Эконометрическое моделирование пространственного инновационного развития в контексте институциональных факторов

Введение

Современное инновационное развитие – сложный процесс, зависящий от множества факторов. В данном исследовании мы рассматриваем инновационное развитие через призму институциональных (социальных) и экономических факторов. Такой подход в современной экономической науке получил значительное распространение. Например, в работах нобелевского лауреата Джоэля Мокира отмечается важность учета институциональных факторов, которые во многом определяли траектории инновационного развития в исторической перспективе (Mokyr, 2002; Greif et al., 2025).

Актуальность данного исследования обусловлена значительной и устойчивой дифференциацией российских регионов по уровню инновационного развития. Традиционные экономические модели, не учитывающие пространственную зависимость, не в полной мере объясняют природу этой дифференциации и механизмы распространения инноваций. Также применение концептуального аппарата эволюционного институционализма, в частности дихотомии Т. Веблена, в сочетании с современным инструментарием пространственной эконометрики для анализа российских реалий остается недостаточно изученным. Преодоление этого пробела является необходимым условием для разработки адресных и эффективных мер региональной политики, направленных на сокращение разрывов и стимулирование инновационного роста с учетом институционального контекста соседних территорий.

Целью настоящего исследования является количественная оценка факторов, способствующих и лимитирующих инновационное развитие регионов Российской Федерации, с учетом пространственных взаимодействий. Традиционно для исследования факторов инновационного развития регионов России ограничиваются применением стандартных панельных моделей, не учитывающих пространственные автокорреляцию и переливы (spillover effects). В то же время, как показывают исследования для других стран, игнорирование пространственной зависимости может приводить к смещению оценок и ошибочным выводам (Elhorst, 2014; LeSage, 2009). В частности, с помощью пространственной модели Дарбина можно выделить прямые эффекты факторов инновационного развития внутри региона и косвенные эффекты, возникающие под влиянием соседних регионов (Наумов, Никулина, 2023). Поэтому в рамках эконометрического моделирования учет пространственных зависимостей становится необходимым условием для получения несмещенных оценок и корректной интерпретации результатов.

Институты часто рассматриваются с позиций качественного анализа (Ефимов, 2016). Однако эволюцию институциональной среды можно рассматривать через призму влияния, которое она оказывает на развитие инновационной деятельности в регионах. Поэтому комплексное использование эконометрического моделирования дает возможность оценки влияния экономических и институциональных факторов на инновационное развитие в контексте возможностей промышленного развития.

Теоретический обзор

В современной экономической науке проблематика институциональных изменений представлена широко. Прежде всего анализ институциональных изменений в экономике затрагивает фундаментальные вопросы исторической эволюции институтов (North, 1990; North, 2005; Grief, 2006). Также существуют подходы, в которых институциональные изменения рассматриваются через призму социальных ценностей и широких социальных контекстов (Bush, 1987; Elsner, 2012; Maslov & Volchik, 2014). Постепенно исследования институтов и институциональных изменений стали использовать обширные массивы эмпирических данных, что позволяет проводить не только качественный, но и количественный анализ с использованием различных методов, включая эконометрические. Интересным примером такого эконометрического исследования является пространственный анализ институциональных изменений в Китае в контексте их влияния на экономический рост и неравномерное региональное развитие (Jia et al., 2024).

Эволюция институтов, связанная с инструментальными факторами, позволяет формировать условия для устойчивого инновационного развития. В российских условиях экономическая и инновационная устойчивость регионов не являются универсальными при разного рода шоках и кризисах (Dementiev, 2024). Поэтому формирование условий для преодоления шоков зависит не только от институтов и механизмов регулирования, которые формируются внутри регионов, но и от формирования экономической и институциональной инфраструктуры, обеспечивающей фундаментальные системные основы для развития национальной инновационной системы (Volchik & Maslyukova, 2022; Тополева, 2021).

