Кластеризация регионов России по уровню потенциала цифрового развития

Введение

Цифровая трансформация является технологической платформой ускоренного перехода к инновационной модели развития. Для российской экономики возникает сверхзадача создания конкурентоспособных цифровых технологий, соответствующих мировому уровню и обладающих необходимым уровнем суверенности. В этой связи регионам России отводится ключевая роль в создании цифрового облика страны. Цифровая повестка поддерживается и частным сектором - не дожидаясь централизованных и целенаправленных действий правительственных органов, бизнес, понимая стратегическое значение внедрения цифровых технологий в хозяйственную практику, параллельно и независимо включается в этот процесс.

Тем не менее, основным двигателем цифровой трансформации стали меры государственной политики, направленные на создание условий для внедрения цифровых технологий во все сферы общественной жизни, в том числе в экономику. Дополнительную значимость проблеме цифрового развития придает Указ Президента Российской Федерации № 309, задающий стратегические ориентиры развития страны до 2030 года и на перспективу до 2036 года [1]. В данном стратегическом документе акцент сделан на достижении технологического лидерства, ускоренном внедрении цифровых решений и повышении эффективности управления, что обуславливается различиями в уровне цифрового развития субъектов Российской Федерации, так как они напрямую влияют на темпы экономического роста и инвестиционную привлекательность регионов. Национальный проект «Экономика данных и цифровая трансформация государства» от 20.12 2024 г. [2] расставил акценты исходя из приоритета стимулирования цифрового развития страны. При этом важно понимать, что принятие к реализации нового нацпроекта означает разворот в новое русло.

Цифровизация не только порождает новые формы инноваций, но и трансформирует саму инновационную деятельность, делая её более устойчивой и ориентированной на цифровые платформы. В свою очередь распространение инноваций в территориальном разрезе невозможна без активной инвестиционной политики, в первую очередь потому что инвестиции являются необходимым условием экономического роста, создавая инвестиционный мультипликативный эффект, повышающий точность прогнозирования результатов реализации инвестиционных программ [5] (Kuchumov, 2025) В целом инвестиционно-инновационная активность регионов характеризует их готовность к прогрессивному развитию и технологической модернизации социально-экономической сферы.

Кластерный анализ как инструмент оценки состояния социально-экономических систем позволяет не просто выявить положение оцениваемых субъектов, но и отследить динамический процесс изменения состояния всей системы, а также определить изменения в ней в зависимости от поведения участников [4] (Ketova et al, 2022). Оценка потенциала цифрового развития регионов представляет собой сложную задачу, определяющаяся многомерностью взаимодействующих между собой компонентов. Именно в этом контексте кластерный анализ приобретает особое значение как методика, позволяющая работать с многомерностью цифрового потенциала [9] (Proxorenkov et al, 2021).

Кластерный подход позволяет разграничить принципиально различные траектории отставания и разработать для таких территории специальные механизмы. Не менее важна способность кластерного анализа обнаруживать неявные противоречия в региональном развитии, которые ускользают от внимания при работе с агрегированными индексами [8] (Protasov et al, 2021). Помимо этого, кластерный подход обладает важным аналитическим свойством в динамической перспективе, поэтому его результаты обеспечивают не только диагностику текущего состояния, но и систему мониторинга структурной динамики цифрового развития регионов.

Группировка регионов по уровню потенциала цифрового развития региональных экономик методами кластеризации создает обоснование для разработки адресных мер поддержки применительно к каждому типу регионов. Подобная оценка составляет значимый этап при формировании стратегических ориентиров, направленных на повышение цифровой зрелости регионов и определении приоритетных направлений государственной политики в данной сфере.

Содержательная составляющая потенциала цифрового развития регионов России

Сущность, предпосылки и факторы цифрового развития в настоящее время представляют собой тему, открытую для обсуждений. Остро стоит вопрос анализа результатов цифровой трансформации на макро- и мезоуровне [7] (Plotnikov, 2020) и наряду с этим в рамках отдельных отраслей и предприятий [3] (Zhestkova, 2022). Ряд авторов придерживаются концепции объединения цифровизации и инновационного развития экономики, при этом подчеркивается роль цифровых технологий как базисных, ускоряющих инновационную активность [13] (Silkina et al, 2023). Становится очевидной роль цифровизации в нарастании темпов обновления продуктов и совершенствование бизнес-процессов

