Оценка эффективности и сбалансированности региональных инновационных систем на основе анализа развития инновационного процесса

Введение

Современный этап развития мировой экономики характеризуется усилением геополитической напряженности, замедлением глобальных темпов роста и структурной перестройкой международных цепочек создания стоимости. Потенциал традиционных драйверов – глобализации, открытия новых рынков развивающихся стран, цифровизации – постепенно исчерпывается. В этих условиях перед Россией стоит стратегическая задача перехода от догоняющей и сырьевой модели к самодостаточной инновационной экономике, способной обеспечить технологический суверенитет.

Несмотря на предпринимаемые усилия, включая законодательные инициативы и программы финансирования инновационной инфраструктуры, кардинального улучшения ситуации не происходит. Финансирование науки и инновационной сферы продолжает отставать от стандартов развитых стран, а позиции России в глобальном инновационном индексе за последние годы снизились. Ключевая проблема заключается в том, что внутренняя институциональная среда не обеспечивает эффективного прохождения инновационного цикла. Существуют устойчивые разрывы между этапами генерации знаний, их правовой охраны, внедрения в производство и рыночной диффузии. Инвестиции в инновационную инфраструктуру зачастую не дают желаемого эффекта, а разрыв между регионами по уровню инновационного развития продолжает увеличиваться.

Для понимания глубинных причин этой ситуации необходим анализ на региональном уровне. Именно из совокупности региональных инновационных систем складывается общенациональная, эффективная инновационная экономика. Требуется инструмент, позволяющий не просто фиксировать статику рейтингов, а диагностировать внутреннюю сбалансированность инновационного цикла в каждом регионе.

Цель исследования заключается в проведении кластеризации регионов по уровню и устойчивости их инновационного развития, применении авторской методики оценки сбалансированности инновационного цикла по выделенным кластерам и предложении дифференцированных мер региональной инновационной политики.

1. Теоретический контекст и методологические предшественники

1.1. Эволюция моделей инновационного развития

Эволюция представлений об инновационном развитии прошла путь от линейных моделей середины XX века к системным и, далее, к экосистемным концепциям [33, 34]. Линейная модель предполагала последовательное движение от фундаментальных исследований к прикладным разработкам и рыночной диффузии. Системный поворот 1990-х годов породил концепции национальных и региональных инновационных систем (РИС), модели «тройной спирали», акцентировавшие внимание на взаимодействии институтов – государства, науки и бизнеса [37, 38, 40]. Современный этап характеризуется экосистемным подходом, рассматривающим инновации как результат сетевого взаимодействия гетерогенных акторов, совместно создающих ценность в условиях кооперации и конкуренции [39]. Однако, как констатирует C.А. Туменова [31], доминирующие сегодня методики оценки (рейтинги, показатели обеспеченности инфраструктурой) ориентированы на измерение статичных параметров и не позволяют диагностировать, насколько система приближается к экосистемному, самовоспроизводящемуся типу функционирования.

1.2. Проблемы оценки РИС и управления технологическим развитием

Критический анализ современной литературы позволяет выделить ряд устойчивых ограничений существующих подходов. Многие исследователи фиксируют методологическую разобщенность в системе управления научно-технологическим развитием. Ведомственные индикаторы зачастую несопоставимы, а публичные рейтинги регионов, при всей их информативности, имеют имманентные ограничения для выработки точных управленческих решений [10, 13]. Н.А. Кулагина и В.В. Гарипова [16] вообще диагностируют «нормативную чехарду»: различные стратегические документы оперируют несопоставимым числом индикаторов, что создает хаос ориентиров для региональных властей.

Преобладают статические подходы, фиксирующие уровень ресурсной обеспеченности или результативность в конкретный момент времени. Кластерный анализ и построение интегральных рейтингов [9, 15, 19] позволяют ранжировать регионы, но оставляют открытым вопрос о внутренней динамике и сбалансированности инновационного процесса. Пороговые методики [23] констатируют факт достижения среднего уровня, но не оценивают пропорциональность развития разных этапов. Методы оценки бюджетных расходов [36] ориентированы на соотношение «затраты – результат» и не учитывают необходимость соблюдения пропорций в темпах роста на разных стадиях цикла.

