Повышение качества внутрисетевой организации сельскохозяйственных кластеров России

Глава 2. Суть сетевого анализа. Рассмотрение сельскохозяйственных кластеров как объекта исследования.

2.1 Сетевой анализ. Применение и подробные характеристики

Сетевой метод был выбран для данного исследования, потому что объединяет в себе множество инструментов анализа, в том числе качественные и количественные. Также, этот метод позволяет понятно и показательно визуализировать полученные результаты.

Основными методами сетевого анализа являются: методы теории графов, а точнее, направленные графы и матрицы, представляющие их, методы нахождения локальных свойств субъектов, таких как центральность, престиж, положение и т.д., методы определения эквивалентности акторов, блоковые модели, ролевые алгебры, анализ диад и триад, вероятностные модели. Также рассчитывается ряд статистик, которые описывают гомогенные эффекты, например, такие как число путей длины, среднее расстояние (близость), минимальное число рёбер, удаление которые разделяет граф на несколько частей (связность). Существуют и индивидуальные свойства акторов : среднее расстояние от вершины i до остальных вершин, число путей, включающих эту вершину (промежуточность). Если акторы разбиты на несколько блоков, то можно посчитать интенсивность их взаимодействия с помощью индикаторной переменной. Далее рассмотрим некоторые методы подробнее.

В данном исследовании будут применяться различные инструменты сетевого анализа. Согласно специфике исследования, за акторов будут приниматься предприятия-участники сельскохозяйственных кластеров России, а также организации взаимодействующие с ними в роли заказчиков, поставщиков и контрагентов. Далее рассмотрим более подробно выбранные для анализа инструменты.

Например, S.Juhбsz и B.Lengyel изучали в своём исследовании стохастические актор-ориентированные модели, которые учитывают три различных эффекта, влияющих на развитие сетей в кластерах. Juhбsz S., Lengyel B. Creation and persistence of ties in cluster knowledge networks //Journal of Economic Geography. - 2017. - Т. 18. - №. 6. - С. 1203-1226. Во-первых, эндогенные или структурные эффекты, которые обусловлены самой сетью (триадическое замыкание, взаимность). Во-вторых, диадические ковариантные эффекты, например гомофилия или ассортиментность (сходство или близость между парой акторов). В-третьих, индивидуальность акторов, которая также мжет влиять на расположение в сети. Исследование было динамическим (данные собирались в 2012 и 2015гг.) и строилось вокруг печатных предприятий в Венгрии. Авторам было важно узнать, как изменяется сеть знаний в кластере и как появляются, изменяются и исчезают связи между акторами. Помимо прочего, они предполагали, что когнитивная близость компаний располагает к созданию и поддержанию связей. Lengyel B. et al. Geographies of an online social network //PloS one. - 2015. - Т. 10. - №. 9. - С. e0137248. Исследование S.Juhбsz и B.Lengyel схожи с данным на этапе сбора данных и начального анализа сети без учёта динамики. Таким образом, в рассмотренной работе нас интересует анализ диад и триад совместно с анализом когнитивной близости акторов, а также определение центральности актора, которые будут присутствовать и в данном исследовании. Эти параметры помогут выяснить, по какому принципу взаимодействуют те или иные акторы и существуют ли лидеры в сети.

Уточним, что понимается под анализом диад и триад. Диадами являются наборы из двух акторов (вершин) и всех взаимодействий между ними (ребер). Диада для любого типа взаимодействий может быть в одном из четырёх состояний: отсутствие связи между акторами, связь направлена от актора А к актору Б, связь направлена от актора Б к актору А, взаимная связь акторов. Анализ диад направлен на: установление влияния входной и выходной степени вершин графа на вероятность наличия ребра между ними; определение обратимости взаимодействия акторов, степени зависимости от свойств акторов; выявление условий и направления передачи информации. В случае с триадами (имеется три взаимодействующих актора) также исследуются вопросы транзитивности взаимодействий.

Далее рассмотрим как проводится анализ центральности. Данный показатель описывает выдающееся положение конткретного участника по сравнению с остальными узлами. Существует несколько мер для определения ценральности акторов. В соответствиии с первой центральные акторы соответствуют таким вершинам сети, которые имеют наибольшее число рёбер или степень. Во втором случае центральная вершина - это вершина, от которой расстояние до других вершин сети минимально. В связи с этим, путь от центральных акторов до остальных акторов является самым простым, центральные имеют большую вероятность получить информацию, которая циркулирует в сети, а также контролировать распространение информации. Третьей мерой центральности является промежуточность или степень включенности актора в маршруты между другими акторами. В данном случае центральным будет считаться актор, который может контролировать наибольшее число путей в социальной сети, как между акторами, так и между группами. Wasserman S., Faust K. Social Network Analysis: Methods And Applications. - Cambridge University Press, 1994 - Т. 8.

Для анализа степени центральности разных акторов используется индекс центральности вершины xi в связном графе G, который имеет одну ось симметрии -

,

где S(xi) - это сумма расстояний от вершины xi до остальных вершин, S(G) - общая сумма дистанций в графе G.