Учеными разработаны собственные подходы к оценке цифрового развития регионов России от одномерных, например, А.Ю. Титовец предлагает индекс информатизации, отражающей степень использования и насыщения информационных технологий [14] (Titovecz, 2020), до комплексных. В числе последних, в частности, методика оценки процессов региональной цифровизации И.И. Рахмеевой, Лысенко, Р.С. через призму устойчивого развития и использования показателей по трем направлениям: деятельность организаций, деятельность граждан, деятельность органов власти [10] (Raxmeeva et al, 2021). В своем исследовании М.П. Маслов, С. П. Петров представили методику, основанную на взаимосвязи показателей цифрового качества жизни населения и инвестиций в информационно-коммуникационных технологий [6] (Maslov et al, 2021). Причина подобного разброса мнений кроется в многообразии цифровых технологий и многоаспектности процесса цифровизации экономики.

Особого внимания заслуживает определение составляющих потенциала цифрового развития регионов, так как именно от их состояния развития будет зависеть готовность региона к переходу на широкое внедрение цифровых технологий во всех сферах общественной жизни. В качестве дискуссионной позиции отметим, что понятия «цифровой потенциал» и «потенциал цифрового развития» не тождественны. В широком понимании под «цифровым потенциалом региона» следует понимать совокупность возможностей и ресурсов, обеспечивающих цифровую трансформацию [11] (Savchenko et al, 2024), в то время как цифровой потенциал можно соотнести с цифровой зрелостью и характеризуемой показателями, отражающими степень внедрения цифровых технологий во все сферы жизни общества. В настоящем исследовании аналитические процедуры кластеризации регионов России основаны на использовании системы показателей, образующих триаду «инвестиции – инновации – цифровизация» (см. рис. 1).

Оценка инвестиционной и инновационной активности регионов в условиях цифровизации является важным аспектом при разработке системы экономического развития Российской Федерации. Ключевым фактором выступает способность региона привлекать инвестиции в основной капитал, использовать их для переоснащения инфраструктуры на основе внедрения цифровых технологий в организационно-управленческие и производственные процессы. Растущий объем инвестиционных потоков в регионе является маркером его готовности к цифровой трансформации. Инновационная деятельность занимает ключевое место в повышении конкурентоспособности российской экономики, демонстрируя следование вектору мирового технологического развития.

Рисунок 1 — Система показателей оценки цифрового потенциала регионов России

Источник: составлено авторами.

Пространственная дифференциация региональных социально-экономических систем остается одной из нерешенных проблем региональной экономики. По этому поводу Е.М. Бухвальд отмечает, что территории, отстающие в инновационном развитии, постепенно могут утратить свою роль в национальной экономике, что повлечет негативные последствия, в том числе с точки зрения обеспечения национальной экономической безопасности [1] (Buxval`d, 2019). Сложившаяся межрегиональная асимметрия формирует системный риск, при котором лидерство одних регионов воспроизводится одновременно по инновационной, инвестиционной и цифровой компонентам, тогда как отстающие регионы демонстрируют системное отставание, не компенсируемое частичными успехами в отдельных направлениях. Применение методики кластеризации позволяет выявить эту асимметрию и идентифицировать регионы, нуждающиеся в адресных мерах государственной поддержки, учитывающей специфику экономики конкретного субъекта Российской Федерации и реальные потенциальные возможности.

Кластерный анализ потенциала цифрового развития регионов России

Кластерный анализ представляет собой метод многомерной статистики, который позволяет выполнить разбиение множества объектов на группы (кластеры) так, чтобы объекты внутри одного кластера имели максимальное сходство, а объекты из разных кластеров были существенно различны. Принципиальное преимущество кластерного подхода перед традиционным ранжированием состоит в выявлении устойчивых типологических групп, то есть совокупности территорий, схожих одновременно по всей конфигурации цифровых, инновационных и инвестиционных характеристик [12; 15] (Samcevich et al, 2025; Tlyavlin, 2025). Применительно к задачам государственного управления кластерный анализ открывает принципиально иные возможности для разработки дифференцированной региональной политики [2] (Gamidullaeva et al, 2025). Кластерный анализ позволяет обнаруживать дисбаланс в региональном экономическом развитии, который дополняет аналитические выводы при работе с агрегированными индексами.

