Оценка влияния некоторых инструментов научно-технологической политики на инновационный выпуск в регионах России

ВВЕДЕНИЕ

Ключевой проблемой научно-технологической политики России является устойчивый структурный разрыв между инвестициями в научно-технологический потенциал и конечным инновационным выпуском. Этот разрыв в цепочке создания инновационной стоимости свидетельствует о системных недостатках в управлении полным инновационным циклом, а именно об отсутствии институциональных механизмов для идентификации перспективных разработок, управления интеллектуальной собственностью на этапе коммерциализации и взаимодействия между образовательным, научным и реальным секторами.

Курс на технологический суверенитет делает критически важным поиск новых решений. Они должны быть направлены не столько на управление финансированием науки, сколько на коммерциализацию исследований и превращение научного потенциала в конкурентоспособные продукты.

Традиционные инструменты государственного стимулирования – прямое финансирование затрат на НИОКР, создание особых экономических зон (ОЭЗ), обеспечение подготовки научных кадров – демонстрируют неоднозначную эффективность. При этом, как показывает практика реализации политики импортозамещения, она зачастую сопровождается высокими трансакционными издержками и ведет к замещению высокотехнологичной продукции менее качественными аналогами, не решая проблемы коммерциализации знаний.

По данным Росстата за период 2014–2023 гг. внутренние затраты на научные исследования и разработки (ВЗИР) в России увеличились в номинальном выражении почти вдвое, с 847,5 млрд руб. до 1 649,8 млрд руб. (+94,7%) ¹. С учетом инфляции реальный рост ВЗИР составил порядка 8,65% ². Однако доля инновационных товаров, работ, услуг в общем объеме отгруженных товаров за этот же период не только не выросла, но и снизилась с 8,7% до 6,0%. Особенно показательно, что максимальное значение доли инновационной продукции (9,2%) было достигнуто еще в 2013 году ³ – за десять лет до окончания исследуемого периода. Несмотря на двукратный рост финансирования науки, преодолеть этот «потолок» коммерциализации так и не удалось. Данный разрыв свидетельствует о наличии системных проблем коммерциализации и требует углубленного анализа факторов, определяющих эффективность инновационной деятельности.

Существующие эмпирические результаты часто не учитывают обратную причинно-следственную связь факторов и результатов, инерционность процесса коммерциализации, что приводит к смещенным выводам. Необходима оценка эффективности инструментов научно-технологической политики с учетом их динамики и региональной неоднородности.

Целью исследования является эмпирическая оценка причинно-следственного влияния и временной динамики отдачи от ключевых инструментов научно-технологической политики, измеряемых через управляемые параметры – инвестиции в НИОКР, затраты на технологические инновации, уровень человеческого капитала высокой квалификации и особые преференциальные зоны – на инновационный выпуск в региональных экономических системах.

Ожидаемый научный вклад работы заключается в эмпирической оценке влияния инструментов политики с учетом эндогенности, динамики и региональной неоднородности, которая позволит выявить системные ограничения, в том числе «долины смерти», характерные для российской инновационной системы. Полученные результаты будут иметь практическую значимость как основание для пересмотра подходов к управлению научно-технологическим развитием и выработки рекомендаций по адаптации мер государственной политики для преодоления структурно-институциональных ловушек с учетом региональной специфики.

Обзор литературы и гипотезы исследования

Теоретической основой исследования служит комплекс концепций, раскрывающих многоуровневую природу инновационного процесса. Исходным пунктом является теория национальных инновационных систем (НИС), в которой ключевое внимание уделяется взаимодействию институтов, определяющих генерацию, диффузию и применение новых знаний (Nelson, 1993; Lundvall, 1992). Развитием данного подхода стала концепция региональных инновационных систем (РИС), смещающая фокус на специфические для территории факторы и институты, подчеркивая роль географической и социальной близости (Asheim & Gertler, 2005). Дополняя структурный взгляд, модель «тройной спирали» акцентирует важность кооперации между университетами, бизнесом и государством как движущей силы инноваций (Etzkowitz & Leydesdorff, 2000), а теория открытых инноваций детализирует механизмы этого взаимодействия, описывая переход к практике активного привлечения внешних идей (Chesbrough, 2003). Однако на пути реализации моделей возникает критический разрыв между фундаментальными исследованиями и коммерциализацией, так называемая «долина смерти» (Markham et al., 2010), преодоление которой осложняется группами факторов. Во-первых, формированием нового технологического уклада (Глазьев, 2018; Глазьев & Косакян, 2025), который предъявляет повышенные требования как к самим знаниям, так и к скорости диффузии знаний, гибкости институтов и характеру кооперации (Paus, 2018). Во-вторых, внешнеполитическими шоками, такими как санкции, которые требуют существенной перестройки моделей технологического развития как на национальном (Guriev, 2022; Connolly, 2018; Говорова и др., 2025), так и на региональном уровне (Simachev et al., 2021; Растворцева & Блохина, 2024).