Концепт дихотомии Веблена в современной экономической науке уходит от отрицательных коннотаций, которые были связаны с институтами, в частности, денежной экономики. Более того, существуют исследования, в которых подчеркивается, что институты и связанные с ними ценности в контексте дихотомии Веблена могут рассматриваться через призму исторической обусловленности хозяйственных процессов (Верников, Курышева, 2024; Kurysheva & Vernikov, 2024).

Качественные подходы к исследованию дихотомии Веблена позволяют выявить неоднозначное влияние элементов институциональной структуры экономики на промышленное и инновационное развитие (Маслюкова и др., 2025). И хотя все больше появляется количественных и качественных исследований институтов проблема междисциплинарного взаимодействия институционалистов (Hollingsworth, 2000) до сих пор остается актуальной. Например, при анализе инновационных процессов одним из важнейших институциональных факторов рассматриваются патенты, их защита и другие права интеллектуальной собственности как в позитивном, так и в негативном контексте (Sharma et al., 2022; Brüggemann et al., 2016). Однако, исходя из специфики, например, российской инновационной системы, можно однозначно рассматривать патенты как драйвер инновационной деятельности особенно в контексте новых технологий и промышленного производства (Ширяев и др., 2022; Вольчик, Ширяев, 2023).

Рассматривая инновационное развитие через призму дихотомии Веблена, можно акцентировать внимание на двух важных аспектах, связанных с ценностями, институтами и технологиями. Первый аспект связан с тем, что стимулы, связанные с институтами «денежной экономики», ориентированы более на краткосрочные периоды, что может создавать определенные препятствия для долгосрочного планирования, которое необходимо для сложных технологических инноваций. Второй аспект связан с формированием долгосрочной и непротиворечивой траектории институциональных реформ. Именно институциональные реформы являются важнейшим фактором создания среды для инновационной деятельности (AlMalki & Durugbo, 2022). Поэтому в дальнейшем необходимо проводить детальные качественные и количественные исследования конкретных институтов и связанных с ними механизмов регулирования в плане выявления и преодоления различных барьеров и создания новых возможностей для инноваций и развития современных высокотехнологичных промышленных предприятий.

Пространственные эконометрические модели активно применяются для исследования экономического роста и инновационного развития регионов, поскольку данный тип моделей позволяет учесть пространственную гетерогенность и эффекты перелива (spillover) (переливы инноваций и знаний из одного региона в другой), что позволяет моделировать неравномерность развития и выявлять зоны влияния. Как видно из табл. 1, данный инструментарий успешно используется как в международных, так и в российских исследованиях.

Таким образом, эмпирические исследования демонстрируют значимые эффекты перелива между регионами в странах ЕС, Китае (Jia et al., 2024) и России и убедительно доказывают необходимость учета этого аспекта в моделях. Пространственные эконометрические модели являются важным инструментом для анализа инновационного развития регионов, позволяя выявлять пространственную взаимосвязь и механизмы распространения инноваций между территориями, а также учитывать гетерогенность регионов для более точного анализа и прогнозирования. При этом учет пространственных эффектов и институциональных факторов является не просто техническим усложнением модели, а необходимым условием для выработки адекватных мер региональной политики.

Тем не менее, несмотря на растущее применение пространственных моделей в региональных исследованиях, интеграция идей институциональной экономики, в частности дихотомии Веблена, с современным пространственным эконометрическим инструментарием для анализа российских реалий остается недостаточно изученной. Комбинация методологии пространственной эконометрики с концептуальным аппаратом дихотомии Веблена для эмпирического анализа инновационного развития российских регионов позволит выявить не только прямые эффекты, но и пространственные механизмы распространения как технологических, так и институциональных изменений.

В рамках нашего проекта мы акцентируем внимание на особенностях институциональных и технологических изменений. Институты и ценности по своей природе являются инерционными, и поэтому их влияние наиболее значимо в среднесрочном и долгосрочном периодах. На основе проведенного анализа отечественной и зарубежной литературы, а также в рамках теоретической рамки дихотомии Веблена были сформулированы следующие рабочие гипотезы, подлежащие эконометрической проверке:

H1: Уровень инновационной активности региона положительно связан с уровнем промышленного производства, предпринимательской активностью и образовательным потенциалом, что отражает влияние инструментальных институциональных факторов.