Объектом кластерного анализа выступили 70 субъектов Российской Федерации, по которым в рамках формирования комплексного рейтинга инновационно-инвестиционного развития и цифровизации собраны полные и верифицированные данные за 2024 год. Исходная аналитическая база включает 22 показателя (рис. 1), структурированных в три тематических блока. Расчеты выполнены в среде Python 3.12 с использованием библиотек scikit-learn, scipy.cluster.hierarchy и matplotlib.

Ввиду существенной разнородности единиц измерения и диапазонов значений исходных показателей на первом этапе проводится стандартизация методом z-преобразования. Для каждого показателя xᵢⱼ рассчитывается стандартизованное значение:

z*ᵢⱼ = (xᵢⱼ − x̄ⱼ) / σⱼ (1)

где x̄ⱼ — среднее значение j-го показателя по совокупности регионов;

σⱼ — среднеквадратическое отклонение j-го показателя.

Процедура приводит все переменные к сопоставимому масштабу – нулевому среднему и единичной дисперсии, нейтрализуя тем самым влияние переменных с принципиально различным диапазоном значений, прежде всего инвестиций в основной капитал.

Выявление исходной кластерной структуры выполнено методом иерархической агломеративной кластеризации по критерию Уорда: на каждом шаге объединяются те два кластера, чье слияние дает наименьший прирост суммы квадратных отклонений от центроидов:

ΔE(A,B) = nₐ·nᵦ / (nₐ + nᵦ) · │x̄ₐ − x̄ᵦ│² (2)

где nₐ, nᵦ — размеры объединяемых кластеров A и B; x̄ₐ, x̄ᵦ — их центроиды; ‖·‖ — евклидово расстояние. За счет минимизации внутрикластерной дисперсии метод Уорда формирует сравнительно компактные и сопоставимые по объему группы, что удобно при региональной типологизации.

Мерой близости объектов служит евклидово расстояние в стандартизованном пространстве 22 переменных. Для определения оптимального числа кластеров дополнительно строится скри-график расстояний слияния, наглядно фиксирующий «скачок» дистанции на ключевом этапе консолидации (рисунок 2).

Рисунок 2 — График расстояний слияния (скри-тест) для определение оптимального числа кластеров

Источник: составлено авторами.

Характерная особенность скри-графика заключается в наличии двух значимых скачков расстояния при переходе от 5 к 4 кластерам (Δ = 1,62) и от 4 к 3 кластерам (Δ = 2,14), тогда как переход от 4 к 3 кластерам влечет наибольший прирост в управляемом диапазоне числа групп.

Во-вторых, оптимально число кластеров можно выявить на основании коэффициента силуэта (рисунок 3), рассчитываемого по формуле:

s(i) = (b(i) − a(i)) / max{a(i), b(i)} (3)

где a(i) — среднее расстояние от объекта i до всех прочих объектов своего кластера;

b(i) — минимальное среднее расстояние от объекта i до объектов ближайшего чужого кластера.

Среднее значение s(i) по всей выборке интерпретируется как мера качества кластеризации: значения выше 0,50 свидетельствуют о хорошо выраженной структуре, от 0,25 до 0,50 – об умеренной, ниже 0,25 – о слабой, что типично для высокоразмерных социально-экономических данных.

Рисунок 3 — Коэффициент силуэта при различном числе кластеров

Источник: составлено авторами.

Таким образом, выбор k = 4 обоснован как статистически (характер скачков расстояний), так и содержательно (типологическая различимость получаемых групп).

В результате проведения кластерного анализа получена следующая группировка регионов по кластерам (табл. 1).

Таблица 1

Разбивка субъектов по кластерам

Москва образует самостоятельный кластер (Кластер 1) вследствие исключительной концентрации инновационных, инвестиционных и цифровых ресурсов, несопоставимой с показателями прочих регионов. Расстояние до ближайшего кластера (кластера 2) в пространстве Уорда кратно превышает внутрикластерные расстояния всех прочих групп. Это свидетельствует не о количественном, а о качественном отличии профиля города Москвы от остальных субъектов.

