Географические концентрации российской промышленности на примере производителей электроники и техники

Размещено на http://www.allbest.ru/

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ АВТОНОМНОЕ

ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ

«НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ

«ВЫСШАЯ ШКОЛА ЭКОНОМИКИ»

Факультет «Санкт-Петербургская школа экономики и менеджмента»

Выпускная квалификационная работа

Географические концентрации российской промышленности на примере производителей электроники и техники

Новикова Александра Юрьевна

Санкт-Петербург 2020 г



СОДЕРЖАНИЕ

ВВЕДЕНИЕ

ГЛАВА 1. ТЕОРЕТИЧЕСКИЕ АСПЕКТЫ ГЕОГРАФИЧЕСКИХ КОНЦЕНТРАЦИЙ

1.1 Теоретическая сущность кластеров

1.2 Межотраслевые отношения и теории агломерации

1.3 Основные микроэкономические обоснования агломерационных эффектов

ГЛАВА 2. МЕТОДИКА ОПРЕДЕЛЕНИЯ ГЕОГРАФИЧЕСКИХ КОНЦЕНТРАЦИЙ

2.1 Описание метода

2.2 Реализация представленного метода

ГЛАВА 3. ЭМПИРИЧЕСКИЙ АНАЛИЗ

3.1 Описательный анализ выборки

3.2 Методология исследования и описание данных

3.3 Основные результаты применения моделей

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ



ВВЕДЕНИЕ

В условиях высокой конкуренции на отраслевых рынках предприятия вынуждены прибегать к разного рода инструментам, положительно влияющим на их производительность и доходность. Одним из таких инструментов является кластеризация предприятий по отраслям экономики, образующие географические концентрации. Предприятия одной отрасли часто образуют кластеры, тем самым получая больше доступа к обмену ресурсами, развитой сети поставщиков промежуточных товаров, объединенному рынку труда и лучшему распространению знаний.

Актуальность выбранной темы исследовательской работы обусловлена быстрым развитием отраслей информационных технологий и ужесточением конкуренции между производителями. В этих условиях выгоды от кластеризации предприятий достигается за счет получения доступа к узко-специализированному для этой отрасли рынку труда, развитой сети поставок промежуточных товаров, специфичных для данной отрасли, а также за счет лучшего доступа к специфичным знаниям, эффект от которых очень быстро угасает с расстоянием. В то же время агломерация предприятий одной отрасли оказывает негативное воздействие за счет повышения конкуренции на рынке. Отрасли, для которых агломерационные эффекты не так важны (традиционное производство) или наиболее важным являются естественные преимущества локации (добыча и переработка полезных ископаемых или отрасли, связанные с доступом к морю) будут рассеяны в пространстве или сконцентрированы в этих локациях. Инновационные и наукоемкие отрасли, наоборот, больше выигрывают от концентрации, чем проигрывают от конкуренции, поэтому они чаще склонны к агломерации.

Помимо вышеперечисленных аргументов, российская экономика достаточно специфична. Возможно, часть скоплений предприятий - это наследие плановой экономики СССР, когда расположение производств выбиралось не на рыночных основаниях. В то же время, сама по себе проверка наличия агломерационных эффектов на российских данных является актуальной задачей ввиду того, что размеры страны очень велики, а доля госсектора в спросе на выпуск отрасли электроники и компьютерной техники достаточно высока.

Цель исследования: выявить выгоды от кластеризации для производителей электроники и компьютерной техники, а также масштаб агломерации для наличия значимых положительных эффектов.

Для реализации поставленной цели требуется выполнить ряд задач:

Проанализировать теоретические основы географических концентраций и выявить основные обоснования агломерационных эффектов.

Изучить эмпирические подходы, выявляющие зависимость производительности предприятий от агломерационных эффектов.

Исследовать методику определения географических концентраций промышленности.

Реализовать алгоритм определения кластеров отрасли электроники и компьютерной техники.

Собрать и проанализировать данные годовых финансовых отчетностей производителей электроники и вычислительной техники.

Провести эмпирическое исследование влияния вхождения предприятия в кластер на его производительность.

Объектом исследования данной работы являются предприятия отрасли электроники и компьютерной техники.

Предметом исследования выступают промышленные кластеры отрасли электроники и компьютерной техники.

Гипотеза исследования: «Расположение предприятий в кластерах оказывает значимое и положительное влияние на их производительность, а также существует положительный эффект от масштаба».

Большая часть работ по исследованию влияния объединения предприятий в кластеры проведена на зарубежных данных. Новизна представленной работы заключается в том, что в работе исследуется влияние агломерационных эффектов на предприятия российской промышленности. Результаты работы могут быть применены для определения выгоды от территориально размещения новых предприятий инновационных отраслей.

В рамках представленного исследования будет применяться метод геокодирования данных на основе адресов предприятий, а также метод объединения предприятий в кластеры на основе геокодированных данных. Приведенные методы будут реализованы при помощи языка программирования Python. Вместе с тем, в работе используется эконометрический анализ данных для выявления влияния кластеров на производительность предприятий.

Теоретико-методологической основой нашего исследования выступают научные труды таких авторов как: Audretsch D.B., Behrens K., Bergman E.M., Delgado M., Duranton G., Ellison G., Fallick B., Feldman M.P, Feser E.J., Glaeser E., Holmes T.J., Jaffe A., Kerr W.R., Kim S., Koo J., Marshall A., Overman H.G., Porter M.E., Simon C.J., Puga D., Simon C.J. и другие.

Информационной базой для данной работы являются базы данных СПАРК и Ruslana.

Выпускная квалификационная работа состоит из введения, трех глав, заключения, списка литературы и приложений. В первой главе работы представлены разные подходы к определению понятия кластер, а также в ней рассмотрены основные агломерационные эффекты, влияющие на производительность предприятий. Помимо этого, в данной главе представлены основные эмпирические исследования, проведенные по данному вопросу. Вторая глава состоит из описания и реализации выбранного метода определения географических концентраций. В третьей главе проводится эмпирический анализ влияния кластеров на производительность предприятий отрасли электроники и компьютерной техники.



