Географические концентрации российской промышленности на примере производителей электроники и техники

Рис.4. Итоговые кластеры сферы «Электроника и вычислительная техника» Карта кластеров составлена авторами работы.

Для удобства в дальнейшем эмпирическом исследовании мы будем использовать номера кластеров, вместо их названий. Ниже в Таблице 1 можно увидеть соответствие номера кластера области, в которой он находится.

Таблица 1. Соответствие номера кластера области, в которой он находится Таблица составлена авторами работы.

№ кластера	Название области	Размер	Федеральный округ (номер)
1	г. Москва и Московская обл.	1047	Центральный (1)
2	г. Санкт-Петербург и Ленинградская обл.	412	Северо-Западный (2)
3	Новосибирская обл.	113	Сибирский (7)
4	Саратовская обл.	49	Приволжский (5)
5	Рязанская обл.	39	Центральный (1)
6	Воронежская обл.	36	Центральный (1)
7	Пензенская обл.	26	Приволжский (5)
8	Калужская обл.	24	Центральный (1)
9	г. Дубна (Московская обл.)	20	Центральный (1)

В заключении данной главы хочется отметить, что примененный метод определения географических концентраций основан на расстоянии, его главным плюсом является то, что он рассматривает всю территорию Российской Федерации как единое непрерывное пространство, поэтому нам удалось выявить кластеры, выбранных отраслей ОКВЭД, среди большого числа предприятий. Также по результатам определения кластеров можно сделать вывод, что они не обязательно находятся в пределах конкретного города или другой административной единицы, а могут располагаться на территории нескольких субъектов РФ.

кластер агломерация географический концентрация



ГЛАВА 3. ЭМПИРИЧЕСКИЙ АНАЛИЗ

3.1 Описательный анализ выборки

Объектом нашего анализа в этой главе является выборка из 2640 предприятий в период с 2017 по 2018 года. Как упоминалось ранее, все данные о предприятиях и годовых финансовых отчетностях были взяты и баз данных СПАРК и Ruslana. Итоговая выборка предприятий была составлена на основании следующих критериев:

Выборка состоит из предприятий только трех отраслей промышленности, выбранных по коду ОКВЭД (261 - 263) и объединенных в сферу «Электроника и вычислительная техника»;

Предприятия не были ликвидированы ранее 2017 года.

Второй критерий был использован в виду того, что регрессионные оценки проводились для ряда показателей предприятий за 2017 и 2018 года. Это связано с тем, что для этих годов, в отличие от предыдущих, представленность показателей наиболее высокая, составляет в среднем 80% и не ниже 60% для каждого из показателей.

Показатели годовых финансовых отчетностей, хорошо представленные в данных, можно разделить на две группы по их источнику: (i) доходы, расходы, налоги и страховые взносы в Пенсионный фонд России (ПФР) - данные представлены из ФНС; (ii) дебиторская задолженность, кредиторская задолженность, выручка, себестоимость продаж и чистая прибыль - данные из Росстата на основании годовых бухгалтерских отчетов компаний.

Стоит отметить, что в результате подготовки данных был получен массив, который имеет несбалансированную структуру. Количество наблюдений разниться для каждого финансового показателя.

Всем предприятиям в выборке сопоставлены переменные, отражающие и принадлежность к конкретному кластеру и федеральному округу Российской Федерации, а также отрасли ОКВЭД. На Рисунке 5 представлены распределения количества предприятий по федеральным округам в зависимости от вхождения в один из 9 кластеров. Наглядно видно, что наибольшее число предприятий всех трех отраслей ОКВЭД оказались в Центральном и Северо-Западном федеральных округах. Также стоит отметить, что кластеры расположены только в четырех федеральных округах из восьми. В дальнейшем мы будем изучать влияние вхождение предприятий в конкретный кластер, нахождение их в определенном федеральном округе и принадлежность к конкретной отрасли ОКВЭД на финансовые показатели.

Рис. 5. Распределение предприятий по федеральным округам

Таким образом, в рамках данного исследования определены исследуемые показатели: чистая прибыль, доход, выручка предприятия и средняя заработная плата работника отнесенные к среднесписочной численности работников предприятия. Для построения моделей используются логарифмированные значения описанных выше показателей, что поможет нам улучшить качество модели за счет приближения распределения к нормальному.

3.2 Методология исследования и описание данных

В нашем исследовании, как и во многих других работах, эмпирическая часть построена на эконометрическом анализе и инструментах описательного характера. Для того чтобы исследовать влияние от вхождения в географические концентрации на деятельность предприятий, нами выбрана простая регрессионная модель, в которой в качестве исследуемых (зависимых) переменных используются четыре финансовых показателя предприятий за 2017 и 2018 года: доход, чистая прибыль и выручка предприятия отнесенные к среднесписочной численности работников предприятия, а также средняя заработная плата.

Стоит отметить, что в нашей работе в качестве прокси для средней заработной платы используется показатель средних (на одного работника) отчислений в ПФР.

Имеющиеся данные и теоретические соображения стали основанием для выбора переменных исследования. Мы рассматриваем такие характеристики, которые могли бы повлиять на финансовые показатели предприятий с учетом специфики данной работы.

Для того, чтобы получить представления о влиянии агломерационных эффектов на производительность предприятий в агломерациях и интенсивности их взаимодействия внутри кластера, рассматриваются две различные спецификации нашей модели.

В первой спецификации мы рассматриваем только влияние фиктивных переменных на зависимые переменные, регрессия для данной модели может быть записана следующим образом:

где:

- одна из четырех исследуемых переменных отнесенная к среднесписочной численности работников предприятия i, принадлежащего j трехзначной отрасли ОКВЭД;

- фиктивная переменная кластера, где k - номер этого кластера;

- фиктивная переменная федерального округа Российской Федерации, где r - номер округа;

- фиктивная переменная трехзначной отрасли ОКВЭД.

Представленная спецификация показывает различия в эффективности деятельности между предприятиями на сравнительно больших расстояниях (кластеры и федеральные округа). Данная спецификация отражает эффекты от агломерации, возникающие в результате общего рынка труда и рынка промежуточных товаров.

Вторая спецификация ориентируется на более низкий уровень агрегации. Причин, по которым рассматривается вторая спецификация, несколько. Во-первых, фиксированный эффект федеральных округов не решает проблемы крупных и средних кластеров, так, например, в Москве, Санкт-Петербурге и Новосибирской области отсутствуют предприятия вне кластеров, а другие предприятия того же округа могут располагаться достаточно далеко от этих кластеров. Для решения данной проблемы предлагается заменить фиксированные эффекты кластеров на объясняющие переменные - количество предприятий и количество работников в этих предприятиях в заданном радиусе вокруг каждого из предприятий. Это покажет агломерационные эффекты на более низком географическом уровне. Во-вторых, разные агломерационные эффекты имеют разную дистанцию. Например, эффект от перетекания (распространения) знаний сводится к нулю на расстояниях в несколько километров. Таким образом, для учета данного показателя было рассчитано количество предприятий и количество работников в них для каждой отрасли, расположенной на расстоянии X км от каждой фирмы, где X - от 1 до 5 км.

