Влияние новых технологий на рост валового регионального продукта регионов

Введение

Современные условия социально-экономического развития регионов определяют необходимость разработки и принятия стратегических решений, направленных на активизацию инвестиционных процессов в перспективные технологии.

Для разработки конкретных мероприятий необходимо определение показателей технологического развития, значения которых будут являться индикаторами достижения целевых установок социально-экономического развития региона, а также основой принятия инвестиционных и управленческих решений. Это обуславливает необходимость исследования влияния факторов технологического развития на социально-экономическое развитие региона.

Несмотря на широкий научный интерес к оценке эффективности инвестиций в перспективные технологии с целью активизации социально- экономического развития региона в практическом поле недостаточно исследований, основанных на математических моделях. Недостаток методик принятия инвестиционных решений, использование которых подтверждает достоверность использования определенных индикаторов, снижает темпы технологического развития регионов.

Цель исследования состоит в том, чтобы посредством использования инструментов, основанных на технологиях искусственного интеллекта, выявить факторы технологического развития, влияющие на валовой региональный продукт регионов.

Основная часть

Анализируя современные экономические процессы, можно говорить о «феномене» технологий. Многие отраслевые стратегии развития (науки, образования, цифровизации и ряд других) в свой базис закладывают технологическое развитие. Смысл технологий как элемента современного экономического развития определяет то, что в современном языке термин «технология» и словосочетания, связанные с этим понятием, встречаются достаточно часто, например: «технологический суверенитет», «технологический кластер», «технологии управления», «цифровые технологии», «технологическое развитие» [17].

Роль использования технологий в производстве подчеркивалась уже в XVIII–XIX вв. Исследуя теорию прибавочной стоимости К. Маркса применительно к современным предприятиям В.П. Ельсуков отмечает, что всё большее значение в формировании прибавочной стоимости приобретают нематериальные активы, что свидетельствует о технологическом развитии предприятий [11, C. 493]. А. Эспинас одним из первых выделил особое влияние технологий на развитие. Заявляя о полезных искусствах, «технологией» философ называет «некоторое будущее учение об этих искусствах, которое выделит их основной характер и исторически потом даст возможность извлечь основные законы человеческой практики в некоторую общую «праксеологию» [7, C. 38]. Ключевой смысл технологий заложен в видоизменении применяемых человеком средств для совершенствования своей деятельности.

Примером использования представленного подхода является выделение технологий в соответствии с научным направлением (химическая технология, биологическая технология, фармацевтическая технология, информационная технология, педагогическая и другие). Данный подход определяет технологию как неотъемлемую составляющую производства готовой продукции, которая имеет научный смысл в способах воздействия на сырье, материалы и полуфабрикаты с использованием соответствующих инструментов.

М. Рожкова с точки зрения права говорит о технологии как о «методах, инструментах или их совокупности, позволяющих успешно разрешать поставленную практическую задачу» [18].

Т. Соснина, исследуя термин «технология», выделяет наличие методологических «неувязок», являющихся следствием разночтения трактовки термина [19]. Соглашаясь с исследователем, мы предлагаем рассматривать «технологию» с трех позиций:

1) востребованности в науке и технике, в том числе в отраслях;

2) реализации производственной цепочки;

3) системности с учетом влияния на экологические и социальные элементы системы.

Востребованность технологий в науке и технике отражается в ряде современных отраслевых стратегических документов. Например, обеспечение опережающего развития научно-технологического потенциала отмечено в Комплексной программе развития авиационной отрасли Российской Федерации до 2030 года [12], Стратегии развития автомобильной промышленности Российской Федерации до 2035 года [20] и ряде других. Цели и задачи технологического развития включены в большинство региональных стратегий социально-экономического развития.

В эффективности реализации производственной цепочки технологии имеют высокое значение. В последние годы в России активно обсуждается развитие перспективных производственных технологий. Такие технологии также называют «передовыми», «подрывными», «прорывными». Перспективные производственные технологии изменяют протекание производственных процессов, воздействуют на структуру производства, повышают производительность труда, создают условия для конкурентоспособности предприятий, секторов экономики и национальной экономики в целом.

