Транспортная удаленность от Москвы как фактор дифференциации региональных финансовых рисков

Введение

Пространственное развитие экономики России характеризуется значительной дифференциацией социально-экономических показателей между регионами. Одним из ключевых факторов, определяющих эту дифференциацию, является транспортная доступность, которая влияет на мобильность населения, логистические издержки и инвестиционную привлекательность территорий. Москва, как крупнейший экономический и транспортный узел страны, выполняет функцию «центра притяжения», вокруг которого формируется пространственная структура экономической активности. В то же время реакция регионов на удаленность от столицы неоднородна и зависит от их отраслевой специализации, географического положения и инфраструктурного развития. В связи с этим возникает вопрос: является ли транспортная удаленность от Москвы системным фактором, определяющим социально-экономическое развитие регионов, или же ее влияние носит локальный и конъюнктурный характер? Кроме того, остается неясным, какой вид транспорта в наибольшей степени отражает экономическую связанность регионов с центром.

Теоретические и эмпирические аспекты влияния транспортной инфраструктуры на региональное развитие широко представлены в литературе. В работах Е.В. Беляковой и И.В. Лукьянова [1], Н.П. Кузьмич [8], С.В. Богачкова и О.С. Богачковой [2], А.Б. Моттаевой и В.В. Бразовской [10], С.Г. Пьянковой и Е.С. Заколюкиной [12] рассматриваются общие подходы к оценке роли транспортной доступности в пространственном развитии регионов и взаимосвязи транспортной отрасли с социально-экономическими показателями. Исследователи сходятся во мнении, что развитие транспортной инфраструктуры является значимым фактором экономического роста, однако степень этого влияния варьируется в зависимости от отраслевой структуры региона.

Вопросы транспортной безопасности и рисков инвестирования в транспортную отрасль анализируются в работах К.Ю. Бучневой и А.Е. Толстовой [4], А.Р. Калинина и М.Г. Лаптева [5], Л.С. Шишовой и А.Н. Пророкова [20]. Авторы отмечают, что транспортная инфраструктура не только создает возможности для развития, но и формирует зоны повышенных финансовых рисков, что требует учета при принятии инвестиционных решений.

Макрорегиональные аспекты транспортной доступности исследуются в работах Е.В. Кильдюшевской [6], С.И. Кравченко и В.В. Дементьева [7], Т.А. Булоховой и О.М. Гончар [3], Н.М. Улицкой [17], Д.Н. Черткова [19]. В этих исследованиях показано, что влияние транспортного фактора существенно различается по федеральным округам: на Дальнем Востоке и в Сибири транспортная доступность является критическим фактором экономического развития, тогда как в европейской части страны ее роль ниже.

Эконометрические подходы к оценке влияния транспортной инфраструктуры на региональное развитие представлены в работах Д.Е. Морозова и Л.А. Гамидуллаевой [9], С.С. Патраковой [11], А.Д. Разуваева [13], И.А. Семиной, С.А. Тесленка и Л.Н. Фоломейкиной [14], А.Г. Хабибулиной, А.И. Романовой и В.С. Васичкина [18]. Авторы применяют методы корреляционного и регрессионного анализа, подтверждая наличие статистически значимой связи между транспортными показателями и уровнем социально-экономического развития регионов. В целом, проведенные исследования выявили положительное влияние развития транспортной инфраструктуры на экономический рост регионов, однако эта зависимость не является универсальной и значительно ослабевает в ресурсно-ориентированных регионах, где экономический рост определяется экспортными возможностями и доступом к природным ресурсам.

Вместе с тем, существующие исследования имеют ряд ограничений. Во-первых, большая часть работ основана на агрегированных данных по федеральным округам, что не позволяет учитывать внутрирегиональные различия. Во-вторых, в большинстве исследований используется лишь один вид транспорта (чаще всего автомобильный), тогда как мультимодальный подход позволяет более точно оценить эффект транспортной доступности. В-третьих, недостаточно внимания уделяется проверке устойчивости выявленных закономерностей во времени, что особенно важно в условиях макроэкономической волатильности. В-четвертых, практически отсутствуют работы, в которых анализируется неоднородность влияния удаленности от Москвы в зависимости от направления (сектора) и вида транспорта.

