Оценка значимых факторов экономического развития муниципальных образований региона: пространственный анализ (на примере Ростовской области и Краснодарского края)

На уровне муниципальных образований происходит соприкосновение населения и хозяйствующих субъектов с результатами государственной политики по созданию комфортных условий для проживания и ведения экономической деятельности (Веприкова и др., 2022: 71). Основные подходы к выявлению значимых факторов экономической динамики основаны на применении агрегированных производственных функций; микроэкономическом анализе, предполагающем определение функций затрат/прибыли на уровне предприятий; построении VAR, SVAR, VECM моделей (Патракеева, 2021: 285). Разработке пространственных моделей на внутрирегиональном уровне посвящены исследования отечественных и зарубежных ученых. Ряд их касается оценки влияния человеческого капитала на экономическое развитие, механизма конвергенции экономик провинций Китая, вклада сети городских узлов на продуктивность городских систем (Wagner et al., 2017; Xu, Li, 2020; Lu et al., 2024); определения выгод и затрат реализации проектов в сфере городского транспорта и их влияния на распределение населения и занятости в контексте взаимосвязи рынков земли, труда и товаров для районов местного самоуправления Квинсленда (Австралия) (Lennox, 2023); влияния расширения железнодорожной инфраструктуры в разрезе 500 муниципалитетов в Нидерландах (Knaap, Oosterhaven, 2011).

Как отмечает В.М. Тимирьянова, связанность внутрирегионального пространства предполагает учет динамики экономических процессов, происходящих на сопредельных территориях (Тими-рьянова, 2020: 49). Применение эконометрических моделей территориально распределенных экономических процессов, позволяющих выявить сетевые эффекты, важно для прогнозирования и управления при стратегическом планировании регионов и городов (Балаш, 2012: 34). Наиболее распространенными моделями, учитывающими функциональную связь между экономическим положением пространственного объекта и положением в его окрестностях, являются модели пространственного лага (SAR), пространственной ошибки (SEM), пространственной фильтрации, географически взвешенная регрессия (GWR), регрессия с режимами (Грекусис, 2021: 473).

Для оценки экономической динамики на уровне субъектов страны в основном используется валовой региональный продукт (ВРП) на душу населения (или индекс его физического объема). Результирующим показателем регионального развития определено отношение ВРП к численности экономически активного населения (Земцов, Смелов, 2018). Гипотезы о значимости влияния человеческого капитала, инвестиций в основной капитал, фактора транспортной доступности рынков сбыта, уровня технологического развития в целом нашли подтверждение, при этом сочетание факторов менялось в разные периоды времени. Для административно-территориальных единиц динамика валового муниципального продукта (ВМП) характеризует эффективность экономической деятельности и результативность субрегионального управления (Климова, Сахапова, 2017). Однако отсутствие единого подхода и рекомендаций со стороны Федеральной службы государственной статистики к оценке ВМП создает серьезную методологическую проблему.

Выделяются следующие методы расчета показателя: факторной оценки, распределительный, результирующий, производственный (Климова, Сахапова, 2017: 107). Каждый из них имеет достоинства и недостатки, соответственно, имеющийся методический инструментарий противоречив и в полной мере не может быть применен на практике. В настоящей работе в качестве аналога ВМП выбран показатель отгрузки товаров собственного производства, выполненных работ и услуг собственными силами (без субъектов малого предпринимательства) как измеритель производственной активности на субрегиональном уровне (Тимирьянова и др., 2021: 54).

На рис. 1 представлено распределение данного показателя по муниципальным образованиям Ростовской области. В рамках первого квартиля [85,337 : 2063,753] сгруппированы районы с наименьшими объемами выпуска отгруженной продукции – преимущественно муниципалитеты северо- и юго-востока области. Второй и третий квартиль ([2254,150 : 8362,642] и [8477,872 : 21959,964]) составляют территории, обладающие потенциалом роста производства. К четвертому [23215,012 : 748268,110] – отнесены наиболее экономически активные муниципалитеты, в том числе крупные города, имеющие широкий рынок сбыта продукции.