Для сравнения графов по степени их центральности вводится индекс центральности графа -

Второе исследование, которое мы рассмотрим в качестве примера - M.Ramirez «The role of social networks in the inclusion of small-scale producers in agri-food developing clusters». Ramirez M. et al. The role of social networks in the inclusion of small-scale producers in agri-food developing clusters //Food Policy. - 2018. - Т. 77. - С. 59-70. Оно направлено на изучение и сравнение двух сельскохозяйственных кластеров в Колумбии и Перу. Авторы изучают положение малых хозяйств-производителей в кластерных сетях с большими центральными участниками доминирующей отрасли экспорта в рассматриваемых странах. Большое внимание исследователей уделено именно на анализ центральности, который позволяет понять носит ли сеть иерархический характер и насколько влиятельными являются крупные участники кластера. Для нашего исследования это также важно, потому что в каждом из рассматриваемых кластеров может выявиться своеобразный лидер, который влияет на распространение информации и взаимодействует с изолированными друг от друга малыми предприятиями. Так, например, для определения лидера нам понадобится анализ центральности и сила структурной позиции актора.

Сила структурной позиции актора является основным показателем, который отражает различия в ресурсах акторов. Анализ этого показателя весьма эффективен как метод построения моделей, объясняющих различия в результатах деятельности акторов, особенно в случае с небольшим числом наблюдений. В теории сетевого обмена для расчёта данной характеристики используется индекс силы актора i -

,

где Р[i]k - это число непересекающихся путей длины k, проходящих через вершину i.

Центральность является наиболее важным показателем для анализа сети, потому как от него в большей степени зависит построение всей сети. Giuliani E. et al. Evaluating the Impact of Cluster Development Programs. - Inter-American Development Bank, 2013. Рассмотрим более наглядно классификацию сетей различной структуры, эффекты, которые они обуславливают, а также их положительные стороны и ограничения в Таблице 1.

Таблица 1 - Примеры сетевых позиций, полезных эффектов и ограничений.

Источник: Giuliani E. et al. Evaluating the Impact of Cluster Development Programs. - Inter-American Development Bank, 2013. Переведено автором.

Продолжая рассматривать статью, обратим внимание на другие показатели помимо центральности. Авторы выдвигают предположение о том, что большое количество связей внутри кластера означает развитие инноваций и разнообразие знаний в нём, а малое количество связей внутри кластера и, в том числе, большое - вне кластера означает застой знаний в группе и отсутствие инновационной деятельности. Также они утверждают, что сильная связь показывает сплочённость сети - знания будут передаваться более эффективно. В данном исследовании делается упор на силу связей между акторами и наличием плотных подсетей в кластере. Таким образом, они пытаются установить влияние между участниками. Также и в нашем иссследовании будет использован этот параметр, чтобы выяснить как взаимодействуют участники кластера друг с другом.

Сила связей между акторами определяется как линейная комбинация продолжительности, эмоциональности и других характеристик, которые определяют данное взаимодействие и соответствующее ему ребро графа. Слабые связи в таком случае будут важными источниками информации для актора, потому как они выступают своеобразными «мостами» к другим социальным сетям, в которых можно получить дополнительные сведения о какой-то организации или индивиде.

Помимо прочего, необходим рассчёт коэффициента плотности - отношение числа ребер в анализируемом графе к числу рёбер в полном графе с таким же количество вершин ( в полном графе все вершины соединены между собой). Он необходим, потому как сила связей показывает качество связи между акторами, а коэффициент плотности даёт полную картину связей в кластере. Плотность является распространённым показателем и используется чаще всего при сравнении графов одного размера или для сравнения графа с ним самим во времени. Также этот показатель может привести в заблуждении при сравнении графов разной величины и решить эту проблему можно путём сравнения плотностей подобных сетей между собой или вычислением плотности условной средней сети. В данном исследовании будет использоваться именно плотность, потому как графы являются подобными друг другу, но мог бы быть использован коэффициент кластеризации, который считается более эффективным. Коэффициент локального объединения в кластеры показывает, как сильно связаны участники с конкретным узлом сети (организацией в случае данной работы).

Для анализа подгрупп, которые упоминались выше, используется отдельный метод и для нашего исследования он необходим, потому как наличие плотных подгрупп в сети будет показывать,например, что знания концентрируются у нескольких более сильных предприятий, а остальные остаются как бы в отстающих. Данная метрика находится между анализом цельной сети и индивидуальных сетевых особенностей. Данный метод делит сеть на части, которые являются плотными относительно всей сети. Основным признаком связанных подгрупп является то, что в них существует большое число связей между входящими в них акторами и гораздо меньшее число связей со сторонними акторами. Анализ подобных подгрупп позволяет изучать устойчивость социальных структур. Наиболее простой случай связанной подгруппы - клика или группа акторов, в которой каждый связан с каждым, а также в эту группу не могут быть включены другие акторы, потому как они не имеют связей со всеми членами группы. Таким образом, подобная группа - это максимальный полный подграф данного графа. В случае с распространением информации в графах, можно дать иное определение связанной группы, например, как множество акторов, где расстояние между двумя любыми акторами не содержит больше одной промежуточной вершины. В результате информация между акторами в связанной группе передаётся с минимальными искажениями. Понятие клики имеет также «облегчённый» аналог k-плекс, в котором не все, но большая часть узлов подгруппы связаны. Такой аналог хорошо работает в теории, на практике он используется редко.

