Развитие полюсов роста в Российской Федерации: прямые и обратные эффекты

Вопросы управления пространственным развитием представляют особый интерес для Российской Федерации, площадь которой отличается значительными масштабами, а характеристики отдельных территориальных единиц – многообразием. Важность преобразования социально-экономического пространства усиливается в условиях наращивания межтерриториальной дифференциации по целому ряду важнейших показателей (например, разница между максимальным и минимальным значениями среднедушевого объема ВРП в период с1998 по 2017 г. увеличилась с 20 до 54,8 раза1): существенные региональные диспропорции искажают пространство, являются свидетельством его недостаточной целостности.

Между тем единое, целостное пространство, значимость формирования которого в своих исследованиях подчеркивали Е.Г. Анимица, Н.М. Сурнина [1], Е.М. Бухвальд [2], А.И. Татаркин [3] и другие авторы, не может быть гомогенным: каждая территория обладает собственным набором преимуществ и слабостей, определяющим специфику и успешность социально-экономических процессов, осуществляемых в ее границах, что делает попытки воздействия на отдельные регионы и муниципальные образования в целях выравнивая параметров их развития высокозатратными и малоэффективными. Так, Н.В. Зубаревич [4] видит необходимость устранения существенных противоречий только между социальными характеристиками развития территорий (тогда как сглаживание про- странственного экономического неравенства из-за его обусловленности объективными факторами не представляется возможным).

Более того, в рамках концепции поляризованного развития, которая доминирует в региональной политике, осуществляемой в России в настоящее время2, опережающее развитие отдельных территориальных элементов воспринимается как источник позитивных преобразований масштабных территориальных систем.

Основой данной концепции считается теория кумулятивной причинности Г. Мюрдаля [5], который отмечал наличие тесной зависимости между всеми параметрами развития системы, вследствие чего ее изменения обусловливают импульсы, передаваемые отдельными системными элементами. Очевидно, что в таком случае национальное и региональное развитие носят скорее дивергентный, чем конвергентный, характер, а их ключевым фактором выступает формирование экономических лидеров, выступающих инициаторами положительных трансформаций. Термин «полюса роста» был предложен французским ученым Ф. Перру [6], который определял их как компактно размещенные и динамично развивающиеся отрасли или отдельные предприятия, сосредоточивающие в себе «импульс развития», воздействующий на территориальную структуру хозяйства и ее динамику. Он также подчеркивал объективный характер их формирования: все экономические субъекты изначально отличаются друг от друга, причем масштабы этих отличий со временем лишь увеличиваются. Идеи Ф. Перру нашли продолжение в исследованиях еще одного французского экономиста – Ж.-Р. Будвиля [7]: он не только обозначил условия появления точек роста, но и предложил понимать под ними наряду с предприятиями и отраслями разномасштабные территории, являющиеся источниками инновационного и экономического развития всей страны. Качественное развитие подход Ф. Перру и Ж.-Р. Будвиля получил в работах П. Потье [8], предположившего, что пространства, соединяющие отдельные полюса роста и служащие площадками для инфраструктурных сетей, развиваются более интенсивно, чем прочие территории, становясь со временем коридорами (или осями) развития и превращаясь в элементы пространственного каркаса экономического роста страны.

В свою очередь, трансформация территорий, не попадающих в число полюсов или осей роста, определяется их взаимодействием с лидерами. Так, Т. Хагерстранд [9] видел в качестве основы синхронизации темпов развития отличающихся друг от друга регионов диффузию инноваций: капитал стремится из центров развития в периферийные районы, где ресурсы более доступны, обусловливая тем самым рост их экономики. Этот подход нашел отражение в модели «вулкана» Х. Гирша [10], в соответствии с которой полюс роста периодически обеспечивает импульсами нововведений окружающие территории, вследствие чего периферия получает доступ к инновациям, постепенно повышая уровень своего благосостояния и получая возможность превращения в центр развития.

Со временем интерес исследователей, рассматривающих факторы трансформации территорий в полюса роста, сместился в сторону изучения возможностей агломерационного развития и оценки той роли, которую играют агломерации в преобразовании (в первую очередь экономическом) страны: особого внимания заслуживают теория «центр-периферия» Дж. Фридмана [11], работы Х. Ричардсона [12] и П. Ромера [13], посвященные агломерационным эффектам, концепция новой экономической географии М. Фуджиты, П. Кругмана и Э. Венейблса [14], теория кластеров М. Портера [15].