H2: Социальное неравенство и безработица оказывают негативное влияние на инновационную активность, выступая в качестве проявления церемониальной институциональной инерции.

H3: Существуют значимые положительные пространственные эффекты перелива, причем инновационная активность в соседних регионах положительно влияет на инновационную активность в данном регионе (λ > 0).

H4: Институциональные факторы, измеряемые через предпринимательскую активность и образовательный потенциал, имеют более сильное и устойчивое прямое влияние на инновации, чем общие макроэкономические показатели (такие как ВРП).

Результаты исследования

Методология и данные

Эконометрические методы могут использоваться для исследования инновационного развития регионов как многофакторного процесса. Использование современных количественных данных позволяет не только оценить влияние экономических, но и институциональных факторов на инновационное развитие.

Методология исследования включает несколько этапов. Первоначально рассматриваются стандартные модели панельных данных: объединенная регрессия (формула 1) (регрессия пула, Pooled Regression, POLS), модель с фиксированными эффектами – внутригрупповой фиксированный эффект (формула 2) (Fixed Effects Model, within transformation, FE)¹ и модель со случайными эффектами (формула 3) (Random Effects Model, RE):

, (1)

, (2)

, (3)

где y_it – зависимая переменная, X_i – матрица независимых переменных, β – вектор коэффициентов, ε_it – вектор ошибок, , , , , u_i – индивидуальные эффекты, i = 1, 2, ..., n – номер объекта; t = i = 1, 2, ..., T – номер периода.

Стандартные модели панельных данных (1) – (3) оценивались для сравнения и верификации базовых зависимостей.

Далее для учета возможных пространственных эффектов были рассмотрены следующие эконометрические модели:

1. Модель с пространственной зависимостью в ошибке (Spatial Error Model, SEM) предполагает наличие пространственной зависимости в необъясненной части модели (ошибке):

Модель с фиксированными эффектами (SEM_FE, формула 4):

y_it = X_itβ + μ_i + ε_it, ε_it = ρWε_it + u_it , (4)

где y_it – зависимая переменная, X_it – матрица регрессоров, μ_i – фиксированные эффекты (индивидуальные), ε_it – пространственно автокоррелированная ошибка, ρ – параметр пространственной автокорреляции ошибок, W – матрица пространственных весов, u_it – случайная ошибка.

Модель со случайными эффектами (SEM_RE, формула 5):

y_it = X_itβ + α_i + ε_it, ε_it = ρWε_it + u_it , (5)

где α_i – случайные эффекты (индивидуальные).

2. Модель с авторегрессионным пространственным лагом (Spatial Autoregressive Model, SAR) предполагает, что уровень инновационного развития в каждом регионе объясняется уровнем инновационного развития в других регионах:

Модель с фиксированными эффектами (SAR_FE, формула 6):

y_it = λWy_it + X_itβ + μ_i + ε_it , (6)

где λ – коэффициент пространственного лага зависимой переменной.

Модель со случайными эффектами (SAR_RE, формула 7):

y_it = λWy_it + X_itβ + α_i + ε_it . (7)

3. Объединяя модели SAR и SEM, получим комбинированную модель SAС (Spatial Autoregressive Combined Model), которая одновременно включает пространственный авторегрессионный лаг зависимой переменной и пространственную зависимость в ошибках модели:

Модель с фиксированными эффектами (SAC_FE, формула 8):

y_it = λWy_it + X_itβ + μ_i + ε_it, ε_it = ρWε_it + u_it . (8)

Модель со случайными эффектами (SAC_RE, формула 9):

y_it = λWy_it + X_itβ + α_i + ε_it, ε_it = ρWε_it + u_it . (9)

4. Модель Дарбина (Spatial Durbin Model, SDM), в отличие от предыдущих спецификаций, позволяет учесть пространственные лаги зависимой и независимых переменных.