Настоящее исследование восполняет указанные пробелы за счет использования данных по трем видам транспорта – автомобильному, железнодорожному и авиационному – что позволяет провести сравнительный анализ влияния различных типов транспортной доступности на региональную экономику. Дополнительно проверяется устойчивость выявленных связей на трехлетнем интервале (2021–2023 гг.) и оценивается, как характер этих связей меняется в зависимости от географического направления от Москвы (четыре сектора) и выбранного вида транспорта.

Научная новизна состоит в комплексном подходе: в отличие от большинства работ, ограниченных одним видом транспорта или агрегированных по федеральным округам, в настоящем исследовании применено секторальное деление относительно Москвы. Это позволяет выявить асимметрию влияния расстояния на экономическое развитие регионов в зависимости от направления и определить, какой вид транспорта в наибольшей степени отражает их экономическую связанность с центром.

Гипотеза предполагает, что влияние удаленности от Москвы неоднородно: на Юго-Западе, в зоне высокой плотности населения и развитой инфраструктуры, ожидается отрицательная корреляция, тогда как на восточных направлениях, где доминируют ресурсодобывающие регионы, связь может быть положительной. Также предполагается, что автомобильные и железнодорожные расстояния, близкие по значению, дадут схожие корреляции, тогда как авиационные, в силу меньшей протяженности, – иные результаты.

Цель – количественно оценить связь между удаленностью регионов от Москвы и их социально-экономическими показателями, проверить устойчивость этих связей в 2021–2023 гг. и определить их неоднородность по направлениям и видам транспорта.

Методология основана на сопоставлении транспортных расстояний с шестью экономическими показателями регионов за три года. Для выделения групп регионов по уровню развития применена кластеризация, для оценки связей – корреляционный анализ с проверкой значимости. Пространственная структура задана делением на четыре сектора, что позволяет учесть асимметрию влияния удаленности в зависимости от направления. Сравнительный анализ по трем видам транспорта дает возможность определить, какой из них наиболее релевантен для оценки экономической связанности с центром. Такой дизайн исследования обеспечивает системный анализ роли транспортного фактора в региональном развитии и создает основу для идентификации зон повышенного финансового риска.

Материалы и методы

Для анализа транспортной связности регионов с Москвой использован набор данных «Транспортная связность крупнейших городов России», подготовленный проектом «Если быть точным» в 2026 году [16]. Набор содержит расчетные расстояния и время в пути между 180 крупнейшими городами России – региональными столицами и городами с численностью населения более 100 тысяч человек. Для каждой пары городов рассчитаны расстояния по трем видам транспорта: автомобильному, железнодорожному и авиационному.

Автомобильные расстояния рассчитаны с использованием OpenStreetMap (OSM) и Open Source Routing Machine (OSRM) на основе магистрального графа дорог с локальными подъездами к городам с помощью алгоритма Дейкстры, при этом для экономии вычислительных ресурсов вместо точной длины дороги используется расстояние по прямой между узлами OSM, что может занижать длину извилистых дорог в горной местности и на севере.

Железнодорожные расстояния взяты из набора данных СберИндекса, содержащего официальные расстояния по железнодорожной сети России между муниципальными образованиями; каждому городу присвоен territory_id в соответствии с центром муниципалитета, для Москвы, Санкт-Петербурга и Севастополя выбраны муниципалитеты с главными вокзалами.

Авиационные расстояния рассчитаны как расстояние по прямой между ближайшими к городам аэропортами на основе данных OurAirports, Aviastats и Росавиации о фактических и субсидируемых маршрутах на 2026 год; если для пары городов существовало несколько вариантов маршрутов через разные аэропорты, выбирались более близкие к центрам городов, после чего между выбранными аэропортами рассчитывалось расстояние по прямой с использованием формулы гаверсинусов.

Время в пути во всех случаях рассчитано через среднюю скорость, а не по фактическим расписаниям: для автомобильного транспорта принята средняя скорость 75 км/ч с добавлением 0,5 часа на выезд из города, для железнодорожного – 55 км/ч, для авиационного – 840 км/ч с добавлением 45 минут на взлет и посадку.

Погрешность расчетов времени в пути, согласно документации, составляет около 11% на основе верификации по данным Яндекс.Карт, Яндекс.Расписаний и Flight Connections.

