Когнитивный эффект цифровизации в экономике регионов

Кадочникова Е. И.1, Багаутдинова Н. Г.1
1 Казанский федеральный университет

Статья в журнале

Креативная экономика (РИНЦ, ВАК)
опубликовать статью | оформить подписку

Том 18, Номер 1 (Январь 2024)

Цитировать:
Кадочникова Е. И., Багаутдинова Н. Г. Когнитивный эффект цифровизации в экономике регионов // Креативная экономика. – 2024. – Том 18. – № 1. – С. 97-114. – doi: 10.18334/ce.18.1.120250.

Эта статья проиндексирована РИНЦ, см. https://elibrary.ru/item.asp?id=60018855

Аннотация:
Цифровые технологии в экономике становятся ключевым фактором обеспечения благополучия и ресурсов будущих поколений как экономической составляющей концепции устойчивого развития. Преимущества цифровых технологий в условиях санкционных ограничений могут стать драйвером развития инноваций в регионах. На региональных данных с 2010 по 2021 годы исследованы динамика инновационной активности и территориальный разрыв в инновациях. Для актуализации роли цифровизации в решении проблемы сбалансированного инновационного развития авторы анализируют и обнаруживают σ-конвергенцию и β-конвергенцию доли инновационных товаров, работ, услуг в объеме отгруженных товаров, работ, услуг. Не подтвержденный моделями анализа панельных данных когнитивный эффект цифровизации в экономике регионов, отсутствие взаимосвязи между человеческим капиталом, внутренними затратами на НИР на душу населения и темпом роста доли инновационных товаров, работ, услуг в объеме отгруженных товаров, работ, услуг позволяют обосновать вывод о необходимости проведения мероприятий научно-технологической политики, направленных на рост инновационной активности в регионах. Статья будет интересна институтам и органам государственной власти в управлении преобразованием приоритетных отраслей экономики и региональным развитием.

Ключевые слова: Инновации, конвергенция, цифровизация, региональная экономика, модели анализа панельных данных

JEL-классификация: O31, O32, O33



Введение. Цифровая экономика, как деятельность, основанная на использовании цифровых активов, определяется наличием человеческого капитала и технологий. В цифровой экономике эффекты платформизации как базовой формы взаимодействия по масштабам сравнимы с индустриализацией [1] (Dijck J., 2020), а цифровые технологии, катализированные пандемией, приведут к волне инноваций – новых знаний, вызванной новыми методами и инструментами производства [2-3] (Шваб К., Дэвис Н., 2018; Schwab K., Malleret T., 2020). Обмен и неоднократное использование цифровых активов приводят к тому, что их преимущества не всегда принадлежат их владельцам: передача технологий в условиях конкурентоспособного импорта с территорий с низкими издержками задает вектор для развития слабых территорий [4-6] (Romer, 2010; Bloom et al., 2013;). Благодаря дешевым издержкам на распространение цифровых технологий через копирование, заимствование и тиражирование, технологические последователи (отрасли, сектора экономики, регионы и даже страны) догоняют технологических лидеров. Отсюда, когнитивный эффект цифровых технологий в экономике регионов может проявиться в конвергенции (уменьшении разброса) темпов роста инноваций с течением времени.

Санкционные, экспортные и импортные ограничения в экономике России, необходимость импортозамещения требуют поиска внутренних источников развития инноваций и обмена инновационными технологиями. Санкции затрудняют производительное использование производственных факторов, привлечение инвестиций, «генерацию крупных новых предприятий, перезапуск роста у фирм, попавших в стагнацию или показавших спад производства» [7] (Спицын В.В. и др., 2023). В ситуации усиления потенциала роста российского сектора ИКТ действующими государственными программами в этой сфере [8] (Клочкова Е., 2021) и недостаточности рыночных механизмов для развития технологической составляющей регионов [9] (Bagautdinova N., Kadochnikova E., 2023) цифровая инфраструктура становится ключевым внутренним ресурсом для адаптации к нынешним реалиям, для привлечения и ориентации инвестиций на прибыльное устойчивое развитие.