Рисунок 1 – Карта распределения экономической активности в разрезе муниципалитетов Ростовской области (по данным за 2023 г.) ¹

Figure 1 – Map of Economic Activity Distribution by Municipalities of the Rostov Region (Based on Data for 2023)

Экономическая продуктивность распределена в пространстве неравномерно, сконцентрирована в мегаполисе (Ростов-на-Дону) и тяготеющих к нему районах (Аксайский район, г. Новочеркасск, Азов, Таганрог), а также на урбанизированных территориях или в формирующихся крупных городских агломерациях – Восточно-Донбасском (Красносулинский, Белокалитвинский районы, г. Каменск-Шахтинский, Шахты) и Волгодонском (г. Волгодонск) полюсах роста, а также в перспективном аграрно-индустриальном кластере – Миллеровском районе. На их долю приходится 84,2 % отгруженных товаров собственного производства, выполненных работ и услуг собственными силами, коэффициент вариации показателя – 2,8.

Для производственной деятельность Краснодарского края также характерна территориальная неоднородность (коэффициент вариации – 1,7), однако в меньшей степени по сравнению с Ростовской области. Экономическая активность, измеряемая объемом отгруженной продукции, сконцентрирована в муниципальных образованиях, относящихся к четвертому квартилю [67269,266 : 640254,689] – Абинском, Северском, Славянском, Темрюкском, Тимашевском районах, Краснодаре, Новороссийске, Анапе и Сочи (рис. 2). На долю этих территорий проходится 75,4 % выпуска товаров, выполненных работ и услуг собственными силами. Районы с наименьшим объемом отгруженной продукции отнесены к первому квартилю [4358,682 : 15775,458]. Второй и третий квартили составляют муниципалитеты ([17051,02 : 26074,647] и [33059,396 : 58220,571]), тяготеющие к городским агломерациям и имеющие перспективы развития за счет пространственной близости к рынкам сбыта и возможностям развития кооперационных связей.

Как отмечалось выше, на экономическую динамику оказывают влияние инвестиционная активность, инфраструктурная обеспеченность, накопленный человеческий капитал. В данной работе в качестве основных рассмотрим следующие факторы и оценим их вклад в экономическое развитие обоих регионов: индикаторами человеческого капитала определены среднесписочная численность работников организаций и среднемесячная заработная плата сотрудников организаций; индикатором инфраструктурного капитала – плотность автодорог общего пользования местного значения с твердым покрытием.

1 Все таблицы и рисунки составлены авторами.

Рисунок 2 – Карта распределения экономической активности в разрезе муниципалитетов Краснодарского края (по данным за 2023 г.)

Figure 2 – Map of Economic Activity Distribution by Municipality in Krasnodar Krai (Based on Data for 2023)

Неслучайное географическое распределение экономической активности и других факторов развития территорий оказывает существенное влияние на точность классических регрессионных моделей, которые основываются на предположении о независимости наблюдений. При наличии пространственной автокорреляции последнее отвергается, а применение классических моделей приводит к получению смещенных оценок. Следовательно, при работе с пространствен- ными данными необходимо определить наличие глобальной или локальной пространственной автокорреляции (Грекусис, 2021: 225–226).

Для проверки гипотезы о значимости факторов на уровне муниципальных образований нами были выбраны модели SAR (формула (1)) и SEM (формула (2)):

Y = const + WY + ax 1 + bx₂ + cx₃ + dx₄ + г s ~ N(0, a²)

Y = co'nst + ax1 + bx2 + cx3 + dx4 + и и = AW и + г где  Y – отгруженные товары собственного производства, выполненные работы и услуги соб ственными силами (без субъектов малого предпринимательства), млн руб.;

WY - пространственный лаг отгруженных товаров собственного производства, выполненных работ и услуг собственными силами (без субъектов малого предпринимательства), млн руб.;

• x 1 - объем инвестиций в основной капитал (за исключением бюджетных средств), млн руб.;

• x₂ - среднемесячная заработная плата работников организаций (без субъектов малого предпринимательства), руб.;

• x₃ - плотность автодорог общего пользования местного значения с твердым покрытием, км на 1000 кв. км;

• x₄ - среднесписочная численность работников организаций (без субъектов малого предпринимательства), человек.

