География инноваций позволяет выявлять пространственные паттерны создания, внедрения и распространения новых технологий, но с развитием коммуникаций возникает иллюзия незначимости пространства. В соответствии с целью исследования, в статье показано, что разработки искусственного интеллекта, как одной из прорывных технологий, не могут быть повсеместными. Они будут концентрироваться в центрах с высоким инновационным потенциалом, где выше интенсивность потоков и перетоков знаний, в том числе неявных. В России образование в сфере искусственного интеллекта можно получить в 21 регионе, исследования ведутся в 35, а разрабатывают технологию в 40. В статье предложен рейтинг регионального потенциала для создания технологий искусственного интеллекта, оценивающий научно-технологическое развитие и плотность основных элементов региональной инновационной экосистемы в сфере искусственного интеллекта. Рейтинг показывает высокую концентрацию потенциала в крупнейшей агломерации, Москве, и нескольких регионах - креативных ядрах: Московской области, Санкт-Петербурге, Республике Татарстан и Новосибирской области. Выделены 16 креативно-акцепторных центров, способных как создавать, так и внедрять некоторые технологии искусственного интеллекта (Свердловская, Нижегородская, Челябинская, Самарская, Томская, Ростовская области, Краснодарский край и др.), преимущественно акцепторные центры, использующие передовые производственные технологии искусственного интеллекта (23 региона) и 41 регион с минимальным потенциалом. Регионы-лидеры могут получить приоритетное внимание и финансирование. В акцепторных регионах преимущество может быть отдано поддержке автоматизации производств, а в отстающих - повышению восприимчивости населения к цифровым технологиям.
Идентификаторы и классификаторы
Мировая экономика находится в начале нового технологического уклада (к 2025–2030 гг.), признаками которого являются всеобщая цифровизация, роботизация и развитие умных межсредовых сетей [5; 15]. При этом старение населения, наблюдающееся в России и многих развитых странах, делает неизбежным повышение спроса на автоматизацию.
Список литературы
1. Абдрахманова Г.И., Васильковский С.А., Вишневский К.О., Туровец Ю.В. Использование технологий искусственного интеллекта в России [Электр. ресурс] // Информ. бюллетень Ин-та статистич. исследований и экономики знаний НИУ ВШЭ. Сер. “Цифровая экономика”. Вып. 16.12.2021. URL: https://issek.hse.ru/mirror/pubs/share/542527004.pdf (дата обращения: 19.12.23).
2. Бабурин В.Л. Эволюция российских пространств: от Большого взрыва до наших дней. М: УРСС, 2002. 270 с. EDN: ZEAXZR
3. Бабурин В.Л., Земцов С.П. Инновационный потенциал регионов России. М.: ИД “Университетская книга”, 2017. 358 с. EDN: YNNHIY
4. Бабурин В.Л., Земцов С.П. Регионы-новаторы и инновационная периферия России. Исследование диффузии инноваций на примере ИКТ-продуктов // Региональные исследования. 2014. № 3. С. 27-37. EDN: SYCOYR
5. Бабурин В.Л. Инновационные циклы в российской экономике. Изд. 4. М.: URSS, 2010. 216 с. EDN: VDPVKJ
6. Блануца В.И. Перспективы экономико-географических исследований в области искусственного интеллекта // Изв. Сарат. ун-та. Новая серия. Сер. Науки о Земле. 2019. Т. 19. № 1. С. 4-11. EDN: UXCAFL
7. Блануца В.И. Пространственная диффузия цифровых инноваций: тренды, проблемы и перспективы эмпирических исследований // Пространственная экономика. 2021. Т. 17. № 4. С. 118-142. EDN: PQUAXF
8. Блануца В.И. Российская политика пространственного развития цифровой экономики с искусственным интеллектом: концептуальный анализ стратегий // Азимут научных исследований: экономика и управление. 2020. Т. 9. № 4 (33). С. 67-70. EDN: PSQOMS
9. Блануца В.И. Территориальная структура цифровой экономики России: предварительная делимитация “умных” городских агломераций и регионов // Пространственная экономика. 2018. № 2. С. 17-35. региональные исследования №1 (83), 202446. EDN: XRAFQL
10. Блануца В.И. Стратегия развития искусственного интеллекта в России: потенциальное воздействие на региональную экономику // Азимут научных исследований: экономика и управление. 2020. Т. 9. № 4 (33). С. 61-66. EDN: YRTVDM
11. Вишневский К. Искусственный интеллект в России: кто, что и как внедряет [Электр. ресурс] // Информ. бюллетень Ин-та статистич. исследований и экономики знаний НИУ ВШЭ. Сер. “Цифровая экономик”. Вып. 26.09.2023. https://issek.hse.ru/news/862013645.html (дата обращения: 19.12.23).