Модель с фиксированными эффектами (SDM_FE, формула 10):

y_it = λWy_it + X_itβ + WX_itγ + μ_i + ε_it , 10)

где γ – коэффициенты при лагированных регрессорах.

Модель со случайными эффектами (SDM_RE, формула 11):

y_it = λWy_it + X_itβ + WX_itγ + α_i + ε_it . (11)

Для интерпретации результатов оценок пространственных моделей используются значения прямых, косвенных и общих эффектов. Прямой эффект определяется как среднее (по всем регионам) изменение уровня инновационной активности в регионе при изменении i-го фактора в том же регионе. Косвенный эффект (эффект перетока) – это среднее изменение уровня инновационной активности в регионе при изменении i-го фактора во всех других регионах. Общий эффект – это сумма прямого и косвенного эффектов, т. е. среднее изменение инновационной активности в данном регионе в случае изменения i-го фактора во всех регионах.

Выбор пространственных моделей связан с необходимостью учитывать институциональные различия и региональные особенности, что соответствует институциональной концепции дихотомии Веблена – экономические взаимодействия рассматриваются не только с позиции изолированных регионов, но и с учетом культурного и социального контекста (Hayden, 2006; Waller, 2021; Вольчик, Маслюкова, 2024). Это позволяет оценить не только инструментальную (нацеленную на технический прогресс) составляющую результатов инновационного развития, но и церемониальные (связанные с традициями) аспекты.

В контексте выбранных моделей церемониальные (институциональные) факторы проявляются в устойчивых региональных различиях, обусловленных культурой, традициями, неформальными институтами, что можно рассматривать через показатели неравенства, уровня образования, структуры промышленности и инноваций. Инструментальные аспекты отражаются в реакциях регионов на новые технологии, инновации и институциональные изменения, что оценивается с помощью регрессионного анализа динамики социально-экономических показателей.

Панельные регрессионные модели позволяют выявить, какие факторы и механизмы действуют преимущественно как инструментальные, а какие – как церемониальные, а также наличие пространственных эффектов распространения институтов, инноваций и социального капитала.

Количественная оценка факторов инновационного развития осуществляется на основе анализа панельных данных по регионам Российской Федерации в период с 2017 по 2023 г. В качестве переменных в моделях использовались следующие показатели:

Зависимая переменная: innov – уровень инновационной активности организаций по субъектам Российской Федерации, %

Ключевые независимые переменные (переменные интереса), интерпретируемые через призму дихотомии Веблена:

Инструментальные факторы:

burn – коэффициент рождаемости организаций на 1 000 организаций по субъектам Российской Федерации, ‰. Данный фактор рассматривается прокси для динамичной предпринимательской среды и адаптации к новым возможностям;

educ – численность студентов, обучающихся по программам бакалавриата, специалитета, магистратуры на 10 000 человек населения, человек. Данная переменная отражает инвестиции в человеческий капитал и потенциал для генерации знаний.

Церемониальные факторы:

Gini – коэффициент Джини (индекс концентрации доходов) по субъектам Российской Федерации. Данный фактор характеризует институциональную инерцию, связанную с сохранением социального неравенства.

Контрольные переменные:

GRP – Индекс физического объема валового регионального продукта на душу населения (в процентах к предыдущему году, общий уровень экономического развития);

unempl – уровень безработицы населения в возрасте 15 лет и старше по субъектам Российской Федерации, % (состояние рынка труда);

obnovl – коэффициент обновления основных фондов коммерческих (без субъектов малого предпринимательства) и некоммерческих организаций в разрезе субъектов Российской Федерации по полной учетной стоимости, в смешанных ценах (в процентах) (инвестиционная активность);

indust – индекс промышленного производства по субъектам Российской Федерации (в % к предыдущему году) (структура экономики).

