Logo Международный форум «Евразийская экономическая перспектива»
На главную страницу
Новости
Информация о журнале
О главном редакторе
Подписка
Контакты
ЕВРАЗИЙСКИЙ МЕЖДУНАРОДНЫЙ НАУЧНО-АНАЛИТИЧЕСКИЙ ЖУРНАЛ English
Тематика журнала
Текущий номер
Анонс
Список номеров
Найти
Редакционный совет
Редакционная коллегия
Представи- тельства журнала
Правила направления, рецензирования и опубликования
Научные дискуссии
Семинары, конференции
 
 
 
 
Проблемы современной экономики, N 2 (78), 2021
ЭКОНОМИЧЕСКИЕ ПРОБЛЕМЫ РЕГИОНОВ И ОТРАСЛЕВЫХ КОМПЛЕКСОВ
Харламова Т. Л.
профессор Высшей школы управления и бизнеса
Санкт-Петербургского политехнического университета Петра Великого,
доктор экономических наук, профессор

Кузнецов Д. А.
аспирант Высшей школы управления и бизнеса
Санкт-Петербургского политехнического университета Петра Великого


Использование комплексного подхода к идентификации кластеров в целях активизации инновационного развития
Текущий этап экономического развития нашей страны характеризуется становлением и развитием инновационной экономики, что требует использования современных, эффективных подходов к формированию и реализации инновационных процессов. На этом фоне усиливается научный и практический интерес к изучению современных инструментов развития, обеспечивающих активизацию инновационной деятельности на основе повышения инновационной восприимчивости и научно-технического взаимодействия хозяйствующих субъектов. Одним из таких инструментов являются экономические кластеры, играющие важную роль в инновационном развитии отраслей и территорий. В статье проанализированы существующие подходы к выявлению кластеров и обоснована возможность их применения для формирования комплексного алгоритма идентификации экономических кластеров, который может стать эффективным инструментом разработки государственной инновационной политики
Ключевые слова: экономические кластеры, кластерная политика, инновационная политика, инновационное развитие, инновации
УДК 338.242.2; ББК 65.053.3   Стр: 124 - 128

