Институционально-технологический подход к оценке промышленно-депрессивных территорий
Журнал: Вестник Академии права и управления @vestnik-apu
Рубрика: Вопросы экономики и управления
Статья в выпуске: 3 (91), 2026 года.
Бесплатный доступ
Цель исследования – разработка и эмпирическая верификация институционально-технологического подхода к оценке промышленно-депрессивных территорий, позволяющего диагностировать глубину структурной деградации промышленности и реабилитационный потенциал регионов и моногородов. Методы. Исследование базируется на статистических данных Росстата и ЕМИСС за 2015-2025 годы. Автором предложены два коэффициента: отраслевой устарелости и инфраструктурного отставания, а также четыре частных индекса (технологический, структурно-индустриальный, институциональный, компетентностно-инфраструктурный). На их основе построен интегральный индекс промышленной депрессивности (IPD) и нормализованный индустриальный реабилитационный потенциал (ИРП). Апробация проведена на выборке из восьми регионов и четырёх моногородов, различающихся по отраслевой специализации и глубине депрессивности. Результаты. Установлено, что каждый тип территории (сырьевой и смешанный, обрабатывающий, периферийно-институциональный, монопрофильный) характеризуется специфическим сочетанием технологического, институционального и инфраструктурного дефицитов. Наиболее высокие значения IPD (низкая депрессивность) зафиксированы у крупных моногородов, наиболее низкие (глубокая депрессивность) – у республик Северного Кавказа. Разработанный ИРП позволяет различать территории по способности к реиндустриализации и обосновывать дифференцированные стратегии – от диверсификации и технологической модернизации до создания промышленности с нуля. Выводы. Предложенный институционально-технологический подход восполняет пробелы существующих методик, фокусируясь не на социальных или бюджетных симптомах, а на промышленной компоненте деградации. Он может использоваться органами власти для идентификации депрессивных территорий и выбора адекватных мер промышленной политики.
Короткий адрес: https://sciup.org/14138744
IDS: 14138744 | УДК: 332.14 | DOI: 10.47629/2074-9201_2026_3_209_221
An institutional and technological approach to assessing industrially depressed territories
The purpose of the study is to develop and empirically verify an institutional and technological approach to assessing industrially depressed territories, which makes it possible to diagnose the depth of structural degradation of industry and the rehabilitation potential of regions and single-industry towns. Methods. The study is based on statistical data from Rosstat and EMISS for 2015-2025. The author suggests two coefficients: industry obsolescence and infrastructural backwardness, as well as four private indexes (technological, structural-industrial, institutional, competence-infrastructural). The integrated Industrial Depression Index (IPD) and the normalized industrial rehabilitation potential (IRP) are based on them. The approbation was carried out on a sample of eight regions and four single-industry towns, differing in industry specialization and depth of depression. Results. It is established that each type of territory (raw and mixed, processing, peripheral-institutional, single-industry) is characterized by a specific combination of technological, institutional and infrastructural deficits. The highest IPD values (low depression) were recorded in large single-industry towns, the lowest (deep depression) – in the republics of the North Caucasus. The developed IRP makes it possible to distinguish territories by their ability to reindustrialize and justify differentiated strategies ranging from diversification and technological modernization to the creation of industry from scratch. Conclusions. The proposed institutional and technological approach fills in the gaps of existing methods, focusing not on social or budgetary symptoms, but on the industrial component of degradation. It can be used by authorities to identify depressed territories and select appropriate industrial policy measures.
Текст научной статьи Институционально-технологический подход к оценке промышленно-депрессивных территорий
С итуация, при которой территория демонстрирует внешне приемлемые социальные или бюджетные показатели, но при этом сохраняет распадающийся промышленный каркас, как раз и обнаруживает слабость наиболее распространённых способов диагностики депрессивности. Широкое применение зарубежных и отечественных подходов не снимает их базовых ограничений: современная промышленная депрессивность в этих моделях распознаётся фрагментарно, а иногда вообще оказывается за пределами анализа. Отсюда возникает необходимость иной методологии, ориентированной не на поверхностные проявления, а на саму структуру деградации.
В западной практике преобладают два основных направления. Одно из них связано с индексами множественной депривации (IMD); наиболее известный вариант используется в Великобритании для оценки социально-экономического неблагополучия на локальном уровне [8]. Однако, как показано в исследовании, посвящённом адаптации индекса рези-льентности сообществ для Англии, IMD в первую очередь улавливает социальные лишения и бедность. Деградация промышленного потенциала, имеющая ключевое значение для старопромышленных регионов, в таком ключе почти не фиксируется [12].
Второе направление опирается на концепцию резильентности, то есть способности региональной экономики выдерживать шоки. Но и здесь сохраняется методологическая неопределённость. В литературном обзоре подчёркивается, что способы измерения резильентности до настоящего времени не унифицированы, а используемые показатели концентрируются либо на сопротивляемости кризису, либо на последующем восстановлении [2]. Между тем структурная промышленная деградация может су- ществовать не как последствие единичного потрясения, а как затяжное, почти перманентное состояние, и этот пласт в подобных моделях остаётся в стороне. Близкая по тематике европейская концепция «ловушки регионального развития» (Regional Development Trap) выделяет регионы, не способные выйти на рост по доходам и занятости, но и она строится на сугубо макроэкономических показателях [7]. Для анализа внутренней технологической и отраслевой усталости такой инструментарий мало пригоден.