Также мы можем рассмотреть исследование «Co-worker networks and agglomeration externalities». Eriksson R. H., Lengyel B. Co-worker networks and agglomeration externalities //Economic Geography. - 2019. - Т. 95. - №. 1. - С. 65-89. Оно не связано с кластерами напрямую, но изучает проблему кадрового состава и рабочие потоки с помощью сетевого анализа и других методов. При проведении сетевого анализа авторы выделяют наиболее важными для исследования показателями - плотность сети, транзитивность или триадное замыкание в сети. Второй показатель рассчитывается как отношение существующих замкнутых треугольников (три актора между которыми есть связи) к всем возможным треугольникам в рассматриваемой сети. Данный показатель похож на плотность, но он позволяет узнать, с одной стороны, насколько сеть сплочена, а значит, информация и инновации в ней распространяются проще и быстрее, но с другой стороны, насколько сеть замкнута от посторонних акторов.

Также в данной работе будет целесообразно рассмотреть эквивалентность акторов, что является противоположным методом к методу связанных подгрупп. Считается, что акторы эквивалентны в случае, когда они занимают одинаковые позициии в социальной структуре, когда эквивалентны структура и тип отношений этих акторов с другими, при этом эквивалентные акторы не взаимодействуют друг с другом. В роли меры эквивалентности может выступать плотность связей со структурными подгруппами акторов. В то же время, аналогично структорной эквивалентности может использоваться регулярная эквивалентность акторов. В таком случае акторы будут эквивалентны, когда они одинаковво взаимодействуют с акторами одного типа.

Методы выявления структурной эквивалентости позволяют анализировать графы, имеющие несколько типов ребёр. Например, в сети социальных взимодействий стран мира в качестве взаимодействий выступают торговля, дипломатические отношения, войны и т.д. Графы, отвечающие каждому типу взаимодействий, могут сильно отличаться, но вместе они демонстрируют целостную структуру взаимодействий стран мира, откуда можно вывести такие показатели как сила, влияние, уровень развития государства и прочее. Так, в данной работе типы ребёр будут представлены как отношения между предприятиями в роли заказчика, поставщика и контрагента.

Определение структурной эквивалентности двух акторов требует сравнения структуры их взаимодействий с другими акторами (сравнить столбцы в матрице связей графа). Это можно выполнить с помощью вычисления рассстояния между векторами или коэффициентов связи. Для направленных грфов надо учитывать входящие и выходящие рёбра. Если присутствуют разные типы взаимодействий акторов, то строится несколько матриц связей графа для каждого типа взимодействий, а потом эти матрицы записываются одна под другой. Далее можно сравнивать столбцы полученной матрицы с помощью разных мер расстояния и коэффициентов связи и получить оценку структурной эквивалентности акторов по всему набору взаимодействий.

Следующий этап включает в себя переставление столбцов в матрицах для каждого типа связей так, чтобы сгруппировать те, которые соответствуют структурно эквивалентным акторам. Таким образом, матрица разделяется на структурные блоки, в каждом вычисляется плотность. После строится новая матрица связей между полученными структурными блоками. Такие матрицы являются блоковыми моделями и средством построения ролевых алгебр.

Таким образом, все перечисленные показатели будут использованы в данном исследовании. Основным программным обеспечением, использующимся для исследования будет являться Gephi и NodeXL, также будут использованы онлайн-программы для построения и анализа графов.

2.2 Процесс сбора данных. Особенности источников

Для подсчёта рассмотренных в предыдущем пункте показателей и построения сетевых моделей необходимо было собрать данные о составе сельскохозяйственных кластеров России и организациях, которые взаимодействуют с участниками этих кластеров. Первым этапом сбора данных являлось изучение сайта Кластерной обсерватории НИУ ВШЭ. Из этого ресурса были взяты основные сведения о кластерах: названия, год создания, список участников, их адреса и официальные сайты при наличии. Таким образом, было выделено четыре селькохозяйственных кластера в Вологодской, Новгородской, Ростовской и Астраханской областях.

На следующем этапе было неоходимо уточнить данные, собранные на сайте Кластерной обсерватории. Это было сделано с помощью официальных сайтов кластеров, областных центров кластеров развития, а также официальных порталах государственных органов. Для дальнейшего поиска организаций, взаимодействующих с участниками кластеров, требовалось найти ИНН каждого участника изучаемых кластеров. Данные были найдены в открытом доступе на сайтах, которые дают возможность проверить любую организацию для сотрудничества (например, www.rusprofile.ru ). Таким образом, были получены основные данные по участникам кластеров - названия, адреса, ИНН, учредители и руководители, количество работников.

Последним этапом сбора данных была работа с системой для проверки контрагентов СПАРК. Она даёт возможность найти любую организацию по ИНН и просмотреть подробную информацию о ней, включающую в себя риск от взаимодействия, уставный капитал, поставщиков, контрагентов и заказчиков, суммы сделок и т.д. Доступ в систему ограничен и возможен только из корпусов НИУ ВШЭ при наличии логина и пароля. Необходимой для исследования являлась информация об организациях, взаимодействующих с участниками кластеров, которую можно было скачать в формате Excel. По завершении данного этапа были готовы четыре таблицы Excel по каждому из кластеров, содержащих основную информацию о них, а также файлы с организациями, взаимодействующими с участниками. Рассмотреть полученные таблицы можно на примере Таблицы 2. Все полученные таблицы представлены в Приложении А. Также после данного этапа стало возможным построение сетевых моделей на основе программного обеспечения NodeXL. После построения сетевых моделей производится рассчёт ряда показателей из пункта 2.1. и анализ результатов с последующими рекомендациями по улучшению взаимодействия.