Для выявления пространственной зависимости рассчитывается глобальный индекс Морана и множители Лагранжа – Lagrange Multiplier (SAR, SEM) (Robust LM (SAR, SEM)). Данные критерии оцениваются при создании модели классической регрессии (OLS) и позволяют понять, какую спецификацию следует применить: пространственную регрессию или можно ограничиться результатами OLS (Грекусис, 2021: 474). Выбор подходящей модели для Ростовской области опирался на оценки критериев, представленных в табл. 1.

Таблица 1 – Диагностика пространственной зависимости (Ростовская область)

Table 1 – Diagnostics of Spatial Dependence (Rostov Region)

Тест	Значение	p – value
Moran’s I (error)	–1,9861	0,04702
Lagrange Multiplier (SAR)	14,0222	0,00018
Robust LM (SAR)	10,3294	0,00131
Lagrange Multiplier (SEM)	4,3895	0,03616
Robust LM (SEM)	0,6967	0,40389

Расчеты показали, что оба множителя Лагранжа значимы: Lagrange Multiplier (SAR) = = 14,0222 (p = 0,00018) и Lagrange Multiplier (SEM) = 4,3895 (p = 0,03616), однако робастные множители Лагранжа указывают на предпочтительность применения модели пространственного лага – SAR (Robust LM (SAR) = 10,3294, p = 0,00131; Robust LM (SEM) = 0,6967, p = 0,40389).

Тест Moran’s I (error) указывает на наличие пространственной автокорреляции в остаточных ошибках. Оценки модели SAR для муниципалитетов Ростовской области рассчитаны методом максимального правдоподобия и приведены в табл. 2.

Таблица 2 – Оценки модели SAR (Ростовская область)

Table 2 – SAR Model Estimates (Rostov Region)

Регрессоры	Коэффициент	Статистическая ошибка
const	–78533,5***	20 900,1
ρ ( wY )	–0,220***	0,059
Х 1	6,197***	1,202
Х 2	1,906***	0,483
Х з	7,335***	1,737
Х 4	0,634*	0,342
R2	0,973
*** 1 %-ный, 10 %-ный уровни значимости

Параметр пространственной авторегрессии ρ является отрицательным и статистически значимым, что свидетельствует о соседстве территорий с высокой экономической активностью с муниципалитетами, характеризующимися относительно низкой продуктивностью. Отрицательные экстерналии указывают на особый характер связанности экономического пространства, в рамках которого снижение или прекращение производства в одном муниципалитете стимулирует темпы экономической деятельности в соседствующих районах для удовлетворения спроса на продукцию (Тимирьянова и др., 2021: 54).

Все рассматриваемые факторы статистически значимы. Количественные отклики результирующего показателя в зависимости от изменения инвестиций в основной капитал ( х 1 ) и плотности сети автомобильных дорог местного уровня ( х₃ ) сопоставимы (6,197 и 7,335 соответственно) и выше, чем отклики на изменение других показателей.

Соответственно, инвестиции в основные фонды и, в том числе, в расширение дорожной сети, способствующие повышению совокупной факторной производительности и снижению общих транспортных издержек, являются детерминантами экономического роста и развития промышленного производства. Заработная плата ( х₂ ) и занятость ( х₄ ) также имеют положительное влияние на динамику отгруженной продукции.