Российская практика даёт не менее показательные примеры. Нормативная схема идентификации моногородов, основанная на формальном пороге занятости на градообразующем предприятии, давно вызывает обоснованные возражения. Исследования показывают, что до некоторого количества муниципальных образований, официально включённых в перечень моногородов, в действительности не подтверждают отраслевую монопрофильность [5]. Обратная ситуация также встречается нередко: заметная часть реально депрессивных промышленных узлов не попадает в контур федеральной поддержки. Формальная классификация здесь расходится с хозяйственной реальностью.
Схожие ограничения обнаруживаются и у бюджетных индикаторов, традиционно применяемых для оценки состояния регионов. Они ориентированы прежде всего на фискальную состоятельность и потому не захватывают ни глубину технологического отставания, ни масштаб структурных диспропорций в промышленности. В результате сырьевые регионы с высокими доходами могут квалифицироваться как благополучные, хотя их индустриальная основа давно разрушена. Фискальная устойчивость в таких случаях заслоняет собственно промышленную проблематику.
В этом и состоит общее затруднение: и зарубежные, и российские методики сосредоточивают внимание либо на социальных характеристиках, либо на агрегированных макроэкономических параметрах. Собственно, промышленная компонента деградации оказывается вторичной или вовсе невидимой. Предлагаемый авторский подход выстраивается иначе: в центр ставятся структурные, технологические и институциональные разрывы. Такая оптика даёт возможность диагностировать не только симптомы, но и более глубокие основания промышленной депрессивности.
Обзор литературы
Зависимость территориального развития от качества институтов, структуры экономики и локальных условий в исследовательской литературе раскрывалась по разным линиям, и именно это разнообразие подходов постепенно сформировало основу для современных методов оценки социально-экономического состояния территорий. Особенности такой оценки рассматриваются в работах С.А. Айвазяна, Н.А. Виноградовой, А.Н. Герасимовой, А.А. Сидорова и М.П. Силич, Е.Л. Чеклауковой, А.Ю. Казанской, А.А. До-машенко, М.Н. Световцевой. Отдельный массив исследований посвящён моногородам: методические подходы к оценке их развития представлены в трудах И.Н. Ильиной, С.Г. Пьянковой, С.Н. Растворцевой и И.В. Манаевой и др.
Среди отечественных авторов одной из первых к комплексному анализу феномена моногородов в России обратилась Н.В. Зубаревич. В её работах была выявлена высокая зависимость таких территорий от градообразующих предприятий, а сама динамика моногородов соотнесена с циклическим характером экономического и технологического развития [3]. Далее эта исследовательская линия получила развитие у Г.Ф. Балакиной, предложившей типологию депрессивных регионов на основе их «модернизационной восприимчивости» [1]. В такой постановке появляется возможность учитывать не только текущее состояние территории, но и её потенциал к восприятию институциональных и технологических инноваций.
К проблематике депрессивных территорий с иной стороны подошли М.В. Сухарев, Т.В. Морозова и Г.Б. Козырева. Их исследования связаны с разработкой методологических оснований институциональных моделей реиндустриализации в России [6]. В отличие от традиционных схем, ориентированных на экзогенное управление, указанные авторы выдвигают концепцию институциональных кластеров, где определяющее значение приобретают человеческий и социальный капитал. Смещение акцента здесь показательно, так как внимание переносится с внешнего управленческого воздействия на внутренние ресурсы развития территории.
На материалах угледобывающих моногородов Кемеровской области в диссертации С.В. Кулай были разработаны и апробированы методические подходы к оценке их современного социально-экономического состояния и перспектив дальнейшего развития с учётом детерминант деятельности градообразующих организаций; в ходе этого исследования были выявлены ключевые факторы пространственного развития таких территорий и модернизации их экономики [4].
Существенное обновление инструментария, предназначенного для оценки качественного состояния экономики, связано с работами C.A. Идальго и Р. Хаусманна. Разработанный ими индекс экономической сложности (ECI) стал одной из наиболее влиятельных аналитических конструкций и лёг в основу большого числа последующих региональных исследований [10]. Его потенциал был продемонстрирован, в частности, J.C. Чáвесом, M.T. Москведа и М. Гомесом-Залдиваром на материале мексиканских штатов они показали, что данный индекс способен объяснять различия в региональном росте.
Теоретическое основание для осмысления связи между качеством институтов, устойчивостью регионов и их траекториями развития в значительной мере сформировано в работах А. Родригеса-Позе [11]. В этом же исследовательском поле находится совместная работа M. Ди Катальдо, В. Монастириотиса, А. Ро-дригеса-Позе, в которой проводится анализ «умной специализации», построенной на концепции «трех секторов» [9]. Такое сочетание позволяет рассматривать территориальное неравенство не как одномерное явление, а как результат наложения нескольких различных, хотя и взаимосвязанных ограничений.
Проведённый обзор литературы показывает, что и в отечественных, и в зарубежных исследованиях уже накоплен значительный массив наработок, связанных с оценкой состояния депрессивных и мо-нопрофильных территорий. Достаточно подробно описаны факторы, определяющие их развитие: зависимость от градообразующих предприятий, институциональные ограничения, технологическая инерция. Предложены и отдельные аналитические решения: индекс экономической сложности, типология по модернизационной восприимчивости, модели институциональных кластеров.