Для стран с догоняющим развитием, а также для России указанные проблемы проявляются особенно остро, формируя структурно-институциональный разрыв (Полтерович, 1999; Блохин & Сергеев, 2024; Блохин и др., 2026). В этой среде классические зависимости, например положительная связь между научно-технологическим потенциалом и инновационным продуктом (Griliches, 1979), оказываются нелинейными и опосредованными качеством институтов (Radošević, 2002). Российская специфика характеризуется низкой чувствительностью экономики к инвестициям в новые технологии и сохранением зависимости от устаревшего технологического базиса (Сухарев, 2025), а инновационная активность может быть ориентирована на имитацию, а не на прорывные разработки (Gokhberg et al., 2016; Широв и др., 2024).

Инновационные стратегии регионов должны формироваться с учетом анализа таких параметров, как уровень научно-образовательного потенциала, развитость человеческого капитала, патентная активность и плотность кооперационных связей (Tödtling & Trippl, 2005; Пашкус и др., 2024), ожидаемая отдача от стимулов и ограничений процессов трансфера технологий (Хайруллина & Соловьева, 2024). Влияние указанных факторов на инновационный выпуск нельзя оценить однозначно, поскольку может пройти много времени, прежде чем политика в области РИС принесет результаты (Fritsch & Slavtchev, 2007; Гришина и др., 2024).

В исследованиях для решения задач, учитывающих эндогенность и динамику, широко используется системный обобщенный метод моментов (System GMM). Так, Koç и соавторы применяют одношаговый и двухшаговый SGMM-подход для оценки воздействия расходов на НИОКР, человеческого капитала и предпринимательской активности на экономический рост (Koç et al., 2026). Авторы подтверждают положительный вклад расходов на НИОКР и образования, что согласуется с теоретическими ожиданиями, и обнаруживают неожиданный отрицательный эффект раннего предпринимательства, что указывает на нелинейность инновационных процессов.

Таким образом, актуальность оценки традиционных инструментов политики заключается в проверке их действенности именно в условиях преодоления этого глубокого разрыва. Данное исследование фокусируется на анализе влияния ключевых детерминант (параметров), соответствующих основным стадиям инновационного цикла и институциональному контексту. Выбор этих детерминант обоснован как теоретически (в рамках представленных концепций), так и эмпирически: их значимость подтверждается структурой авторитетных рейтингов инновационного развития российских регионов (ИСИЭЗ НИУ ВШЭ ⁴ и РИА Новости ⁵), где используются схожие показатели.

1) Детерминанты создания знаний (расходы на НИОКР). Инвестиции в НИОКР отражают целенаправленные усилия по генерации новых знаний, которые являются базисом для последующих инноваций. Классические модели, такие как модель Солоу и более поздние теории эндогенного роста (Dykas et al., 2022), прямо связывают инвестиции в знания с долгосрочным экономическим ростом. Однако в условиях институциональных ограничений (Федотова и др., 2025; Фрумина & Аль, 2026) и фрагментированной инновационной системы отдача от расходов на НИОКР может носить запаздывающий и нелинейный характер.

2) Детерминанты внедрения знаний (затраты на технологические инновации, инвестиции в модернизацию). Эта группа факторов характеризует способность экономики адаптировать и внедрять созданные знания в реальные производственные процессы и рыночные продукты. В отличие от затрат на генерацию знаний, инвестиции в их внедрение (приобретение машин, оборудования, программного обеспечения) могут оказывать более непосредственное влияние на коммерциализацию.

