Исследование региональных кластеров с использованием информационно-аналитических систем (на примере биофармацевтического кластера)

Funding. The study has been conducted under a grant from the President of the Russian Federation (project NSh – 3792.2018.6).

Введение. Развитие, распространение и прикладное использование цифровых технологий для обеспечения поддержки процессов принятия решений являются одними из направлений, развивающихся в контексте перехода к цифровой экономике [1; 2]. Технические решения направлены на реализацию информационно-аналитических систем поддержки управленческих решений на всех уровнях социально-экономической системы: отдельных индивидов [3], предприятий [4], кластеров [5] или отраслей [6], регионов [7], стран [8]. Таким образом, актуальной становится разработка специализированных систем поддержки принятия решений и управления для каждого уровня социально-экономической системы. Цель статьи состоит в разработке информационно-аналитической системы для расчета параметров локализации кластеров и ее апробации на примере кластеров биофармацевтики регионов Российской Федерации в период с 2009 по 2018 г.

В рамках данной работы представлены результаты апробации системы для идентификации и анализа состояния региональных кластеров в России. Актуальность разработки системы обусловлена необходимостью осуществления мониторинга и анализа развития региональных кластеров с целью оценки влияния отдельных отраслевых и национальных программ на их развитие. При этом данная система должна позволять в автоматическом режиме проводить идентификацию латентных кластеров, расположенных на территории региона. Поддержка этих кластеров должна осуществляться наряду с поддержкой формальных кластеров, созданных государством. На сегодняшний день подобная система существует в США1 и Европейском союзе2, однако в России она не реа- лизована. Кроме того, большинство исследований сфокусировано на рассмотрении отдельных кластеров в отдельных регионах (например, работы таких авторов, как М. М. Манукян [9], Г. И. Немченко и Т. В. Лу-зина3, Ф. Д. Ларичкин [10] и др.), а не на комплексном анализе состояния региональной кластерной структуры в России как в работах Т. Ю. Куд-рявцевой4 [11], Е. А. Исланкиной5, С. П. Земцова [12].

Таким образом, наряду с технической задачей – созданием информационно-аналитической системы – мы решаем и методологическую задачу идентификации и анализа состояния кластеров в регионах России.

Обзор литературы. Изучение региональных кластерных систем является популярным направлением исследований в региональной экономике [13]. В их основе лежат три взаимосвязанные идеи. Первая идея была заложена Р. М. Хейгом, анализировавшем структуру городской экономики. На основании анализа значений «коэффициента локализации» (относительной концентрации) отдельных видов деятельности он выделял базовую часть, осуществляющую вклад в экономику региона за счет экспорта, и небазовую часть экономики региона, поддерживающую базовую⁶. В дальнейшем данная идея была развита в работах М. Портера, который использовал таблицы затрат – выпуск для определения связанных между собой видов деятельности, идентификации экономических кластеров⁷ [14; 15], а также их картографирования. Таким образом, сочетание трех идей, а именно: определение статистических параметров, отражающих концентрации видов деятельности на заданной территории, определение связей между видами деятельности и их объединение в кластеры, а также автоматизация их расчетов и картографирование их на региональном уровне – определило современное положение кластерной теории.

Первым двум идеям уделяется достаточное внимание в научной отечественной и зарубежной литературе. Так, в зарубежных исследованиях широко представлены результаты идентификации и анализа состояния кластерных систем отдельных стран и регионов. Например, А. Лоиэн

- и В. Хейман проводят идентификацию и анализ сельскохозяйственных кластеров на территории Европейского союза [16]. Й. Линдквист осуществил анализ концентрации и урбанизации отраслей Швеции, построил кластерные картограммы для Швеции [17]. М. Дельгато, М. Портер и С. Штерн разработали алгоритм идентификации кластеров [14] и исследовали агломерационные эффекты региональных кластеров США [18].