Глобальный индекс пространственной автокорреляции (Moran’s I) указывает на наличие кластеризации в значениях отгруженной продукции, но не позволяет определить конкретное местоположение кластеров. Для его определения следует использовать локальный индекс Морана (LISA). Высокие положительные оценки последнего указывают на формирование кластера «Высокий – Высокий» (High – High), то есть муниципалитеты, имеющие высокий уровень производства окружены территориями с высоким уровнем экономической активности.

Если значения индекса низкие, то имеет место кластер «Низкий – Низкий» (Low – Low), в котором районы с низким значением показателя окружены пространственными объектами с аналогичными характеристиками.

Кластер «Низкий – Высокий» (Low – High) включает районы, отстающие по темпам роста относительно соседствующих муниципалитетов, а в кластере «Высокий – Низкий» (High – Low), наоборот, территории с высоким уровнем производства соседствуют с отстающими относительно них районами. Карта пространственных выбросов (кластеров) по Ростовской области, построенная с помощью LISA, представлена на рис. 3.

Рисунок 3 – Карта локальных пространственных кластеров Ростовской области, построенная с помощью метода LISA

Figure 3 – Map of Local Spatial Clusters Rostov Region, Built Using the LISA Method

Центрами кластера «Высокий – Высокий» являются Аксайский район и г. Шахты, в кластер «Низкий – Высокий» вошли Гуково, Зверево, конкурирующие за инвестиции и другие ресурсы развития с Красносулинским районом и Шахтами, а также г. Батайск и Мясниковский район, конкурирующие с Аксайским, Азовским районами и Ростовом-на-Дону. В то же время территории в границах ареала «Низкий – Высокий» получают положительные экстерналии от Ростовской и формирующейся Восточно-Донбасской агломераций. Однако муниципальные образования кластера «Низкий – Низкий» – Семикаракорский, Верхнедонской, Боковский, Советский, Морозов-ский, Зимовниковский районы – являются экономически депрессивными с точки зрения показателя отгруженной продукции. В отношении этих муниципальных образований следует проводить политику, направленную на диверсификацию производства и занятости, модернизацию социальной и транспортной инфраструктуры. Например, в Зимовниковском районе низкая обеспеченность автодорожной сетью (72,9 км на 1 000 кв. км; для сравнения: в Волгодонске – 1 924,5 км на 1 000 кв. км) и низкое качество транспортной инфраструктуры (не отвечают нормативным требованиям 53,5 % дорог общего пользования местного значения) являются факторами замедления экономической динамики. Инфраструктурные ограничения и низкая инвестиционная активность территорий, тяготеющих к Волгодонску как центру одного из областных индустриальных полюсов роста, являются препятствием к формированию Волгодонской агломерации.

Проведем аналогичный анализ для Краснодарского края. Оценки множителей Лагранжа и глобального индекса Морана позволяют выбрать подходящий инструментарий (табл. 3).

Таблица 3 – Диагностика пространственной зависимости (Краснодарский край)

Table 3 – Diagnostics of Spatial Dependence (Krasnodar Krai)

Тест	Значение	p – value
Moran’s I (error)	–1,3376	0,18102
Lagrange Multiplier (SAR)	1,9052	0,16750
Robust LM (SAR)	0,7335	0,39175
Lagrange Multiplier (SEM)	2,3747	0,12331
Robust LM (SEM)	1,2030	0,27271

Расчеты показали, что оба множителя Лагранжа незначимы: Lagrange Multiplier (SAR) = = 1,9052 (p = 0,16750) и Lagrange Multiplier (SEM) = 2,3747 (p = 0,12331), в том числе и множители Лагранжа (Robust LM (SAR) = 0,7335, p = 0,39175; Robust LM (SEM) = 1,2030, p = 0,40389). Тест Moran’s I (error) позволяет принять гипотезу об отсутствии пространственной автокорреляции в остаточных ошибках. Соответственно, для оценки коэффициентов модели может быть использован метод наименьших квадратов (табл. 4).