Кластер 2 является второй группой лидеров с наивысшими значениями инновационной активности и инвестиций в науку среди многорегиональных объединений. В нем объединяется девять субъектов, которые по совокупности многомерных характеристик образуют компактную группу лидеров. Их среднее значение инновационных товаров на душу населения (150,7 тыс. руб.) в 4,5 раза превышает аналогичный показатель кластера 4 и в 4,3 раза – кластера 3. Уровень инновационной активности (19,8%) вдвое превышает среднероссийский по выборке (11,3%). При этом состав кластера неоднороден, так как внутри него прослеживаются три принципиально различных типа регионов-лидеров. Татарстан занимает первое место в кластере и второе по выборке в целом (после Москвы) по объему инновационных товаров на душу населения: 349,4 тыс. руб. – значение, которое превышает среднее по кластеру в 2,3 раза. Уровень инновационной активности организаций составляет 34,1% – наивысший показатель среди всех 70 анализируемых субъектов без исключения. Удельный вес организаций, осуществлявших технологические инновации (48,3%), также является рекордным по выборке. Попадание Татарстана именно в кластер 2, а не в кластер 1, обусловлено тем, что по инвестиционному блоку (абсолютный объем инвестиций в науку, 13 612,5 млн руб.) он существенно уступает Москве (578 061,6 млн руб.) и не имеет сопоставимой концентрации сектора информации и связи.

Нижегородская область демонстрирует второй результат в кластере по объему инновационных товаров (179,7 тыс. руб. на д/н) и высокие инвестиции в науку (32 287,1 млн руб.), что является третьим результатом по всей выборке после Москвы и Московской области. Этому способствует присутствие ключевых предприятий ОПК, ведущих технических вузов, а также крупнейших IT-компаний, открывших офисы в регионе.

Санкт-Петербург, несмотря на статус второй столицы, показывает более высокие значения именно по инновационно-исследовательским метрикам. Инвестиции в науку составляют 98 913,8 млн руб. (второй результат по выборке), инновационная активность 17,1%, доля занятых в информации и связи 4,44% (второй результат после Москвы). Число организаций в сфере информации и связи 9 785, что также уступает лишь Москве. Использование облачных сервисов (23,8%) и цифровых платформ (25,4%) выше, чем у Москвы, что подчеркивает высокий уровень цифровизации бизнес-среды.

Ростовская область является наименее типичным представителем кластера 2 по ряду показателей: объем инновационных товаров (57,3 тыс. руб.) в 2,6 раза ниже среднего по кластеру. Однако именно по уровню инновационной активности (26,3%) этот регион занимает первое место в кластере и третье по всей выборке. Высокая доля организаций, вовлеченных в инновационный процесс, при относительно скромных абсолютных объемах инновационной продукции указывает на особый тип инновационной экономики – широкое распространение процессных и организационных инноваций в сравнительно небольших предприятиях.

Кластер 3 объединяет 21 субъект, выделяющийся прежде всего более высоким, чем в кластере 1, уровнем инновационной активности (в среднем 12,5% против 8,6%) и несколько более развитой цифровой инфраструктурой предприятий. При этом по абсолютным инвестиционным показателям кластер 3 уступает кластеру 1. Этот эффект объясняется тем, что в кластер 4 входят ресурсодобывающие регионы с высокими капиталовложениями, тогда как регионы кластера 3 включают преимущественно промышленные территории ЦФО и Урала с умеренными, но более диверсифицированными инвестициями.

Наиболее многочисленный кластер охватывает почти 56% всей анализируемой выборки – 39 субъектов из различных федеральных округов. Единым основанием для объединения служит уровень инновационной активности ниже среднего (в среднем 8,6% против 11,3% по выборке) при выраженной неоднородности инвестиционного профиля. Именно эта неоднородность делает кластер 4 наиболее внутренне разнородным, что подтверждается и наибольшим стандартным отклонением показателей внутри группы.

Ряд регионов кластера 4 демонстрирует неравномерные профили. По одним показателям они значительно выделяются на фоне своей группы, однако по другим отстают настолько, что не преодолевают порог кластера 3.

