Возвращение на траекторию устойчивого роста с учетом текущей экономической повестки - принципиально актуальный вопрос. Одним из ключевых драйверов может стать повышение производительности труда. Однако, региональные различия в динамике научно-технологического потенциала могут препятствовать достижению этой цели. Исследование направлено на выявление характерных особенностей изменения показателей технологического развития у российских регионов со схожей динамикой производительности за период 2011-2021 гг. Учтена дифференциация регионов по уровню научно-технологического развития (НТР). Основным методическим подходом выступила комбинация регрессионного анализа и метода паттерн-кластеризации. Выявлено 5 типичных паттернов, которым следовали российские регионы с разной динамикой производительности. Показано, что высокие темпы роста производительности у регионов с высоким уровнем НТР поддерживались ростом внутренних затрат на исследования и разработки, затрат на инновационную деятельность организаций и на внедрение цифровых технологий. Регионы-лидеры НТР, демонстрирующие низкие темпы роста производительности, характеризуются практически нулевым приростом объемов ВЗИР за исследуемый период. В группе регионов со средними и низкими уровнями НТР наиболее высокие темпы роста производительности характерны для регионов с высокими темпами роста капиталовооруженности и затрат на внедрение цифровых технологий. Полученные выводы могут быть учтены при разработке региональных инструментов политики повышения производительности труда.
Идентификаторы и классификаторы
- УДК
- 332.05. Динамичные, качественные и количественные аспекты. Изменения (трансформации, преобразования, превращения). Прогресс.Регресс
332.13. Размещение, региональное размещение. Территориальное распределение факторов производства, производительных сил. Региональное, территориальное разделение труда
Замедление темпов роста производительности труда в России началось еще в 2006–2007 гг. С 2011 г. данная тенденция наблюдалась уже в подавляющем большинстве российских регионов, причем наиболее сильное торможение роста производительности демонстрировали наиболее развитые в научно-техническом плане регионы [7]. В российской литературе имеется значительный массив данных о факторах роста производительности труда в региональной проекции – от влияния общих показателей социально-экономического развития регионов, экспортных характеристик, отраслевой структуры, человеческого капитала [6; 13], информационных ресурсов [15] – до показателей технологического развития [3; 4; 18; 19].
Список литературы
1. Алескеров Ф.Т., Гохберг Л.М., Егорова Л.Г., Мячин А.Л., Сагиева Г.С. Анализ данных науки, образования и инновационной деятельности с использованием методов анализа паттернов: препринт WP7/2012/07. М.: Изд. дом ВШЭ, 2012. 72 с.
2. Бабурин В.Л., Земцов С.П. География инновационных процессов в России // Вестн. Моск. ун-та. Сер. 5. География. 2013. № 5. С. 25-32. EDN: RQDSDR
3. Басовский Л.Е., Басовская Е.Н., Аверина Т.Н. О влиянии новых технологий на производительность труда в регионах современной России // Журнал экономических исследований. 2019. Т. 5. № 4. С. 26-31. EDN: XBXSEN
4. Бессонов В.А., Гимпельсон В.Е., Кузьминов Я.И., Ясин Е.Г. Производительность и факторы долгосрочного развития российской экономики: X Междунар. науч. конф. ГУ ВШЭ по проблемам развития экономики и общества. М.: Изд-во ГУ ВШЭ, 2009. 65 с. EDN: QTJSWZ
5. Воскобойников И.Б., Баранов Э.Ф., Бобылева К.В., Капелюшников Р.И., Пионтковский Д.И., Роскин А.А., Толоконников А.Е. Постшоковый рост российской экономики: опыт кризисов 1998 и 2008-2009 гг. и взгляд в будущее // Вопросы экономики. 2021. № 4. С. 5-31. EDN: APOWGY
6. Гафарова Е.А. Эконометрический анализ факторов роста производительности труда в субъектах Российской Федерации // Вопросы статистики. 2021. Т. 28. № 2. С. 80-89. 10.34023/2313-6383- 2021-28-2-80-89. DOI: 10.34023/2313-6383-2021-28-2-80-89 EDN: AFOOMY
