Победин Александр Александрович - кандидат экономических наук, доцент, заведующий кафедрой экономики и управления, Уральский институт управления – филиал Российской академии народного хозяйства и государственной службы при Президенте РФ; докторант кафедры теории, методологии и правового обеспечения государственного и муниципального управления, Уральский федеральный университет имени Б. Н. Ельцина. Web of Science Researcher ID: F-8552-2019.
Екатеринбург
Aleksandr A. Pobedin - Cand. Sci. (Economics), Associate Professor, Head of the Department of Economics and Management, Ural Institute of Management – branch of the Russian Presidential Academy of National Economy and Public Administration; Doctoral student at the Department of Theory, Methodology and Legal Support of Public and Municipal Administration, Ural FU named after B. N. Yeltsin. Web of Science Researcher ID: F-8552-2019.
Yekaterinburg
Цель: разработка и апробация методики выявления трансрегиональных центров роста на основе умной специализации, позволяющей идентифицировать территориальные кластеры с высоким инновационным потенциалом и определить пространственные закономерности межрегионального взаимодействия в контексте обеспечения технологического суверенитета России.
Методы: исследование основано на комплексном анализе данных официальной статистики и экспертных оценок. Использованы методы конфирматорного факторного анализа для расчета интегрального индекса потенциала умной специализации, учитывающего научный потенциал, образовательную инфраструктуру, цифровизацию, инновационную активность, финансирование НИОКР, рынок труда, внешнеэкономическую деятельность и государственное регулирование. Для оценки пространственной автокорреляции применены глобальный и локальный индексы Морана, а также метод «горячих точек».
Результаты: установлена значительная пространственная автокорреляция между регионами России (глобальный индекс Морана – 0,457); выявлены 12 трансрегиональных центров роста первого порядка (Пермский край, Санкт-Петербург, Москва, Ульяновская, Самарская, Томская области, Республика Татарстан, Нижегородская, Калужская, Московская, Свердловская, Новосибирская области), 12 центров второго порядка и 28 территорий в зоне их влияния, формирующих ядро умной специализации России; определено, что наиболее устойчивые территориальные кластеры формируются при интеграции регионов с различными типами отраслевой специализации; для отдельных центров роста идентифицирован «эффект тени», препятствующий диффузии инноваций и трансферу технологий.
Научная новизна: разработана методика, объединяющая анализ индивидуальных характеристик региональных инновационных систем и сетевых эффектов пространственных взаимодействий. Впервые применен комплексный подход к оценке умной специализации с учетом межрегиональных связей, что способствует формированию адаптивной региональной политики.
Практическая значимость: методика позволяет дифференцировать меры государственной поддержки для территориальных кластеров. Результаты могут быть использованы при разработке стратегий пространственного развития и региональных программ инновационного роста. Выявленные центры роста служат основой для координации межрегиональных проектов и оптимизации ресурсного распределения.
Objective: to develop and test a methodology for identifying trans-regional growth centers based on smart specialization. This allows identifying territorial clusters with high innovation potential and spatial patterns of interregional interaction in the context of ensuring Russia’s technological sovereignty.
Methods: the study is based on a comprehensive analysis of official statistics and expert assessments. The methods of confirmatory factor analysis were used to calculate the integral index of smart specialization potential, which takes into account scientific potential, educational infrastructure, digitalization, innovation activity, R&D financing, labor market, foreign economic activity, and government regulation. The global and local Moran indices, as well as the “hot points” method, were used to estimate spatial autocorrelation.
Results: significant spatial autocorrelation between the regions of Russia was revealed (global Moran index – 0.457). The author identified 12 first-order transregional growth centers (Perm region, St. Petersburg, Moscow, Ulyanovsk, Samara, Tomsk regions, Republic of Tatarstan, Nizhny Novgorod, Kaluga, Moscow, Sverdlovsk, Novosibirsk regions), 12 second-order centers and 28 territories in their zone of influence, forming the core of smart specialization in Russia. It was determined that the most stable territorial clusters appear when regions with different types of industry specialization are integrated. For individual growth centers, a “shadow effect” was identified that prevents the diffusion of innovations and technology transfer.
Scientific novelty: the author developed a methodology that combines the analysis of individual characteristics of regional innovation systems and network effects of territorial interactions. For the first time, an integrated approach to the assessment of smart specialization was applied, taking into account interregional relations, which contributes to the formation of an adaptive regional policy.
Practical significance: the methodology allows differentiating state support measures for territorial clusters. The results can be used in the elaboration of territorial development strategies and regional innovation growth programs. The identified growth centers serve as the basis for coordinating interregional projects and optimizing resource allocation.
The authors declare that there are no conflicts of interest present.