Описанная выше модель может быть записана следующим образом:

,

где:

- одна из четырех исследуемых переменных отнесенная к среднесписочной численности работников предприятия i, принадлежащего j трехзначной отрасли ОКВЭД;

- одна из двух объясняющих переменных, где n - расстояние X;

- фиктивная эффект трехзначной отрасли ОКВЭД.

В Приложении 3 представлены описательные статистики используемых в работе переменных.

3.3 Основные результаты применения моделей

В данном исследовании были протестированы выбранные нами ранее регрессионные модели. За базовую переменную мы рассматриваем предприятия отрасли ОКВЭД 261, зарегистрированные в Уральском федеральном округе и не входящие ни в один кластер. Выбор данного округа не случаен, а связан с тем, что в нем нет ни одного предприятия, вошедшего в кластер и количество этих предприятий больше, чем в других федеральных округах с такими же параметрами кластеризации.

Эффекты от вхождения в географическую концентрацию

Для начала рассмотрим результаты первой спецификации, основанной на эффектах на сравнительно больших расстояниях. Результаты этой спецификации представлены в Таблице 2.

Мы рассматриваем каждую зависимую переменную отдельно для 2017 и 2018 годов. Результаты тестирования данной регрессионной модели показали, что на доходы предприятия на одного работника за оба года значимо и положительно влияет вхождение в 1-3 кластеры (г. Москва и Московская обл., г. Санкт-Петербург и Ленинградская обл. и Новосибирская обл.), однако в 2017 году вхождение предприятия в 4-й кластер (Саратовская обл.) оказало отрицательное влияние на доходы предприятия, то есть предприятия входившие в 4-й кластер в 2017 году получили доходов на одного работника предприятия меньше на 67,9%, чем те, которые не входили ни в один кластер. Также мы видим, что в 2017 году фиксированный эффект Северо-Западного федерального округа имел значимое и отрицательное влияние для доходов на одного работника. В 2017 году присутствовало значимое положительное различие по сравнению с отраслью ОКВЭД 261 в доходах на одного работника для отрасли ОКВЭД 263, а в 2018 году для отрасли ОКВЭД 262 и составило оно 26,5% и 20,9% соответственно.

Следующей зависимой переменной является выручка предприятия на одного работника. Данная переменная была выбрана чтобы сравнить результаты с доходами предприятия на одного работника, так как они схожи по своему значению, но числовые данные по этим двум переменным не совпадают, что может быть следствием различий в методике расчета этих показателей. Как и в предыдущем случае, мы видим значимое положительное влияние на выручку от вхождения предприятий в 1-3 кластеры (г. Москва и Московская обл., г. Санкт-Петербург и Ленинградская обл. и Новосибирская обл.) как в 2017, так и в 2018 годах. На выручку предприятия на одного работника в 2017 году отрицательно влияло вхождение фирмы в Северо-Западный федеральный округ, и она была ниже на 62,7%. В 2018 году такое влияние оказывал Дальневосточный федеральный округ, предприятия которого получили выручку на 116,2% ниже. Также в 2017 году предприятия, относящиеся к отраслям ОКВЭД 262 и 263, получили выручку больше, чем предприятия отрасли ОКВЭД 261 на 32,8% и 24,1% соответственно. Однако в 2018 году осталось положительное влияние только у отрасли ОКВЭД 262.

Третья зависимая переменная - чистая прибыль предприятия, рассчитанная на одного сотрудника. В 2017 году только кластер в Новосибирской обл. положительно влиял на прибыль, а вхождение предприятия в кластер в Воронежской обл. отражалось на прибыли отрицательно по сравнению с предприятиями, не вошедшими ни в один кластер. В 2018 году сохранилась тенденция к увеличению прибыли от вхождения в 1-3 кластеры (г. Москва и Московская обл., г. Санкт-Петербург и Ленинградская обл. и Новосибирская обл.).

Таблица 2. Результаты тестирования первой спецификации

Мы можем наблюдать отсутствие значимого влияния принадлежности предприятия к одному из округов как в 2017, так и в 2018 годах. Значимое и положительное влияние оказала отрасль ОКВЭД 262, прибыль предприятия из расчета на одного работника выросла в 2017 и 2018 годах на 34,4% и 34,2% соответственно по сравнению с предприятиями, входящими в отрасль ОКВЭД 261.

И заключительной переменной явилась средняя заработная плата. За оба рассматриваемых года заработная плата в 1-ом и 3-ем кластерах (г. Москва и Московская обл., Новосибирская обл.) была значимо и положительно больше, чем у работников предприятий, не вошедших ни в один кластер. Также в 2017 году положительное влияние было и у предприятий, вошедших во 2-й кластер (г. Санкт-Петербург и Ленинградская обл.). Также, как и для переменной прибыли, мы можем отметить полное отсутствие влияния со стороны федеральных округов. Это говорит о незначительности различий между предприятиями, не вошедшими в кластеры и расположенные в разных федеральных округах.

Как в 2017, так и в 2018 году присутствует значимое, но отрицательное влияние на среднюю заработную плату отрасли ОКВЭД 262, работники предприятий данной отрасли получили среднюю заработную плату на 17,8% и 18,1% соответственно меньше заработную плату, чем работники предприятий в отрасли ОКВЭД 261.

Из приведенных выше описаний можно сделать вывод, что почти для всех рассматриваемых финансовых переменных предприятий мы видим значимое влияние на них 1-3 кластеров (г. Москва и Московская обл., г. Санкт-Петербург и Ленинградская обл. и Новосибирская обл.) по сравнению с предприятиями, не вошедшими ни в один кластер. Таким образом, положительные эффекты от вхождения в кластер возникают при достаточно большом масштабе кластера, выраженного в количестве фирм отрасли, а также выгодное расположение в одном из мегаполисов страны. С другой стороны, принадлежность к малым кластерам не дает значимых преимуществ для производителей по сравнению с предприятиями вне кластеров.

Стоит отметить, что для трех крупнейших кластеров значимые положительные эффекты в большей степени наблюдаются для выручки чем для чистой прибыли. Это может объясняться тем, что расположение в крупных агломерациях не только повышает выручку фирм, но и их издержки, что не позволяет производителям получать значимо более высокие прибыли. На это, в частности, указывает значимые положительные различия в средней заработной плате на предприятиях в крупных кластерах. Таким образом, фирмы крупных кластеров несут большие издержки на производство за счет высоких заработных плат. Это также может относится и к прочим издержкам, например, стоимости капитальных строительств или арендой платы офисов, которые значимо выше в крупных городах (Combes et al., 2019) Combes P. P., Duranton G., Gobillon L. The costs of agglomeration: House and land prices in French cities // The Review of Economic Studies. - 2019. - Т. 86. - №. 4. - Р. 1556-1589..