Эмпирические исследования фиксируют устойчивые институциональные разрывы. Н.А. Кравченко с соавторами [14] на материалах Сибирского федерального округа показали наличие разрыва между малым наукоемким бизнесом (генерация знаний) и крупными корпорациями (масштабирование). И.А. Бозиева [3] вводит понятие «инновационного разрыва» – хронического несоответствия между ростом абсолютных макроэкономических показателей и деградацией качественных характеристик инновационной деятельности. М.В. Курникова и А.В. Нижегородов [17] на примере Самарской области демонстрируют структурный парадокс: высокая инновационная активность сочетается с доминированием сырьевых и традиционных производств, «отнимающих» инвестиции у высокотехнологичных секторов.

1.3. Принцип соподчиненности темпов роста как методологическая основа

Методологическим фундаментом авторского подхода выступает принцип соподчиненности темпов роста, восходящий к классической политической экономии. В современной экономической литературе данный принцип получил развитие в работах И.Р. Гафурова [5], который эмпирически обосновал эталонную иерархию темпов роста для стратегического программирования развития промышленных территорий. В.Г. Варнавский [4] применяет аналогичную логику при анализе структурных сдвигов в мировой экономике, показывая, что исчерпание драйверов роста диагностируется через нарушение пропорций между темпами роста затрат на НИОКР и темпами роста выпуска продукции. Применительно к инновационному циклу данный принцип означает, что для обеспечения расширенного воспроизводства инноваций темпы роста на начальных стадиях (генерация знаний) должны систематически опережать темпы роста на завершающих стадиях (диффузия). Игнорирование этого принципа ведет к «проеданию» интеллектуального задела и закреплению догоняющей модели развития.

Работы Д.А. Авдеевой и Д.А. Веселова [1] добавляют к этому институциональное измерение: они доказывают, что высокий уровень человеческого капитала конвертируется в экономический рост только при наличии сильных институтов. В.Ю.Татузов [30] и Ц.И.Линь с соавторами [18] в своих исследованиях подчеркивают приоритет стратегии, соответствующей внутренним сравнительным преимуществам, над простым копированием формальных институтов. Другими словами, вполне возможно и необходимо в разработке стратегий инновационного развития регионов и формировании благоприятных институциональная условий рекомендовать и контролировать определенные количественное пропорции развития инновационных процессов в экосистеме региона.

2. Методология исследования

2.1. Авторская система показателей и нормативная модель

В основе подхода лежит представление инновационного процесса как последовательности четырёх этапов, которые для учёта его многомерности могут быть представлены в матричной форме. На рисунке 1 показан переход от линейного представления инновационного процесса к матричному, где ось X отражает движение от научной идеи к рыночному продукту, а ось Y — масштабирование от микроуровня (проект, стартап) до макроуровня (массовое производство, диффузия).

Рисунок 1 – Переход от линейного представления инновационного процесса к матричному

Источник: составлено автором

Четырём этапам соответствуют четыре ключевых показателя, рассчитанных как относительные величины для обеспечения сопоставимости регионов разного масштаба:

П₁ – доля затрат на НИОКР в валовом региональном продукте, %;

П₂ – количество патентов на изобретения и полезные модели в расчете на тысячу человек населения, шт.;

П₃ – доля затрат организаций на инновационную деятельность в общем объеме отгруженной продукции, %;

П₄ – доля инновационных товаров, работ, услуг в общем объеме отгруженной продукции, %.

Нормативная модель, отражающая логику расширенного воспроизводства инноваций, задает следующую иерархию темпов роста (ТР) этих показателей (1):

(1)

Содержательная интерпретация норматива: для самодостаточного развития необходимо, чтобы темпы наращивания исследовательского задела опережали темпы оформления прав на него, те — темпы инвестиций в производство, а последние — темпы роста выпуска инновационной продукции.

2.2. Кластеризация регионов: исходные данные и процедура

Эмпирическая база исследования охватывает 85 субъектов Российской Федерации. Период наблюдения для кластеризации – 2021–2024 гг. Период для расчета темпов роста авторских показателей (П₁-П₄) – 2014–2024 гг. Выбор нижней границы обосновывается тем, что, как фиксируют исследователи, за этот период базовые институциональные проблемы российской инновационной системы не только не были решены, но и в значительной степени усугубились [11, 35].

Для многомерной оценки позиционирования регионов сформирован пул из шести показателей (Таблица 1), Первые пять показателей будут использованы для кластеризации регионов. Шестой показатель нужен для исследования влияния региональной инновационной экосистемы на уровень эконмического благосостояния населения. Итак, рассмотренные показатели:

Р1 – Рейтинг регионального индекса развития инноваций (I-Index) (место).