Выбор контрольных переменных обусловлен распространенной практикой анализа региональных инновационных различий и изучения пространственных зависимостей. Множество работ подтверждает наличие существенного влияния этих переменных на инновационное развитие и межрегиональные эффекты (Демидова, 2021; Elhorst, 2014; LeSage, 2009, Popescu et al., 2023, Sharma et al., 2022). Например, уровень экономического развития (GRP) является стандартным контролем в региональных исследованиях (Мосалев, 2022; Демидова, 2021; Dementiev, 2024, Попова и др., 2024). Уровни образования и промышленного развития традиционно рассматриваются как ключевые двигатели инноваций, что подтверждают исследования Mokyr (2002), North (1990, 2005), Volchik & Maslyukova (2022), а также обзоры современного состояния институциональных влияний на инновации (AlMalki & Durugbo, 2022). Переменные коэффициент Джини и уровень безработицы характеризуют степень социального неравенства и структурных ограничений для исследования инновативности и экономического роста (Демидова, 2021; Panzera & Postiglione, 2022).

Перед оценкой пространственных моделей был проведен тест на глобальную пространственную автокорреляцию с использованием индекса Морана (Moran's I). Для зависимой переменной innov в период с 2018 по 2023 г. индекс Морана изменялся в пределах от 0,11 до 0,18 и был статистически значим на 1 % уровне (p-value < 0,01), что указывает на наличие положительной пространственной автокорреляции инновационной активности между регионами России. Также на всем рассматриваемом периоде статистически значимыми были индексы Морана для переменной unempl (изменяется в пределах от 0,26 до 0,32). Данный результат подтверждает целесообразность применения пространственно-эконометрических моделей для избежания смещения оценок.

Результаты моделирования

Расчеты были произведены с использованием пространственной весовой матрицы обратных географических расстояний столицами субъектов Российской Федерации по автомобильным дорогам (Сальников, Филатов, 2023). При этом, чтобы избежать потенциальной проблемы эндогенности, вместо самих регрессоров в модели использованы их первые лаги (периода T-1).

Результаты оценивания модели с помощью стандартного метода оценки панельных данных – моделей с фиксированными эффектами (оценки within), случайными эффектами и объединенной регрессии представлены в табл. 2.

На основе результатов тестирования моделей (тесты на различие констант в группах, Бреуша – Пагана и Хаусмана), а также сравнивая значения информационных критериев Акаике, можно сделать вывод, что использование модели с фиксированными эффектами является наиболее предпочтительным. Во всех спецификациях подтверждается статистически значимое положительное влияние на уровень инновационной активности таких факторов, как коэффициент рождаемости организаций (burn), индекс промышленного производства (indust) и численность студентов, обучающихся по программам бакалавриата, специалитета, магистратуры на 10 000 человек населения, человек (educ), что подтверждает гипотезу о том, что появление новых предприятий и высокие уровни промышленного развития и подготовки высококвалифицированных кадров в регионе способствуют поступательному росту инновационного развития. Факторами, лимитирующими инновационное развитие, оказались GRP, коэффициент Джини (Gini) и уровень безработицы (unempl), что подчеркивает важность факторов экономического благосостояния и социальной стабильности для создания благоприятной инновационной среды. Кроме того, во всех спецификациях наблюдается отрицательное статистически значимое влияние индекса физического объема валового регионального продукта на душу населения, что противоречит нашей гипотезе. Возможно, из-за неучета пространственной структуры коэффициент является смещенным. Показатель обновления основных фондов (obnovl) во всех спецификациях оказался статистически незначимым.

Результаты оценки пространственных эконометрических моделей панельных данных представлены в табл. 3–4.