3) Институциональные детерминанты (ОЭЗ, человеческий капитал). Развитость институтов определяет возможности преобразования инвестиций в знания в коммерческий результат (Acemoglu et al., 2015). Человеческий капитал высокой квалификации, измеряемый долей исследователей с учеными степенями, является ключевым ресурсом инновационной системы. Согласно теории эндогенного роста, именно накопление человеческого капитала выступает фундаментальным источником долгосрочного технологического прогресса (Psarianos & Vliamos, 2010). Однако исследователи с учеными степенями часто концентрируются в академическом секторе и фундаментальной науке, которая не ориентирована непосредственно на рыночное применение (Gokhberg et al., 2016). Это создает разрыв между наличием высококвалифицированных кадров и их вкладом в инновационный выпуск. Проблема измерения человеческого капитала и неоднозначность его влияния на экономический рост широко обсуждаются в литературе (Škare & Lacmanović, 2015). Авторы также обращают внимание на проблему обратной причинности (reverse causation) между образованием и ростом, что обосновывает использование методов, учитывающих эндогенность, таких как System GMM. В одном из последних исследований на данных 22 стран обнаруживается, что не все формы человеческой активности, связанные с инновациями, автоматически ведут к экономическому росту: раннее предпринимательство демонстрирует отрицательный эффект (Koç et al., 2026), что перекликается с возможной отрицательной динамикой для исследовательского сектора. Другая детерминанта – ОЭЗ, призванные создать на ограниченной территории благоприятные инвестиционно-инновационные условия (Asheim & Gertler, 2005), демонстрирует неоднозначную эффективность (Пинская & Стешенко, 2024; Синенко, 2026). Эффект может дополнительно ослабляться значительной инерционностью региональной динамики (Растворцева & Блохина, 2024; Десятниченко и др., 2024), а также риском использования ресурсов зон для целей, отличных от инновационного развития. Поэтому предполагается, что положительное влияние преференциальных условий на коммерциализацию может носить краткосрочный и неустойчивый характер, зависящий от качества управления и интеграции зоны в экосистему региона (Дьячкова и др., 2026).

Данное исследование вносит вклад в решение этой задачи, предлагая эмпирическую оценку влияния перечисленных детерминант с учетом временных лагов, эндогенности и существенной региональной неоднородности, что является необходимым условием для выработки эффективных политических решений (Заварухин & Киселев, 2025; Махотаева и др., 2025).

На основе теоретического обзора были сформулированы следующие гипотезы:

1. Инвестиции в создание знаний оказывают положительное влияние на развитие высокотехнологичного сектора, причем данный эффект имеет распределенный во времени характер.

2. Инвестиции во внедрение знаний и инновационная активность положительно влияют на долю инновационной продукции, при этом влияние затрат на внедрение может иметь нелинейный характер, а получение отдачи – требовать определенного времени.

3. Специальный институциональный режим может выступать катализатором, усиливая отдачу от НИОКР, однако институциональные риски и практика использования подобных зон для налоговой оптимизации могут приводить к неустойчивому или даже отрицательному влиянию в среднесрочной перспективе.

4. Вклад человеческого капитала высокой квалификации в коммерциализацию инноваций может быть отрицательным или отсроченным вследствие разрыва между академической наукой и реальным сектором.

5. Эффективность инвестиций в НИОКР (отдача на долю инновационной продукции) значимо различается между индустриальными, наукоемкими и ресурсными типами регионов в силу различий в их отраслевой специализации и накопленном технологическом потенциале.

Исследование позволило проверить данные гипотезы и выявить ряд устойчивых эмпирических закономерностей.

Материалы и методы

Исследование выполнено в несколько последовательных этапов.

Этап 1. Подготовка данных.