Р2 – Рейтинг SMART (научное лидерство, медиактивность, антикризисная поддержка, устойчивость развития, технологическая политика) (место).

Р3 – Национальный рейтинг научно-технологического развития (НТР) Министерства науки и высшего образования Российской Федерации (балл).

Р4 – Рейтинг востребованности специалистов для высокотехнологичных компаний (STEM-специалистов), %.

Р5 – Интегральный рейтинг качества жизни от РИА Новости (балл).

ВРП/дн – Валовой региональный продукт на душу населения (тыс. руб.).

Таблица 1 – Исходные значения рейтинговых и результирующих показателей (фрагмент)

Все показатели приведены к единому масштабу [0, 1] с помощью процедуры минимаксного нормирования (Таблица 2). Для рейтингов, где меньшее значение означает лучшее место (Р1, Р2), применялось обратное нормирование (2). Для показателей, где большее значение является лучшим (Р3, Р4, Р5, ВРП/дн), использовалась прямая нормировка (3):

(2)

(3)

Таблица 2 – Нормированные значения показателей (фрагмент)

Для каждого региона i рассчитаны два параметра, формирующих пространство для кластеризации. Интегральный индекс (μᵢ) – среднее арифметическое пяти нормированных показателей (Р1-Р5), отражающее общий уровень позиционирования региона (4). Волатильность (σᵢ) – среднеквадратическое отклонение этих шести показателей от их среднего значения μᵢ, характеризующее степень сбалансированности (разброса) позиций региона по разным рейтингам (5).

Границы для кластеризации заданы на основе расчёта средней величины интегрального индекса и средней волатильности по всем регионам. Методом квадрантного анализа, исходя из положения региона относительно ( ), выделены четыре кластера (Рисунок 2).

Рисунок 2 – Схема квадрантного анализа для кластеризации регионов

Источник: составлен автором

Анализ корреляционной матрицы (Таблица 3) показывает высокую положительную связь между всеми инновационными рейтингами (Р1–Р5), что подтверждает правомерность их совместного использования для интегральной оценки. В то же время связь этих рейтингов с ВРП на душу населения крайне слаба, а в некоторых случаях даже отрицательна, что указывает на наличие системного разрыва между инновационной активностью и уровнем экономического благосостояния.

Таблица 3 – Матрица коэффициентов корреляции Пирсона между нормированными показателями и темпами роста

Корреляция рейтингов с темпами роста авторских показателей (П₁-П₄) также дает основание для конструктивных выводов. Положительная корреляция с рейтингами наблюдается у показателей (П₁-П₂), отвечающих за первые два этапа инновационного процесса, развивающихся преимущественно на микроуровне. Отрицательная корреляция с рейтингами наблюдается у показателей (П₃-П₄), отвечающих за последние два этапа инновационного процесса, развивающихся уже преимущественно на макроуровне. Это говорит о наличии определенных проблем в целостном функционировании инновационных процессов в региональных инновационных экосистемах. При этом подтверждается необходимость перехода от статической оценки к динамическому анализу сбалансированности инновационного цикла.

2.3. Оценка сбалансированности инновационного цикла

Для каждого региона за период 2014–2024 гг. рассчитаны темпы роста четырех авторских показателей (ТР(П₁), ТР(П₂), ТР(П₃), ТР(П₄)) как отношение значения показателя в 2024 г. к его значению в 2014 г.

Таблица 4 – Темпы роста авторских показателей за 2014–2024 гг. (фрагмент)

Затем для каждого из четырех кластеров вычислены средние арифметические темпы роста по каждому из четырех показателей. Фактические средние темпы роста по кластеру ранжируются от наибольшего значения (ранг 1) до наименьшего (ранг 4). При оценке применяется правило прерывания тенденции: как только тенденция соподчинения (убывания или возрастания рангов) нарушается, дальнейшая оценка начинается заново для оставшихся этапов. Это позволяет адекватно учесть смену логики развития внутри инновационного цикла.

Количественным критерием соответствия нормативной модели выступает сумма квадратов разностей между нормативными (1, 2, 3, 4) и фактическими рангами (6):

Эталонное значение S=0 соответствует полному совпадению фактической иерархии темпов роста с нормативной моделью.

