Анализ инновационно-инвестиционной сбалансированности промышленной политики России в условиях цифровой трансформации с применением методов искусственного интеллекта

Фролов В.Г.1, Перова В.И.1
1 Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского

Статья в журнале

Вопросы инновационной экономики (РИНЦ, ВАК)
опубликовать статью | оформить подписку

Том 13, Номер 1 (Январь-март 2023)

Цитировать:
Фролов В.Г., Перова В.И. Анализ инновационно-инвестиционной сбалансированности промышленной политики России в условиях цифровой трансформации с применением методов искусственного интеллекта // Вопросы инновационной экономики. – 2023. – Том 13. – № 1. – С. 127-148. – doi: 10.18334/vinec.13.1.117247.

Эта статья проиндексирована РИНЦ, см. https://elibrary.ru/item.asp?id=52456645

Аннотация:
Целью статьи является анализ инновационно-инвестиционной сбалансированности промышленной политики как императива развития промышленности в условиях цифровой трансформации экономики. В исследовании решается проблема совершенствования инструментария оценки эффектов промышленной политики, в части реализации принципа инновационно-инвестиционной сбалансированности. Для проведения исследования предложен метод комплексного анализа гетерогенных статистических данных, заключающийся в проведении кластеризации данных на базе нейронных сетей – важного раздела искусственного интеллекта. Нейросетевое моделирование с использованием самоорганизующихся карт Кохонена, объектированных на платформе аналитического пакета Deductor, применялось, так как оно свободно от модельной ограниченности и внешнего вмешательства в процедуру функционирования нейронной сети. Разработана система показателей, сгруппированных по 4 секторам, определяющим сбалансированное инновационно-инвестиционное развитие промышленной политики с учетом интересов важнейших групп стейкхолдеров в условиях цифровой трансформации. Это позволило дать его комплексную оценку. Систематизированы особенности инновационно-инвестиционного развития субъектов РФ. Выявлено сильное различие регионов РФ по уровню инновационно-инвестиционной сбалансированности промышленной политики, а также основные диспропорции в условиях цифровой трансформации экономики. Статья может быть интересна специалистам, занимающимся проблемами разработки и реализации программных документов промышленного развития на региональном и федеральном уровнях

Ключевые слова: промышленная политика, инновационно-инвестиционная сбалансированность, Индустрия 4.0, цифровая трансформация, методы искусственного интеллекта, кластерный анализ, нейронные сети

JEL-классификация: O25, O31, O32, O33



1. Введение

Для российской промышленности возможности цифровой экономики дают новые предпосылки для формирования комплексной и сбалансированной промышленной политики с учетом нового технологического уклада. Промышленная политика в России проводится различными субъектами как на федеральном, региональном уровнях, так и на уровне промышленных предприятий. Однако интересы и действия субъектов, как правило, не согласованы и не взаимоувязаны. Практически не рассматриваются вопросы сбалансированности основных элементов промышленной политики: экономики и технологий, инвестиций и инноваций, кооперирования и специализации и т.д.

В течение последних тридцати лет наблюдаются значительные структурные дисбалансы в развитии промышленности в России. Результаты распределения видов деятельности промышленности по уровню рентабельности в исследовании В.Г. Фролова свидетельствуют о наличии благоприятных условий притока финансовых ресурсов в добывающие производства [21], а не в инновационные высокотехнологичные предприятия обрабатывающих отраслей [22]. В условиях цифровой экономики существующие диспропорции, по мнению А.И. Колганова, будут увеличиваться без реализации регулирующих мер [8]. Как показано в работе Ю.Г. Лавриковой неизбежность ухода от сырьевой модели экономики обусловливается все большим разрывом уровня экономического развития РФ и стран Запада и формированием рынков будущего [10].

О.А. Романова и А.О. Пономарева считают, что промышленная политика может трактоваться в широком и узком смыслах [14]. Приведем один из важнейших подходов к определению промышленной политики А.И. Татаркина и О.А. Романовой – «это национальная промышленная политика, т.е. система отношений между государственными органами власти, хозяйствующими субъектами, научными и общественными организациями по поводу формирования структурно-сбалансированной, конкурентоспособной промышленности, интеллектуальное ядро которой представлено новейшим технологическим укладом» [18].

Эволюция государственной промышленной политики в России подробно анализируется в исследовании Б.В. Кузнецова и Б.В. Симачева. К основным «урокам применения инструментов» промышленной политики авторы относят в том числе «отсутствие четких и обоснованных приоритетов», «ориентацию на максимизацию всех преимуществ от промышленной политики в масштабе только национальной экономики», «реализацию промышленной политики в отрыве от внедрения институциональных изменений», «ограниченный доступ новых групп интересов» и другие [9].

В работе Ю.В. Симачева и других авторов систематизированы государственные группы интересов в промышленной политике России: бюджетная, структурная, отраслевая и научно-технологическая. При этом они полагают, «что объединение на рациональных началах различных групп интересов вокруг формирования промышленной политики представляется маловероятным». Оценивая результаты промышленной политики, отмечается «несоответствие экономических реалий декларируемой государством на протяжении уже более чем десяти лет задаче снизить роль добывающего сектора и поддержать обрабатывающие производства» [17].

А.В. Татаркиным, О.С. Сухаревым, Е.Н. Стрижаковой исследуется проблема выбора стратегических направлений промышленной политики на основе выявления релевантных факторов, придающих системе новое качество развития [19].

