Tools for studying the digital development rates of economic systems at country and region level

Full Text

Введение Для построения информационного общества были определены Основные принципы Декларации «Построения информационного общества…»[12]. Согласно этому документу, странам необходимо принимать активное участие в развитии, внедрении и применении информационно-коммуникационных технологий (ИКТ); осуществлять доступ к информации и ресурсам; повышать доверие и безопасность при использовании информационных технологий; внедрять информационные технологии во все сферы жизни и др. Это, согласно целям устойчивого развития (ЦУР), будет способствовать созданию развитой инфраструктуры, устойчивому индустриальному развития, внедрению инноваций (ЦУР-9), снижению уровня неравенства внутри стран и между ними (ЦУР-10). Программы развития цифровой экономики представлены и активно внедряются многими странами: Digital Europe Programme[13] (программа ЕС на 2021-2027 гг.), UK Digital Strategy[14] (стратегии Великобритании), Digital Switzerland Strategy[15] (программа Швейцарии), China’s 14th Five-Year Plan[16] (пятилетний план Китая на 2021-2025 гг.), «Цифровая экономика» (национальная программа развития информационного общества России на 2017-2030 гг.)[17] и др. В современных условиях развитие цифровой экономики и переход к информационному обществу - это основные факторы, которые не только влияют на технологическую независимость стран, но и обеспечивают национальную безопасность и конкурентоспособность производимой ими продукции на мировом рынке. К основным отраслям цифровой экономики, как правило, относят следующие сектора: Индустрия-4.0, энергетика, телекоммуникация, финансовые услуги, здравоохранение, туризм, логистика, строительство, образование и др. По мнению K.V.B. Murthy, A. Kalsie, R. Shankar и др. (Murthy, Kalsie, Shankar, 2021), оценку цифровизации экономики можно проводить через ее инфраструктуру (телекоммуникации, компьютерные сети, программное обеспечение и др.), электронную торговлю, электронный бизнес. Или через структурные элементы цифровой экономики: электронную коммерцию, электронный банкинг, интернет-рекламу, систему электронных платежей и др. (Lai, 2021). Бюро экономического анализа США (BEA USA) проводят исследование процессов развития цифровой экономики через инфраструктуру, поддерживающую компьютерные сети для использования вычислительных систем и коммуникаций, электронной коммерции, удаленной продажи/покупки товаров и услуг, в том числе и цифровых федеральных услуг и т.п.[18] Проблема цифрового развития и неравенства между странами и регионами (мира и внутри страны) с учетом экономических, социокультурных и геополитических факторов изучается научными сообществами на протяжении уже более двадцати лет и по-прежнему является актуальной. Часто исследования цифрового неравенства проводились по следующим направлениям: 1) цифровой разрыв по уровню доступа к Internet и ИКТ и анализ факторов, влияющих на этот процесс; 2) цифровой раскол в области цифровой грамотности пользователей и развитие их цифровых навыков и компетенций; 3) цифровое неравенство в применении цифровых технологий в профессиональной деятельности и повседневной жизни, разрыв в социальной адаптации в современном цифровом обществе (Климовицкий, 2019; Беляцкая, 2019). Авторы считают, что исследование также следует проводить и в области развития и внедрения новых цифровых технологий во все сферы экономики. Ведь от уровня развития современных технологий зависит, какая из стран станет лидером высокотехнологичного сектора, а, следовательно, будет определять развитие мировой экономики (Деревцова, 2021). Поэтому основная цель данной статьи заключается в разработке инструментария для исследования темпов цифрового развития на уровне стран и регионов. Материалы и методы В современной научной литературе представлено достаточное количество методов и исследований, посвященных данной проблеме. Исследованиями в области цифровой экономики занимались D.J. Van Dijk (Van Dijk, 2020), G. Myovella, M. Karacuka, J. Haucap (Myovella, 2019), J. Lai, N. Widmar (Lai, Widmar, 2021) и др. Они анализировали влияние цифровизации на экономический рост стран и регионов. Исследования цифрового неравенства регионов России проводили Т.В. Александрова (Александрова, 2019), Е.А. Басова (Басова, 2021), И.В. Деревцова (Деревцова и др., 2021) и др. Теорией трехуровневого цифрового неравенства занимались A. Van Deursen, J. Van Dijk (Van Deursen, Van Dijk, 2019; Van Dijk, 2020), M. Ragnedda, H. Kreitem (Ragnedda, 2017, 2018) и др. Модель трехуровневого разрыва регионов России (готовность к ИКТ, интенсивность и влияние ИКТ) рассматривали А.А. Гладкова, В.З. Гарифуллин, М. Рагнедда и др. (Гладкова, 2019), исследования одно-, двухуровневых цифровых неравенств проводили Ю.В. Асочаков (Асочаков, 2015); О.В. Волченко (Волченко, 2016) и др. Ученые Е.А. Басова (Басова, 2021), О.В. Волченко (Волченко, 2016), В.М. Жеребин, О.Н. Махрова (Жеребин, Махрова, 2015) и др. связывают цифровое неравенство регионов России с высоким уровнем социально-экономического расслоения. Цифровое неравенство может стать преградой на пути становления информационного общества. Его преодоление является актуальным как для отдельных государств, так и для их регионов. Проблему цифрового разрыва между странами и регионами, связанной с неравномерным доступом к современным цифровым технологиям с учетом факторов социокультурного, экономического, геополитического характера, изучали О.