Везде
Оценка пространственной поляризации регионов Дальнего Востока России
Оглавление
Аннотация Оценить Содержание публикации
Библиография Комментарии
Поделиться
QR
Метрика
Оценка пространственной поляризации регионов Дальнего Востока России
Аннотация
Код статьи
S221979310030768-7-1
DOI
10.37490/S221979310030768-7
Тип публикации
Статья
Статус публикации
Опубликовано
Авторы
Мартынов Василий Львович 
ORCID: 0000-0002-7741-1719
Должность: Профессор
Аффилиация: Кафедра экономической географии, Российский государственный педагогический университет им. А. И. Герцена,
Адрес: набережная реки Мойки 48 С.-Петербург 191186
Кузин Вадим Юрьевич
ORCID: 0000-0003-0577-0867
Должность: доцент Эколого-географического отделения, Институт естественных наук
Аффилиация: Северо-Восточный федеральный университет им. М.К. Аммосова
Адрес: Российская Федерация, Якутск
Сазонова Ирина Евгеньевна
ORCID: 0000-0002-3456-1223
Должность: доцент кафедры экономической географии, факультет географии
Аффилиация: Российский государственный педагогический университет им. А.И. Герцена
Адрес: Российская Федерация, Санкт-Петербург
Выпуск
Том 20 Том 20. №2/2024
Страницы
149-169
Аннотация

Актуальность исследования заключается в усилении градиентов социально-экономического развития. Крайней их формой является пространственная поляризация, актуализируемая на современном этапе глобализацией и распадом социалистической системы. При этом усиливаются факторы конкурентоспособности и, как следствие — поляризация. Россия на этом фоне не является исключением, однако ряд территорий мало исследовались в отношении развития на них поляризационного процесса. В этой связи исследуется территория российского Дальнего Востока (в современных границах Дальневосточного федерального округа). Цель статьи — анализ, визуализация, типология пространственной поляризации данной территории. Это производится при помощи ночных спутниковых снимков, которые для социально-экономических исследований в мире используются с 1990-х гг. Предварительно в статье отмечаются тренды социально-экономического развития исследуемой территории с использованием ряда коэффициентов на уровне регионов. Предлагается наряду с количественными показателями использовать и более выраженную форму — ночные спутниковые снимки. Они и более наглядны, и более оперативны в сравнении со статистикой. Были использованы общедоступные материалы DMSP OLS и VIIRS/NPP за разные годы для территории Дальнего Востока. В результате комбинирования их с авторской методикой определения пространственной поляризации были определены четыре типа регионов по уровню пространственной поляризации, которые кратко охарактеризованы.