Также наблюдается достаточно сильное влияние отрасли, в которую вошло предприятие, на его финансовые показатели. Из трех отраслей, которые формируют сферу «Электроника и вычислительная техника», значимо выделяется по показателям отрасль ОКВЭД 262 «Производство компьютеров и периферийного оборудования» по сравнению с двумя остальными отраслями.

Помимо этого, отсутствуют значимые различия между предприятиями различных федеральных округов. Из незначимости фиктивной переменной федеральных округов можно сделать вывод о том, что предприятия не сильно различаются в разных округах, вероятнее агломерация имеет большее значение.

Стоит отметить, что при проведении теста на мультиколлинеарность было выявлено, что коррелируют между собой Центральный федеральный округ и Московский кластер, а также Северо-Западный федеральный округ и кластер, находящийся в Санкт-Петербурге и Ленинградской обл., что является закономерным, так как большая часть предприятий этих округов попадает в кластеры.

Для избавления от мультиколлинеарности были оценены спецификации без фиктивных переменных федеральных округов. Результаты, представленные в Приложении 4, показывают, что значимость для фиктивных переменных кластера сохранилась, следовательно, мультиколлинеарность не влияет на результаты. Но при этом скорректированный R2 в регрессиях без фиктивных переменных федеральных округов уменьшился, что говорит нам о том, что объясняющие свойства такой регрессии ниже.

Агломерационные эффекты на суб-кластерном уровне

В данном разделе оценивается и обсуждается вторая спецификация, связанная с агломерационными эффектами на более низком географическом уровне. Для этого мы рассматриваем влияние количества предприятий и количества работников всех трех отраслей на заданном расстоянии от выбранного предприятия, это позволит выяснить существуют ли агломерационные эффекты низкого уровня между предприятиями на расстояниях в несколько километров. В данном случае количество предприятий или количество работников на заданном расстоянии заменяет собой фиктивную переменную кластера для оценки эффектов внутри агломераций.

Количество предприятий.

В начале в качестве объясняющей переменной рассматривается количество предприятий сферы «Электроника и вычислительная техника» на заданном расстоянии от каждого предприятия этой сферы.

Полученные результаты для данной спецификации для зависимой переменной доход предприятия представлены в Таблице 3. Наблюдается значимое и положительное влияние количества предприятий на расстоянии от 1 до 5 км как в 2017, так и в 2018 годах. Однако стоит отметить, что наибольшее влияние оказывается фирмами, находящимися на малых расстояниях - от 1 до 3 км. При проверке на более низком уровне основное положительное влияние на доходы предприятия на одного работника оказывает вхождение в отрасль ОКВЭД 262.

Следующей зависимой переменной является выручка предприятия на одного работника. Результаты регрессии для данной модели представлены в Таблице 4. Снова можно говорить о положительной значимости количества предприятий на расстоянии от 1 до 5 км и также можно наблюдать уменьшение значимости с увеличением расстояния. Как и в предыдущем случае, значимое положительное влияние на выручку оказывает вхождение предприятия в отрасль ОКВЭД 262.

Теперь рассмотрим зависимость чистой прибыли предприятия на одного сотрудника от количества предприятий окружающих его. Для этой переменной ситуация несколько другая - наблюдается отсутствие значимости количества предприятий на расстоянии от 1 до 3 км в 2017 году, однако в 2018 году количество предприятий, аналогично случаям с другими зависимыми переменными, значимо влияет на чистую прибыль на расстоянии от 1 до 5 км. Также неизменным остается значимое влияние отрасли ОКВЭД 262. Описанные данные наглядно представлены в Таблице 5.

Последней переменной является средняя заработная плата. Результаты регрессии представлены в Таблице 6. Как и в предыдущих случаях выявлено значимое влияние на расстоянии от 1 до 5 км с тенденцией увеличения влияния при сокращении расстояния. Однако при рассмотрении влияния отрасли на среднюю заработную плату, можно отметить, что на расстоянии от 3 до 5 км для 2017 года отрасль ОКВЭД 262 влияет значимо, но отрицательно.

Таблица 3. Влияние количества предприятий на заданном расстоянии на доходы в 2017 и 2018 годах.



Таблица 4. Влияние количества предприятий на заданном расстоянии на выручку в 2017 и 2018 годах.

Таблица 5. Влияние количества предприятий на заданном расстоянии на чистую прибыль в 2017 и 2018 годах.



Таблица 6. Влияние количества предприятий на заданном расстоянии на среднюю заработную плату в 2017 и 2018 годах.

На основе проведенного регрессионного анализа можно сделать вывод, что количество предприятий, находящихся на расстоянии от 1 до 5 км от предприятия, в котором оцениваются зависимые переменные значимо влияет на доходы, выручку, чистую прибыль рассчитанные на одного работника и среднюю заработную плату и эта значимость почти всегда растет с уменьшением расстояния между исследуемыми предприятиями. Также снова подтвердилась значимость фиктивной переменной отрасли, положительный эффект для финансовых показателей оказался выше для предприятий отрасли ОКВЭД 262 по сравнению с 261 и 263.

В то же время, для 2018 года значимый характер носит количество предприятий на всех расстояниях для переменной чистой прибыли. Это отличает результаты для малых расстояний от результатов с фиксированными эффектами кластеров, где наблюдалась незначимость чистой прибыли для ряда спецификаций. При этом сильная положительная значимость сохраняется для средней заработной платы и выручки. Это может говорить о том, что чистая прибыль выше в центрах промышленных концентраций чем на ее окраинах, несмотря на значимо более высокие заработные платы. Таким образом, эффект на малых расстояниях, которые обычно ассоциируются с перетеканием знаний, положительно влияет на чистую прибыль производителей.

Количество работников.

Для более точного учета агломерационных эффектов в качестве объясняющей переменной рассматривается количество работников сферы «Электроника и вычислительная техника» на заданном расстоянии от выбранного предприятия вместо количества предприятий. Это позволит учесть размер предприятий и уточнить эффекты на малых расстояниях с учетом количества занятых в этой сфере.

При рассмотрении данной спецификации результаты для зависимой переменной доход предприятия на одного работника представлены в Таблице 7. Мы можем наблюдать, что значимое положительное влияние количества работников на зависимую переменную появилось только на расстояниях 4 и 5 км от исследуемого предприятия как в 2017, так и в 2018 году, что контрастирует с предыдущими результатами. Также стоит отметить, что предприятия, относящиеся к отрасли ОКВЭД 262, получают более высокие доходы, чем предприятия, которые относятся к двум другим отраслям.