Республика Мордовия демонстрирует наивысший результат по инновационным товарам, сопоставимый с нижней границей кластера 2. Основой служит оптоэлектронный кластер (завод «Сарансккабель», «Лисма»), а также предприятия светотехники. Однако инвестиции в науку (958,4 млн руб.) и уровень цифровизации остаются умеренными, что не позволяет преодолеть барьер кластера 3. Появление Тюменской области одновременно в двух кластерах отражает уникальную административно-статистическую конструкцию, не имеющую аналогов среди субъектов Российской Федерации. Росстат публикует данные по Тюменской области в двух вариантах, где в одном в состав включается Ханты-Мансийский автономный округ – Югра и Ямало-Ненецкий автономный округ, и в другом варианте только по Тюменской области без этих округов. Оба показателя представлены в исходной базе как самостоятельные строки, и алгоритм кластеризации обоснованно отнес их в разные группы, поскольку их профили принципиально различаются. Исключение автономных округов демонстрирует подлинный экономический профиль административного центра региона города Тюмени и прилегающих территорий. Инвестиции в основной капитал на душу населения снижаются до 269 349 руб., что соответствует умеренному уровню. Зато инновационная активность (10,7%), использование облачных сервисов (21,8%), ERP- и CRM-систем приближается к средним значениям кластера 2. Тюмень сформировала собственный нефтесервисный и IT-кластер, обслуживающий добывающую отрасль.

Несмотря на общую слабость инновационного и инвестиционного профиля, цифровые показатели ряда регионов кластера 4 неожиданно высоки. Архангельская область (облачные сервисы 21,7%), Оренбургская область (интернет в домохозяйствах 97,4% – максимум в кластере) и Республика Саха (интернет в домохозяйствах 96,2%) демонстрируют высокое проникновение цифровых технологий в быт населения.

По блоку «Цифровизация» межкластерные различия оказались минимальными: цифровые технологии в организациях и домашних хозяйствах распространены относительно равномерно вне зависимости от кластерной принадлежности региона. Инновационные и инвестиционные показатели, напротив, сохраняют выраженную территориальную концентрацию.

Заключение

Кластерный анализ цифрового потенциала российских регионов позволил выявить структурное измерение межрегиональных различий, которое рейтинговые методы в принципе не улавливают. Четыре выделенных кластера не сводятся к формальной группировке по близости значений: каждый из них имеет собственный механизм формирования и воспроизводства цифрового потенциала. Среди полученных выводов наиболее существенным представляется обнаруженный разрыв между потребительским и производственным измерениями цифровизации. Регионы, достигшие высокого покрытия Интернетом, не демонстрируют автоматического роста инновационной активности предприятий, поэтому важно отметить, что цифровая инфраструктура является необходимым, но недостаточным условием технологического развития территории. Данный вывод существенно корректирует распространенные в практике государственного управления представления о линейной зависимости между инвестициями в цифровую инфраструктуру и уровнем инновационного развития регионов.

Для регионов кластера 4 приоритетными являются механизмы диверсификации экономики и стимулирования технологического предпринимательства; для депрессивных территорий того же кластера 4 таковыми являются развитие исследовательской инфраструктуры и человеческого капитала; для регионов кластера 3 – институциональная поддержка коммерциализации уже имеющихся научно-технических заделов. Кластер 2, обладающий наиболее сбалансированным потенциалом, нуждается в создании условий для формирования собственных инновационных экосистем, способных конкурировать с московской агломерацией за привлечение технологических компаний и исследовательских центров.

С позиций формирования государственной политики полученные результаты указывают на необходимость перехода от единообразных федеральных программ цифровизации к дифференцированным стратегиям, адаптированным к типологическому профилю каждого кластера. В качестве инструментов повышения инновационной и инвестиционной активности целесообразно рассматривать комплекс взаимосвязанных мер, направленных на создание благоприятной институциональной среды для технологического развития субъектов Российской Федерации.

[1] О национальных целях развития Российской Федерации на период до 2030 года и на перспективу до 2036 года: Указ Президента Российской Федерации от 07.05.2024 № 309 // ГАРАНТ.РУ: информационно-правовой портал. — URL: https://www.garant.ru/products/ipo/prime/doc/408892634/ (дата обращения: 05.05.2026)

[2] Национальный проект «Экономика данных и цифровая трансформация государства» (НЭД) (утв. протоколом Президиума Совета при Президенте Российской Федерации по стратегическому развитию и национальным проектам от 20 декабря 2024 г. № 12пр. [Электронный ресурс]. URL: https://digital.gov.ru/target/naczionalnyj-proekt-ekonomika-dannyh-i-czifrovaya-transformacziya-gosudarstva (дата обращения: 05.05.2026)