12. Дружинин А.Г., Кузнецова О.В. Южный вектор в пространственном развитии постсоветской России // Федерализм. 2023. Т. 28. № 2. С. 5-26. EDN: LDDPPH
13. Земцов С.П., Бабурин В.Л. Предпринимательские экосистемы в регионах России // Региональные исследования. 2019. № 2. С. 4-14. EDN: SQDMWH
14. Искусственный Интеллект. Индекс 2022 года / Аналитический сборник № 12. М.: МФТИ, 2023. 47 с.
15. Коротаев А.В., Гринин Л.Е. Кондратьевские волны в мир-системной перспективе // Кондратьевские волны. 2012. № 1. С. 58-109. EDN: SMYTYH
16. Кузнецова О.В. Научно-технологические приоритеты в федеральной политике пространственного развития в России // Федерализм. 2022. Т. 27. № 4 (108). С. 5-20. 10.21686/2073- 1051-2022-4-5-20. DOI: 10.21686/2073-1051-2022-4-5-20 EDN: WHKNEU
17. Макаров В., Айвазян С., Афанасьев М., Альберт Б., Ашхен Н. Моделирование развития экономики региона и эффективность пространства инноваций // Форсайт. 2016. № 10 (3). С. 76-90. EDN: WMRPTJ
18. Михайлова А.А. Оценка восприимчивости населения регионов России к внедрению цифровых технологий // Балтийский регион. 2021. Т. 13. № 3. С. 168-184. EDN: TGENXK
19. Национальный рейтинг научно-технологического развития субъектов Российской Федерации. [Электр. ресурс]. URL: https://minobrnauki.gov.ru/action/stat/rating/(дата обращения: 19.12.23).
20. Национальный центр развития искусственного интеллекта при Правительстве Российской Федерации. [Электр. ресурс]. URL: https://files.data-economy.ru/Docs/AI_regions.pdf (дата обращения: 19.12.23).
21. Синергия пространства: региональные инновационные системы, кластеры и перетоки знания. Отв. ред. А.Н. Пилясов. Смоленск: Ойкумена. 2012. 760 с.
22. Asheim B.T., Smith H.L., Oughton C. Regional innovation systems: Theory, empirics and policy // Regional studies. 2011. Vol. 45. № 7. P. 875-891.
23. Berger T., Frey C.B. Industrial renewal in the 21st century: evidence from US cities // Regional Studies. 2017. Vol. 51. № 3. P. 404-413.
24. Bottazzi L., Peri G. Innovation and spillovers in regions: Evidence from European patent data // European economic review. 2003. Vol. 47. № 4. P. 687-710. EDN: DZMATX
25. Buzard K., Carlino G.A., Hunt R.M., Carr J.K., Smith T.E. Localized knowledge spillovers: Evidence from the spatial clustering of R&D labs and patent citations // Regional Science and Urban Economics. 2020. № 81. Article 103490. DOI: 10.1016/j.regsciurbeco.2019.103490 EDN: ACOTAU
26. Cao Z., Shi X. A systematic literature review of entrepreneurial ecosystems in advanced and emerging economies // Small Business Economics. 2021. Vol. 57. P. 75-110. EDN: KJAHUT
27. Cetindamar D., Lammers T., Zhang Y. Exploring the knowledge spillovers of a technology in an entrepreneurial ecosystem-The case of artificial intelligence in Sydney // Thunderbird International Business Review. 2020. Vol. 62. № 5. P. 457-474. EDN: UCIQCQ
28. Cumming D., Dai N. Local bias in venture capital investments // Journal of Empirical Finance. 2010. Vol. 17, № 3. P. 362-380.