Следующей зависимой переменной является выручка, исчисленная на одного работника предприятия. Результаты приведенной регрессии для данной модели представлены в Таблице 8. На основе результатов мы можем увидеть, что в 2017 году на выручку значимо и положительно влияло количество работников на других предприятиях на расстоянии от 3 до 5 км, а в 2018 году уже только на расстоянии 4 и 5 км. Данные результаты коррелируют с результатами для дохода фирм.

Также стоит отметить тенденцию к увеличению влияния количества работников с увеличением расстояния от исследуемого предприятия, то есть при увеличении работников в предприятиях, расположенных на расстоянии 5 км на 1%, выручка исследуемого предприятия, рассчитанная на одного работника, увеличится в 2017 году на 5,5%, а в 2018 году на 4,7%. Как и в предыдущей спецификации, отрасль ОКВЭД 262 значимо и положительно влияет на выручку предприятий этой отрасли по сравнению с отраслями 261 и 263. Также наблюдается положительное влияние отрасли ОКВЭД 263 в 2017 году, которое все же ниже, чем у отрасли 262.

Таблица 7. Влияние количества работников в предприятиях на заданном расстоянии на доходы в 2017 и 2018 годах.

Третья зависимая переменная - это чистая прибыль предприятия, рассчитанная на одного работника. Как и в предыдущих случаях мы видим закономерность, что значимое влияние на зависимую переменную объясняющей переменной оказывается только на более отдаленном расстоянии от исследуемого предприятия. В 2017 году, только на расстоянии в 4 км от предприятия количество работников оказывало значимое и положительно влияние на чистую прибыль, а вот в 2018 году уже на расстоянии от 3 до 5 км. Также неизменным остается значимое влияние отрасли ОКВЭД 262. Приведенное описание данных наглядно представлено в Таблице 9.

Таблица 8. Влияние количества работников в предприятиях на заданном расстоянии на выручку в 2017 и 2018 годах.

Последней переменной является средняя заработная плата. Результаты, которые мы получили после выполнения регрессии представлены в Таблице 10. Для данной зависимой переменной мы получили немного другие результаты, значимое влияние числа работников на среднюю заработную плату оказывается на расстоянии от 1 до 5 км, однако мы можем заметить, что сохраняется тенденция к увеличению влияния с увеличением расстояния. И также стоит отметить, что нет различий в заработных платах между тремя отраслями.

На основе проведенного анализа мы можем сделать вывод о том, что количество работников значимо влияет на доходы, выручку, чистую прибыль рассчитанные на одного работника и среднюю заработную плату преимущественно на расстояниях от 3 до 5 км от предприятия. Более того, эта значимость увеличивается с увеличением расстояния между исследуемыми предприятиями. Также снова подтвердилась значимость фиктивной переменной отрасли, и мы получили следующий результат: положительный эффект оказался выше для предприятий отрасли ОКВЭД 262 по сравнению с 261 и 263.

Таблица 9. Влияние количества работников в предприятиях на заданном расстоянии на чистую прибыль в 2017 и 2018 годах.

Таким образом, эти результаты подтверждают наличие агломерационных эффектов от распространения знаний. Как упоминалось ранее знания и идеи легче распространяются между расположенными поблизости фирмами и работниками, особенно в инновационных отраслях. При этом уточненные эффекты значимы, когда учитываются предприятия, расположенные на расстояниях в пределах 3-5 км. Это говорит о том, что эффекты проявляют себя при наличии достаточного количества предприятий в окрестности исследуемой фирмы. Вероятно, можно говорить о кумулятивном эффекте, который нарастает при расширении радиуса вокруг фирм. Другими словами, наличие даже достаточно большого количества предприятий в малом радиусе не дает значимых выгод, однако эффект проявляется на несколько больших расстояниях.

Таблица 10. Влияние количества работников в предприятиях на заданном расстоянии на среднюю заработную плату в 2017 и 2018 годах.

Также была рассмотрена модификация спецификации, в которой были исключены предприятия вошедшие в 1-й и 2-й кластеры (г. Москва и Московская обл., г. Санкт-Петербург и Ленинградская обл.). Это позволяет оценить значимость агломерационных эффектов на малых расстояниях в агломерациях, где сосредоточено не очень большое количество предприятий. Результаты этих регрессий представлены в Приложении 4. На их основании можно говорить, что, убрав из выборки крупные кластеры, количество работников в предприятиях на заданном расстоянии имеет незначимое влияние для всех зависимых переменных, кроме средней заработной платы. На нее оказывается значимое положительное влияние только количество работников на расстоянии в 1 км. Теперь перейдем к рассмотрению объясняющей переменной - количество предприятий на заданном расстоянии. Тут складывается немного другая картина, она перестала оказывать значимое влияние на чистую прибыль, однако на доходы и выручку предприятия сохранилось значимое влияние, но только в 2018 году. На среднюю заработную плату значимое положительное влияние оказывается количеством соседних предприятий только на расстоянии в 1 км.

Из представленного описания можно сделать вывод, что для большинства зависимых переменных агломерационные эффекты на малых расстояниях потеряли свою значимость для предприятий, не вошедших в крупные кластеры (г. Москва и Московская обл., г. Санкт-Петербург и Ленинградская обл.). В общем, это соответствует результатам регрессии с фиксированными эффектами кластеров, где большинство фиктивных переменных для малых кластеров оказались не значимы, то есть значимые выгоды от агломерационных эффектов на низком уровне есть только в кластерах в Москве и Санкт-Петербурге.



ЗАКЛЮЧЕНИЕ

В заключении стоит отметить, что в работе удалось достичь поставленной цели и выяснить, является ли расположение в кластерах выгодным для производителей и каков должен быть масштаб агломерации, чтобы выгоды стали значимыми.

Для этого потребовалось провести эконометрический анализ финансовых показателей предприятий, отражающих в том числе их производительность, при влиянии на них разных агломерационных эффектов.

На первом этапе был изучен эффект от масштаба - выгодно ли производителям агломерироваться в кластеры? Была выявлена значимая положительная зависимость финансовых показателей предприятия, следовательно, и его производительности от вхождения предприятия в кластер, однако данное утверждение верно только для предприятий, вошедших в достаточно крупные кластеры (г. Москва и Московская обл., г. Санкт-Петербург и Ленинградская обл., Новосибирская обл.). В кластерах с небольшим количеством предприятий их производительность значимо не отличалась от предприятий, находящихся вне кластера.

На втором этапе были рассмотрены агломерационные эффекты на суб-кластерном уровне. Для этого оценивалось влияние количества предприятий и количества работников всех трех отраслей на заданном расстоянии от выбранного предприятия, что позволило выяснить, существуют ли агломерационные эффекты на малых расстояниях между предприятиями. Показано, что на достаточно малых расстояниях (от 1 до 5 км) выявлено значимое влияние на производительность предприятия как количества предприятий на заданном расстоянии, так и количества работников в этих предприятиях. Однако стоит отметить, что значимость влияния количества предприятий на производительность растет с уменьшением расстояния между исследуемыми предприятиями, а вот значимость влияния числа работников в предприятиях, наоборот, растет с увеличением расстояния между исследуемыми предприятиями.