Ключевые слова
Дальний Восток, пространство, развитие, анализ, поляризация, пространственное развитие, тренды, ночные спутниковые снимки
Классификатор
Получено
29.04.2024
Дата публикации
25.06.2024
Всего подписок
2
Всего просмотров
110
Оценка читателей
0.0 (0 голосов)
Цитировать Скачать pdf
Доступ к дополнительным сервисам
Дополнительные сервисы только на эту статью
Преимущества сервисов
100 руб. / 1.0 SU
1 Введение и постановка проблемы. Современный мир — это мир широкого спектра социально-экономических процессов. Они проявляются разным образом, однако всегда дифференцируя пространство. Это имеет фундаментальную неравномерность, что отражается в ускорении и замедлении развития.
2 Её исследование остаётся весьма актуальной задачей на всех возможных уровнях. Тем более что процессы пространственного развития не сводимы лишь к результирующему дуальному «стагнация — развитие», а довольно разнообразны и сложны.
3 Крайней их формой выступает поляризация, исследование которой началось с французской школы 1950-х гг. в рамках теории полюсов роста. За длительный и интенсивный период исследования теория усложнилась, появилось понимание не только её сложности и комплексности, но и значительного спектра последствий этого процесса.
4 Дополнительными актуализирующими факторами стал распад социалистической системы и современная глобализация, выражено трансформирующие мир. Не является исключением и Россия, в которой факторы конкурентоспособности отдельных территорий только усилились, увеличивая контрасты их социально-экономического развития и стихийно усиливая поляризацию пространства.
5 Это дополнительно поляризует и без того поляризованное пространство страны. Данный факт неоднократно исследовался отечественными экономико-географами, экономистами, социологами, политологами, однако, несмотря на значительный объём работ (см. [19]), некоторые территории изучались крайне редко. К таковым относится и Дальний Восток (рассматриваемый в границах Дальневосточного федерального округа на 2024 г.). Здесь пространственное сжатие проявилось особенно сильно, а диспаритеты развития между отдельными территориями стали крайне велики. Итогом становится пространственная поляризация, обладающая местной спецификой, мало отраженной пока в исследованиях.
6 Цель статьи заключается в рассмотрении, визуализации, типологизации пространственной поляризации слабо исследованной в этом отношении территории Дальнего Востока при помощи ночных спутниковых снимков. Были использованы общедоступные материалы DMSP OLS и VIIRS/NPP за разные годы, а также материалы отечественных и зарубежных специалистов по тематике пространственной поляризации, социально-экономическому развитию Дальнего Востока, ночным спутниковым снимкам.
7 Однако прежде, чем приступать к достижению поставленной цели, видится логичным отметить основные тренды пространственного развития в постсоветский период на Дальнем Востоке как являющиеся «фоновыми» для всего исследования.
8 Обзор ранее выполненных исследований. Дальний Восток с момента начала его открытия землепроходцами являлся наиболее слабо освоенной частью нашей страны, выступая её ресурсной базой. В советское время в результате проведения в жизнь пятилетних планов развития, индустриализации, реального «сдвига» промышленности на восток начинался довольно динамичный период социально-экономического развития данной территории. Были созданы не просто множество новых предприятий, но и сформировались отрасли всесоюзного значения. При этом значительно выросла и численность населения — во многом за счёт привлечения людей их других регионов страны: за 1926–1991 гг. численность населения Дальнего Востока увеличилась примерно на 6,5 млн чел., или более чем в 5 раз [1].
9 В результате снизилась исключительно сырьевая роль территории при одновременном формировании высокотехнологичных секторов на части рассматриваемой территории. Кроме того, Дальний Восток стал, выражаясь современным термином, геостратегической территорией: на его северной арктической части располагалось значительное число военных баз (подробнее см. [7; 13]), в тихоокеанских морях базировался Тихоокеанский флот с целым рядом баз, вдоль границы с КНР располагались значительные армейские контингенты. Это приводило к тому, что до 1/3 населения составляли военнослужащие и члены их семей, а также работники ВПК [5]. В дополнении возросла транспортная связность территории с остальной страной (развитие сети аэропортов и аэродромов, модернизация Транссиба и строительство БАМа, начало строительства АЯМа и т. д.) и социально-экономическое развитие самой восточной части СССР было довольно динамичным.
10 Однако вся эта картина коренным образом изменилась с распадом СССР. Фактически в одночасье распавшееся экономическое пространство некогда единой страны, развал социальной политики и дополнительной поддержки, стремительные рыночные (точнее, квазирыночные) преобразования, наводнение возникших рынков дешёвым (и некачественным) импортом, резкий миграционный отток населения — таковы были реалии Дальнего Востока в этот период.
11 Безусловно, постсоветская трансформация ударила по всей стране, но, с учётом вышеотмеченных фактов, — по Дальнему Востоку едва ли не сильнее всех.
12 Вопросы этих последствий применительно к данной территории исследовались неоднократно (см. [1; 4; 16; 17; 20–23] и др.). Среди направлений исследования можно отметить: регионополизацию — всемерно возрастающее значение регионального центра, концентрирующего внутрирегиональные миграционные потоки, большую часть инвестиций и т. д. [9; 24]; нарастающее «сжатие» освоенного пространства с расширение зон социального «опустынивания» [24]; демографические и миграционные процессы (негативная направленность которых привела к превращению изучаемой территории в зону миграционного оттока и устойчивой депопуляции) [1; 5; 18]; трансформацию системы расселения [15].