Современные региональные аспекты индустриального развития подробно анализируются исследовании В.В. Акбердиной и О.А. Романовой, где рассматриваются возможности выбора нового промышленного пути для регионов, приоритеты «умной специализации», разработки эффективных механизмов региональной промышленной и инновационной политики. Также анализируются взаимосвязи кластерных конфигураций и инновационной активности региона [1].

К наиболее известным моделям сбалансированного развития относятся: модель межотраслевого баланса затраты–выпуск В.В. Леонтьева [11], динамическая модель межотраслевого баланса Н.И. Ведуты [4], модель системной сбалансированности Г.Б. Клейнера [7] и другие. Анализ различных подходов сбалансированного развития экономических систем представлен в работе А.В. Тебекина и М.С. Анастасова [20]. А.Ю. Гончаровым разработана модель, показывающая взаимовлияние параметров социально-экономического развития регионов на основе кластерного и факторного анализов [5]. О.Н. Киселевой предложена модель информационного обеспечения сбалансированной стратегии инновационного развития промышленного предприятия [6].

Оценка возможностей промышленной политики в условиях цифровизации исследуется в ряде работ. Гарольд Грубер считает, что должны быть определены структурные проблемы и возможные сбои рынка, связанные с внедрением цифровых технологий [29]. Падмашри Гел Сампатх отмечает, что цифровая промышленная политика должна стать самостоятельным видом политики [34]. Крис Родс и Дэниел Рэтбоун затрагивают следующие проблемы в цифровой экономике, требующие изменение промышленной политики: улучшение доступности финансирования; построение цифровой инфраструктуры мирового уровня и другие [35]. А. Андреони и Х.Дж. Чанг исследуют проблемы стратегической координации структурных взаимозависимостей в условиях цифровой трансформации и возникающие при этом конфликты интересов [25].

Несмотря на значительный объем научных работ в области формирования и реализации промышленной политики, проблемы формирования и оценки инновационно - инвестиционной сбалансированности в промышленной политике, а также проблемы ее реализации в новых условиях цифровой трансформации остаются не до конца решенными. Актуальность исследования обуславливается необходимостью представлением промышленной политики как сбалансированной инновационно-инвестиционной системы функционирующей в условиях цифровой трансформации экономики.

Целью исследования является анализ инновационно-инвестиционной сбалансированности промышленной политики как императива промышленного развития. Достижение поставленной цели включало решение следующих задач:

– разработка метода и системы показателей оценки инновационно-инвестиционной сбалансированности промышленной политики;

– кластерный анализ инновационно-инвестиционной сбалансированности промышленной политики в регионах России с использованием инструментария нейронных сетей, составляющих один из значимых разделов искусственного интеллекта;

– анализ и оценка инновационно-инвестиционной сбалансированности промышленной политики в РФ.

Гипотеза исследования состоит в научном предположении, что для устойчивого развития промышленного сектора необходимо совершенствование методов и инструментария оценки эффектов промышленной политики в условиях цифровой трансформации экономики.

Научная новизна исследования заключается в том, что развиты и дополнены существующие положения промышленной политики за счет предложенного метода и инструментария комплексного анализа гетерогенных статистических данных, заключающийся в проведении кластеризации данных на базе нейронных сетей в целях анализа и оценки инновационно-инвестиционной сбалансированности промышленной политики. Выявлены и систематизированы особенности реализации принципа инновационно-инвестиционной сбалансированности в проводимой промышленной политике РФ.

2.Теоретико – методологические подходы

Авторы настоящей работы под инновационно-инвестиционной сбалансированностью промышленной политики в условиях цифровизации понимают сбалансированную систему мер и инструментов промышленной политики, которая направлена на формирование взаимоувязанных и пропорционально развитых секторов: сектор структурной сегментации промышленной политики, сектор инновационной активности промышленной политики, сектор инвестиционной активности промышленной политики, сектор инфраструктуры цифровой трансформации. Использование цифровых технологий, на основе баланса децентрализованного и централизованного управления, например, на базе государственной информационной системы промышленности, может создавать возможности доступа новых групп стейкхолдеров при формировании интегрированных цепей участников с высокой долей добавленной стоимости. Для этого необходимо учитывать их интересы, что должно быть заложено в формировании системы оценочных показателей.

Предлагаемый метод соответствует теории системной сбалансированности Г.Б. Клейнера, в которой определены четыре сектора экономических систем: объектный, проектный процессный и средовой, и способствует развитию научной основы для формирования сбалансированной промышленной политики в России, где инновационно-инвестиционная сбалансированность – это одна из важнейших, составляющих [7]. Причем сбалансированность и устойчивость проводимой промышленной политики являются необходимыми условиями ее экономической безопасности.

Для формирования системы показателей оценки инновационно-инвестиционной сбалансированности промышленной политики нами использовались также следующие теоретико-методологические подходы: пороговые значения показателей методологии экономической безопасности В.К. Сенчагова [23], теории стейкхолдеров (показатели отражающие интересы групп стекхолдеров - Z8, Z9) и концепции «Индустрия 4.0» (показатели, характеризующие сектор инфраструктуры цифровой трансформации - Z17–Z19) [33, 26].