Стоит также добавить, что сильная значимость описанных выше фиктивных переменных замечена только для крупных кластеров.

На основе полученных результатов можно говорить о том, что было подтверждено наличие агломерационных эффектов в данной отрасли от распространения знаний. Знания и идеи намного легче распространяются между расположенными по близости предприятиями и работниками, особенно в инновационных отраслях.

Обобщая все представленные результаты исследовательской работы, можно говорить о наличии выгод для предприятий от расположения в кластере, однако этот кластер должен быть достаточно крупным как в Москве, Санкт-Петербурге и Новосибирской области. Также в крупных кластерах намного лучше развиты агломерационные эффекты на суб-кластерном уровне, например, такие как распространения знаний. В свою очередь на производительность предприятий вошедших в кластеры с небольшим числом предприятий почти не влияют данные агломерационные эффекты.

Таким образом, вхождение в крупный кластер дает инновационным и наукоемким отраслям больше выигрыша от концентрации, чем проигрыша от конкуренции, что объясняет наличие ряда крупных концентраций этой отрасли в стране.



СПИСОК ЛИТЕРАТУРЫ

1. Marshall, A. Principles of Economics. - Macmillan, 1920. - P. 269.

2. Мигранян, А.А. Теоретические аспекты формирования конкурентоспособных кластеров с переходной экономикой // Вестник КРСУ. - 2002 - №3

3. Aleksandrova, E., Behrens, K., Kuznetsova, M. Manufacturing (co)agglomeration in s transition country: Evidence from Russia // Journal of Regional Science. - 2020. - P. 1-41.

4. Amirapu, A., Hasan, R., Jiang, Y., Klen, A. Geographic concentration in Indian manufacturing and service industries: evidence from 1998 to 2013 // Asian Economic Policy Review. - 2019. - Vol. 14. - P. 148-168.

5. 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.

6. Bartlesman, E.J., Caballero, R.J., Lyons, R.K. Customer and supplier-driven externalities // American Economic Review. - 1994. - Vol. 84 (4). - P. 1075-1084.

7. Behrens, K. Agglomeration and clusters: Tools and insights from coaglomeration patterns // Canadian Journal of Economics. - 2016. - Vol. 49 (4). - P. 1293-1339.

8. Behrens, K., Brown, M. Transport costs, trade, and geographic concentration: evidence from Canada // Handbook of International Trade and Transportation. - 2018. - Ch. 6. - P. 188-235.

9. 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.

10. Bergman, E.M., Feser, E.J. Industrial and regional clusters: Concepts and comparative applications // Web Book of Regional Science. - 2020.

11. Bernard, A.B., Smeets V., Warzynski, F. Rethinking deindustrialization // Economic Policy. - 2017. - Vol. 32.

12. 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. 1-47.

13. Combes P. P., Duranton G., Gobillon L. The costs of agglomeration: House and land prices in French cities // The Review of Economic Studies. - 2019. - Т. 86. - №. 4. - Р. 1556-1589.

14. Delgado, M., Porter, M.E., Stern, S. Defining clusters of related industries // Journal of Economic Geography. - 2016. - Vol. 16 (1). - P. 1-38.

15. Delgado, M., Porter, M.E. Cluster and the Great Recession // Technical report. - 2017.

16. Diamond, C.A., Simon, C.J. Industrial specialization and the returns to labor // Journal of Labor Economics. - 1990. - Vol. 8 (2). - P. 175-201.

17. Duranton, G., Overman, H.G. Testing for localization using micro-geographic data // Review of Economic Studies. - 2005. - Vol. 72(4). - P. 1077-1106.

18. 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.

19. Ellison, G., Glaeser, E., Kerr, W. What causes industry agglomeration? Evidence from coagglomeration patterns // American Economic Review. - 2010. - Vol. 100. - P. 1195-1213.

20. Faggio, G., Silva, O., & Strange, W. C. Heterogeneous agglomeration // Review of Economics and Statistics. - 2017. - Vol. 99(1). - P. 80-94

21. Fallick, B., Fleischman, C., Rebitzer, J.B. Job hopping in the Sillicon Valley: the micro-foundations of an industry cluster // Review of Economics and Statistics. - 2006. - Vol. 88. - P. 472-481.

22. Feldman, M.P., Audretsch, D. Innovation in cities: Science-based diversity, specialization, and localized competition // European Economic Review. - 1999. - Vol. 43. - P. 409-429.

23. Feser, E. J., Bergman, E. M. National industry cluster templates: A framework for applied regional cluster analysis // Regional Studies. - 2000. - Vol. 34. - P. 1-19.

24. Feser, E. J. Benchmark value chain industry clusters for applied regional research // Regional Economics Applications Laboratory, University of Illinois at Urbana-Champaign. - 2005.

25. Glaeser, E.L., Mare, D.C. Cities and skills // Journal of Labor Economics. - 2001. - Vol. 19 (2). - P. 316-342.

26. 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.

27. Grimmer, J., King, G. General purpose computer-assisted clustering and conceptualization // Proceeding of the National Academy of Sciences. - 2011. - Vol. 108. - P. 2643-2650.

28. Helsley, R.W., Strange, W.C. Innovation and input sharing // Journal of Urban Economics. 2002. - Vol. 51 (1). - P. 25-45.

29. Henderson, J.V. Marshall's scale economies // Journal of Urban Economics. - 2003. - Vol. 53. - P. 1-28.

30. Hill, E., Brennan, J. A methodology for identifying the drivers of industrial clusters: The foundation of regional competitive advantage // Economic Development Quarterly. - 2000. - P. 65-96.

31. Holmes, T.J. Localization of industry and vertical disintegration // Review of Economics and Statistics. - 1999. - Vol. 81 (2). - P. 314-325.

32. Holmes, T.J., Stevens, J.J. Geographic concentration and establishment scale // Review of Economics and Statistics. - 2002. - Vol. 84 (4). - P. 682-691.

33. 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.

34. Jofre-Monseny, J., Sanchez-Vidal, M., Viladecans-Marsal, E. Big plants closures and local employment // Journal of Economics and Statistics. - 2018. - Vol. 18. - P. 163-186.

35. Kim, S. Expansion of markets and the geographic distribution of economic activities: The trends in U.S. regional manufacturing structure, 1860-1987 // Quarterly Journal of Economics. - Vol. 110 (4). - P. 881-908.

36. Koo, J. Knowledge-based industry clusters: Evidenced by geographical patterns of patents in manufacturing // Urban Studies. - 2005. - Vol. 42. - P. 1487-1505.

37. Lee, C. Geographical clustering and firm growth: Differential growth performance among clustering firms // Research Policy. - 2018. - Vol. 47 (6). - P. 1173-1184.

38. Marcon, E., Puech, F. Measures of the geographic concentration of industries: improving distance-based methods // Journal of Economic Geography. - 2010. - P. 745-762.