13 Весь этот спектр исследований по своей сути характеризует выраженный процесс, характерный для Дальнего Востока в постсоветское время — поляризацию. Её нарастание и закрепление в пространственном развитии, как имманентно процессам национального уровня [2; 19], так и имеет здесь собственную специфику [10–12].
14 Материалы и методы исследования. Если для постсоветской России в целом работы (и даже диссертационные) по этой тематике проводились неоднократно (например, см. [3; 19]), то для данной территории такие исследования являются редкостью. Для адекватного анализа и демонстрации поляризации необходимо предварительно описать пространственное развитие Дальнего Востока в исследуемый период.
15 Для этого будем исходить из принципов: не использовать единичные показатели (т. к. это развитие комплексное, интегрирующее в себя многие); не составлять новые комплексные индексы/индикаторы (во-первых, они всё равно будут спорными, во-вторых, не прошли длительную апробацию и оценку, в-третьих, эта работа не предусмотрена задачами исследования); используемые для расчётов формулы не должны быть «перегружены» и излишне осложнены (как правило, подобное усложнение является сложностью ради сложности, без получения значимого результата); возможность использования в разрезе регионов; понимание ограниченности и неполноты статистики.
16 С учётом данных принципов для анализа пространственного развития Дальнего Востока в постсоветское время были использованы: коэффициент экономической эффективности населения; коэффициент экономической эффективности основных фондов; коэффициент экономической эффективности территории; общий коэффициент экономической эффективности (данные показатели использованы из [14]). Рассмотрим данные показатели подробнее.
17 Они являются производными от давно применяемого в науке коэффициента специализации, имеющего вид:
18 КС=ДПРДН (1).
19 Их использование в рамках региональных исследований было предложено в 2020 г. в статье [14].
20 Коэффициент экономической эффективности населения (КЭЭН) — это отношение доли региона в производстве товаров и услуг, выполненных им, к его доле в численности населения страны. Формула имеет следующий вид:
21 КЭЭН=ДПРДН (2).
22 Коэффициент экономической эффективности основных фондов (КЭЭОФ) — «отношение доли региона в производстве товаров и услуг, выполненных собственными силами, к его же доле в стоимости основных фондов (в данном случае учитываются только основные фонды по группам производств, учитываемых при расчёте производства товаров и услуг, выполненных собственными силами, а именно «Добыча полезных ископаемых», «Обрабатывающие производства», «Обеспечение электрической энергией, газом и паром; кондиционирование воздуха», «Водоснабжение; водоотведение, организация сбора и утилизация отходов, деятельность по организации загрязнений», классификация отраслей дана по ОКВЭД2)» [14, с. 142]. Формула имеет следующий вид:
23 КЭЭОФ=ДПРДОФ (3).
24 Коэффициент экономической эффективности территории (КЭЭТ) — соотношение доли региона в собственном производстве товаров и услуг к его доле в площади страны. Формула имеет следующий вид:
25 КЭЭТ=ДПРДПЛ (4).
26 Общий коэффициент экономической эффективности (ОКЭЭ) — сумма трёх вышеизложенных коэффициентов, разделённая на их количество. Формула имеет следующий вид:
27 ОКЭЭ=КЭЭН+КЭЭОФ+КЭЭТ3 (5) [14].
28 Данные для расчётов коэффициентов приведены в таблице 1.
29 Таблица 1 Доли регионов Дальнего Востока в общероссийских показателях (составлено по [22]), в % Table 1 Shares of the regions of the Far East in all-Russian indicators (compiled according to [22]), %
Регион Доля в производстве товаров и услуг, выполненная регионом Доля в населении Доля в стоимости основных фондов в экономике Доля в площади страны
2002 2010 2022 2002 2010 2022 2002 2010 2022* 2002 2010 2022
Амурская обл. 0,5 1,25 1,33 0,7 0,61 0,53 1 0,6 0,6 2,12 2,12 2,10
Республика Бурятия 0,4 0,79 1,22 0,7 0,68 0,68 0,7 0,4 0,3 2,05 2,05 2,10
Еврейская авт. обл. 0,1 0,09 0,19 0,1 0,13 0,11 0,2 0,1 0,1 0,21 0,21 0,20
Забайкальский край 0,5 1,08 1,63 0,9 0,79 0,72 0,9 0,6 0,4 2,53 2,53 2,50
Камчатский край 0,3 0,68 0,92 0,3 0,24 0,21 0,3 0,2 0,3 2,72 2,72 2,70
Магаданская обл. 0,2 0,78 0,79 0,2 0,11 0,09 0,3 0,2 0,1 2,70 2,70 2,70
Приморский край 1,1 1,96 2,53 1,5 1,4 1,28 1,2 1 1,3 0,96 0,96 1,00
Республика Саха (Якутия) 1,2 4,6 7,88 0,7 0,67 0,68 1,2 0,8 1,2 18,03 18,03 18
Сахалинская обл. 0,6 6,21 4,76 0,4 0,36 0,33 0,6 1,1 1,1 0,51 0,51 0,50
Хабаровский край 1,1 1,93 2,6 1 0,99 0,89 1,9 0,9 0,9 4,61 4,61 4,60
Чукотский авт. округ 0,1 0,78 0,51 0,05 0,03 0,03 0,1 0,1 0,1 4,22 4,22 4,20
Примечания: 1) в показателе «Доля в производстве товаров и услуг, выполненная регионом» в 2002 г. использована «Доля региона в валовом региональном продукте» из-за разной методологии подсчёта в разные годы; 2) «Доля в стоимости основных фондов в экономике» за 2022 г. приведена по последним доступным данным 2021 г.
30 При расчёте коэффициентов по формулам (2)–(5) были получены следующие данные (табл. 2).
31 Таблица 2 Коэффициенты, характеризующие пространственное развитие регионов Дальнего Востока (по данным таблицы 1, [22]) Table 2 Coefficients characterizing the spatial development of the Far East regions (according to Table 1 [22])
Регион КЭЭН КЭЭОФ КЭЭТ ОКЭЭ
2002 2010 2022 2002 2010 2022 2002 2010 2022 2002 2010 2022
Амурская обл. 0,71 0,38 2,51 0,5 2,08 2,22 0,24 0,11 0,63 0,48 0,29 1,79
Республика Бурятия 0,57 0,35 1,79 0,57 1,98 4,07 0,2 0,12 0,58 0,45 0,36 2,15