В современных зарубежных исследованиях вопросам неоднородности развития различных территорий также уделяется много внимания, причем акцент делается как на сложности преодоления отставания экономически слабых регионов и городов от лидеров [16; 17; 18; 19], так и на тех перспективах, которые открывает перед пространственными системами формирование и развитие полюсов роста – агломераций, кластеров [20; 21; 22]. Эти темы достаточно востребованы и среди российских авторов [23; 24; 25; 26], тем более, что процесс изучения вопросов трансформации пространственной организации хозяйства имеет длительную историю в отечественной науке (так, в основе советской модели размещения производительных сил лежали территориально-производственные комплексы [27], по целому ряду своих характеристик соответствующие модели полюса роста).

Подобный «двусторонний» подход к определению приоритетов пространственных преобразований (с одной стороны, стремление к устранению существенных межтерриториальных диспропорций, с другой стороны, формирование и поддержка полюсов роста) кажется противоречивым, однако в рамках концепции поляризованного развития эти приоритеты могут сочетаться друг с другом (но только в том случае, если под устранением диспропорций не подразумевается полная ликвидация различий между территориями). Более того, в теории полюса роста способны выступать в качестве эффективного инструмента сокращения уровня межтерриториальной дифференциации (достаточно вспомнить модели Т. Хагерстранда, Х. Гирша), что и предопределяет появление в научной литературе значительного количества работ, основанных на поиске возможностей применения концепции поляризованного развития в сегодняшних условиях [28; 29]. Несмотря на то что теория полюсов роста не теряет своей популярности в наши дни, оценка некоторыми исследователями возможностей и эффективности реализации на практике концепции поляризованного развития носит несколько противоречивый характер. Например, С.Е. Дронов отмечает, что ускоренное развитие двух столиц (Москва и Санкт-Петербург) не обеспечило их превращение в точки роста, способствующие развитию экономики прилегающих территорий, более того, привело к усилению неравенства между ними [30], Г.Ф. Шайхутдинова называет в качестве главного недостатка концепции полюсов роста ориентацию на развитие отдельных элементов пространства, которая приводит к наращиванию неравномерности социально-экономического развития территорий [31, c. 40]. И действительно, опережающее развитие территорий, которые могли бы стать точками роста экономики как всей страны в целом, так и отдельных (в первую очередь близко расположенных к ним) регионов и муниципалитетов, зачастую приводит к обратному эффекту: межтерриториальные контрасты лишь усиливаются.

В то же самое время в работах, отмечающих наличие подобных (как прямых, так и обратных) эффектов поляризованного развития, акцент в большинстве случаев делается лишь на самом факте их проявления, а авторы концентрируются либо на возможностях использования преимуществ, возникающих в процессе выделения полюсов роста, либо на обозначении причин и последствий дисбалансов, вызванных ускоренным развитием экономических лидеров. При этом без должного внимания остается масштаб того воздействия (позитивного или негативного), которое они оказывают на территории, сосредоточенные вокруг. Все вышеизложенное определило выбор цели исследования – разработка подхода к оценке влияния полюсов роста на окружающее их пространство.

Описание методики исследования и обоснование ее выбора

Анализ пространственных характеристик социально-экономических комплексов, хотя и не исключает оценку масштабов и динамики отдельных показателей их развития, не может основываться лишь на ней: приоритетным является рассмотрение особенностей расположения объектов (и их совокупностей) в пространстве, а важными для исследования аспектами становятся параметры близости объектов друг к другу, их концентрации в границах территории, масштабности формируемых ими систем.

Очевидно, что самым простым способом анализа особенностей пространственного развития является межтерриториальное сопоставление значений рассматриваемых показателей (например, выявление соотношения максимальной и минимальной величин исследуемого параметра, определение коэффициента Джини, который дает возможность охарактеризовать степень дифференциации развития отдельных элементов пространства, и т.д.). Итогом проведения подобных сопоставлений является определение параметров неоднородности пространственного развития, оценка которых позволяет сделать обобщенные выводы о масштабах поляризации экономики (или социальной сферы), однако не дает полного представления о степени зависимости между параметрами развития более успешных территорий и их соседей (межтерриториальное сопоставление позволяет лишь констатировать наличие или отсутствие диспропорций).

Рассмотрение в качестве потенциальных точек роста агломераций (компактных скоплений населенных пунктов, тесно связанных экономическими и социальными потоками, а также реализующих благодаря взаимодействию друг с другом эффекты локализации и концентрации, эффекты масштаба производства [32]) дает исследователям возможность использовать для оценки масштабов их развития целый комплекс специальных параметров: коэффициента агломеративности, индекса агломеративности, коэффициента развитости населения агломерации [33] и т.д. Однако такой подход позволяет сосредоточиться на самих точках роста (и том месте, которое они занимают в социально-экономической системе региона или страны), упуская при этом из внимания особенности преобразования окружающих их территорий.