29. Fu W., Qian H. Building innovative capacity in regional entrepreneurship and innovation (eco) systems: Startups versus incumbent firms // Growth and change. 2023. Vol. 54. № 6. P. 771-793. 10.1111/ grow.12673. DOI: 10.1111/grow.12673 EDN: LHJXDR
30. Han S.Y., Tsou M.H., Clarke K.C. Revisiting the death of geography in the era of Big Data: The friction of distance in cyberspace and real space // International Journal of Digital Earth. 2018. Vol. 11. № 5. С. 451-469.
31. Holl A., Peters B., Rammer C. Local knowledge spillovers and innovation persistence of firms // Economics of Innovation and New Technology. 2023. Vol. 32. № 6. P. 826-850. EDN: BQADKZ
32. Jones P., Ratten V. Knowledge spillovers and entrepreneurial ecosystems // Knowledge Management Research & Practice. 2021. Vol. 19. № 1. P. 1-7. EDN: VWNTQH
33. Kwon H.S., Lee J., Lee S., Oh R. Knowledge spillovers and patent citations: trends in geographic localization, 1976-2015 // Economics of Innovation and New Technology. 2022. Vol. 31. № 3. P. 123-147.
34. Malecki E.J. Entrepreneurship and entrepreneurial ecosystems // Geography Compass. 2018. Vol. 12. № 3. e12359. DOI: 10.1111/gec3.12359 EDN: YHTLQD
35. Mikhaylov A.S., Mikhaylova A.A., HvaleyD. Knowledge hubs of Russia: Bibliometric mapping of research activity // Journal of Scientific Research. 2020. Vol. 9. № 1. P. 1-10.
36. Murata Y., Nakajima R., Okamoto R., Tamura R. Localized knowledge spillovers and patent citations: A distance-based approach // Review of Economics and Statistics. 2014. Vol. 96. № 5. P. 967-985.
37. Muro M., Liu S. The Geography of AI: Which Cities will Drive the Artificial Intelligence Revolution? Brookings, Brookings Metropolitan Policy Program, 2021. 33 p.
38. Simon J.P. Artificial intelligence: scope, players, markets and geography // Digital Policy, Regulation and Governance. 2019. Vol. 21. № 3. P. 208-237.
39. Tu M., Dall’erba S., Ye M. Spatial and temporal evolution of the Chinese artificial intelligence innovation network // Sustainability. 2022. Vol. 14. № 9. P. 5448. EDN: WLTMBM
40. Zemtsov S.P. Sanctions risks and regional development: Russian case // Baltic Region. 2024. Vol. 16. № 1. P. 23-45. DOI: 10.5922/2079-8555-2024-1-2 EDN: FOQBWK
41. Zemtsov S.P., Demidova K.V., Kichaev D.Yu.Internet diffusion and interregional digital divide in Russia: trends, factors, and the influence of the pandemic // Baltic Region. 2022. Vol. 14. № 4. P. 57-78. DOI: 10.5922/2079-8555-2022-4-4 EDN: LDZLAY
Выпуск
Другие статьи выпуска
В статье предпринята попытка анализа развития комплексообразования и кластерной активности в туристском секторе Пермского края в 2010-2022 гг. во взаимосвязи с системой мер региональной кластерной политики, реализованной в данный период. Основу исследования составляют элементы EDA (разведочного анализа) статистических данных по туристско-рекреационным территориям Пермского края, закреплённых в региональных нормативных документах как места потенциального размещения туристских кластеров. Представленный анализ дополняется результатами контент-анализа и анализа контента соответствующих теме публикаций региональных СМИ за рассматриваемый период, нормативных документов, а также серии авторских опросов 2015-2022 гг. В ходе исследования было установлено, что региональная кластерная политика не оказала значимого воздействия на развитие комплексообразования и кластерной активности в границах туристско-рекреационных территорий. Кроме того, было установлено, что полноценные кластеры в рассматриваемый период действовали лишь в рамках двух туристско-рекреационных территорий из семи. В остальных присутствовали только протокластерные формирования. Далее на основе показателей комплексообразования и кластерной активности, с учётом результатов предыдущих аналитических процедур, существующие туристско-рекреационные территории методом k-means были разделены на 4 группы. Для каждой группы разработана система рекомендаций по развитию туризма.
