26 июня 2020г.
Развитие национальной системы невозможно без продуманной промышленной политики не только на государственном уровне, но и на региональном. Опора на развитие кластерно-сетевых связей, которые уже присутствуют в регионе и региональные заинтересованные стороны, осуществляющие инициативы, при формировании отраслевых кластеров позволят выявить и сформировать точки прорыва отечественной экономики, стать ей более успешной и конкурентоспособной.
На протяжении многих лет, нефтегазовый комплекс нашей страны является базовой отраслью экономики, играет определяющую роль в обеспечении энергоресурсами Российского государства, и в значительной степени влияет на мировую энергетическую стабильность[3]. Являясь третьим по величине производителем нефти в мире и вторым по величине производителем природного газа, Россия является домом для некоторых крупнейших вертикально-интегрированных нефтегазовых компаний в мире (ВИНК).
Исследование проводится в отраслевой структуре Приволжского федерального округа (далее ПФО) и Пермского края, в частности. Отраслевая структура в валовом продукте как по России, так и по федеральным округам распределена неравномерно.
Основная отраслевая характеристика ПФО и Пермского края приведена в таблице 1. Таблица 1. Лидирующие отрасли Приволжского ФО и Пермского края
|
Приволжский федеральный
округ
|
Пермский край
|
место
|
|
место
|
|
Национальный уровень
|
2
|
15% от ВВП РФ
|
16
|
1,6% от ВВП РФ
|
2
|
21% от добычи всей нефти по РФ
|
Региональный Уровень
|
1
|
обрабатывающее
производство 24%
|
2
|
9,6% ВРП от общего ВРП в ПФО
|
2
|
оптовая и розничная
торговля 14%
|
1
|
обрабатывающее производство 31%
|
3
|
добыча полезных ископаемых 13%
|
2
|
производство кокса и нефтепродуктов
42%
|
4
|
добыча полезных ископаемых 15%
|
9
|
оптовая и розничная торговля 13%
|
Рассмотрев отраслевую структуру ПФО, стоит отметить тенденцию превалирования трех отраслей. Большую долю в структуре занимает добыча полезных ископаемых и обработка промышленности, тем самым определяя ведущую роль ПФО и Пермского края в частности в формировании нефтегазодобывающего комплекса страны.
Для каждого региона ПФО рассчитывается индекс кластерной нагрузки – k, позволяющий получить первоначальное представление о состоянии кластерной отрасли в регионе и перспективах ее дальнейшего развития:
𝑤𝑖 − удельный вес j-ой подотрасли в объеме отгруженной продукции по виду экономической
деятельности «Обрабатывающие производства» 𝑖-региона
𝑊𝑖𝑗 − удельный вес j-ой подотрасли для России в целом
𝑛 − количество подотраслей
Таблица 2. Изменение доли добычи полезных ископаемых в структуре ВРП
|
Оренбургская
область
|
Пермский край
|
Республика
Башкортостан
|
Республика
Мордовия
|
k
|
α
|
ДПИ,
%
|
k
|
α
|
ДПИ,
%
|
k
|
α
|
ДПИ,
%
|
k
|
α
|
ДПИ,
%
|
2011
|
0,94
|
272897
|
35,4
|
0,85
|
319150
|
15,6
|
0,72
|
231314
|
4,8
|
1,09
|
144636
|
0,1
|
2012
|
0,65
|
311589
|
37,0
|
0,96
|
340933
|
17,3
|
0,72
|
284068
|
2,9
|
1,18
|
161159
|
0,0
|
2013
|
1,66
|
356311
|
40,7
|
1,33
|
334027
|
16,0
|
1,70
|
286132
|
3,1
|
3,93
|
182380
|
0,0
|
2014
|
1,58
|
364762
|
35,9
|
1,44
|
367087
|
15,5
|
1,54
|
306771
|
3,1
|
3,93
|
210859
|
0,1
|
2015
|
1,68
|
387830
|
21,5
|
1,40
|
397621
|
16,0
|
1,58
|
323572
|
3,7
|
3,96
|
231878
|
0,1
|
2016
|
1,88
|
384170
|
34,6
|
1,45
|
416204
|
16,9
|
1,67
|
328821
|
3,7
|
3,59
|
249649
|
0,1
|
2017
|
0,66
|
414937
|
36,0
|
0,90
|
453302
|
18,8
|
0,88
|
343509
|
3,5
|
1,00
|
264363
|
0,0
|
α – ВРП на душу населения тыс. руб.