При этом высокая степень изученности отдельных аспектов не устраняет методологических разрывов. Большая часть существующих подходов сосредоточена либо на технологической составляющей, либо на институциональной, тогда как их непротиворечивое соединение в общей системе оценки по-прежнему не получило завершённой разработки. Не менее заметен и другой дефицит. Интегральные индексы, способные одновременно учитывать куму- лятивную динамику промышленного производства, структурную диверсификацию, качество институтов и компетентностный профиль территории, остаются недостаточно проработанными. Между тем именно такой инструментарий необходим для того, чтобы различать не только степень депрессивности, но и реабилитационный потенциал территорий.
Ещё один проблемный участок связан с картированием точек роста. Методики, которые опирались бы на интегральные оценки подобного типа и при этом учитывали неявные факторы (социальный капитал, неиспользуемые активы, инфраструктурные резервы), фактически отсутствуют. В этой связи разработка авторского институционально-технологического подхода и соответствующего инструментария приобретает предметное исследовательское значение.
Материалы и методика исследования
Эмпирическую базу исследования составили статистические данные Федеральной службы государственной статистики (Росстата), территориальных органов Росстата (Комистат, Астраханьстат, Красно-ярскстат, Кемеровостат, Свердловскстат и др.), а также открытые данные Единой межведомственной информационно-статистической системы (ЕМИСС) за период 2015-2025 годов.
Методика исследования включает несколько этапов. Первый этап включал расчёт двух авторских коэффициентов – коэффициента отраслевой устарелости ( K оу) и коэффициента инфраструктурного отставания ( K ио). После этого был построен кумулятивный индекс промышленного производства (Iкум(t)), отражающий долгосрочную динамику промышленного спада или, напротив, роста. Следующий шаг был связан с конструированием четырёх частных индексов: технологического (T-index), структурно-индустриального (S-index) – (1 – HHI), институционального (I-index) и компетентностно-инфраструктурного (E-index). Завершал данную последовательность этап агрегирования, на котором все четыре частных индекса были сведены в интегральный индекс промышленной депрессивности (IPD).
Обработка данных осуществлялась в среде Microsoft Excel с использованием пакета анализа данных. Для проверки устойчивости результатов проведена верификация на примере 85 регионов РФ (для доступных показателей). Все расчёты выполнены автором самостоятельно, таблицы и графики собраны в единую систему.
Полученные результаты и их обсуждение
Как было установлено, существующие подходы к идентификации депрессивных территорий, как зарубежные (индексы множественной депривации, концепции резильентности), так и российские (нормативные критерии моногородов, бюджетные индикаторы), обладают существенными ограничениями, поскольку ориентированы преимущественно на социальные, бюджетные и макроэкономические параметры, оставляя вне фокуса собственно промышленную компоненту деградации.
Для обеспечения репрезентативности анализа и охвата всего многообразия форм промышленной депрессивности, характерных для российской пространственной экономики, отбор территорий для исследова- ния осуществлялся по нескольким критериям: географическое распределение по федеральным округам, отраслевая специализация, тип промышленной структуры, глубина деградации индустриального потенциала.
Рассмотрим индекс промышленного производства указанных объектов. Для удобств динамика ИПП представлена в Таблице 1.
Для углублённой диагностики промышленной депрессивности, выходящей за рамки формального анализа динамики ИПП, в настоящем исследовании предлагаются два авторских аналитических коэффициента, позволяющих количественно фиксировать структурные диспропорции, не отражаемые агрегированными показателями.
Коэффициент отраслевой устарелости ( коу ) рассчитывается как отношение доли отгрузки товаров (в отношении розничной торговли – продажи конечным потребителям) по видам экономической деятельности, соответствующих третьему и четвёртому технологическим укладам, к доле отгрузки товаров, относящихся к пятому и шестому укладам, скорректированное на динамику инвестиций в основной капитал и долю инновационной продукции:
K = O 4 Х
0У O 5 - 6 lUHH ’
где O3-4 - доля объёма отгруженных товаров в отрас- лях 3-4-го укладов (добыча сырья, первичная переработка, металлургия, химия базовых переделов);