7. Дементьев В.Е. Парадокс производительности в региональном измерении // Экономика региона. 2019. Т. 15. № 1. С. 43-56. DOI: 10.17059/2019-1-4 EDN: ZALWTZ
8. Демидова О. А., Камалова Э. Пространственно-эконометрическое моделирование экономического роста российских регионов: имеют ли значение институты? // Экономическая политика. 2021. Т. 16. № 2. С. 34-59. EDN: OPRRBB
9. Зайцев А.А. Межстрановые различия производительности труда: роль капитала, уровня технологий и природной ренты // Вопросы экономики. 2016. № 9. С. 67-93. EDN: WKOFIP
10. Зайцев А.А. Региональная диагностика и отраслевой анализ производительности труда // Федерализм. 2013. № 1. С. 57-74. EDN: PYGGCB
11. Земцов С.П., Смелов Ю.А. Факторы регионального развития в России: география, человеческий капитал или политика регионов // Журнал Новой экономической ассоциации. 2018. Т. 4. № 40. С. 84-108. EDN: YSFTFR
12. Канева М.А., Унтура Г.А. Взаимосвязь НИОКР, перетоков знаний и динамики экономического роста регионов России // Регион: экономика и социология. 2017. № 1. С. 78-100. EDN: YGFNZB
13. Курбатова М.В., Каган У.С., Вшивкова А.А. Региональное развитие. Проблемы формирования и реализации научно-технического потенциала // Terra Economicus. 2018. Т. 16. № 1. С. 101-117. DOI: 10.23683/2073-6606-2018-16-1-101-117 EDN: UOWDSG
14. Леоненко Н.С. Влияние кризисных ситуаций в российской экономике на объемы внешней торговли регионов Российской Федерации // Экономические отношения. 2019. Т. 9. № 4. С. 2717-2730. DOI: 10.18334/eo.9.4.41421 EDN: ODPMER
15. Миролюбова Т.В. Производительность труда в регионах России: пространственные аспекты и взаимосвязь с информационными ресурсами // Вестн. ПГУ. Сер.: Экономика. 2016. № 3 (30). С. 120-131. EDN: XAYULV
16. Пономарева Е.А., Божечкова А.В., Кнобель А.Ю. Факторы экономического роста: научно-технический прогресс. М.: Изд. дом “Дело” РАНХиГС, 2012. 186 с. EDN: TTTJRL
17. Растворцева С.Н. Производительность труда и фондовооруженность в обеспечении экономического роста российских регионов // Социальное пространство. 2018. № 1 (13). С. 1-9. 10.15838/ sa/2018.1.13.1. DOI: 10.15838/sa/2018.1.13.1 EDN: QNLIXN
18. Самусенко С.А. Эконометрический анализ факторов роста производительности труда на уровне страны и региона // Экономика труда. 2021. Т. 8. № 8. С. 763-784. DOI: 10.18334/et.8.8.1 EDN: XHEEHK
19. Сычев С.А. Статистическая оценка влияния факторов “технологического лидерства” на динамику производительности труда в субъектах РФ // Статистика и экономика. 2017. Т. 14. № 2. С. 29-38. DOI: 10.21686/2500-3925-2017-2-29-38 EDN: YMGATN
20. Ходос Д.В., Паршуков Д.В., Зелезинский А.Л. Инновационное развитие регионов: модели анализа и оценки перспектив // Инновационное развитие экономики. 2018. Т. 44. № 2. С. 79-88. EDN: XOOWEP
21. Acemoglu D., Aghion P., Zilibotti F. Distance to Frontier, Selection and Economic Growth // Journal of the European Economic Association. 2006. № 4. P. 37-74.
22. Bannikova N.V., Kostyuchenko T.N., Telnova N.N., Baicherova A.R., Cheremnykh M.B. The increase of labour efficiency and innovative regionalization in Russia // Advances in Management, Business and Technological Systems. Springer, 2023. DOI: 10.1007/978-3-031-20803-4_12
23. Benhabib J., Perla J., Tonetti C. Reconciling models of diffusion and innovation: a theory of the productivity distribution and technology frontier // Econometrica. 2021. Vol. 89. № 5. P. 2261-2301. EDN: HSHMMY
24. Bernard A.B., Jones C.I. Productivity across industries and countries: time series theory and evidence // The Review of Economics and Statistics. 1996. Vol. 78. № 1. P. 135-146. DOI: 10.2307/2109853 EDN: CFBPKB
25. Castellacci F. Technology clubs, technology gaps and growth trajectories // Structural Change and Economic Dynamics. 2008. Vol. 19. № 4. P. 301-314.