В свою очередь для выявления степени связанности отдельных составляющих пространства друг с другом может быть использована оценка пространственной автокорреляции, которую можно определить следующим образом: для множества S, состоящего из n географических единиц, пространственная автокорреляция представляет собой соотношение между переменной, наблюдаемой в каждой из n единиц, и мерой географической близости, определенной для всех n(n–1) пар единиц из S [34]. Таким образом, анализ пространственной автокорреляции позволяет установить тесноту взаимосвязи между параметрами, характеризующими развитие расположенных поблизости друг от друга территорий.

Одним из наиболее распространенных (и при этом простых в применении) параметров оценки пространственной автокорреляции является индекс Морана, который представлен в качестве методической основы целого ряда зарубежных исследований [35; 36; 37]. Оценка индекса Морана предполагает осуществление следующих шагов.

На первом этапе необходимо построить матрицу расстояний, содержащую сведения о расстояниях между всеми исследуемыми территориальными единицами (в нашем исследовании – российские регионы). Существуют различные подходы к определению значений для матрицы: например, они могут приниматься равными нулю (если территории не имеют общей границы) или единице (если такая граница существует), могут определяться на основании данных о расстоянии «по воздуху», о протяженности автомобильных дорог или железнодорожных путей между рассматриваемыми территориями.

В рамках проведенного исследования матрица расстояний была построена с учетом информации о протяженности автомобильных дорог между административными центрами субъектов Российской Федерации.

Второй шаг заключается в расчете значения глобального индекса Морана и определении наличия (или отсутствия) пространственной автокорреляции.

Формула для расчета глобального индекса Морана (1) выглядит следующим образом:

_ n X i . = 1 X n = 1 w^, x- x )( Xj ^- x )

X 0 Xx - x )2 , где I – глобальный индекс Морана, x – рассматриваемый показатель, S0 – совокупность всех пространственных весов (S0 = ∑i=1∑j=1wij), n – число анализируемых территорий.

Значения индекса могут лежать в интервале от -1 до 1, а его сопоставление с математическим ожиданием (2) позволяет сделать вывод о наличии и характере пространственной автокорреляции.

E ( I ) = — , (2) n - 1

где E(I) – математическое ожидание индекса, n – число анализируемых территорий.

Интерпретировать полученные значения можно следующим образом. Если величина индекса Морана превышает математическое ожидание, наблюдается положительная пространственная автокорреляция (значения наблюдений для соседних территорий близки друг к другу); если математическое ожидание превышает величину индекса Морана, можно сделать вывод о наличии отрицательной пространственной автокорреляции (значения рассматриваемого показателя расположенных вблизи друг от друга территорий отличаются). Если же индекс Морана совпадает по своему значению с математическим ожиданием, это свидетельствует об отсутствии пространственной автокорреляции [38].

Проверка значимости полученных результатов может быть осуществлена с помощью традиционного для эконометрических исследований метода статистической проверки гипотез (z-теста), который проводится с помощью определения величины Z-статистики (3).

• I -    E ( I )

z - статистика = , , (3) E(12) - E(I)’ , где I – глобальный индекс Морана, E(I) – математическое ожидание индекса.

Найденное значение говорит о том, на какое количество стандартных отклонений фактическое значение индекса Морана удалено от ожидаемого значения. Чем больше значение – тем менее вероятно, что фактическое распределение случайно.

Третий шаг – расчет значений локального индекса Морана и определение тесноты взаимосвязей между отдельными территориями.

Локальный индекс Морана позволяет идентифицировать наличие и характер связи конкретной территории со всеми остальными [39]. Расчет его значения может быть осуществлен с помощью формулы (4):

• I L ,    = ^z i^ w jzj , (4)

где I_L – локальный индекс Морана для i -той территории, w_ij – стандартизированная дистанция между i -той и j -той территориями, z_i и z_j – стандартизированные значения изучаемого показателя для i -той и j -той территорий.

Полученные величины могут принимать значения от -1 до 1, а логика их интерпретации совпадает с логикой оценки значений глобального индекса Морана.

Интерес могут представлять и отдельные составляющие локального индекса (5), значения которых характеризуют силу взаимовлияния между двумя конкретными территориями:

LISA_ij = z_iz_jw_ij , (5)

где LISA_ij – сила взаимовлияния между i -той и j -той территориями, w_ij – стандартизированная дистанция между i -той и j -той территориями, z_i и z_j – стандартизированные значения изучаемого показателя для i -той и j -той территорий.

Четвертый шаг предполагает группировку территорий в соответствии с соотношением характерных для них стандартизированных значений рассматриваемого показателя и значений пространственного фактора (что позволяет определить место каждой территориальной единицы в анализируемой пространственной системе, выявить ее лидеров – точки экстремума и периферийную зону, осуществить пространственную кластеризацию).