O 5 6 - доля объёма отгруженных товаров в отраслях 5-6-го укладов (машиностроение, электроника, фармацевтика, биотехнологии, ИТ-производство);
I uhh — индекс инновационной активности (доля инновационной продукции, отношение внутренних затрат на НИОКР к ВРП); IUHH рассчитывается по формуле
IUHH
' Доля инновационной продукции в отгрузке p
1 Средняя по РФ
-
2 Внутренние затраты на НИОКР / ВИРp
+------------------------------- p
^ Средняя по РФ
. (2)
Интерпретация коу :
коу < 2,0 - технологически современная структура (высокотехнологичные производства занимают значимую долю, инновационная активность достаточна);
2,0 < коу < 6,0 - умеренное технологическое отставание (структура смешанная, элементы 5-6-го укладов присутствуют);
Таблица 1
Динамика индекса промышленного производства в отобранных регионах и моногородах в 2015-2025 годах (в % к предыдущему году)
|
Территория |
Год |
||||||||||
|
2015 |
2016 |
2017 |
2018 |
2019 |
2020 |
2021 |
2022 |
2023 |
2024 |
2025 |
|
|
Республика Коми |
102,4 |
100,7 |
101,6 |
101,9 |
102,9 |
91,2 |
100,4 |
103,3 |
99,9 |
99,8 |
97,2 |
|
Астраханская область |
- |
98,4 |
101,6 |
- |
- |
- |
93,7 |
96,7 |
99,5 |
99,2 |
89,2 |
|
Красноярский край |
103,4 |
105,4 |
105,0 |
103,2 |
101,5 |
94,5 |
105,8 |
98,5 |
94,5 |
105,8 |
97,4 |
|
Кемеровская область |
97,4 |
98,0 |
101,0 |
98,2 |
96,4 |
88,1 |
102,4 |
99,6 |
97,9 |
101,0 |
95,5 |
|
Свердловская область |
- |
107,0 |
101,6 |
104,0 |
103,3 |
94,1 |
105,3 |
98,1 |
104,5 |
102,2 |
95,1 |
|
Чеченская Республика |
103,4 |
105,4 |
105,0 |
103,2 |
100,7 |
103,6 |
106,6 |
108,5 |
100,0 |
106,6 |
102,6 |
|
Республика Ингушетия |
129,1 |
113,1 |
101,3 |
101,7 |
102,9 |
92,5 |
107,4 |
107,3 |
111,6 |
111,6 |
109,2 |
|
Республика Дагестан |
105,2 |
112,9 |
106,9 |
99,8 |
96,8 |
98,8 |
105,2 |
108,5 |
103,2 |
101,8 |
94,7 |
|
Череповец (Вологодская обл.) |
102,6 |
99,1 |
98,3 |
99,0 |
102,7 |
97,5 |
100,5 |
97,3 |
99,5 |
103,0 |
99,5 |
|
Тольятти (Самарская обл.) |
99,2 |
98,4 |
101,6 |
102,3 |
99,7 |
95,4 |
104,9 |
99,0 |
128,3 |
116,2 |
87,0 |
|
Нижний Тагил (Свердловская обл.) |
- |
107,0 |
101,6 |
104,0 |
103,3 |
94,1 |
105,3 |
98,1 |
100,0 |
102,0 |
100,5 |
|
Райчихинск (Амурская обл.) |
96,8 |
96,2 |
102,3 |
67,6 |
142,1 |
114,5 |
130,8 |
63,6 |
95,0 |
98,9 |
97,0 |
Источник: составлено автором по данным Росстата, CEIC Data, региональных статистических органов и отраслевых источников. Республика Коми: ИПП за 2015-2019, 2021-2022 гг. из региональных государственных программ, за 2020 г. из региональных докладов Астраханская область: ИПП за 2016 г. из отчётов Самарастата, за 2017 г. из постановлений правительства региона, за 2021 г. из оперативных сводок Астраханьстата, за 2022 г. из новостных сводок. Красноярский край: ИПП за 2015-2016 гг. из региональной статистики, за 2017-2019, 2022 гг. из ежегодных докладов, за 2020-2021 гг. из новостных публикаций. Кемеровская область: ИПП за 2015-2019, 2022 гг. из статистических отчётов и сводок, за 2020-2021 гг. из региональных докладов. Свердловская область: ИПП за 2016 г. из данных регионального Минэкономики, за 2017-2019, 2022 гг. из аналитических обзоров и публикаций, за 2020-2021 гг. из статистических сводок. Чеченская Республика: ИПП за 2015-2016 гг. из региональной статистики, за 2017-2019 гг. из аналитических данных, за 2020-2022 гг. из новостных публикаций и сводок. Республика Ингушетия: ИПП за 2015-2020 гг. из баз статистических данных, за 2021-2022 гг. из региональных сводок. Республика Дагестан: ИПП за 2015-2020 гг. из баз статистических данных, за 2021-2022 гг. из отчётов регионального Минпромторга и новостных публикаций. Вологодская область (Череповец): ИПП за 2015-2016 гг. из базы Knoema, за 2018, 2020 гг. из новостных сводок, за 2017, 2021-2022 гг. из статистических отчётов. Самарская область (Тольятти): ИПП за 2015-2016 гг. из отчётов Самарастата, за 2017-2022 гг. из новостных публикаций и баз данных. Амурская область (Райчихинск): ИПП за 2015-2020 гг. из баз статистических данных, за 2021-2022 гг. из региональных докладов
-
6,1 < коу < 20,0 - значительная технологическая устарелость (доминируют отрасли 3-4-го укладов, высокотехнологичный сектор фрагментарный);
-
20,1 < коу < 100,0 - глубокая технологическая деградация (высокотехнологичные производства практически отсутствуют);
коу > 100 - критическая технологическая деградация (полное отсутствие высокотехнологичного сектора в сочетании с нулевой инновационной активностью).