А. Боровков и соавторы, определяя ключевую роль передовых производственных технологий в цифровой трансформации производства, выделяют два ключевых направления в развитии передовых производственных технологий – аддитивные технологии, математическое моделирование и суперкомпьютерный инжиниринг [4, C. 51]. Особенностью подхода авторов является «комплексирование технологий мирового уровня в технологические цепочки». Данный подход к обеспечению условий развития передовых производственных технологий усиливается кластерным подходом, который является управленческим методом интеграции предприятий. Отличительной чертой кластеров является инновационная ориентированность. Участие в кластере позволяют предприятиям активно «наращивать» технологии, использовать синергетический эффект. Кластерные образования демонстрируют ряд специфических характеристик, обусловливающих их эффективность в различных сферах экономической деятельности. Анализ научных исследований показывает, что кластерный подход способствует формированию и реализации совместных проектов в мезоэкономических системах [3], обеспечивая тем самым синергетический эффект за счет объединения ресурсов и компетенций участников. Моделирование межрегиональных интеграционных процессов с использованием кластерного подхода в условиях цифровизации выступает эффективным инструментом повышения устойчивости экономических систем [5, 13]. Формирование кластеров, в частности, транспортных производственно-образовательных, можно рассматривать как фактор устойчивого развития отраслей и регионов [8]. Важно отметить, что активная роль государства в управлении региональным развитием через кластерные структуры позволяет оптимизировать финансирование устойчивых проектов [10, 15, 16]. Кластерный анализ, в том числе с применением цифровых методов, позволяет выявлять и анализировать экономические взаимосвязи в контексте, например, государственных контрактов [2, 9], а также эффективно управлять климатическими проектами [6]. Зонально-кластерный подход является инструментом государственной политики управления хозяйственными системами [14].

В контексте рассмотрения использования технологий в цепочке создания ценности целесообразно обратить внимание на термин «сквозные» технологии. К «сквозным» технологиям относят новые цифровые технологии, которые могут использоваться в промышленном производстве на всех этапах технологического цикла. «Сквозные» технологии являются основой трансформации бизнес-моделей и социальной сферы.

При рассмотрении технологий с позиции учета экологической и социальной составляющей можно обратить внимание на понятие «наилучшей доступной технологии» - технологии производства продукции (товаров), выполнения работ, оказания услуг, определяемой на основе современных достижений науки и техники и наилучшего сочетания критериев достижения целей охраны окружающей среды при условии наличия технической возможности ее применения.

Учет социальной составляющей при внедрении и использовании технологий можно рассматривать с различных аспектов. Использование «сквозных» цифровых технологий осуществляется в целях повышения производительности труда. Благодаря им для бизнеса открываются новые возможности. Бизнес и государство переходят на управление на основе данных, получая возможности хранения, обработки и использования больших массивов данных с целью улучшения качества жизни людей.

С другой стороны, существует риск усиления неравенства и неравномерности распространения технологий. Это может выражаться в поляризации рынка труда (росте числа высококвалифицированных и низкоквалифицированных работников с одновременным снижением потребности в выполнении работ средней квалификации) [1, C. 920].

Подводя итог анализа смыслового наполнения термина «технология», можно отметить многогранность значения технологий в социально-экономическом развитии общества, регионов и государства. Технологии рассматриваются не только в контексте улучшения производства, создания нового продукта, а также как важный компонент социального развития.

Стратегия, которая определяет направления социально-экономического развития Липецкой области до 2030 года [21], одной из целей определила стратегическую цель «Инновация и информация» (конкуренция за инновации / технологии и за доступ к информации). В соответствии с поставленной целью планируется построить на региональном уровне лучшую экосистему инноваций, которая будет способствовать разработке и приобретению передовых технологий и новых продуктов на корпоративном уровне.

Факторы усиления и зоны «воздействия» технологического развития Липецкой области могут быть определены следующим образом (табл. 1).

Таблица 1

Факторы усиления и зоны «воздействия» технологического развития Липецкой области

Преодоление слабых сторон и достижение поставленной цели должны базироваться на имеющихся потенциале и ресурсах. Для определения потенциала технологического развития Липецкой области, реализация которого окажет положительное влияние на социально-экономическое развитие региона, дальнейшее включает следующие этапы:

1. Определение профиля региона путем кластеризации субъектов Российской Федерации.

2. Выделение основных факторов, составляющих экономический и технологический портрет региона.

3. Определение показателей, влияющих на социально-экономическое развитие Липецкой области.

На первом этапе исследования был проведен кластерный анализ методом машинного обучения (machine learning).

Алгоритм проведения кластерного анализа представлен на рисунке 1.

Рисунок 1. Алгоритм проведения кластерного анализа

Источник: составлено авторами.