Еврейская авт. обл. 1 0,15 1,73 0,5 0,9 1,9 0,48 0,1 0,95 0,66 0,15 1,53
Забайкальский край 0,56 0,28 2,26 0,56 1,8 4,08 0,2 0,09 0,65 0,44 0,24 2,33
Камчатский край 1 0,79 4,38 1 3,4 3,07 0,11 0,07 0,34 0,7 0,6 2,6
Магаданская обл. 1 1,36 8,78 0,67 3,9 7,9 0,07 0,06 0,29 0,58 0,72 5,66
Приморский край 0,73 0,4 1,98 0,92 1,96 1,95 1,15 0,58 2,53 0,93 0,51 2,15
Республика Саха (Якутия) 1,71 1,49 11,59 1 5,75 6,57 0,07 0,06 0,44 0,93 0,93 6,2
Сахалинская обл. 1,5 4 14,42 1 5,65 4,33 1,18 2,82 9,52 1,23 2,71 9,42
Хабаровский край 1,1 0,54 2,92 0,58 2,14 2,89 0,24 0,11 0,57 0,64 0,41 2,13
Чукотский авт. округ 2 5 17 1 7,8 5,1 0,02 0,04 0,12 1,01 2,18 7,41
Примечание: в каждый из годов жирным шрифтом выделен максимальный показатель и курсивом минимальный.
32 Общий тренд динамики всех коэффициентов — их снижение в 2010 г. в сравнении с начальным 2002 г. и последующий кратный рост к 2022 г.
33 Коэффициент экономической эффективности населения (КЭЭН) демонстрирует отчётливый градиент «север-юг»: наиболее суровые по природно-климатическим условиям Чукотский АО, Республика Саха (Якутия), Магаданская область многократно опережают остальную территорию, за единственным исключением — нефтегазодобывающей Сахалинской области. Объясняется это тремя главными факторами: сырьевой направленностью экономики, добывающей востребованные мировым рынком ресурсы (в современных российских условиях сырьевой сектор вообще обеспечивает высокий, хотя и не устойчивый, уровень социально-экономического развития [2]); постоянной и существенной убылью населения (исключение в виде РС(Я) скорее подтверждает правило — увеличение численности населения сочетается с масштабными сырьевыми проектами); вахтовыми методами работы — когда постоянное население не увеличивается, а экономический результат — существенно.
34 Коэффициент экономической эффективности основных фондов (КЭЭОФ) обращает на себя внимание общим ростом. Это, очевидно, необходимо связывать не только с экономическим оживлением регионов, но и с масштабным притоком инвестиций в различные крупные проекты, что стимулирует местный спрос и производство. Вышеотмеченный градиент (с включением Сахалинской области) здесь то же прослеживается, однако он всё же ниже.
35 Коэффициент экономической эффективности территории (КЭЭТ) демонстрирует выраженное доминирование более освоенных и относительно небольших (по дальневосточным меркам) Приморского края, Еврейской АО над крупными северными и фокусно заселёнными и освоенными территориями (где даже рост собственного производства не компенсирует масштабы территорий). Лидером с большим отрывом является Сахалинская область. Стоит отметить, что разброс значений этого показателя в целом невелик, что говорит о своеобразной устойчивости функционирования дальневосточных регионов в постсоветских условиях.
36 Общий коэффициент экономической эффективности (ОКЭЭ), являясь результирующим показателем, демонстрирует общие тренды. Лидеры (Сахалинская область и Чукотский АО) и аутсайдеры (Еврейская АО) по годам меняются мало, остальные же в основном демонстрируют близкие показатели. Это свидетельствует о том, что пространственное развитие регионов Дальнего Востока после периода «турбулентности» 1990-х гг. приобрело устойчивость, продуцируемую в основном сырьевым фактором и экстерриториальными инвестициями.
37 Эта устойчивость нашла отображение в тренде на пространственную поляризацию. Постулирование поляризации нереалистично без использования количественных показателей, её характеризующих. Проблема заключается в отсутствии общепризнанных показателей либо индексов, в результате чего каждый автор фактически «изобретает» их. С точки зрения разнообразия подходов и выводов — это скорее плюс, и в то же время с позиции возможности единообразия и сопоставления — явный минус. На это накладывается ситуация разработки показателей для отдельных видов поляризации (выделять которые можно только в рамках конкретной исследовательской задачи, т. к. в целом это единый и комплексный процесс [8]), не всегда применимых к другим или процессу в целом.
38 Не делая попытку охватить все существующие показатели поляризации, остановимся только на некоторых, наиболее употребляемых и имеющих универсальный характер: индекс Тейла [37], индекс Джини [34], индекс Херфиндаля-Хиршмана [6], α- и β-конвергенция [25], относительная и абсолютная биполяризационные меры Ванг и Цуи [39].
39 Кроме того, существуют ещё и методики определения поляризации, в которых авторы используют имеющиеся или составляют собственные показатели, комбинируя их на нескольких последовательных этапах (см. [3]).
40 В сложившейся ситуации видится необходимым определять пространственную поляризацию не статистически (обилие показателей и методов очевидно «размывают» подобную возможность), а более наглядными способами. И таковым являются ночные спутниковые снимки.
41 Использование спутниковых фотографий, сделанных в ночное время, даёт визуальное представление о том, сколько света исходит с поверхности Земли. Это выраженный индикационный показатель практически всего, связанного с происходящим на планете. Весьма контрастно выглядят при этом различные системы расселения — от слабых пятнышек света, практически невидимые глазу в случаи дисперсных систем до ярких световых пятен агломераций [29].
42 Для исследований в социально-экономической географии подобные снимки могут быть весьма ценными. Наглядно видны не только очевидные «сгустки» экономической и социальной активности людей, но и линии транспорта, точечные объекты. Важно здесь именно освещение — ведь освещаться ненаселённая и не используемая человеком территория не будет. Примеры приведены на рисунке 1 а-г.
43

