Статья: ИССЛЕДОВАНИЯ ГРАНИЦ В РОССИИ В ЗЕРКАЛЕ БИБЛИОМЕТРИИ (2024)

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.

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.

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.

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.