Целью исследования является обнаружение когнитивного эффекта цифровых технологий в российских регионах путем измерения конвергенции инноваций в долгосрочной перспективе под влиянием цифровизации. Период анализа – 2014-2021 годы. В ходе исследования определяются средние темпы роста доли инновационных товаров, работ, услуг в объеме отгруженных товаров, работ, услуг и анализируется их динамика. Для оценки конвергенции и выявления переменных – цифровых факторов роста инноваций применяется регрессия на панельных данных.

Гипотезы исследования. Вопреки модели Роберта Солоу, основанной на накоплении капитала и замедлении темпов роста, с середины XX века наблюдалось ускорение средних темпов роста мировой экономики отчасти потому, что технологические изменения преодолевали ограничивающие последствия накопления, возникающие по причине их трансверсальности и удорожания факторов производства. А что же ускорило технологические изменения? В конце ХХ века Пол Ромер предложил модель, в которой был сделан акцент на внешнем эффекте накопления знаний на рост производительности факторов через накопление и обмен внутренних знаний благодаря инвестициям [10] (Romer P.,1986). Позднее Пол Ромер [11] (Romer P., 1990) сделал акцент на защищенных патентами инновациях, когда новаторы обретают монопольную власть для наращивания прибыли, мотивируя к диффузии технологий. Знания, которые не могут быть сохранены как коммерческая тайна, становятся доступными для других участников рынка и продукты более высокого качества вытесняют менее качественные, а прорывные технологии – платформенные решения, порождают реорганизацию рабочих мест, глобальную интеграцию институтов и компаний. Доступность инноваций приводит к выравниванию цен на факторы производства и конвергенции технологий, идей и стратегий, которые могут создать преимущества, намного превосходящие эффекты экономии от масштаба и сетевой экономики [12] (Lee S., Trimi S., 2021). Короновирусная пандемия катализировала конвергенцию инноваций как основной тренд развития хозяйственной деятельности [13] (Попов Е., 2021). Исходя из изложенных рассуждений сформулирована 1 гипотеза: в регионах в долгосрочной перспективе наблюдается конвергенция темпов роста инноваций как основа для устойчивого регионального развития.

На современном этапе важное значение для усиления конвергенции инноваций имеют цифровая среда сетей искусственного интеллекта, Интернета вещей, анализа больших данных, машинного обучения [14] (Lee S., Lim S., 2018), а также институциональная и финансовая среда [15] (Hardy B. Sever C., 2023) для оценки и реализации инновационных идей. При этом цифровые платформы и экосистемные бизнес-модели как технологические институты формируются разработчиками и потребителями цифровых технологий и выступают «как экономические паттерны мезоуровня, координирующие действия, обмен знаниями и опытом по поводу взаимосвязанных технологий, функционирующих за счет контрактов, основанных на единых стандартах и не зависящих от прав собственности» [16] (Орехова С., Евсеева М., 2020), собственник технологии координирует деятельность всей платформы, а периферийные бизнесы помогают увеличивать предоставляемую потребителям ценность. Цифровые платформы как институты «создают структуру стимулов и мотивацию к созданию новых технологий» [17] (Дементьев В., 2019), через применяемые технологии влияют на трансформационные издержки [18] (Норт Д., 1997), приводят к замене труда на капитал, сокращают трансакционные издержки на счет цифрового поиска, воспроизведения, контроля, сертификации, быстрой перестройки бизнес-процессов [19] (Багаутдинова Н., Кадочникова Е., 2022). Благодаря цифровым технологиям, увеличение запаса внутренних знаний косвенно наращивает опыт, увеличивает производительность факторов и формирует внешний эффект накопления знаний и инноваций. Из этих рассуждений следует 2 гипотеза: предполагается прямая взаимосвязь (когнитивный эффект) между цифровизацией и темпом роста инноваций в регионах.

Методика исследования. Выборка панельных данных из сборников «Регионы России. Социально-экономические показатели» сформирована за период 2014-2021 гг. Согласно методике диагностики конвергенции [20-21] (Rey S., Montouri B., 1999; Глущенко К., 2012) для тестирования σ-конвергенции определены коэффициенты вариации доли инновационных товаров, работ, услуг в объеме отгруженных товаров, работ, услуг.