1а. Городские агломерации Хабаровска и Комсомольска-на-Амуре 1a. Urban agglomerations of Khabarovsk and Komsomolsk-on-Amur

44

1б. Линейное расселение вдоль Транссиба в Еврейской АО 1b. Linear settlement along the Transsib in the Jewish AO 1
45

1в. Агломерация Владивостока и освещение акватории судами в портах 1c. Vladivostok agglomeration and water area lighting by ships in ports
46

1г. Шельфовая добыча на севере о. Сахалин 1d. Shelf mining in the north of Sakhalin Island
47

Рис. 1. Примеры отображения объектов и человеческой деятельности на ночных спутниковых снимках (VIIRS/NPP Imagery Resolution 6-Min L1B Swath 375m NRT, апрель 2021, источник [32]) Fig. 1. Example of objects and human activities mapping in night satellite images (VIIRS/NPP Imagery Resolution 6-Min L1B Swath 375m NRT, April 2021, source [32])
48 К настоящему времени накоплен определённый опыт применения ночных спутниковых снимков в экономико-географических исследованиях. Отмечена и доказана высокая корреляционная связь между пространственным распределением ночных огней и экономической активностью, притом делалось это на национальном и субнациональном территориальных уровнях [31; 33]. Также проводились исследования, сравнивавшие освещение и ВВП по ППС как 46 стран с использованием агрегированного полугодового набора данных о стабильных световых источниках [28], так и всего миру с комбинированием данных ночных источников, плотности населения и ВВП по ППС [38]; изучались дисбалансы регионального развития на национальном уровне [26; 35]. Среди отечественных исследований необходимо выделить исследование сезонной субурбанизации Московской агломерации [37] и феномена мобильности в форме «второго дома» [36].
49 Изучая же изменения освещённости территории в течение продолжительного времени, можно делать определённые выводы об инфраструктурных изменениях и связывать их с социально-демографическими и экономическими тенденциями — например, плотностью населения и экономики. Анализируя же резкие изменения стабильных ночных огней на больших территориях, можно идентифицировать природные и техногенные катастрофы.
50 В данном исследовании ночные спутниковые снимки будут использованы для визуализации поляризации, внешне отмечаемой по сгусткам освящённых территорий и затемнённых. В ночных условиях такой контраст позволяет без какой-либо статистической обработки и излишнего математического аппарата визуально отмечать центры и периферии, градиенты концентрации-дисперсии социума и экономики. Стоит отметить, что данный метод в отечественной науке практически не используется применительно к исследованию пространственной поляризации, в отличие от более математически-строгого, однако, всегда вызывающего определённые вопросы, статистического метода.
51 Для этого будут использованы специализированные общедоступные материалы Военной метеорологической спутниковой программы (DMSP) с использованием датчика Operational Linescan System (OLS) за 1993, 2000, 2013 гг. (по [27]) и снимки со спутников NOAA-20 и совместного Национального полярно-орбитального партнёрства NASA/NOAA Suomi (Suomi NPP), полученных с помощью приборов VIIRS (Visible Infrared Imaging Radiometer Suite), размещённых на спутниках на высотах 824,3–827,8 км и обеспечивающих глобальную ежедневную фиксацию ночного видимого и ближнего инфракрасного света за 2021 г. (по [32]).
52 Данные ночных спутниковых снимков имеют длинный временной ряд. Министерство обороны США запустило Военную метеорологическую спутниковую программу (DMSP), серию солнечно-синхронных спутников для сбора ночных световых излучений с помощью датчика Operational Linescan System (OLS) с начала 1970-х до 2011 года. Цифровые данные начали собираться с 1992 г.
53 В сравнении с данными NASA/NOAA, данные OLS имели несколько недостатков: – пространственное разрешение 2,7 км; – радиометрическое разрешение составляет 6 бит, что приводит к насыщенным значениям пикселей в городских центрах и сложности при идентификации небольших населённых пунктов [32]; – из-за отсутствия бортовой калибровки радиометрические величины не согласуются в пространстве и времени. Это несоответствие может вызвать проблемы при анализе временных рядов.
54 В 2011 г. в рамках партнёрства с NOAA и Министерством обороны НАСА запустило спутник Suomi NPP, а в 2018 г. — спутник NOAA-20, Оба спутника оснащены прибором VIIRS, который также фиксирует ночное световое излучение и продолжает ряд данных ночных спутниковых снимков. VIIRS имеет преимущества перед более старой DMSP OLS: – более высокое пространственное и радиометрическое разрешением: 375 и 750 метров (в зависимости от диапазона); – более полное глобальное покрытие; – данные более высокого качества [30].
55 Для выполнения задач исследования видится необходимым использовать не единичные снимки территории исследования, а разновременные снимки, позволяющие наглядно и в динамике отобразить социально-экономическое развитие. Однако проблема заключается в разном разрешении двух спутниковых систем и неполнотой архивной информации по каждой из них. В этой связи последние снимки будут взяты из материалов VIIRS/NPP (доступные материалы с 2017 г.), а первые — DMSP OLS (доступные до 2014 г.).
56 Комбинированные цветокорректированные изображения в инвертированных цветах из DMSP OLS приведены за разные годы на рисунке 2 (по состоянию на январь), а комбинированное цветокорректированное изображение VIIRS/NPP за 2021 г. для Дальнего Востока приведено на рисунке 3 (по состоянию на апрель, отобраны в обоих случаях в связи с меньшей атмосферной активностью на эти месяцы и меньшим количеством лесных пожаров, инвертирование использованы для улучшения визуализации).
57