Поскольку исходный набор данных содержит маршруты между отдельными городами, для расчета расстояния от региона до Москвы (поле city_to) использовалось поле region_from, содержащее название региона субъекта Российской Федерации. В одном регионе может находиться несколько городов (поле city_from), имеющих маршрут до Москвы, в связи с чем для каждого региона и каждого вида транспорта (поле transport_type) рассчитывалось среднее арифметическое расстояние на основе всех городов региона, по которым присутствуют соответствующие маршруты.

Такой подход позволил получить интегрированную оценку транспортной удаленности региона, учитывающую не только административный центр, но и другие крупные города. В корреляционном анализе использовались все доступные регионы для каждого вида транспорта независимо от того, присутствуют ли в регионе все три вида транспортных маршрутов. Это обусловлено тем, что исключение регионов с отсутствующими значениями по какому-либо виду транспорта привело бы к значительному сокращению выборки и могло бы исказить результаты. Всего в исходных данных представлены маршруты из 84 регионов. Из них автомобильное сообщение с Москвой присутствует в 78 регионах, железнодорожное – в 77, авиационное – в 61 регионе. Лишь 51 регион имеет все три вида транспорта одновременно.

Поскольку время в пути (поле distance_hr) во всех случаях рассчитано через среднюю скорость и фактически является линейной функцией от расстояния, корреляция между расстоянием и временем для каждого вида транспорта практически равна единице. В работе используются только расстояния в километрах (поле distance_km), поскольку время в пути (поле distance_hr) линейно зависит от них и не дает дополнительной информации. Географические координаты городов отправления (lat_from, lon_from) и назначения (lat_to, lon_to) применены для построения карт и отнесения регионов к одному из четырех секторов относительно Москвы.

Для корректного сравнения расстояний между видами транспорта анализ выполнен на выборке из 51 региона, где присутствуют все три вида маршрутов (иначе сравнение было бы некорректным из-за отсутствия коротких авиарейсов). В таблице 1 представлены описательные статистики. Это важно для понимания последующих корреляций, поскольку авто и ЖД расстояния практически идентичны, тогда как авиа – значимо короче, что объясняет схожесть корреляций для авто и ЖД и их отличие от авиации.

Таблица 1

Сравнение расстояний до Москвы по видам транспорта

Для анализа социально-экономического развития регионов использован набор данных «Социально-экономические показатели регионов России», подготовленный проектом «Если быть точным» на основе 19 сборников Росстата (Федеральная служба государственной статистики) [15]. Для работы с данными применялись следующие поля: indicator_name – наименование показателя для его идентификации и фильтрации, object_name – название региона для сопоставления записей с транспортными данными, year – год наблюдения для обеспечения сопоставимости показателей по времени, indicator_unit – единица измерения, используемая при интерпретации результатов, и indicator_value – числовое значение показателя. Следует учитывать, что в исходных данных пропущенные значения кодировались как «-99999999» или «-77777777». Такие пропуски были обнаружены, в частности, по Тюменской области и Архангельской области, в связи с чем данные по этим регионам были исключены из анализа. Для настоящего исследования из всего массива были отобраны шесть ключевых показателей, которые представлены в таблице 2.

Таблица 2

Описание показателей социально-экономического развития регионов

В работе регионы были разделены на три группы на основе шести социально-экономических показателей с использованием алгоритма кластеризации K‑means. Хотя метод локтя и метод силуэта указывали на оптимальное число кластеров, равное двум, в рамках настоящего исследования было принято решение выделить три кластера. Данное решение обусловлено тем, что при двух кластерах практически все регионы объединялись в одну большую группу, а отдельно выделялись лишь несколько регионов с экстремально высокими значениями – Ненецкий автономный округ, Чукотский автономный округ и Ямало-Ненецкий автономный округ. Также сама Москва не участвовала в процессе кластеризации, так как образовывался отдельный кластер под нее. Такое разделение не позволяло содержательно дифференцировать основную массу регионов и нивелировало различия между ними. Три кластера позволили более детально структурировать регионы по уровню развития: первый кластер объединил регионы со средними показателями, второй – с высокими, третий – с очень высокими, что обеспечило более содержательную интерпретацию результатов и позволило выявить устойчивые пространственные закономерности. Результаты кластеризации представлены на рисунке 1.

Рисунок 1. Метод локтя и метод силуэта для определения числа кластеров

Источник: составлено автором по [15, 16].