Для измерения условной β-сходимости темпов роста инноваций использован логарифм среднего темпа роста доли инновационных товаров, работ, услуг в объеме отгруженных товаров, работ, услуг. Условная β-сходимость означает, что темп роста инноваций в экономике региона тем быстрее, чем дальше инновации от равновесной для данной экономики величины, а разрыв в инновациях между экономиками регионов сокращается при условии корректировки инноваций на различия региональных экономик путем использования независимых переменных. То есть условная β-сходимость не всегда сопровождается σ-конвергенцией. Для оценки когнитивного эффекта цифровизации выбраны независимые переменные интереса: использование сети Интернет в организациях, %; затраты на внедрение и использование цифровых технологий в ВРП, млн. руб.. Выбор независимых контрольных переменных мы объясняем спецификацией производственной функции знаний – KPF [22] (Griliches Z., 1979) и результатами ранее выполненных исследований [23-24] (Терещенко Д., 2018; Xu Y., Li A., 2019): численность персонала, занятого НИР на 10 тыс. населения; внутренние затраты на НИР на душу населения, %; затраты на технологические инновации на душу населения, тыс. руб. (как прокси-переменная развития технологий в регионе); инвестиции в основной капитал на душу населения, руб. (как прокси развития региона); коэффициент рождаемости, ‰ (как прокси-переменная социальной среды).

Согласно модели условной β-конвергенции Барро и Сала-Мартина [25] (Barro, R., Sala-i-Martin, X., 1992) мы модифицируем KPF с временным лагом 2 года и записываем объединенную модель, модель с фиксированными эффектами и модель со случайными эффектами:

где i=1,…85 – номер региона, [t0+T] – номер года для периода конвергенции с 2014 по 2021 годы, yi,t0 – доля инновационных товаров, работ, услуг в объеме отгруженных товаров, работ, услуг в 2014 г., k –номер независимой переменной, β – параметр сходимости темпов роста, γk – параметры при независимых переменных; εi,t0+T – случайная ошибка.

Согласно [21] (Глущенко К., 2012), если β<0, то может наблюдаться условная β-сходимость темпов роста. Это означает, что за счет более низкого уровня инноваций в начальный период времени, отстающие регионы могут иметь более высокие средние темпы роста доли инновационных товаров, работ, услуг в объеме отгруженных товаров, работ, услуг, чем более успешные регионы. Однако, если инновации в успешных регионах  находятся дальше  от  своей  равновесной  траектории,  чем  в отстающих от  своей,  то темпы  роста  инноваций в успешных регионах  могут быть  выше, отстающие регионы  необязательно  растут  быстрее  богатых. При уменьшении дисперсии (при наличии σ-конвергенции) условная β-сходимость представляет собой β-конвергенцию и подтверждает сокращение разрыва в уровнях инноваций между экономиками регионов с течением времени.

В исследовании в программной среде Gretl оценены модели условной β-конвергенции на панельных данных. Для выбора моделей использованы тест Чоу, тест Хаусмана и тест Бройша-Пагана.

Результаты и дискуссия. В последние годы ограничительные меры привели к сокращению инновационной деятельности.

Рис. 1. Динамика отношения внутренних затрат на научные исследования и разработки к ВРП, % (сверху) и доли инновационных товаров, работ, услуг в объеме отгруженных товаров, работ, услуг, % (снизу)

Источник: составлено авторами по данным сборников «Регионы России. Социально-экономические показатели». URL: https://rosstat.gov.ru/folder/210/document/13204. (дата обращения: 10.11.2023)

Как демонстрирует рисунок 1, в европейской части страны с более развитой промышленной инфраструктурой и научной базой освоение инноваций оказалось выше по сравнению с азиатской частью, обладающей более ограниченной конкуренцией, препятствующей созданию стимулов для новых технологий и продуктов. Переломным явился 2021 год, когда повсеместно увеличилась доля внутренних затрат на научные исследования и разработки в ВРП. Ее рост обусловлен увеличением уровня затрат на научные исследования и разработки и арифметически усилен незначительным снижением ВРП согласно данным ЕМИСС Росстата РФ [1]. Пролонгированный временной лаг эффекта данных затрат пока еще не вызвал рост доли инновационных товаров, работ, услуг в объеме отгруженных товаров, работ, услуг.