39. Marcon, E., Puech, F A typology of distance-based measures of spatial concentration // Regional Science and Urban Economics. - 2017. - Vol. 62. - P. 56-67.

40. Maslikhina, V. Spatial concentration of the manufacturing industry: Evidence from Russia // Journal of Applied Engineering Science. - 2017. - Vol. 15 (4). - P. 509-517.

41. 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.

42. Overman, H.G., Puga, D. Labour pooling as a source of agglomeration: an empirical investigation // Agglomeration Economics. Chicago University Press. - 2010. - P. 133-150.

43. Porter, M.E. The Competitive Advantage of Nations. - 1990.

44. Porter, M.E. The economic performance of regions // Regional Studies. - 2003. - Vol. 37. - P. 549-578.

45. Rauch, J. Productivity gains from geographic concentration of human capital: Evidence from the cities // Journal of Urban Economics. - 1993. - Vol. 34. - P. 380-400.

46. 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.

47. Scherer, F.M. Using linked patent data and R&D data to measure technology flows // The University of Chicago Press. - 1984. - P. 417-464.

48. Shitova, Y., Shitov, Y., Anton, A., Mitroshin, A., and Mitroshin, P. Analysis of commuting in the Moscow region using GIS techniques // 54th Congress of the European Regional Science Association: “Regional development & globalization: Best practices”. - 2014. - P. 26-29.

49. Simon, C.J. Frictional unemployment and the role of industrial diversity // Quarterly Journal of Economics. - 1988. - Vol. 103. - P. 715-728.

50. Sunny, S., Shu, C. Investment, incentives, and innovation: Geographical clustering dynamics as drivers of sustainable entrepreneurship // Small Business Economics. - 2019.

51. Swann, P. A comparison of the dynamics of industrial clustering in computing and biotechnology // Research policy. - 1996. - Vo. 25. - Р. 1139-1157.

52. Waits, M.J. The added value of the industry cluster. Approach to economic analysis, strategy development, and service delivery // Economic Development Quarterly. - 2000.



ПРИЛОЖЕНИЕ

Алгоритм геокодирования адресов предприятий на основе сервиса от Google - Geocoding API.

Алгоритм определения географических концентраций предприятий сферы «Информационные технологии и электроника».



Описательная статистика используемых в работе переменных

Переменная	Описание	Mean	sd	min	max
Зависимые переменные
lnincom_17	Логарифм доходов предприятия, исчисленных на одного работника в 2017 году	14.603	1.698	6.908	20.060
lnincom_18	Логарифм доходов предприятия, исчисленных на одного работника в 2018 году	14.600	1.680	5.521	21.481
lnrev_17	Логарифм выручки предприятия, исчисленных на одного работника в 2017 году	14.651	1.529	7.601	19.908
lnrev_18	Логарифм выручки предприятия, исчисленных на одного работника в 2018 году	14.612	1.555	5.298	20.434
lnprofit_17	Логарифм чистой прибыли предприятия, исчисленных на одного работника в 2017 году	11.762	2.063	3.110	18.496
lnprofit_18	Логарифм чистой прибыли предприятия, исчисленных на одного работника в 2018 году	11.771	2.117	3.474	19.72665
lnwage_17	Логарифм средней заработной платы работника в 2017 году	10.865	1.355	.693	15.599
lnwage_18	Логарифм средней заработной платы работника в 2018 году	10.956	1.422	-2.080	16.083
Объясняющие переменные
lncount_1_all	Логарифм количества предприятий на расстоянии 1 км от рассматриваемого предприятия во всех отраслях	1.252	.971	0	3.526
lncount_2_all	Логарифм количества предприятий на расстоянии 2 км от рассматриваемого предприятия во всех отраслях	2.005	1.197	0	4.111
lncount_3_all	Логарифм количества предприятий на расстоянии 3 км от рассматриваемого предприятия во всех отраслях	2.522	1.345	0	4.644
lncount_4_all	Логарифм количества предприятий на расстоянии 4 км от рассматриваемого предприятия во всех отраслях	2.909	1.452	0	5.106
lncount_5_all	Логарифм количества предприятий на расстоянии 5 км от рассматриваемого предприятия во всех отраслях	3.205	1.535	0	5.501
lnempl_1_all	Логарифм количества работников на расстоянии 1 км от рассматриваемого предприятия во всех отраслях	3.715	2.191	0	9.416
lnempl_2_all	Логарифм количества работников на расстоянии 2 км от рассматриваемого предприятия во всех отраслях	4.678	2.207	0	9.422
lnempl_3_all	Логарифм количества работников на расстоянии 3 км от рассматриваемого предприятия во всех отраслях	5.324	2.291	0	9.490
lnempl_4_all	Логарифм количества работников на расстоянии 4 км от рассматриваемого предприятия во всех отраслях	5.814	2.303	0	9.610
lnempl_5_all	Логарифм количества работников на расстоянии 5 км от рассматриваемого предприятия во всех отраслях	6.212	2.291	0	9.710
Фиктивные переменные
label	Фиктивная переменная для девяти кластеров			0	9
district	Фиктивная переменная для восьми федеральных округов			0	8
OKVED	Фиктивная переменная трех отраслей ОКВЭД			261	263

Результаты тестирования первой спецификации без фиктивных переменных федеральных округов.

lnincome_17 lnincome_18 lnrev_17 lnrev_18 lnprofit_17 lnprofit_18 lnwage_17 lnwage_18

b/t b/t b/t b/t b/t b/t b/t b/t

_Ilabel_1 0.552*** 0.617*** 0.613*** 0.662*** 0.714*** 0.752*** 0.680*** 0.659***

(5.68) (6.40) (6.60) (6.93) (5.18) (5.19) (8.59) (8.12)

_Ilabel_2 0.400** 0.373** 0.342** 0.373** 0.280 0.498** 0.503*** 0.419***

(3.28) (3.08) (2.99) (3.14) (1.65) (2.74) (5.15) (4.18)

_Ilabel_3 0.526* 0.324 0.505** 0.356 0.717* 0.523 0.389* 0.446*

(2.48) (1.54) (2.61) (1.77) (2.55) (1.65) (2.31) (2.53)

_Ilabel_4 -0.520 -0.202 -0.396 -0.244 -0.256 0.355 0.102 -0.073

(-1.75) (-0.64) (-1.39) (-0.76) (-0.60) (0.70) (0.42) (-0.28)

_Ilabel_5 -0.142 -0.073 0.080 0.280 -0.468 0.096 0.162 -0.040

(-0.42) (-0.22) (0.25) (0.88) (-0.95) (0.19) (0.61) (-0.15)

_Ilabel_6 -0.130 0.053 0.138 0.085 -1.124* -1.033* 0.323 0.175

(-0.33) (0.15) (0.38) (0.26) (-2.03) (-1.99) (0.99) (0.58)