В настоящее время в России уделяется особое внимание вопросам формирования и развития инновационной экономики. О необходимости развития наукоемких и высокотехнологичных производств, способных обеспечить устойчивый и долгосрочный рост российской экономики, говорят на высшем государственном уровне, а также на различных дискуссионных площадках с участием представителей научного сообщества, бизнес-кругов, общественности. Вместе с тем, отсутствие на сегодняшний день значимых результатов, сопоставимых с результатами стран-лидеров в области инноваций, актуализирует потребность в изучении, адаптации и применении современных инструментов инновационного развития, эффективность которых подтверждается зарубежным опытом. Одним из таких инструментов являются экономические кластеры, которые в современной научной литературе рассматриваются как особые формы межорганизационного взаимодействия хозяйствующих субъектов и выступают в качестве ключевых макро- и мезоэкономических единиц, обеспечивающих конкурентоспособность территорий [1, с. 30].
Авторы данной статьи, также как и ряд российских и зарубежных исследователей, исходят из того, что своевременная поддержка процессов совместного расположения организаций в пределах определенной географической области и установления тесных взаимосвязей и кооперации вокруг определенной сферы деятельности не только приводит к повышению инновационного потенциала и конкурентоспособности входящих в кластер хозяйствующих субъектов, но и оказывает положительное влияние на экономическое благосостояние и качество жизни населения за счет создания новых рабочих мест и увеличения налоговых поступлений в региональные бюджеты [2, 3, 4].
В этой связи важной исследовательской задачей является анализ кластерной структуры региональной экономики, позволяющий выявлять ключевые взаимосвязи между предприятиями различных отраслей, определять специализацию регионов и на основе полученной информации формировать кластерную стратегию развития экономики. В свою очередь, от того, насколько верно определены перспективные направления развития кластеров, зависит эффективность всех дальнейших мероприятий, реализуемых в рамках проводимой государством инновационной политики. Это обусловливает актуальность данного исследования, направленного на активизацию инновационного развития на основе поиска новых эффективных направлений идентификации кластеров.
Целью настоящего исследования является обобщение научно-методических подходов к идентификации экономических кластеров и формирование основы для разработки соответствующего комплексного алгоритма, включающего систему количественных и качественных оценок.
В рамках исследования необходимо решить следующие ключевые задачи:
– проанализировать зарубежный и отечественный опыт выявления кластеров;
– рассмотреть особенности применения различных подходов к их идентификации и оценке;
– сформулировать предложения по формированию комплексного алгоритма идентификации экономических кластеров.
За сравнительно непродолжительную историю существования кластерного движения в научном сообществе было разработано достаточно большое количество различных подходов к идентификации и оценке кластеров. Тем не менее, необходимо отметить, что все они позволяют выявлять не сами кластеры, а, скорее, родственные кластеру структуры. Во многом это объясняется тем, что полноценный кластер является крайне сложным объектом, обладающим множеством взаимосвязей и большим инновационным потенциалом, объективно оценить который достаточно сложно. Поэтому понятие кластера в исследованиях, как правило, замещают различные близкие понятия (например, «хозяйственная агломерация», «индустриальный комплекс»), которые можно рассматривать в качестве этапов развития кластера. Как показано в работе отечественных ученых С.П. Земцова и Д.В. Букова [5], каждому из таких этапов соответствуют свои методы выявления и исследования. В определенной степени использование подобных замещающих понятий можно считать оправданным, поскольку на этапе планирования и разработки мер кластерной политики необходимость выявления уже существующих кластеров отсутствует по объективным причинам: успешно функционирующие кластеры, сформировавшиеся естественным путем, к моменту проведения исследований, как правило, уже известны и не нуждаются в идентификации. Таким образом, с точки зрения практической значимости, более ценным является определение направлений развития потенциальных кластеров, что позволяет сформулировать общую стратегию, цели и задачи кластерной политики.
Анализ методов идентификации кластеров, применяемых в зарубежных и отечественных научно-прикладных исследованиях, позволяет разделить их, прежде всего, на две группы: качественные и количественные. Количественные методы основываются на анализе официальной государственной статистической информации, тогда как качественные опираются на экспертные оценки, интервьюирование, анкетирование, фокус-группы, а также используют косвенную информацию: различные аналитические материалы, исторические справки и т.д.