Если объединить стандартизированные значения оцениваемого показателя (z) с его пространственно взвешенными центрированными значениями (wz) для каждой анализируемой территории в одной системе координат, то можно заметить, что точки (характеризующие территориальные единицы) локализуются в одном из четырех квадрантов [40].

Для территорий, отличающихся достаточно высокими значениями рассматриваемого показателя и при этом соседствующих с территориями, обладающими похожими величинами рассматриваемого параметра, значения z и wz будут положительны (квадрант HH – экстремумы). Отрицательные значения z и wz (квадрант LL) свидетельствуют о том, что территории расположены поблизости от схожих по масштабам анализируемой сферы субъектов, а величина рассматриваемого параметра – относительно невысока. Если значение z положительно, а wz – отрицательно (квадрант HL), территория отличается от своих соседей, опережая их по оцениваемому показателю. Если, напротив, при отрицательном z величина wz больше ноля (квадрант LH), территория отстает от соседей.

Таким образом, территории с положительной автокорреляцией попадают в квадранты HH и LL, с отрицательной – в квадранты HL и LH. Для наилучшей визуализации итогов проведенных расчетов возможно использование картографических способов изображения, которые позволяют наглядно представить скопления субъектов РФ, попавших в разные группы (квадранты), а также выделить регионы, наиболее сильно влияющие друг на друга.

Таким образом, оценка пространственной автокорреляции позволяет не просто идентифицировать наличие взаимосвязи между отдельными территориями, но и измерить ее, обозначить лидеров (не только по масштабам развития, но и с точки зрения силы их влияния на соседей) и аутсайдеров. Основываясь на «классическом» (предложенном в трактовках Ф. Перру и Ж.-Р. Будвиля) понимании сущности полюсов роста, можно предположить, что их ключевыми характеристиками можно считать, с одной стороны, высокий уровень развития, позволяющий им выделяться среди прочих субъектов, с другой стороны, существенность их влияния на развитие иных социально-экономических систем (всей социально-экономической системы в целом). В контексте приведенного выше подхода к группировке территорий (на основании расчетов значения индекса Морана) потенциальными полюсами роста могут считаться субъекты, попадающие в группы HH и HL (для них характерны достаточно высокие значения рассматриваемых показателей) и имеющие при этом существенные величины локального индекса Морана ( I ), что

L _i свидетельствует о тесной взаимосвязи между их развитием и развитием прочих территорий. В связи с этим каждую выделяемую в рамках дальнейшего анализа группу регионов имеет смысл делить на две части (в соответствии с параметрами локального индекса Морана тех территорий, которые в нее попадают – особый интерес представляют регионы, имеющие наиболее тесные взаимосвязи с иными субъектами), хотя на практике такое деление далеко не всегда возможно (может сложиться ситуация, при которой регионов, развитие которых существенно коррелирует с развитием других участников хозяйственной системы, внутри группы не будет).

Результаты исследования, их анализ и пояснение

Для того чтобы определить, как полюса роста влияют на окружающее их пространство, был проведен анализ значений таких показателей, как «численность постоянного населения» и «валовой региональный продукт»3. Их выбор продиктован тем фактом, что оба этих показателя могут рассматриваться в качестве результирующих параметров развития территории. Так, величина валового регионального продукта характеризует масштабы хозяйственной деятельности, осуществляемой в регионе, и зависит от успешности ее осуществления. В свою очередь, распределение жителей страны в ее пространстве является следствием совокупности сложных демографических и социальноэкономических процессов и закономерностей, во многом определяемых успешностью развития отдельных территориальных систем.

Оценка пространственной автокорреляции, проведенная на основе анализа данных о численности населения в российских регионах, свидетельствует о наличии прямой связи меж- ду значениями данного показателя в расположенных вблизи друг от друга территориях. Такие выводы позволяет сделать сопоставление величины глобального индекса Морана (0,020), рассчитанного с помощью формулы (1), с его математическим ожиданием (-0,012), для определения которого используется формула (2). Это означает, что изменение значения рассмотренного показателя (численность населения) при переходе от региона к региону происходит постепенно. При этом четко прослеживается наличие двух «лидеров» – полюсов роста (Москва и Московская область), которые не только характеризуются высокой численностью населения, но и оказывают существенное воздействие на окружающие их регионы: точки, которые их отображают, находятся гораздо правее основного массива (рис. 1).

Наибольшую долю в общем количестве регионов занимают территории с отрицательной автокорреляцией (группа LH) – с низкими значениями рассматриваемого показателя, окруженные территориями, численность населения в которых относительно высока ( табл. 1 ) .

Рис. 1. Пространственная диаграмма рассеяния индекса Морана для субъектов РФ (численность постоянного населения)

WZ

Составлено по: Регионы России. Социально-экономические показатели. 2018: стат. сб. / Росстат. М., 2018. С. 39-42.