Данные таблицы 2 сформированы таким образом, что в группу 1 входят первые два региона с максимальной долей добычи полезных ископаемых в ПФО, а группа 2 состоит из двух регионов с минимальными показателями ДПИ. Локальный рост индекса кластерной нагрузки говорит о сдвигах в отраслях экономики регионов, что порождает гипотезу эффективности развития кластера с доминирующей подотраслью.
Далее управление кластерно-сетевыми связями и социально-экономическими показателями региона через индекс кластерной нагрузки реализуем с помощью математического аппарата множественной регрессии, реализованный с помощью нейронной сети. За основу взят персептрон Ясницкого Л.Н [5]. Согласно общепринятой технологии проектирования нейронных сетей всё множество примеров разбивалось на обучающее L, тестирующее T и подтверждающее P в соотношении: 70% : 20% : 10%. Обучение нейронной сети производилось различными методами: методом обратного распространения ошибки, методом упругого обратного распространения, методом Левенберга-Марквардта и др. Оптимизация структуры нейронной сети - выбор оптимального количества скрытых нейронов и активационных функций, проводилась вручную.
Пермский край - один из немногих в России и единственный в ПФО, объединивший в себе всю нефтегазовую вертикаль: от геологоразведки до сбыта нефтепродуктов. Следовательно, структура ЛУКОЙЛ – как ВИНК, имеет все формальные признаки кластера.
Поэтому для прогноза влияния кластерной нагрузки с превалирующей нефтедобывающей отраслью в регионе, для обучения нейронной сети будем использовать в качестве входных параметров - чистую прибыль предприятия как один из ключевых показателей эффективности деятельности предприятия по специализирующейся деятельности - отрасли, ВРП и соответствующий индекс кластерной нагрузки региона. Данные по федеральным округам, регионам взяты из ежегодных статистических сборников России. Показатели годовой деятельности ПАО ЛУКОЙЛ и ЛУКОЙЛ - Пермь взяты на официальном сайте предприятия в разделе бухгалтерская годовая отчетность предприятия.
Обученная нами сеть на ретроспективных данных дала максимальный процент ошибки прогноза для «ПАО ЛУКОЙЛ» – 9%, «ЛУКОЙЛ-Пермь» – 6%. на тестовой выборке и позволяет нам спрогнозировать прибыль предприятий при различных вариациях индекса кластерной нагрузки.
Под управлением кластерно-сетевыми связями на предприятиях промышленности (в данном случае предприятие сферы нефтегазового комплекса – группа предприятий ЛУКОЙЛ), ориентированных на доминирующую отрасль региона предприятия, будем понимать отклик прогнозных значений прибыли промышленного предприятия при изменении индекса кластерной нагрузки.
Результаты прогноза подтверждают гипотезу о благоприятности усиления - создания (концентрации) кластера с ведущей подотраслью нефтедобывающее производство. В частности, можно сказать, что прибыль крупных предприятий, ориентированных на доминирующую отрасль при увеличении индекса кластерной нагрузки будет увеличиваться намного интенсивнее, что в принципе характерно для кластерной экономики.