Важные преимущества количественных методов заключаются в полноте информации, ее доступности и относительной объективности, а также в возможности прослеживать динамику изменения исследуемых показателей и проводить сопоставления на уровне отдельных регионов или стран [6, с. 248]. Современные статистические методы обеспечивают необходимый инструментарий для проведения количественного анализа и оценки существующих кластеров, позволяя не только отслеживать динамику в процессе функционирования кластеров, но и выявлять закономерности и перспективы их развития.
Значимым преимуществом качественных методов является возможность получения более детальной и точной информации о кластерах. Однако применение таких подходов может приводить к получению не вполне объективных результатов, которые достаточно сложно верифицировать. К тому же, получение информации о кластерах из разных источников серьезно ограничивает возможность межрегионального и международного сопоставления результатов проводимых исследований.
Тем не менее, при проведении комплексных исследований только статистической информации зачастую оказывается недостаточно, поэтому методы, относящиеся к двум указанным группам, вполне могут сочетаться и дополнять друг друга. Так, в начале, на основе количественных методов производится общая оценка существующих взаимосвязей, которая затем уточняется с помощью качественных методов.
Необходимо отметить, что для целей исследования наибольший интерес представляют именно количественные методы идентификации кластеров, которые в современной российской практике применяются достаточно редко. Отчасти именно поэтому российская кластерная политика основывается, преимущественно, на кластерных инициативах региональных властей и практически не использует результаты научных исследований, направленных на выявление кластеров.
Многие зарубежные ученые (М. Портер, О. Солвел, Г. Линдквист, К. Кетелс, Э. Бергман, Э. Фезер) сходятся во мнении, что важным критерием классификации методов идентификации кластеров является масштаб и уровень проводимого исследования. В зависимости от этого выделяются методы, позволяющие выявлять кластеры мезоуровня (кластеры отраслей) и микроуровня (кластеры предприятий). Часто в литературе выделяются также методы макроуровня, позволяющие выявлять кластеры в масштабах всей страны, однако такие подходы могут эффективно применяться только в странах с небольшой территорией.
Количественные методы выявления кластеров микроуровня сегодня следует оценивать как дистанционные. Это объясняется тем, что такая оценка базируется, как правило, на выявлении концентрации хозяйствующих субъектов на определенной территории и исходит из минимально определенных требований к территориальному кластеру. Речь идет о географической концентрации предприятий одной или нескольких смежных отраслей, что рассматривается в качестве потенциального условия для образования кластера. К данным методам относится, например, использование индекса Дюрантона-Овермана, основанного на расчете попарных евклидовых расстояний между предприятиями, что позволяет выявлять центры концентрации предприятий одной отрасли [7].
Количественные методы идентификации кластеров мезоуровня можно классифицировать, выделяя две основные группы, в зависимости от подхода, который лежит в их основании. Методы первой группы используют, так называемый, подход «снизу», когда на определенной территории определяют перечень ключевых производств и отраслей, которые являются абсолютными лидерами, и только после этого выявляют те отрасли, которые с ними активно взаимодействуют. Методы второй группы сразу выявляют наиболее связанные отрасли, образующие пространственные локализации производств в определенных сферах деятельности, что характеризуется как подход «сверху».
В рамках первого подхода считается, что кластерам свойственно образовываться вокруг ключевых отраслей. Соответственно, процесс выявления кластера состоит из двух основных этапов:
А) На определенной территории, с помощью коэффициентов отраслевой локализации, позволяющих сравнивать региональные и национальные экономические характеристики, выявляются наиболее развитые ключевые отрасли (относительно остальных отраслей), и таким образом определяется специализация региона. Эмпирическим путем определено, что если коэффициент локализации составляет больше единицы, отрасль доминирует на этой территории. В дополнение здесь следует отметить, что, по мнению ряда ученых, коэффициент локализации, указывающий на доминирование, должен, как минимум, составлять 1,25 [8, с. 23].
Есть и другой подход к определению коэффициента локализации, который, как известно, определяется на основе показателей занятости в регионе и стране в соотношении с общей численностью населения региона и страны:

(1)

где LQ — коэффициент локализации;
Empig — численность занятых в отрасли i в регионе g;
Empi — численность занятых в отрасли i в целом по стране;
Empg — общая численность занятых в регионе g;
Emp — общая численность занятых в стране.

Также для определения ключевых отраслей, помимо коэффициентов локализации, могут применяться и другие индексы. Например, для выделения экспортно-ориентированных отраслей используется коэффициент межрайонной товарности, определяемый как отношение вывозимой из района продукции отрасли к общему объему выпуска отрасли [9, с. 116].
В) Следующим этапом после выявления ключевых отраслей становится определение отраслей, связанных с ними. Например, специалистам известен алгоритм, согласно которому сначала выявляются отрасли, являющиеся поставщиками по отношению к ключевым отраслям, а затем таким же образом находятся местные отрасли (ориентированные на спрос внутри региона), которые, в свою очередь, являются поставщиками для этих отраслей [10].
Справедливости ради следует признать, что вышеприведенный подход к оценке имеет явно выраженный недостаток, связанный с тем, что на расчет коэффициентов оказывает влияние административно-территориальное деление страны. С учетом того, что природа кластеров не административная, а экономическая, экстерриториальная, их невозможно «ограничить» административно-территориальными рамками [11, с. 125].
Основу второго подхода, в рамках которого выявляются взаимосвязи сразу между несколькими отраслями, составляет исследование структуры региональной экономики, основанное на анализе разработанной В.В. Леонтьевым модели межотраслевого баланса. Она заключается в оценке степени связанности отраслей и подотраслей и исключении из рассмотрения слабых связей за счет выставления определенного порогового значения показателя [6, с. 249].
Еще одним подходом, связанным с последовательным применением количественных и качественных оценок, а потому заслуживающим отдельного внимания, является алгоритм идентификации кластеров Гарвардской школы бизнеса [12]. Данный метод, как известно, был апробирован в США, а затем успешно применен для изучения кластерной среды в Канаде и странах Европейского союза. В его основе лежит анализ статистических данных о распределении занятости по структурам, которые получили название «кластерные группы». Для формирования кластерных групп и их последующего анализа реализуется определенная последовательность действий, включающая ряд шагов:
А) Сначала, в соответствии с административно-территориальным делением государства, на территории которого проводится исследование, выделяются отдельные регионы (в исследовании М. Портера в качестве таких регионов выступали, соответственно, американские штаты).
В) Далее существующие отрасли классифицируются следующим образом: местные, или локальные, базовые, или торгуемые, и сырьевые. Отрасли, относящиеся к первой группе, в основном характеризуются уровнем и направленностью развития локального спроса, а также уровнем занятости экономически активного населения территории, на которой они расположены. К наиболее значимым локальным отраслям можно отнести практически всю социальную сферу, сферу услуг и розничную торговлю. Что касается материального производства, то это, как правило, пищевая промышленность, производство строительных материалов и некоторые др.
К базовым относят отрасли, продукция которых поставляется в другие регионы страны и за рубеж. Эта группа включает более широкий перечень отраслей, относящихся к реальному сектору экономики: машиностроение, приборостроение, станкостроение, обувная промышленность и др. Российская и зарубежная практика показывает, что базовые отрасли экономики динамично развиваются там, где создана соответствующая инфраструктура, имеются в достаточном количестве необходимые экономические ресурсы, а государственными органами поддерживаются хорошие условия для развития. При этом занятость в базовых отраслях, как правило, выше средней по всем регионам страны.
