Кластерный анализ грантовой поддержки малого и среднего предпринимательства по видам экономической деятельности в Дальневосточном федеральном округе

Введение

В условиях пространственной дифференциации экономического развития анализ региональной структуры грантовой поддержки приобретает особую значимость. Для Дальневосточного федерального округа (ДФО), характеризующегося значительной территориальной, ресурсной и институциональной неоднородностью, данный вопрос является ключевым для оценки эффективности региональной политики.

Традиционные подходы к анализу грантовой поддержки, как правило, сосредоточены на абсолютных объёмах финансирования. Однако подобный подход не позволяет выявить внутреннюю конфигурацию распределения средств и различия в отраслевых приоритетах регионов. Между тем именно структура распределения поддержки отражает реальные направления развития региональных экономик и позволяет судить о степени их диверсификации.

Кластерный анализ широко применяется в исследованиях региональной дифференциации как метод многомерной классификации территорий по совокупности социально-экономических, демографических, инновационных, инфраструктурных и институциональных признаков. В отечественной литературе он используется как для построения типологий регионов по общему уровню развития, так и для анализа отдельных аспектов региональной динамики.

Ряд исследований посвящен кластеризации регионов по специализированным направлениям развития. Так, М.В. Цыбенов и Е.В. Баторов применяют кластерный анализ для «типологизации субъектов Российской Федерации по степени развития цифровой экономики, используя 14 индикаторов, объединенных в три подсистемы: «домашние хозяйства и население», «образование и культура», «бизнес-структуры»» [14]. С.И. Абрамян использует кластерный анализ для «типологизации регионов России по уровню человеческого потенциала; в качестве признаков выступают частные индексы, отражающие естественный прирост населения, ожидаемую продолжительность жизни, уровень образования, культурную активность, распространение алкоголизма и наркомании, а также криминогенную ситуацию» [1]. Л.В. Шамрай-Курбатова и М.В. Леденева классифицируют субъекты Российской Федерации «по уровню инновационной активности на основе системы показателей, включающей характеристики НИР, инновационной продукции, патентной активности, затрат на технологические инновации и доли организаций, осуществляющих инновации» [15].

Существенную группу составляют работы, в которых кластерный анализ используется для оценки общего социально-экономического развития регионов. Е.А. Крылова группирует субъекты Российской Федерации «по совокупности макроэкономических показателей, включая валовой региональный продукт на душу населения, безработицу, инвестиции, строительство, заработную плату и численность студентов» [7]. К.В. Кетова, Е.В. Касаткина и Д.Д. Вавилова применяют кластерный анализ для «типологизации субъектов Российской Федерации по уровню социально-экономического развития с учетом отраслевой структуры валового регионального продукта» [6]. О.В. Деркаченко использует кластерный анализ для «классификации регионов Приволжского федерального округа по отдельным социально-экономическим показателям, дополняя кластеризацию дискриминантным анализом для последующего отнесения новых объектов к выделенным группам» [2].

Отдельное место занимают работы, в которых кластеризация сочетается с другими методами многомерного анализа. Е.И. Пискун и В.В. Хохлов «реализуют факторно-кластерный подход к типологизации регионов по уровню экономического развития» [11]. Предварительное применение «эксплораторного факторного анализа позволяет сократить число признаков и перейти к интерпретации кластеров через сочетание скрытых факторов, определяющих отраслевую структуру валового регионального продукта» [11]. И.В. Орлова и Е.С. Филонова [13] используют «двухэтапную схему кластеризации регионов Центрального федерального округа по социально-экономическим и демографическим показателям: предварительную иерархическую классификацию и последующее разбиение методом k-средних» [10]. А.Ю. Миронкина, Е.В. Трофименкова и А.В. Белокопытова включают кластерный анализ в более широкий «инструментарий пространственного анализа социально-экономического развития регионов, сочетая его с оценкой межкластерных переходов и прогнозированием дальнейшей динамики» [8].