В июне 2019 «Газпром нефть», Правительство Тюменской области и Ассоциация нефтегазосервисных компаний приняли соглашение о создании регионального нефтепромышленного кластера [4]. Причина принятия данного соглашения – повышение социально–экономических показателей регионов, которые входят в этот проект. Согласно проекту, в кластер войдут 25 нефтесервисных и промышленных предприятий, ряд банков, технопарки и вузы. В свою очередь цель компании «Газпром нефть» – занять лидирующие позиции в своей отрасли по технологичности. [4]. Это еще раз подтверждает об актуальности и востребованности развития кластерной политики.
С другой стороны, анализ процессов показывает, что наиболее высокая эффективность производства в нефтяной сфере РФ достигается за счет управления промышленными компаниями в форме «АО вертикально интегрированная нефтяная компания. Интегрирование отдельных производств способствует увеличению их продолжительности жизнеспособности из-за «перелива» капитала. Более того повышается эффективность осведомления государства интересов производителя [1].
Таблица 3. Сравнительная таблица вертикально интегрированной структуры и кластерного подхода
Критерий сравнения
|
Вертикально интегрированные структуры
|
Кластерный подход
|
Производственные
процессы
|
Характер производства
|
Жесткий контроль всей производственной цепочки со стороны компании
|
Инновационный подход. Гибкая
специализация - интеграция деятельности всех взаимосвязанных групп и отсутствие между ними формальной «перегородкой»
|
Структура
производства
|
Строгая централизация
производственной цепочки
|
Координация и согласование между
независимых предприятий
|
Организационно – управленческая структура
|
Состав предприятий
|
Жестко закреплен. Вход и
выход возможен только после передачи прав собственности
|
Вариативность различных форм собственности
и отраслевой принадлежности.
Свободное изменение состава кластера
|
Оценка
эффективности
|
По социально-экономическим
показателям отрасли
|
По показателям эффективности развития
регионов
|
Внешнее окружение |
Характер конкуренции | Отсутствие конкуренции внутри структуры. Малые и средние компании не выдерживают конкуренции | Ограниченное присутствие конкуренции внутри структуры |
Появляется
возможность развития малых
и средних компаний |
Ценовая политика | Ценовой диктат
реализации продукта за счет монопольного положения | Сглаживание
резких перепадов
цен
за
счет внутренней и внешней конкуренции |
Сравнивая основные показатели, характерные для вертикально интегрированных компаний и кластера, можно предположить, что оптимальным управлением региона, ориентированного на обрабатывающую и добывающую отрасль будет развитие на существующей структуре ВИНК «ЛУКОЙЛ топливно-энергетического кластера, где ядром кластера может являться ВИНК «ЛУКОЙЛ». Это может поспособствовать к наращиванию стратегических инициатив и росту прибыли компании нефтегазового комплекса, а также увеличится вероятность укрепления и улучшения социально-экономических показателей путем притока новой рабочей силы и инвестирования различных проектов, тем самым повысив эффективность функционирования как региона, так и самого предприятия.
Список литературы
1.
Алекперов В.Ю. Вертикально интегрированные нефтяные компании России. – М.: АУТОПАН, 1996 С. 291
2.
Первадчук В.П., Осипова М.Ю., Кожемякин Л.В. Эконометрическое моделирование кластерно- сетевых взаимодействий // Экономика и предпринимательство. – 2019. - №10 (111) – С. 978-983
3.
Толстоброва Н.А., Кожемякин Л.В. «Ресурсное проклятие» национальной модели экономического развития // Современные проблемы науки и образования. – 2013. – № 6. URL: http://www.science- education.ru/ru/article/view?id=11308.
4.
Proнефть. Профессионально о нефти. – 2019. – №4. – С. 6 URL: https://ntc.gazprom- neft.ru/upload/uf/f60/GPN4_2019-150-dpi.pdf (дата обращения: 11.02.2020)
5.
Ясницкий
Л.Н. Искусственный
интеллект. Элективный курс: Учеб. пособие. М.: БИНОМ. Лаборатория знаний. 2011.