26. Castellacci F., Natera J.M. Innovation, absorptive capacity and growth heterogeneity: Development paths in Latin America 1970-2010 // Structural Change and Economic Dynamics. 2016. Vol. 37. P. 27-42. DOI: 10.1016/j.strueco.2015.11.002
27. Ding J. The diffusion deficit in scientific and technological power: re-assessing China’s rise // Review of International Political Economy. 2023. Vol. 31. № 3. P. 1-26. DOI: 10.1080/09692290.2023.2173633 EDN: GVWDUK
28. Filippetti A., Peyrache A. Labour productivity and technology gap in European regions: A conditional frontier approach // Regional Studies. 2012. Vol. 49. № 4. P. 532-554. DOI: 10.1080/00343404.2013.79976
29. Gordon R.J., Sayed H. Prospects for a revival in U.S. productivity growth // Journal of Policy Modeling. 2019. Vol. 41. № 3. P. 444-458. DOI: 10.1016/j.jpolmod.2019.03.013
30. Hasan R., Mitra D., Sundaram A. The determinants of capital intensity in manufacturing: The role of factor market imperfections // World Development. 2013. Vol. 51. P. 91-103. DOI: 10.1016/j.worlddev.2013.05.012
31. Iammarino S., McCann P. The structure and evolution of industrial clusters: Transactions, technology and knowledge spillovers // Research Policy. 2006. Vol. 35. № 7. P. 1018-1036. 10.1016/j. respol.2006.05.004. DOI: 10.1016/j.respol.2006.05.004
32. Kallio A., Harmaakorpi V., Pihkala T. Absorptive capacity and social capital in regional innovation systems: The case of the Lahti region in Finland // Urban Studies. 2010. Vol. 47. № 2. P. 303-319.
33. Kaneva M., Untura G. Innovation indicators and regional growth in Russia // Economic Change and Restructuring. 2017. № 50. P. 133-159. EDN: YUKEKB
34. Kumar S., Russell R.R. Technological change, technological catch-up, and capital deepening: Relative contributions to growth and convergence // American Economic Review. 2002. Vol. 92. № 3. P. 527-548. EDN: DTTXMV
35. Lau A.K.W., Lo W. Regional innovation system, absorptive capacity and innovation performance: An empirical study // Technological Forecasting and Social Change. 2015. Vol. 92. P. 99-114. 10.1016/j. techfore.2014.11.005. DOI: 10.1016/j.techfore.2014.11.005
36. Madsen J.B., Timol I. Long-run convergence in manufacturing and innovation-based models // The Review of Economics and Statistics. 2011. Vol. 93. № 4. P. 1155-1171.
37. Mankiw N.G., Romer D., Weil D.N. A contribution to the empirics of economic growth // The Quarterly Journal of Economics. 1992. Vol. 107. № 2. P. 407-437. DOI: 10.2307/2118477 EDN: HKGMQD
38. Rodríguez-Pose A., Crescenzi R. Research and development, spillovers, innovation systems, and the genesis of regional growth in Europe // Regional Studies. 2008. Vol. 42. № 1. P. 51-67.
39. Romanova O., Ponomareva A. Impact of digital transformation on labor productivity growth in the manufacturing industry in Russia // Digital Transformation in Industry. Lecture Notes in Information Systems and Organisation. Kumar V., Leng J., Akberdina V., Kuzmin E. (eds). 2022. Vol. 54. 10.1007/978-3- 030-94617-3_30. DOI: 10.1007/978-3-030-94617-3_30 EDN: QYFBMC
40. Vieira E., Vazquez-Rozas E., Neira I. The innovation factor: An econometric model of productivity European regions // Regional and Sectoral Economic Studies. 2008. Vol. 8. № 1. P. 59-70.
41. Walheer B. Labor productivity and technology heterogeneity // Journal of Macroeconomics. 2021. Vol. 68. P. 103-290. DOI: 10.1016/j.jmacro.2021.103290 EDN: YSFVJT
Выпуск
Другие статьи выпуска
В статье предпринята попытка анализа развития комплексообразования и кластерной активности в туристском секторе Пермского края в 2010-2022 гг. во взаимосвязи с системой мер региональной кластерной политики, реализованной в данный период. Основу исследования составляют элементы EDA (разведочного анализа) статистических данных по туристско-рекреационным территориям Пермского края, закреплённых в региональных нормативных документах как места потенциального размещения туристских кластеров. Представленный анализ дополняется результатами контент-анализа и анализа контента соответствующих теме публикаций региональных СМИ за рассматриваемый период, нормативных документов, а также серии авторских опросов 2015-2022 гг. В ходе исследования было установлено, что региональная кластерная политика не оказала значимого воздействия на развитие комплексообразования и кластерной активности в границах туристско-рекреационных территорий. Кроме того, было установлено, что полноценные кластеры в рассматриваемый период действовали лишь в рамках двух туристско-рекреационных территорий из семи. В остальных присутствовали только протокластерные формирования. Далее на основе показателей комплексообразования и кластерной активности, с учётом результатов предыдущих аналитических процедур, существующие туристско-рекреационные территории методом k-means были разделены на 4 группы. Для каждой группы разработана система рекомендаций по развитию туризма.