Исходная эмпирическая база сформирована по 82 регионам Российской Федерации за период 2014–2023 гг. и включает 820 годовых наблюдений (вследствие включения в спецификацию лагов зависимой и объясняющих переменных до второго порядка оценочная выборка охватывает 656 наблюдений). Источники данных: Росстат ⁶ (показатели инновационной деятельности, затрат на НИОКР, инвестиций), Минэкономразвития России ⁷ (информация об ОЭЗ), Федеральная налоговая служба ⁸ (форма 1-НОМ). Зависимая переменная – доля продукции высокотехнологичных и наукоемких отраслей в ВРП (INN_OUTPUT_SHARE). Объясняющие переменные: внутренние затраты на исследования и разработки (RD_EXP_SHARE); затраты на технологические инновации (INN_COST_SHARE); число исследователей с ученой степенью (PHD_RSH_PC); инновационная активность организаций (INN_ACT); доля инвестиций в реконструкцию и модернизацию (INV_SHARE); переменная взаимодействия эффекта ОЭЗ и расходов на НИОКР (SEZRD).

Институциональный режим учитывается через: (а) бинарные переменные типов регионов (DV1, DV2, DV3), выделенных на основе объективных критериев (таблица 1); (б) центрированные взаимодействия этих переменных с расходами на НИОКР (RDDV1, RDDV2, RDDV3); (в) переменную SEZRD, отражающую влияние особых экономических зон как одного из специальных институциональных режимов научно-технологической политики.

Этап 2. Построение модели.

Ввиду потенциальной эндогенности (обратной связи между результатом и факторами) и инерционности инновационного процесса применена динамическая панельная модель, оцениваемая методом System GMM (Blundell & Bond, 1998). Метод позволяет устранить смещение, вызванное корреляцией лагированной зависимой переменной с индивидуальными эффектами (проблема Никелла) и обратной причинностью, используя лагированные значения переменных в качестве инструментов. Спецификация включает лаги зависимой и объясняющих переменных до второго порядка (t, t‑1, t‑2), что обосновано горизонтами инновационного цикла в российских регионах (Голова, 2021). Адекватность модели подтверждена в ряде исследований (Koçak, 2017; Farzana et al., 2024).

Сформирована система из двух уравнений: уравнение в первых разностях для устранения индивидуальных эффектов региона (1) и исходное уравнение в уровнях для формирования дополнительных моментных условий и повышения эффективности оценок (2).

где Δ – оператор взятия первой разности; α – константа; β – коэффициент при лагированной зависимой переменной (в окончательной спецификации учитываются два лага t‑1 и t‑2); Xi, t – вектор текущих значений объясняющих переменных; Γ – вектор коэффициентов при объясняющих переменных; u_i – ненаблюдаемые индивидуальные эффекты региона, которые не меняются со временем или меняются очень медленно; i – индекс региона (i = 1,…,82); t – индекс времени (t = 2014,…,2023); ε_it – случайная ошибка.

Индивидуальные эффекты u_i отражают устойчивые во времени, но ненаблюдаемые характеристики регионов (качество институтов, географическое положение, исторически сложившаяся специализация). В модели они устраняются путем взятия первых разностей в уравнении (1), что позволяет получить несмещенные оценки коэффициентов при лагированной зависимой переменной.

Этап 3. Оценка и верификация.

Качество построенной базовой спецификации модели оценивалось с помощью ряда диагностических тестов. Следуя стандартной практике применения системного GMM, качество оценок проверялось с помощью теста Ареллано-Бонда на отсутствие автокорреляции второго порядка (AR(2)) и теста Хансена на сверхидентификацию инструментов.

Отсутствие автокорреляции второго порядка подтверждается тестом AR(2): z = –0,78, p = 0,434. Валидность инструментов подтверждается тестом Хансена (χ² (41)=44,36, p = 0,332). Совместная значимость всех регрессоров (тест Вальда: χ² (20)=3146,16, p < 0,001), а также временных фиктивных переменных (тест Вальда: χ² (7)=14,55, p = 0,042) указывают на адекватность спецификации модели.

Этап 4. Анализ неоднородности и индивидуальные эффекты.

Для проверки гипотезы о неоднородности отдачи от инвестиций в НИОКР на основе пороговых значений выделены три типа регионов (таблица 1): наукоемкие (DV1), индустриальные (DV2), ресурсные (DV3) (Ужегов, 2023; Петров, 2023). В модель с учетом типов регионов включены бинарные переменные и их взаимодействия с расходами на НИОКР.