В условиях перехода к цифровой экономике важным аспектом является учет качественных изменений объекта промышленной политики. В связи с этим, комплекс показателей должен позволять проводить анализ сбалансированности промышленной политики с учетом изменений в организационно-технологической структуре цифровых предприятий: Digital (Цифровой) фабрики; Smart («Умной») фабрики; Virtual (Виртуальной) фабрики в соответствии с принципами и элементами концепции «Индустрия 4.0» и дорожной карты «Технет». Однако настоящее состояние развития методологии Росстата, не обеспечивает такие потребности, и в работе используются наиболее релевантные из доступных, на наш взгляд, показатели [1]:

а) показатели, характеризующие сектор структурной сегментации промышленной политики: Z1 – доля в промышленном производстве обрабатывающей промышленности, %; Z2 – доля в промышленном производстве машиностроения, %; Z3 – доля продукции высокотехнологичных и наукоемких отраслей, %; Z4 – доля валовой добавленной стоимости промышленного производства, (%); Z5 – индекс промышленного производства, %; Z6 – индекс производства обрабатывающей промышленности, %; Z7 – индекс производства добывающей промышленности, %; Z8 – рентабельность предприятий обрабатывающей промышленности, %; Z9 – рентабельность предприятий добывающей промышленности, %; Z10 – соотношение индекса производства и индекса изменения численности занятых в промышленном производстве, %;

б) показатели, характеризующие сектор инновационной активности промышленной политики: Z11 – разработанные передовые производственные технологии, шт.; Z12 – используемые передовые производственные технологии, шт.; Z13 – удельный вес инновационных товаров, работ, услуг в общем объеме отгруженных товаров, выполненных работ, услуг организаций промышленного производства, %;

в) показатели, характеризующие сектор инвестиционной активности промышленной политики: Z14 – доля внутренних затрат на научные исследования и разработки, %; Z15 – доля инвестиций в основной капитал в промышленном производстве, %; Z16 – степень износа основных фондов в промышленности, %;

г) показатели, характеризующие сектор инфраструктуры цифровой трансформации: Z17 – организации, использовавшие специальные программные средства для научных исследований, %; Z18 – организации, использовавшие специальные программные средства для проектирования, %; Z19 – организации, использовавшие специальные программные средства для управления автоматизированным производством и/или отдельными техническими средствами и технологическими процессами, %.

Предложенный метод необходим для формирования сбалансированной промышленной политики в условиях цифровизации, а система показателей предоставляет возможность комплексной оценки и мониторинга инновационно-инвестиционной сбалансированности. Для оценки инновационно-инвестиционной сбалансированности предлагается использовать следующие критерии: 1) если все значения показателей соответствуют критическим значениям – высокий уровень; 2) если значение хотя бы по одному показателю не соответствует критическому значению – средний уровень; 3) если два и более несоответствия из разных секторов критическим значениям – низкий уровень.

3. Данные и методы

Для исследования отобраны данные в соответствии с методологией статистического учета Росстата по 19 показателям, характеризующим указанные выше четыре сектора промышленной политики. Оценка инновационно-инвестиционной сбалансированности промышленной политики в разрезе субъектов РФ на основе нейросетевого моделирования проводилась за 2019 г. (последние отчетные данные). Далее полученные результаты сравнивались со средними значениями показателей по РФ за 2016 – 2019 гг.

Одной из задач подготовки данных являлось использование релевантных показателей в соответствии с предложенными теоретико-методологическими подходами. К существующим проблемам при подготовке данных можно отнести проблему не полного соответствия утвержденных показателей форм Росстата пониманию содержания процессов цифровизации промышленных структур согласно концепции «Индустрия 4.0». Однако в стратегии развития Росстата отмечается, что она «разработана с учетом комплексного анализа предложений органов власти, экспертного и бизнес-сообщества по совершенствованию статистической деятельности, проведенного в 2018 г., а также базовых документов по формированию цифровой экономики» [2].

Современные тенденции развития промышленной политики требуют применения перспективных технологий, которые содействуют выявлению и установлению закономерностей в важнейших секторах ее проведения в условиях цифровизации. В числе таких нововведений целесообразно использовать методы искусственного интеллекта [13, 28].

Нейронные сети, будучи важным разделом искусственного интеллекта, представляют собой эффективный инструмент анализа больших объемов негомогенных статистических данных при присутствии и линейных, и нелинейных зависимостей [12, 30, 32, 16]. Нейросетевые технологии материализуются в формате быстродействующего аппаратного оборудования, но чаще для выполнения исследований применяются нейронные сети в формате их программного моделирования на компьютере. Среди программных пакетов следует отметить системы: MatLab, Statistica, Viscovery SOMine, Deductor, Loginom и др., в которых реализованы нейронные сети различных типов и архитектур, обусловленных всевозможными способами интеграции нейронов между собой, а также построением их коммуникации.

В настоящей работе решение поставленной задачи кластеризации субъектов РФ и наглядное воспроизведение исходных многомерных данных выполнено с привлечением нейронных сетей – самоорганизующихся карт Кохонена [30, 27].

Следует отметить, что при выполнении кластеризации многомерных данных достаточно эффективным методом аттестовал себя классический статистический метод кластерного анализа. Он содержит два основных алгоритма для нахождения кластеров: метод иерархической кластеризации и метод k-средних. При употреблении обоих методов окончательное решение о количестве кластеров является монополией исследователя. В случае, когда исследуемые объекты характеризуются большим количеством гетерогенных показателей, перед реализацией кластерного анализа часто осуществляется факторный анализ с целью сжатия многомерного пространства показателей через выявление скрытых (латентных) факторов [3].

В ряде работ для анализа многомерных данных предложены и рассмотрены эффективные методы анализа паттернов. Отличие методов анализа паттернов, которые решают такие же задачи, что и классические методы кластеризации, состоит в том, что они позволяют определять скрытое взаимовлияние исследуемых показателей, обнаруживать тренды их изменения и диагностировать такие показатели, которые отражают нетипичную динамику объектов [2, 24].