Исследования границ как междисциплинарная область развиваются в России с 1990-х гг., но только в последние годы они стали предметом науковедческой рефлексии, которая осуществляется в основном в форме частных экспертных оценок. Целью статьи является количественный анализ состояния и тенденций динамики российских исследований границ на основе библиометрических данных, извлеченных из базы публикаций eLIBRARY. RU. Библиометрический анализ позволил выявить периодизацию подъемов и спадов в публикационной активности исследователей границ и потребителей их продукции, масштабы этой научной области, ее дисциплинарный состав и географию, выделить некоторые особенности проблематики российских исследований границ и оценить уровень их внутреннего единства. Были подтверждены экспертные мнения о высокой фрагментированности отечественных исследований границ и слабости тенденций к их теоретической, методологической и концептуальной консолидации. Высказано предположение о формировании полиядерной сетевой структуры этой научной области, и о том, что ведущую роль в процессах ее постепенной интеграции сегодня играют междисциплинарное распространение количественных методов и решение синтетических прикладных проблем.
Одно из направлений совершенствования стратегического планирования в российской Арктике - повышение степени учета арктической специфики в стратегиях социально-экономического развития. Это определило цель исследования - оценить степень проявленности арктической специфики в текстах стратегий социально-экономического развития регионов и муниципалитетов Арктической зоны Российской Федерации (АЗРФ) методом контент-анализа. Использована авторская методика контент-анализа текстов стратегий социально-экономического развития на основе сформированного перечня 34 слов-маркеров, которые отбирались исходя из соответствия семи первичным элементам арктической специфики и их сочетаниям. Проведен контент-анализ текстов 61 действующих стратегий социально-экономического развития, определена встречаемость слов-маркеров, выявлены наиболее и наименее употребляемые слова-маркеры перечня. Среди наиболее встречаемых: «удаленность/отдаленность», «самобытность/уникальность» и «Крайний Север». Наименее встречаемые: «фронтир», «таяние льдов», «арктические технологии». 12 слов-маркеров из 34 исследованных обнаружены более чем в половине стратегий. Рассмотрено соотношение встречаемости понятий «АЗРФ» и «Крайний Север» в региональных и муниципальных стратегиях, обнаружено превалирование «АЗРФ» в стратегиях муниципалитетов на границе Арктической зоны. На примере Ямало-Ненецкого автономного округа разобраны различия между городскими и районными стратегиями по употреблению слов-маркеров, связанных с климатом. Не подтвердилась гипотеза о прямой связи между объемом стратегий и отражением в них арктической специфики. Выделены четыре группы муниципальных стратегий в зависимости от степени проявления арктической специфики и объема стратегий. Выявлены различия в уровне проявления арктической специфики в муниципальных стратегиях социально-экономического развития в зависимости от географического положения.
Определены основные географические параметры портового кластера на примере крупнейшего в мире порта Нинбо Чжоушань (КНР). Увеличение глубины осадки судов и размера их грузоподъёмности привело к смещению портов к глубоководным акваториям, и, как следствие, кардинальному изменению их пространственного распределения, возникновению новых форм их концентрации - портовых агломераций (плотных скоплений портов на близлежащей акватории) и портовых кластеров (их дисперсному скоплению). Основными отличиями портового кластера от портовой агломерации, выявленными на примере анализа функциональной и морфологической структуры порта Нинбо Чжоушань, являются его очень сложный функциональный и пространственно-морфологический состав, относительно большие расстояния между отдельными его элементами (в среднем от 16 км до 68 км при максимальных значениях в 120-207 км) и единая институциональная структура (единое портовое управление). Картометрически обнаружены 11 полифункциональных (сочетаются 2-7 разных групп грузов) и 19 монофункциональных портовых зон (всего 30), в которых сосредоточено 68 портовых терминалов и пунктов. Выявлены следующие пространственные этапы расширения этого портового кластера: 1) вытягивание портового ареала в виде полосы с запада на восток с охватом соседних островов; 2) возникновение узкоспециализированных терминалов на малонаселенных островах архипелага Чжоушань, изолированных от основной портовой полосы-дуги и сильно удаленных от главного портового ядра Нинбо (на 80-100 км); 3) дальнейшее удлинение главной портовой полосы на юг.