И, наконец, сырьевые отрасли — это те отрасли, в которых осуществляется активная добыча и первичная переработка полезных ископаемых в интересах национального и мирового рынка.
С) Следующий шаг связан с формированием и идентификацией кластерных групп, объединенных общей сферой деятельности, что отличает их от стандартных групп, выделяемых по ОКВЭД. Важно подчеркнуть, что в данном контексте понятие «сферы деятельности» не тождественно понятию «виды деятельности». Оно является более широким. Кроме того, кластерные группы, как правило, объединяют в себе одновременно производство и оказание услуг, тогда как в ОКВЭД эти сферы строго разграничиваются [6, с. 249].
Согласно рассматриваемому подходу, кластерные группы могут состоять только из базовых отраслей. Это объясняется тем, что ряд экономических показателей в таких отраслях превышает средние по региону: величина заработной платы, темпы ее роста, уровень производительности труда и др. Инновационный потенциал базовых отраслей, измеряемый долей расходов на НИОКР и количеством зарегистрированных патентов, также находится на более высоком уровне. Соответственно, успешное функционирование базовых отраслей приводит к увеличению спроса на продукцию местных отраслей. Поэтому на данном этапе задача состоит в определении базовых отраслей, из которых состоят кластерные группы. В качестве критерия выбрана повторяющаяся из региона в регион географическая близость базовых отраслей. Например, если производство комплектующих для компьютеров всегда располагается в географической близости от производства программного обеспечения, то это означает, что существуют определенные выгоды от такой близости, и эти две отрасли входят в одну кластерную группу.
D) Действия в рамках четвертого шага направлены на устранение фиктивных корреляций между базовыми отраслями в случаях, когда их совместная локализация не приводит к образованию кластерной группы и связи между видами деятельности, на самом деле, не существует. Для этого используются исторические справки и результаты анализа межотраслевых балансов. Так, например, наличие высокой занятости в нескольких отраслях в пределах одного региона может не являться признаком кластеризации, если сам регион является лидером по уровню занятости в стране. Также могут выглядеть статистически связанными, но не являться ими по сути, малые отрасли с низкой, или практически нулевой, занятостью и отрасли, являющиеся частью разных кластеров в рамках одного региона. Наконец, связанными могут быть лишь части отраслей, а не сами отрасли, если они охватывают широкий спектр видов деятельности.
Е) Наконец, на завершающем шаге рассматриваемой последовательности анализируются выявленные кластерные группы и составляющие их отрасли, которые не только представляют собой подсистемы сразу для нескольких групп, но и связаны друг с другом сильнее, чем с остальными отраслями внутри своей кластерной группы. Это представляется важным достоинством рассмотренного подхода, поскольку дает возможность представить структуру экономики в виде взаимосвязей, как между отраслями, так имежду самими кластерными группами.
Существуют различные модификации приведенного подхода к идентификации кластеров. Так, на практике широкое применение в Европейском Союзе получила, так называемая, «Методология Европейской кластерной обсерватории». Она, в частности, была, применена при реализации «Проекта по выявлению и картографированию хозяйственных агломераций на территории стран ЕС». Помимо коэффициента локализации, для анализа кластерных групп там были использованы дополнительные коэффициенты: «размер» («size») и «фокус» («focus»):