Рис. 2. Динамика соотношения затрат на внедрение и использование цифровых технологий и внутренних затрат на научные исследования и разработки

Источник: составлено авторами по данным сборников «Регионы России. Социально-экономические показатели». URL: https://rosstat.gov.ru/folder/210/document/13204. (дата обращения: 10.11.2023)

Рисунок 2 демонстрирует динамику соотношения затрат на внедрение и использование цифровых технологий и внутренних затрат на научные исследования и разработки, показывает его рост в 2020-2021 годы.

Рис. 3. Гистограмма распределения инновационных товаров, работ, услуг в объеме отгруженных товаров, работ, услуг в российских регионах в 2021 году

Источник: составлено авторами по данным сборников «Регионы России. Социально-экономические показатели». URL: https://rosstat.gov.ru/folder/210/document/13204. (дата обращения: 10.11.2023)

Рисунок 3 отражает территориальный разрыв в развитии инноваций. В большинстве регионов (71 субъект РФ), наблюдается их низкий уровень, в объеме до 90031 млн руб. Максимальные показатели, свыше 720031 млн. руб. принадлежат г. Москва и Республике Татарстан. Объем инновационных товаров, работ, услуг свыше 480031 млн. руб. принадлежит Московской области и г. Санкт-Петербург. Неравномерное распределение инноваций по территории страны подтверждает картограмма (рис. 4).

Рис. 4. Картограмма объема инновационных товаров, работ, услуг (сверху) и затрат на внедрение и использование цифровых технологий (снизу) в регионах России в 2021 году

Источник: составлено авторами по данным сборников «Регионы России. Социально-экономические показатели». URL: https://rosstat.gov.ru/folder/210/document/13204. (дата обращения: 10.11.2023)

Как демонстрирует рисунок 4, затраты на внедрение и использование цифровых технологий сосредоточены в европейской части страны и можно предположить, что они могут стать драйвером в развитии инноваций.

Динамика коэффициента вариации и среднего квадратического отклонения на рисунке 5 демонстрирует уменьшение дисперсии (разброса) доли инновационных товаров, работ, услуг в объеме отгруженных товаров, работ, услуг в российских регионах, что может свидетельствовать о σ-конвергенции инноваций.

Рис. 5. Динамика коэффициента вариации и среднего квадратического отклонения доли инновационных товаров, работ, услуг в объеме отгруженных товаров, работ, услуг в российских регионах в 2021 году.

Источник: составлено авторами по данным сборников «Регионы России. Социально-экономические показатели». URL: https://rosstat.gov.ru/folder/210/document/13204. (дата обращения: 10.11.2023)

Результаты оценивания моделей условной β-конвергенции на панельных данных, представленные в таблице 1, в долгосрочной перспективе обнаружили условную β-сходимость доли инновационных товаров, работ, услуг в объеме отгруженных товаров, работ, услуг в российских регионах, которая при показанной выше σ-конвергенции предсказывает их β-конвергенцию.

Таблица 1

Результаты оценивания моделей условной β-конвергенции инноваций в регионах России с 2014 по 2021 годы