Самостоятельное направление образуют исследования, ориентированные на анализ уровня жизни, бедности и предпринимательской активности. А.Г. Каримов, С.Х. Кадыров и Е.В. Кабашова используют «кластерный анализ для группировки регионов Российской Федерации по индикаторам уровня жизни населения в контексте бедности, сопоставляя результаты, полученные по социально-экономическим и социологическим показателям» [5], Гетманцев К.В. «типологизации регионов Центрального федерального округа по показателям развития малого и среднего бизнеса» [19], «процессы экономического развития внутри каждого локалитета уникальны, поскольку определяются действием локальных факторов экономического развития конкретной территории» [19]. В этих работах кластеризация выступает инструментом выявления устойчивых групп регионов с различными характеристиками предпринимательской активности и уровня жизни населения.

В ряде публикаций кластерный подход используется за пределами собственно межрегиональной типологизации. Р.А. Мусаев, А.А. Панкратов и К.Л. Астапов анализируют «распространенность кластерной концепции в стратегиях социально-экономического развития субъектов Российской Федерации, опираясь на контент-анализ и корреляционный анализ текстов стратегических документов» [9]. М.П. Дудкина, В.И. Мамонов, А.А. Бойко применяют «кластерный подход для оценки эффективности производственного кластера на основе межотраслевого баланса» [4]. А.А. Сатыбалдин, Б.Э. Садыков, А.Т. Молдабекова и З.Б. Ахметова используют «кластерный анализ для оценки транспортно-логистического потенциала регионов Казахстана» [12]. Е.В. Бураева применяет его к «классификации сельскохозяйственных предприятий по уровню производительности труда и факторам, определяющим различия в эффективности хозяйствующих субъектов» [3]. Указанные работы показывают, что кластерный подход используется не только для классификации территорий, но и для анализа внутриотраслевых, производственных и институциональных систем.

К инновационной проблематике относится также работа В.Н. Юрьева и Д.М. Дыбок, в которой «кластерный анализ используется для группировки регионов Российской Федерации по интенсивности инновационного развития» [16]. Особенностью данного исследования является «сочетание кластерного и регрессионного анализа, а также применение нескольких процедур кластеризации для сопоставления групп регионов и обоснования практических рекомендаций для различных типов территорий» [16].

Таким образом, в современной литературе кластерный анализ используется преимущественно в трех направлениях: для типологизации регионов по «уровню социально-экономического развития; для выделения специализированных групп территорий по цифровизации, инновационной активности, уровню жизни, человеческому потенциалу, состоянию малого бизнеса или инфраструктурному развитию; для решения специальных аналитических задач» [20] в сочетании с факторным, регрессионным, дискриминантным, пространственным и контент-аналитическим подходами.

Значительно реже объектом анализа выступает структура распределения грантовой поддержки по видам экономической деятельности. Между тем именно такая постановка задачи позволяет выявить не только различия в достигнутом уровне развития территорий, но и особенности отраслевой конфигурации региональной политики, что и определяет исследовательскую направленность настоящей работы.

Цель исследования заключается в выявлении структурной неоднородности регионов ДФО по направлениям грантовой поддержки и формировании типологии регионов на основе кластерного анализа по укрупнённым и детализированным видам экономической деятельности.

Выборка

В исследовании использованы данные о распределении грантовой поддержки по видам экономической деятельности в регионах ДФО за 2019–2024 гг. [17] и общероссийский классификатор видов экономической деятельности (ОКВЭД2) [18]. Фрагмент исходной базы наблюдений представлен в таблице 1. На её основе были сформированы агрегированные таблицы типа «регион × признак», отражающие распределение поддержки по укрупнённым группам и детализированным кодам ОКВЭД, которые затем использовались для расчёта расстояний, построения кластеров и оценки качества кластеризации.

