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.