58

59

Рис. 2. Ночные спутниковые комбинированные снимки Дальнего Востока в инвертированных цветах за разные годы (DMSP OLS, во всех случаях январь, источник [27]) Fig. 2. Combined new night satellite images of the Far East in inverted colors for different years (DMSP OLS, January, source [27])
60

Рис. 3. Ночной спутниковый комбинированный снимок Дальнего Востока (VIIRS/NPP Imagery Resolution 6-Min L1B Swath 375m NRT, апрель 2021, источник [32]) Fig. 3. Combined new night satellite image of the Far East (VIIRS/NPP Imagery Resolution 6-Min L1B Swath 375m NRT, April 2021, source [32])
61 На снимках явно выделяются города, их агломерации, цепочки населённых пунктов вдоль путей сообщения. Здесь зримо, а не статистически (а из-за отсутствия общепринятой формулы — и несколько аморфно) заметна пространственная поляризация — явная концентрация человеческой активности в небольшом числе пунктов, концентрирующая, соответственно и социальную инфраструктуру, и экономические мощности. Весьма наглядно выделяются экономически активные территории, часто компактные и небольшие по площади. При том именно они производят большую часть (а иногда и практически весь) ВРП. Это особенно заметно при использовании ночных спутниковых снимков, которые в противовес статистике не «усредняют» и «размазывают» по площади регионов показатели, а наоборот — ярко выделяют отдельные территории (потенциально это позволяет в динамике изучать только их как наиболее важные в социально-экономическом плане для регионов, от стабильности развития данных локалитетов будет зависеть весь субъект). Отдельно необходимо отметить, что экономически активными являются не только территории, но и акватории, если изучаемые регионы экономически используют собственные акватории. Яркие примеры таких локалитетов показаны на рисунках 1в (порты Владивостока и Находки с кораблями в их акваториях) и 1г (шельфовая добыча на севере Сахалина).
62 С учётом разновременности съёмки, и, несмотря на значительный территориальный охват, заметно в целом уменьшение освещённости (и экономической активности соответственно вкупе с депопуляцией) в 2000 г. в сравнении с 1993 г., а также некоторое увеличение освещённости небольших пунктов и всё возрастающее — крупных городских агломераций с 2013 г.
63 Полученные результаты. В результате комбинирования рассчитанного одним из авторов индекса пространственной поляризации (см. [10]) и ночных спутниковых снимков VIIRS/NPP 2021 г. можно выделить следующие типы регионов Дальнего Востока по уровню пространственной поляризации: – слабо поляризованный дисперсно-центрированный: 2 региона (Магаданская и Сахалинская области); – средне поляризованный с выраженными субцентрами: 3 региона (Республика Саха (Якутия), Забайкальский и Приморский края); – высоко поляризованный с доминирующим центром: 4 региона (Республика Бурятия, Хабаровский край, Амурская область, Чукотский автономный округ); – максимально-поляризованный высоко центрированный: 2 региона (Еврейская автономная область, Камчатский край).
64 Кратко охарактеризуем каждый выделенных из типов.
65 1. Слабо поляризованный дисперсно-центрированный тип имеет общую сырьевую направленность экономики, для которой «сжатость» развития и, соответственно, — поляризация весьма характерны. Однако дисперсию здесь могут обеспечивать значительные инвестиции, позволяющие «рассредоточивать» экономическую активность и привлекать население на разрабатываемые месторождения. Это и привело к включению в данный тип Магаданской и Сахалинской областей, в которых создаётся весьма значительный ВРП и невелика численность населения, что, вкупе с высоким уровнем доходов, положительно сказывается на социальном развитии (например, Сахалинская область по коэффициенту младенческой смертности занимает 3-е место в стране, имея один из самых низких показателей). Таким образом, пространственное развитие в этом типе приобретает хоть и поляризованный, но не жёстко-сконцентрированный характер и формируются хоть и небольшие, но центры развития помимо региональных столиц.
66 2. Средне поляризованный с выраженными субцентрами тип имеет уже большее число регионов, притом весьма отличных между собой. Однако их объединяют негативные последствия постсоветской социально-экономической трансформации и уже меньший, чем в первом типе, уровень инвестиций. Это объективно усиливает «вязкость» пространства и его поляризацию, в результате чего резко усиливаются факторы конкурентоспособности, число которых для дальневосточных регионов невелико. Соответственно, кроме региональных столиц, формируется лишь несколько субцентров социально-экономического развития, что, безусловно, несколько балансирует пространственную структуру, но не меняет её поляризационного тренда.
67 3. Высоко поляризованный с доминирующим центром тип также весьма разнороден. И если под влиянием «эффекта низкой базы» Чукотский АО демонстрирует едва ли не лучшие рассматриваемые социально-экономические показатели, то Республика Бурятия — с точностью наоборот. Однако объединяет все четыре региона типа значительная «укоренённость» факторов поляризации, усиливших конкурентные преимущества весьма ограниченного числа локалитетов. На это же неизбежно накладывается негативная демографическая ситуация. В результате регионополис всё более усиливается, а пространство, соответственно — поляризуется.
68 4. Максимально-поляризованный высоко центрированный тип, включающий два региона, фактически представляет собой специфическую дальневосточную форму мегарегиона со сверхконцентрацией населения и экономики в региональном центре. Здесь постсоветские тенденции не только усилили пространственное сжатие, но и существенно повысили значение регионополиса, ставшего самоподдеживаемой системой, сосредоточившей фактически все возможные реализуемые конкурентные преимущества своих территорий.
69 Выводы. В целом необходимо отметить, что под влиянием трендов социально-экономического развития и продуцируемых им проблем, постсоветский период стал для Дальнего Востока периодом усиления пространственной поляризации, характерной для всех регионов, однако в силу влияния различных факторов дифференцированной на четыре выделенных типа.
70 В заключении хочется отметить, что пространственная поляризация, столь характерная для постсоветской истории России, характерна и для Дальнего Востока, где приобрела определённую устойчивость и региональную специфику, которые видится целесообразным изучать не только с позиций статистики, но и с использованием общедоступных ночных спутниковых снимков, демонстрирующих градиенты социально-экономического развития визуально. Потенциал и перспективы подобной методики исследования видится достаточно высокими.