Модель в целом и временные эффекты высокозначимы (совместный тест Вальда: χ² (28)=1392,43, p < 0,001; тест на временные эффекты: χ² (8)=105,91, p < 0,001). В спецификации с учетом типов регионов количество инструментов сократилось с 69 до 43 при сохранении валидности инструментов (тест Хансена: p = 0,099). Тест AR(2) подтверждает отсутствие автокорреляции второго порядка (p = 0,433). Количество инструментов (43) не превышает количества регионов (82), что снижает риск сверхидентификации и соответствует рекомендациям Roodman (2009). В финальной спецификации с учетом типов регионов вследствие ограничений на количество инструментов и мультиколлинеарности часть переменных включена только с одним лагом (t‑2) или без лагов.

Предложенная типология регионов базируется на объективных количественных критериях для трех категорий регионов. Это отличает наш подход от подходов, представленных в исследованиях, в которых выделяется, как правило, один тип регионов (Ужегов, 2023; Петров, 2023), а также от экспертных классификаций (например, рейтинга инновационного развития регионов ИСИЭЗ НИУ ВШЭ или типологии РИА Рейтинг). В отличие от интегральных рейтингов, агрегирующих десятки показателей, наша типология основана на пороговых значениях трех ключевых параметров: наукоемкости (доля расходов на науку в ВРП >0,9% и/или доля исследователей с учеными степенями >0,9 на 1000 занятых), индустриальной специализации (доля обрабатывающих производств в ВРП) и ресурсной зависимости (доля добывающего сектора в ВРП >25%). Такой подход позволяет не только ранжировать регионы, но и идентифицировать качественно различные режимы инновационного развития. Противопоставление индустриальных и наукоемких регионов обусловлено различиями в механизмах генерации и коммерциализации знаний. В наукоемких регионах доминирует модель «наука–инновация» («push-модель»), где источником нововведений выступают фундаментальные исследования. В индустриальных регионах преобладает «pull-модель», где инновации индуцируются запросами промышленного производства. Эти различия имеют принципиальное значение для формирования политики: в первом случае требуются механизмы трансфера технологий из академического сектора, во втором – стимулирование технологической модернизации предприятий.

Для проверки робастности выводов проведены VIF-тест и анализ чувствительности к исключению регионов с особым статусом (г. Москва и г. Санкт-Петербург), использована FE-модель с лагами. Мультиколлинеарность переменных не превысила общепринятого порога 10 (VIF для RDDV1 – 5,63, для L2_RD – 9,75). Оценивание FE‑модели с лагами, несмотря на присущее ей смещение в динамических панелях (Nickell, 1981), подтвердило отрицательный знак коэффициента при переменной PHD_RSH_PC (–0,0503), GMM‑оценка — –0,0502. Корректировка выборки не привела к изменению направления эффекта, что свидетельствует об устойчивости выявленной закономерности. В силу неэффективности FE‑модели для динамических панелей основным методом оценки в исследовании является System GMM.

Поскольку типология регионов основана на объективных пороговых значениях, это позволяет интерпретировать коэффициенты при DV1, DV2, DV3 и их взаимодействиях как количественную оценку влияния институционального режима, а не как результат произвольной классификации.

Ненаблюдаемые факторы (качество институтов, инновационная экосистема, кооперационные связи) не включены в модель явно, но их совокупное влияние количественно выражено в индивидуальных эффектах û_i, рассчитанных по формуле (3).

где T – количество временных периодов для региона; X_it – вектор объясняющих переменных (включая лаги); β̂₁,β̂₂,Γ̂ – оценки коэффициентов.

Положительные значения û_i указывают на наличие устойчивых ненаблюдаемых факторов, повышающих инновационный выпуск в регионе, отрицательные – на структурные ограничения.

Этап 5. Интерпретация результатов.

На основе полученных оценок проведен анализ влияния факторов, выявлены системные разрывы и сформулированы рекомендации для политики с учетом региональной дифференциации.

Результаты

Результаты оценки динамической панельной модели отражают воздействие факторов на долю инновационной продукции (INN_OUTPUT_SHARE) в регионах Российской Федерации (таблица 2).

Положительный и значимый коэффициент при лагированной зависимой переменной (0,286, p<0,01) свидетельствует о динамической природе процесса инновационной коммерциализации, что обосновывает применение динамических панельных методов и подтверждает инерционность развития высокотехнологичного сектора в регионах России.