В отечественной литературе также представлены работы, посвященные анализу состояния кластерной системы России в целом и развитию кластеров в отдельных регионах. Так, М. М. Манукян проводил анализ потенциала нефтегазового кластера Самарской области [9], С. Земцов и соавторы – анализ состояния и развития потенциальных высокотехнологичных кластеров [12], Г. И. Немченко и Т. В. Лузина рассматривали нефтегазовый кластер Тюменской области в качестве инструмента модернизации экономики региона8, Ф. Д. Ларичкин и соавторы анализировали кейс развития морского нефтегазового кластера на территории Мурманской области [10], Е. А. Исланкина и соавторы составили методические рекомендации по формированию и развитию инновационных кластеров на государственном уровне9, А. С. Хухрин представил анализ Концепции кластерной политики в сельском хозяйстве России с позиций системно-синергетического подхода [19], Ю. В. Вертакова и соавторы привели пример схемы формирования кластера пищевой промышленности и пример организационно-экономической структуры взаимодействия в промышленном кластере [20], Л. С. Марков и соавторы провели детальный анализ федеральной и региональной кластерной политики [21].

Третьей идее – автоматизированному расчету и последующему картографированию результатов анализа динамики развития кластеров для целей мониторинга и разработки кластерной политики – посвящено только два крупных международных проекта: US Cluster mapping10 и European cluster initiative11. В России также есть проект «Российская кластерная инициатива»12, однако в отличие от аналогичных проектов США и Европейского союза он предоставляет информацию только о расположении и основных результатах деятельности формальных кла- стеров, поддерживаемых государством. Таким образом, в отечественном проекте не уделяется достаточное внимание анализу и идентификации латентных кластеров, т. е. общей структуре экономики регионов.

Материалы и методы. Проблема идентификации и анализа состояния кластеров в отдельных регионах является одной из ключевых в рамках теории отраслевых кластеров [11; 12; 22]. Существует несколько схожих подходов к выявлению кластеров на определенной территории. Ключевое различие между ними состоит в качестве и объеме доступной для анализа информации [23–25].

В данном исследовании используется методология, предложенная Европейской кластерной обсерваторией [17; 26]. Согласно данной методологии, критическая масса кластера определяет объем и качественный уровень знаний, циркулирующих между предприятиями и организациями кластера. Уровень достаточности критической массы рассчитывается на основании трех статистических параметров: «коэффициента локализации», «размера», «фокуса» [17]. Все три показателя рассчитываются с использованием данных о занятости в стране, регионе и кластере. Если исследуемый кластер имеет достаточную критическую массу, т. е. значения рассчитываемых статистических параметров выше пороговых значений или попадают в определенную группу значений, то считается, что кластер обладает достаточной «критической массой» для генерации положительных внешних эффектов и связей [17; 26].

В методологии, разработанной Г. Линдквистом из Европейской кластерной обсерватории [17], в качестве порогового значения для коэффициента локализации используется значение выше 2, а значения по показателям «размер» и «фокус» должны быть выше девяностого персентиля. Таким образом, если «показатели региона соответствуют предельным (превышают их), то регион может получить звезду. Максимально каждый регион может получить 3 звезды для каждого кластера. Чем больше звезд, тем больше сила этого кластера в регионе»13. При этом значения выше девяностого персентиля должны быть присвоены кластеру в регионе, «если занятость в этом кластере не превышает 1 000 чел. Таким образом, применение данной методологии позволит определить количество и относительную силу кластеров в каждом исследуемом регионе»14.

В научной литературе идет дискуссия о том, при каком размере относительной концентрации кластера в регионе – значении коэффициента локализации – можно говорить о том, что его критическая масса достаточна для генерирования положительных эффектов и связей.

Так, в качестве пограничных значений LQ выделяют 1 [27], 1,25 [28], 1,315, 2 [17] и 316.

В рамках проводимого исследования мы придерживаемся позиции, что пороговое значение для коэффициента локализации должно быть установлено на отметке 1,3 (см. рис. 1). По нашему мнению, использование более низкого порогового значения относительной концентрации позволит учесть специфические условия географического расположения экономической деятельности в России, а также уровень детализации и агрегирования доступной информации.