Таблица 4 – Оценки модели SAR (Краснодарский край)

Table 4 – SAR Model Estimates (Krasnodar Krai)

Регрессоры	Коэффициент	Статистическая ошибка
const	–207526***	59 030,7
Х 1	3,64472***	0,665154
Х 2	4,24445***	1,22999
Х з	73,2717***	20,5966
Х 4	-0,0912	0,25284
R2	0,933
*** 1 %-ный, 10 %-ный уровни значимости

Для Краснодарского края значимыми факторами экономической динамики являются инвестиции в основной капитал ( х 1 ), средняя заработная плата ( х ₂) и обеспеченность транспортной инфраструктурой ( х₃ ). Прирост плотности дорожной сети на км на 1 000 кв. км позволяет увеличить экономическую продуктивность на 73,3 млн руб. Таким образом, отдача от инфраструктурных проектов в транспортной сфере значительно выше, чем в Ростовской области.

Изменение геополитической ситуации последних лет обусловило переориентацию экономических связей России на Восток и на Юг. Следовательно, для удовлетворения потребностей экономики и общества в качественных транспортных услугах проекты развития дорожного хозяйства и автомобильного транспорта приобретают особую актуальность. Например, в Южном макрорегионе осуществляется реконструкция федеральной трассы М-4 «Дон», строительство трассы «Таврида» А-291 и ведущих от нее двух дорог хордовой сети, других автомобильных дорог регионального и местного значения, расширение мощностей портов Новороссийск, Тамань и Темрюк, модернизация инфраструктуры семи аэропортов, в том числе в новых регионах.

Значимость плотности сети автодорог местного уровня в обоих регионах для увеличения продуктивности хозяйственной деятельности свидетельствует о том, что инвестиции в транспортную инфраструктуру могут порождать неравенство между муниципалитетами и усиливать процесс «стягивания» ресурсов периферии в «ядра» агломераций. Полученный результат подтверждает важность инфраструктуры как фактора результативности регионального управления (Puga, 2002).

Применение локального индекса Морана позволило выявить территории опережающего развития (центр кластера «Высокий – Высокий» – г. Анапа), точки роста (кластер «Низкий – Высокий» – Красноармейский и Крымский районы, г. Геленджик) и муниципалитеты, характеризующиеся замедлением выпуска продукции, выполненных работ и услуг собственными силами относительно соседствующих с ними районов (рис. 4).

Рисунок 4 – Карта локальных пространственных кластеров Краснодарского края, построенная с помощью метода LISA

Figure 4 – Map of Local Spatial Clusters in Krasnodar Krai Built Using the LISA Method

Перспективы развития Красноармейского района связаны с распространением локальных экстерналий Краснодарской агломерации, Крымского района и Геленджика – вхождением в состав Новороссийской агломерации и, соответственно, получением положительных пространственных эффектов, обусловленных концентрацией населения и экономической активности.

Для территорий, отстающих по объему отгруженной продукции, требуется формирование благоприятных условий для инвестирования в ключевые отрасли экономики муниципальных образований: для Каневского района – в переработку сельскохозяйственного сырья; для Белореченского района – в химическую, перерабатывающую, пищевую промышленность, промышленность строительных материалов; для Лабинского района – в агропромышленный комплекс.

Представленное исследование вносит свой вклад в изучение теоретических и практических аспектов связи результатов экономической деятельности с социальными, инфраструктурными, инвестиционными макрорегиональными факторами. Выявлено наличие значимых пространственных внешних эффектов для Ростовской области, учитывающих географическую близость муниципалитетов региона. Для Краснодарского края экстерналии имеют локальный характер. Полученные результаты подчеркивают наличие пространственных различий в региональном росте рассматриваемых субъектов и могут служить основанием для выработки дифференцированного подхода к определению направлений и инструментов управления социально-экономическим развитием на субрегиональном уровне.