SCI Библиотека

Возвращение на траекторию устойчивого роста с учетом текущей экономической повестки - принципиально актуальный вопрос. Одним из ключевых драйверов может стать повышение производительности труда. Однако, региональные различия в динамике научно-технологического потенциала могут препятствовать достижению этой цели. Исследование направлено на выявление характерных особенностей изменения показателей технологического развития у российских регионов со схожей динамикой производительности за период 2011-2021 гг. Учтена дифференциация регионов по уровню научно-технологического развития (НТР). Основным методическим подходом выступила комбинация регрессионного анализа и метода паттерн-кластеризации. Выявлено 5 типичных паттернов, которым следовали российские регионы с разной динамикой производительности. Показано, что высокие темпы роста производительности у регионов с высоким уровнем НТР поддерживались ростом внутренних затрат на исследования и разработки, затрат на инновационную деятельность организаций и на внедрение цифровых технологий. Регионы-лидеры НТР, демонстрирующие низкие темпы роста производительности, характеризуются практически нулевым приростом объемов ВЗИР за исследуемый период. В группе регионов со средними и низкими уровнями НТР наиболее высокие темпы роста производительности характерны для регионов с высокими темпами роста капиталовооруженности и затрат на внедрение цифровых технологий. Полученные выводы могут быть учтены при разработке региональных инструментов политики повышения производительности труда.

На основе систематизации и анализа данных Европейской платформы кластерного сотрудничества представлены особенности кластеризации региональных транспортно-логистических систем, а также описаны характеристики инновационных транспортно-логистических кластеров европейских стран — лидеров кластеризации. В исследовании для определения кластера как дефиниции установлены период интенсивной кластеризации в сфере транспорта и логистики с признаками диспропорции по видам транспорта, комплексный характер деятельности кластеров, с одной стороны, и фокусировка на развитии тех или иных групп инновационных технологий, — с другой, что влияет на состав участников кластеров. Кроме того, выявлены факторы, косвенно свидетельствующие о снижении значимости критерия территориальной близости экономических субъектов.

В настоящее время разворачивается научная дискуссия вокруг данных как нового фактора производства, который способствует трансформации традиционных отраслей экономики, промышленной интеграции, обеспечивает межрегиональное взаимодействие. Вместе с тем возникает вопрос о взаимосвязи с такими традиционными производственными факторами, как труд и капитал. Цель исследования состоит в выявлении детерминант использования организациями больших данных на уровне регионов. Гипотеза исследования предполагает, что ключевыми детерминантами использованиями организациями технологий больших данных являются цифровой труд, цифровой капитал и социально-экономические характеристики регионов. Авторами предложена модифицированная производственная функция знаний, апробация которой проведена на открытых данных Росстата по 85 регионам России за период 2021-2022 гг. Модели анализа панельных данных были построены с помощью метода наименьших квадратов, обобщенного выполнимого метода наименьших квадратов. Результаты исследования показали, что использование технологий больших данных в российских регионах имеет пространственную неоднородность, также наблюдается дифференциация регионов по наличию цифрового капитала и цифрового труда. Модели панельных данных со случайными эффектами подтвердили положительное влияние цифрового труда и цифрового капитала на использование организациями больших данных. Среди социально-экономических характеристик регионов как детерминант использования технологий больших данных значимое влияние было получено для доли городского населения, валового регионального продукта и доли затрат на инновации. Определены детерминанты развития экономики данных в российских регионах с учетом географической, технологической и экономической дифференциации. Теоретическая значимость заключается в предложении авторской концепции модифицированной производственной функции знаний, которая может быть использована как фундаментальная основа для развития теории экономики данных. Практическая значимость исследования состоит в обоснованности ценности больших данных, использование которых может помочь органам государственной власти в поиске новых возможностей развития экономики данных с учетом региональной дифференциации, усовершенствовании методологии мониторинга применения цифровых технологий организациями, определении ключевых факторов воздействия на использование организациями технологий больших данных.