Результаты

На рисунке 2 представлена карта регионов России, разделенных на четыре сектора относительно Москвы: Северо-Запад, Северо-Восток, Юго-Запад и Юго-Восток. Границы регионов закрашены в соответствии с принадлежностью к тому или иному сектору, что позволяет визуально определить пространственное положение каждого региона относительно столицы. Цвет заливки регионов отражает принадлежность к одному из трех кластеров, выделенных на основе социально-экономических показателей. На карте отчетливо видно, что регионы с высокими и очень высокими показателями локализованы преимущественно в восточной части страны – это регионы, где основу экономики составляет добыча полезных ископаемых.

Москва отмечена на карте отдельной звездой и не участвует в кластеризации. Таким образом, уже на уровне визуального анализа прослеживается пространственная дифференциация: восточные и северо-восточные регионы с сырьевой специализацией демонстрируют наиболее высокие экономические показатели, тогда как регионы западной и юго-западной части страны в основном относятся к группе со средними значениями. Следует отметить, что на карту не попали Тюменская область и Архангельская область (включая Землю Франца-Иосифа и Новую Землю), поскольку для них в исходных экономических данных присутствовали пропуски значений.

Рисунок 2. Кластеры регионов по уровню социально-экономического развития

Источник: составлено автором по [15, 16].

В таблице 3 представлены средние значения показателей по кластерам. Кластер «Средние показатели» (64 региона) имеет минимальные значения по всем показателям. Кластер «Высокие показатели» (15 регионов) демонстрирует рост ВРП в 2,8 раза, инвестиций – в 2,7 раза, а финансовых вложений – в 32 раза. Кластер «Очень высокие показатели» (всего 3 региона – Ненецкий автономный округ, Чукотский автономный округ и Ямало-Ненецкий автономный округ) резко выделяется: ВРП выше в 13,7 раза, инвестиции – в 15 раз, доходы населения – в 3,6 раза. Потребительские расходы различаются незначительно (31,3–48,1 тыс. руб.).

Таблица 3

Средние значения социально-экономических показателей по кластерам

Перейдем к оценке того, как транспортная удаленность от Москвы связана с экономическими показателями регионов. На рисунке 3 представлены коэффициенты корреляции Пирсона (r) между расстоянием по трем видам транспорта (авто, ЖД, авиа) и шестью социально-экономическими показателями для каждого из четырех секторов относительно Москвы. Коэффициент r принимает значения от –1 (идеальная отрицательная связь) до +1 (идеальная положительная) и показывает как силу, так и направление линейной зависимости. При интерпретации результатов важно учитывать размер выборки: чем больше регионов в секторе, тем более устойчивыми можно считать выявленные закономерности. Наименьшее число наблюдений приходится на Северо-Запад (4 региона) и Северо-Восток (13 регионов), тогда как Юго-Восток (41 регион) и Юго-Запад (24 региона) представлены более широко. Кроме того, по некоторым секторам имелись пропуски по авиационным маршрутам, что отражено в соответствующих ячейках.

Рисунок 3. Тепловая карта коэффициентов корреляции

Источник: составлено автором по [15, 16].

Анализ рисунка 3 позволяет выделить две противоположные пространственные тенденции. На Юго-Западе наблюдается устойчивая отрицательная корреляция: с каждым дополнительным километром удаленности от Москвы социально-экономические показатели регионов снижаются (например, r = –0,76 для авто и ВРП). Это указывает на то, что близость к столице здесь дает ощутимое экономическое преимущество. Напротив, на Юго-Востоке, куда согласно классификации на рисунке 2 были отнесены такие ресурсодобывающие регионы, как Республика Саха (Якутия), Красноярский край и Ямало-Ненецкий автономный округ, удаленность от Москвы сопровождается ростом экономических показателей. Здесь положительные корреляции достигают значений r = 0,47 для ЖД и потребительских расходов, r = 0,39 для ЖД и финансовых вложений. На Северо-Востоке, включающем Чукотский автономный округ и Санкт-Петербург, также наблюдаются положительные связи: r = 0,71 для авто и инвестиций, r = 0,63 для авто и доходов населения. Это подтверждает, что в восточных секторах удаленность от Москвы не является препятствием для экономического роста благодаря сырьевой специализации этих территорий. Северо-Западный сектор показывает сильные связи, но регионов всего 4.