ГЛАВА 1. ТЕОРЕТИЧЕСКИЕ АСПЕКТЫ ГЕОГРАФИЧЕСКИХ КОНЦЕНТРАЦИЙ

1.1 Теоретическая сущность кластеров

В рамках данного исследования изучаются географические концентрации промышленности или кластеры. Одно из первых концептуальных определений кластера приведено в работе Porter M. (1990). По Портеру, кластер - это географическая концентрация взаимосвязанных предприятий, специализированных поставщиков, а также поставщиков услуг, фирм в смежных отраслях и связанных с ними организаций, таких как университеты, агентства по стандартизации и торговые объединения, в конкретной области, которые в одно и то же время конкурируют и сотрудничают между собой Porter, M.E. The Competitive Advantage of Nations. - 1990..

В работе Swann and Prevezer (1996) понятие кластер определено как группа предприятий, сконцентрированных в пределах одной отрасли и расположенных в одной географической области Swann, P. A comparison of the dynamics of industrial clustering in computing and biotechnology // Research policy. - 1996. - Vol. 25. - Р. 1139-1157..

В другой работе Roelandt и Hertag (1999) определили кластеры, как сеть сильно зависимых друг от друга предприятий, которые также включают специализированных поставщиков, которые связаны между собой в добавляющей стоимость цепи производства Roelandt,, T. and den Hertog, P. Cluster Analysis and Cluster-Based Policy Making in OECD Countries: An Introduction to the Theme // Boosting Innovation: The Cluster Approach. - 1999. - P. 9-23..

Ряд других определений понятию кластер приводилось как в зарубежных, так и в российских научных работах. Так, в работе Waits (2000) дано определение отраслевому кластеру как географическая концентрация предприятий, конкурирующих друг с другом в смежных отраслях, которые ведут активную хозяйственную деятельность между собой, поддерживая общую инфраструктуру и технологии Waits, M.J. The added value of the industry cluster. Approach to economic analysis, strategy development, and service delivery // Economic Development Quarterly. - 2000.. В другой работе этого же года авторы Hill и Brennan (2000) определяют конкурентный промышленный кластер как географическую концентрацию конкурирующих предприятий или учреждений в той же отрасли, которые либо находятся в тесных отношениях купли-продажи с другими отраслями в регионе и используют общие технологии, либо разделяют общий рынок труда, которые обеспечивают конкурентоспособные преимущества перед той же отраслью в других местах Hill, E., Brennan, J. A methodology for identifying the drivers of industrial clusters: The foundation of regional competitive advantage // Economic Development Quarterly. - 2000. - P. 67.

Из определений кластера российских исследователей можно отметить определение А.А. Миграняна, которое он дал в своей статье, опубликованной в 2002 году. Понятие кластер он связывает с концентрацией наиболее эффективных видов экономической деятельности, осуществляемой конкурирующими предприятиями, обеспечивая конкурентное преимущество на отраслевом, национальном, а также мировом рынках Мигранян, А.А. Теоретические аспекты формирования конкурентоспособных кластеров с переходной экономикой / А.А. Мигранян // Вестник КРСУ. - 2002 - №3.

Основываясь на эволюции данного понятия, можно говорить о том, что понятие кластера несет в себе не только характеристику географической концентрации предприятий, но и другие аспекты, делающие его довольно обширным, поэтому не удивительно, что в научной литературе не закрепилось единого определения. Каждое новое исследование расширяет понимание о кластерах, поэтому можно говорить о том, что кластер является разносторонним понятием, которому сложно дать единое определение.

Исследования по кластерам на российских данных практически отсутствуют. Однако, зарубежные исследования показывают, что географическая кластеризация приводит к повышению производительности, связывая кластеры и с другими положительными эффектами, такими как устойчивость предприятий, отраслей и даже регионов. С одной стороны, кластеры могут сделать компании более эффективными и инновационными, увеличивая их способность к адаптации и устойчивости к потрясениям. Но, с другой стороны, возможно намного более быстрое распространение негативных эффектов и, следовательно, их усиление за счет связанности предприятий внутри кластера Behrens, K., Boualam, В., Martin J. Are clusters resilient? Evidence from Canadian textile industries // Journal of Economic Geography - 2020. - Vol. 20(1). - P. 1-36..

1.2 Межотраслевые отношения и теории агломерации

Межотраслевые отношения являются основой для выявления источников агломерации экономики. Существует множество таких источников, берущих свое начало с работы Marshall (1920), где он предложил некоторые из них, в том числе основными явились распространение знаний, объединение рынка труда и обмен ресурсами.

Географические концентрации возникают как из-за преимуществ размещения в районах с большим количеством природных ресурсов, так и из-за влияния агломерационных эффектов. Следовательно, влияние агломерационных эффектов можно оценить путем определения вклада в производительность предприятий от естественных преимуществ местоположения. Тогда оставшаяся часть вклада в производительность будет отражать агломерационные эффекты.

Существует множество эмпирических исследований в области промышленного расположения предприятий, в которой рассматривается роль естественного преимущества. В работе Marshall (1920) отмечается, что существует достаточно много разных причин, которые привели к локализации промышленности, но основными были физические условия, такие как характер климатических условий или почвы, наличие карьеров и шахт поблизости или легкодоступных по суше или воде.