(2) и (3)

где Empig — численность занятых в кластерной группе i в регионе g;
Empi — численность занятых в кластерной группе i в целом по стране;
Empg — численность занятых в регионе g.

На основе этих коэффициентов были предложены пороговые значения, позволяющие относить тот или иной регион к кластерным группам. Так, были приняты три пороговых значения:
– коэффициент локализации больше, или равен 2,0;
– регион должен входить в число 10% регионов, лидирующих по «размеру» кластерной группы;
– регион должен входить в число 10% регионов, лидирующих по «фокусу» кластерной группы [4, с. 239].
Развитием вышеизложенного подхода и его адаптацией для применения в российских условиях занимались отечественные ученые А.Н. Киселев, Е.С. Куценко и А.П. Карнаух при выявлении значимых кластерных групп в Москве. Предложенная ими методика развивает подход Европейской кластерной обсерватории, прежде всего, за счет увеличения количества анализируемых показателей и более широкого привлечения материалов статистических наблюдений [13].
Рассмотренные выше подходы позволяют достаточно эффективно определять функциональные и пространственные взаимосвязи между отраслями, выявляя, таким образом, существующие на определенной территории хозяйственные агломерации. Как правило, этого оказывается достаточно для формирования стратегии развития региональной экономики в направлении кластеризации [14]. Однако, с учетом того, что полноценные кластеры являются инновационно ориентированными структурами, отдельного внимания заслуживают методы анализа инновационной активности в отраслях, составляющих потенциальные кластеры. Так, норвежский ученый Й. Хаукнес в качестве показателей инновационности хозяйственных агломераций предлагает использовать следующие критерии:
– доля сотрудников с высшим образованием в общем числе занятых в хозяйственной агломерации;
– доля предприятий, самостоятельно проводящих НИОКР, в общем количестве предприятий, входящих в хозяйственную агломерацию;
– расходы на НИОКР;
– расходы на НИОКР в расчете на одно предприятие, входящее в хозяйственную агломерацию;
– доля расходов на НИОКР в добавленной стоимости;
– расходы на услуги, предоставляемые другими наукоемкими отраслями (например, производство компьютеров, производство программного обеспечения, сфера телекоммуникационных услуг) [15].
Методика, основанная на предложенном наборе показателей, была использована для анализа инновационности хозяйственных агломераций в Норвегии, что позволило разделить их на две большие группы. В первую группу вошли агломерации, проводящие собственные НИОКР, а во вторую — в основном, приобретающие готовые технологии у более инновационных отраслей.
Эффективным подходом, позволяющим оценить инновационный потенциал хозяйственных агломераций, также является подход на основе составления межотраслевого баланса инновационных потоков. Разработкой данного подхода занимался канадский исследователь К. Де Брессон. Для построения таблиц он использовал информацию о распространении инноваций между отраслями, на основе которой выделяются отрасли-поставщики инноваций и отрасли-потребители [16]. Анализ взаимодействия между ними показал, что инновационные потоки не всегда связаны с материальными потоками: известны случаи, когда между отраслями существуют значительные материальные потоки, но нет инновационных потоков. Случается и обратная ситуация, характерная для зарождающихся кластеров, когда наблюдается большой поток инноваций из одной отрасли в другую при практически полном отсутствии материального потока. Данный метод дает возможность сравнивать регионы и страны по степени концентрации инновационной активности в экономике, исходя из того, что чем равномернее распределена инновационная активность по территории, тем эта территория более развита в инновационном плане.
Проведенное исследование позволяет заключить, что все рассмотренные научные подходы к идентификации кластеров, несмотря на свою эффективность и доказанную практическую значимость [17], едва ли можно назвать полноценными алгоритмами в силу того, что они опираются на достаточно узкий набор инструментов и показателей. На наш взгляд, это не соответствует сложности и многофакторной природе такого объекта исследования, как инновационно ориентированный, кластер. Вместе с тем, методики, базирующиеся на вышеизложенных подходах, могут составить основу для разработки комплексного алгоритма идентификации и оценки кластеров, включающего систему количественных и качественных оценок.
Таким образом, представленное в работе обобщение подходов к идентификации кластеров, а также зарубежного и отечественного опыта их применения станет в будущем основой для разработки авторами соответствующего комплексного алгоритма.
При разработке такого алгоритма необходимо учитывать существующие ограничения в процессе применения отдельных методик в российских условиях. В частности, не представляется возможным определение групп связанных отраслей на основе применения анализа межотраслевого баланса на уровне регионов. Это позволяет заключить, что наиболее целесообразно использовать некий синтетический подход, в рамках которого следует выявить ключевые отрасли региональной экономики на основе анализа коэффициентов локализации, а затем с помощью качественных методов, включающих интервьюирование и экспертные оценки, определить связанные с ними отрасли. Оценку сформированных таким образом кластерных групп, на наш взгляд, следует проводить на основе расчета показателей, в соответствии свышеизложенными методиками. В свою очередь, данная оценка может быть дополнена анализом инновационной активности в отраслях, составляющих кластерные группы. Также необходимо отметить, что полноценный алгоритм не может ограничиваться оценкой только на мезоуровне, вследствие чего он должен включать исследование конкретных организаций и связей между ними.
Полагаем, что основанный на представленных рекомендациях комплексный алгоритм может стать эффективным инструментом для идентификации процессов кластеризации и диагностики кластеров на разных уровнях хозяйственной системы. Результаты его применения могут быть использованы региональными и федеральными органами управления для выработки обоснованной инновационной политики, а также для оценки эффективности уже действующих мер по поддержке кластеров.