Анализ взаимодействия типа региона с расходами на НИОКР выявил существенную неоднородность эффекта (таблица 3). В модели использованы центрированные взаимодействия (DV1RD, DV2RD, DV3RD), что позволяет интерпретировать полученные коэффициенты как эффекты для региона со средним уровнем расходов на НИОКР.

Выявленные эффекты распределены во времени. Характер этого распределения связан с типом региона. Наибольшая краткосрочная отдача наблюдается в наукоемких регионах (DV1RD = 1,247), однако отрицательные значения на лагах t‑1 и t‑2 (–1,376 и –4,883 соответственно) свидетельствуют о неустойчивости эффекта и проблемах коммерциализации. В ресурсных регионах также фиксируется значимый положительный эффект в текущем периоде (DV3RD = 1,141), сменяющийся отрицательным значением на втором лаге (–5,591). Для индустриальных регионов текущий эффект незначим, но на первом лаге возникает положительный эффект (1,519).

Анализ уровневых фиксированных эффектов показывает, что индустриальные регионы имеют более высокий базовый уровень (DV2 = 3,096). Ресурсные регионы демонстрируют устойчивое отрицательное отклонение (DV3 = –1,490; DV3 t‑2 = –2,205). В наукоемких регионах на втором лаге фиксируется отрицательное отклонение (DV1 t‑2 = –4,217).

Среди прочих факторов инновационной активности выделяется сильный положительный эффект расходов на НИОКР со вторым лагом (6,283) и инновационной активности (0,186). Доля исследователей с ученой степенью дает устойчивый отрицательный эффект (–0,205). Влияние особых экономических зон неустойчиво: положительный текущий эффект (1,079) сменяется отрицательным на втором лаге (–0,433).

Обобщающая интерпретация результатов с учетом региональной типологии представлена в таблице 4.

Анализ распределения индивидуальных эффектов выявил значительную неоднородность между регионами (таблица 5, рисунок 1). Стандартное отклонение и межквартильный размах свидетельствуют о существенной вариации ненаблюдаемых региональных характеристик. Наибольшие положительные эффекты зафиксированы в Москве, Томской области, Калужской области. Наиболее выраженные отрицательные эффекты – в Ненецком автономном округе, Сахалинской области, Ямало-Ненецком автономном округе.

На рисунке 1 положительные эффекты (зеленый) свидетельствуют о наличии устойчивых ненаблюдаемых факторов (качество институтов, развитость инновационной экосистемы, плотность кооперационных связей), повышающих инновационный выпуск в регионе. Отрицательные эффекты (красный) указывают на структурные ограничения, снижающие эффективность коммерциализации инноваций даже при сопоставимых уровнях инвестиций в НИОКР и подготовку кадров.

Совокупность полученных результатов подтверждает необходимость дифференцированного подхода к научно-технологической политике. Индустриальные регионы, демонстрирующие наиболее высокий базовый уровень и устойчивую отдачу от НИОКР на первом лаге, требуют поддержки для преодоления спада на втором лаге. Наукоемкие и ресурсные регионы нуждаются в механизмах закрепления эффекта и преодоления структурных ограничений, препятствующих коммерциализации инноваций.

ЗАКЛЮЧЕНИЕ

Исследование выявило не отдельные недостатки, а системные разрывы в цепочке создания инновационной стоимости в России. Они ограничивают отдачу от инструментов научно-технологической политики.

1) Временной и институциональный разрыв в коммерциализации НИОКР. Отдача от НИОКР нелинейна: положительный эффект в текущем периоде и с двухлетним лагом сменяется отрицательным на первом лаге, что подтверждает существование «долины смерти» (Markham et al., 2010). Затраты на технологические инновации дают отдачу лишь с двухлетним лагом, указывая на слабость институтов трансфера технологий (Философова & Сырцов, 2024). Количественно это означает, что полный цикл коммерциализации НИОКР в российских регионах занимает не менее двух лет, при этом эффект первого года реализации инвестиций является отрицательным.