Исследования границ как междисциплинарная область развиваются в России с 1990-х гг., но только в последние годы они стали предметом науковедческой рефлексии, которая осуществляется в основном в форме частных экспертных оценок. Целью статьи является количественный анализ состояния и тенденций динамики российских исследований границ на основе библиометрических данных, извлеченных из базы публикаций eLIBRARY. RU. Библиометрический анализ позволил выявить периодизацию подъемов и спадов в публикационной активности исследователей границ и потребителей их продукции, масштабы этой научной области, ее дисциплинарный состав и географию, выделить некоторые особенности проблематики российских исследований границ и оценить уровень их внутреннего единства. Были подтверждены экспертные мнения о высокой фрагментированности отечественных исследований границ и слабости тенденций к их теоретической, методологической и концептуальной консолидации. Высказано предположение о формировании полиядерной сетевой структуры этой научной области, и о том, что ведущую роль в процессах ее постепенной интеграции сегодня играют междисциплинарное распространение количественных методов и решение синтетических прикладных проблем.
Одно из направлений совершенствования стратегического планирования в российской Арктике - повышение степени учета арктической специфики в стратегиях социально-экономического развития. Это определило цель исследования - оценить степень проявленности арктической специфики в текстах стратегий социально-экономического развития регионов и муниципалитетов Арктической зоны Российской Федерации (АЗРФ) методом контент-анализа. Использована авторская методика контент-анализа текстов стратегий социально-экономического развития на основе сформированного перечня 34 слов-маркеров, которые отбирались исходя из соответствия семи первичным элементам арктической специфики и их сочетаниям. Проведен контент-анализ текстов 61 действующих стратегий социально-экономического развития, определена встречаемость слов-маркеров, выявлены наиболее и наименее употребляемые слова-маркеры перечня. Среди наиболее встречаемых: «удаленность/отдаленность», «самобытность/уникальность» и «Крайний Север». Наименее встречаемые: «фронтир», «таяние льдов», «арктические технологии». 12 слов-маркеров из 34 исследованных обнаружены более чем в половине стратегий. Рассмотрено соотношение встречаемости понятий «АЗРФ» и «Крайний Север» в региональных и муниципальных стратегиях, обнаружено превалирование «АЗРФ» в стратегиях муниципалитетов на границе Арктической зоны. На примере Ямало-Ненецкого автономного округа разобраны различия между городскими и районными стратегиями по употреблению слов-маркеров, связанных с климатом. Не подтвердилась гипотеза о прямой связи между объемом стратегий и отражением в них арктической специфики. Выделены четыре группы муниципальных стратегий в зависимости от степени проявления арктической специфики и объема стратегий. Выявлены различия в уровне проявления арктической специфики в муниципальных стратегиях социально-экономического развития в зависимости от географического положения.