Расчетхарактеристикрегиональныхотраслевыхкластеров/ Calculation of characteristics of regional industrial clusters

Коэффициент локализации / Coefficient of localization

≥ 1,3

Фокус кластера / Cluster focus

Если / If

Размер кластера / Cluster size

Входит в 10 % лидирующих по показателю «Размер» / Is among । the top 10 % in terms of the ‘Size’ indicator

Входит в 10 % лидирующих по показателю «Фокус» / Is among the top 10 % in terms of the ‘Focus’ indicator

Присвоение региону звезды (максимум 3) / A region is awarded a star (max. 3)

Р и с. 1. Методика идентификации территории локализации кластеров17

F i g. 1. Methodology for identifying the territory of cluster localization

Для формирования и определения структуры биофармацевтического кластера России применялись результаты исследований М. Портера18 [14; 15; 18]. Подход, использованный М. Портером для идентификации кластерных образований, заключался в том, что на основании результатов анализа таблиц «затрат – выпуск» можно определить связанные друг с другом виды деятельности и объединить их в группы. Таким образом, предприятия, объединенные в эти группы и расположенные на заданной территории, назывались кластерами. Результаты данного исследования используются для мониторинга и анализа развития кластерных объединений Министерством экономического развития США. Проект носит название “US Cluster Mapping”19. Также данные результаты и идеи легли в основу Проекта Европейской кластерной обсерватории, в рамках которого предложенная М. Портером и его исследовательской группой кластерная структура экономики была адаптирована с учетом специфики экономики Европейского союза на основании данных европейского классификатора NACE (Nomenclature des Activités Économiques dans la Communauté Européenne). В таблице 1 представлена структура кластера биофармацевтики по версии Европейской кластерной обсерватории и ее аналог, построенный в результате сопоставления кодов общероссийского классификатора видов экономической деятельности (ОКВЭД) и NACE. В связи с переходом Федеральной налоговой службы (ФНС) со старой редакции классификатора ОКВЭД на новую – ОКВЭД–2 в 2016 г., мы использовали таблицу соответствия20 для определения структуры кластера биофармацевтики. Перечисленные в таблице 1 кода видов деятельности использовались для сбора данных о занятости в кластере «Биофармацевтика» регионов России в период с 2009 по 2016 г. по классификатору ОКВЭД21 и за период 2017–2018 г. по классификатору ОКВЭД–222.

С целью идентификации кластеров в регионах России была разработана база данных «Кластеры регионов России» (свидетельство государственной регистрации РИД № 2017620569 от 29 мая 2017 г.). Данная система, используя данные о занятости по видам деятельности и регионам, может применяться для расчета параметров локализации кластеров в соответствии с методикой, описанной на рисунке 1. Таким образом, могут быть выявлены субъекты Российской Федерации, в которых критическая масса кластеров высокая.

Т а б л и ц а 1. Структура биофармацевтического кластера по видам деятельности

T a b l e 1. Structure of the biopharmaceutical cluster by types of activities

OKVED – Russian National Classifier of Economic Activities.

В соответствии с данной методикой, коэффициент локализации показывает, во сколько раз доля занятых в кластере региона превышает среднюю по стране занятость в кластере и рассчитывается по формуле lQ = Wt ,

ES E где Eig – численность занятых в биофармацевтическом кластере в регионе, Eg – численность занятых всего в регионе, Ei – численность занятых в биофармацевтическом кластере в Российской Федерации, E – численность занятых всего в Российской Федерации.

Размер кластера отражает долю занятых в кластере региона по сравнению с занятыми в кластере по стране и рассчитывается по формуле

Size = ^ ■ 100 % .

Ei

Фокус кластера отражает долю занятых в кластере по сравнению со всеми занятыми в регионе и рассчитывается по формуле

Focus = ^ ■ 100 % .

E9

Если значения параметров локализации кластеров превышают критические, то можно утверждать, что «критическая масса» кластера достаточна для генерации положительных агломерационных экстерналий.