В исследовании использовался метод кластеризации путем группировки объектов данных в кластеры на основе их сходства [24]. Метод k-средних (k-means) кластеризации применялся в следующем порядке:

1) инициализация центроидов;

2) присвоение кластеров;

3) пересчет центроидов.

Итерационный процесс состоял в следующем: шаги 2 и 3 повторялись до тех пор, пока центроиды и принадлежность объектов кластерам не стабилизировалась.

В результате каждый объект данных обозначил принадлежность к одному из кластеров, и центроиды определили центры этих кластеров. Этот процесс минимизировал сумму квадратов расстояний между объектами данных и центроидами в пределах каждого кластера, что позволило разделить данные на группы с максимальным внутрикластерным сходством и минимальным межкластерным различием.

Критериями кластеризации были выбраны критерии научно-технологического развития, по которым ведется статистическое наблюдение Федеральной службой государственной статистики: 65 критериев X, которые характеризуют социально-экономическое развитие; 14 критериев Y, которые характеризуют научно-технологическое развитие.

Всего искусственный интеллект выделил 5 кластеров (рис. 2).

Рисунок 2. Результаты кластеризации субъектов Российской Федерации

Источник: составлено авторами.

Липецкая область вошла в наиболее многочисленный кластер (кластер 0), имеющий схожие параметры взаимосвязи технологического развития (критерии Y) и социально-экономического развития (критерии X).

В кластер № 1 вошла Москва; в кластер № 2 – Московская область, Ханты-Мансийский автономный округ и Ямало-Ненецкий автономный округ; в кластер №3 - Амурская, Воронежская, Ленинградская, Мурманская, Ростовская, Пермская, Нижегородская, Свердловская, Тюменская, Челябинская, Кемеровская, Новосибирская, Сахалинская области, Приморский и Хабаровский края, Ставропольский край, Республики Башкортостан, Дагестан; в кластер № 4 – г. Санкт-Петербург, Краснодарский край, Республика Татарстан, Красноярский край, Республика Саха (Якутия).

Все остальные регионы вошли в кластер № 0.

На рисунке 3 представлены средние стандартизированные значения по области данных «Технологическое развитие» для каждого кластера (условные обозначения представлены в таблице 2).

Рисунок 3. Средние стандартизированные значения по области данных «Технологическое развитие»

Источник: составлено авторами.

Таблица 2

Переменные для определения средних стандартизированных значений по области данных «Технологическое развитие»

Результаты кластеризации субъектов Российской Федерации по критериям социально-экономического и технологического развития показали, что Липецкую область в настоящее время можно отнести к группе регионов, имеющих относительно более низкие значения влияния технологического развития на социально-экономическое развитие региона. Подтверждением этому являются показатели Y, находящиеся ниже нулевой отметки.

Как мы видим, по большинству параметров в кластерах 1, 2, 3, 4 критерии технологического развития вносят достаточно высокий вклад в развитие региона.

Ожидаемо, что наибольшее развитие по технологическому развитию имеет город Москва.

На втором месте по влиянию технологического развития имеют регионы кластера 2 (Московская область, Ханты – Мансийский автономный округ и Ямало – Ненецкий автономный округ).

Для Липецкой области ориентиром могут стать регионы кластера (к примеру, Воронежская область). Изучение лучших практик указанных регионов может помочь в переходе Липецкой области на более высокий уровень технологического развития.

Завершая исследование, необходимо отметить, что для кластера 0 выделен критерий, имеющий положительное усредненное значение, который может стать драйвером технологического и социально-экономического развития: Y4 – технологии искусственного интеллекта.

Следующим этапом работы по выделению факторов технологического развития, оказывающих влияние на социально-экономическое развитие, стало построение эконометрической модели.

В целях построения эконометрической модели был создан data frame (двумерная табличная структура данных), который включил информацию о различных переменных за несколько лет. В data frame каждая строка представляет собой отдельный год, а каждый столбец - различные экономические критерии, включая валовой региональный продукт (Y1).

Data frame был создан из доступных данных за период с 2010 по 2022 года (табл. 3).

Таблица 3

Переменные для построения data frame

Был проведен первичный анализ полученных данных (табл. 4).

Таблица 4

Первичный анализ полученных данных

Анализ первичных данных показал, что отдельные переменные имеют сильную линейную зависимость. Проводя дальнейший анализ данных, было получено сообщение о том, что коэффициенты для некоторых переменных не определены из-за сингулярности, что указало на проблему мультиколлинеарности в данных. Причиной мультиколлинеарности является процесс, когда одна или несколько независимых переменных в регрессионной модели сильно коррелированы друг с другом. Это делает невозможным уникальное определение коэффициентов. Было принято решение исключить такие переменные.