Естественное преимущество также рассматривалось в работах Kim (1995) и Ellison и Glaeser (1999), где показано, что естественные преимущества крайне важны для определения агломерации. Так, в работе Kim (1995) рассматривается регрессия коэффициента местоположения, измеряя тем самым концентрацию промышленности в регионе, на показатели размера предприятия, природных ресурсов, промышленности и других временных показателей. Положительный коэффициент природных ресурсов интерпретировался как соответствие важной роли естественного преимущества в определении агломерации. Ellison и Glaeser (1999), проводя исследования на данных США, используют прогнозируемые переменные уровня занятости на уровне штата, чтобы учесть важность естественного преимущества в агломерации Ellison, G., Glaeser, E. The geographic concentration of an industry: Does natural advantage explain agglomeration? // American Economic Association Papers and Proceedings. - 1999. - Vol. 89. - No. 2. - P. 311-316.. В обеих работах авторы приходят к выводу о важности естественного преимущества.

Однако стоит отметить, что одной из проблем в их работах является интерпретация результатов, они предполагают, что все факторы производства являются неподвижными, включая труд. Стоит отметить, что как раз мобильность рабочей силы является одним из факторов агломерации, если присутствует внешняя по отношению к производству возрастающая отдача от масштаба. Следовательно отнесение производительности труда в агломерациях к естественным преимуществам является дискуссионным.

Например, в работе Helsley и Strange (2002) отмечен тот факт, что в условиях, когда текущая деятельность увеличивает трудовые ресурсы или накопление знаний в регионе, потенциальные (будущие) предприниматели могут извлечь из этого пользу при образовании новых предприятий этой отрасли, таким образом, агломерация будет способствовать экономическому росту Helsley, R.W., Strange, W.C. Innovation and input sharing // Journal of Urban Economics. 2002. - Vol. 51 (1). - P. 25-45..

Было предложено два подхода к интерпретации исследований о производительности предприятий как непосредственно связанных с микроэкономическими обоснованиями агломерационных эффектов. Один из подходов, предложенный в работе Glaeser и Mare (2001), заключается в рассмотрении изменчивой структуры агломерационных эффектов на предмет наличия микроэкономических обоснований. Они показали, что положительное влияние урбанизации на заработную плату происходит с отставанием, что объясняется распределением накопленных знаний среди работников с некоторой задержкой Glaeser, E.L., Mare, D.C. Cities and skills // Journal of Labor Economics. - 2001. - Vol. 19 (2). - P. 316-342.. Второй подход рассматривал влияние количества предприятий, а не их уровня занятости, на производительность соседних предприятий. Такое предложение выдвинул в своей работе Henderson (2003) и основной идеей его является то, что такая переменная с большей вероятностью захватывает вторичные эффекты от накопления знаний, чем другие микрооснования Henderson, J.V. Marshall's scale economies // Journal of Urban Economics. - 2003. - Vol. 53. - P. 1-28.

Поэтому один из способов провести анализ влияния агломерационных эффектов при отсутствии возможности сделать выводы на основе данных о производительности, росте или заработной плате, заключается в том, чтобы взглянуть на прокси переменные для микроэкономических обоснований. Такой принцип может быть применен к источникам агломерации, описанным в Marshall (1920), а именно к таким как объединение рынка труда и распространения знаний, а также к другим потенциальным источникам.

1.3 Основные микроэкономические обоснования агломерационных эффектов

Как отмечалось ранее существует ряд микроэкономических обоснований проявления агломерационных эффектов. В данном разделе будут подробно рассмотрены основные причины агломерации экономической активности, к которым принято относить: рынок промежуточных товаров, единый рынок труда и распространение знаний.

1.3.1. Рынок промежуточных товаров

Идея Marshall (1920) о совместном использовании промежуточных товаров, используемых фирмами в агломерации в качестве одного из факторов производства, в решающей степени зависит от существования возрастающего эффекта от масштаба при производстве этих товаров. В отсутствие этого эффекта отдельное (в географическом смысле) предприятие могло бы закупать ресурсы по такой же низкой цене, как и предприятия в агломерациях. Однако, в случае присутствия эффекта масштаба в экономике, предприятия, находящиеся в агломерациях, будут находиться в выигрышном положении за счет доступа к большему количеству разновидностей промежуточных товаров, которые будут предлагаться по более низкой цене.

Убедительные свидетельства важности разделения продукции производителей промежуточных товаров между фирмами в кластерах как источника агломерационных эффектов представлены в работе Holmes (1999). Предприятия, которые склонны использовать общие промежуточные товары, естественно, будут искать места, где такие возможности присутствуют, а сама агломерация как раз расширяет эти возможности для обмена ресурсами. С экономической точки зрения это означает, что расположение предприятия вызвано эндогенными факторами, что заставляет Holmes (1999) пересмотреть влияние агломерации на возможности совместного использования ресурсов. Тем не менее, положительная связь, выявленная в его работе, между распределением промежуточных товаров и агломерацией может возникнуть только в том случае, если агломерация создает такие возможности Holmes, T.J. Localization of industry and vertical disintegration // Review of Economics and Statistics. - 1999. - Vol. 81 (2). - P. 314-325.. В этом смысле выводы работы однозначно подтверждают наличие общего рынка промежуточных товаров как источника агломерационных эффектов в экономике.

Есть и другие работы, подтверждающие важную роль обмена ресурсами. Важность обмена факторами производства на макроэкономическом уровне затрагивается в работе Bartlesman et al. (1994). Авторы представляют модель роста, которая использует методы панельных данных, чтобы учесть возможное влияние рынка на производительность предприятий. Ключевым результатом данной работы является сильная зависимость между плотностью распределения поставщиков и производительностью Bartlesman, E.J., Caballero, R.J., Lyons, R.K. Customer and supplier-driven externalities // American Economic Review. - 1994. - Vol. 84 (4). - P. 1075-1084.. В дополнение к этому, Holmes и Stevens (2002) в своей работе отмечают, что размер предприятий, производящих промежуточные товары, выше там, где выше концентрация промышленности Holmes, T.J., Stevens, J.J. Geographic concentration and establishment scale // Review of Economics and Statistics. - 2002. - Vol. 84 (4). - P. 682-691..