Применение базы данных позволяет решить четыре основные задачи: «минимизировать объем хранимой информации о занятости населения регионов по годам и областям деятельности; обеспечить удобный ввод и редактирование информации о занятости населения регионов; создать вычислительный аппарат для оценки динамики занятости в кластерах на территории России по годам; проводить аналитическую обработку полученной в результате расчета информации и отбор значимых кластеров в соответствии с заданными критериями в каждом регионе России»23.

Физическая модель базы данных является реляционной и реализована в СУБД MS Access 2007 (рис. 2). Поля физической модели базы данных представлены в таблице 2. Назначение полей таблицы и имена имеют соответствующий смысл. Имена числовых данных совпадают по написанию с членами математических формул.

Ограничением используемой для целей оценки и анализа динамики изменения критической массы кластеров в регионе методологии является ее чувствительность к административным границам территорий. Так,

Р и с. 2. Физическая модель базы данных «Кластеры регионов России»

F i g. 2. Physical model of the Clusters of Russia’s Regions database отдельные кластеры могут являться межрегиональными, а не субнациональными образованиями, что нельзя определить с использованием коэффициентов локализации [29]. Как следствие, необходимо учитывать не только функциональные связи между видами деятельности, но и пространственные связи между объектами исследования.

В качестве объекта исследования мы выбрали биофармацевтический кластер России, развитие которого закрепрелено в стратегии ФАРМА – 2030. Для проведения анализа были взяты данные о состоянии занятости в данном кластере за период с 2009 по 2018 г. по 83 регионам России. В результате апробации системы были выделены три группы регионов России в зависимости от состояния исследуемого кластера: стабильные, возрастающие и убывающие.

Результаты исследования. Для реализации предложенного подхода были сформированы базы статистических данных за 2008–2018 гг. по численности занятых и количеству предприятий по субъектам Российской Федерации, сгруппированные в соответствии с ядрами кластеров, спроектированными М. Портером. В ядро биофармацевтического кластера входят такие виды деятельности, как производство фармацевтической продукции; мыла, моющих, чистящих и полирующих средств; парфюмерных и косметических средств.

Согласно методике идентификации территории локализации кластеров (рис. 1), были сформированы блоки таблиц по трем категориям: стабильные, возрастающие и убывающие.

pre

Т а б л и ц а 2. Поля физической модели базы данных «Кластеры регионов России»

T a b l e 2. Fields of the physical model of the Clusters of Russia’s Regions database

Имя / Name	Тип / Type	Размер / Size
	Таблица: Территория / Table: Territory
IdTerritory	Длинное целое / Long integer	4
NameTerritory	Текстовый /Text Таблица: Регион / Table: Region	100
IdRegion	Длинное целое / Long integer	4
id_Territory	Длинное целое / Long integer	4
NameRegion	Текстовый / Text Таблица: Отрасль / Table: Industry	100
IdIndustry	Длинное целое / Long integer	4
NameIndustry	Текстовый / Text	100
NameShortInd	Текстовый / Text	7
StrIdInd	Текстовый / Text	4
Таблица: Занятость / Table: Employment
IdEmployment	Длинное целое / Long integer	4
id_Region	Длинное целое / Long integer	4
id_Industry	Длинное целое / Long integer	4
Empig	Длинное целое / Long integer	4
YearEmpl	Целое / Integer	2
EStars	Длинное целое / Long integer	4
ELQ	Двойное с плавающей / Double, floating-point	8
ESize	Двойное с плавающей / Double, floating-point	8
EFocus	Двойное с плавающей / Double, floating-point	8

^Об РЕГИОНОЛОГИЯ . Том 28, № 1, 2020

-

Категория «стабильные» включает в себя регионы, которые за период с 2009 по 2018 г. имеют одинаковое количество звезд в каждом году или те, которые на начальный и конечный отчетный периоды имели одно и то же количество звезд, т. е. в этих регионах стабильно наблюдается локализация предприятий биофармацевтического кластера (табл. 3). К этой категории относятся: Московская, Курская и Томская области, города Санкт-Петербург и Москва. В данных регионах биофармацевти-ческий кластер выражен наиболее сильно.