Однако коэффициенты корреляции, представленные на рисунке 3, рассчитаны только для 2023 года и не дают ответа на вопрос, насколько выявленные закономерности устойчивы во времени. Для проверки этого были рассчитаны коэффициенты Пирсона, коэффициенты детерминации (R²) и p-значения для 2021 и 2022 годов по каждой значимой связи, выявленной в 2023 году. Всего на рисунке 3 представлено 66 корреляций, однако статистически значимыми (p меньше 0,05) оказались лишь 13 связей, которые вошли в таблицу 4. В ней для каждой связи приведены три показателя: коэффициент корреляции r, отражающий направление и силу линейной связи (положительные значения означают рост показателя с увеличением расстояния, отрицательные — снижение); коэффициент детерминации R², показывающий долю вариации экономического показателя, объясняемую транспортной удаленностью; и p-значение, позволяющий судить о статистической значимости связи.

Таблица 4

Проверка устойчивости корреляционных связей по годам

Например, R² = 68,7% для связи авто-расстояния и инвестиций на Северо-Востоке означает, что почти 70% различий между регионами по уровню инвестиций связано с их удаленностью от Москвы. Чем выше R², тем большее влияние транспортный фактор оказывает на экономику. P-значение – это вероятность ошибочно признать наличие связи там, где ее на самом деле нет. Принятый в исследовании порог значимости p меньше 0,05 означает, что мы допускаем не более 5% вероятности случайно обнаружить несуществующую зависимость. Чем меньше p-значение, тем с большей уверенностью можно говорить о том, что связь реальна, а не является случайностью.

Результаты проверки устойчивости показывают, что не все связи, значимые в 2023 году, были таковыми в предыдущие годы. На Юго-Востоке две связи – ЖД-расстояние с финансовыми вложениями (p = 0,81 в 2021 году и p = 0,60 в 2022 году) и авиа-расстояние с финансовыми вложениями (p = 0,65 в 2021 и p = 0,80 в 2022) – не просто выходят за пределы порога значимости, а имеют крайне высокие p-значения, превышающие 0,6. Это означает, что в 2021–2022 годах эти связи практически отсутствовали, а их появление в 2023 году, вероятно, связано с временными конъюнктурными эффектами, а не с устойчивой пространственной закономерностью. В отличие от этого, связи на Северо-Востоке и Юго-Западе демонстрируют значимость во все три года, что подтверждает их системный характер.

Анализ таблицы 4 показывает, что наиболее сильные и устойчивые связи наблюдаются для автомобильного и железнодорожного транспорта, тогда как авиация демонстрирует значимые корреляции только с доходами населения на Северо-Востоке и с потребительскими расходами на Юго-Востоке, причем с более низкими значениями R². Это указывает на то, что наземные виды транспорта играют ключевую роль в пространственной дифференциации экономических показателей. На Юго-Западе все значимые связи имеют отрицательный характер, при этом p-значения для ВРП составляют 0,0001 (то есть 0,01% или 1 к 10000, что связь ошибочна), что свидетельствует не просто о крайне высокой статистической значимости, а о практически гарантированном наличии связи. Среднее значение R² для ВРП достигает около 50%, то есть половина различий в душевом ВРП между регионами Юго-Запада объясняется их удаленностью от Москвы. В целом, наиболее устойчивые и сильные закономерности выявлены на Северо-Востоке (положительные связи с инвестициями и доходами) и на Юго-Западе (отрицательные связи с ВРП и доходами населения), тогда как Юго-Восток демонстрирует умеренные связи, а Северо-Запад из-за малого числа наблюдений не позволяет делать надежных заключений.

Заключение

В настоящем исследовании проведен анализ взаимосвязи между транспортной удаленностью регионов от Москвы и их социально-экономическим развитием на основе данных о расстояниях по трем видам транспорта и шести ключевым экономическим показателям за 2021–2023 годы.

В результате кластеризации регионов по уровню социально-экономического развития выделены три устойчивые группы: 64 региона со средними показателями, 15 регионов с высокими показателями и 3 региона с очень высокими показателями (Ненецкий автономный округ, Чукотский автономный округ и Ямало-Ненецкий автономный округ). Картографический анализ показал, что регионы с высокими и очень высокими показателями локализованы преимущественно в восточной части страны, где основу экономики составляет добыча полезных ископаемых, тогда как регионы западной и юго-западной частей относятся преимущественно к группе со средними значениями.