Таблица 1. Фрагмент исходных данных по распределению грантовой поддержки по видам экономической деятельности

Для целей кластерного анализа были сформированы две системы признаков: на уровне укрупнённых групп ОКВЭД и на уровне отдельных кодов ОКВЭД, каждая из которых была представлена в разрезе «регион × признак». В основу описания структуры поддержки положены относительные показатели — доли соответствующих направлений в общем объёме региональной поддержки. Использование именно относительных характеристик позволило нивелировать влияние межрегиональных различий по объёму финансирования и сосредоточиться на выявлении структурных особенностей. Наряду с этим были рассчитаны дополнительные показатели, характеризующие параметры поддержки в абсолютном и структурном выражении: общий объём финансирования, число направлений поддержки и индекс концентрации, определяемый как сумма квадратов долей.

Полученные результаты

Процедура кластеризации была реализована с использованием евклидовой метрики и иерархического метода Уорда. Устойчивость и согласованность кластерных решений оценивались по средней ширине силуэта. Для каждого региона определялась средняя дистанция до объектов собственного кластера и минимальная средняя дистанция до объектов ближайшего альтернативного кластера . На этой основе вычислялся индивидуальный коэффициент силуэта:

принимающий значения в интервале от −1 до 1. Положительные значения, близкие к единице, свидетельствуют о высокой согласованности объекта с собственным кластером, значения, близкие к нулю, указывают на пограничное положение объекта, а отрицательные — на возможную некорректность его кластерной принадлежности. Оценка качества разбиения определялась как средняя ширина силуэта:

Чем выше значение данного показателя, тем более однородны объекты внутри кластеров и тем лучше кластеры отделены друг от друга. Анализ выполнялся для нескольких вариантов кластерной структуры при числе кластеров от 2 до 5, что обеспечило возможность сопоставления статистических критериев качества разбиения с его содержательной интерпретацией, таблица 2.

Полученные значения показывают, что наилучшее качество кластеризации достигается при меньшем числе кластеров, особенно на детализированном уровне. Вместе с тем разбиение на четыре кластера было сохранено для углублённой содержательной интерпретации различий между регионами.

Таблица 2 – Показатели качества кластеризации по уровням агрегирования признаков

Рисунок 1 Тепловая карта

Источник: рассчитано и визуализировано автором на основе исходных данных о распределении грантовой поддержки по регионам ДФО и укрупнённым группам ОКВЭД.

Уже данное соотношение свидетельствует о высокой пространственной концентрации ресурсов и позволяет говорить о наличии выраженного регионального ядра и периферии. Иными словами, различия между субъектами ДФО определяются не только структурой распределения поддержки, но и её абсолютным масштабом.

По укрупнённым группам ОКВЭД при разбиении на четыре кластера выделяются четыре содержательно различающихся типа регионов, таблица 3. С точки зрения совокупного объёма поддержки доминирует кластер 1, на который приходится 327,25 млн руб., или 55,0 % всего объёма. На кластер 2 приходится 212,72 млн руб. (35,8 %), тогда как кластеры 3 и 4 в сумме аккумулируют лишь 9,2 %. Тем самым подтверждается, что основная масса ресурсов сосредоточена в двух первых кластерах, тогда как остальные представляют маломасштабные типы, рисунок 2.

Таблица 3 – Распределение регионов по кластерам на укрупнённом уровне анализа

Рисунок 2 Дендрограмма регионов ДФО (группы ОКВЭД, к=4)

Источник: составлено автором по результатам иерархической кластеризации регионов Дальневосточного федерального округа с использованием евклидовой метрики на основе матрицы долей укрупнённых групп ОКВЭД в общем объёме грантовой поддержки по каждому региону.

Средний объём поддержки по кластерам существенно различается: кластер 1 — 81,81 млн руб.; кластер 2 — 106,36 млн руб.; кластер 3 — 13,50 млн руб.; кластер 4 — 28,00 млн руб. Следовательно, средний объём поддержки в кластере 2 почти в 7,9 раза превышает аналогичный показатель кластера 3, а кластер 1 превосходит кластер 3 в 6,1 раза. Эти различия показывают, что кластеры отражают не только структурные, но и масштабные диспропорции.