Особый акцент стоит сделать на Московской области, которая за период с 2009 по 2018 г. имеет стабильное максимальное количество звезд, равное 3, т. е. все три фактора («коэффициент локализации» (LQ), «размер» (Size), «фокус» (Focus)), по которым оценивался биофармацев-тический кластер в регионе, имеют максимальные значения. Это означает, что кластер в данном регионе достиг достаточной «критической массы» для генерации положительных внешних эффектов и связей.

Курская область и г. Санкт-Петербург также показывали стабильный уровень, хотя количество звезд в данных регионах соответствовало только значению 2. Несмотря на то, что г. Москва имеет самые высокие показатели по количеству всех занятых и занятых в биофармацевтиче-ском кластере в период с 2012 по 2015 г., коэффициент локализации в регионе был ниже значения 1,3, что было связано со снижением числа занятых в биофармацевтическом кластере на 13–17 % по отношению к 2011 г. Однако к 2016 г. коэффициент принял значение 1,45, что позволило говорить о стабилизации кластера в данном регионе. В то же время, несмотря на падение показателя общей занятости в регионе на 5,3 %, число занятых в биофармацевтическом кластере увеличилось на 17 %.

Томская область тоже имела неоднородную динамику. В период с 2011 по 2015 г. доля занятых в кластере по отношению ко всем занятым в регионе была выше, чем в другие года периода наблюдений. Численность занятых в кластере в это время возросла до 133,7 % от значений показателя 2009 г., однако с 2015 г. численность занятых в биофармацевтическом кластере этого региона стала опять снижаться и достигла уровня 77,7 % от значения показателя 2009 г.

Интересно отметить, что в г. Санкт-Петербурге численность занятых в кластере возросла почти в два раза в период с 2009 по 2018 г. (178 % по отношению к показателю 2009 г.). Это говорит о развитии и укреплении данного кластера в регионе. Также увеличение численности занятых в биофармацевтическом кластере произошло в таких регионах, как г. Москва (117,2 % по отношению к 2009 г.), Московская область (130,7 %), Курская область (114,5 %).

Т а б л и ц а 3. «Стабильные» регионы локализации биофармацевтических кластеров, 2009–2018 гг.

T a b l e 3. Russia’s regions with stable localization of biopharmaceutical clusters, 2009–2018

E_i , тыс. чел. / E_i , thou-     15,47   15,23   15,35   12,59   13,11   13,34   12,67   17,45   25,36   18,12

sa ^g nd people      ^g

Количество звезд, шт. /      2       2       2       1       1       1       1       2       2       2

Number of stars, pieces

Окончание табл. 3 / End of table 3 1                   2        3        4        5        6        7        8        9       10       11

Коэффициент локализа-    1,41    1,33    1,50    1,19    1,26    1,25    1,18    1,46    1,89    1,41

ции / LQ

Категория «убывающие» содержит в себе те регионы, у которых в период с 2009 по 2018 г. количество звезд уменьшалось, т. е. в этих регионах происходит постепенное сокращение локализации предприятий исследуемого кластера (табл. 4). К этой категории относятся Ставропольский край, республики Марий Эл, Татарстан и Мордовия, Пензенская, Курганская и Свердловская области. Данная категория характеризуется уменьшением количества звезд на конечную отчетную дату по отношению к начальной. Так, в Ставропольском крае, обладающем стабильной динамикой занятости в кластере за рассматриваемый период, в 2018 г. снижается локализованность кластера (LQ < 1,3), тем самым регион теряет звезду и становится «нулевым». Это связано как с постепенным снижением занятых в регионе (83,5 % от уровня 2009 г.), так и с резким падением численности занятых в кластере (на 27,5 % по отношению к 2017 г.). Динамика плавного снижения характерна и Республике Марий Эл. Показатель доли занятых кластера в данном регионе по сравнению с занятыми в кластере по стране (Size) снизился на 30 %. Свердловская область, Республика Татарстан и Республика Мордовия за 2017–2018 гг. потеряли по одной звезде. Во всех регионах данной категории наблюдается снижение численности занятых как в регионе в целом, так и в биофармацевтическом кластере в частности. К стабильным регионам, но с убывающей тенденцией относятся Курганская область, имеющая самый высокий коэффициент по группе (LQ = 6,24 в 2009 г., 4,67 – в 2018 г.), и Пензенская область. Таким образом, одна из самых крупных локализаций биофармацевтического кластера приходится на Центральный федеральный округ.