В общем, рассмотренные выше работы дают представление о доказательстве того, что обмен промежуточными товарами важен как на уровне городов, так и на региональном уровне.

В практической части исследования будет рассматриваться влияние эффекта от масштаба на производительность предприятий на примере кластеров и федеральных округов.

Единый рынок труда

Существует две взаимосвязанные интерпретации для общего рынка труда. Одна из них заключается в том, что рабочие на предприятиях должны быть лучше подобраны в крупных городах (эффект урбанизации) или в промышленных концентрациях (эффект локализации), что позволяет увеличить производительность за счет лучшего «мэтчинга» между работниками и предприятиями.

Однако, узкоспециализированный рынок труда несет в себе и ряд рисков. Так, работники и предприятия сталкиваются с двумя видами риска при выборе работы у конкретного работодателя в конкретной локации. Первый связан с возможным прекращением трудовых отношений, связанным с отношениями между работником и предприятием. Предполагая, что в результате увольнения работник не покинул местный рынок труда, работнику нужна другая работа в данной локации, а предприятию нужен другой работник. Если навыки работника и трудовые требования предприятия являются специфическими для отрасли, то эти потребности будет легче удовлетворить в месте, где сосредоточена эта отрасль. Таким образом, риск для конкретного работника и предприятия будет уменьшен за счет локализации.

Второй источник риска является отраслевым. Предположим, что в результате негативного локального индустриального шока работник теряет работу. В этом случае работнику будет сложнее трудоустроится на новую работу, т.к. большинство работодатели в этой локации относятся к той же отрасли, которая находится под влиянием отрицательного шока. Таким образом, в этом смысле, нахождение в районе, где сконцентрирована узко специализированная отрасль подвергает работника большему риску. Этот анализ подразумевает, что отраслевые шоки препятствуют локализации.

В подтверждение последней гипотезы, Simon (1988) рассматривает связь между уровнем безработицы и специализацией города. Этот уровень показывает, что безработица тем больше, чем более специализирован город, что соответствует важности отраслевых потрясений. Если в узко специализированном городе этот риск выше, то работникам потребуется более высокая заработная плата в качестве компенсации за этот риск Simon, C.J. Frictional unemployment and the role of industrial diversity // Quarterly Journal of Economics. - 1988. - Vol. 103. - P. 715-728. Diamond и Simon (1990) в своей работе рассматривают эту проблему, показывая, что рабочие требуют более высокой заработной платы в более узко специализированных городах. Этот эффект связан с риском и показывает, что более высокая заработная плата связана с показателями циклической изменчивости занятости в отрасли Diamond, C.A., Simon, C.J. Industrial specialization and the returns to labor // Journal of Labor Economics. - 1990. - Vol. 8 (2). - P. 175-201..

В то же время, Fallick et al. (2006) в своей работе показывают, что мобильность работников между предприятиями выше в более специализированных областях. Этот факт говорит в подтверждение первой гипотезы. Более того, в Overman и Puga (2010) показано, что отрасли с большим риском более географически сконцентрированы Overman, H.G., Puga, D. Labour pooling as a source of agglomeration: an empirical investigation // Agglomeration Economics. Chicago University Press. - 2010. - P. 133-150.. Таким образом, эти два исследования свидетельствуют о том, что на более плотном рынке труда предприятия и работники находятся в более выгодном положении, чтобы противостоять потрясениям, характерным для конкретного предприятия.

Распространение знаний

Marchal (1920) считал, что знания и идеи легче распространяются между расположенными поблизости фирмами и работниками. Распространение знаний является важнейшим источником агломераций, поскольку оно затрагивает много различных областей экономики, включая теорию роста и экономику человеческого капитала. Однако нет никаких сомнений в том, что эффекты распространения знаний трудно определить эмпирически. Например, в отличие от обмена информацией, процесс обмена знаниями часто не сопровождается фактом купли-продажи.

Один из способов преодолеть эту трудность - это найти прямые доказательства распространения знаний. В исследовании Jaffe et al. (1993) представлены доказательства того, что эффекты распространения знаний важны и что такие эффекты очень быстро слабеют с увеличением географического расстояния между производителями Jaffe, A., Trajtenberg, M., Henderson, R. Geographic localization of knowledge spillovers as evidenced by patent citations // Quarterly Journal of Economics. - 1993. - Vol. 108. - P. 577-598..

Помимо этого, проводились исследования, в которых изучалось влияние характеристик отрасли на инновации, предположительно наиболее важный прямой результат распространения знаний. Одним из примеров такого рода исследований является работа Audretsch и Feldman (1996). Помимо рассмотрения факторов, определяющих агломерацию, они также учитывают влияние агломерации на инновации. Результаты их работы подтверждают, что отрасли, ориентированные на знания, имеют более пространственно-сконцентрированную инновационную деятельность, что согласуется с наличием вторичных источников знаний Audretsch, D.B., Feldman, M.P. R&D spillovers and the geography of innovation and production // American Economic Review. - 1996. - Vol. 86. - P. 630-640..

Также существуют работы, рассматривающие внешние по отношению к фирме эффекты от человеческого капитала. Их основная идея заключается в том, что рабочие являются основным средством распространения знаний. Rauch (1993) рассматривает влияние среднего уровня образования на заработную плату и арендную плату. Он показывает, что наличие общественных благ влияет на повышение заработной платы там, где средний уровень образования высок, поскольку работники будут более продуктивными, а работодатели будут готовы платить более высокую заработную плату, конкурируя за них. Кроме того, показано, что арендная плата также будет высокой, поскольку повышение заработной платы в результате повышения производительности труда, естественно, будет вести к капитализации цен на жилье Rauch, J. Productivity gains from geographic concentration of human capital: Evidence from the cities // Journal of Urban Economics. - 1993. - Vol. 34. - P. 380-400..