Исследование посвящено проблеме дифференциации доходов населения регионов России. Целью работы является разработка методики анализа процессов дифференциации доходов населения регионов России на базе теории динамических систем и машинного обучения, а также ее апробация на фактическом аналитическом материале. Гипотеза исследования заключается в предположении одновременного сосуществования процессов конвергенции и дивергенции дифференциации доходов населения регионов России, зависящих от внешних и внутренних факторов. Указанные процессы являются объектом исследования. Информационной базой исследования являются данные Росстата о значениях индекса Джини 80 регионов за период с 1995 по 2018 г. Для построения экспериментальных траекторий помимо индекса Джини использованы две независимые динамические переменные - его первая и вторая производные по времени, что позволило построить три различных пространства состояний (от одномерного до трехмерного). Методом кластеризации «k-средних» всё наблюдавшееся множество состояний было разделено на пять кластеров, количество которых было предварительно определено тестом «на осыпь» («метод локтя»). В результате расчетов было доказано преобладание конвергентных процессов над дивергентными в течение исследованного периода. Было обнаружено, что индивидуальные траектории движения отдельных регионов в пространстве состояний существенно отличаются: траектории некоторых регионов могут быть локализованы в пределах только одного кластера, тогда как отдельные части траекторий других могут принадлежать одновременно нескольким кластерам. Подавляющее большинство траекторий расположены в пределах 2-3 кластеров. Теоретическая значимость полученных результатов заключается в углублении представлений о региональной специфике динамики изменений дифференциации доходов населения субъектов Федерации. Практическая значимость результатов исследования заключается в расширении инструментальной поддержки принятия решений при реализации государственной политики в сфере регулирования дифференциации доходов населения на региональном уровне.

Вопросы развития человеческих ресурсов в стране заставляют значительную часть научного сообщества определять необходимые факторы и направления совершенствования их качества. При этом все сильнее обнажается проблема высоких темпов сокращения населения и оттока научных и квалифицированных кадров. Для ее решения требуется создание солидного фундамента экономики знаний на территориях и необходимая мотивация трудового резерва. В рамках выполнения настоящей работы использованы данные официальной российской статистики и сформирован перечень индикаторов, выражающих непосредственно величину человеческого ресурса, а также его активность. При этом в качестве объектов исследования выбраны регионы четырех федеральных округов РФ, наиболее и наименее мощных (по критерию ВРП): Центрального, Приволжского, Сибирского и Дальневосточного. Полученные результаты говорят о существенном количественном сокращении трудового потенциала практически во всех регионах и необходимости разработки и реализации на федеральном уровне дополнительных программ по улучшению демографической обстановки. Принимая во внимание обнадеживающую динамику средней продолжительности жизни, в работе сделан вывод о том, что в стране отсутствует расширенное воспроизводство населения в 2010-2022 гг.: на фоне увеличения первого показателя произошел рост нагрузки на работоспособную часть людей на 15-20%. Результаты проведенного исследования доказывают, что функционирование регионов в пределах одной страны не характеризуется одинаковыми показателями развития. Естественно, наличие значительных дисбалансов в освоении трудовых ресурсов только усугубляет экономические, демографические, социальные и институциональные проблемы и существенным образом «подавляет» динамику и ритм жизненно-важных процессов. Поэтому принципиально важным является учет и максимальный контроллинг тенденций освоения человеческого актива, а также выявление факторов, инициирующих дисбалансы на территориях. В этом плане возможно использование как комплекса оценочных методик, так и обновление какой-то одной рядом необходимых параметров.