Библиография

1. Авдеев Ю. А., Сидоркина З. И., Ушакова В. Л. Проблемы населения Дальнего Востока // Миграция и социально-экономическое развитие. 2017. Т. 2. № 3. С. 141–162. https://doi.org/10.18334/migration.2.3.38977.

2. Алтунина В. В., Анучина Д. А. Классификация регионов Российской Федерации в контексте пространственной поляризации // Экономика, предпринимательство и право. 2022 Т. 12, № 5. С. 1453–1474. https://doi.org/10.18334/epp.12.5.114641.

3. Анохин А. А., Кузин В. Ю. Трансформация современной методологии и трендов исследования поляризации // Известия РГО. 2021, Т. 153. Вып. 5. С. 3–20. https://doi.org/10.31857/S0869607121050025.

4. Асеева Т. А., Киселев Е. П., Сухомиров Г. И. Сельское хозяйство Дальнего Востока: условия, проблемы и потенциал развития / под ред. Н. Е. Антоновой. Хабаровск: ИЭИ ДВО РАН, 2020. 162 с.

5. Бляхер Л. Е., Григоричев К. В. Внутренняя миграция как политическая проблема, или как и почему уезжают жители Дальнего Востока России // Полития: Анализ. Хроника. Прогноз (Журнал политической философии и социологии политики). 2020. № 1 (96). С. 74–97. https://doi.org/10.30570/2078-5089-2020-96-1-74-97.

6. Коломак Е. А. Неравномерное пространственное развитие в России: объяснения новой экономической географии // Вопросы экономики. 2013. № 2. C. 132–150.

7. Кузин В. Ю. Арктика — военная география региона // Арктика ХХI век. Гуманитарные науки. 2017. № 2 (12). С. 38–47.

8. Кузин В. Ю. Виды поляризации и современные особенности их исследования // Вестник Удмуртского университета. Серия Биология. Науки о Земле. 2022. Т. 32. № 4. С. 494–503. https://doi.org/10.35634/2412-9518-2022-32-4-494-503.

9. Кузин В. Ю. Регионополизация в Дальневосточном федеральном округе: некоторые аспекты // Вестник СВФУ. Серия «Науки о Земле». 2022. № 2 (26). С. 47–54. https://doi.org/10.25587/SVFU.2022.26.2.006.

10. Кузин В. Ю. Оценка пространственной поляризации Дальнего Востока России в постсоветский период // Вестник СВФУ. Серия «Науки о Земле». 2023. № 2 (30). С. 102–113. https://doi.org/10,25587/SVFU.2023.30.2.009.

11. Леонов С. Н. Оценка потенциала роста локальных пространственных узлов юга Дальнего Востока // Проблемы социально-экономического развития Сибири. 2016. № 4 (26). С. 24–29.

12. Леонов С. Н. Эмпирический анализ поляризованного развития субъекта Российской Федерации // Региональная экономика: теория и практика. 2017. Т. 15, Вып. 3. С. 449–458.

13. Мартынов В. Л. «Холодная война» в Северном Ледовитом океане: войска ПВО страны в Арктике (50-е–90-е годы ХХ века) // Арктика ХХI век. Гуманитарные науки. 2015. № 1 (4). С. 75–85.

14. Мартынов В. Л., Сазонова И. Е. Возможности применения экономико-географических подходов и методов в региональных исследованиях // Псковский регионологический журнал. 2020. № 3 (43). С. 140–161.

15. Мерзляков И. О. Тенденции пространственной поляризации системы расселения на Дальнем Востоке России // Регионалистика. 2023. Т. 10. № 2. С. 58–77. https://doi.org/10.14530/reg.2023.2.58.

16. Минакир П. А. 25 лет реформ: истоки // Пространственная экономика. 2017. № 1. С. 7–16. https://doi.org/10.14530/se.2017.1.007-016.

17. Минакир П. А. Экономика регионов. Дальний Восток. М.: Институт экономических исследований Дальневосточного отделения РАН, 2006. 848 с.