В работе Rauch и Moretti (2004) рассматривают влияние присутствия выпускников колледжей на заработную плату. Он находит положительный эффект на заработные платы от человеческого капитала Moretti, E. Estimating the social return to higher education: evidence from longitudinal and repeated cross-sectional data // Journal of Econometrics. - 2004. - Vol. 121. - P. 175-212..

Также в литературе потоки информации между отраслями были рассмотрены на основе прокси переменных с использованием данных цитирования патентов или технологической матрицы. Так, в работе Scherer (1984) Scherer, F.M. Using linked patent data and R&D data to measure technology flows // The University of Chicago Press. - 1984. - P. 417-464. оцениваются потоки научно-исследовательских и опытно-конструкторских работ (НИОКР) между отраслями. Ellison et al. (2010) использует меры, основанные на обоих подходах, признавая, что они отражают только потоки идей на самом высоком уровне, тогда как Glaeser и Kerr (2009) фокусируются на данных о цитировании патентов Glaeser, E.L., Kerr, W.R. Local industrial conditions and entrepreneurship: how much of the spatial distribution can we explain? // Journal of Economics and Management Strategy. - 2009. - Vol. 18. - P. 623-663..

Влияние описанного выше агломерационного эффекта на производительность предприятий будет выявляться с помощью одной из спецификаций модели в практической части исследования (Глава 3).

1.4. Выявление отраслевых кластеров в литературе

Существование агломерационных эффектов в экономике является основной движущей силой для формирования кластеров, определяемых как географически близкая группа взаимосвязанных компаний и ассоциированных учреждений в определенной области, связанных общими и взаимодополняющими принципами. Внутри кластеров фирмы могут работать более эффективно и быстрее внедрять инновации благодаря совместному использованию общих технологий, инфраструктуры, совокупности знаний и навыков, вкладов и реагированию на требования местных клиентов Porter, M.E. The Competitive Advantage of Nations // New York: Free Press. - 1990..

Для реализации кластерного исследования нам необходимо оперативное определение кластеров. За последние 20 лет были разработаны два основных подхода к определению кластеров: кластеры, основанные на межотраслевых связях и кластеры, основанные на наблюдаемых связях между отраслями или предприятиями в одном регионе.

Как уже ранее отмечалось существуют агломерационные эффекты от распространения знаний, следовательно существуют и кластеры знаний. Исследования кластеров знаний сосредоточены на выбранной отрасли обрабатывающей промышленности США с высокой технологичностью. Например, Feldman и Audretsch (1999) объединяют отрасли, имеющие общую научную и технологическую базу. На основании опроса, оценивающего актуальность ключевых академических дисциплин, отрасли с аналогичным рейтингом важности различных академических дисциплин были сгруппированы в шесть взаимоисключающих кластеров Feldman, M.P., Audretsch, D. Innovation in cities: Science-based diversity, specialization, and localized competition // European Economic Review. - 1999. - Vol. 43. - P. 409-429.. В качестве альтернативы, Koo (2005) группирует обрабатывающую промышленность в семь взаимоисключающих кластеров, основанных на знаниях, используя анализ основных факторов на основе межотраслевой матрицы потока патентных заявок Koo, J. Knowledge-based industry clusters: Evidenced by geographical patterns of patents in manufacturing // Urban Studies. - 2005. - Vol. 42. - P. 1487-1505. .

Feser и Bergman (2000) определяют набор производственных кластеров в США с использованием каналов распределения промежуточных товаров (input-output (IO) linkage). Они группируют классификационные коды IO в 23 кластера, основываясь на анализе основных компонентных факторов на межотраслевой матрице каналов ввода-вывода. Такой метод склонен создавать крайне неравномерные кластеры с высоким содержанием кодов IO, которые группируются в несколько кластеров. Для того, чтобы решить эту проблему Feser (2005) в своей работе разрабатывает новую методологию, которая основывается на иерархической кластеризации матрицы каналов ввода-вывода. С помощью этого метода на первом этапе был создан набор из 45 взаимоисключающих кластеров. Второй этап подразумевает создание пересекающихся кластеров на основе идентификации вторичных кодов ввода-вывода, связанных с первичными кодами в кластере. Метод обеспечивает оценки соответствия каждого кода ввода-вывода в своем кластере. После коды IO сопоставляются с кодами системы классификации отраслей Северной Америки (NAICS North American Industry Classification System.) 2002 года для создания итогового набора кластеров смежных отраслей Feser, E. J. Benchmark value chain industry clusters for applied regional research // Regional Economics Applications Laboratory, University of Illinois at Urbana-Champaign. - 2005..

Porter (2003) в своей работе проводит исследование шаблонов совместного расположения узко определенных отраслей обрабатывающей промышленности и услуг для определения кластеров, основываясь на принципе, при котором совместное расположение находит наличие связей между отраслями. По данной методологии различают местные и торгуемые отрасли. Местными считаются те отрасли, которые в основе своей обслуживают местные рынки, например, такие как розничная торговля, их занятость равномерно распределяется по региону пропорционально его населению. Торгуемыми же являются отрасли с более высокой географической концентрацией, которые производят товары и услуги, продающиеся по регионам и странам. В торгуемые отрасли не входят те, что основаны на природных ресурсах.

Для измерения такой парной взаимосвязи между парой торгуемых отраслей Porter считает парную корреляцию занятости в промышленности по штатам, основываясь на данных 1996 года. Эта мера моделей совместного размещения затрагивает различные типы межотраслевых связей и называется «местная корреляция» занятости. Автор статьи создает набор из 41 узкого (взаимоисключающего) кластера с использованием повторяющегося процесса для выявления пар, а затем и групп отраслей, тесно связанных между собой на основе статистически значимой «местной корреляции». Следующим этапом являлось создание широких (пересекающихся) кластеров с помощью включения других отраслей с высоким уровнем «местной корреляции» и основных отраслей из узких кластеров Porter, M.E. The economic performance of regions // Regional Studies. - 2003. - Vol. 37. - P. 549-578..