2) Разрыв между системой подготовки и реальным спросом на человеческий капитал высокой квалификации. Устойчивое отрицательное влияние числа исследователей с ученой степенью – наименее ожидаемый результат, согласующийся с «micro-macro paradox» (Pritchett, 2001) и аналогичный эффекту раннего предпринимательства (Koç et al., 2026). В российских реалиях это свидетельствует о несоответствии системы подготовки кадров потребностям реального сектора вследствие эмиграции, перетока в непрофильные сферы или ориентации на невостребованные задачи. Согласно полученным оценкам, увеличение числа исследователей с ученой степенью на 1 человека на 1000 занятых ассоциировано со снижением доли инновационной продукции в ВРП на 0,2–0,3 п. п., что сопоставимо с эффектом от сокращения инвестиций в технологические инновации.

3) Институциональный разрыв: невыполнение миссии особых экономических зон. ОЭЗ не создают «тройную спираль». Результаты согласуются с гипотезой об использовании режима для налоговой оптимизации (Синенко, 2026), а не для генерации устойчивых инноваций. В индустриальных регионах накопленный эффект от НИОКР через год достигает 1,52 п. п., в наукоемких текущий эффект составляет 1,25 п. п., но полностью нивелируется к концу второго года.

4) Пространственный разрыв связан с неоднородностью региональных инновационных систем. Дифференциация отдачи от инвестиций в НИОКР между типами регионов подтверждает тезис о качественном различии региональных инновационных режимов (Tödtling & Trippl, 2005). Наибольшая краткосрочная отдача наблюдается в наукоемких регионах, что отражает их высокий научно-технологический потенциал, в ресурсных регионах эффект неустойчив, в индустриальных – проявляется с задержкой, что демонстрирует распределенный во времени характер воздействия политики.

5) Вариация индивидуальных эффектов регионов. Значительная вариация восстановленных индивидуальных эффектов фиксирует влияние ненаблюдаемых характеристик (качество институтов, инновационная экосистема). Положительные значения в наукоемких регионах показывают, что развитая инфраструктура генерирует отдачу даже в условиях системных сбоев; отрицательные – проявление структурных ограничений, непреодолимых простым наращиванием инвестиций. Размах индивидуальных эффектов составляет от –5,96 до 3,34, то есть при одинаковых уровнях финансирования науки разница в инновационном выпуске между регионами-лидерами и аутсайдерами может достигать 9,3 п. п. только за счет ненаблюдаемых институциональных характеристик.

Полученные результаты обосновывают переход к парадигме «распределенного управления», где выбор меры политики должен учитывать динамику воздействия, а не мгновенную отдачу. Во-первых, необходим переход к управлению полным инновационным циклом – от фундаментальной идеи до опытного образца – с акцентом на развитие недостающих посреднических институтов (инжиниринговые центры, венчурное финансирование ранних стадий). Во-вторых, требуется реформирование института ОЭЗ с пересмотром миссии в сторону создания интегрированных научно-производственных кластеров с юридически закрепленными требованиями кооперации с университетами и центрами коммерциализации. В-третьих, необходимо целенаправленное создание спроса на человеческий капитал высокой квалификации. Политика не может ограничиваться только стимулированием предложения, но и обязана формировать спрос, в том числе через механизмы государственно-частного партнерства в НИОКР и создание карьерных возможностей для ученых в реальном секторе экономики. В-четвертых, региональная инновационная политика предполагает дифференцированный подход. Резкие различия в отдаче от инвестиций между типами регионов, подкрепленные значительной вариацией индивидуальных эффектов, требуют разработки адресных стратегий, где меры поддержки согласуются с региональной и отраслевой спецификой (Евсеева & Гершман, 2025).

Ограничения исследования и направления для будущих работ. Основное ограничение связано с использованием агрегированного показателя доли высокотехнологичной продукции в ВРП, который может включать продукцию, созданную без проведения собственных НИОКР в регионе. Верификация выводов на альтернативных показателях (например, доля новых для рынка инновационных товаров) представляется важным направлением. Кроме того, выявленные системные разрывы требуют углубленного изучения с применением качественных методов (кейс-стади, экспертные интервью, анализ сетей кооперации) для понимания микроэкономических и институциональных механизмов, стоящих за полученными закономерностями.

Реализация предложенных направлений позволит сместить акцент с финансирования разрозненных этапов на построение связанной и эффективной национальной инновационной системы.