Категория «возрастающие» представляет собой совокупность регионов, где в период с 2009 по 2018 г. увеличивалось количество звезд от начального отчетного периода к конечному, т. е. в данной группе регионов происходит увеличение локализации предприятий исследуемого кластера, следовательно, усиление положительных агломерационных эффектов. К этой категории относятся Владимирская, Калужская, Тульская, Кировская, Нижегородская и Новосибирская области. Данная категория характеризует регионы, которые показывают положительную динамику в приросте численности занятых в регионе или в биофармацевтическом кластере данного региона. Таким образом, прирост числа занятых в кластере в Калужской области был максимальным и составил 341 % по отношению к 2009 г., в абсолютном выражении 2 220 чел., во Владимирской области – 185 %, 2 650 чел., в Новосибирской области – 153 %, 5 190 чел., в Кировской области – 143 %, 1 540 чел., в Тульской области – 120 %, 3 590 чел., в Нижегородской области – 110 % (2017 г.), 3 770 чел. Самая высокая доля занятых в кластере региона, по сравнению с занятыми в кластере по стране, в Новосибирской области – 4,43 % (прирост 133 % по отношению к 2009 г.). Выше всего доля занятых в биофармацевтическом кластере по сравнению со всеми занятыми в регионе в Нижегородской области – 2,88 %, однако это значение ниже уровня 2009 г. на 13,5 %.

Т а б л и ц а 4. «Убывающие» регионы локализации биофармацевтических кластеров, 2009–2018 гг.

T a b l e 4. Russia’s regions with decreasing localization of biopharmaceutical clusters, 2009–2018

E , тыс. чел. / E , thousand  271,1   267,9   255,5   254,6   253,3   247,5   238,9   231,2   221,7   219,9

pe ^g ople           ^g

E_i , тыс. чел. / E_i , thou-     3,63    3,63    3,40    3,09    2,85    2,77    2,88    2,94    2,92     2,72

sa ^g nd people      ^g

Окончание табл. 4 / End of table 4 1                   2        3        4        5        6        7        8        9       10       11

Количество звезд, шт. /      3       3       2       2       2       2       2       2       2       2

Number of stars, pieces

Т а б л и ц а 5. «Возрастающие» регионы локализации биофармацевтических кластеров, 2009–2018 гг.

T a b l e 5. Russia’s regions with increasing localization of biopharmaceutical clusters, 2009–2018

локализации / LQ

Размер, % / Size, %          0,64    0,52    0,74    0,73    0,77    1,05    1,04    1,59    1,23    1,90

Фокус, % / Focus, %         0,19    0,16    0,24    0,21    0,22    0,31    0,32    0,55    0,48    0,69

Продолжение табл. 5 / Continuation of table 5 1                   2        3        4        5        6        7        8        9       10       11

Тульская область / Tula Region

Окончание табл. 5 / End of table 5

Размер, % / Size, %          3,34    3,35    3,58    3,85    4,01    4,06    4,11    4,09    3,99    4,43

Фокус, % / Focus, %         0,40    0,40    0,42    0,42    0,44    0,44    0,46    0,51    0,53    0,55

В результате использования базы данных построены картограммы (рис. 3) и определены регионы локализации биофармацевтического кластера на территории России.

