Journal of Economics, Entrepreneurship and Law Journal of Economics, Entrepreneurship and Law Экономика, предпринимательство и право 2222-534X BIBLIO-GLOBUS Publishing House 123600 10.18334/epp.15.8.123600 MVHXRM Articles Статьи Research Article The impact of new technologies on GDP growth Влияние новых технологий на рост валового регионального продукта регионов https://orcid.org/0000-0002-8730-1951 Shakhvatova Svetlana Anatolevna Шахватова Светлана Анатольевна

канд. экон. наук, доцент, заведующий кафедрой «Экономика и финансы»,

 hakhvatova-sa@ranepa.ru https://orcid.org/0009-0009-7124-8218 Kornev Yaroslav Aleksandrovich Корнев Ярослав Александрович

Студент 1-го курса магистратуры

 y.kornev02@gmail.com Lipetsk branch of RANEPA Липецкий филиал ФГБОУ ВО «Российская академия народного хозяйства и государственной службы при Президенте Российской Федерации» Odintsovo branch of the MGIMO University Одинцовский филиал ФГАОУВО «Московский государственный институт международных отношений (университет) Министерства иностранных дел Российской Федерации» 31 08 2025 15 8 VOL 15, NO8 (2025) ТОМ 15, №8 (2025) 5429 5448 24 07 2025 28 08 2025 Copyright ©; 2025, Shakhvatova S. A., Kornev Ya. A. Copyright ©; 2025, Шахватова С. А., Корнев Я. А. 2025 Shakhvatova S. A., Kornev Ya. A. Шахватова С. А., Корнев Я. А. https://1economic.ru/lib/123600

Since technological development is considered as one of the sources of socio-economic development of regions, the actual task is to search for the key factors that have the greatest positive impact on the gross regional product. The application of artificial intelligence technologies can help in solving this problem. The developed economic and mathematical models and their use on big data will allow to make effective managerial decisions regarding investment in new technologies in real time. Accordingly, it is relevant to conclude that it is necessary to improve the tools for determining the impact of technological development on the growth of gross regional product of regions. The article discusses the application of tools based on artificial intelligence technologies to determine the factors of technological development affecting the gross regional product of regions.

Поскольку технологическое развитие рассматривается как один из источников социально-экономического развития регионов, актуальной задачей является поиск ключевых факторов, оказывающих наибольшее положительное влияние на валовой региональный продукт. В решении обозначенной задачи помощь может оказать использование технологий искусственного интеллекта. Разработанные экономико-математические модели и их использование на больших данных позволит в реальном режиме времени принимать эффективные управленческие решения относительно инвестирования в новые технологии. Соответственно, актуальным является вывод о необходимости совершенствования инструментария определения влияния технологического развития на рост валового регионального продукта регионов. В статье посредством использования инструментов, основанных на технологиях искусственного интеллекта, определены факторы технологического развития, влияющие на валовой региональный продукт регионов.