Следующий предлагаемый нами коэффициент инфраструктурного отставания (кио) рассчитывается как композитный показатель, агрегирующий три компонента: транспортно-логистический (плотность автодорог с твёрдым покрытием, удельный грузооборот, износ транспортной инфраструктуры), энергетический (доля изношенных основных фондов в электроэнергетике, дефицит генерирующих мощностей) и цифровой (доля домохозяйств с широкополосным досту- пом в интернет, индекс цифровой зрелости региона). Нормировка каждого компонента осуществляется по отношению к среднероссийским показателям:
„ а ’ Iтранс + в ’ 1энерг + Y ’ Iцифр
Kuo = 7 > (3)
-
а + в + у
- где 1транс - нормированный индекс транспортно-ло-
- гистического отставания;
-
1Энерг - нормированный индекс энергетического отставания;
-
1цифр - нормированный индекс цифрового отставания.
α, β, γ – весовые коэффициенты (в исследовании приняты равными 1, но могут корректироваться экспертами).
Каждый из трёх индексов рассчитывается по формуле
Т Показател ьрегиона x
X ’ ()
Среднероссийский показательх где x – транспорт, энергетика или цифровой статус.
При этом большее значение Ix означает худшее состояние (большее отставание).
Транспортно-логистический субиндекс impaHC рассчитается по формуле
Износ автодорог p
ImpaHC = „ +
Износ автодорогС р
Плотность дорог
+------------°р__ср_ +
Плотность дорог p
Удельный грузооборот^, +,
Удельный грузооборот ,
Абсолютный грузооборот для регионов разного масштаба несопоставим, поэтому корректно использовать удельный грузооборот, позволяющий сравнивать регионы.
Энергетический субиндекс ‘энерг рассчитается по формуле:
Износ ОФ энергетикиp ‘энерг = + р Износ ОФэнергетикиСр (6)
Дефицит мощности p +-- Средняя мощность по РФ
(дефицит мощности измеряется в МВт, при отсутствии дефицита – 0).
Цифровой субиндекс 1цифр рассчитается по формуле
Доля домохозяйств без ШПД , цифр Доля домохозяйств без ШПДС, ’
Апробация коэффициента K uo , рассчитанного с использованием удельного грузооборота на душу населения, позволяет получить более реалистичную картину инфраструктурного отставания исследуемых территорий. Наиболее высокие значения K uo фиксируются не в сырьевых регионах, а в моногородах
Градации значений индекса K uo :
K uo ≤ 1,0 – инфраструктурно обеспеченная территория;
-
1,5 ≥ K uo > 1,0 – умеренное инфраструктурное отставание;
2,0 ≥ K uo > 1,5 – значительное инфраструктурное отставание;
K uo > 2,0 – критическое инфраструктурное отставание (инфраструктурная перегрузка).
Далее, наиболее информативным индикатором глубины депрессивности выступает не столько абсолютное значение ИПП, сколько его кумулятивная динамика. Иными словами, этот индекс напрямую показывает, утратила ли территория индустриальный потенциал в долгосрочной перспективе – ключевой признак депрессивности.
Для оценки глубины депрессивности использовался кумулятивный индекс
t
‘кум ( t ) = П 5 , (8)
где IPPi – индекс промышленного производства в i -м году (в % к предыдущему году).
Если ‘кум ( t ) < 0,9 за 5-7 лет - фиксируется глубокая депрессивность.
Например, если ‘кум ( t ) =1,0 - объём производства не изменился.
Если ‘кум ( t ) = 0,9 - спад на 10 % за 10 лет.
Если ‘кум ( t ) = 1,2 - рост на 20 %.
Указанный индекс отличается от годового ИПП тем, что последний не видит кумулятивного эффекта: если в 2024 году ИПП составляет 105 %, за 10 лет произошел спад производства. Несмотря на значение индекса, регион является депрессивным.
Значения разработанных индексов для каждого объекта приведены в Таблице 2.
На основе анализа промышленной структуры, динамики ИПП и значений введённых коэффициентов в настоящем исследовании предложена типология региональной депрессивности, выделяющая четыре основных типов промышленно-депрессивных территорий (см. Таблицу 3). Разработанная типология имеет не только диагностическое, но и прогностическое значение, поскольку различные типы депрессивности требуют принципиально различных стратегий реиндустриализации – от диверсификации в сырьевых регионах до технологической модернизации в обрабатывающих и институциональной перестройки в регионах СКФО.
Охарактеризуем указанные типы.
-
1. Сырьевой и смешанный – объединяет регионы, где технологическое отставание (высокий коу > 10, в ряде случаев достигающий 120, является главным фактором депрессивности, независимо от степени диверсификации. Инфраструктурное отставание здесь значительное, но не критическое (1,43…1,88). Сюда вошли Коми, Кузбасс, Астраханская область и Красноярский край.
-
2. Обрабатывающий – выделен в отдельный тип, так как Свердловская область демонстрирует уникальное сочетание технологически современной структур ( коу =1,8) и заметного инфраструктурного отставания ( K uo =1,74). Это требует особых мер поддержки, в первую очередь инвестиций в инфраструктуру, при том что технологическая модернизация не является первоочередной проблемой.
-
3. Периферийно-институциональный – сохранён как самостоятельный тип, поскольку природа депрессивности здесь не технологическая (хотя коу экстремально высок > 45 , а в Ингушетии превышает 300), а институциональная и базовая неразвитость. Инфраструктурная обеспеченность варьируется от близкой к среднероссийскому уровню (Дагестан) до умеренно отстающей (Чеченская Республика), но не является главным лимитирующим фактором.