Перспективный и креативный метод кластерного анализа данных, базирующийся на искусственном интеллекте и информационных технологиях – самоорганизующихся картах Кохонена, объектированных на платформе аналитического пакета Deductor, предложенный в настоящей работе, квалифицирует себя отсутствием модельных ограничений и позволяет в наглядном виде представить многомерное пространство показателей. Кроме того, нет внешнего вмешательства в работу нейронной сети (неконтролируемое обучение) и для ее работы необходимы лишь входные данные.

4. Оценка инновационно-инвестиционной сбалансированности промышленной политики РФ на основе нейросетевого моделирования

В результате проведения кластерного анализа данных на основе нейросетевого моделирования сформировано девятнадцатимерное пространство показателей сбалансированности промышленной политики в условиях цифровизации субъектов РФ за 2019 г. проецировалось с учетом топологии на двумерные самоорганизующиеся карты.

В результате кластеризации на основе самоорганизующихся карт – нейронных сетей без обратных связей – получена бифуркация 85 субъектов Российской Федерации в 2019 г. по пяти кластерным образованиям (рис. 1), представляющая собой кластерное решение.

Рис. 1. Самоорганизующаяся карта распределения субъектов РФ по кластерам

Источник: авторская разработка

Кластеризация многомерных данных влечет вопрос о качестве полученного кластерного решения с учетом значимости показателей при формировании кластеров. Поскольку априори неведомо ни число кластеров, ни принадлежность субъектов РФ к конкретным кластерным образованиям, для количественной оценки качества кластерных решений за 2019 гг. был выбран индекс силуэта [31]. Данный критерий зиждется на кластеризованных данных, совершая внутреннюю проверку кластеров, и подтверждает отсутствие перекрытия кластеров, а также обоснованность результатов кластеризации.

Число субъектов Российской Федерации в кластерных образованиях отображено на рис. 2.

Рис. 2. Количество субъектов РФ в кластерах за 2019 г.

Источник: авторская разработка

Из данных рис. 2 видно, что имеет место значительная вариация распределения субъектов по кластерам. Диапазон изменения их количества – от восьми в кластере 2 до двадцати шести в кластере 3. При этом структура кластерных образований в рамках федеральных округов не зависит от принадлежности субъектов к федеральным округам Российской Федерации.

Табл. 1 иллюстрирует средние значения исследуемых показателей по кластерам. Фоном отмечено несоответствие значений показателей критическим (табл. 1 и табл. 2). Критические значения использовались в соответствии с методологией экономической безопасности и представлены в табл. 4 [23].

Табл. 1. Средние значения показателей сбалансированности промышленной политики по кластерам за 2019 г.

Показатель
Средние значения по кластерам
1
(условное 4-е место)
2 (условное 1-е место)
3
(условное 3-е место)
4
(условное 2-е место)
5
(условное 5-е место)
1.Сектор структурной сегментации промышленной политики
Z1
67,92
83,29
77,95
79,53
22,97
Z 2
3,30
18,94
20,72
29,03
4,27
Z 3
14,78
25,30
19,53
22,76
14,10
Z 4
39,44
32,65
22,09
32,02
40,49
Z 5
103,87
105,19
107,22
104,16
104,17
Z 6
112,85
106,31
107,18
105,62
107,04
Z 7
99,66
83,99
102,58
104,93
101,80
Z 8
25,57
12,71
11,11
8,87
8,51
Z 9
62,07
25,86
3,79
13,75
24,30
Z 10
103,29
105,10
110,32
105,48
103,23
2.Сектор инновационной активности промышленной политики
Z 11
12,10
102,37
7,35
16,14
7,05
Z 12
1609,10
10648,62
1681,23
4309,32
1202,53
Z 13
3,74
9,61
11,53
5,32
0,90
3.Сектор инвестиционной активности промышленной политики
Z 14
0,51
2,13
0,44
0,87
0,14
Z 15
25,52
15,75
23,05
18,23
60,06
Z 16
42,95
49,06
53,80
48,19
47,20
4.Сектор инфраструктуры цифровой трансформации
Z 17
3,57
7,61
3,18
4,37
3,08
Z 18
12,2
17,56
9,38
13,09
10,92
Z 19
15,95
20,16
13,68
16,77
14,97
Источник: авторская разработка

Результаты расчетов, представленные в табл. 2, позволяют установить, что значения показателей, характеризующие сбалансированность промышленной политики по всем кластерам не соответствуют критическим по двум и более показателям из разных секторов. Это свидетельствует о низком уровне сбалансированности проводимой промышленной политики. Проранжировав полученные кластеры по баллам (сумма мест по каждому показателю) с учетом значимости показателей, можно отметить, что условно 1 место принадлежит кластеру 2 (8 регионов).

Сектор структурной сегментации промышленной политики характеризуется следующим образом. В этом кластере самая высокая доля обрабатывающей промышленности, содержащая 83,29%. Значение данного показателя выше критического на 13%. Однако, доля машиностроения – на один процент ниже критического значения и составляет 18,9%. Этот кластер – лидер по уровню развития высокотехнологичных и наукоемких отраслей, но значение соответствующего показателя находится на критическом уровне. Промышленное производство занимает третье место по значению валовой добавленной стоимости в РФ. В состав кластера 2 вошли следующие регионы согласно типологии синтетической классификации [15]:

– высокоразвитые финансово-экономические центры (г. Москва, Московская область, г. Санкт-Петербург);

– развитые регионы с диверсифицированной экономикой (Нижегородская область и Свердловская область);

– развитые регионы с опорой на обрабатывающую промышленность (Новгородская область, Челябинская область);

– развитые регионы с опорой на добывающую промышленность (Пермский край).