В итоге для построения эконометрической модели были выбраны следующие критерии, не обладающие свойством мультколлинеарности (табл. 5).

Таблица 5

Итоговые переменные для построения data frame

Обновленный data frame представлен в таблице 6.

Таблица 6

Обновленный data frame

Далее данные были преобразованы в формат временного ряда (ts), который используется для анализа временных зависимостей. Данные были визуализированы с использованием библиотеки ggplot2 (рис. 4).

Рисунок 4. Фрагмент визуализации данных с использованием библиотеки ggplot2

Источник: составлено авторами.

Для проверки стационарности временных рядов был проведен тест Дики-Фуллера (Dickey-Fuller test) [22]. Тест показал, что все временные ряды являются стационарными. Полученные результаты теста позволили перейти на этап построения векторной авторегрессионной модели (VAR) [23]. Параметры модели представлены в таблице 7.

Таблица 7

Параметры VAR-модели

На основании полученной VAR-модели был построен прогноз ВРП на 5 лет (рис. 5).

Рисунок 5. Прогноз ВРП региона на основании VAR-модели

Источник: составлено авторами.

Получив прогноз, мы приступили к изучению влияния каждой из переменных на ВРП региона. Для этого был построен график импульсных откликов.

В контексте предоставленного кода и данных, график импульсных откликов показывает, как шоки в переменных X1, X5 и X6 влияют на Y1 (и, возможно, другие переменные) со временем. Результаты представлены на рисунке 6.

Рисунок 6. Импульсный отклик ВРП

Источник: составлено авторами.

Результаты анализ импульсного отклика ВРП на факторы технологического развития позволили выделить факторы технологического развития, положительно влияющие на ВРП:

1. Средняя заработная плата научных сотрудников оказывает кратковременное отрицательное, а затем устойчиво положительное влияние на ВРП, постепенно достигая своего максимума и затем слегка уменьшаясь.

2. Используемые передовые производственные технологии имеют большой и устойчивый положительный импульс на ВРП, который стабилизируется после начального резкого роста, что указывает на важное и поддерживающее влияние этой переменной на рост ВРП.

Заключение

Достижение технологического суверенитета и технологическое развитие являются приоритетными направлениями как государственной, так и региональной экономической политики. Для разработки стратегии технологического развития на региональном уровне необходимо проведение глубоко стратегического анализа и выявление факторов, которые будут являться точками роста социально-экономического развития.

Для определения факторов технологического развития регионов, положительно влияющих на ВРП, целесообразно использовать технологии искусственного интеллекта. Так, кластерный анализ регионов по уровню технологического развития позволяет определить регионы-лидеры в области технологического развития с целью возможного применения практик в регионах, находящихся в других кластерах. Мониторинг опыта успешных регионов может стать основой для разработки эффективных региональных стратегий развития технологического сектора, быстрее и эффективнее адаптировать передовой опыт, оптимизировать процессы внедрения инноваций и обеспечить устойчивое развитие технологического сектора, способствовать созданию благоприятной инновационной среды и повышению конкурентоспособности регионов в целом.

Построение эконометрической модели векторной авторегрессии позволяет определить факторы технологического развития, оказывающие наибольшее положительное влияние на ВРП. Необходимо обратить внимание, что в регионах, имеющих относительно низкие показатели, к факторам, оказывающим положительное влияние на технологическое развитие, являются технологии искусственного интеллекта.

Результаты исследования подчеркнули важность внедрения передовых производственных технологий и технологий искусственного интеллекта для стимулирования экономического роста в Липецкой области.

Внедрение современных технологий позволит улучшить эффективность производства, повысить конкурентоспособность товаров и услуг на рынке, а также создать новые рабочие места в секторах, связанных с инновационными технологиями.

Успешное внедрение передовых производственных технологий и технологий искусственного интеллекта поможет привлечь инвестиции, развить научно-технический потенциал региона и создать благоприятные условия для инновационной деятельности местных предприятий.

Полученные результаты обосновывают необходимость уделить особое внимание развитию и внедрению современных технологий в регионе в рамках стратегии технологического развития. Они могут послужить основой для принятия конкретных мер и решений по стимулированию инноваций и повышению технологической конкурентоспособности Липецкой области.