География инноваций позволяет выявлять пространственные паттерны создания, внедрения и распространения новых технологий, но с развитием коммуникаций возникает иллюзия незначимости пространства. В соответствии с целью исследования, в статье показано, что разработки искусственного интеллекта, как одной из прорывных технологий, не могут быть повсеместными. Они будут концентрироваться в центрах с высоким инновационным потенциалом, где выше интенсивность потоков и перетоков знаний, в том числе неявных. В России образование в сфере искусственного интеллекта можно получить в 21 регионе, исследования ведутся в 35, а разрабатывают технологию в 40. В статье предложен рейтинг регионального потенциала для создания технологий искусственного интеллекта, оценивающий научно-технологическое развитие и плотность основных элементов региональной инновационной экосистемы в сфере искусственного интеллекта. Рейтинг показывает высокую концентрацию потенциала в крупнейшей агломерации, Москве, и нескольких регионах - креативных ядрах: Московской области, Санкт-Петербурге, Республике Татарстан и Новосибирской области. Выделены 16 креативно-акцепторных центров, способных как создавать, так и внедрять некоторые технологии искусственного интеллекта (Свердловская, Нижегородская, Челябинская, Самарская, Томская, Ростовская области, Краснодарский край и др.), преимущественно акцепторные центры, использующие передовые производственные технологии искусственного интеллекта (23 региона) и 41 регион с минимальным потенциалом. Регионы-лидеры могут получить приоритетное внимание и финансирование. В акцепторных регионах преимущество может быть отдано поддержке автоматизации производств, а в отстающих - повышению восприимчивости населения к цифровым технологиям.
Миграционная привлекательность крупных городов и их пригородов (центров) и отток населения с периферии в России - известный факт. С использованием детальных пространственных данных анализируется пространственное разнообразие миграционного баланса 137 выделенных центров, представленных городами с числом жителей 100 тыс. и более и их пригородами, и 82 периферийных территорий за 2011-2020 гг. Анализируется не только переток между центрами и периферией, но и между отдельными центрами, а также миграция с центрами и периферией своих регионов и в межрегиональном обмене. Из многообразия центров выделяются 21 главных, которые концентрируют основной переток населения с периферийных территорий и стягивают население с других центров. При этом половина центров испытывали миграционную убыль. Выделяются центры - лидеры миграционного перетока в каждом федеральном округе, особенностям миграционного баланса крупнейших центров уделено особое внимание. Использованные данные позволили проводить анализ с учетом и без учета автовозврата, который влияет на масштабы миграционного прироста/убыли, но, как выяснилось, практически не меняет пространственную картину перетока населения между центрами и периферией.
В статье анализируются уровень и динамика межрегионального неравенства в России, Казахстане, Узбекистане, Беларуси в сравнении с другими странами Европы на основе данных официальной статистики стран СНГ (1995-2022 гг.) и Евростата (2011-2022 гг.). В качестве основного параметра оценки используется взвешенный по населению и нормированный в зависимости от числа территориальных единиц коэффициент Джини. В Белоруссии и в странах Евросоюза уровень межрегионального неравенства ниже, что связано с высокой и более равномерной освоенностью территории, более устойчивой структурой экономики. В России, Казахстане и Узбекистане уровень межрегионального неравенства выше, а его динамика разнонаправленная, что связано с влиянием ресурсной ренты на ограниченный круг регионов. В России и Узбекистане с конца 2010-х гг. неравенство росло, в Казахстане сокращалось, а в Беларуси было небольшим и стабильным вследствие особенностей структуры экономики и институциональных факторов развития. Оценки влияния макроэкономической динамики на межрегиональное неравенство не дали очевидного подтверждения ее воздействия. Влияние перераспределительной политики государства можно оценить лишь для России: значительный рост трансфертов в кризисы 2009 и 2020 гг. способствовал смягчению неравенства. Внутри федеральных округов (ФО) России дифференциация в целом ниже. Высокое неравенство характерно для крайне неоднородного Уральского ФО и Центрального ФО, где оно в последние годы снижалось. В Дальневосточном ФО региональная дифференциация росла, постепенное ее увеличение происходило и в регионах Северо-Западного ФО.
Статистика статьи
Статистика просмотров за 2025 год.
Издательство
- Издательство
- СмолГУ
- Регион
- Россия, Смоленск
- Почтовый адрес
- 214000, Смоленская обл., г. Смоленск, ул. Пржевальского, д. 4
- Юр. адрес
- 214000, Смоленская обл., г. Смоленск, ул. Пржевальского, д. 4
- ФИО
- Артеменков Михаил Николаевич (РЕКТОР)
- E-mail адрес
- rectorat@smolgu.ru
- Контактный телефон
- +7 (481) 2700201
- Сайт
- https://smolgu.ru/