В. Смирнова (Смирнова, 2017а, 2017b); M. Ragnedda, H. Kreitem (Ragnedda, 2018) и др. Цифровая экономика непосредственно влияет на жизнь общества, на рынки и отрасли экономики. Успешность развития цифровой экономики напрямую зависит от тесного сотрудничества государства, бизнеса и научных предприятий. Производство с использованием цифровых технологий способствует конкурентоспобности национальных экономик и определяет ключевые направления конкурентоспособности государства (Вартанова, 2021). Последствия цифрового неравенства затрагивают не только отдельных граждан, бизнес, но и общество и государство в целом. В результате может произойти замедление потенциала отдельных регионов, снижение производственного, инновационного, экономического развития (Szeles, 2018). И.В. Деревцова, Я.А. Внукова, Е.А. Головащенко, Д.Д. Денисевич (Деревцова и др., 2021) и др. отмечают, что цифровое неравенство на уровне государства может стать угрозой экономической безопасности страны. Мы будем проводить исследование темпов развития различных секторов экономики отдельных взятых регионов. Исследование цифрового развития регионов проведем на примере двух стран через анализ ведущих индексов их фондовых рынков. Для этого будем использовать цифровую модель принятия эффективных инвестиционных решений - ISPI. Она будет способствовать своевременному определению темпов развития различных секторов экономики, в том числе и сектора современных ИКТ. Это позволит при необходимости увеличить инвестирование в этот сектор, тем самым снизив разрыв в цифровом развитии регионов (стран). Модель ISPI выполняет, такие функции, как: 1) загрузка, хранение и обработка данных для формирования стратегий; ведение описательной статистики; формирование отчетов и графиков; 2) оценка инвестиционной привлекательности финансовых инструментов, их ранжирование; вычисление ожидаемой доходности и уровня риска; выработка прогнозов котировок и ожидаемых доходностей; 3) отбор финансовых инструментов; формирование портфеля с использованием комбинированного подхода, мониторинг и корректировка портфеля. Отслеживание уровня риска для отдельных финансовых инструментов и портфеля; 4) разработка, апробация, применение инвестиционных стратегий. Модель ISPI использует принцип комбинирования стратегий для повышения эффективности инвестиционной деятельности. Алгоритм реализации инструментария модели определяется последовательностью ряда этапов, таких как: 1) формирование информационной базы для проведения расчетов массивов статистических данных размера m×n (m - число активов; n - объем статистических данных); 2) использование методов генерирования первичных стратегий (Герцекович, 2017): а) портфельный анализ (модифицированная модель Марковица, PRM) (Markowitz, 1952; Герцекович, Бабушкин, 2019); б) количественный анализ (эмпирические модели оптимальной сложности, системы гибридных моделей, методы оптимизация статистической выборки данных для апробации разработанных прогнозных моделей); в) фундаментальный анализ фондовых, отраслевых, сырьевых индексов и др.; г) технический анализ (методы скользящей средней, линии среднего направленного движения (ADX), сближения/расхождения курса (MACD)) (Gercekovich, Gorbachevskaya, Shilnikova, 2021); 3) объединение первичных стратегий и формирование обобщенного прогноза: а) количественные прогнозы для всех финансовых инструментов; б) комбинирование моделей, правил, прогнозов; 4) принятие инвестиционных решений на основе: а) формирования портфелей (комбинирование стратегий и обобщенных прогнозов на основе инвестиционного анализа и количественных методов); б) проверка стратегий методом скользящей верификации (Gercekovich, Gorbachevskaya, Shilnikova, 2021); в) коррекция стратегий в случае необходимости (Герцекович, Бабушкин, 2019). Данный алгоритм способствует гибкости формируемых инвестиционных стратегий. Она достигается как за счет возможности выбора архитектуры системы принятия решений, числа и самих финансовых инструментов (активов), так и за счет возможности изменения объема статистических данных. Проверка эффективности полученных результатов будет осуществляться с помощью инструментария модели PRM (Markowitz, 1952). Результаты Воспользуемся моделью ISPI и ее инструментарием для исследования темпов цифрового развития на уровне стран на примере США и Китая. Проверку ее эффективности будем осуществлять с помощью модели PRM. По данным о доходностях основных и отраслевых индексов США и Китая за 2014- 2017 гг. (шаг - 1 месяц) построим инвестиционные портфели, а по данным за 2017-2021 гг. (шаг - 1 месяц) проверим точность модели ISPI, применимой к этому портфелю. Для этого сначала вычислим базовые критерии теории портфеля: Dx - ожидаемую доходность, Rs - уровень риска, Dx/Rs - отношение доходности к риску. По этим данным построим диаграммы рассеяния (рис. 1-2) ведущих индексов США и Китая, которые будем условно группировать по уровню ожидаемого риска. Затем исключим индексы, для которых Dx < 0 а затем те индексы, доходность которых при равенстве риска ниже, или те, у которых при равенстве доходностей выше риск (Герцекович, Бабушкин, 2019; Gercekovich, Gorbachevskaya, Shilnikova, 2021). Для ведущих индексов найдем экстремумы: Max Dx, Min Dx, Max Rs, Min Rs, и Dx/Rs Avg Dx, Avg Rs. По полученным данным снова строим диаграмму рассеяния. Она покажет распределение групп ведущих индексов фондового рынка США и Китая. Возле каждого индекса указана оценка его доходности. Для построения прямой Dx = a·Rs + b с помощью инструментария модели PRM по каждой стране найдем a - угол наклона и b - свободный член. Коэффициент детерминации R2 и оценки погрешностей коэффициентов a и b (с 95 % уровнем значимости) определят адекватность модели PRM. Для каждого ведущего индекса найдем оценку доходности по данным за 2018-2021 гг. На рис. 1 видно, что группу ведущих индексов фондового рынка США составляют семь индексов, при этом PHLX Semiconductor Index является абсолютным лидером по всем критериям (Dx, Rs, Dx /Rs). Avg Dx = 1,37 % - среднемесячная ожидаемая доходность по всем семи индексам США. R2 = 0,97 говорит об адекватности построенной модели и подтверждает ее точность при сравнении «модельных» данных (2014-2017 гг.)