Таблица 2 - Пример таблицы содержащей основные сведения о предприятиях-участниках сельскохозяйственных кластеров.*

*Составлено по: система проверки контрагентов СПАРК (URL: http://www.spark-interfax.ru )

Как уже упоминалось ранее для исследования были выбраны сельскохозяйственные кластеры России. Как можно увидеть на рисунке 6, с помощью ресурсов Российской кластерной обсерватории было выделено четыре объекта изучения: кластер «Аквакультура и рыбное хозяйство Астраханской области», Молочный кластер Вологодской области, Кластер по производству и переработке молочной продукции «Донские молочные продукты» и Агропромышленный кластер Новгородской области.

Рисунок 6 - Кластеры, специализирующиеся на сельском хозяйстве на Карте кластеров России.

Источник: официальный сайт Российской кластерной обсерватории - Карта кластеров России (URL: https://map.cluster.hse.ru/ )

Рассмотрим более подробно каждый из них. Кластер «Аквакультура и рыбное хозяйство Астраханской области» был создан в 2013 году в Астрахани и специализируется на сельском хозяйстве и рыболовстве. Также этот кластер поддерживается Центром кластерного развития в рамках программы Минэкономразвития России по поддержке малого и среднего предпринимательства. Основная продукция кластера - живые объекты аквакультуры, консервы и кулинарная продукция. Управляющей компанией кластера является НКО Астраханьрыбхоз, всего кластер включает в себя 12 организаций с общей численностью работников - 600 человек. Структура финансирования данного кластера распределяется следующим образом: 80% составляют взносы участников, 20% - доходы от продажи услуг. Данный кластер отличается тем, что в его состав входят малые предприятия и их количество также относительно других кластеров малое. Также кластер был образован ранее всех остальных изучаемых. Таким образом, можно предположить, что особенности размеров данного кластера отразятся и на его сетевой структуре.

Следует отметить, что в Астраханской области сельское хозяйство занимает 7,2% в структуре валового регионального продукта и не относится к основным видам деятельности, специализации данного региона. Тем не менее индекс производства сельскохозяйственной продукции всех категорий в процентах к предыдущему году в 2017 году составил 109,9%, что является показателем развития данной области. Официальный сайт Федеральной службы государственной статистики Росстат. Регионы России. Основные характеристики субъектов Российской Федерации. 2018. (URL: http://www.gks.ru/wps/wcm/connect/rosstat_main/rosstat/ru/statistics/publications/catalog/doc_1138625359016 )

Следующим рассматриваемым объектом является кластер по производству и переработке молочной продукции «Донские молочные продукты». Данный кластер был создан в 2015 году в г.Ростов-на-Дону и состоит из 23 участников, включая три иностранные организации, общая численность работников составляет более 7 тыс.чел. Помимо сельского хозяйства кластер специализируется на производстве пищевых продуктов, напитков и табачных изделий. Основным проектом, осуществляемым кластером является разработка высокопродуктивной молочно-товарной фермы, с последующим ежегодным строительством или реконструкцией молочных ферм. Проект предусматривает строительство 45 молочно-товарных ферм нового поколения за 5 лет. Управляющей организацией кластера является ОАО "РКР" ОАО «Региональная корпорация развития» и также как предыдущий данный кластер поддерживается центром кластерного развития. Несмотря на то, что данный кластер не является самым большим из изучаемых, он включает в себя наибольшее количество работников, что также может повлиять и на его структурную организацию, что будет проверено в дальнейшем исследовании.

Также региональный Центр кластерного развития курирует 10 других кластеров с различной специализацией. Сельское хозяйство занимает 14,2% в структуре валового регионального продукта и является одним из основных видов экономической деятельности в данном субъекте. Индекс производства сельскохозяйственной продукции всех категорий в процентах к предыдущему году в 2017 году составил 107,6% согласно данным Федеральной службы государственной статистики.

Как и кластер «Донские молочные продукты», Молочный кластер Вологодской области был образован в 2015 году. Он включает в себя 58 организаций с общей численностью работников около 3 тыс.чел. Как и предыдущий, Молочный кластер Вологодской области имеет две специализации - сельское хозяйство и производство пищевых продуктов. Данный кластер участвует в шести различных проектах, основным среди которых является формирование и развитие бренда «Молоко из Вологды». Координирующей организацией кластера является подразделение АНО "Региональный Центр поддержки предпринимательства" - Центр кластерного развития Вологодской области. Центр также курирует ещё четыре кластера разной специализации. Данный кластер интересен для исследования тем, что является самым многочисленным по организациям и можно предположить, что его структура будет являться наиболее сложной из всех изучаемых кластеров и потому наиболее репрезентативной. Положение сельского хозяйства в данном регионе является далеко не лидируещим, оно составляет 5% от валового регионального продукта, что объясняется специализацией данной области в обрабатывающих производствах. Показатели сельского хозйства находились в периоде спада, например в 2016 году индекс производства сельскохозяйственной продукции всех категорий в процентах к предыдущему году составлял 106,3%, а в 2017 году уже 88,9% (по данным Федеральной службы государственной статистики).