18. Мотрич Е. Л. Демографические и миграционные процессы на Дальнем Востоке России (2019–2022 гг.) // Власть и управление на Востоке России. 2023. № 4 (105). С. 124–137. https://doi.org/10.22394/1818-4049-2023-105-4-124-137.

19. Нефёдова Т. Г., Стрелецкий В. Н., Трейвиш А. И. Поляризация социально-экономического пространства современной России: причины, направления и последствия // Вестник Российской Академии Наук. 2022. Т. 92. № 6. С. 551–563. https://doi.org/10.31857/S0869587322060093.

20. От идеи Ломоносова к реальному освоению территорий Урала, Сибири и Дальнего Востока / Л. М. Аверина, Р. И. Акьюлов, Е. Л. Андреева [и др.]. Екатеринбург: Институт экономики Уральского отделения РАН. 2009. 1227 с.

21. Развитие экономики Дальнего Востока России: эффекты государственной политики / отв. ред. П. А. Минакир, С. Н. Найден. Хабаровск: ИЭИ ДВО РАН, 2020. 208 с.

22. Росстат — Статистика. [Электронный ресурс]: URL: https://rosstat.gov.ru/statistic (дата обращения: 01.05.2023).

23. Сибирь и Дальний Восток в XXI веке: проблемы и перспективы развития: аналит. докл. / Е. А. Ахтамов, Л. А. Безруков, В. И. Брагин [и др.]; науч. ред. В. С. Ефимов. Красноярск: Сиб. федер. ун-т, 2017. 252 с.

24. Antonov E. V. Demographic and economic asymmetry of urban development in the Urals, Siberia, and the Far East in 1991–2014 // Regional Research of Russia. 2018. Vol. 8. No. 1. P. 16–33.

25. Barro R. J., Sala-i-Martin X. Economic Growth. Cambridge, Massachusetts: MIT Press, 2004. 672 p.

26. Cecchini S., Savio G., Tromben V. Mapping poverty rates in Chile with night lights and fractional multinomial models // Regional Science Policy & Practice. 2022. No. 14 (4). P. 850–876. https://doi.org/10.1111/rsp3.12415.

27. DMSP OLS: Nighttime Lights Time Series Version 4, Defense Meteorological Program Operational Linescan System. [Электронный ресурс]: URL: https://developers.google.com/earth-engine/datasets/catalog/NOAA_DMSP-OLS_NIGHTTIME_LIGHTS (дата обращения: 10.05.2023).

28. Doll C. N. H., Muller J. P., Elvidge C. D. Nighttime imagery as a tool for global mapping of socioeconomic parameters and greenhouse gas emissions // Ambio. 2000. No. 29(3). P. 157–162.

29. Earth at Night — Black Marble (NASA). [Электронный ресурс]: URL: https://gisgeography.com/earth-at-night-black-marble-nasa/ (дата обращения: 10.05.2023).

30. Earth Data. Open access for open science. [Электронный ресурс]: URL: https://www.earthdata.nasa.gov/learn/backgrounders/nighttime-lights (дата обращения: 10.05.2023).

31. Ebener S., Murray C., Tandon A., Elvidge C. From wealth to health: modeling the distribution of income per capita at the subnational level using nighttime light imagery // International Journal of Health Geographics. 2005. No. 4. P. 1–17.

32. EOSDIS Worldview. [Электронный ресурс]: URL: https://worldview.earthdata.nasa.gov/ (дата обращения: 10.05.2023).

33. Ghosh T, Anderson S, Powell R. L., Sutton P. C., Elvidge C. Estimation of Mexico’s informal economy and remittances using nighttime imagery // Remote Sensing. 2009. No. 1 (3). P. 418–444.

34. Gini C. On the Measure of Concentration with Special Reference to Income and Statistics // Colorado College Publication, General Series. 1936. No. 208. P. 73–79.

35. Sangkasem K., Puttanapong N. Analysis of spatial inequality using DMSP-OLS nighttime-light satellite imageries: A case study of Thailand // Regional Science Policy & Practice. 2022. No. 14 (4). P. 828–849. https://doi.org/10.1111/rsp3.12386.

36. Sheludkov A., Starikova A. Nighttime-lights satellite imagery reveals hotspots of second home mobility in rural Russia (a case study of Yaroslavl oblast) // Regional Science Policy & Practice. 2021. No. 14 (4). P. 877–890. https://doi.org/10.1111/rsp3.12441.

37. Sheludkov A., Starikova A. Summer suburbanization in moscow region: Investigation with nighttime lights satellite imagery // Environment and Planning A. 2022. Vol. 54. No. 3. P. 446–448. https://doi.org/10.1177/0308518X221076502.

38. Ghosh T., Powell R. L., Elvidge Chr. D., Baugh K. E., Sutton P. C., Anderson Sh. Shedding Light on the Global Distribution of Economic Activity // The Open Geography Journal. 2010. No. 3. P. 148–161.

39. Zhang L., Sun B. Polarization or convergence: Strategy of reshaping economic geography of large countries: A cross-country study on the evolution and determinants of city size distribution // Dili Xuebao/Acta Geographica Sinica. 2017. Vol. 72. Iss. 8. P. 1419–1431.

Комментарии

Сообщения не найдены

Написать отзыв
Перевести