В условиях замедления темпов экономического роста актуальным становится вопрос определения отраслей-драйверов, которые обеспечат развитее на новых основаниях. Целью исследования является анализ отраслевых структурных сдвигов в экономике Удмуртской Республики в разрезе укрупненных видов экономической деятельности. Исследователи предположили, что в отраслевой структуре ВРП Удмуртской Республики произошли структурные сдвиги, которые не способствовали ускорению темпов экономичного роста. Для достижения поставленной цели были изучены теоретические аспекты структурных сдвигов, проведен ретроспективный анализ статистических данных за период с 2004 г. по 2021 г. В исследовании использовалась модифицированная методика макро-структурного динамического анализа, в рамках которой сопрягаются структурные сдвиги с темпами роста экономики, анализировались исторические предпосылки формирования структуры, использован индекс физического объема ВРП на душу населения вместо ВРП при оценке качества структурного сдвига, введено понятие «структурный детерминант экономического роста». Было идентифицировано два структурных лага и четыре малых периода, характеризующихся определенным соотношением обрабатывающей и добывающей промышленности, в которых произошло пять значимых структурных сдвигов. Сама отраслевая структура экономики региона является результатом природногеографических и политических факторов. Структурные сдвиги за рассматриваемый период не обеспечили долгосрочного экономического роста и принципиального изменения технологического уклада промышленности региона, так как являлись следствием волатильности мировых цен на нефть. Полученные результаты могут быть использованы для разработки региональной структурной политики с позиции отраслей-драйверов, обеспечения устойчивого экономического роста. Важным направлением будущих исследований является обоснование «оптимальности» структуры региональной экономики с учетом взаимозависимости развития отраслей, встроенности в национальную систему производства.

В последние годы российская экономика пережила серию санкционных и пандемических шоков, однако реакция российских регионов на них оказалась весьма различной, что объясняется разным пространственным положением и отраслевой структурой их экономик. В настоящей статье на основе помесячных данных за 2016-2023 гг. оценивается в динамике уровень стресса региональных физических объемов промышленного производства, оборота розничной торговли и объема платных услуг населению. Индекс стресса рассчитывался как скользящая разница между стандартным отклонением и средним темпом прироста показателя к сопоставимому периоду прошлого года. Интегральный индекс стресса представлен в виде простой суммы частных индексов стресса, нормированных с помощью метода эквивалентных дисперсий в пределах панельной выборки. В результате получены временные ряды частных и интегрального индексов стресса в масштабах страны, федеральных округов и субъектов РФ, проведены межрегиональные сравнения среднего уровня стресса в рассматриваемом периоде и в трех его подпериодах (допандемическом, пандемическом (03.2020 -02.2022) и постпандемическом / новом санкционном). Полученные данные свидетельствуют о большей и относительно однотипной чувствительности сферы услуг российских регионов к пандемии, разной реакции промышленности регионов на санкционные шоки, что создавало эффект диверсификации в масштабах страны, большей реакции торговли на пандемический шок и промышленности на новый санкционный шок. В среднем наиболее уязвимыми к шокам оказались субъекты Северо-Кавказского ФО, а наибольшую устойчивость проявили регионы Сибирского ФО. Исследование показало, что важными факторами устойчивости реального сектора региональных экономик к пандемическому шоку являются отраслевая структура и уровень доходов в регионе, а к санкционным шокам-также его пространственное размещение.

Работа посвящена выявлению закономерностей сопряжения научно-инновационной деятельности и расширению масштабов развития в субъектах РФ с валовым региональным продуктом (ВРП) на душу населения в регионах России. Актуальность исследования определена инновационностью обеспечения технологического лидерства и суверенитета в рамках достижений национальных целей развития России. Целью работы является выявление уровня взаимовлияния научно-инновационной деятельности и развития глубины с уровнем ВРП на душу населения регионов России. Для исследования использованы данные Росстата на 2021 и 2022 годы (показатели ВРП на душу населения, науки, инноваций и развития) информационных технологий, а также результаты, полученные автором через поисковую систему БД «Scopus» (публикационная активность ученых в регионах России, по основным направлениям науки). Анализ проводится на выборке из 77 регионов (без учета рядов северных и дальневосточных РФ с очень высоким уровнем ВРП на душу населения, наследием с преобладанием обрабатывающей промышленности в условиях умеренной экономики). Построение моделей взаимосвязи проводилось на основе корреляционно-регрессионного анализа и получения формулы множественной линейной регрессии. Основные результаты исследования: установлено, что научная, инновационная и цифровизационная активность в регионах значительно коррелируют с ВРП на душу населения; на этом наиболее высоком уровне соотносятся такие факторы, как количество публикаций в Scopus в области экономики, эконометрики и финансов, соответствующие затраты на объем прикладных исследований, рост товаров и услуг, а также объем передаваемой информации через Интернет. Построенная эконометрическая модель множественной регрессии, демонстрирующая взаимозависимость ключевых показателей науки, инноваций и развития с уровнем экономики, показала основную объяснительную способность (R2 = 0,72), что свидетельствует о наличии положительного влияния поддерживающих показателей экономического развития и обеспечения некий ориентировочный «рецепт» для формирования и реализации региональной научно-инновационной политики и политики в области глобального развития. Научные новейшие исследования связаны с широтой перечня последствий для анализа показателей, комплексностью ситуации для оценки промышленных инноваций на региональном уровне, включая совместное воздействие научно-инновационной и информационно-коммуникационной силы в качестве инновационного фактора для экономического роста. Полученные результаты имеют практическую значимость для стратегии развития региональной экономики. Соотношение показателей регрессионной модели указывает на наиболее перспективные стратегические ориентиры при планировании развития научно-инновационных систем в регионах с учетом процессов их цифровизации.