Определены основные географические параметры портового кластера на примере крупнейшего в мире порта Нинбо Чжоушань (КНР). Увеличение глубины осадки судов и размера их грузоподъёмности привело к смещению портов к глубоководным акваториям, и, как следствие, кардинальному изменению их пространственного распределения, возникновению новых форм их концентрации - портовых агломераций (плотных скоплений портов на близлежащей акватории) и портовых кластеров (их дисперсному скоплению). Основными отличиями портового кластера от портовой агломерации, выявленными на примере анализа функциональной и морфологической структуры порта Нинбо Чжоушань, являются его очень сложный функциональный и пространственно-морфологический состав, относительно большие расстояния между отдельными его элементами (в среднем от 16 км до 68 км при максимальных значениях в 120-207 км) и единая институциональная структура (единое портовое управление). Картометрически обнаружены 11 полифункциональных (сочетаются 2-7 разных групп грузов) и 19 монофункциональных портовых зон (всего 30), в которых сосредоточено 68 портовых терминалов и пунктов. Выявлены следующие пространственные этапы расширения этого портового кластера: 1) вытягивание портового ареала в виде полосы с запада на восток с охватом соседних островов; 2) возникновение узкоспециализированных терминалов на малонаселенных островах архипелага Чжоушань, изолированных от основной портовой полосы-дуги и сильно удаленных от главного портового ядра Нинбо (на 80-100 км); 3) дальнейшее удлинение главной портовой полосы на юг.
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.
Миграционная привлекательность крупных городов и их пригородов (центров) и отток населения с периферии в России - известный факт. С использованием детальных пространственных данных анализируется пространственное разнообразие миграционного баланса 137 выделенных центров, представленных городами с числом жителей 100 тыс. и более и их пригородами, и 82 периферийных территорий за 2011-2020 гг. Анализируется не только переток между центрами и периферией, но и между отдельными центрами, а также миграция с центрами и периферией своих регионов и в межрегиональном обмене. Из многообразия центров выделяются 21 главных, которые концентрируют основной переток населения с периферийных территорий и стягивают население с других центров. При этом половина центров испытывали миграционную убыль. Выделяются центры - лидеры миграционного перетока в каждом федеральном округе, особенностям миграционного баланса крупнейших центров уделено особое внимание. Использованные данные позволили проводить анализ с учетом и без учета автовозврата, который влияет на масштабы миграционного прироста/убыли, но, как выяснилось, практически не меняет пространственную картину перетока населения между центрами и периферией.
В статье анализируются уровень и динамика межрегионального неравенства в России, Казахстане, Узбекистане, Беларуси в сравнении с другими странами Европы на основе данных официальной статистики стран СНГ (1995-2022 гг.) и Евростата (2011-2022 гг.). В качестве основного параметра оценки используется взвешенный по населению и нормированный в зависимости от числа территориальных единиц коэффициент Джини. В Белоруссии и в странах Евросоюза уровень межрегионального неравенства ниже, что связано с высокой и более равномерной освоенностью территории, более устойчивой структурой экономики. В России, Казахстане и Узбекистане уровень межрегионального неравенства выше, а его динамика разнонаправленная, что связано с влиянием ресурсной ренты на ограниченный круг регионов. В России и Узбекистане с конца 2010-х гг. неравенство росло, в Казахстане сокращалось, а в Беларуси было небольшим и стабильным вследствие особенностей структуры экономики и институциональных факторов развития. Оценки влияния макроэкономической динамики на межрегиональное неравенство не дали очевидного подтверждения ее воздействия. Влияние перераспределительной политики государства можно оценить лишь для России: значительный рост трансфертов в кризисы 2009 и 2020 гг. способствовал смягчению неравенства. Внутри федеральных округов (ФО) России дифференциация в целом ниже. Высокое неравенство характерно для крайне неоднородного Уральского ФО и Центрального ФО, где оно в последние годы снижалось. В Дальневосточном ФО региональная дифференциация росла, постепенное ее увеличение происходило и в регионах Северо-Западного ФО.
Статистика статьи
Статистика просмотров за 2025 год.
Издательство
- Издательство
- СмолГУ
- Регион
- Россия, Смоленск
- Почтовый адрес
- 214000, Смоленская обл., г. Смоленск, ул. Пржевальского, д. 4
- Юр. адрес
- 214000, Смоленская обл., г. Смоленск, ул. Пржевальского, д. 4
- ФИО
- Артеменков Михаил Николаевич (РЕКТОР)
- E-mail адрес
- rectorat@smolgu.ru
- Контактный телефон
- +7 (481) 2700201
- Сайт
- https://smolgu.ru/