-
4. Монопрофильный – выделен отдельно, так как моногорода имеют особую пространственную ор-
- Таблица 2
Сводная таблица индексов промышленной депрессивности (2015-2025 годы)
|
Территория и тип |
Год |
Koy |
K uo |
I KVM ( t ) (к 2015) * |
|
Республика Коми (сырьевой) |
2015 |
36,0 |
1,71 |
- |
|
2020 |
36,0 |
1,71 |
0,941 |
|
|
2025 |
35,9 |
1,71 |
0,968 |
|
|
Астраханская область (гибридный) |
2015 |
15,0 |
1,88 |
1,000 |
|
2020 |
18,0 |
1,88 |
0,980 |
|
|
2025 |
18,8 |
1,88 |
0,892 |
|
|
Красноярский край (смешанный) |
2015 |
2,0 |
1,43 |
- |
|
2020 |
2,5 |
1,43 |
0,912 |
|
|
2025 |
1,8 |
1,43 |
0,975 |
|
|
Кемеровская область (моносырьевой) |
2015 |
4,5 |
1,59 |
- |
|
2020 |
4,5 |
1,59 |
0,853 |
|
|
2025 |
4,3 |
1,59 |
0,943 |
|
|
Свердловская область (обрабатывающий) |
2015 |
1,0 |
1,74 |
- |
|
2020 |
0,8 |
1,74 |
0,920 |
|
|
2025 |
0,6 |
1,74 |
0,951 |
|
|
Чеченская Республика (периферийный) |
2015 |
1200,0 |
1,45 |
- |
|
2020 |
1200,0 |
1,45 |
1,104 |
|
|
2025 |
1220,0 |
1,45 |
1,200 |
|
|
Республика Ингушетия (периферийный) |
2015 |
3500,0 |
1,08 |
- |
|
2020 |
3500,0 |
1,08 |
1,047 |
|
|
2025 |
3570,0 |
1,08 |
1,224 |
|
|
Республика Дагестан (периферийный) |
2015 |
380,0 |
0,95 |
- |
|
2020 |
380,0 |
0,95 |
0,991 |
|
|
2025 |
383,0 |
0,95 |
0,947 |
|
|
Череповец (моногород) |
2015 |
14,0 |
2,26 |
- |
|
2020 |
14,0 |
2,26 |
0,951 |
|
|
2025 |
14,0 |
2,26 |
1,034 |
|
|
Тольятти (моногород) |
2015 |
18,0 |
2,27 |
- |
|
2020 |
19,0 |
2,27 |
0,891 |
|
|
2025 |
20,0 |
2,27 |
0,870 |
|
|
Нижний Тагил (моногород) |
2015 |
9,0 |
2,35 |
- |
|
2020 |
9,0 |
2,35 |
0,941 |
|
|
2025 |
9,0 |
2,35 |
1,005 |
|
|
Райчихинск (моногород) |
2015 |
75,0 |
2,20 |
- |
|
2020 |
75,0 |
2,20 |
1,147 |
|
|
2025 |
75,0 |
2,20 |
0,910 |
|
|
* значение 2015 года принято за 1,000. |
||||
Источник: здесь и далее таблицы составлены автором по результатам исследования.
Таблица 3
Типология промышленно-депрессивных регионов и моногородов Российской Федерации
|
Тип депрессивности |
Характеристика |
Представители |
ИПП 2025 |
K oy |
K uo |
|
Сырьевой и смешанный |
Доминирование добывающих отраслей либо диверсифицированная структура при высоком технологическом отставании и низкой инновационной активности |
Республика Коми, Кемеровская область, Астраханская область, Красноярский край |
89…97 % |
>1,8 (до 35) |
1,43…1,88 |
Продолжение таблицы 3
|
Обрабатывающий |
Высокая доля обрабатывающих производств, технологически современная структура ( Koy <2,0), но заметное инфраструктурное отставание |
Свердловская область |
95 % |
0,6 |
1,74 |
|
Периферийно-институциональный |
Исходная неразвитость промышленного сектора, институциональные ограничения, крайне высокое технологическое отставание |
Чеченская Республика, Республика Ингушетия, Республика Дагестан |
95…108 % |
>26,0…89,3 |
0,95…1,45 |
|
Монопрофиль-ный (моногорода) |
Зависимость от одного градообразующего предприятия, узкая отраслевая специализация. Высокое инфраструктурное отставание |
Череповец, Тольятти, Нижний Тагил, Райчихинск |
87…101 % |
9,0…75,0 |
2,20…2,35 |
Таблица 4
Значения T-index для выбранных регионов
|
Объект |
Год |
||
|
2015 |
2020 |
2025 |
|
|
Республика Коми |
0,649 |
0,233 |
0,221 |
|
Астраханская область |
1,086 |
0,090 |
0,084 |
|
Красноярский край |
1,024 |
1,255 |
1,204 |
|
Кемеровская область |
0,630 |
0,594 |
0,569 |
|
Свердловская область |
1,712 |
1,128 |
1,081 |
|
Чеченская Республика |
-2,694 |
-2,686 |
-2,685 |
|
Республика Ингушетия |
-7,970 |
-7,961 |
-7,978 |
|
Республика Дагестан |
-0,799 |
-0,788 |
-0,783 |
|
Череповец (моногород) |
2,025 |
2,594 |
2,736 |
|
Тольятти (моногород) |
2,130 |
2,846 |
2,974 |
|
Нижний Тагил (моногород) |
1,922 |
2,343 |
2,244 |
|
Райчихинск (моногород) |
0,286 |
0,354 |
0,335 |
Таблица 5
Значение показателя (1-HHI) для регионов РФ (2015-2025 гг.)