Темпы промышленного производства демонстрируют рост по итогам 2019 года. Индекс промышленного производства составил 105,19 %. При этом обрабатывающая промышленность растет более быстрыми темпами. Рентабельность предприятий обрабатывающей промышленности равна 12,71 % (2-е место). Соотношение уровней рентабельности предприятий обрабатывающей и добывающей промышленности является значительным (1:2). Соотношение индекса производства и индекса изменения численности занятых в промышленном производстве составляет 105,10 % (3-е место).

Секторы инновационной и инвестиционной активности промышленной политики характеризуется высоким уровнем разработки и использования передовых производственных технологий (1-е место). Однако соотношение разработанных и используемых технологий равно 1:100. По выпуску инновационной продукции промышленные предприятия занимают 2-е место, но объем выпуска меньше критического уровня в 1,5 раза. Вместе с тем, в субъектах РФ, вошедших в кластер 2, зафиксированы самая большая доля внутренних затрат на научные исследования и разработки, равная 2,13 % (немного выше критического значения), а инвестиции в основной капитал не значительны (5-е место) при сильном износе основных фондов (уровень – ниже критического значения).

Все значения показателей сектора инфраструктуры цифровой трансформации в субъектах России, составивших кластер 2, значительно выше аналогичных показателей по другим кластерам.

Второе место принадлежит кластеру 4 (22 региона). Профиль сектора структурной сегментации субъектов промышленной политики схож с кластером 2, но только здесь промышленное производство характеризуется развитым машиностроением. Это единственный кластер, где доля в промышленном производстве машиностроения значительно превышает критическое значение (выше критического значения на 9 %). В субъектах РФ данного кластера присутствуют предприятия как обрабатывающей, так и добывающей промышленности. Различие уровня рентабельности предприятий обрабатывающей и добывающей промышленности является незначительным и составляет около 5%. В его состав вошли:

– развитые регионы с диверсифицированной экономикой (Ростовская область, Республика Татарстан, Самарская область);

– развитые регионы с опорой на обрабатывающую промышленность (Ярославская область, Ленинградская область);

– развитые регионы с опорой на добывающую промышленность (Республика Башкортостан, Томская область);

– среднеразвитые регионы промышленно-аграрные (Владимирская область, Калужская область, Тверская область, Тульская область, Архангельская область, Калининградская область, Удмуртская Республика);

– среднеразвитые аграрно-промышленные субъекты (Воронежская область, Тамбовская область, Псковская область, Краснодарский край, Республика Марий Эл, Чувашская Республика, Саратовская область, Ульяновская область).

В регионах кластера 4 все значения показателей секторов инновационной и инвестиционной активности промышленной политики не соответствуют критическим значениям. При этом доля инновационной продукции низкая и составляет 5,32%. Сектор инфраструктуры цифровой трансформации характеризуется относительно высокими значениями показателей.

Третье место занял самый большой кластер 3 (26 регионов). В данном кластере наблюдается высокая доля обрабатывающей промышленности, равная 77,95%. Доля машиностроения только на один процент выше критического значения. Высокотехнологичные и наукоемкие отрасли также представлены (3-е место). Однако в отраслевой структуре промышленное производство занимает последнее место по значению валовой добавленной стоимости. Кластер 3 образовали:

– развитые регионы с диверсифицированной экономикой (Новосибирская область);

– развитые регионы с опорой на обрабатывающую промышленность (Липецкая область, Вологодская область, Омская область);

– среднеразвитые промышленно-аграрные регионы (Ивановская область, Костромская область, Рязанская область, Смоленская область, Приморский край, Хабаровский край);

– среднеразвитые аграрно-промышленные регионы (Брянская область, Орловская область, Республика Северная Осетия–Алания, Ставропольский край, Республика Мордовия, Кировская область, Пензенская область, Курганская область, Алтайский край, Республика Бурятия);

– менее развитые аграрные регионы (Республика Адыгея, Республика Дагестан, Кабардино-Балкарская Республика, Карачаево-Черкесская Республика);

– Республика Крым, г. Севастополь.

Сектор инновационной активности промышленной политики характеризуется самым высоким значением доли инновационной продукции, равным 11,53 % (ниже критического значения). Причем, в секторе инвестиционной активности промышленной политики все значения показателей находятся ниже критических. Доля внутренних затрат на научные исследования и разработки равна 0,44 % (4-е место). В секторе инфраструктуры цифровой трансформации значения показателей самые низкие по сравнению с их значениями в субъектах РФ других кластеров.

На четвертом месте – кластер 1 (10 регионов). Сектор структурной сегментации субъектов промышленной политики характеризуется следующим образом. В этом кластере доля обрабатывающей промышленности составляет 67,92% (ниже критического значения). Машиностроение практически отсутствует - 3,3%. По уровню развития высокотехнологичных и наукоемких отраслей – 4 место. В отраслевой структуре промышленное производство занимает 4 место по значению валовой добавленной стоимости. В его состав вошли:

– высокоразвитые сырьевые экспортно-ориентированные регионы (Тюменская область);

– развитые регионы с опорой на обрабатывающую промышленность (Волгоградская область);

– развитые регионы с опорой на добывающую промышленность (Белгородская область, Мурманская область, Красноярский край);

– среднеразвитые промышленно-аграрные регионы (Курская область, Республика Карелия);

– среднеразвитые аграрно-промышленные регионы (Камчатский край);

– менее развитые сырьевые регионы (Магаданская область, Чукотский автономный округ).