Р и с. 3. Картограммы специализации регионов России в 2009 и 2018 гг. (биофармацевтический кластер)

F i g. 3. Cartograms of specialization of Russia,s regions in 2009 and 2018 (the biopharmaceutical cluster)

Так, кластер «Биофармацевтика» в 2018 г. локализируется в следующих субъектах Федерации: городах федерального значения Москве и Санкт-Петербурге, Владимирской, Московской, Нижегородской, Туль- ской, Курской, Пензенской, Курганской, Томской, Кировской, Новосибирской и Калужской областях, республиках Татарстан, Мордовия, Марий Эл. Таким образом, в основном кластер локализуется в Центральном федеральном округе.

В Москве размер кластера биофармацевтики достиг 15,49 % при численности занятых в 18 120 чел., а в Московской области – при численности занятых в 18 070 чел. На территории данных субъектов Федерации расположены такие крупные предприятия по производству лекарственных препаратов, как ООО «КРКА-РУС», АО «Акрихин», ЗАО «Биокад», АО «Валента Фарм» и др. В Северо-Западном федеральном округе наибольший размер кластера приходится на Санкт-Петербург – 9,11 % при занятости в 10 660 чел. На территории города располагаются следующие предприятия: АО «Фармасинтез», ООО «Новартис Нева», ООО «Иммуно-Гем», ООО «Герофарм». С 2010 г. на территории Санкт-Петербурга функционирует кластер медицинской и фармацевтической промышленности, который специализируется в том числе и на проведении научно-исследовательских и опытно-конструкторских работ в фармацевтике и медицине и производстве фармацевтических субстанций и лекарственных средств. Кроме того, в Санкт-Петербурге функционирует особая экономическая зона технико-внедренческого типа, одним из основных направлений развития которой являются фармацевтика и медицинские технологии.

Кроме вышеназванных организаций крупнейшими промышленными предприятиями по производству фармацевтических средств на территории Российской Федерации являются также ОАО «Синтез» (Курганская область), Тульская фармацевтическая фабрика (Тульская область), Нижегородский химико-фармацевтический завод (Нижегородская область), Новосибирская фармацевтическая фабрика (Новосибирская область) и др.

Обсуждение и заключение. В рамках данного исследования рассмотрены основные аспекты использования статистического инструментария в соответствии с методологией, предложенной Европейской кластерной обсерваторией. Применение инструментария позволяет определить, достиг ли изучаемый кластер достаточной «критической массы» для генерации положительных внешних эффектов и связей. В результате исследования рассчитаны показатели «коэффициент локализации», «размер», «фокус» для биофармацевтического кластера в 83 субъектах Российской Федерации в период с 2009 по 2018 г. На основании этих расчетов определены уровень кластерной специализации каждого региона, а также динамика за период с 2009 по 2018 годы. На основании анализа динамики изменения критической массы кластера были выделены три группы регионов: «стабильные», «возрастающие» и «убывающие». Таким образом, применение информационно-аналитических систем является эффективным

- инструментом проектирования и анализа статистических данных в целях обоснования управленческих решений региональной кластерной политики, так как позволяет оперативно отслеживать концентрацию занятости в регионах, что в свою очередь может быть применено для оценки результативности реализованных мероприятий в области управления кластерным развитием территории.

Практическая значимость статьи состоит в предложении архитектуры базы данных, которую можно использовать для построения автоматизированной системы идентификации и анализа состояния кластеров в регионах России. Результаты анализа биофармацевтического кластера, представленные в статье, показывают регионы, в которых локализация кластера сокращается, растет и остается стабильной. Эти результаты могут стать основой для разработки региональной кластерной политики. В целом результаты исследования могут быть интересны специалистам в области экономической географии и государственного и муниципального управления.

Планируется в дальнейшем дополнить методику, предложенную Европейской кластерной обсерваторией, и трансформировать ее с целью использования для оценки других показателей развития кластеров. Также планируется дальнейшее расширение функционала разработанной базы данных с целью обеспечения удобного ввода и редактирования информации о занятости населения регионов, выведения автоматизированных отчетов, отражающих динамику развития кластеров в регионах России.