3. Основные результаты

3.1. Состав кластеров

В результате проведенных расчетов получены и . Кластеризация регионов по методу четырех квадрантов позволила получить следующие данные (Рисунок 3):

Рисунок 3 – Диаграмма рассеяния регионов в координатах (σ, μ)

Источник: составлено автором

Кластер 1 (27 регионов): Алтайский край, Амурская область, Архангельская область, Астраханская область, Брянская область, Еврейская АО, Забайкальский край, Кабардино-Балкарская Республика, Камчатский край, Карачаево-Черкесская Республика, Кемеровская область, Костромская область, Курская область, Мурманская область, Оренбургская область, Псковская область, Республика Алтай, Республика Дагестан, Республика Ингушетия, Республика Калмыкия, Республика Карелия, Республика Коми, Республика Саха (Якутия), Республика Северная Осетия — Алания, Республика Тыва, Республика Хакасия, Смоленская область.

Кластер 2 (17 регионов): Вологодская область, Курганская область, Ленинградская область, Магаданская область, Ненецкий АО, Орловская область, Республика Адыгея, Республика Бурятия, Республика Крым, Сахалинская область, Ставропольский край, Тверская область, Ханты-Мансийский АО — Югра, Чеченская Республика, Чукотский АО, Ямало-Ненецкий АО, Ярославская область.

Кластер 3 (17 регионов): Владимирская область, Воронежская область, г. Москва, г. Санкт-Петербург, Ивановская область, Калининградская область, Кировская область, Краснодарский край, Липецкая область, Новосибирская область, Омская область, Приморский край, Республика Марий Эл, Рязанская область, Свердловская область, Тюменская область (без АО), Челябинская область.

Кластер 4 (24 региона): Белгородская область, Волгоградская область, г. Севастополь, Иркутская область, Калужская область, Красноярский край, Московская область, Нижегородская область, Новгородская область, Пензенская область, Пермский край, Республика Башкортостан, Республика Мордовия, Республика Татарстан, Ростовская область, Самарская область, Саратовская область, Тамбовская область, Томская область, Тульская область, Удмуртская Республика, Ульяновская область, Хабаровский край, Чувашская Республика.

3.2. Диагностика сбалансированности инновационного цикла

Расчет средних темпов роста по кластерам (Таблица 5) выявил четыре принципиально различные конфигурации инновационного цикла.

Таблица 5 – Средние темпы роста, фактические ранги и отклонение от нормативной модели по кластерам

Источник: составлено автором

Представленные в Таблице 5 результаты позволяют сделать первый важный вывод: ни один из выделенных кластеров не демонстрирует полного соответствия нормативной модели (S=0), однако конфигурация дисбалансов принципиально различается. Это эмпирически подтверждает тезис И.А. Бозиевой [3] о том, что в российской экономике сформировался устойчивый «инновационный разрыв», проявляющийся не в отсутствии инноваций как таковых, а в нарушении пропорций их воспроизводства.

Для 44 регионов (кластеры 1 и 2) характерна модель, которую можно обозначить как экстенсивно-зависимую. В ней финальные стадии цикла (производство) растут быстрее начальных (генерация знаний), что, согласно логике В.Г. Варнавского [4], свидетельствует об исчерпании собственного технологического потенциала и «проедании» задела прошлых лет. Особенно показательна ситуация в кластере 2, где после трех этапов нарастающих темпов (пусть и с обратной логикой) происходит резкий «обрыв» на стадии коммерциализации. Это напрямую корреспондирует с выводами Н.А. Кравченко с соавторами [14] о наличии институционального разрыва между сектором генерации знаний (малый наукоемкий бизнес) и их масштабированием (крупные корпорации). Регионы тратят деньги на НИОКР (П₁), умеют создавать патенты П₂), могут привлекать финансовые ресурсы под новые производства (П₃) но не могут превратить инновации в конкурентоспособный рыночный продукт (П₄).

Напротив, 41 регион (кластеры 3 и 4) обладает собственным исследовательским заделом (ТР₁ > ТР₂). Однако и здесь наблюдается дисбаланс: спрос на инновации на поздних стадиях (П₃, П₄) существенно опережает возможности местной генерации. Это соответствует модели «разорванного цикла», описанной в работах А.В. Иванова с соавторами [12] применительно к коммерциализации университетских разработок. Важно, что кластер 4, имея такой же набор рангов, как и кластер 3, демонстрирует существенно меньший разрыв в абсолютных значениях темпов роста, что позволяет интерпретировать его как переходную модель к самодостаточному развитию.