В работе Duranton и Overman (2005) разрабатывается методология, которая использует двусторонние расстояния между предприятиями для оценки географической концентрации отраслей промышленности в Великобритании. Идея состоит в том, чтобы оценить плотность распределения (K-densities) двухсторонних расстояний между заводами, которое в дальнейшем можно будет использовать для выявления локализованных отраслей, то есть отраслей, в которых наблюдается более высокая географическая концентрация. В отличие от более ранних исследований их подход позволяет оценить статистическую значимость отклонений от случайности. Кроме этого, они рассматривают пространство как непрерывное - это позволяет избежать проблем, связанных с масштабом и границами Duranton, G., Overman, H.G. Testing for localization using micro-geographic data // Review of Economic Studies. - 2005. - Vol. 72(4). - P. 1077-1106..

В статье Delgado et al. (2016) разрабатывается новый алгоритм кластеризации на основе данных отраслей промышленности США за 2009 год для создания, оценки и сравнения альтернативных наборов определения кластеров. Авторы предлагают новый набор эталонных определений кластера, который состоит из измерения межотраслевых связей, которые основаны на шаблонах совместного размещения, каналах ввода-вывода и сходстве в трудовых профессиях. Для генерации набора определения кластеров ими был использован кластерный анализ - численные методы для классификации похожих объектов по группам, описанный в работе Grimmer и King (2011) Grimmer, J., King, G. General purpose computer-assisted clustering and conceptualization // Proceeding of the National Academy of Sciences. - 2011. - Vol. 108. - P. 2643-2650.. Подход Delgado и соавторов основан на базовом принципе кластеризации: образование групп таким образом, чтобы отрасли в кластере были сильнее связаны друг с другом, чем с отраслями в других кластерах. Однако отличительной особенностью алгоритма авторов является рассмотрение 6-значных отраслей, а не трехзначных, они объясняют это тем, что группирование отраслей в рамках одной и той же трехзначной NAICS дает худшие результаты по охвату нескольких межотраслевых связей, так как система промышленной классификации группирует отрасли на основе сходства продуктов и услуг, а не их межотраслевой взаимодополняемости Delgado, M., Porter, M.E., Stern, S. Defining clusters of related industries // Journal of Economic Geography Advance Access published. - 2016. - P. 1-38..

Также можно отметить работу российских авторов Александровой и Кузнецовой совместно с Behrens (2020), они изучают географическую концентрацию российского производства, используя микрогеографические данные. В результате они пришли к выводу о том, что примерно 50-70% предприятий локализированы, причем в европейской части их доля выше, чем в азиатской, а также, что около 70% отраслевых пар ко-агломерированы, особенно те, которые имеют более тесные связи между покупателем и поставщиком, больше обмена знаниями и более низкие транспортные расходы Aleksandrova, E., Behrens, K., Kuznetsova, M. Manufacturing (co)agglomeration in s transition country: Evidence from Russia // Journal of Regional Science. - 2020..

В работе Behrens et al. (2020) исследуются различия между предприятиями внутри и за пределами географических кластеров в плане своей устойчивости к неблагоприятным экономическим потрясениям. Для этого они разрабатывают процедуру для разграничения кластеров на основе использования канадских геокодированных данных на уровне предприятия. Исследуя предприятия текстильной и швейной промышленности, которые столкнулись с неблагоприятными потрясениями в период с 2001 по 2013 года, они не нашли никаких доказательств того, что предприятия в кластерах более устойчивы к потрясениям, чем предприятия вне кластеров. Данная работа служит основанием для методики определения географических концентраций на основе геокодированных данных.

В заключении данной главы стоит отметить, что тема определения географических концентраций исследуется учеными разных стран уже достаточно давно, существует много различных методик определения кластеров, но самой интересной и удобной нам показалась методика Behrens et al. (2020), основанная на геокодированных данных предприятий. Это поможет рассмотреть нам исследуемую территорию как единое непрерывное пространство, что позволит избежать проблем, связанных с масштабом и границами.



ГЛАВА 2. МЕТОДИКА ОПРЕДЕЛЕНИЯ ГЕОГРАФИЧЕСКИХ КОНЦЕНТРАЦИЙ

Для оценки географического распределения предприятий, экономисты традиционно использовали кластерные методы, которые измеряют пространственную концентрацию экономической активности на основе заранее определенных географических границ (округа, регионы и др.). Однако данный метод нарушает свойство эмпирической оценки смещения формы и размера в результате различий в географических границах, поэтому для решения этой проблемы произошло переключение с кластерных методов на дистанционные Marcon, E., Puech, F. Measures of the geographic concentration of industries: improving distance-based methods // Journal of Economic Geography. - 2010. - P. 2. Методы, основанные на расстоянии не зонируют область, а рассматривают ее как непрерывное пространство. Каждое предприятие в выборке локализуется по его координатам и расстоянию между ним им и другими предприятиями.

Для определения статистически значимой географической концентрации предприятий применяется процедура, опробованная в статье Behrens et al. (2020) об устойчивости кластеров текстильной промышленности в Канаде Behrens, K., Boualam, В., Martin J. Are clusters resilient? Evidence from Canadian textile industries // Journal of Economic Geography - 2020. - Vol. 20(1). - P. 1-36., основанная на двух критериях - размер и специализация. Критерий специализации предусматривает нахождение достаточно большой доли предприятий, относящихся к выбранной отрасли на рассматриваемой территории. Данный критерий помогает убрать эффекты масштаба в густонаселенных территориях (крупные города), где число предприятий велико во многих отраслях. Критерий специализации основывается на относительном размере отрасли на выбранной территории. Вторым критерием, выбранного метода, является размер. Его требования основываются как раз наоборот на достаточно большом числе предприятий выбранной отрасли на рассматриваемой территории. Этот критерий не позволит отнести к кластеру территорию, на которой расположено, например, всего три предприятия, два из которых относятся к одной отрасли. Такой подход позволяет избежать некорректного определения кластеров. Необходимо также отметить, что выбор количественных параметров для определения специализации и размера в разных ситуациях может быть различным.