Регрессоры
Зависимая переменная – логарифм среднего темпа роста доли инновационных товаров, работ, услуг в объеме отгруженных товаров, работ, услуг
Объединенная модель
FE – модель
RE – модель
Константа
0,4572***
(0,1660)
0,08630
(0,3902)
0,3736*
(0,2217)
Логарифм доли инновационных товаров, работ, услуг в объеме отгруженных товаров, работ, услуг в 2014 г.
-0,1333***
(0,01876)
-
-0,1314***
(0,01840)
Использование сети Интернет в организациях, %
-3,603e-05
(0,001944)
-0,001065
(0,003557)
-0,0002620
(0,002434)
Затраты на внедрение и использование цифровых технологий, млн. руб.
-1,043e-07
(1,508e-07)
-6,430e-07
(4,483e-07)
-1,179e-07
(1,510e-07)
Численность персонала, занятого НИР на 10 тыс. населения
0,001408
(0,001481)
-0,004896
(0,008315)
0,001868
(0,001750)
Внутренние затраты на НИР на душу населения, %
0,003407
(0,01073)
-0,001235
(0,01913)
7,487e-05
(0,01324)
Затраты на технологические инновации на душу населения, тыс. руб.
-0,003730**
(0,001719)
0,002002
(0,002562)
-0,003059**
(0,001350)
Инвестиции в основной капитал на душу населения, руб.
-9,918e-08
(7,750e-08)
1,005e-07
(1,301e-07)
-5,806e-08
(4,102e-08)
Коэффициент рождаемости, ‰
-0,02554***
(0,008755)
0,009950
(0,01677)
-0,01832*
(0,009765)
Коэффициент детерминации, R2
0,2265
0,0070
-
p-значение (тест Хаусмана)
-
-
0,10044
p-значение (тест Бройша-Пагана)
-
-
4,53482e-10
n, количество наблюдений
595
595
595
lnL
-266,8
-163,1
-268,5
Примечание: ***, **, * – значимость на уровне 1; 5 и 10 % соответственно. В скобках указаны стандартные ошибки параметров.

Источник: составлено авторами по данным сборников «Регионы России. Социально-экономические показатели». URL: https://rosstat.gov.ru/folder/210/document/13204. (дата обращения: 10.11.2023)

Согласно тесту Чоу модель с фиксированными эффектами признается некачественной и выбор осуществляется в пользу объединенной модели. Согласно тестам Бройша-Пагана и Хаусмана выбор осуществляется в пользу модели со случайными эффектами. Как видно из таблицы 1, взаимосвязь между цифровыми технологиями и средним темпом роста доли инновационных товаров, работ, услуг в объеме отгруженных товаров, работ, услуг не подтвердилась. Обнаружена отрицательная взаимосвязь между затратами на технологические инновации на душу населения и средним темпом роста доли инновационных товаров, работ, услуг в объеме отгруженных товаров, работ, услуг, также обнаружена отрицательная взаимосвязь между коэффициентом рождаемости (как прокси-переменная социальной среды) и средним темпом роста доли инновационных товаров, работ, услуг в объеме отгруженных товаров, работ, услуг. Не подтверждено положительное влияние человеческого капитала, внутренних затрат на НИР на душу населения, на темп роста доли инновационных товаров, работ, услуг в объеме отгруженных товаров, работ, услуг. Такие закономерности говорят о необходимости проведения мероприятий научно-технологической политики, направленных на рост инновационной активности в регионах.

Заключение. Исследование не подтвердило когнитивный эффект цифровизации за период 2014-2021 гг., предполагаемый второй гипотезой. Обнаруженная β-конвергенция свидетельствует об увеличении инноваций в менее развитых регионах. Регионы, являющиеся последователями технологий, привлекают внешние инвестиции, постепенно догоняют технологических лидеров и способствуют диффузии технологий из регионов-лидеров и конвергенции темпов роста производства знаний. β-конвергенция средних темпов роста инноваций в условиях, когда во многих регионах мало человеческого капитала и патентования, может косвенно подтвердить распространение технологий за счет их копирования из регионов-лидеров, что дешевле изобретения новых. Измерение сходимости средних темпов роста инноваций в регионах с учетом цифровизации и человеческого капитала составляет новизну исследования. Результаты исследования могут быть использованы органами власти и иными институтами в управлении преобразованием приоритетных отраслей экономики согласно целям государственной программы Российской Федерации "Научно-технологическое развитие Российской Федерации" и целям Национального проекта «Цифровая экономика».