В субъектах кластера 1 сектор инновационной активности промышленной политики квалифицируется низким значением доли инновационной продукции, составляющей 3,74 % (ниже критического значения). В секторе инвестиционной активности промышленной политики все значения показателей находятся ниже критических, кроме показателя инвестиций в основной капитал, равного 25,52 %. Уровень износа основных фондов 42,95 % и практически соответствует критическому значению. Доля внутренних затрат на научные исследования и разработки равна 0,51 %. В секторе инфраструктуры цифровой трансформации значения показателей находятся на 3-м месте.

Пятое место принадлежит кластеру 5 (19 регионов). В отраслевой структуре промышленное производство занимает 1-е место по значению валовой добавленной стоимости. Однако доля в промышленном производстве обрабатывающей промышленности составляет 22,97 %. Доля в промышленном производстве машиностроения равна 4,27%. Доля продукции высокотехнологичных и наукоемких отраслей - 14,10%. Кластер 5 составили:

– высокоразвитые сырьевые экспортно-ориетированные (Республика Коми, Ханты-Мансийский автономный округ – Югра, Ямало-Ненецкий автономный округ, Республика Саха (Якутия), Сахалинская область);

– развитые регионы с опорой на обрабатывающую промышленность (Иркутская область);

– развитые регионы с опорой на добывающую промышленность (Кемеровская область – Кузбасс);

– среднеразвитые регионы промышленно-аграрные регионы (Ненецкий автономный округ, Республика Хакасия);

– среднеразвитые аграрно-промышленные регионы (Астраханская область, Оренбургская область, Республика Алтай);

– менее развитые сырьевые регионы (Забайкальский край, Амурская область);

– менее развитые аграрные регионы (Республика Калмыкия, Республика Ингушетия, Чеченская Республика, Республика Тыва, Еврейская автономная область).

Сектор инновационной активности промышленной политики характеризуется самым низким значением доли инновационной продукции – менее 1%. Причем, в секторе инвестиционной активности промышленной политики доля инвестиций в основной капитал составляет 60,06 % (1-е место, значительное превышение критического уровня). Доля внутренних затрат на научные исследования и разработки равна 0,44 % (4-е место). В секторе инфраструктуры цифровой трансформации значения показателей практически аналогичны соответствующим значениям кластера 1.

Далее сравним значения рассматриваемых показателей с общероссийскими показателями за 2019 год (табл. 2).

Табл. 2. Средние значения показателей оценки сбалансированности промышленной политики по РФ

Показатель
Средние значения по годам
Пропорции и взаимосвязи
2016
2017
2018
2019
1.Сектор структурной сегментации промышленной политики
Х1
66,39
65,59
64,07
65,07
более 70 %
Х2
20,70
19,30
18,70
18,70
более 20 %
Х3
18,50
18,50
18,50
19,00
более 26%
Х4
30,00
31,30
34,70
33,80
положительная динамика
Х5
101,80
103,70
103,50
103,30
более 100%
Х6
101,1
105,7
103,6
103,5
более темпа роста добывающей промышленности
Х7
102,6
101,9
103,8
103,4
более 100%
Х8
10,1
10,9
12,00
11,5
соотношение уровня рентабельности обрабатывающих и добывающих отраслей
Х9
26,2
24,6
31,40
28
Х10
102,10
103,40
104,40
104,30
более 100%
2.Сектор инновационной активности промышленной политики
Х11
18,05
16,49
18,41
19,06
соотношение разработанных и используемых ППТ
Х12
2733,98
2824,16
2999,14
3089,94
Х13
8,4
7,1
6,6
5,2
более 15 %
3.Сектор инвестиционной активности промышленной политики
Х14
1,27
1,28
1,19
1,20
более 2 %
Х15
23,11
23,81
20,49
20,7
более 25 %
Х16
48,00
47,05
48,18
49,00
менее 40%
4.Сектор инфраструктуры цифровой трансформации
Х17
3,40
3,10
4,50
4,6
положительная динамика
Х18
10,80
11,20
13,00
13,00
Х19
14,90
14,70
16,70
16,5
Источник: авторская разработка

Результаты расчетов показывают, что значения практически всех показателей регионов кластера 2 выше среднероссийских, кроме показателей сектора инвестиционной активности промышленной политики: доли инвестиций в основной капитал и степени износа основных фондов.

В субъектах, образовавших кластер 4, в секторе 2 ниже среднероссийского значения количество разработанных передовых производственных технологий. В секторе 3 все значения показателей ниже, чем в среднем по РФ. В секторе 4 наблюдается недостаток использования специальных программных средств для научных исследований.

В регионах кластера 3 в секторе 2 число разработанных и используемых производственных технологий ниже среднероссийского уровня. В тоже время инновационных товаров реализовано больше чем в 2 раза по сравнению со средним по РФ. В секторе 3 значения показателей ниже среднероссийских, кроме показателя инвестиций в основной капитал. В секторе 4 наблюдается проблема использования специальных программных средств по всем направлениям промышленной политики.

В субъектах кластера 1 сектор 1, сектор 2 и сектор 4 практически полностью не сбалансированы в сравнении со среднероссийским уровнем. В секторе 3 имеются значения показателей выше чем в среднем по РФ: доля инвестиций в основной капитал в промышленном производстве и степень износа основных фондов в промышленности.