Во всех рассмотренных спецификациях подтверждается сильная пространственная зависимость: параметры ρ (параметр пространственной ошибки) и λ (пространственный авторегрессионный коэффициент) статистически значимы, т. е. наблюдается так называемый эффект «заражения», при этом следует отметить, что для спецификаций SEM, SAR и SDM данные коэффициенты положительны. Однако для моделей SAC_FE и SAC_RE коэффициенты λ и ρ имеют противоположные знаки, что может свидетельствовать о том, что пространственная зависимость тесно переплетена с ненаблюдаемыми индивидуальными характеристиками регионов. Когда в модели присутствуют и λ, и ρ, они начинают «конкурировать» за объяснение одной и той же пространственной зависимости, что может указывать на внутреннюю нестабильность оценок в этой модели. Также подтверждается статистически значимое влияние факторов коэффициент Джини (Gini), уровень безработицы (unempl), коэффициент рождаемости организаций (burn), индекс промышленного производства (indust) и численность студентов, обучающихся по программам бакалавриата, специалитета, магистратуры на 10 000 человек населения, человек (educ).

Выбор наилучшей спецификации осуществлялся с помощью тестов Хаусмана на случайные и фиксированные эффекты и информационного критерия Акаике. В результате, согласно критерию Акаике, лучшей является модель SDM_FE, однако в соответствии с тестом Хаусмана нет статистически значимых оснований отвергать нулевую гипотезу о предпочтительности модели со случайными эффектами. Поэтому для итогового анализа рассмотрим две модели: SDM_FE и SDM_RE. В данных спецификациях оказались значимыми как пространственный лаг зависимой переменной (коэффициент λ), так и пространственные лаги независимых переменных. Прямые, косвенные и общие эффекты представлены в табл. 5.

В обеих моделях косвенные эффекты оказались статистически незначимыми (p > 0,1). Это означает, что изменения переменных влияют на локальные регионы, но не вызывают существенных пространственных эффектов перелива. Общие эффекты близки к прямым, так как косвенные пренебрежимо малы. В обеих моделях переменные indust и educ показывают статистически значимые положительные прямые эффекты, а переменные unempl и Gini демонстрируют значимые отрицательные воздействия. При этом значимый положительный коэффициент обнаружен у пространственного лага переменной безработицы (пространственный лаг unempl, табл. 4). Однако, как видно из табл. 5, рассчитанные на его основе косвенные эффекты оказались статистически незначимыми. Это означает, что в среднем по всем регионам изменение уровня безработицы в соседних регионах не оказывает статистически значимого систематического влияния на инновационную активность. SDM_FE дает более консервативные оценки для переменных Gini и unempl (большие по модулю коэффициенты), чем SDM_RE. В SDM_RE эффекты burn и slag(burn) становятся значимыми (p < 0,05), что не наблюдается в FE. Это может указывать на неучтенные индивидуальные особенности в RE. Пространственные лаги регрессоров slag(grp), slag(Gini), slag(obnovl) также значимы в обеих моделях, но с разной интенсивностью. Переменные obnovl и slag(educ) не оказывают значимого влияния в обеих моделях.

Также показатели безработицы, инновационной активности и неравенство могут отражать качество институциональной среды. Действительно, для успешной инновационной деятельности необходимы институты и механизмы регулирования, которые позволяют осуществлять долгосрочное планирование и соответствующее привлечение инвестиционных ресурсов.

Обсуждение результатов

Новизна исследования состоит в комплексном применении широкого спектра пространственных моделей к панельным данным по регионам России за 2017–2023 гг., что позволяет не только подтвердить значимость традиционных факторов, но и выявить роль пространственных взаимодействий, часто остающихся за рамками анализа. Такой подход согласуется с фундаментальными идеями оригинального институционализма о природе социальных и экономических изменений, выявляя глубинные механизмы институциональных различий и их роль в социально-экономической динамике.

Рассмотренные спецификации демонстрируют, что ключевыми драйверами инноваций является развитие промышленности, образования и снижение неравенства и безработицы, причем последнее имеет сильные пространственные эффекты перелива (spillover-эффекты). Несмотря на то, что локальные факторы (прямые эффекты) доминируют, учет пространственных лагов показывает, что политика стимулирования инноваций в одном регионе может иметь мультипликативный эффект на соседей, что не было возможным в случае оценки модели без включения пространственных эффектов. Выявленные в рамках пространственных эффекты позволяют понять сложную структуру влияния экономических и институциональных переменных, а также природу адаптации институциональным изменениям в регионах России.