[19] и реальных данных (2018-2021 гг.)7. low risk, middle risk, high risk Рис. 1. Диаграмма рассеяния ведущих индексов фондовых рынков США Источник: составлено авторами. Figure 1. Scatterplot for main stock market indices of USA Source: compiled by the authors. Анализ индексов фондового рынка Китая (рис. 2) определил ведущие из них - это SZSE Conglomerates и SZSE Media. В ходе исследования была выявлена существенная особенность указанных индексов. Эти индексы в той или иной степени отражают ускоренные темпы развития сферы современных информационных технологий (SZSE IT). В группе индексов-лидеров фондового рынка США представлены индексы (три индекса из семи), отражающие состояние высокотехнологичного сектора (Hi Tech). Указанные факты подтверждают целесообразность инвестирования данной области. Рассмотренная методика позволяет определить не только сектора мировых фондовых рынков и стран, наиболее привлекательные для инвестирования, но и области, регионы и т.п., нуждающиеся в инвестировании и развитии. Это позволит на уровне правительств стран и органов управления регионов решать проблемы цифрового неравенства. low risk, middle risk, high risk Рис. 2. Диаграмма рассеяния ведущих индексов фондовых рынков Китая Источник: составлено авторами. Figure 2. Scatter chart of China’s Leading stock market indices Source: compiled by the authors. Апробация возможностей цифровой модели ISPI проводилась на статистических данных двух стран США и Китая за 2014-2021 гг. Сравнение данных за 2014-2017 гг., полученных в результате использования модели ISPI и реальных данных за 2018-2021 гг., показало практическую схожесть результатов. Это позволит распространить данную методику для сравнения других стран, регионов, секторов экономики, в том числе и при исследовании цифрового неравенства (Герцекович, 2017, Gercekovich, Gorbachevskaya, Shilnikova, 2021). Обсуждение На примере США и Китая с помощью инструментария модели ISPI были проведены исследования темпов развития секторов цифровой экономики и определены наиболее перспективные из них для инвестирования. Значение угла наклона модели Китая больше аналогичного показателя США, что говорит о более высоких темпах развития экономики Китая (см. рис. 1, 2). Анализ перспективных направлений инвестирования для фондовых рынков выбранных стран позволяет определить существенные структурные отличия между ними. Прежде всего, это относится к Китаю. В группе ведущих индексов фондового рынка этой страны подавляющее большинство направлений относится к информационным технологиям. Причем большинство этих индексов сосредоточено в безрисковой зоне (см. рис. 2). По результатам исследования было выявлено, что цифровая модель ISPI позволяет не только разрабатывать наиболее эффективные инвестиционные стратегии и решения, но и выявлять экономически отстающие страны, регионы, отрасли (в том числе и в цифровой экономике). Заключение Развитие информационных технологий - главная тенденция настоящего времени. Ее следствием стал переход экономик многих стран к цифровизации, а результатом - ускорение обмена информацией в обществе и внедрение новейших цифровых технологий в процессы производства и управления. В современных условиях цифровизация закладывает фундамент устойчивого экономического развития государств с новой экономикой и информационной культурой. Государства-лидеры в развитии цифровизации в обозримой перспективе будут устанавливать новый мировой информационный порядок. Представляется очевидным, что цифровизация может дать ощутимый эффект только при условии, когда она охватывает все сферы экономики. В противном случае будет иметь место снижение стимулов для инвестирования. Важнейшей стратегией государства в сфере цифровой экономики является справедливое распределение преимуществ цифровых технологий между отраслями и регионами. Вместе с тем сегодня пока еще не решен ряд принципиальных вопросов, позволяющих получить оценки последствий реализации преимуществ цифровой экономики на уровне предприятий, отраслей, регионов и стран. Неясно, как активизировать развитие цифровизации в технологически отсталых отраслях экономики, повысить занятость населения в регионах с высоким уровнем цифровизации (очевидно, что повышение уровня цифровизации повлечет за собой высвобождение определенной части занятых), будет ли цифровизация укреплять функционирование предприятий, отраслей, региональных и национальных экономик. Получить обоснованные ответы на эти и другие вопросы помогут новые прикладные исследования. Таким образом, вместе с развитием цифровой экономики и электронной коммерции во всем мире существуют определенные проблемы, препятствующие повышению их значимости в мировом хозяйстве. Среди них следует выделить выбор перспективных направлений инвестирования и преодоления цифрового неравенства. По мнению авторов, расширение практики внедрения и использования инструментария модели ISPI будет способствовать успешному решению этих проблем.