Большинство исследований основываются на доступных данных, которые в свою очередь часто бывают ограничены на уровне географических административных единиц. Одним из примеров является работа Delgado et al. (2016) Delgado, M., Porter, M.E., Stern, S. Defining clusters of related industries // Journal of Economic Geography. - 2016. - Vol. 16. - Issue 1. - P. 1-38., в которой проводится анализ на основе крупных городских агломераций, потому что только на таком уровне были доступны необходимые для анализа данные. Исследования, проведенные с использованием таких данных, вызывают некоторые сомнения ввиду того, что большинство механизмов взаимодействия (перетекание знаний, обучение, человеческий капитал и др.) сильно локализованы и очень быстро теряют свою значимость с расстоянием. Основным способом решения данной проблемы является использование данных на микроуровне.

Определения кластеров в данной работе не будет привязано к географическим административным единицам одного из уровней. Взамен этого мы будем основываться на критериях, описанных выше и с их помощью, определим географически значимые концентрации. Также стоит сказать о диаметре географической зоны, для данного исследования будем предполагать, что характерные для кластера рамки взаимодействия ограничиваются 50 км. Данное предположение основано на ряде схожих исследований в этой области, и большая часть маятниковой миграции рабочей силы происходит в пределах 30-50 км. Например, в работе российских авторов отмечается маятниковая миграция на территории московской агломерации в пределах 50 км Shitova, Y., Shitov, Y., Anton, A., Mitroshin, A., and Mitroshin, P. Analysis of commuting in the Moscow region using GIS techniques // 54^th Congress of the European Regional Science Association: “Regional development & globalization: Best practies”. - 2014. - P. 26-29., а в такой схожей по географии стране, как Канада ежедневная маятниковая миграция равна 30 км.

2.1 Описание метода

Начнем с критерия специализации, во-первых, мы выбираем отрасль А по Общероссийскому классификатору видов экономической деятельности (ОКВЭД). Для каждого из них в выбранной отрасли мы строим круг радиуса x (в нашем случае он равен 25 км - среднее расстояние маятниковой миграции на территории Российской Федерации).

Для начала мы рассчитаем для каждого предприятия i отрасли А количество других предприятий этой же отрасли ni и количество предприятий других отраслей mi в выбранном нами радиусе 25 км вокруг предприятия i. Далее предположим, что в общей численности предприятий имеется N предприятий отрасли А и M предприятий других промышленных отраслей. Затем, используя кумулятивную функцию плотности для гипергеометрического распределения вычисляем вероятность того, что среди предприятий ni + mi вокруг предприятия i больше, чем ni.

,

где обозначает биномиальный коэффициент, N - общее количество фирм в отрасли А, M - общее количество фирм во всех других отраслях.

Выбранное пороговое значение для данной вероятности равно 90%. Это означает, что существует не более 10% вероятность того, что концентрация ni предприятий в заданном радиусе является случайной. Такое сосредоточение в заданном радиусе предприятий относящихся к отрасли А называется географической концентрацией предприятий (при условии выполнения второго критерия), которое подозрительно на кластер. Такой случай представляет собой кластеризацию предприятий отрасли А вокруг предприятия i, и мы называем такие предприятия i - фокусными предприятиями.

Теперь перейдем ко второму критерию - размер. Необходимым требованием является наличие у кластеров минимального количества предприятий вокруг фокусных фирм, заданных ранее. Данный критерий исключает случаи появления областей только с одним предприятием отрасли А. Если скопление предприятий содержит не менее 5 предприятий отрасли А, то оно является географической концентрацией (при условии выполнения первого критерия) Behrens, K., Boualam, В., Martin J. Are clusters resilient? Evidence from Canadian textile industries // Document de travail / Working paper. - 2020. - No.15. - P. 18-19.. Следовательно, все географические концентрации предприятий отрасли А, которые были подозрительны на кластер, имеют вероятность того, что уровень их относительной концентрации оказался неслучайным не менее 90% и включают в себя не менее 5 предприятий выбранной отрасли.

Такая процедура повторяется для всех предприятий отрасли А. Затем мы очерчиваем круг с радиусом 25 км вокруг фокусных фирм и проводим многомасштабную кластеризацию ядра Buzard, K., Carlino, G. A., Hunt, R. M., Carr, J. & Smith, T. E. Localized knowledge spillovers: Evidence from the agglomeration of American R&D labs and patent data // Working Papers. - 2019. - Vol. 19-42. - P. 8., то есть определяем кластеры как объединение этих кругов.

Этапы выявления концентраций предприятий схематично представлены на Рисунке 1.



Рис.1. Этапы определения кластера

Другая проблема заключается в определении меры расстояния, которая возникает из-за различий в вогнутости земной поверхности в зависимости от широты. Для России расстояние dij большого круга между каждой парой (i, j) предприятий используется следующая формула:

,

где (lat) (lon) координаты широты и долготы, соответственно, а числовой коэффициент отражает специфику широт расположения Российской Федерации.

2.2 Реализация представленного метода

Для реализации метода определения географических концентраций российской промышленности был представлен набор данных, состоящий из 612 120 предприятий промышленности Российской Федерации, полученный путем объединения данных о предприятиях, содержащихся в базах данных СПАРК и Ruslana.

Собранный набор данных содержит информацию о полном и кратком наименовании организации, регистрационном номере, дате регистрации и ликвидации предприятия, возрасте компании, виде ее деятельности и месте нахождения (адрес). Также в базе данных представлена информация о индивидуальном номере налогоплательщика (ИНН), общероссийском классификаторе предприятий и организаций (ОКПО) и общероссийском классификаторе видов экономической деятельности (ОКВЭД).