_Ilabel_7 -0.074 0.303 -0.266 -0.121 0.701 0.008 0.015 -0.150

(-0.18) (0.76) (-0.74) (-0.31) (1.35) (0.02) (0.05) (-0.45)

_Ilabel_8 0.896 0.852 0.640 0.783 0.293 -0.257 1.059* 0.614

(1.59) (1.68) (1.34) (1.69) (0.35) (-0.32) (2.50) (1.45)

_Ilabel_9 0.568 0.760 0.444 0.431 0.384 0.267 0.652 0.128

(1.29) (1.80) (1.13) (1.14) (0.64) (0.49) (1.93) (0.35)

_IOKVED_262 0.173 0.212* 0.341*** 0.372*** 0.330* 0.353* -0.184* -0.185*

(1.74) (2.16) (3.57) (3.82) (2.33) (2.38) (-2.27) (-2.22)

_IOKVED_263 0.255* 0.154 0.231* 0.155 0.197 0.202 0.044 0.086

(2.50) (1.54) (2.41) (1.57) (1.38) (1.33) (0.54) (1.03)

_cons 14.154*** 14.138*** 14.149*** 14.097*** 11.237*** 11.193*** 10.519*** 10.636***

(148.97) (151.88) (160.83) (156.49) (86.13) (80.98) (137.56) (135.84)

*p<0.05, **p<0.01, ***p<0.001

Влияние количества работников в предприятиях на заданном расстоянии на доходы в 2017 и 2018 годах без учета предприятий вошедших в 1-й и 2-й кластеры.

d_1_17 d_2_17 d_3_17 d_4_17 d_5_17 d_1_18 d_2_18 d_3_18 d_4_18 d_5_18 b/t b/t b/t b/t b/t b/t b/t b/t b/t b/t

lnempl_1_all -0.012 -0.023 (-0.34) (-0.73)

_IOKVED_262 0.266 0.143 0.044 0.026 0.040 0.015 -0.035 -0.111 -0.094 -0.069

(1.25) (0.78) (0.25) (0.15) (0.25) (0.08) (-0.20) (-0.68) (-0.59) (-0.44)

_IOKVED_263 0.107 0.037 -0.035 -0.003 0.008 0.155 0.003 -0.086 -0.056 -0.008

(0.53) (0.21) (-0.21) (-0.02) (0.05) (0.84) (0.02) (-0.54) (-0.35) (-0.05)

lnempl_2_all -0.034 -0.034

(-1.09) (-1.15)

lnempl_3_all -0.030 -0.041

(-0.99) (-1.44)

lnempl_4_all -0.029 -0.013

(-0.98) (-0.44)

lnempl_5_all -0.026 -0.010

(-0.86) (-0.33)

_cons 14.309*** 14.441*** 14.492*** 14.477*** 14.468*** 14.421*** 14.545*** 14.644*** 14.482*** 14.444***

(75.31) (76.76) (76.42) (76.48) (75.21) (84.64) (83.43) (83.64) (81.72) (78.70)

*p<0.05, **p<0.01, ***p<0.001

Влияние количества предприятий на заданном расстоянии на доходы в 2017 и 2018 годах без учета предприятий вошедших в 1-й и 2-й кластеры.

d_1_17 d_2_17 d_3_17 d_4_17 d_5_17 d_1_18 d_2_18 d_3_18 d_4_18 d_5_18

b/t b/t b/t b/t b/t b/t b/t b/t b/t b/t

lncount_1_~l 0.018 0.097 (0.26) (1.43)

_IOKVED_262 0.070 0.064 0.070 0.068 0.068 0.024 0.019 0.009 0.005 -0.002

(0.47) (0.43) (0.48) (0.47) (0.46) (0.17) (0.13) (0.06) (0.03) (-0.02)

_IOKVED_263 -0.001 -0.007 -0.002 -0.004 -0.004 0.044 0.039 0.030 0.022 0.020

(-0.01) (-0.05) (-0.01) (-0.03) (-0.02) (0.31) (0.28) (0.22) (0.16) (0.14)

lncount_2_~l -0.003 0.108 (-0.04) (1.84)

lncount_3_~l 0.033 0.127* (0.59) (2.35)

lncount_4_~l 0.030 0.124* (0.57) (2.42)

lncount_5_~l 0.048 0.132** (0.92) (2.65)

_cons 14.298*** 14.320*** 14.259*** 14.257*** 14.214*** 14.219*** 14.166*** 14.105*** 14.079*** 14.040***

(116.63) (107.21) (101.84) (98.02) (94.56) (122.13) (113.01) (107.68) (103.22) (99.58)

*p<0.05, **p<0.01, ***p<0.001

Влияние количества работников в предприятиях на заданном расстоянии на выручку в 2017 и 2018 годах без учета предприятий вошедших в 1-й и 2-й кластеры.

d_1_17 d_2_17 d_3_17 d_4_17 d_5_17 d_1_18 d_2_18 d_3_18 d_4_18 d_5_18

b/t b/t b/t b/t b/t b/t b/t b/t b/t b/t

lnempl_1_all -0.000 -0.004 (-0.00) (-0.12)

_IOKVED_262 0.280 0.264 0.182 0.153 0.157 0.108 0.135 0.041 0.027 0.056

(1.46) (1.57) (1.15) (1.00) (1.06) (0.57) (0.80) (0.26) (0.18) (0.37)

_IOKVED_263 0.167 0.111 0.042 0.048 0.061 0.267 0.089 -0.020 -0.023 0.029

(0.94) (0.70) (0.28) (0.33) (0.43) (1.50) (0.56) (-0.13) (-0.15) (0.20)

lnempl_2_all -0.003 -0.008 (-0.09) (-0.27)

lnempl_3_all -0.003 -0.019 (-0.12) (-0.68)

lnempl_4_all 0.003 -0.006 (0.10) (-0.23)

lnempl_5_all 0.010 0.011 (0.37) (0.41)

_cons 14.332*** 14.335*** 14.373*** 14.336*** 14.300*** 14.260*** 14.364*** 14.479*** 14.422*** 14.306***

(84.98) (85.61) (85.98) (85.46) (83.69) (84.39) (85.53) (86.54) (84.90) (81.62) *p<0.05, **p<0.01, ***p<0.001

Влияние количества предприятий на заданном расстоянии на выручку в 2017 и 2018 годах без учета предприятий вошедших в 1-й и 2-й кластеры.

d_1_17 d_2_17 d_3_17 d_4_17 d_5_17 d_1_18 d_2_18 d_3_18 d_4_18 d_5_18 b/t b/t b/t b/t b/t b/t b/t b/t b/t b/t

lncount_1_~l 0.099 0.090 (1.55) (1.35)

_IOKVED_262 0.138 0.134 0.127 0.119 0.114 0.120 0.118 0.100 0.091 0.083

(1.01) (0.99) (0.94) (0.89) (0.85) (0.84) (0.84) (0.72) (0.65) (0.59)