Последним рассматриваемым кластером является Агропромышленный кластер Новгородской области. Он был создан в 2014 году и включает в себя 22 организации с общей численностью работников примерно 4 тыс.чел. Данный кластер объединяет в себе предприятия разной направленности сельского хозяйства, включая молочное, мясное производство, растениеводство и т.д. Предполагается, что такая разнонаправленность предприятий может повлиять на сетевую организацию кластера таким образом, что предприятия с разными профилями будут взаимодействовать между собой хуже, чем предприятия с одинаковыми специализациями, как это представлено в других кластерах. Управляющей организацией кластера является Новгородский Фонд поддержки малого предпринимательства. Данный кластер финансируется полностью за счёт регионального бюджета и поддерживается Цетром кластерного развития, который курирует три кластера с различной специализацией помимо агропромышленного. Сельское хозяйство не является лидирующим видом экономической деятельности в данном регионе, а его доля в струткуре валового регионального продукта составляет 8,05%. Показатели данной отрасли также потерпели небольшой спад, например, в 2017 году индекс производства сельскохозяйственной продукции всех категорий в процентах к предыдущему году составил 93,4%.

Все исследуемые кластеры находятся на начальном этапе развития, согласно данным Карты кластеров России. Также они меют одинаковые приоритеты развития, которые включают в себя организационное развитие кластера, развитие инновационного потенциала и сектора разработок, улучшение кадрового состава, налаживание межрегионального и международного сотрудничества, а также развитие связей с государственными органами. Для более наглядного сравнения всех четырёх кластеров была создана сводная таблица (Табл. 3) с общими сведениями о кластерах.

Таблица 3 - Сводная таблица данных сельскохозяйственных кластеров России.*

*Составлено по: официальный сайт Российской кластерной обсерватории - Карта кластеров России (URL: https://map.cluster.hse.ru/ )

Помимо всех вышеупомянутых предположений насчёт каждого кластера, можно выделить общие предположения по поводу сетевой организации кластеров. Предполагается, что из-за особенности специализации, организации в кластерах будут взаимодействовать друг с другом активно, но также будут присутствовать якорные предприятия, концентрирующие в себе основной поток инноваций и знаний. В следующей главе более подробно будет рассматриваться состав участников каждого кластера, а также будут опровергнуты или подтверждены выдвинутые предположения.

Глава 3. Анализ и характеристика взаимодействия предприятий-участников сельскохозяйственных кластеров России

3.1 Обработка и анализ данных, построение сетевых моделей

По результатам сбора данных были сформированы сводные таблицы по каждому из кластеров, содержащие информацию о предприятиях-участниках рассматриваемых кластеров, их заказчиках, поставщиках и контрагентах. Следущим шагом исследования являлось построение сетевой модели по каждому кластеру, а также расчёт показателей, характеризующих сети. Для построения сетевой модели было выбрано программное обеспечение надстройки программы Exel - NodeXL. Таким образом, после приведения всех данных в необходимый вид были построены и проанализированы сетевые модели кластеров. Далее подробно рассмотрим сетевую модель каждого кластера и полученные результаты по показателям. Таблицы с расчётными показателями по каждому кластеру отражены в Приложении Б.

Кластер Аквакультура и рыбное хозяйство Астраханской области является самым малым по количеству предприятий из рассматриваемых, поэтому предполагалось, что его сеть будет наиболее простой для построения и анализа. Сетевая модель данного кластера включила в себя 317 уникальных акторов, включая 12 предприятий-участников кластера, а также 483 связи между ними. В сети присутствуют четыре актора, которые не связанны ни с одним другим или «исключенные». При этом, максимальное расстояние от одного актора до другого составляет 8, а среднее расстояние - 2,4, эти два показателя демонстрируют нам величину графа. На рисунке 7 более наглядно можно увидеть сетевую модель данного кластера.

Из сетевой модели очевидно, что в кластере присутствует большое скопление различных акторов вокруг одного из участников кластера, который играет центральную роль сети. Этим участником является Астраханский государственный технический университет и вокруг него присутствует группа из 290 акторов при 317 акторах в целом во всей сети. Также, данный актор имеет наибольший индекс значимости - 133,2, для сравнения, у следующего по значимости актора этот индекс равен 3,5 и он связан с 7 другими акторами.

Рисунок 7 - Сетевая модель кластера Аквакультура и рыбное хозяйство Астраханской области.

Очевидно, что настолько перетягивающий на себя связи актор будет сильно мешать адекватной оценке сети. В данной ситуации актор также лидирует и по показателю центральности по посредничеству, что показывает его влияние на других акторов сети. Тем не менее, мы можем сказать, что плотность данной сети составляет 0,006, что является очень маленьким показателем, потому как обычно плотность сети находится в промежутке между 0 и 1, где 0 - сеть абсолютно разрознена, 1 - все участники сети связаны со всеми. Переводя в проценты, можно утверждать, что в данной сети каждый участник связан с 0,6% остальных участников сети, что показывает, что сеть разрознена, но также мы можем предположить, что это вызвано наличием весомого, но отделенного актора.

Более того, в сети присутствует четыре исключённых актора, что составляет около 33% всех участников кластера. Таким образом, можно утверждать, что данный кластер является больше формальным,чем реальным, потому как присутствует актор-ядро, который перетягивает на себя информацию и треть участников не связаны отношениями заказчиков, поставщиков или контрагентов ни с одним другим участником данного кластера.

Далее обратимся к кластеру по производству и переработке молочных продуктов «Донские молочные продукты». Данный кластер включает в себя 21 участника, а его сетевая модель состоит из 243 акторов и 309 сетей между ними. Также в сети присутствует два исключённых актора, что составляет меньше 10% всех организаций-участников данного кластера. Рассмотрим сеть более подробно на рисунке 8, где каждое объединение выделено разными цветами.