Для дальнейшей реализации метода нам потребуется провести геокодирование всех адресов из представленного набора данных, чтобы получить координаты широты и долготы для каждого предприятия. Такие координаты можно получить с помощью сервисов геокодирования.

Существует несколько видов геокодирования:

прямое геокодирование - определение координат по названию объекта или его адресу;

обратное геокодирование - определение адреса объекта по его координатам.

Местоположение каждого из предприятий геокодирует с использованием API - интерфейса Google Maps. Для использования данного сервиса и получения координат был написан код (Приложение 1) на языке программирования Python.

Перейдем непосредственно к алгоритму определения географических концентраций отраслей российской промышленности, который также написан на языке программирования Python (Приложение 2). Данный алгоритм является почти универсальным и может применяться к базам данных с разным исходным количеством фирм и будет работать для любого заданного значения ОКВЭД.

Первый этап. Определение географических концентраций

Целью данного этапа является определение географических концентраций сферы «Электроника и вычислительная техника», к которой относятся предприятия, производящие электронику и вычислительную технику. В эту сферу мы включаем три отрасли («Производство элементов электронной аппаратуры и печатных схем (плат)» - ОКВЭД 261; «Производство компьютеров и периферийного оборудования» - ОКВЭД 262; «Производство коммуникационного оборудования» - ОКВЭД 263).

Реализация алгоритма показала, что к сфере «Электроника и вычислительная техника» относится 8042 предприятий, из которых 5323 находятся в концентрациях, эти данные наглядно представлены на Рисунке 2. Синими точками обозначены предприятия, не вошедшие ни в один кластер, красными же наоборот предприятия, которые относятся к одной из географических концентраций.

Рис. 2. Разделение предприятий сферы «Электроника и вычислительная техника»

Следующим этапом необходимо объединить полученные 5323 фирмы в концентрации. Для учета различий в размерах концентраций, выделяется три различных типа - крупные, средние и малые. Под крупной понимается концентрация, в которой число предприятий, вошедших в нее, отличается от самой большой концентрации не более, чем в два раза. Средними являются те, число предприятий в которых отличается от самой крупной концентрации не более, чем в четыре раза, но не менее, чем в два раза. Все остальные предприятия относятся к малым.

После объединения всех предприятий по кластерам с помощью описанного ранее метода, получаем 21 географическую концентрацию, из них 1 крупная (3402 предприятия), 1 средняя (1153 предприятия) и 19 малых (от 5 до 284 предприятий). Описанные географические концентрации для сферы «Электроника и вычислительная техника» представлены на Рисунке 3, красным цветом обозначена крупная концентрация, синим - средняя и оранжевым цветом выделены все малые географические концентрации.

Рис.3. Географические концентрации сферы «Электроника и вычислительная техника»

Самый крупный географический кластер оказался расположен в г. Москве и Московской обл., что не удивительно, так как г. Москва является столицей и экономическим центром Российской Федерации. Средняя по размерам географическая концентрация расположилась в г. Санкт-Петербурге и Ленинградской обл. Малые концентрации оказались расположены в таких городах, как Севастополь, Таганрог, Воронеж, Брянск, Орел, Калуга, Рязань, Великий Новгород, Калининград (три кластера), Муром, Пенза, Саратов, Сарапул (Удмуртская Республика), Новосибирск, Артемьевск, Кузнецк и Дубна (Московская область).

Второй этап. Результат алгоритма после дополнения данных

На предыдущем этапе определены концентрации для трех 3-значных ОКВЭД, отнесенных к сфере «Электроника и вычислительная техника».

Следующее, что нам необходимо сделать, чтобы выполнить наше исследование - это дополнить имеющуюся выборку данными годовых финансовых отчетностей предприятий, полученных из базы данных СПАРК. После дополнения данных были проведены оценки процентов пропусков для этих переменных, которые показали, что часть финансовых показателей слабо представлена в данных, а для части предприятий не представлено ни одного финансового показателя. На основании этих оценок было принято решение о проведении очистки данных, которая привела к сокращению выборки предприятий с 8042 до 2640. Для нашей выборки мы оставили только предприятия, ликвидированные после 2017 года, данное решение было принято на основе анализа представленности данных по годам, оказалось, что больший процент представленности данных по финансовым показателям пришелся на 2017-2018 года. В дальнейшем анализе будут использоваться девять финансовых показателей предприятий: доходы, расходы, налоги, страховые взносы в ПФР, дебиторская и кредиторская задолженности, выручка, себестоимость продаж и чистая прибыль. Эти показатели были отобраны на основании их представленности в выборке более 60%.

После проведенного анализа данных и их очистки мы проверяем количество фирм, вошедшее в каждый кластер и замечаем, что часть кластеров полностью исчезли, так как данных в финансовых отчетностях по предприятиям, входившим в них не было представлено. Данные предприятия, таким образом, оказались вне уточненной выборки. Ввиду сужения выборки на основании представленности показателей, ряд кластеров оказался представлен недостаточным количеством входящих в них предприятий. На основании этого принято решение об отнесении этих предприятий к группе, не вошедших ни в один кластер. Эти предприятия относились к малым географическим концентрациям с первоначальным количеством предприятий менее 20.

После всех изменений на основе обновленной выборки получаем 2640 предприятий, из которых 1766 предприятий находятся в кластерах. Ниже на Рисунке 4 обозначены 9 географических концентраций: красным цветом крупная концентрация (г. Москва и Московская обл.) с 1047 предприятиями, синим цветом выделена средняя географическая концентрация (г. Санкт-Петербург и Ленинградская обл.) с 412 предприятиями и 7 малых концентраций (Новосибирск - 113, Саратов - 49, Рязань - 39, Воронеж - 36, Пенза - 26, Калуга - 24 и Дубна (Московская обл.) - 20).

...