Предмет исследования: деятельность лечебно-профилактических учреждений Ханты-Мансийского автономного округа (ХМАО-Югры) по оказанию медицинских услуг населению в период с 2013 по 2021 г.

Цель исследования: анализ динамики значений медицинской эффективности функционирования лечебно-профилактических учреждений (ЛПУ) ХМАО-Югры с использованием индекса Малмквиста совместно с оболочечным анализом данных (DEA-методом).

Методы и объекты исследования: оценки медицинской эффективности указанных учреждений осуществлялись с использованием DEA-метода. Мультипликативная декомпозиция индекса Малмквиста оценивает уровень влияния на медицинскую эффективность технологических изменений в предметной области, работу менеджмента ЛПУ и изменение их масштабов.

Основные результаты исследования: установлено, что наибольшее влияние на динамику медицинской эффективности ЛПУ оказывают изменения технологий лечения пациентов. Масштаб ЛПУ и эффективность работы их менеджмента не столь критичны, что обусловлено спецификой территориальной организации системы здравоохранения. Применение индекса Малмквиста позволяет оценивать как медицинскую эффективность лечебно-профилактических учреждений, так и выявлять носителей «лучших практик» в части реализации медицинских технологий и управления ЛПУ.

В последние несколько лет искусственный интеллект (ИИ) стал одной из немногих прорывных технологией для человечества и общества, обладающий значительным потенциалом и силой для внесения глобальных корректив. Данное исследование посвящено изучению развития ИИ в качестве инструмента для перехода к новому индустриальному обществу, характеризующемуся увеличением автоматизации, повышением производительности и совершенствованием процессов принятия локальных и глобальных решений. В начале работы рассматривается исторический контекст развития ИИ, в котором выделяются ключевые вехи и достижения, определившие современное состояние этой области. Данная работа затрагивает этические и социальные аспекты развития ИИ, рассматривая потенциальные проблемы. Развитие искусственного интеллекта открывает перед нами широкий спектр возможностей, однако, в то же время, вызывает озабоченность по поводу потенциальных опасностей, которые могут возникнуть в результате его применения. Текущая работа также рассматривает теоретические фундаментальные отличия условного ИИ(А) от ИИ(Б), где буквенным идентификатором является не тип или модель ИИ, а подход к разработке искусственного интеллекта. С учетом аналитического исследования в работе авторами предлагается: разработать систему этических принципов для управления и развития искусственного интеллекта; создать проверочные листы и отчетность для управления искусственным интеллектом для организаций, использующих ИИ в производстве для ежеквартального отслеживания изменений кода ИИ и его поведения; отказаться от использования зарубежных ИИ в критически важной инфраструктуре и производстве; создать форму отчетности для компаний-разработчиков ИИ, в которой компании смогут указывать массивы данных, на которых ИИ проходил обучение; создать список информации, которая не должна быть обработана искусственным интеллектом в момент обучения; разработать систему лицензирования и аккредитации ИИ путем тестирования и проверки реакций на внешнее воздействие. Данные предложения направлены на формулирование этических принципов, создание регулирующих структур и повышение прозрачности и подотчетности в системах искусственного интеллекта.