About the authors

Nina M. Baranova

RUDN University

Author for correspondence.
Email: baranova_nm@pfur.ru
ORCID iD: 0000-0002-7201-9435

PhD in Pedagogical Science, Associate Professor, Economic and Mathematical Modeling Department

6 Miklukho-Maklaya St, Moscow, 117198, Russian Federation

Sergey N. Larin

Central Economics and Mathematics Institute of Russian Academy of Science (CEMI RAS)

Email: larinsn@cemi.rssi.ru
ORCID iD: 0000-0001-5296-5865

Candidate of Technical Sciences, Leading Researcher at the Laboratory of Simulation Modeling of the Interaction of Economic Objects

47 Nakhimovsky prospect, Moscow, 117418, Russian Federation

Olga Yu. Basharina

Ural State University of Economics; Matrosov Institute for System Dynamics and Control Theory of Siberian Branch of the Russian Academy of Sciences

Email: basharinaolga@mail.ru
ORCID iD: 0000-0002-7151-782X

Candidate of Technical Sciences, Associate Professor of the Department of Business Informatics, Ural State University of Economics. Researcher, Laboratory of Parallel and Distributed Computing Systems, Matrosov Institute for System Dynamics and Control Theory of Siberian Branch of the Russian Academy of Sciences

62/45 8 March St / Narodnaya Volya St, Yekaterinburg, 620144, Russian Federation; 134 Lermontova St, Irkutsk, 664033, Russian Federation

References

Supplementary files