3.3. Интерпретация полученных кластеров с точки зрения институционального подхода

Выявленные конфигурации темпов роста могут быть интерпретированы сквозь призму институционального подхода к инновационному развитию регионов. Работа Д.А. Авдеевой и Д.А. Веселова [1], выполненная на панельных данных по 134 странам, доказывает, что высокий уровень человеческого капитала конвертируется в экономический рост только при наличии сильных институтов. Проецируя этот вывод на региональный уровень, мы получаем ключ к пониманию природы наших кластеров. Кластер 1 («зависимая модель») демонстрирует устойчивый рост на всех этапах, но этот рост обеспечивается преимущественно за счет экзогенных источников — импорта технологий и внешнего финансирования. Это точная региональная проекция феномена, описанного Д.А. Авдеевой и Д.А. Веселовым: высокая результативность при слабой институциональной самодостаточности. Отсутствие собственной базы генерации знаний делает эти регионы уязвимыми, что соответствует модели «ловушки догоняющего развития», критикуемой В.Ю. Татузовым [30]. Кластер 2 представляет собой классический случай «институционального фильтра», где формальные права на интеллектуальную собственность (патенты) существуют, но институты рынка не обеспечивают их диффузию. Кластеры 3 и 4, напротив, демонстрируют наличие институтов, поддерживающих генерацию знаний, но их недостаточно для полного замыкания цикла. Логика Ц.И.Линь с соавторами [18] подсказывает, что именно здесь стратегия развития должна быть направлена на достройку недостающих институциональных звеньев, а не на их импорт или копирование.

3.4. Рекомендации по дифференциации региональной инновационной политики

Выявленная типология позволяет сформулировать адресные меры политики, учитывающие локализацию проблем в инновационном цикле.

Для регионов 1-го кластера (зависимая модель) приоритетом является формирование собственной базы генерации знаний. Меры должны включать: создание центров компетенций и исследовательских лабораторий на базе ведущих университетов; программы привлечения исследователей; софинансирование корпоративных НИОКР при условии оформления прав на результаты инновационной деятельности; развитие системы грантов для молодых учёных.

Для регионов 2-го кластера (кризис коммерциализации) критически важным является преодоление разрыва между патентованием и рынком. Необходимы: развитие центров трансфера технологий и инжиниринговых центров; поддержка спроса на инновационную продукцию (квотирование в госзакупках, офсетные контракты); программы развития технологического предпринимательства; формирование региональных венчурных фондов.

Для регионов 3-го кластера (избыточный спрос на инновации) требуется усиление исследовательского сектора, не поспевающего за высоким спросом производства. Целесообразны: увеличение бюджетного финансирования фундаментальной науки; налоговые преференции для компаний, инвестирующих в долгосрочные НИОКР; развитие программ аспирантуры в кооперации с промышленностью; поддержка научно-образовательных центров.

Для регионов 4-го кластера (переходная модель) целесообразна достройка институтов развития для минимизации оставшегося дисбаланса. Необходимы: стимулирование частных инвестиций в инновации на ранних стадиях; масштабирование успешных практик и их тиражирование; поддержка выхода инновационных компаний на внешние рынки; развитие «живых лабораторий» и экспериментальных правовых режимов.

4. Дискуссия

Отметим, наиболее дискуссионные моменты, связанные с представленным исследованием:

- Технологический суверенитет и структурные диспропорции. Полученные результаты напрямую связаны с дискуссией о технологическом суверенитете. Исследование М.В. Курниковой и А.В. Нижегородова [17] на примере Самарской области (входящей в наш 4-й кластер) вскрывает структурный парадокс: высокая инновационная активность сочетается с доминированием сырьевых и традиционных производств, которые «отнимают» инвестиции у высокотехнологичных секторов. Этот парадокс объясняет, почему даже в самом сбалансированном кластере сохраняется дисбаланс темпов роста: сырьевые гиганты, аккумулируя основную массу инвестиций, не проходят собственную технологическую модернизацию, а инновационный сектор, будучи оторван от них, не получает достаточного масштабирования. Работа В.В. Глазуновой [6] добавляет к этому микроэкономический ракурс. Анализируя устойчивость крупных высокотехнологичных компаний, она показывает, что в условиях дорогих заемных средств превышение темпов роста затрат на производство над темпами роста патентной активности (ситуация, характерная практически для всех кластеров) ведет к потере финансовой устойчивости. Е.В. Маслюкова и В.В. Вольчик [20], используя эконометрическое моделирование, подтверждают, что общий экономический рост (ВРП) не гарантирует инновационного развития без специальных институтов поддержки предпринимательства и человеческого капитала.