По рассчётным показателям NodeXL сеть включает в себя 6 скоплений с наибольшим числом акторов в одном из них - 159 и 227 связей между ними. Максимальное расстояие от одной вершины до другой составляет 8, что определяет размер графа, а среднее расстояние между узлами - 4,2. Плотность в данной сети также является невысокой - 0,009, что говорит о том, что любой актор в сети связан с 0,9% остальных акторов сети. В данном кластере присутствуют два примерно одинаковых максимально активных актора - ОАО «Росагроснаб» и Региональная корпорация развития. Они имеют 39 и 38 связей с другими акторами сети, а также индексы значимости 18,5 и 16,9 соответственно. Также значимыми акторами в данной сети являются АО «ДеЛаваль» (Швеция) и ГБПОУ РО "Константиновский техникум агроветтехнологий и управления (КСХТ)". Более того, в кластере присутствует группа, имеющая наибольший показатель степени центральности по близости (closeness centrality), которая объединена вокруг компании «Геа Фарм Технолоджи» (Германия). Сама компания имеет наибольшую степень центральности по близости во всей сети равную 0,091, что говорит о том, что данный актор через свои связи получает доступ к наибольшему количеству других участников сети и возможность распространять своё влияние. Анализируя показатель центральности по посредничеству (betweenness centrality), можно увидеть, что присутствует два актора, которые играют важную роль на пути между различными узлами - ЗАО «Красный октябрь» и ОАО «Региональная корпорация развития».

Рисунок 8 - Сетевая модель кластера по производству и переработке молочных продуктов «Донские молочные продукты».

Данные организации являются своеобразными связующими между отдельными частями сети и через них проходят кратчайшие пути между узлами сети, данный показатель можно также считать мерой контроля. Подводя итог, можно сказать, что визуально данный кластер выглядит связным, исключены 10% участников кластера, но при этом все остальные взаимодействуют в той или иной форме.

Далее рассмотрим Агропромышленный кластер Новгородской области. Кластер включает в себя 20 участников, а его сеть 1048 акторов с 2118 связями между ними. При этом в сети два исключенных актора, что составляет 10% от всех участников кластера. Обратим внимание на рисунок 9. По нему на первый взгляд можно определить, что имеется одно большое скопление, но это не так. На самом деле, по расчётам NodeXL в сети присутствует четыре объединения. При этом плотность кластера является весьма низкой - 0,002. Максимальное расстояние в данной сети - 7, а среднее - 2,7, что показывает не самый большой размер графа в данном исследовании.

Актором, имеющим больше всего связей является Новгородский университет Ярослава Мудрого, который имеет степень 851 (что показывает количество ребёр связывающих данную вершину с другими) и индекс значимости - 383,3, и является также центральным актором. В том числе, значимыми акторами данной сети являются: ООО «Новгородский бекон», Департамент сельского хозяйства и продовольствия Новгородской области, Крестьянское хозяйство Пиреева Ивана Ивановича и ООО «Мстинское молоко». Интересно, что имея большое количество скоплений и достаточно сильных по структурной позиции акторов, данный кластер всё же имеет центрального актора, который своей значимостью сильно влияет на показатели.

Рисунок 9 - Сетевая модель «Агропромышленного кластера Новгородской области».

Перейдём к последнему изучаемому кластеру - Молочный кластер Вологодской области. Как было упомянуто в главе 2, данный кластер является самым многочисленным по участникам и включает в себя 54 организации. Сетевая модель данного кластера состоит из 716 узлов и 1064 ребёр между ними. (рис.10) Из 54 организаций 11 не связаны ни с одной другой, то есть около 20%. В кластере присутствует 16 различных объединений (групп), которые выделены на рисунке разными цветами. Плотность данной сети является невысокой, как и у предыдущих трёх и составляет 0,003. Максимальное расстояние между вершинами сети - 10, а среднее - 4,1.

Рисунок 10 - Сетевая модель Молочного кластера Вологодской области.

Максимальное расстояние между вершинами сети - 10, а среднее - 4,1. В сети присутствует два наиболее значительных актора - ФГБОУ ВО Вологодская ГМХА и БУ ВО «Вологодский информационно-консультационный центр агропромышленного комплекса», которые связаны с 178, 128 другими акторами соответственно. Центральным всё же будет считаться ФГБОУ ВО Вологодская ГМХА с индексом значимости -74,5 и наибольшим уровнем центральности по посредничеству, что ставит актора на контролирующую позицию в сети. Как можно видеть из изображения сети, так или иначе многие участники кластера связаны напрямуюю или через одного-двух посредников. Тем не менее в сети присутствует большое количество исключённых организаций, что ставит под вопрос их участие в деятельности кластера в целом.

Таким образом, можно утверждать, что предположения сделанные в предыдущей главе частично подтвердились. Например, во всех кластерах присутствуют сильные научные инновационные организации, которые занимают центральное или одно из лидирующих мест в сети. Тем не менее, различия кластеров относительно численности по предприятиям и количеству работников не отразилось на сетевой структуре явным образом.