Корреляционный анализ выявил две противоположные пространственные закономерности. На Юго-Западе обнаружена устойчивая отрицательная связь между удаленностью от Москвы и экономическими показателями (r = –0,76 для авто и ВРП, p меньше 0,001), что свидетельствует о действии системного эффекта: каждый дополнительный километр удаленности от столицы сопровождается снижением ключевых экономических показателей. Эта закономерность сохраняется во все три года наблюдений, что подтверждает ее устойчивый характер.

На восточных секторах (Северо-Восток и Юго-Восток) также выявлена статистически значимая положительная корреляция (p меньше 0,05), устойчивая на протяжении трех лет. Однако интерпретация этой закономерности требует осторожности. В отличие от Юго-Запада, где отрицательная связь прослеживается на всей выборке регионов, на востоке положительный тренд формируется преимущественно за счет нескольких сырьевых регионов с экстремально высокими показателями (Ямало-Ненецкий автономный округ, Красноярский край, Республика Саха (Якутия), Чукотский автономный округ). Эти регионы имеют высокие значения ВРП и инвестиций благодаря доступу к природным ресурсам, а не эффекту расстояния как таковому. При этом между ними находятся регионы со средними показателями, что нарушает монотонность тренда. Таким образом, устойчивость корреляции на востоке статистически подтверждена, однако ее содержательная интерпретация остается дискуссионной: положительная связь может быть следствием включения в выборку регионов-экстремумов, а не общей закономерностью для всех регионов восточных секторов.

Проверка устойчивости выявленных закономерностей на данных 2021–2022 годов подтвердила системный характер связей на Северо-Востоке и Юго-Западе, тогда как связи на Юго-Востоке с участием финансовых вложений оказались нестабильными и значимыми только в 2023 году, что указывает на их конъюнктурный характер. Наиболее сильные и устойчивые связи наблюдаются для автомобильного и железнодорожного транспорта, тогда как авиация демонстрирует значимые корреляции только с отдельными показателями и с более низкими значениями R². При оценке влияния удаленности регионов от Москвы на их финансовое положение в практических расчетах и управленческих решениях целесообразно использовать расстояния по автомобильным или железнодорожным маршрутам, поскольку они отражают реальную транспортную доступность и экономические издержки, связанные с перемещением грузов и рабочей силы, тогда как авиационные расстояния, несмотря на их меньшую протяженность, не являются релевантными для большинства межрегиональных экономических взаимодействий.

Выявленные закономерности имеют практическое значение для управления региональными финансовыми рисками. Статистически подтвержденный факт устойчивой отрицательной связи между удаленностью от Москвы и экономическими показателями на Юго-Западе позволяет рассматривать регионы этой группы как зону повышенного риска с точки зрения бюджетной обеспеченности и инвестиционной привлекательности. При принятии инвестиционных решений и разработке бюджетной политики этот фактор должен учитываться как дополнительный индикатор, однако сама по себе корреляция не предопределяет решение, а служит объективной статистической основой для более взвешенной оценки рисков. Для восточных регионов, демонстрирующих высокие показатели, основным риском выступает волатильность сырьевых рынков и зависимость бюджетов от экспортных поступлений, что требует диверсификации экономической структуры. Таким образом, пространственный фактор является значимым индикатором региональных финансовых рисков, и его учет необходим при разработке стратегий регионального развития и бюджетной политики.

В качестве направления для будущих исследований предлагается использование методов пространственной эконометрики и машинного обучения для автоматического выделения секторов, что позволит выявлять естественные кластеры регионов не на основе фиксированных секторов, а в зависимости от фактических транспортных, экономических и географических связей. Применение алгоритмов пространственной кластеризации, учитывающих не только координаты регионов, но и интенсивность экономических потоков, позволит более точно идентифицировать зоны роста и упадка, что особенно актуально в условиях значительной дифференциации экономического пространства России. Также для подтверждения или опровержения эффекта положительной корреляции на востоке требуется дальнейшее исследование с использованием более тонких методов пространственного анализа, позволяющих учитывать неоднородность регионов внутри секторов.