Таблица 1. Группы субъектов РФ, имеющих разные позиции в национальной системе расселения*

Субъект РФ	I L i	Субъект РФ	I L i
LH		HH
Рязанская область	-0,0040	Московская область	0,0221
Калужская область	-0,0027	г. Москва	0,0143
Республика Адыгея	-0,0027	Нижегородская область	0,0023
Новгородская область	-0,0020	Свердловская область	0,0021
Тверская область	-0,0018	Республика Башкортостан	0,0021
Республика Марий Эл	-0,0016	Ростовская область	0,0017
Костромская область	-0,0015	Челябинская область	0,0017
Орловская область	-0,0014	г. Санкт-Петербург	0,0015
Владимирская область	-0,0014	Самарская область	0,0013
Тамбовская область	-0,0013	Республика Татарстан	0,0009
Ивановская область	-0,0013	Пермский край	0,0008
Республика Мордовия	-0,0012	Саратовская область	0,0006
Республика Калмыкия	-0,0012	Волгоградская область	0,0005
Смоленская область	-0,0011	Воронежская область	0,0005
Псковская область	-0,0011	Ленинградская область	0,0003
Липецкая область	-0,0011	Оренбургская область	0,0002
Тульская область	-0,0010	Новосибирская область	0,0002
Курганская область	-0,0010	Омская область	0,0001
г. Севастополь	-0,0009	Кемеровская область	0,0001
Карачаево-Черкесская Республика	-0,0008	Алтайский край	0,0000
Прочие субъекты РФ
LL		HL
Республика Северная Осетия-Алания	0,0027	Краснодарский край	-0,0008
Республика Ингушетия	0,0027	Республика Дагестан	-0,0005
Кабардино-Балкарская Республика	0,0006	Ставропольский край	-0,0003
Еврейская автономная область	0,0006	Красноярский край	-0,0001
Амурская область	0,0003	Иркутская область	-0,0001
Магаданская область	0,0003	Республика Крым	-0,0001
Хабаровский край	0,0003	Приморский край	0,0000
Сахалинская область	0,0002
Чеченская Республика	0,0002
Чукотский автономный округ	0,0002
Республика Саха (Якутия)	0,0001
Забайкальский край	0,0001
Камчатский край	0,0001
Республика Бурятия	0,0000
* Полужирным курсивом выделены субъекты РФ, имеющие наиболее сильные межтерриториальные связи с окружающими территориями (их значение локального индекса Морана, взятое по модулю, превышает модуль среднего значения рассчитанных локальных индексов Морана). Составлено по: Регионы России. Социально-экономические показатели. 2018: стат. сб. / Росстат. М., 2018. С. 39-42.

Практически все регионы, входящие в данную группу и характеризующиеся тесными межрегиональными связями, расположены рядом с Москвой (и Московской областью).

Экстремумы – регионы, попавшие в группу HL и обладающие существенными (по сравне- нию с соседними субъектами) значениями рассматриваемого показателя, характеризуются слишком низкими значениями локального индекса Морана, чтобы можно было говорить о наличии существенного влияния с их стороны на окружающие территории.

Еще одна группа регионов с относительно высокими значениями численности населения (но при этом отличающаяся положительной автокорреляцией) – группа HH. Это территории, которые по значениям рассматриваемого показателя сопоставимы с окружающими их регионами. Они представляют собой элементы ареала концентрации жителей страны. Максимальные значения локального индекса Морана характерны для представителей именно этой группы – Москвы и Московской области (что уже было отмечено ранее). Следует, однако, отметить, что положительные значения индекса этих территорий связаны с их близостью друг к другу (при существенной численности населения в каждом из регионов), тогда как связь с окружающими их территориями носит обратный характер.

Группа LL (регионы, которые не испытывают влияния со стороны окружающих их субъектов, попавших в поле проведенного исследования, и сами не являются лидерами) включает в себя преимущественно территории Дальнего Востока и южной части страны.

Проведенные расчеты (а также графическое отображение группировки регионов в соответствии с их ролью в национальной системе расселения, представленное на рис. 2 ) свидетельствует о наличии корреляции между показателями численности населения, проживающего на соседних территориях. В то же самое время анализ тесноты взаимосвязей (в рамках рассматриваемого параметра) между отдельными регионами показывает, что существенным можно назвать влияние на прилегающие территории только комплекса, состоящего из Москвы и Московской области.

При этом все связи, объединяющие Москву с регионами, относящимися к зоне существенного влияния территорий-лидеров, и показанные с помощью линий на рис. 2, носят обратный характер. Это означает, что наращивание потенциала Москвы (и Подмосковья) в перспективе не будет приводить к усилению связанных с ней регионов (расположенных вокруг Московской области), наоборот, повлечет за собой отток имеющихся у них ресурсов.