[1] ЕМИСС Росстата РФ. URL: https://fedstat.ru/indicator/61497, (дата обращения: 20.11. 2023)


Источники:

1. Dijck J. Seeing the Forest for the Trees: Visualizing Platformization and Its Governance. - New Media & Society, 2020. – 1–19 p.
2. Шваб К., Дэвис Н. Технологии четвёртой промышленной революции. - М.: Эксмо, 2018.
3. Schwab K., Malleret T. COVID-19: The Great Reset. - Forum Publishing, 2020.
4. Romer P. M. What parts of globalization matter for catch-up growth? // American Economic Review. – 2010. – № 100(2). – p. 94-98.
5. Bloom N., Romer P., Terry S., Reenen J. A Trapped-Factors Model of Innovation // American Economic Review. – 2013. – № 103(3). – p. 208-213.
6. Baldwin Richard The Great Convergence: Information Technology and the New Globalization. - Cambridge, MA and London, England: Harvard University Press, 2016.
7. Спицын В.В., Леонова В.А., Брагин А.Д., Цибульникова В.Ю., Спицына Л.Ю. Устойчивое развитие предприятий после стагнации: выявление факторов роста с помощью дисперсионного анализа // Креативная экономика. – 2023. – № 6. – c. 2081-2096. – doi: 10.18334/ce.17.6.117867.
8. Клочкова Е. Н. Инструментарий развития информационного общества в условиях глобализации: методические подходы и причины дифференциации. / монография. - М.: Проспект, 2021. – 208 c.
9. Bagautdinova N.G., Kadochnikova E.I. Technological inequality: disproportion and good // Journal of Siberian Federal University. Humanities & Social Sciences. – 2023. – № 16(9). – p. 1664-1675.
10. Romer P. Increasing returns and long-run growth // Journal of Political Economy. – 1986. – № 94. – p. 1002-1037.
11. Romer P. Endogenous. Technological Change // Journal of Political Economy. – 1990. – № 98. – p. 71-102.
12. Lee S. M., Trimi S. Convergence innovation in the digital age and in the COVID-19 pandemic crisis // Journal of Business Research. – 2021. – № 123. – p. 14-22.
13. Попов Е.В. Дифференция воздействия стейкхолдеров на институты экосистемы // Journal of Institutional Studies. – 2021. – № 13. – c. 59–70. – doi: 10.17835/2076-6297.2021.13.4.059-070.
14. Lee S. M., Lim S. Living innovation: From value creation to the greater good. - Bingley, UK: Emerald Publishing Ltd., 2018.
15. Hardy B., Sever C. Innovation convergence. / Working Papers No 1108. - Bank for International Settlements, 2023.
16. Орехова С. В., Евсеева М. В. Технологические системы в экономике: гетеродоксальный подход и институциональные основы // Journal of Institutional Studies. – 2020. – № 12. – c. 34-53. – doi: 10.17835/2076-6297.2020.12.4.034-053.
17. Дементьев В. В. Инновации: между теоремой Коуза и теоремой Гоббса // Journal of Institutional Studies. – 2019. – № 11(1). – c. 95–114. – doi: 10.17835/2076-6297.2019.11.1.095-114.
18. Норт Д. К. Институциональные изменения: рамки анализа // Вопросы экономики. – 1997. – № 3. – c. 6–17.
19. Багаутдинова Н.Г., Кадочникова Е.И. Цифровизация экономики в условиях пандемии covid-19: взгляд на основе теорий роста. / В книге: Управление бизнесом в цифровой экономике. - Санкт-Петербург, 2022. – 13-19 c.
20. Rey S. J., Montouri B.D. US Regional Income Convergence: A Spatial Econometric Perspective // Regional Studies. – 1999. – № 33(2). – p. 143 – 156.
21. Глущенко К. Мифы о бета-конвергенции // Журнал новой экономической ассоциации. – 2012. – № 4. – c. 26-44.
22. Griliches Z. Issues in assessing the contribution of research and development to productivity growth // The Bell Journal of Economics. – 1979. – № 10. – p. 92–116.
23. Терещенко Д. С. Институциональные факторы инновационных процессов в российских регионах // Вестник Южно-Уральского государственного университета. Серия: Экономика и менеджмент. – 2018. – № 2. – c. 55-62. – doi: 10.14529/em180206.
24. Xu Y., Li A. The relationship between innovative human capital andinterprovin-cial economic growth based on panel data model and spatial econometrics // Journal of Computational and Applied Mathematics. – 2019. – № 365. – p. 112381.
25. Barro R., Sala-i-Martin X. Convergence // The Journal of Political Economy. – 1992. – № 100 (2). – p. 223–251.

Страница обновлена: 09.02.2024 в 00:44:47