3.2 Характеристика внутрисетевой организации сельскохозяйственных кластеров России

На данном этапе необходимо сравнить все кластеры между собой и сделать определённые выводы о сетевых структурах, присущих им. Для этого сравним полученные сети с классификацией, предложенной в статье « Social network analysis methodologies for the evaluation of cluster development programs» Giuliani E., Pietrobelli C. Social network analysis methodologies for the evaluation of cluster development programs. - Inter-American Development Bank, 2011. (Табл. 4)

Таблица 4 - Примеры сетевой структуры. Преимущества и ограничения.

Источник: Giuliani E., Pietrobelli C. Social network analysis methodologies for the evaluation of cluster development programs. - Inter-American Development Bank, 2011. Переведено автором.

Сначала рассмотрим кластер Аквакультура и рыбное хозяйство Астраханской области. Обращая внимание на рисунок 11, можно увидеть, что в данном кластере есть две группы (выделены красным) более связанных между собой акторов, чем в остальной сети, а также присутствуют акторы, связывающие сеть воедино, без которых её части не сообщались бы. Эти признаки делают сеть кластера наиболее похожей на вторую сеть (маленькие миры) из вышеприведённой таблицы, пусть и не полностью. У сети кластера Аквакультура и рыбное хозяйство также присутствуют акторы, связывающие сеть и две немного более плотные, чем остальная сеть, группы. Таким образом, данной сети должны быть присущи такие преимущества, как доверие и сотрудничество, а также обмен опытом через связующих акторов, но также присутствует риск злоупотребления своим влиянием со стороны последних.

Рисунок 11 - Особенности сетевой структуры кластера Аквакультура и рыбное хозяйство Астраханской области.

Далее обратимся к кластеру по производству и переработке молочной продукции «Донские молочные продукты». В данной сети более ярко проявляются признаки сети «ядро-периферия» (См. рис. 12) . Интересно, что помимо большого скопления объединённых участников своебразного ядра (выделено красным) данной сети, присутствует также и уплотнение нескольких наиболее сильных акторов (выделено жёлтым), которое является как бы ядром внутри ядра. Следовательно, данная сеть имеет сомнительные преимущества, потому как они существуют только для части акторов, находящихся в ядре, «элитной группе» и контролирующих поток информации и концетрирующих ресурсы. Также подобные сети имеют неблагоприятные эффекты для фирм, находящихся в периферии, потому как они наиболее вероятно могут быть исключены из сети.

На первый взгляд кажется, что данная сеть построена несправедливо и не способствует равномерному развитию предприятий. Тем не менее, если посмотреть на данную ситуацию с другой стороны, то подобные сети могут появляться вследствие того, что наиболее динамично развивающиеся и эффективные фирмы объединяются между собой отсеивая отстающих, стагнирующих акторов. С этой точки зрения подобная сеть показывает активное развитие отрасли и инноваций.

Рисунок 12 - Особенности сетевой струтктуры кластера по производству и переработке молочной продукции «Донские молочные продукты».

Далее обратимся к Агропромышленному кластеру Новгородской области. Его сеть схожа с предыдущей, в ней также можно выделить группу акторов, которые составляют ядро (см. рис.13). Таким образом, данный кластер также относится по классификации к типу «ядро-периферия», что хорошо видно на иллюстрации (красным выделено ядро, голубым наиболее заметные акторы периферии). Согласно классификации, кластер будет иметь ряд преимуществ и ограничений, как уже упоминалось ранее.

Обращая внимание на распределение кластеров по классификации, хочется отметить, что для определения типа кластера используются не только изображения сети, но и показатели, полученные в расчётах пункта 3.1. Таким образом, для оставшегося кластера на первый взгляд мы можем его отнести к определённому типу сети, но при помощи сопоставления изображения и расчётов становится понятно, что он также имеет признаки структуры другого типа.

Рисунок 13 - Особенности сетевой структуры Агропромышленного кластера Новгородской области.

Вологодский молочный кластер является самым многочисленным по резидентам среди всех изучаемых кластеров. Тем не менее, его структура похожа на предыдущие две, но с некоторыми особенностями. Например, помимо признаков типа «ядро-периферия», данный кластер также имеет две наиболее активные организации, которые объединяют вокруг себя значительную часть сети, что является признаком безмасштабной сети, где она создаётся вокруг нескольких крупных фирм. На рисунке 14 чётко прослеживается ядро кластера (выделено красным), но согласно расчётам сеть имеет двух своебразных лидеров, которые не выделены на рисунке из-за большого количества акторов.

Таким образом, данный кластер объединяет в себе такие сильные стороны как иерархическое и организованное управление цепочкой создания стоимости, а также различные преимущества для акторов ядра, которое в данном случае включает в себя значительную часть акторов. Ограничения данного кластера состоят в опасности исключения периферийных акторов, а также в нестабильности сети, поляризации ресурсов и информации, уязвимости центральных акторов.

Рисунок 14 - Особенности сетевой структуры Вологодского молочного кластера.

Объединяя все вышеизложенные наблюдения, можно утверждать, что для сельскохозяйственных кластеров России наиболее характерна структура типа «ядро-периферия», а значит и все присущие данному типу преимущества и ограничения. Данный факт даёт возможность разработать единый план по улучшению сетевой структуры кластеров в данной отрасли, а также охарактеризовать её (отрасль) в целом. Очевидно, что для сельскохозяйственных кластеров характерно наличие одного или нескольких сильных инновационных акторов, как университет или центр развития, вокруг которых обазовывается ядро сети с ответвлениями в периферию. Такая схема имеет свои недостатки и основной из них - неравномерное распределение информации и ресурсов и, как следствие, исключения акторов периферии. Несмотря на схожую структуру нескольких изучаемых кластеров, представляется невозможным дать одинаково успешные рекомендации для развития каждого из них, потому как необходимо будет учесть социально-экономическое положение региона, показатели развития агропромышленной отрасли в нём и проч.