_IOKVED_263 0.022 0.015 0.004 -0.003 -0.005 0.053 0.045 0.029 0.019 0.016

(0.17) (0.11) (0.03) (-0.02) (-0.04) (0.38) (0.33) (0.21) (0.14) (0.12)

lncount_2_~l 0.096 0.135* (1.73) (2.35)

lncount_3_~l 0.105* 0.143** (2.03) (2.68)

lncount_4_~l 0.094 0.152** (1.90) (3.02)

lncount_5_~l 0.104* 0.169*** (2.17) (3.46)

_cons 14.257*** 14.218*** 14.176*** 14.173*** 14.134*** 14.201*** 14.108*** 14.059*** 14.009*** 13.946***

(129.38) (118.48) (112.19) (107.93) (104.03) (125.18) (116.15) (110.49) (106.21) (102.17)

*p<0.05, **p<0.01, ***p<0.001

Влияние количества работников в предприятиях на заданном расстоянии на чистую прибыль в 2017 и 2018 годах без учета предприятий вошедших в 1-й и 2-й кластеры.

d_1_17 d_2_17 d_3_17 d_4_17 d_5_17 d_1_18 d_2_18 d_3_18 d_4_18 d_5_18

b/t b/t b/t b/t b/t b/t b/t b/t b/t b/t

lnempl_1_all 0.014 0.017 (0.29) (0.33)

_IOKVED_262 0.583 0.400 0.323 0.342 0.304 0.477 0.134 0.079 0.084 0.015

(1.91) (1.51) (1.28) (1.41) (1.30) (1.47) (0.48) (0.30) (0.34) (0.06)

_IOKVED_263 0.078 0.167 -0.000 0.019 0.015 0.110 0.016 -0.032 -0.028 -0.038

(0.28) (0.68) (-0.00) (0.08) (0.07) (0.37) (0.06) (-0.13) (-0.12) (-0.16)

lnempl_2_all -0.024 -0.008 (-0.54) (-0.17)

lnempl_3_all -0.005 0.008 (-0.12) (0.17)

lnempl_4_all 0.012 0.019 (0.28) (0.43)

lnempl_5_all -0.040 -0.020 (-0.93) (-0.44)

_cons 11.173*** 11.384*** 11.373*** 11.275*** 11.568*** 11.191*** 11.371*** 11.346*** 11.278*** 11.486***

(42.00) (43.56) (43.24) (43.10) (43.65) (39.31) (41.32) (41.46) (40.62) (40.44) *p<0.05, **p<0.01, ***p<0.001

Влияние количества предприятий на заданном расстоянии на чистую прибыль в 2017 и 2018 годах без учета предприятий вошедших в 1-й и 2-й кластеры.

d_1_17 d_2_17 d_3_17 d_4_17 d_5_17 d_1_18 d_2_18 d_3_18 d_4_18 d_5_18 b/t b/t b/t b/t b/t b/t b/t b/t b/t b/t

lncount_1_~l -0.065 0.009 (-0.63) (0.09)

_IOKVED_262 0.226 0.224 0.234 0.238 0.240 0.081 0.077 0.079 0.079 0.078

(1.03) (1.03) (1.07) (1.09) (1.10) (0.36) (0.34) (0.35) (0.35) (0.35)

_IOKVED_263 -0.030 -0.024 -0.015 -0.012 -0.014 0.030 0.029 0.029 0.030 0.028 (-0.14) (-0.12) (-0.07) (-0.06) (-0.07) (0.14) (0.13) (0.13) (0.14) (0.13)

lncount_2_~l -0.085 -0.018 (-0.95) (-0.19)

lncount_3_~l -0.058 0.006 (-0.70) (0.07)

lncount_4_~l -0.053 -0.005 (-0.67) (-0.06)

lncount_5_~l -0.033 0.005 (-0.42) (0.06)

_cons 11.455*** 11.509*** 11.489*** 11.493*** 11.462*** 11.365*** 11.396*** 11.363*** 11.382*** 11.363***

(65.40) (60.54) (57.39) (55.10) (52.80) (62.59) (58.37) (55.38) (53.30) (51.23) *p<0.05, **p<0.01, ***p<0.001

Влияние количества работников в предприятиях на заданном расстоянии на среднюю заработную плату в 2017 и 2018 годах без учета предприятий вошедших в 1-й и 2-й кластеры.

d_1_17 d_2_17 d_3_17 d_4_17 d_5_17 d_1_18 d_2_18 d_3_18 d_4_18 d_5_18 b/t b/t b/t b/t b/t b/t b/t b/t b/t b/t

lnempl_1_all 0.098*** 0.078** (3.57) (2.60)

_IOKVED_262 -0.174 -0.124 -0.085 -0.137 -0.184 -0.025 0.000 -0.105 -0.144 -0.152 (-1.02) (-0.84) (-0.61) (-1.00) (-1.36) (-0.13) (0.00) (-0.72) (-1.01) (-1.10) _IOKVED_263 -0.023 -0.031 0.002 0.026 0.011 0.098 0.065 0.020 0.041 0.047

(-0.14) (-0.22) (0.01) (0.20) (0.09) (0.56) (0.45) (0.14) (0.30) (0.35)

lnempl_2_all 0.086*** 0.058* (3.41) (2.26)

lnempl_3_all 0.078** 0.021 (3.20) (0.85)

lnempl_4_all 0.074** 0.036 (3.07) (1.43)

lnempl_5_all 0.049 0.027 (1.96) (1.04)

_cons 10.389*** 10.327*** 10.309*** 10.288*** 10.406*** 10.442*** 10.474*** 10.630*** 10.540*** 10.576***

(68.35) (69.66) (69.19) (68.56) (65.53) (63.17) (69.12) (68.60) (67.44) (65.10) *p<0.05, **p<0.01, ***p<0.001

Влияние количества предприятий на заданном расстоянии на среднюю заработную плату в 2017 и 2018 годах без учета предприятий вошедших в 1-й и 2-й кластеры.

d_1_17 d_2_17 d_3_17 d_4_17 d_5_17 d_1_18 d_2_18 d_3_18 d_4_18 d_5_18 b/t b/t b/t b/t b/t b/t b/t b/t b/t b/t

lncount_1_~l 0.196*** 0.160** (3.40) (2.78)

_IOKVED_262 -0.196 -0.222 -0.240 -0.247* -0.252* -0.175 -0.194 -0.210 -0.215 -0.219 (-1.58) (-1.80) (-1.95) (-2.01) (-2.05) (-1.40) (-1.55) (-1.69) (-1.73) (-1.76)

_IOKVED_263 0.054 0.024 0.004 -0.003 -0.005 0.052 0.034 0.020 0.014 0.013

(0.44) (0.20) (0.03) (-0.03) (-0.04) (0.43) (0.28) (0.17) (0.12) (0.11)

...