Состоятельность данного тезиса подтверждает и ретроспективный анализ: результаты оценки изменения численности населения российских регионов за достаточно продолжительный период (60 лет) свидетельствуют, что ли- дерами по темпам убыли населения являются регионы, расположенные в европейской части страны – соседи Московской области: некоторые из них за рассматриваемый период утратили более трети своих человеческих ресурсов (табл. 2). Масштабы сокращения численности населения в центральной части страны в долгосрочной ретроспективе не уступают параметрам утраты имеющегося человеческого капитала территориями Дальнего Востока, о глобальном характере которой много говорится в научной литературе [41; 42].

Очевидно, что наблюдаемые в настоящее время процессы «стягивания» социально-экономического пространства в отдельные точки, о которых говорили такие исследователи, как А.И. Татаркин [3] и Н.В. Зубаревич [43], характерны не только для центральной части страны. Однако роль в данных процессах Московского региона наиболее значительна: в последние десятилетия фиксируется стабильное увеличение доли населения РФ, проживающего в 15 наиболее крупных городах, при этом если общее число их жителей за период с 1989 по 2018 г. выросло на 16%, то численность проживающих только в Москве за аналогичный период увеличилась практически на 40%4. Как отмечали в своих исследовниях Ж.А. Зайончковская и Г.В. Иоффе, с 60-х годов миграция была главным фактором роста населения Москвы и Подмосковья (даже при том, что ее реальные масштабы превышают официально регистрируемые цифры) [44]. Следует также отметить, что, по мнению специалистов-демографов, «притяжение большой Москвы, как и Московской области, распространяется на весь регион СНГ, но, несмотря на это, их миграционный прирост на три четверти представлен прибывшими из российских регионов, вплоть до Дальнего Востока» [45].

В то же время наибольшую силу «притяжения» Москвы и Подмосковья ощущают именно расположенные поблизости субъекты. По результатам исследования, проведенного редакцией Strelka Mag (выпускается Институтом медиа, архитектуры и дизайна «Стрелка», спе-

Рис. 2. Влияние субъектов Российской Федерации друг на друга (показатель – численность постоянного населения)

Таблица 2. Регионы, лидирующие по темпам убыли населения*

№ п/п	Субъект РФ	Численность населения, тыс. чел.		Темп убыли населения, %
		1959	2019
1.	Тамбовская область	1549	1016	34,41
2.	Псковская область	953	630	33,93
3.	Кировская область	1886	1272	32,55
4.	Костромская область	921	637	30,81
5.	Тверская область	1805	1270	29,66
6.	Курская область	1483	1107	25,35
7.	Магаданская область	189	141	25,27
8.	Сахалинская область	649	490	24,56
9.	Тульская область	1918	1492	22,90
10.	Рязанская область	1445	1122	22,89
11.	Брянская область	1550	1211	22,57
12.	Ивановская область	1288	1015	22,04

* Полужирным курсивом выделены субъекты РФ, граничащие с Московской областью или расположенные вблизи от нее. Составлено по: Демографический ежегодник России. 2002: стат. сб. / Госкомстат России. M., 2002. С. 22-24; Федеральная служба государственной статистики. URL: (дата обращения: 24.10.2019).

Рис. 3. Пространственная диаграмма рассеяния индекса Морана для субъектов РФ (валовой региональный продукт)

Составлено по: Регионы России. Социально-экономические показатели. 2018: стат. сб. / Росстат. М., 2018. С. 458-459.

Таблица 3. Группы субъектов РФ, выделенные в соответствии с параметрами пространственной автокорреляции (показатель – валовой региональный продукт)*

Субъект РФ ILi Субъект РФ ILi LH HH Рязанская область -0,0026 Московская область 0,0159 Тверская область -0,0022 г. Санкт-Петербург 0,0012 Калужская область -0,0019 Владимирская область -0,0018 Тульская область -0,0013 Ивановская область -0,0012 Костромская область -0,0010 Новгородская область -0,0010 Смоленская область -0,0009 Орловская область -0,0008 Псковская область -0,0007 LL HL Республика Ингушетия 0,0021 г. Москва -0,0060 Республика Северная Осетия-Алания 0,0020 Краснодарский край -0,0009 Кабардино-Балкарская Республика 0,0009 Чеченская Республика 0,0009 * В таблице обозначены только те субъекты РФ, которые имеют наиболее сильные межтерриториальные связи с окружающими территориями (их значение локального индекса Морана, взятое по модулю, превышает модуль среднего значения рассчитанных локальных индексов Морана). Составлено по: Регионы России. Социально-экономические показатели. 2018: стат. сб. / Росстат. М., 2018. С. 458-459. циализирующимся на урбанистике, вопросах городского развития) совместно с компанией Socialdatahub, был построен рейтинг российских городов, жители которых чаще всего переезжают в Москву54. Возглавили его Санкт-Петербург, Екатеринбург и Нижний Новгород, а расположенные рядом с Московским регионом Рязань и Тула, хоть и вошли в Топ-20, заняли всего лишь 16 и 19 места, соответственно. Однако если пересчитать используемые для ранжирования муниципальных образований значения, характеризующие количество жителей, переехавших в Москву, в относительный вид (определив их отношение к общему числу проживающих в данных городах), то можно убедиться, что показатели Рязани (4%) и Тулы (3,6%) превышают параметры Санкт-Петербурга (3,1%), Екатеринбурга (2,9%) и Нижнего Новгорода (3,2%).