3.3 Рекомендации по решению проблемы сотрудничества предприятий в кластерах

Для того, чтобы выделить какие-либо рекомендации для решения проблемы сотрудничества предприятий кластеров сельскохозяйственной отрасли, необходимо выделить основные проблемы, существующие на данный момент. Исходя из анализа, представленного в данной работе первой проблемой сельскохозяйственных кластеров России явлется неравномерное распределение информации и наличие переферийных предприятий, которые рискуют быть исключёнными из кластерной сети.

Решение данной проблемы сложно сформулировать в теории отдельно от анализа региона, его социально-экономического положения и агропромышленной сферы в том числе. Тем не менее, наиболее логичным в данной ситуации является стимулирование сотрудничества всех резидентов кластера со стороны координационного органа, отсутствие которого является ещё большей проблемой. Наличие координационного органа для каждого кластера важнее проблемы неравномерного распределения информации и ресурсов, потому как без объединяющего и регулирующего органа эту неравномерность не исправить. Подобный орган уравновешивает всех участников в отношении информации, потому как одинаково транслирует её и центральным и периферийным органам, помогает им сотрудничаь и решать внутренние конфликты кластера. Также повысить заинтересованность и вовлечённость периферийных предприятий могут совместные мероприятия по типу закупочных сессий или биржи контактов в рамках различных конференций и т.п. Более того, предприятиям на периферии сети стоит проанализировать ситуацию, сложившуюся в кластере и сделать упор на изменение своих экономических показателей и/или развитие инновационной деятельности. Возможно, эффективным для таких организаций будет выход или укрепление своих позиций на межрегиональном уровне. Подобные рекомендации являются достаточно теоретическими, на практике каждое предприятие определяет своё развитие из возможностей производства, ситуации в регионе, реализации продукции или услуг.

Также данное исследование будет полезным для самих кластеров, потому как они сами стремятся координировать взаимоотношения участников кластера и консолидировать действия отраслевых и межотраслевых профессиональных ассоциаций.Постановление Правительства Ростовской области №104 от 18.02.20016, Приложение 5 «Стратегия развития инновационного территориального кластера «Донские молочные продукты» по производству и переработке молочной продукции в Ростовской области на 2016-2020 годы». Ещё одной важной задачей для каждого кластера является привлечение инвесторов и освоение мер государственной поддержки. На данный момент целевые показатели, которые требуется достигнуть к 2020 году не соотносятся с тем уровнем государственной поддержки, который выделен для сельскохозяйственных кластеров. На примере кластера «Донские молочные продукты» данная ситуация выглядит так:

Целевой показатель по производству молока в Государственной программе Ростовской области «Развитие сельского хозяйства и регулирование рынков сельскохозяйственной продукции, сырья и продовольствия» к 2020 году должен достигнуть 1 млн. 223 тыс. тонн, таким образом за период 6 лет (период действия программы 2015-2020 гг.) рост молока должен составить 142,3 тыс. тонн. Для достижения таких показателей необходимо приобрести 24 тыс. голов высокопродуктивного скота за 6 лет при стоимости одной головы 120 тыс. рублей, то есть 2880 млн. рублей требуется привлечь для осуществления данного показателя. Разместить указанное поголовье необходимо в новых молочных комплексах на 24 000 мест. Стоимость одного места составляет 420-450 тыс. рублей.

Таким образом, учитывая постоянное сокращение государственной поддержки и то, что она выделяется только в связи с произведенным и реализованным молоком, сельскохозяйственные производители не смогут обеспечивать необходимый уровень целевых показателей государственных программ. Следовательно, необходимо разработать новые меры государственной поддержки данной отрасли или дополнить уже существующие.

Например, может быть разработана более точечная поддержка кластеров в соответствии с их уникальными потребностями, если не для каждого индивидуально, то по отраслям производства и с учётом регионального развития. Подобное изменение сделало поддержку максимально эффективной и качественной. Применимо к Российской Федерации, учитывая большое количество субъектов, данная поддержка могла бы быть реализована скорее региональными, локальными органами власти. Также, из примера кластера «Донские молочные продукты» видно, что государственные меры поддержки могут не иметь реальной направленности и это может объяснить отсутствие активного роста и развития кластеров в России. При изменении мер кластерной политики важно учитывать, потребности кластеров на различных этапах жизненного цикла, а также различия в способах создания инноваций. Brenner T., Schlump C. Policy measures and their effects in the different phases of the cluster life cycle //Regional Studies. - 2011. - Т. 45. - №. 10. - С. 1363-1386.

По источникам, находящимся в открытом доступе, агропромышленные кластеры имеют малое количество инновационных проектов, что является скорее недостатком, чем проблемой. Данную ситуацию можно изменить за счёт активного участия в развитии данной отрасли на всех уровнях власти, а также повышение интереса научных организаций в работе кластеров. Такое развитие особенно актуально в рамках политики импортозамещения, реализуемой в России с 2014 года. В целом, ситуация отрасли является неоднозначной, потому как на страну, имеющую 85 регионов, приходится только четыре действующих агропромышленных кластера, что весьма мало.