- Отрицательная корреляция с ВРП как системный диагноз. Выявленная слабая и даже отрицательная корреляция инновационных рейтингов с ВРП на душу населения находит объяснение в работе Е.И. Алёхиной [2]. Она показала, что в регионах с низким уровнем социально-экономического развития успешная генерация патентов и проведение НИОКР не конвертируются в рост благосостояния. Это свидетельствует о системном институциональном разрыве между созданием инновационной стоимости и механизмами ее распределения.

- Сопоставление с альтернативными подходами и валидация. Предложенная кластеризация находит эмпирическое подтверждение в работах других исследователей. Совпадение лидеров (г. Москва, г. Санкт-Петербург, Республика Татарстан, Томская область) с выводами А.Г. Кулагиной и др. [15], Е.Н. Елисеевой и А.А. Кузьминой [9] свидетельствует о конвергентной валидности подхода. Вологодская область, которую Д.С. Гончарук и Е.Н. Яковлева [7] по матрице БКГ квалифицируют как проблемную, в нашей модели попадает во 2-й кластер, что локализует проблему на стадии коммерциализации. Исследования Н.Е. Егоровой [8] по малому бизнесу и Т.И. Турко с соавторами [32] по учету малых инновационных предприятий подтверждают наличие институциональных лакун (отсутствие законодательных практик для оперативного решения различных проблем инноваторов) на ранних стадиях цикла. Работа Ю.Г. Мысляковой и др. [21] о пространственном влиянии инновационной политики показывает значимость внутрирегиональных факторов, что согласуется с нашей логикой диагностики именно внутренней сбалансированности региональной инновационной экосистемы.

- Ограничения исследования. Предложенная методика не претендует на всеобъемлемость. Четыре показателя — это «маяки», задающие направление для более глубокого анализа. Как справедливо отмечает О.И. Пантелеева [24], на региональном уровне сбор исчерпывающих данных часто невозможен, поэтому сознательное ограничение четырьмя ключевыми индикаторами, вытекающими из логики инновационного процесса, является методологически оправданным первым шагом. Дальнейшие исследования могут быть направлены на включение в модель прямых оценок качества институциональной среды.

Таким образом, мы видим, что большинство предположений и выводов автора совпадает с аналогичными научными исследованиями, но и остаются направления для дальнейших, более глубоких научных исследований.

Заключение

Проведенное исследование предлагает методику оценки сбалансированности региональных инновационных систем, основанную на анализе соподчиненности темпов роста четырех ключевых относительных показателей, соответствующих логике развития инновационного процесса. Эмпирическая верификация на данных 85 регионов РФ за 2014–2024 гг. позволила выделить четыре типа РИС, различающихся конфигурацией темпов роста и степенью соответствия нормативной модели.

Установлено, что регионы 1-го кластера (27 субъектов) функционируют в модели «зависимого развития», ориентированной на поздние стадии цикла. Регионы 2-го кластера (17 субъектов) демонстрируют наличие критических барьеров на стадии коммерциализации. Регионы 3-го и 4-го кластеров (в совокупности 41 субъект) обладают собственным научным заделом и в разной степени приближаются к сбалансированной модели, причем 4-й кластер характеризуется наиболее гармоничным сочетанием темпов роста на всех этапах.

Предложенная методика не отвергает, а содержательно развивает существующие подходы, позволяя перейти от констатации уровня инновационного потенциала к диагностике качества инновационного цикла и локализации «узких мест». Она может служить инструментом мониторинга эффективности региональной инновационной политики и основой для дифференциации мер государственной поддержки, направленных на достижение технологического суверенитета.

Благодарности

Работа выполнена за счет гранта, предоставленного Академией наук Республики Татарстан образовательным организациям высшего образования, научным и иным организациям на поддержку планов развития кадрового потенциала в части стимулирования их научных и научно-педагогических работников к защите докторских диссертаций и выполнению научно-исследовательских работ (Соглашение от 22.12.2025 № 12/2025-ПД-КФУ).