Модель SDM_FE надежнее выявляет пространственные зависимости, но SDM_RE может быть полезна для анализа индивидуальных эффектов. Несмотря на формальные результаты теста Хаусмана, существенно лучший AIC и содержательная интерпретируемость эффектов свидетельствуют в пользу модели с фиксированными эффектами (SDM_FE) как основной для выводов. Однако значимые коэффициенты в RE-модели для некоторых переменных указывают на необходимость дополнительного анализа индивидуальных эффектов. Кроме того, поскольку косвенные эффекты в моделях оказались незначимы, возможно, в дальнейших исследованиях потребуется уточнение матрицы весов W, а также рассмотрение альтернативных спецификаций, в том числе нелинейных эффектов.

Полученные результаты позволяют вернуться к сформулированным гипотезам и дать их интерпретацию в контексте дихотомии Веблена.

Подтвердилась гипотеза H1: такие факторы, как indust и educ, оказывают стабильно положительное влияние на инновационную активность. Это согласуется с их трактовкой как инструментальных факторов, ориентированных на развитие производственных сил и человеческого капитала. Переменная burn также показала положительное влияние в большинстве спецификаций, что подтверждает ее роль как индикатора адаптивной предпринимательской среды.

Гипотеза H2 также нашла свое подтверждение: переменные Gini и unempl продемонстрировали значимое негативное воздействие. Это позволяет интерпретировать их как проявление церемониальных аспектов институциональной среды, создающих барьеры для инноваций через усиление социальной напряженности и ограничение ресурсной базы.

Результаты оценки пространственных моделей, в частности значимость коэффициента λ во всех спецификациях, однозначно подтверждают гипотезу H3 о наличии положительных пространственных эффектов перелива. Инновации в одном регионе стимулируют инновационную активность в соседних, что свидетельствует о процессе «заражения» технологиями и знаниями.

Что касается гипотезы H4, то значимость и устойчивость влияния burn и educ, по сравнению с неоднозначным и зачастую негативным влиянием GRP, указывает на то, что именно институциональные факторы, а не просто общий экономический рост являются фундаментальными драйверами инновационного развития в российских регионах.

Мы концентрируем внимание на том, что институциональные факторы создают долгосрочные и среднесрочные условия для развития инновационного развития промышленности. Говоря о важности институционной структуры и институциональных изменений, в контексте данной работы необходимо сделать акцент на значимости переменных burn и educ.

Переменные burn (коэффициент рождаемости организаций) и educ (численность студентов вузов на 10 тыс. человек) в рамках данного исследования выступают ключевыми индикаторами, отражающими институциональные и структурные условия для инновационного развития.

Burn (рождаемость организаций) является прокси-переменной для предпринимательской активности и динамики институциональной среды. Высокий коэффициент burn сигнализирует о здоровой конкурентной среде, низких барьерах для входа на рынок и общей благоприятной институциональной обстановке, которая поощряет создание новых предприятий. Согласно теоретической рамке, основанной на дихотомии Веблена, эту переменную можно отнести к инструментальным факторам. Она отражает адаптацию и реакцию экономической системы на новые возможности, технологические вызовы и изменения, обеспечивая необходимые условия для долгосрочного планирования и развития. Новые компании часто являются носителями инноваций, внедряют новые технологии и бизнес-модели, тем самым напрямую способствуя росту инновационного развития. Статистически значимое положительное влияние burn в большинстве моделей подтверждает эту гипотезу.

Educ (численность студентов) является ключевым показателем, характеризующим качество человеческого капитала и образовательного потенциала региона. Эта переменная отражает долгосрочные институциональные вложения в формирование знаний и компетенций. В контексте дихотомии Веблена образование может нести как инструментальную ценность (подготовка специалистов, способных к созданию и внедрению инноваций), так и быть частью церемониальной институциональной структуры (воспроизводство сложившихся социальных иерархий). Однако в данном исследовании устойчивое положительное влияние educ на инновационную активность указывает на доминирование именно инструментальных факторов. Высокий образовательный потенциал создает среду, благоприятную для генерации и восприимчивости к инновациям, обеспечивая регион высококвалифицированными кадрами.

Полученные выводы согласуются с другими исследованиями регионального развития, где подчеркивается влияние институциональной структуры на долгосрочные траектории инновационной деятельности (Popescu et al., 2023).

Заключение

Проведенный регрессионный анализ показал наличие устойчивых положительных взаимосвязей между уровнем инновационной активности и рядом социально-экономических индикаторов, включая индекс промышленного производства, коэффициент обновления основных фондов, предпринимательскую активность и образовательный потенциал. Это подтверждает гипотезу о системном характере инновационного развития, зависящем не только от экономических условий, но и от качества человеческого капитала и степени технологической модернизации производства.

Вместе с тем показатели GRP и Gini демонстрируют слабую или неоднозначную связь с уровнем инновационной активности. Это свидетельствует о том, что общий экономический рост и распределение доходов не являются определяющими факторами инновационного развития. Рост ВРП, не сопровождающийся структурной трансформацией экономики, не ведет к усилению инновационной активности. В то же время умеренный уровень неравенства может способствовать формированию среднего класса – основного потребителя и носителя инноваций, тогда как чрезмерная концентрация доходов, напротив, ограничивает инновационный спрос.

Важным результатом исследования является выявление значимой положительной пространственной автокорреляции инновационной активности российских регионов, подтвержденной тестом Морана и значимостью коэффициентов ρ (параметр пространственной ошибки) и λ (пространственный авторегрессионный коэффициент) в моделях. Это свидетельствует о наличии эффекта «заражения» или перелива знаний и технологий между соседними регионами. Однако анализ разложения эффектов в модели SDM показал, что прямые эффекты (внутрирегиональные) для ключевых факторов являются доминирующими, в то время как косвенные эффекты (эффекты перелива между регионами) оказались статистически незначимыми. Это указывает на то, что инновационная активность в российских регионах в большей степени определяется локальными процессами и внутренними характеристиками (такими как уровень промышленности, образования, неравенства и безработицы внутри региона), нежели воздействием этих же факторов из соседних регионов. Следовательно, региональная политика стимулирования инноваций должна быть в первую очередь сфокусирована на внутренних резервах территорий.

Особенность данного исследования заключается в том, что мы рассматриваем через призму современного оригинального институционализма процессы промышленного и инновационного развития. Эти процессы анализируются через двойственность влияния экономических и институциональных факторов. И если экономические факторы традиционно используются в анализе инновационного развития, то анализ институциональных факторов представлен значительно меньше. Поэтому мы подчеркиваем важность системного подхода для понимания среднесрочных, долгосрочных тенденций и возможностей инновационного развития.

Таким образом, значимость переменных burn и educ в эконометрических моделях подчеркивает, что инновационное развитие – это не только вопрос экономических инвестиций, но и результат сложившейся институциональной среды. Динамичная предпринимательская среда (burn) и накопленный образовательный потенциал (educ) создают те самые долгосрочные и среднесрочные условия, которые необходимы для устойчивого инновационного развития. Они формируют основу для адаптации к технологическим изменениям и являются проявлением того, как институциональные факторы создают условия для инновационного развития региона.

Вклад авторов

Е. В. Маслюкова – концепция статьи, эконометрическое моделирование и обобщение результатов статистического и эконометрического анализа.

В. В. Вольчик – концепция статьи, работа с научной литературой, качественный анализ источников.

Author's contribution

E. V. Maslyukova – the article concept, econometric modeling and generalization of the results of statistical and econometric analysis.

V. V. Volchik – the article concept, work with scientific literature, qualitative analysis of sources.

Конфликт интересов / Conflict of Interest

Один из авторов (В. В. Вольчик) является членом редколлегии журнала Russian Journal of Economics and Law. Статья прошла рецензирование на общих основаниях / One of the authors (V. V. Volchik) is a member of the Journal Editorial Board