Параметры пространственной автокорреляции, выявленные на базе оценки валового регионального продукта, несколько отличаются от определенных ранее характеристик тесноты взаимосвязи между присущими рассмотренным субъектам РФ значениями показателя «численность постоянного населения». Величина глобального индекса Морана (-0,001) меньше его

5 Столичный дрейф: из каких городов чаще всего переезжают жить в Москву // Strelka Mag. URL: (дата обращения: 18.12.2019).

математического ожидания, что позволяет сделать вывод об отрицательной автокорреляции (при этом итоги проведения z-теста подтверждают значимость полученных результатов). Это означает, что изменение значений рассматриваемого параметра при перемещении между регионами происходит «скачкообразно», а разница между объемами ВРП соседствующих территорий, как правило, достаточно существенна.

В то же самое время между пространственным распределением параметров численности населения и объемов произведенного продукта есть и много общего. Так, ярко выраженными лидерами по величине оцениваемого показателя, имеющими наиболее тесные связи с соседями, снова являются Москва и Московская область ( рис. 3 ), а территории, которые их окружают, лидируют в группе LH (регионы, для которых характерны отрицательная автокорреляция и невысокие значения ВРП).

При этом только для 19 субъектов РФ ( табл. 3 ) характерны высокие значения локального индекса Морана, что означает наличие у них достаточно сильных взаимосвязей с регионами-соседями. Из них в число лидеров (по величине рассматриваемого показателя) наряду с уже отмеченными ранее попали Санкт-Петербург и Краснодарский край (однако масштабы тесноты их взаимосвязи с прилегающими территориями значительно уступают параметрам связанности Москвы (и Московской области) с соседними регионами).

Анализ особенностей размещения регионов, попавших в разные группы (HH, HL, LH, LL), по территории страны ( рис. 4 и 5 ), свидетельствует о достаточно высокой степени поляризации экономической активности в европейской части России. Полученные результаты могут быть интерпретированы следующим образом.

Большая часть регионов Сибири, хотя и характеризуются весьма существенными значениями рассматриваемого показателя, слабо связаны с окружающими их территориями (во многом это объясняется значительными расстояниями между центрами экономической активности данных субъектов РФ). Территория Дальнего Востока и части Юга России не испытывают существенного влияния со стороны своих соседей (при этом приграничное расположение данных регионов делает обоснованной необходимость анализа степени их взаимосвязи с близко расположенными зарубежными странами и регионами – вполне возможно, что они попадают в зону влияния экстремумов экономического развития, находящихся за границами Российской Федерации), а регионы Урала, характеризующиеся достаточно высокими значениями ВРП (главным образом автономные округа), имеют (в рамках рассматриваемого параметра) более тесные взаимосвязи с Москвой, чем друг с другом (о чем свидетельствуют результаты расчетов значений показателей LISAij, определенные для регионов Урала и Москвы). Выявленная закономерность находит подтверждение в итогах анализа статистических данных, характеризующих межрегиональный товарооборот. Так, товарооборот Тюменской области (включая Ханты-Мансийский и Ямало-Ненецкий автономные округа) с Москвой более чем в 4 раза превышает товарооборот со Свердловской областью, более чем в 10 раз – с Челябинской областью, более чем в 160 раз – с Курганской областью6. В структуре межрегионального торгового оборота Челябинской области лидирующие позиции также занима- ет Москва (хотя и доли Свердловской области и Ямало-Ненецкого автономного округа достаточно высоки) [46, с. 839]. Несколько иная ситуация сложилась в Свердловской области: А.А. Глумов в своем исследовании хозяйственных связей уральских территорий [47] отмечает, что Челябинская область опережает Москву по масштабам торгового оборота с данным регионом; более того, если объединить статистику по югу Тюменской области и входящим в ее состав автономным округам, Москва в получившейся структуре торгово-экономических связей Свердловской области окажется лишь на третьем месте. В то же время «тяготение» северных территорий Урала к административному центру страны не вызывает сомнения: сходство масштабов экономических систем и перспективность рынков сбыта определяет высокую заинтересованность территорий друг в друге. Не случайно в научной литературе получает распространение подход, в соответствии с которым особое внимание при определении перспектив успешного взаимодействия субъектов уделяется не географической, а «организованной» (основанной на их сходстве, принадлежности к единой системе отношений) близости [48]. В свою очередь недостаточно высокий уровень межтерриториальной кооперации между уральскими регионами признают хозяйствующие субъекты, рассматривающие соседние регионы как возможные рынки сбыта производимой продукции, что приводит к активизации их попыток усилить межрегиональную интеграцию: в 2019 г. по инициативе представителей промышленного комплекса Уральского федерального округа был сформирован Экспертно-координационный совет УрФО7, призванный способствовать развитию кооперации между территориями округа и объединивший бизнес, властные структуры, научное сообщество.