Расчётные показатели демонстрируют, что укрупнённые кластеры различаются по степени диверсификации. Среднее число детальных ОКВЭД в кластере 1 составляет 5,75, в кластере 2 — 6,50, в кластере 3 — 1,00, в кластере 4 — 3,00. Среднее число укрупнённых групп ОКВЭД равно соответственно 3,75; 4,00; 1,00 и 3,00. Таким образом, кластеры 1 и 2 принципиально отличаются от кластера 3 по широте отраслевого охвата: число направлений в них в среднем в 4–6 раз выше, чем у моноспециализированных регионов.

Для количественной оценки степени отраслевой концентрации распределения грантовой поддержки в исследовании использовался индекс Херфиндаля–Хиршмана. Расчёт индекса осуществлялся на основе долей укрупнённых групп ОКВЭД в совокупном объёме поддержки соответствующего региона. Формально показатель определялся как сумма квадратов долей отдельных групп:

где — индекс Херфиндаля–Хиршмана для региона i; — доля g- укрупнённой группы ОКВЭД в общем объёме поддержки региона i; m — число укрупнённых групп, включённых в анализ. Отметим, что индекс концентрации принимает максимальные значения у регионов с полной моносекторностью, в то же время у наиболее диверсифицированных регионов концентрация заметно ниже, таблица 4.

Таблица 4 Индекс концентрации

Республика Бурятия характеризуется крупным объёмом поддержки (152,50 млн руб.) и выраженной научно-цифровой ориентацией: 55,1 % средств приходится на науку и НИОКР, 31,8 % — на IT и цифровые услуги, 13,1 % — на промышленность и технологии. Республика Саха (Якутия), напротив, демонстрирует наиболее сбалансированный профиль: строительство и инжиниринг — 31,6 %, промышленность и технологии — 24,3 %, наука и НИОКР — 22,2 %, IT — 18,2 %. Минимальное значение индекса концентрации позволяет рассматривать данный регион как пример комплексной многокомпонентной модели распределения поддержки.

Приморский край является крупнейшим реципиентом поддержки — 208,72 млн руб. Его структура включает науку и НИОКР (52,1 %), IT (16,1 %), торговлю и оборудование (14,0 %), строительство и инжиниринг (9,6 %), пищевые и биотехнологические производства (7,2 %). Регион охватывает 12 детальных ОКВЭД и 7 укрупнённых групп, что является максимальным значением в массиве. Следовательно, Приморский край выступает одновременно лидером по объёму ресурсов и главным центром отраслевой диверсификации.

Еврейская автономная область при общем объёме поддержки 4,0 млн руб. полностью сосредоточена на науке и НИОКР, что делает её предельно концентрированным регионом. Амурская область имеет 24,0 млн руб. поддержки, полностью сконцентрированной в пищевых и биотехнологических производствах, а Магаданская область — 3,0 млн руб., полностью сосредоточенных в биоресурсах и рыбоводстве. Эти регионы представляют собой эмпирически чистый тип моноспециализированной периферии.

Камчатский край, объём поддержки которого составляет 28,0 млн руб., характеризуется доминированием строительства и инжиниринга (71,4 %), при меньших долях культуры и социальной сферы (17,9 %) и науки и НИОКР (10,7 %). Обособление региона в отдельный кластер подтверждает существование уникального структурного профиля, не совпадающего ни с индустриально-научным ядром, ни с моноотраслевой периферией.

Рассмотрение кластеризации по детализированным кодам ОКВЭД позволило получить более качественную типологию. Средняя ширина силуэта составила 0,3100 при k = 2, 0,2660 при k = 3 и 0,1379 при k = 4. Наиболее устойчивыми, следовательно, оказались решения с двумя и тремя кластерами. Однако именно разбиение на четыре кластера позволяет наглядно выявить индивидуализированные региональные профили: рисунок 3, таблица 5.