 technology gross regional product artificial intelligence machine learning cluster технология валовой региональный продукт искусственные интеллект машинное обучение кластер 1. Алиев И.М. Влияние цифровой экономики на производительность труда // Экономика труда. – 2021. – № 9. – c. 917-930. – doi: 10.18334/et.8.9.113488. 2. Алтухова Н. Ф., Громова А. А., Долганова О. И. Кластерный анализ цифрового и финансового следа компании в контексте государственных контрактов // Вопросы инновационной экономики. – 2024. – № 4. – c. 1417-1428. – doi: 10.18334/vinec.14.4.121647. 3. Андреева Т. А. Роль кластерной политики в формировании и реализации совместных проектов в мезоэкономических системах на примере кластерных образований // Экономика, предпринимательство и право. – 2024. – № 12. – c. 7219-7232. – doi: 10.18334/epp.14.12.122185. 4. Боровков А.И., Рябов Ю.А., Метревели И.С., Аликина Е.А. Направление «Технет» (передовые производственные технологии) Национальной технологической инициативы // Инновации. – 2019. – № 11 (53). – c. 50-72. – doi: 10.26310/2071-3010.2019.253.11.009. 5. Булетова Н.Е., Губин А.М. Моделирование межрегиональных интеграционных процессов: кластерный подход в условиях цифровизации // Вопросы инновационной экономики. – 2023. – № 1. – c. 521-534. – doi: 10.18334/vinec.13.1.117060. 6. Герцик Ю.Г., Дробот Е.В. Управление климатическими проектами в кластерных структурах с использованием методологии PRiSM // Вопросы инновационной экономики. – 2023. – № 3. – c. 1365-1394. – doi: 10.18334/vinec.13.3.118669. 7. Горохов В.Г., Розин В.М. Введение в философию техники. / Учебное пособие / Науч. ред. Ц.Г. Арзаканян. - М.: ИНФРА М, 1998. – 38 c. 8. Дробот Е.В., Макаров И.Н., Сотников Н.Б., Сотников И.Б., Кокорева А.А. Формирование транспортных производственно-образовательных кластеров как фактор устойчивого развития транспортной отрасли и экономики региона // Экономика, предпринимательство и право. – 2023. – № 10. – c. 3977-3994. – doi: 10.18334/epp.13.10.119205. 9. Дробот Е.В., Макаров И.Н., Сухина Ю.В., Коротаева Е.Ю. Структуры кластерного типа в государственном менеджменте мезосистем // Экономика, предпринимательство и право. – 2024. – № 7. – c. 3499-3512. – doi: 10.18334/epp.14.7.121453. 10. Дробот Е. В., Макаров И. Н., Сухина Ю. В. [и др.] Новая кластерная парадигма и активная роль государства в управлении региональным развитием // Креативная экономика. – 2024. – № 10. – c. 2641-2652. – doi: 10.18334/ce.18.10.121908. 11. Ельсуков В. П. Трансформация модели формирования прибавочной стоимости в условиях научно-технического прогресса // Стратегия развития экономики Беларуси: вызовы, инструменты реализации и перспективы: Материалы Международной научно-практической конференции, Минск, 07–08 октября 2021 года. Том 1. – Минск: ИООО «Право и экономика». Минск, 2021. – c. 492-497. 12. Комплексная программа развития авиационной отрасли Российской Федерации до 2030 года. [Электронный ресурс]. URL: http://government.ru/docs/all/141773/ (дата обращения: 15.11.2024). 13. Лапаев Д.Н. Метод многопроекционной кластеризации экономических систем // Экономика, предпринимательство и право. – 2024. – № 9. – c. 4813-4826. – doi: 10.18334/epp.14.9.121596. 14. Макаров И.Н., Сотников Н.Б. Зонально-кластерный подход как инструмент государственной политики управления развитием хозяйственных систем // Экономика, предпринимательство и право. – 2022. – № 10. – c. 2739-2750. – doi: 10.18334/epp.12.10.116330. 15. Макаров И.Н., Дробот Е.В., Назаренко В.С., Рязанцева Е.А., Cелищев О.В. Экономико-математическая модель обеспечения оптимального финансирования устойчивого развития энергетических проектов Арктики при организации промышленно-производственно-добывающего кластера // Вопросы инновационной экономики. – 2023. – № 4. – c. 2119-2142. – doi: 10.18334/vinec.13.4.118825. 16. Макаров И.Н., Дробот Е.В., Володина А.И., Назаренко В.С., Волкова О.А., Сотников Н.Б. Государственно-частное партнерство и кластерные образования в составе инструментария государственной политики управления мезосистемами // Экономика, предпринимательство и право. – 2024. – № 4. – c. 1271-1282. – doi: 10.18334/epp.14.4.120859. 17. Ожегов С. И. Словарь русского языка. / Под ред. Н. Ю. Шведовой. - М., 1991. – 915 c. 18. Рожкова М., Исаева О. Понятие «технология» в контексте российского права // Хозяйство и право. – 2021. – № 3. – c. 21-29. – url: https://rozhkova.com/pdf/2021-3.pdf. 19. Соснина Т.Н. Понятие «технология»: объективные и субъективные основания его терминологического статуса // Вестник Самарского государственного аэрокосмического университета. – 2010. – № 1(21). – c. 262-270. 20. Стратегия развития автомобильной промышленности до 2035 года. Гарант. [Электронный ресурс]. URL: https://www.garant.ru/products/ipo/prime/doc/405963861/?ysclid=m4k47k1npq355045915 (дата обращения: 15.11.2024). 21. Стратегия социально-экономического развития Липецкой области до 2030 года. [Электронный ресурс]. URL: https://www.economy.gov.ru/material/file/94b068e0692d25a8df0c1a5cfeca9c24/proekt_strategii.pdf?ysclid=m4k3tlarj533494271 (дата обращения: 10.12.2024). 22. Harris R.I.D. Testing for unit roots using the augmented Dickey-Fuller test: Some issues relating to the size, power and the lag structure of the test // Economics Letters. – 1992. – № 4. – p. 381-386. 23. Karlsson Sune, Mazur, Stepan Nguyen Hoang Vector autoregression models with skewness and heavy tails. / Working Paper, No. 8/2021. - Örebro University School of Business, Örebro, 2021. 24. Kumar J., Mills R. T., Hoffman F. M., Hargrove W. W. Parallel k-means clustering for quantitative ecoregion delineation using large datasets // Procedia Computer Science. – 2011. – № 4. – p. 1602-1611.