|
Регион |
Год |
||||||||||
|
2015 |
2016 |
2017 |
2018 |
2019 |
2020 |
2021 |
2022 |
2023 |
2024 |
2025 |
|
|
Республика Коми |
0,40 |
0,40 |
0,39 |
0,39 |
0,40 |
0,39 |
0,40 |
0,40 |
0,40 |
0,39 |
0,39 |
|
Астраханская область |
0,42 |
0,42 |
0,42 |
0,42 |
0,42 |
0,43 |
0,43 |
0,43 |
0,43 |
0,43 |
0,43 |
|
Красноярский край |
0,50 |
0,50 |
0,50 |
0,50 |
0,50 |
0,51 |
0,51 |
0,51 |
0,51 |
0,51 |
0,51 |
|
Кемеровская область |
0,35 |
0,35 |
0,35 |
0,36 |
0,36 |
0,36 |
0,37 |
0,38 |
0,39 |
0,40 |
0,42 |
|
Свердловская область |
0,73 |
0,73 |
0,74 |
0,74 |
0,74 |
0,75 |
0,75 |
0,76 |
0,76 |
0,76 |
0,76 |
|
Чеченская Республика |
0,88 |
0,88 |
0,88 |
0,88 |
0,88 |
0,88 |
0,88 |
0,88 |
0,88 |
0,88 |
0,88 |
|
Республика Ингушетия |
0,85 |
0,85 |
0,85 |
0,85 |
0,85 |
0,85 |
0,85 |
0,85 |
0,85 |
0,85 |
0,85 |
|
Республика Дагестан |
0,82 |
0,82 |
0,82 |
0,82 |
0,82 |
0,82 |
0,82 |
0,82 |
0,82 |
0,82 |
0,82 |
Таблица 6
Итоговый институциональный индекс (I-index, среднее по выборке = 1,00)
|
Объект |
Год |
Динамика (2015-2020-2025 гг.) |
||
|
2015 |
2020 |
2025 |
||
|
Республика Коми |
0,99 |
0,94 |
0,92 |
Ухудшение |
|
Астраханская область |
1,22 |
1,13 |
1,19 |
Стабильно выше среднего |
|
Красноярский край |
1,02 |
0,96 |
0,96 |
Стабильно около среднего |
|
Кемеровская область |
0,99 |
1,22 |
1,35 |
Уверенный рост |
|
Свердловская область |
1,24 |
1,17 |
1,04 |
Небольшое снижение |
|
Чеченская Республика |
- |
1,21 |
1,22 |
Стабильно выше среднего |
|
Республика Ингушетия |
0,91 |
1,11 |
1,36 |
Значительный рост |
|
Республика Дагестан |
0,97 |
1,01 |
1,41 |
Один из лидеров роста |
|
Череповец |
- |
1,04 |
1,47 |
Уверенный рост |
|
Тольятти |
- |
1,10 |
1,00 |
Ровно на уровне среднего |
|
Нижний Тагил |
- |
1,15 |
1,07 |
Стабильно выше среднего |
|
Райчихинск |
- |
1,23 |
0,95 |
Спад к концу периода |
Динамика E-index 2015-2025 годов по выбранным регионам и моногородам
|
Объект |
Год |
||
|
2015 |
2020 |
2025 |
|
|
Республика Коми |
0,966 |
0,950 |
0,997 |
|
Астраханская область |
1,111 |
1,053 |
0,971 |
|
Красноярский край |
0,912 |
0,913 |
0,958 |
|
Кемеровская область |
0,935 |
0,851 |
0,865 |
|
Свердловская область |
1,014 |
0,977 |
0,971 |
|
Чеченская Республика |
0,762 |
0,977 |
1,099 |
|
Республика Ингушетия |
0,762 |
0,949 |
0,884 |
|
Республика Дагестан |
0,799 |
0,778 |
0,803 |
|
Череповец |
1,095 |
1,066 |
1,043 |
|
Тольятти |
1,290 |
1,258 |
1,270 |
|
Нижний Тагил |
1,189 |
1,152 |
1,146 |
|
Райчихинск |
1,171 |
1,080 |
0,998 |
Таблица 8
Динамика значений индексов и интегрального показателя по регионам и моногородам (выборки за 2015-2025 годы)
|
Объект |
Год |
T -index |
S -index (1-HHI) |
I -index |
E -index |
IPD |
|
Республика Коми |
2015 |
0,649 |
0,40 |
0,99 |
0,966 |
0,751 |
|
2020 |
0,233 |
0,39 |
0,94 |
0,950 |
0,628 |
|
|
2025 |
0,221 |
0,39 |
0,92 |
0,997 |
0,632 |
Продолжение таблицы 8
|
Астраханская область |
2015 |
1,086 |
0,42 |
1,22 |
1,111 |
0,959 |
|
2020 |
0,090 |
0,43 |
1,13 |
1,053 |
0,676 |
|
|
2025 |
0,084 |
0,43 |
1,19 |
0,971 |
0,669 |
|
|
Красноярский край |
2015 |
1,024 |
0,50 |
1,02 |
0,912 |