Продолжая пояснение полученных в ходе проведенного исследования результатов, следует отметить, что наиболее сильные прямые межтерриториальные связи экономического лидера (Москвы) с иными территориями носят «удаленный» характер: регионы, испытываю-

Рис. 4. Влияние субъектов Российской Федерации друг на друга (показатель – валовой региональный продукт; отображаемые межтерриториальные связи – прямые)

Рис. 5. Влияние субъектов Российской Федерации друг на друга (показатель – валовой региональный продукт; отображаемые межтерриториальные связи – обратные)

щие прямой эффект от развития полюса роста, территориально с ним разобщены (исключение составляет лишь Московская область). Субъекты РФ, расположенные рядом с Московским регионом, также находятся под его существенным воздействием, однако характер наблюдаемых взаимосвязей (см. рис. 5) не позволяет сделать вывод о наличии прямой зависимости между их экономическим развитием. При этом наличие сильных обратных межтерриториальных связей с Москвой характерно для всех территорий, «опоясывающих» Московский регион.

Заключение

Используемый методический подход, несомненно, имеет свои ограничения (он позволяет выявлять взаимосвязи между территориями на основе учета исключительно их местоположения и величины значений рассматриваемого показателя), кроме того, в рамках данного исследования был проведен анализ только двух переменных. Рассмотрение дополнительных параметров, а также изменение масштабов исследования (например, переход на уровень муниципальных образований) позволило бы выявить большее количество закономерностей, идентифицировать и другие полюса роста, кластеры (следует, однако, отметить, что процесс выявления центров развития и оценки их перспектив является крайне сложным и не может базироваться только на методе пространственной автокорреляции, который выступил методической основой данного исследования). В то же время проделанная работа делает возможным предложение нескольких тезисов.

Воздействие территориальных лидеров – полюсов роста – на окружающее их пространство может быть весьма неоднозначно. Проведенные расчеты доказали, что близость к передовым социально-экономическим системам, которые (в соответствии с теорией диффузии инноваций) должны генерировать импульсы развития своим соседям, не только не дает регионам существенных преимуществ, но и оборачивается масштабным оттоком ресурсов, лишь обостряющим имеющиеся у них проблемы. Динамичные преобразования полюсов

роста обусловливают потребность в значительном количестве дополнительных ресурсов, которые «стягиваются» извне (в первую очередь источником этих ресурсов становятся ближайшие соседи). Это позволяет критически подойти к некоторым положениям теорий поляризованного развития и диффузий инновации: нельзя однозначно утверждать, что появление в социально-экономическом пространстве субъектов, опережающих в своем развитии окружение и стимулирующих экономический рост масштабных систем (например, национальной экономики), окажет позитивное воздействие на все элементы хозяйственного комплекса: их воздействие на ближайших соседей будет скорее негативным.

В связи с этим одновременное решение таких задач Стратегии пространственного развития Российской Федерации на период до 2025 года, как «сокращение уровня межрегиональной дифференциации в социально-экономическом развитии субъектов Российской Федерации, а также снижение внутрирегиональных социально-экономических различий» и «обеспечение расширения географии и ускорения экономического роста, научно-технологического и инновационного развития Российской Федерации за счет социально-экономического развития перспективных центров экономического роста», представляется достаточно сложным. Это совсем не означает, что территории, окружающие столицы, административные центры и лидеров экономического развития, обречены. Скорее следует учитывать, что формирование (поддержка развития) полюсов роста не является универсальным средством, использование которого обеспечит решение всех имеющихся проблем, а в особом внимании при осуществлении поляризации экономики нуждаются территории, соседствующие с лидерами. Разработка приоритетов и механизмов взвешенной региональной политики, позволяющей учитывать как интересы национальной экономики, так и возможности преобразования территорий, соседствующих с точками роста, является перспективной темой для дальнейших исследований.