследования эффектов новых производств особенно активно стали предприниматься в 1980-е гг. (Cole, 1988; Mules, 1983; Ten Raa, 1986a; Ten Raa, 1986b). Импульсом для этого послужили работы Э. Романоффа и С. Левина (Romanoff, Levine, 1991; Romanoff, Levine, 1990; Romanoff, 1984). Исследователи предложили концепцию итеративного межотраслевого моделирования, в основе которой лежит идея совмещения инженерных и экономических расчетов, а именно: методов сетевого планирования и мультипликаторов затраты-выпуск. Э. Романофф и С. Левин специфицировали хронологические особенности производственных процессов в различных отраслях, разделив последние на две группы. В первую группу они включили отрасли, продукция которых производится заблаговременно до момента поступления заказа (сельское хозяйство и большая часть промышленного производства), во вторую - отрасли, выпуск продукции в которых регулируется конъюнктурой и, соответственно, требует проведения подготовительных работ (некоторые отрасли промышленности, такие как производство вооружений, строительство, большая часть сервисных отраслей). Отрасли первой группы формируют запасы, отрасли второй группы - нет. Подобное разделение отраслей позволило учесть фактор времени в качестве аргумента коэффициентов прямых материальных затрат и получить производственную функцию, адекватно характеризующую экономические диспропорции при появлении в экономике новых производств. В рамках описанной концепции появились возможности использовать балансы для исследования ситуаций негомотетичного изменения выпуска в различных отраслях и на основе этого получать ответы
не только на вопросы о масштабах реальных и потенциальных экономических диспропорций, величине генерируемых ими эффектов, но и на вопросы о временной последовательности реализуемых в целях устранения этих диспропорций изменений выпуска отраслей (Avelino et al., 2015; Avelino et al., 2011; Okuyama, Hewings, 2000).
Подобные диспропорции складываются и в рассматриваемой в настоящей работе ситуации появления в экономике региона комплекса новых производств по добыче газа, его переделу, причем разных уровней сложности, а также транспортировке продукции газохимии. Для определения того, каким образом и как скоро комплекс новых производств будет интегрирован в сети структурных связей экономики региона, используется концепция Э. Романоффа и С. Левина, но лишь ее содержательный аспект. Поиск альтернатив инструментального обеспечения концепции итеративного межотраслевого моделирования обусловлен прежде всего информационными ограничениями в части данных о хронологии производственных процессов.
Методы итеративного моделирования эффектов новых производств при неизменных технологиях базисного года
При условии сохранения структуры затрат существующих в регионе отраслей (за исключением тех случаев, когда региональная продукция газохимии заменит импорт и ввоз из других регионов страны) интегральные эффекты от новых производств, точнее их верхние границы, могут быть рассчитаны на основе мультипликаторов балансовой модели, расширенной за счет включения в модель базисного года информации о технологиях и продуктах переработки газа. Соответствующий рассматриваемому случаю вариант распределения интегральных эффектов во времени без привлечения «инженерной» информации обеспечивает численный метод, разработанный на основе модификации RAS-метода балансировки выпуска и затрат отраслей. Как численная процедура, модифицированный RAS-метод сводится к выполнению конечного числа арифметических операций над элементами расширенного баланса. Экономическое содержание этих операций, а также возможности их корректировки с целью учета характерных для концепции Э. Романоффа и С. Левина лагов в производстве раскрываются на основе сопоставления результатов численного метода с результатами аналитического метода (сетевой модели распространения импульсов).
Сетевая модель основана на разбиении процесса приспособления экономической системы к новым условиям на ряд последовательных циклов. Эффекты цикла n рассчитываются по формуле:
