В условиях нестабильности глобального рынка, в том числе связанной с усилением торгового противостояния между странами (Дегтерев и др., 2021) и эскалацией санкционных мер давления (Pobedin, 2022; Победин, Федулов, 2023; Timofeev et al., 2024), приоритетом экономического развития России становится обеспечение национального технологического суверенитета как основы экономической безопасности страны (Афанасьев, 2022; Голова, 2022). При этом одним из препятствий научно-технического развития является высочайшая степень дифференциации российских регионов по развитию научной и образовательной инфраструктуры (Батракова, 2021), а также привлекательности для инвестирования в высокотехнологичные стартап-проекты, что снижает возможности экономического роста (Абрамов и др., 2022; Земцов, 2022) и цифровой трансформации (Земцов и др., 2022). Это требует модернизации инструментария региональной политики и пространственного регулирования (Победин, 2024b), механизмов межрегиональной научно-технологической кооперации и интеграции регионов в единую национальную инновационную систему.

Особую актуальность в контексте обеспечения технологического суверенитета приобретает необходимость преодоления системных вызовов, сопряженных с потенциальным переходом к парадигме Индустрии 6.0, характеризующейся формированием интеллектуально-технологической иммерсивной гиперсвязанности и физико-когнитивно-эмоционального слияния виртуальных двойников в рамках симбиотических киберсоциальных метаэкосистем (Бабкин и др., 2025). В данном контексте принципиальное значение приобретает необходимость интеграции регионального потенциала в единую архитектуру ЧИМЭ-конвергенции («человек» – «искусственный сверхинтеллект» – «метаэкосистема»), что требует разработки принципиально новых методологических подходов к формированию территориальных образований, способных обеспечить эффективную адаптацию региональных инновационных систем к экспоненциально ускоряющимся технологическим трансформациям (Кузьминых, Милицкая, 2022). Термины «Индустрия 6.0» и «ЧИМЭ-конвергенция» пока не получили широкого распространения в рамках экономической теории. Особенностью Индустрии 6.0 по сравнению с предшествующими этапами технологического развития является формирование среды, где происходит не просто интеграция технологий в человеческую деятельность, а качественная трансформация самих принципов существования социально-экономических систем через достижение синергетического эффекта от взаимодействия человека, искусственного интеллекта и материальной инфраструктуры в рамках единого метапространства. Концепция ЧИМЭ-конвергенции позволяет осуществить перестройку традиционных моделей инновационного развития на основе принципов самоадаптации и когнитивной пластичности территориальных экосистем, что создает возможность для опережающего реагирования региональных структур на новые технологические вызовы и формирования устойчивых конкурентных преимуществ в условиях глобальной технологической неопределенности.

К сожалению, существующие подходы к стимулированию инновационной активности хозяйствующих субъектов демонстрируют низкую результативность – менее 12 % отечественных предприятий декларируют вовлеченность в инновационную деятельность и лишь 5 % составляет доля инновационной продукции в общем объеме отгруженной продукции по РФ (Стрижакова, Стрижаков, 2023). Это определяет необходимость пересмотра административно-управленческих механизмов стимулирования инновационной активности и совершенствования бюджетных инструментов территориального выравнивания (Pobedin, 2024).

Перспективным подходом стратегического управления инновационным развитием регионов и повышения территориальной конкурентоспособности выступает концепция умной специализации (Победин, 2024a), направленная на выявление и развитие приоритетных видов экономической деятельности на основе уникальных региональных компетенций и ресурсного потенциала (Акбердина, Романова, 2021), формирование целостной экосистемы инноваций (Победин, Федулов, 2024), интегрирующей научно-исследовательский, производственный и образовательный потенциалы территорий в единый комплекс. Принципиальная особенность концепции умной специализации – акцент на необходимости комплексного учета взаимосвязей между территориальными системами различного уровня (Земцов, Баринова, 2016), что обусловливает потребность в разработке соответствующего методологического аппарата идентификации и оценки потенциала пространственных ядер и центров роста (Дружинин, Кузнецова, 2024).

Реализация концепции умной специализации в российских условиях требует учета специфики институциональной среды (Ленчук, 2022), структурных особенностей региональных экономических систем и характера межрегиональных взаимодействий (Еферин, Куценко, 2021; Климанов и др., 2021). Особую значимость приобретает исследование феномена «диффузии инноваций» и формирования территориальных инновационных кластеров, аккумулирующих потенциал умной специализации смежных регионов (Плисецкий, 2023). Ключевую роль в реализации отмеченных процессов выполняют трансрегиональные центры роста, определяемые автором как субъекты Российской Федерации, оказывающие мультипликативное влияние на социально-экономическое развитие сопредельных территорий посредством диффузии инноваций, трансфера технологий, стимулирования инвестиционной активности, формирования интегрированных производственно-логистических цепочек, развития транспортно-коммуникационной инфраструктуры и углубления кооперационных связей. Использование в качестве базовой территориальной единицы при выделении центров роста субъектов РФ связано с наличием у региональных органов власти широкого спектра административно-управленческих полномочий, доступом к значительным бюджетным ресурсам, в том числе в рамках федеральных целевых программ, а также расширенными возможностями по привлечению масштабных инвестиций и координации межрегиональных проектов (Крюков, Коломак, 2021), что в совокупности обеспечивает формирование в зоне влияния трансрегиональных центров единой экономической и научно-образовательной среды.

В рамках исследования тестируются следующие гипотезы: 1) существует статистически значимая пространственная автокорреляция между регионами России по показателям потенциала умной специализации; 2) регионы с высоким потенциалом умной специализации формируют территориальные кластеры, генерирующие положительные эффекты для смежных территорий; 3) регионы с различными типами отраслевой специализации в составе территориальных кластеров обеспечивают усиление инновационного потенциала кластерной системы в целом посредством диверсификации компетенций и механизмов межрегионального трансфера знаний и технологий.

Целью настоящего исследования являются разработка и апробация методики выявления трансрегиональных центров роста на основе умной специализации, позволяющей идентифицировать территориальные кластеры с высоким инновационным потенциалом и выявить пространственные закономерности межрегионального взаимодействия. Для достижения указанной цели поставлены следующие задачи: 1) формирование системы показателей для комплексной оценки потенциала умной специализации региональных экономических систем; 2) расчет интегрального индекса потенциала умной специализации регионов России с применением процедуры факторного анализа; 3) выявление пространственных закономерностей распределения потенциала умной специализации на основе анализа пространственной автокорреляции; 4) идентификация и классификация трансрегиональных центров роста с учетом их влияния на территориально смежные регионы.

Концепция умной специализации регионов, теоретический фундамент которой был заложен в работах Форея (Foray, 2015), Мак-Канна и Ортеги-Аргилеса (McCann & Ortega-Argilés, 2015), Бошмы (Boschma, 2013), а также исследованиях Каппелина (Cappellin, 2016), представляет собой инновационный подход к региональному развитию, основанный на выявлении и поддержке уникальных конкурентных преимуществ территорий с учетом их отраслевой структуры, научно-технического потенциала и институциональных особенностей (Акбердина, Романова, 2021; Мерзликина, 2021). В последние годы наблюдается существенная трансформация данной концепции, предполагающая расширение традиционного понимания умной специализации за счет включения аспектов межрегионального взаимодействия и формирования интегрированных пространственных систем (Лукин, 2022; Nikitaeva et al., 2022). Методологический инструментарий идентификации приоритетов умной специализации базируется на комплексном анализе отраслевой структуры региональных экономик, научно-технического потенциала территорий и институциональных условий инновационной деятельности, что особенно важно при адаптации данной концепции к российским условиям (Еферин, Куценко, 2021).

Адаптация концепции умной специализации к институциональным особенностям российской региональной экономики требует учета специфики национальной инновационной системы, характеризующейся значительной ролью государственного сектора в финансировании научных исследований, пространственной фрагментацией инновационных процессов и существенной дифференциацией регионов по уровню инновационного развития (Королева, Бессонов, 2021; Ускова, Секушина, 2021). Интеграция принципов умной специализации в механизмы регионального стратегического планирования предполагает формирование адаптированной методологии выявления приоритетных направлений развития, учитывающей как глобальные технологические тренды, так и специфические характеристики региональных экономических систем (Meyer, 2021; Nikitaeva et al., 2022).

В современных исследованиях особое внимание уделяется роли университетов и научно-образовательных центров в формировании приоритетов умной специализации (Mascarenhas et al., 2021; Pinto, 2024). Университеты рассматриваются как ключевые участники процесса «предпринимательского открытия», обеспечивающие генерацию знаний, подготовку квалифицированных кадров и трансфер технологий в региональную экономику (Давыдова, 2022; Неборский, 2021), определяя в рамках научных исследований перспективные направления специализации (Aralica et al., 2022). Интенсификация взаимодействия университетов и бизнеса в контексте умной специализации способствует повышению инновационной активности региональных экономических систем и формированию устойчивых конкурентных преимуществ территорий (Усманов и др., 2021; Aksoy et al., 2022).

Особую значимость в контексте развития методологии умной специализации приобретает проблематика цифровизации как фактора трансформации структуры региональной экономики (Абрамов, Андреев, 2023; Зубарева, 2021), при этом внедрение цифровых технологий в различные отрасли способствует повышению производительности труда, оптимизации бизнес-процессов и формированию новых возможностей для инновационного развития территорий (Zhuravlev & Glukhov, 2021; Иноземцев, Линкина, 2022). Идентификация приоритетных направлений межрегионального сотрудничества в сфере цифровизации представляется важным элементом формирования интегрированных инновационных систем на основе принципов умной специализации (Булетова, Губин, 2023).

Многие исследования в области умной специализации акцентируют внимание на необходимости развития соответствующих навыков и компетенций для реализации приоритетов территориального развития (Buyukyazici, 2023). Анализ взаимосвязи между приоритетами умной специализации, структурой региональной экономики и компетенциями рабочей силы позволяет выявить потенциальные несоответствия между существующими и требуемыми навыками, что является важным аспектом планирования образовательных программ и политики занятости (Гайнанов, Мигранова, 2020; Исачкова и др., 2020).

Особую актуальность в контексте умной специализации приобретает проблематика трансрегионального взаимодействия и формирования интегрированных территориальных систем (Лукин, 2022; Осовин, 2021). Выявление и анализ межрегиональных цепочек создания стоимости позволяет идентифицировать перспективные направления кооперации территорий с различными типами специализации, что способствует повышению конкурентоспособности региональных экономических систем (Nomaler & Verspagen, 2024).

Анализ существующих методических подходов к оценке инновационного потенциала территорий (Кудряков, Федотова, 2024; Летягина, Перова, 2021; Мерзлякова и др., 2022) свидетельствует о преобладании дискретных моделей, рассматривающих регионы как изолированные единицы анализа без должного учета сетевых эффектов и пространственных зависимостей, что препятствует выявлению свойств региональных инновационных систем, возникающих в результате межтерриториальных взаимодействий.

Проведенный анализ исследовательской проблематики в сфере умной специализации свидетельствует о необходимости разработки комплексного методологического аппарата выявления территориальных кластеров и центров роста, учитывающего не только индивидуальные характеристики региональных инновационных систем, но и сетевые эффекты пространственных взаимодействий между ними (Крюков, Коломак, 2021).

Методика, используемая в настоящем исследовании, состоит из двух ключевых этапов: 1) расчета суммарного индекса потенциала умной специализации регионов; 2) анализа системы межрегиональной зависимости по показателям потенциала умной специализации.

В исследовании использовались данные официальной статистики (официальный сайт Росстата1, Единая межведомственная информационно-статистическая система2), а также результаты оценки экспертами ВШЭ качества инновационной инфраструктуры регионов и регуляторной среды (Абашкин, 2021), анализ осуществлялся на основе данных за 2021 г. по 85 субъектам РФ.

В рамках первого этапа, исходя из имеющихся в наличии данных официальной статистики и экспертного сообщества, были отобраны показатели социально-экономического развития регионов, значимые для формирования умной специализации. Показатели сгруппированы в зависимости от факторов, определяющих потенциал умной специализации: развития науки, образования, рынка труда, внешнеэкономической деятельности и т. д. Указанные факторы, в свою очередь, были объединены в рамках факторов второго уровня и отнесены к категориям: «развитие инфраструктуры», «макроэкономические условия» и «государственное регулирование» (рис. 1).

Для определения значимости отдельных показателей и факторов была проведена процедура конфирматорного факторного анализа. Поскольку предварительный анализ данных показал, что по некоторым переменным распределение отличается от нормального, применялся метод диагонально-взвешенных наименьших квадратов (Diagonally Weighted Least Squares), рекомендованный для подобных случаев (Li, 2016).

Получены следующие значения параметров оценки: CFI = 0,991 (сравнительный индекс соответствия, пороговое значение >0,9), TLI = 0,991 (индекс Такера – Льюиса, пороговое значение >0,9), RMSEA = 0,0215 (среднеквадратическая ошибка аппроксимации, пороговое значение <0,05), что свидетельствует о высоком качестве факторной модели, на основе которой были рассчитаны субиндексы и индекс потенциала умной специализации в регионе. В качестве весовых коэффициентов были использованы абсолютные значения нормализованных факторных нагрузок, полученных в результате проведенного конфирматорного факторного анализа.

Для расчета сводного индекса потенциала умной специализации использована следующая система формул.

1. Расчет интегрального индекса потенциала умной специализации регионов:

I = A + B + 0,95 × С,

где A – субиндекс «Развитие инфраструктуры»; B – субиндекс «Макроэкономические условия»; C – субиндекс «Государственное регулирование территориального развития».

2. Субиндексы первого порядка.

2.1. Расчет субиндекса «Развитие инфраструктуры»:

А = 0,97 × S + 0,84 × E + D + 0,95 × V,

где S – субиндекс научного потенциала; E – субиндекс образовательного потенциала; D – субиндекс цифровизации; V – субиндекс инновационной активности.

2.2. Расчет субиндекса «Макроэкономические условия»:

B = 0,85 × F + L + 0,86 × T + 0,2 × G,

где F – субиндекс финансирования инноваций; L – субиндекс рынка труда; T – субиндекс внешнеэкономической деятельности; G – субиндекс величины экономики и роста.

2.3. Расчет субиндекса «Государственное регулирование территориального развития»:

C = R + 0,79 × P,

где R – субиндекс мер регулирования; P – субиндекс стимулирования инноваций.

3. Субиндексы второго порядка:

3.1. Расчет субиндекса научного потенциала:

S = 0,6 × s1 + 0,35 × s2 + 0,22 × s3 + 0,67 × s4 + 0,52 × s5 + 0,35 × s6 + 0,22 × s7 + 0,58 × s8 + 0,2 × s9 ,

где s1 – затраты на исследования и разработки на одного исследователя; s2 – доля бизнеса в финансировании исследований; s3 – зарплата в науке (% к средней по региону); s4 – доля занятых в сфере исследований; s5 – доля молодых исследователей; s6 – доля исследователей с ученой степенью; s7 – доля выпускников вузов, принятых в науку; s8 – доля выпускников, принятых в аспирантуру; s9 – публикационная активность.

3.2. Расчет субиндекса образовательного потенциала:

E = 0,69 × e1 +0,06 × e2 + 0,24 × e3 + 0,3 × e4 + 0,07 × e5 ,

где e₁ – численность студентов вузов на 10 тыс. чел.; e2 – численность студентов СПО на 10 тыс. чел.; e3 – охват непрерывным образованием; e4 – доля иностранных студентов; e5 – доля взрослых с высшим образованием.

3.3. Расчет субиндекса цифровизации:

D = 0,81 × d1 + 0,3 × d2 + 0,22 × d3 + 0,27 × d4 + 0,14 × d5 ,

где d1 – доля организаций с высокоскоростным Интернетом; d2 – затраты на цифровые технологии на работника; d3 – затраты на обучение цифровым навыкам; d4 – затраты на ПО и базы данных; d5 – доля активных пользователей Интернета.

3.4. Расчет субиндекса инновационной активности:

V = 0,48 × v1 + 0,23 × v2 + 0,23 × v3 + 0,68 × v4 + 0,61 × v5 +0,61 × v6 + 0,8 × v7 + 0,64 × v8 + 0,33 × v9 ,

где v₁ – доля инновационной продукции; v2 – инновации малых предприятий; v3 – инновации с российскими разработками; v4 – доля инновационных организаций; v5 – доля малых инновационных предприятий; v6 – техновооруженность исследователей; v7 – патентная активность; v8 – доля организаций с нематериальными активами; v9 – приобретение прав на интеллектуальную собственность.

3.5. Расчет субиндекса финансирования инноваций:

F = 0,87 × f1 + 0,85 × f2 + 0,74 × f3 + 0,34 × f4 ,

где f1 – число проектов с федеральной поддержкой; f2 – объем федерального финансирования; f3 – доля затрат на НИОКР в ВРП; f4 – интенсивность затрат на инновации.

3.6. Расчет субиндекса рынка труда:

L = 0,63 × l1 + 0,64 × l2,

где l1 – доля занятых в высокотехнологичной промышленности; l2 – доля занятых в наукоемких услугах.

3.7. Расчет субиндекса внешнеэкономической деятельности:

Т = 0,26 × t1 + 0,46 × t2 +0,59 × t3 +0,22 × t4 + 0,94 × t5 + 0,93 × t6 ,

где t₁ – экспорт товаров; t2 – несырьевой экспорт; t3 – экспорт услуг; t4 – доля экспорта инновационной продукции; t5 – патенты за рубежом; t6 – экспорт технологий.

3.8. Формула для расчета субиндекса величины экономики и роста:

G = 0,19 × g1 + g2 ,

где g₁ – ВРП на одного занятого; g₂ – годовой прирост ВРП.

3.9. Субиндекс мер общерегуляторного характера:

R = 0,4 × r1 + 0,4 × r2 + 0,67 × r3 ,

где r1 – наличие закона о науке и инновациях; r₂ – наличие региональной программы поддержки; r₃ – наличие институтов развития.

3.10. Формула для расчета субиндекса стимулирования инноваций:

P = 0,47 × p1 + 0,56 × p2 + 0,78 × p3 + 0,56 × p4 + 0,28 × p5 ,

где p1 – территории развития науки и технологий; p2 – территории научно-образовательной деятельности; p3 – территории инновационного развития; p4 – территории промышленного развития; p5 – объекты инфраструктуры поддержки малого бизнеса.

На основе значений сводного индекса и субиндексов, полученных с использованием предложенной методики, возможно не только проведение сравнительного анализа уровня инновационного развития регионов, но и выявление пространственных закономерностей межрегионального взаимодействия.

Для оценки пространственной автокорреляции использовался глобальный индекс Морана:

,

где I – глобальный индекс Морана; N – общее количество наблюдений; wi j – элемент матрицы пространственных весов, соответствующий паре наблюдений i и j; xi и xj – значения изучаемой переменной для наблюдений i и j; x – среднее значение переменной.

Для выявления групп пространственно связанных территориальных объектов (территориальных кластеров) используется локальный индекс Морана (Anselin, 1995; Chen, 2013):

,

где ILi – локальный индекс Морана; N – общее количество наблюдений; wi j – элемент матрицы пространственных весов, соответствующий паре наблюдений i и j; xi и xj – значения изучаемой переменной для наблюдений i и j; x – среднее значение переменной.

Индекс пространственной автокорреляции Морана (Anselin, 1988; Moran, 1948, 1950) определяет, в какой степени значение переменной (локализованное в пространственной системе координат) имеет сходство со значением этой же переменной, но локализованным в другой точке пространства. Показатель позволяет выяснить, распределены ли данные между пространственными единицами случайным образом (пространственно независимы) или имеются определенные закономерности. Индекс Морана может принимать значения в диапазоне от –1 до 1, нулевое значение будет означать случайное распределение данных: чем ближе к единице, тем выше значение пространственной автокорреляции, положительные значения указывают на пространственную концентрацию похожих значений показателя. В этом отношении матрица смежности представляется более предпочтительным вариантом, хотя ряд исследователей с успехом применяют как метод построения весов с помощью обратных расстояний (Павлов, Королева, 2014; Патракова, 2021; Шаклеина, Шаклеин, 2022), так и матрицу смежности (Артамонов и др., 2021; Булярский и др., 2017; Мосалёв, 2022). Среди зарубежных исследований также успешно применяются оба указанных варианта расчета матрицы весов – как с использованием обратных расстояний (Castelli & Parenti, 2020; Chen, 2023; Wang и др., 2023), так и на основе смежности (Bautista-Hernández, 2020; Jackson et al., 2010).

В настоящем исследовании применялась бинарная матрица смежности, где веса принимают значение 1, если два региона имеют общую границу, и 0 в противном случае.

Дополнительная верификация результатов исследования проводилась с помощью метода «горячих точек» (Павлов, Королева, 2014), предусматривающего распределение территорий на четыре кластера в зависимости от соотношения значений локального индекса пространственной автокорреляции в конкретном регионе и средневзвешенного значения показателя в сопредельных территориях. Регионы включаются в кластер «горячие точки» (HH), если они демонстрируют высокие значения показателя и окружены территориями с аналогично высокими значениями; «высокие в холодном окружении» (HL) – при высоких собственных значениях показателя, но в окружении территорий с низкими значениями; «низкие в горячем окружении» (LH) – при низких собственных значениях показателя в окружении территорий с высокими значениями; «холодные точки» (LL) – если и сам регион, и его соседи характеризуются низкими значениями анализируемого показателя.

Расчеты проводились с использованием среды Python и инструментария библиотек pandas (Python Data Analysis Library, v. 2.2.0), FactorAnalyzer (v. 0.5.1) и semopy (Structural Equation Models Optimization in Python v.2), при предварительной оценке моделей применялся пакет Mplus (v.7), для оценки автокорреляции использовалась библиотека PySAL v. 2.3.5 в среде Python.

Авторская методика анализа трансрегиональных центров роста на основе умной специализации существенно отличается от других используемых методических подходов (Абашкин, 2021; Бабикова, Федосова, 2021; Волкова, Романюк, 2023; Мерзлякова, Гончаров, 2022). Ключевой особенностью является акцент на пространственное взаимодействие и группировку регионов с использованием пространственной автокорреляции, что позволяет выявить зависимости между потенциалом умной специализации соседних территорий и идентифицировать территориальные кластеры с высоким потенциалом инновационного развития. Интеграция факторного анализа с пространственным моделированием обеспечивает переход от статического ранжирования регионов к выявлению динамических взаимосвязей между территориями, позволяя сформировать многоуровневую классификацию центров роста.

С использованием авторской методики для регионов РФ был рассчитан индекс потенциала умной специализации. Исходя из основных статистических характеристик массива полученных результатов (а также графического отображения в виде гистограммы), можно констатировать: значения индекса достаточно равномерно распределены вокруг среднего значения – 6,92 и медианы – 6,69 наряду с невысокими показателями асимметрии (0,30) и эксцесса (–0,04), распределение значений индекса достаточно близко к нормальному, что делает возможным использование этих данных для дальнейшего статистического анализа. Существенный размах значений индекса (минимум – 0,80, максимум – 14,29) в сочетании с высокими значениями показателя среднеквадратичного отклонения (2,73) и коэффициента вариации (39 %) позволяет констатировать наличие существенной территориальной дифференциации по потенциалу умной специализации между российскими регионами. Расчет статистических характеристик по всем субиндексам представлен в табл. 1.

Среди субиндексов максимальная дифференциация наблюдается по фактору «Рынок труда» (коэф. вариации – 69 %), минимальная – по фактору «Развитие инфраструктуры». Наиболее существенное отклонение медианы от среднего наблюдалось по фактору «Меры общерегуляторного характера».

К лидерам по значению факторов, определяющих потенциал умной специализации, можно отнести территории, где сводный индекс превысил значение 10, к этой группе в РФ можно отнести 12 регионов: Москву, Санкт-Петербург, Нижегородскую и Томскую области, Республику Татарстан, Московскую, Ульяновскую, Новосибирскую области, Пермский край, Самарскую, Калужскую и Свердловскую области. Это территории, претендующие на роль трансрегиональных центров умной специализации. Примыкает к лидерам группа регионов, где значения индекса выше 8, но не достигли 10: Тульская область, республики Башкортостан, Мордовия, Челябинская, Ростовская, Воронежская, Тюменская области, Красноярский край, Рязанская, Новгородская, Ярославская, Белгородская области, Чувашская Республика, Калининградская, Владимирская и Саратовская области. Перечисленные регионы, в зависимости от пространственных характеристик, могут являться центрами экономического роста на основе умной специализации либо относиться к ядру экономического роста, сформировавшегося вокруг центров (рис. 2, 3).

Распределение лидеров (с индексом 10 и более) неравномерно по различным федеральным округам РФ (табл. 2), наибольшее количество таких территорий расположено в Приволжском федеральном округе (пять регионов), три региона – из Центрального ФО, два – из Сибирского ФО и по одному из Северо-Западного и Уральского. В Южном, Северо-Кавказском и Дальневосточном федеральных округах вообще не нашлось таких регионов, что подтверждает высокий уровень территориальной дифференциации, наблюдаемой как по субъектам РФ, так и федеральным округам.

Отставание территорий Южного, Северо-Кавказского и Дальневосточного округов по уровню инновационного развития, к сожалению, носит хронический характер. В исследовании А. К. Луковцевой (2011), анализирующей параметры инновационного потенциала по данным 2000 и 2009 гг., территории перечисленных выше округов также отмечаются среди наиболее отстающих по таким показателям, как число организаций, выполняющих исследования и разработки; удельный вес организаций, выполняющих инновационную деятельность; численность персонала, занятого исследованиями и разработками; численность исследователей с учеными степенями, затраты на НИОКР и затраты на технологические инновации. По мнению Луковцевой, среди причин неэффективного использования инновационного потенциала в отстающих округах, в частности Южном, – доминирование инвестиций в сырьевые отрасли (другие части экономики оказываются недостаточно конкурентоспособны по финансовым результатам), нескоординированность инновационных структур (в том числе дублирование функций отраслевых и вузовских подразделений, отсутствие эффективного взаимодействия власти, науки и бизнеса в инновационной сфере, недостаточное развитие инновационной инфраструктуры). К сожалению, большинство из указанных проблем остаются актуальными. С. В. Губарьков и Е. С. Тихомирова, рассматривая состояние инновационной среды в регионах Дальневосточного федерального округа, отмечают «слабую степень развития данного направления, несмотря на активную государственную инвестиционную политику и привлечение инвесторов в регион» (Губарьков, Тихомирова, 2020), перспективы решения проблем авторы также видят в развитии инновационной инфраструктуры, расширении стимулирующих мер со стороны государства и повышении качества инновационной политики регионов.

При анализе результатов расчета индекса потенциала умной специализации просматривается значительная неоднородность регионов РФ по данному показателю и достаточно выраженная группировка территорий с высокими значениями индекса (более 8) вокруг регионов-лидеров. Выделяются группы регионов с более высокими значениями индекса в Северо-Западном, Центральном ФО, две группы в Приволжском, Уральском (с частью территории Приволжского ФО) и в Сибирском ФО. Для подтверждения гипотезы о территориальной кластеризации по потенциалу умной специализации был проведен анализ пространственной автокорреляции (табл. 3).

Как следует из данных табл. 3, расчет показывает значительную положительную автокорреляцию, z-статистика и p-значение подтверждают статистическую значимость, следовательно, можно констатировать, что в РФ наблюдается существенное трансрегиональное влияние по факторам, определяющим потенциал умной специализации, гипотезу о наличии территориальной кластеризации по рассматриваемому признаку следует считать подтвержденной.

Визуализация пространственной автокорреляции представлена на диаграмме рассеяния, где четко заметен тренд, положительный наклон линии тренда (соответствует значению рассчитанного индекса Морана) свидетельствует о наличии прямой зависимости значений индекса потенциала умной специализации в территориально близких субъектах РФ.

Для уточнения состава и границ ядер умной специализации для каждого из анализируемых субъектов РФ был рассчитан локальный индекс Морана. Визуализация расчетов локального индекса Морана по субъектам РФ представлена на рис. 4.

Из диаграммы (рис. 4) следует, что для регионов с потенциалом умной специализации (в соответствии с рассчитанным ранее индексом) выше средних значений характерна прямая зависимость со значениями локального индекса Морана – иными словами, чем выше потенциал умной специализации, тем существеннее территориальное взаимовлияние в рассматриваемой сфере. Однако для территорий от значений индекса потенциала умной специализации ниже среднего значения по стране зависимость обратная: по этим территориям либо не наблюдается существенного взаимодействия в научно-технической сфере с соседями, либо такое взаимодействие носит неоднозначный характер. Соответственно, трансрегиональные центры экономического роста на основе умной специализации следует искать среди территорий с высоким значением индекса потенциала умной специализации – чем выше это значение, тем выше вероятность положительного влияния на рост потенциала умной специализации в соседних территориях (это подтверждается более высокими положительными значениями локального индекса Морана), что наиболее характерно, для территорий со значениями индекса потенциала умной специализации от 10 и выше. Среди территорий со значениями индекса умной специализации от 8 до 10 также имеются регионы, существенно влияющие на развитие соседей, но нужно дополнительно обращать внимание на значение локального индекса Морана – для некоторых из этих территорий указанный показатель принимает значение 0 или ниже, их следует исключить из перечня центров роста, положительно влияющих на развитие сопредельных регионов. В итоге можно выделить две категории трансрегиональных центров роста умной специализации – лидеры со значениями потенциала умной специализации от 10 и более (трансрегиональные центры роста первого порядка) и территории, имеющие более скромный потенциал умной специализации (значение индекса от 8 (включительно) до 10), но также способные положительно повлиять на процессы умной специализации в соседних территориях (центры экономического роста второго порядка). Наконец, имеется группа регионов, которые имеют среднее значение потенциала умной специализации (значение индекса от 6 (включительно) до 8) и находятся в зоне влияния центров первого или (и) второго порядка. В состав подобных территорий можно отнести смежные группы регионов, часть из которых имеют общие границы с центрами роста первого или второго порядка. Регионы всех указанных типов образуют ядро умной специализации в стране. Критерии классификации территорий для включения в ядро умной специализации, резюмирующие вышесказанное, представлены в табл. 4.

В соответствии с указанными критериями автором выделены центры роста первого, второго порядка и иные территории в составе ядра умной специализации (см. Приложение).

Большинство центров роста первого порядка смыкаются в локальные кластеры, взаимно усиливая потенциал умной специализации (рис. 5), исключениями здесь являются только Санкт-Петербург и Нижегородская область, причем в большинстве случаев в подобном кластере оказываются регионы с различными типами специализации. Так, Москва, Московская и Калужская области образуют территориальный кластер, характеризующийся высокой концентрацией обрабатывающих производств, интенсивным развитием сферы операций с недвижимым имуществом, а также значительным потенциалом в области информационных технологий, финансово-страховой и научно-технической деятельности; Татарстан, Ульяновская и Самарская области формируют кластер, в структуре экономики которого преобладают добыча полезных ископаемых, обрабатывающие производства, а также водоснабжение и водоотведение; Пермский край и Свердловская область представляют собой кластер с доминированием добывающей промышленности и обрабатывающих производств при высоких показателях развития системы водоснабжения и электроэнергетики; Томская и Новосибирская области образуют кластер с выраженной специализацией на добыче полезных ископаемых, транспортно-логистической деятельности при одновременно высоком уровне развития социальной и сервисной инфраструктуры.

Наличие регионов различного типа в составе кластера способствует в результате межрегиональных связей усилению экономического потенциала регионов, предоставляя доступ к необходимым ресурсам, финансовым активам, товарам и услугам. Вместе с центрами роста второго порядка образуется макрокластер в составе Москвы, Московской, Ульяновской, Самарской, Томской, Калужской, Свердловской, Новосибирской, Нижегородской, Саратовской, Рязанской, Ярославской, Воронежской, Белгородской, Владимирской, Тульской, Тюменской, Челябинской областей, Пермского края, республик Татарстан, Мордовия, Башкортостан и Чувашия, к которому тесно примыкает кластер Новосибирской и Томской областей. Наличие подобных структур дополнительно подтверждает гипотезу о существенном взаимовлиянии территорий при формировании потенциала умной специализации. Из состава центров роста первого порядка наиболее слабое влияние на сопредельные территории наблюдается у Санкт-Петербурга – даже в непосредственно примыкающей ко второй столице Ленинградской области индекс потенциала умной специализации лишь немного выше среднего уровня по стране, что может быть обусловлено как особенностями экономического развития и специализации Санкт-Петербурга, стимулирующими межтерриториальные взаимодействия прежде всего в сфере транспорта и логистики, так и «эффектом тени», когда наиболее перспективные кадры и наукоемкие производства концентрируются в Петербургской агломерации, приводя к оттоку населения, ресурсов из сопредельных территорий и снижая их конкурентоспособность (подобный эффект в Китае отмечен в исследовании Ю. Чжэнь (Zhen et al., 2023)).

Проведем дополнительную верификацию исследования методом «горячих точек» на основе сопоставления рассчитанных ранее значений локального индекса Морана (табл. 5).

Состав кластера горячих точек (HH) в значительной степени совпадает с центрами роста первого и второго порядка. Регионы – Республика Татарстан, Московская, Ульяновская области и другие – подтверждают статус трансрегиональных центров, положительно влияющих на соседние территории. Кроме того, в данном кластере оказались и некоторые регионы, отнесенные ранее к центрам роста второго порядка (Республика Башкортостан, Тульская область и др.), что также согласуется с предложенной выше методикой.

Регионы категории HL – Ростовская и Калининградская области, – обладая высоким потенциалом умной специализации, не оказывают существенного влияния на сопредельные территории, что связано, прежде всего, с географическими факторами (эксклавное расположение Калининградской области, приграничное положение Ростовской области). Данные регионы могут рассматриваться как локальные инновационные центры, требующие стимулирующих мер для усиления интеграционного потенциала.

Регионы кластера LH (Курганская, Кировская, Оренбургская, Ивановская области и Республика Марий Эл) демонстрируют низкий потенциал умной специализации вопреки близости к центрам роста, соответственно, в данном случае механизмы межрегионального трансфера технологий работают неэффективно ввиду наличия структурных барьеров, препятствующих диффузии инноваций. К подобным барьерам можно отнести несоответствие отраслевой структуры экономики данных регионов приоритетным направлениям развития смежных центров роста, недостаточный уровень развития инновационной инфраструктуры, слабую институциональную среду для поддержки предпринимательской активности, дефицит квалифицированных кадров, способных воспринимать и адаптировать новые технологические решения, а также низкую абсорбционную способность региональных производственных систем для внедрения инноваций. Соответственно, требуются дополнительные меры поддержки территорий данного кластера для интеграции с центрами роста на основе умной специализации и включения в территориальный каркас инновационного развития.

Холодные точки (LL) – Республика Ингушетия, Чеченская Республика, Магаданская область и другие – характеризуются низким потенциалом умной специализации и окружены территориями с аналогичными характеристиками. Наличие обширных зон с низким инновационным потенциалом подтверждает высокую территориальную дифференциацию среди регионов РФ и указывает на необходимость специальных механизмов стимулирования для содействия постепенному расширению территориального ядра умной специализации.

Результаты верификации методом «горячих точек» подтверждают пространственные закономерности формирования территориальных инновационных кластеров и валидность разработанной методики идентификации трансрегиональных центров роста, повышая достоверность выводов и обеспечивая комплексное понимание трансрегионального взаимодействия территорий.

Результаты проведенного исследования демонстрируют существенную зависимость между потенциалами умной специализации соседних территориальных единиц, что особенно отчетливо прослеживается вокруг регионов – лидеров научно-технологического развития. В ходе анализа удалось структурировать территориальную основу ядра умной специализации Российской Федерации, выделив: регионы-лидеры (центры роста первого порядка), территории со средними показателями потенциала (центры роста второго порядка) и прочие территориальные единицы в составе ядра, находящиеся в зоне влияния центров роста. Выявленные центры роста, как правило, формируют пространственные кластеры, способствующие взаимному усилению потенциала посредством межрегиональных взаимодействий и связей.

Была проведена эмпирическая верификация трех исследовательских гипотез. Во-первых, предположение о наличии пространственной зависимости между субъектами Российской Федерации по индикаторам потенциала умной специализации подтверждается значением глобального индекса Морана (0,457) при высоком уровне статистической достоверности (p < 0,001), что свидетельствует о существовании устойчивых территориальных закономерностей в распределении инновационного потенциала регионов. Во-вторых, гипотеза о формировании территориальных кластерных образований с положительными эффектами для прилегающих территорий верифицируется посредством расчета локальных индексов Морана, которые доказывают, что регионы с высоким потенциалом умной специализации, как правило, оказывают положительное воздействие на инновационную траекторию развития сопредельных территорий. Третья гипотеза, касающаяся взаимного усиления инновационного потенциала территориальных кластеров за счет диверсификации отраслевого профиля и диффузии инноваций, подтверждается идентифицированной в ходе исследования структурной композицией территориальных кластеров, интегрирующих регионы с различной отраслевой специализацией при сохранении целостности научно-образовательного пространства.

Особого внимания заслуживает феномен взаимодополняемости компетенций и ресурсного потенциала в выявленных территориальных скоплениях. К примеру, анализ структуры экономической специализации регионов, входящих в территориальные кластеры, демонстрирует, что наиболее высокие показатели инновационного развития наблюдаются в тех группах территорий, где присутствует разнообразие отраслевых компетенций при одновременном наличии взаимодополняющих элементов научно-образовательной инфраструктуры, что создает предпосылки преодоления так называемого ресурсного проклятья (Капица, 2014) отдельных регионов, поскольку интеграция территориальных инновационных систем на основе умной специализации способствует трансформации структуры региональной экономики через диверсификацию производства и развитие секторов с высокой добавленной стоимостью (Саблин, Кислицын, 2018), нивелируя негативные эффекты сырьевой зависимости и формируя институциональные механизмы устойчивого инновационного развития.

Механизмы трансфера знаний и технологий между центрами роста различного порядка и территориями, входящими в их зону влияния, характеризуются значительной гетерогенностью и детерминированы как институциональными особенностями региональных инновационных систем, так и структурными характеристиками экономики. Интенсивность трансрегионального инновационного взаимодействия в значительной степени определяется наличием сформированных коммуникационных каналов между научно-образовательными организациями, что актуализирует необходимость развития соответствующих институциональных механизмов координации научно-исследовательской деятельности на межрегиональном уровне. Для территорий, идентифицированных как центры роста первого порядка, приоритетное значение приобретает формирование институциональных механизмов распространения инноваций и трансфера технологий в прилегающие регионы, в то время как для территорий, входящих в зону влияния центров роста, ключевым направлением является адаптация передовых технологических решений с учетом специфики региональной экономики и формирование инфраструктуры, обеспечивающей интеграцию в межрегиональные инновационные экосистемы.

Отдельного внимания заслуживает выявленный в рамках исследования «эффект тени», проявляющийся в неравномерном распространении инновационного потенциала в территориальном окружении отдельных центров роста, в частности, Санкт-Петербурга (Гордеев и др., 2017). Сравнительный анализ с аналогичными феноменами, наблюдаемыми в других странах, в частности в Китае (Zhen et al., 2023), позволяет констатировать, что концентрация научно-технического потенциала в отдельных агломерациях может приводить к оттоку квалифицированных кадров и ресурсов из прилегающих территорий, снижая их инновационный потенциал. Данная закономерность требует разработки специализированных механизмов регионального выравнивания, направленных на преодоление негативных эффектов пространственной концентрации инновационной активности.

Разработанная методика выявления трансрегиональных центров роста на основе умной специализации позволяет идентифицировать территориальные кластеры с высоким потенциалом межрегионального взаимодействия и формировать дифференцированные меры государственной поддержки с учетом роли регионов в пространственной системе инновационных связей, что может быть использовано при подготовке стратегических документов федерального и регионального уровня, а также разработке мер региональной политики, нацеленных на укрепление формирующихся территориальных кластеров в составе ядра умной специализации РФ.

Автор подтверждает, что полностью отвечает за все аспекты представленной работы.

The author confirms sole responsibility for all aspects of the work.

Автором не заявлен / No conflict of interest is declared by the author

1. Росстат. Официальный сайт. https://rosstat.gov.ru/folder/10705 2. Единая межведомственная информационно-статистическая система. https://fedstat.ru/