В регионах кластера 5 значения показателей по всем секторам промышленной политики зафиксированы ниже среднероссийских, кроме инвестиций в основной капитал. При этом значение по этому показателю в 3 раза превышает средний уровень по РФ.

Анализ динамики средних значений показателей по РФ за 2016–2019 гг. (табл.4) свидетельствует о сохранении тенденции не сбалансированного развития промышленной политики. Низкий уровень сбалансированности наблюдается по всем рассматриваемым годам. В секторе структурной сегментации промышленной политики отмечается снижение доли обрабатывающей промышленности, а также машиностроения. Высокотехнологичные и наукоемкие отрасли стагнируют. Экономические стимулы групп стейкхолдеров в части соотношения уровня рентабельности обрабатывающих и добывающих отраслей свидетельствуют о незаинтересованности повышения инновационно-инвестиционной активности в обрабатывающих отраслях. Сектор инфраструктуры цифровой трансформации демонстрирует за 2016 – 2019 гг. незначительную положительную динамику. Однако, учитывая накопленный износ оборудования и низкий уровень технологий, эта тенденция не носит системный характер цифровой трансформации промышленного производства. Таким образом, выявленные тенденции несбалансированного развития могут привести к неустойчивости промышленного комплекса и, как следствие, значительному ослаблению его экономической безопасности.

5. Заключение

Проведен анализ инновационно-инвестиционной сбалансированности промышленной политики в условиях цифровой трансформации экономики, на основе комплекса взаимосвязей, учитывающего сочетание элементов теории системной сбалансированности, методологии экономической безопасности, теории стекхолдеров и концепции «Индустрия 4.0». Исследование способствует интегрированию методов искусственного интеллекта на основе предложенного подхода в процессы формирования сбалансированной промышленной политики в РФ. Нейросетевой анализ данных сделал возможным выявление проблемы значительной дифференциации субъектов России по рассматриваемым показателям инновационно-инвестиционой сбалансированности промышленной политики. Моделирование многомерных статистических данных с использованием предлагаемого подхода – кластерного анализа на базе нейронных сетей – позволит определить направления по формированию стратегий развития сбалансированной промышленной политики. Проведенное исследование имеет практическую значимость при использовании систем мониторинга сбалансированности промышленной политики. Проблемы инновационно-инвестиционой сбалансированности промышленной политики в условиях цифровой экономики требуют дальнейших исследований, направленных на моделирование экономических процессов, связанных с обоснованием приоритетов промышленного развития в соответствии с концепцией «умной специализации» [1], а также на совершенствование организационно-экономических механизмов управления ими в целях инновационного развития экономики РФ.

[1] Официальные данные Федеральной службы государственной статистики: [Электронный ресурс] URL: https://rosstat.gov.ru/ (дата обращения 05.12.2022).

[2] Стратегия социально–экономического развития страны до 2020 года [Электронный ресурс] // Режим доступа: http://www.2020strategy.ru. (дата обращения: 10.12.2022).


Источники:

1. Акбердина В.В., Романова О.А. Региональные аспекты индустриального развития: обзор подходов к формированию приоритетов и механизмов регулирования // Экономика региона. – 2021. – № 3. – c. 714-736. – doi: 10.17059/ekon.reg.2021-3-1.
2. Алескеров Ф.Т., Гохберг Л.М., Егорова Л.Г., Мячин А.Л., Сагиева Г.С. Анализ данных науки, образования и инновационной деятельности с использованием методов анализа паттернов: препринт WP7/2012/07. / Нац. исслед. ун-т «Высшая школа экономики». - М.: Изд. дом Высшей школы экономики, 2012.
3. Балабанов А.С., Стронгина Н.Р. Анализ данных в экономических приложениях. - Нижний Новгород: Изд-во ННГУ, 2004.
4. Ведута Н.И. Социально эффективная экономика. - М.: РЭА, 1999.
5. Гончаров А.Ю. Структурное управление развитием региона. / Под ред. проф. Н.В. Сироткиной. - Воронеж: Издательство ВГПУ «Новопресс», 2016.
6. Киселева О.Н. Формирование сбалансированной стратегии инновационного развития предприятий России на основе организационно-управленческнх инноваций // Инновации и инвестиции. – 2017. – № 12. – c. 279-283.
7. Клейнер Г.Б., Рыбачук М.А. Системная сбалансированность экономики России: региональный разрез // Экономика региона. – 2019. – № 2. – c. 309-323.
8. Колганов А.И. Структура российской экономики: потенциал адаптации цифровых технологий. / Ломоносовские чтения-2018. Секция экономических наук. Цифровая экономика: человек, технологии, институты: сборник статей. - М.: Экономический факультет МГУ имени М. В. Ломоносова, 2018. – 150-157 c.
9. Кузнецов Б.В., Симачев Б.В. Эволюция государственной промышленной политики в России // Журнал новой экономической ассоциации. – 2014. – № 2. – c. 152-178.
10. Лаврикова Ю.Г., Андреева Е.Л., Тарасов А.Г., Ратнер А.В. Влияние глобальных экономических вызовов на развитие рынков будущего // Экономика и управление. – 2019. – № 9. – c. 34-42. – doi: 10.35854/1998-1627-2019-9-34-42.
11. Леонтьев В.В. Избранные произведения. / В 3-х томах. Том 2. Специальные исследования на основе методологии «Затраты - выпуск». - М.: Экономика, 2006.
12. Летягина Е.Н., Перова В.И. Нейросетевое моделирование региональных инновационных экосистем // Journal of New Economy. – 2021. – № 1. – c. 71-89. – doi: 10.29141/2658-5081-2021-22-1-4.
13. Перова В.И., Зайцева К.В. Исследование динамики инновационной деятельности регионов России с применением нейросетевого моделирования // Экономический анализ: теория и практика. – 2017. – № 16 (5). – c. 887-901.
14. Романова О.А., Пономарева А.О. Промышленная политика: новые реалии, проблемы формирования и реализации // Экономические и социальные перемены: факты, тенденции, прогноз. – 2020. – № 2. – c. 25-40. – doi: 10.15838/esc.2020.2.68.2.
15. Григорьева Л.М., Зубаревич Н.В., Хасаева Г.Р. Российские регионы: экономический кризис и проблемы модернизации. - М.: ТЕИС, 2011.
16. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. - М.: Горячая линия – Телеком, 2008.
17. Симачев Ю.В., Кузык М.Г., Кузнецов Б.В., Погребняк Е.В. Россия на пути к новой технологической промышленной политике: среди манящих перспектив и фатальных ловушек // Форсайт. – 2014. – № 4. – c. 6-23.
18. Татаркин А.И., Романова О.А. Промышленная политика и механизм ее реализации. Системный подход // Экономика региона. – 2007. – № 3. – c. 19-31.
19. Татаркин А.И., Сухарев О.С., Стрижакова Е.Н. Шумпетерианская экономическая теория промышленной политики: влияние технологической структуры // Журнал экономической теории. – 2017. – № 2. – c. 7-17.
20. Тебекин А.В., Анастасов М.С. Анализ подходов сбалансированного развития экономических систем // Транспортное дело россии. – 2016. – № 5. – c. 80-85.
21. Фролов В.Г. Инновационно-инвестиционно сбалансированная промышленная политика в условиях цифровой трансформации. - М.: Первое экономическое издательство, 2021. – 240 c.
22. Фролов В.Г. Промышленная политика как интегрированный комплекс развития инновационно-активного предпринимательства производственной сферы // Креативная экономика. – 2013. – № 11 (83). – c. 59-62.
23. Сенчагов В.К. Экономическая безопасность России. / Обший курс: учебник. - М.: Лаборатория знаний, 2020.
24. Aleskerov, F.T., Gokhberg, L.M, Egorova, L,G., Myachin, A.L., and Sagieva, G.S. (2014). A Method of Static and Dynamic Pattern Analysis of Innovative Development of Russian Regions in the Long Run, in: Springer Proceedings in Mathematics and Statistics. Volume 104 Models, Algorithms and Technologies for Network Analysis. Dordrecht, L., Cham, Heidelberg, NY: Springer, Ch. 1, 1-8. DOI: 10.1007/978-3-319-09758-9_1
25. Andreoni A., Chang Ha-Joon. The political economy of industrial policy: Structural interdependencies, policy alignment and conflict management // Structural Change and Economic Dynamics. – 2019. – № 48. – p. 136-150.
26. Binh D.Th.Th., Anh T.Th.K. Stakeholders approach on corporate governance and performance of Vietnamese manufacturing firms // Journal of Governance and Regulation. – 2017. – № 6 (2). – p. 61-73.
27. Carboni O.A., Russu P. Assessing regional wellbeing in Italy: An application of Malmquist–DEA and self-organizing map neural clustering // Social Indicators Research. – 2015. – № 122 (3). – p. 677-700.
28. Di Tollo, G., Tanev, S., Slim, K.M., and De March, D. (2014). Determining the Relationship Between Cocreation and Innovation by Neural Networks // Complexity in Economics: Cutting Edge Research, 49-62. URL: http://link.springer.com/chapter/10.1007/978-3-319-05185-7_3
29. Gruber H. Proposals for a digital industrial policy for Europe // Telecommunications Policy. – 2019. – № 43 (2). – p. 116-127.
30. Kohonen Т. Self-Organized Formation of Topologically Correct Feature Maps // Bio1ogical Cybernetics. – 1982. – № 43 (1). – p. 59-69. – doi: 10.1007/BF00337288.
31. Kraufman L., Rousseeuw P. Finding groups in data: An introduction to cluster analysis. / Hoboken. - NJ: John Wiley & Sons, Inc, 2005.
32. Martinetz T.M., Berkovich S.G., Schulten K.J. “Neural-Gas” Network for Vector Quantization and Its Application to Time-Series Prediction // IEEE Transactions on Neural Networks. – 1993. – № 4 (4). – p. 558-569.
33. Mhlanga D., Moloi T. The stakeholder theory in the fourth industrial revolution // International Journal of economics and finance studies. – 2020. – № 12 (2). – p. 252-268.
34. Padmashree, G.S. (2018). Regulating the digital economy: Are we moving towards a 'win‐win' or a 'lose‐lose'? – Maastricht Economic and social Research institute on Innovation and Technology (UNU‐MERIT) [Electronic source] file: //C:/Users/nnd_apavlo/Downloads/wp2018-005.pdf) (data access: 08.10.2022)
35. Rhodes, С., and Rathbone, D. (2016). Digital economy: statistics and policy. Number CBP 7610, 2 June [Electronic source] URL: https://www.legco.gov.hk/general/english/library/stay_informed_overseas_policy_updates/digital_economy.pdf) (data access: 08.10.2022)
36. Sinha S., Singh T.N., Singh V.K., Verma A.K. Epoch determination for neural network by self-organized map (SOM) // Computational Geosciences. – 2010. – № 14 (1). – p. 199-206. – doi: 10.1007/ s10596-009-9143-0.

Страница обновлена: 15.07.2024 в 08:19:33