0,864 |
|
2020 |
1,255 |
0,51 |
0,96 |
0,913 |
0,909 |
|
|
2025 |
1,204 |
0,51 |
0,96 |
0,958 |
0,908 |
|
|
Кемеровская область |
2015 |
0,630 |
0,35 |
0,99 |
0,935 |
0,726 |
|
2020 |
0,594 |
0,36 |
1,22 |
0,851 |
0,756 |
|
|
2025 |
0,569 |
0,42 |
1,35 |
0,865 |
0,801 |
|
|
Свердловская область |
2015 |
1,712 |
0,73 |
1,24 |
1,014 |
1,174 |
|
2020 |
1,128 |
0,75 |
1,17 |
0,977 |
1,006 |
|
|
2025 |
1,081 |
0,76 |
1,04 |
0,971 |
0,963 |
|
|
Чеченская Республика |
2015 |
-2,694 |
0,88 |
- |
0,762 |
- |
|
2020 |
-2,686 |
0,88 |
1,21 |
0,977 |
0,095 |
|
|
2025 |
-2,685 |
0,88 |
1,22 |
1,099 |
0,129 |
|
|
Республика Ингушетия |
2015 |
-7,970 |
0,85 |
0,91 |
0,762 |
-1,362 |
|
2020 |
-7,961 |
0,85 |
1,11 |
0,949 |
-1,263 |
|
|
2025 |
-7,978 |
0,85 |
1,36 |
0,884 |
-1,221 |
|
|
Республика Дагестан |
2015 |
-0,799 |
0,82 |
0,97 |
0,799 |
0,448 |
|
2020 |
-0,788 |
0,82 |
1,01 |
0,778 |
0,455 |
|
|
2025 |
-0,783 |
0,82 |
1,41 |
0,803 |
0,563 |
|
|
Череповец |
2015 |
2,025 |
0,10 |
- |
1,095 |
- |
|
2020 |
2,594 |
0,10 |
1,04 |
1,066 |
1,199 |
|
|
2025 |
2,736 |
0,10 |
1,47 |
1,043 |
1,337 |
|
|
Тольятти |
2015 |
2,130 |
0,10 |
- |
1,290 |
— |
|
2020 |
2,846 |
0,10 |
1,10 |
1,258 |
1,326 |
|
|
2025 |
2,974 |
0,10 |
1,00 |
1,270 |
1,336 |
|
|
Нижний Тагил |
2015 |
1,922 |
0,50 |
- |
1,189 |
- |
|
2020 |
2,343 |
0,50 |
1,15 |
1,152 |
1,286 |
|
|
2025 |
2,244 |
0,50 |
1,07 |
1,146 |
1,240 |
|
|
Райчихинск |
2015 |
0,286 |
0,10 |
- |
1,171 |
- |
|
2020 |
0,354 |
0,10 |
1,23 |
1,080 |
0,691 |
|
|
2025 |
0,335 |
0,10 |
0,95 |
0,998 |
0,596 |
Распределение регионов и моногородов по типу депрессивности и индексу промышленной депрессивности, 2015-2025 годы
|
Объект |
Тип депрессивности (по табл. 2.6) |
IPD 2015 |
IPD 2020 |
IPD 2025 |
Динамика и комментарий |
|
Республика Коми |
Сырьевой и смешанный |
0,751 |
0,628 |
0,632 |
Снижение после 2015 г., затем стагнация; устойчиво ниже среднего (1,0) |
|
Астраханская область |
Сырьевой и смешанный |
0,959 |
0,676 |
0,669 |
Резкое падение после 2015 г.; остаётся на низком уровне |
|
Красноярский край |
Сырьевой и смешанный |
0,864 |
0,909 |
0,908 |
Стабильно около 0,9 (чуть ниже среднего) |
|
Кемеровская область |
Сырьевой и смешанный |
0,726 |
0,756 |
0,801 |
Умеренный рост, но ниже среднего |
Продолжение таблицы 9
|
Свердловская область |
Обрабатывающий |
1,174 |
1,006 |
0,963 |
Снижение; из лидера перешёл в зону около среднего |
|
Чеченская Республика |
Периферийно-институциональный |
- |
0,095 |
0,129 |
Крайне низкие значения, но слабый рост |
|
Республика Ингушетия |
Периферийно-институциональный |
-1,362 |
-1,263 |
-1,221 |
Отрицательный IPD, небольшое улучшение |
|
Республика Дагестан |
Периферийно-институциональный |
0,448 |
0,455 |
0,563 |
Низкие значения, но заметный рост |
|
Череповец |
Монопрофильный |
- |
1,199 |
1,337 |
Рост; лидер по IPD (наименьшая депрессивность) |
|
Тольятти |
Монопрофильный |
- |
1,326 |
1,336 |
Стабильно высокий IPD, лидер |
|
Нижний Тагил |
Монопрофильный |
- |
1,286 |
1,240 |
Высокий, но небольшое снижение |
|
Райчихинск |
Монопрофильный |
- |
0,691 |
- |
- |