Список использованных источников:
1. Ковалева Т.Ю. Алгоритм идентификации и оценки кластеров в экономике региона // Вестник пермского университета. Серия: Экономика. — 2011. — № 4(11). — С. 30–39.
2. Куценко Е.С. Влияние кластеров на инновационную активность предприятий в субъектах РФ: результаты эмпирического исследования // XII Международная научная конференция по проблемам развития экономики и общества. Кн. 4. — М.: НИУ ВШЭ, 2012.– С. 495–504.
3. Харламова Т.Л. Кузнецов Д.А. Роль и функции государства в процессе стратегического управления развитием кластеров // Неделя науки СПбПУ. Материалы научной конференции с международным участием. Институт промышленного менеджмента, экономики и торговли. Часть 1. — СПб.: Изд-во ПОЛИТЕХ-ПРЕСС, 2019.– С. 186–189.
4. Lindqvist G. Disentangling Clusters: Agglomeration and Proximity Effects. Stockholm, Economic Research Institute, Stockholm School of Economics (EFI), 2009. 314 p. [Электронный ресурс]. URL: https://reglab.dk/wordpress/wp-content/uploads/2016/05/disentangling.pdf (дата обращения: 02.04.2021).
5. Земцов С.П., Буков Д.В. Методы выявления кластеров малого и среднего бизнеса // Региональная экономика: теория и практика. — 2016. — № 3 (426). — С. 104–117.
6. Данько Т.П., Куценко Е.С. Основные подходы к выявлению кластеров в экономике региона // Проблемы современной экономики. — 2012. — № 1. — С. 248–254.
7. Duranton G., Overman H. Exploring the Detailed Location Patterns of UK Manufacturing Industries Using Microgeographic Data. Journal of Regional Science, 2008, vol. 48, no. 1, pp. 213–243. DOI: 10.1111/j.1365–2966.2006.0547.x.
8. Bergman E.M., Feser E.J. Industrial and Regional Clusters: Concepts and Comparative Applications. Reprint. Edited by Scott Loveridge and Randall Jackson. WVU Research Repository, 2020. 92 p. [Электронный ресурс]. URL: https://researchrepository.wvu.edu/ cgi/viewcontent.cgi?article=1004&context=rri-web-book (дата обращения: 14.04.2021).
9. Куценко Е.С. Кластеры в экономике: практика выявления. Обобщение зарубежного опыта // Научно-аналитический журнал Обозреватель — Observer. — 2009. — № 10. — С. 109–126.
10. Shannon D. Tapping IMPLAN’s Data Mine to Identify and Analize Regional Industries and Industry Clusters for Connecticut [Электронный ресурс]. URL: http://www.cerc.com/images/customer-files/implan_paper.pdf (дата обращения: 27.02.2021).
11. Кудрявцева Т.Ю., Жабин Н.П. Формирование алгоритма идентификации кластеров в экономике региона // Научно-технические ведомости Санкт-Петербургского государственного политехнического университета. Экономические науки. — 2014. — № 3(197). — С. 124–131.
12. Porter M. The economic performance of regions // Regional studies. — 2003. — Vol. 37. № 6–7. — pp. 549–578 [Электронный ресурс]. URL: https://clustermapping.us/sites/default/files/ files/resource/The_Economic_Performance_of_Regions.pdf (дата обращения: 11.01.2021).
13. Киселев А.Н., Куценко Е.С., Карнаух А.П. Определение приоритетных направлений для формирования и развития кластеров малых и средних предприятий в региональной экономике (на примере города Москвы) [Электронный ресурс]. URL: http://www.virtass.ru/admin/pics/25_02_IO.pdf (дата обращения: 28.03.2021).
14. Харламова Т.Л. Управленческие основы кластерной политики в промышленном развитии Санкт-Петербурга // Социально-экономические факторы эффективного управления и развития предпринимательства: Сборник докладов Региональной научно-практической конференции. — СПб.: Изд-во «Лема», 2015. — С. 89–93.
15. Hauknes J. Norwegian Input-Output Clusters and Innovation Patterns // Boosting Innovation: the cluster approach. OECDProceedings, 1999. pp. 61–90 [Электронный ресурс]. URL: https://www.hse.ru/mirror/pubs/share/212169923 (дата обращения: 16.04.2021).
16. De Bresson C., Hu X. Identifying Clusters of Innovative Activity: a New Approach and a Toolbox // Boosting Innovation: the cluster approach. OECDProceedings, 1999. — pp. 27–59 [Электронный ресурс]. URL: https://www.hse.ru/mirror/pubs/share/212169923 (дата обращения: 18.04.2021).
17. Хозяйственная система евразийского типа: проблемы экономической неопределенности: коллективная монография. — СПб.: Изд-во СПбГЭУ, 2019. — 218 с.

Вернуться к содержанию номера

Copyright © Проблемы современной экономики 2002 - 2020
ISSN 1818-3395 - печатная версия, ISSN 1818-3409 - электронная (онлайновая) версия