Рисунок 3 Дендрограмма регионов ДФО (детальные ОКВЭД, к=4)

Источник: рассчитано и составлено автором на основе матрицы региональных долей детализированных кодов ОКВЭД в совокупном объёме грантовой поддержки; визуализация отражает результаты иерархической кластеризации

Таблица 5 Детализированный уровень распределения кластеров

Анализ средних характеристик кластеров, сформированных по детализированным кодам ОКВЭД, свидетельствует об усилении межрегиональной структурной дифференциации:

кластер 1 средний объём поддержки составляет 44,34 млн руб., при среднем числе видов экономической деятельности 2,17 и среднем числе укрупнённых групп 2;

кластер 2 характеризуется более высоким уровнем диверсификации (10 видов деятельности и 5 групп) при объёме поддержки 82,19 млн руб.;

кластер 3 демонстрирует максимальные значения как по масштабу (208,72 млн руб.), так и по широте отраслевого охвата (12 видов деятельности и 7 групп);

кластер 4 занимает промежуточное положение: 38,0 млн руб., 6 видов деятельности и 4 группы.

Сопоставление полученных параметров показывает, что Приморский край превышает базовый кластер 1 по числу детализированных видов деятельности в 5,5 раза, Республика Саха (Якутия) — в 4,6 раза, Хабаровский край — в 2,8 раза, что отражает существенные различия в степени отраслевой диверсификации региональной поддержки.

В целом результаты анализа подтверждают наличие значительной структурной неоднородности регионов Дальневосточного федерального округа, проявляющейся в различиях как по масштабу распределяемых ресурсов, так и по конфигурации их отраслевой структуры.

Во-первых, укрупнение ОКВЭД снижает чувствительность анализа и сглаживает различия между субъектами. Во-вторых, детализация признаков позволяет выявить реальные структурные особенности регионов и фиксирует появление индивидуальных кластерных типов. В-третьих, увеличение числа кластеров само по себе не улучшает качество разбиения при ограниченном числе наблюдений; значительно важнее оказывается содержательная наполненность признакового пространства.

Заключение

Важным выводом является то, что структурный профиль региона не совпадает полностью с объёмом финансирования. Регионы могут быть близки по долевой структуре поддержки, но существенно различаться по абсолютному масштабу ресурсов. Именно поэтому в один укрупнённый кластер могут попадать как крупный, так и малый регион. Это обстоятельство требует комплексного анализа, объединяющего изучение долевой структуры и абсолютных значений.

Содержательная интерпретация результатов кластеризации позволяет выделить несколько типов регионов Дальневосточного федерального округа. Приморский край целесообразно рассматривать как наиболее диверсифицированный регион с широкой отраслевой базой распределения поддержки. Республика Саха (Якутия) занимает положение комплексного центра, сочетающего значительный объём ресурсов с многоэлементной структурой их распределения. Республика Бурятия, Сахалинская область и Хабаровский край «формируют группу регионов со смешанной структурой распределения поддержки», что подтверждает выводы исследования [21]. Амурская область, Магаданская область и Еврейская автономная область характеризуются узкой отраслевой направленностью и низкой степенью диверсификации, что позволяет отнести их к периферийному типу. Камчатский край занимает обособленное положение и не входит в указанные группы, формируя самостоятельный тип с собственной конфигурацией распределения ресурсов. Полученная типология может быть использована при разработке дифференцированных подходов к реализации региональной политики.

Результаты кластерного анализа указывают на значительную неоднородность регионов Дальневосточного федерального округа по структуре грантовой поддержки. Выявленные различия проявляются не только в объёмах распределяемых средств, но и в характере их отраслевого распределения, а также в степени разнообразия направлений финансирования. При переходе к более детализированному уровню классификации различия между регионами становятся более отчётливыми. В частности, Приморский край, Республика Саха (Якутия) и Хабаровский край демонстрируют устойчивые особенности структуры поддержки, позволяющие рассматривать их как отдельные типы региональных моделей.

С методической точки зрения результаты исследования показывают, что характеристики кластерного разбиения зависят не только от выбранного числа кластеров, но и от степени детализации используемых признаков. Уровень агрегирования данных оказывает существенное влияние на выявление межрегиональных различий и их интерпретацию. В этой связи представляется обоснованным использование комбинированного подхода, предполагающего анализ как укрупнённых, так и детализированных показателей, а также учёт как структурных, так и масштабных параметров грантовой поддержки.