Статья посвящена анализу влияния информационных технологий и искусственного интеллекта на экономический рост. Несмотря на очевидный потенциал новых технологий, с середины 2000-х гг. в развитых странах наблюдается замедление темпов экономического роста одновременно с ростом расходов на исследования и разработки. Отмечается замедление динамизма рынков, что выражается в снижении коэффициентов входа и выхода фирм и мобильности работников.
Идентификаторы и классификаторы
- SCI
- Экономика
Информационные технологии (ИТ) представляют собой совокупность методов, инструментов и систем для обработки, хранения и передачи информации. Это понятие включает в себя управление информационными системами, использование программного и аппаратного обеспечения для автоматизации процессов, инфраструктуру, обеспечивающую обработку и передачу данных. Цифровая технология – более узкое понятие, которое означает технологии, работающие исключительно с цифровой (двоичной) информацией (обработка информации в цифровом формате, создание цифровых систем связи), а также искусственный интеллект и машинное обучение.
Если у вас возникли вопросы или появились предложения по содержанию статьи, пожалуйста, направляйте их в рамках данной темы.
Список литературы
1. Fernald J. G. Productivity and Potential Output before, during, and after the Great Recession // NBER Macroeconomics Annual. 2015. Vol. 29, no. 1. P. 1-51. DOI: 10.1086/680580
2. Adler G., Duval M. R. A., Furceri D., Celik S. K., Koloskova K., Poplawski-Ribeiro M. Gone with the Headwinds: Global Productivity. Washington, DC: International Monetary Fund, 2017. 98 p. DOI: 10.5089/9781475589672.006
3. Cette G., Fernald J., Mojon B. The pre-Great Recession slowdown in productivity // European Economic Review. 2016. Vol. 88, no. 3-20. P. 3-20. DOI: 10.1016/j.euroecorev.2016.03.012
4. Brynjolfsson E., Rock D., Syverson C. Artificial intelligence and the modern productivity paradox // The economics of artificial intelligence: An agenda. Chicago: University of Chicago Press, 2019. P. 23-57. DOI: 10.7208/chicago/9780226613475.003.0001
5. Acemoglu D. The simple macroeconomics of AI. NBER Working Paper No. 32487. Cambridge, MA: NBER, 2024. 58 p. DOI: 10.3386/w32487
6. Cardarelli M. R., Lusinyan M. L. US Total Factor Productivity Slowdown: Evidence from the US States. Washington, D.C.: International Monetary Fund, 2015. 24 p. DOI: 10.5089/9781513520834.001
7. Byrne D. M., Fernald J. G., Reinsdorf M. B. Does the United States have a productivity slowdown or a measurement problem? // Brookings Papers on Economic Activity. 2016. No. 1. P. 109-182. DOI: 10.1353/eca.2016.0014
8. Syverson C. Challenges to mismeasurement explanations for the US productivity slowdown // Journal of Economic Perspectives. 2017. Vol. 31, no. 2. P. 165-186. DOI: 10.1257/jep.31.2.165
9. Andrews D., Criscuolo C., Gal P. The best versus the rest: The global productivity slowdown, divergence across firms and the role of public policy // OECD Productivity Working Papers. No. 5. Paris: OECD Publishing. 2016. 77 p. DOI: 10.1787/63629cc9-en
10. Brynjolfsson E., McAfee A., Sorell M., Zhu F. Scale without mass: Business process replication and industry dynamics // Harvard Business School Technology & Operations Mgt. Unit Research Paper No. 07-016. SSRN, 2008. 47 p. DOI: 10.2139/ssrn.980568
11. Autor D., Dorn D., Katz L. F., Patterson C., Reenen J. V. The fall of the labor share and the rise of superstar firms // The Quarterly Journal of Economics. 2020. Vol. 135, no. 2. P. 645-709. DOI: 10.1093/qje/qjaa004 EDN: XULQPO
12. Bresnahan T. F., Trajtenberg M. General purpose technologies ‘Engines of growth’? // Journal of Econometrics. 1995. Vol. 65, no. 1. P. 83-108. DOI: 10.1016/0304-4076(94)01598-T EDN: HIMACP
13. David P. A. The dynamo and the computer: An historical perspective on the modern productivity paradox // The American Economic Review. 1990. Vol. 80, no. 2. P. 355-361. URL: https://www.jstor.org/stable/2006600 (дата обращения: 07.02.2025). EDN: HEOTYB
14. Lucas R. E. On the mechanics of economic development // Journal of Monetary Economics. 1988. Vol. 22, no. 1. P. 3-42. DOI: 10.1016/0304-3932(88)90168-7
15. Romer P. M. Increasing returns and long-run growth // Journal of Political Economy. 1986. Vol. 94, no. 5. P. 1002-1037. DOI: 10.1086/261420
16. Romer P. M. Endogenous technological change // Journal of Political Economy. 1990. Vol. 98, no. 5. P. 71-102. DOI: 10.1086/261725 EDN: HIWUWF
17. Aghion P., Howitt P. A Model of growth through creative destruction // Econometrica. 1992. Vol. 60, no. 2. P. 323-351. DOI: 10.2307/2951599
18. Grossman G. M., Helpman E. Quality ladders in the theory of growth // Review of Economic Studies. 1991. Vol. 58, no. 1. P. 43-61. DOI: 10.2307/2298044
19. Замулин О., Сонин К. Экономический рост: Нобелевская премия 2018 года и уроки для России // Вопросы экономики. 2019. № 1. С. 11-36. DOI: 10.32609/0042-8736-2019-1-11-36 EDN: YTNWLB
20. Aghion P., Akcigit U., Howitt P. What do we learn from Schumpeterian growth theory? // Handbook of Economic Growth. Vol. 2. Elsevier, 2014. P. 515-563. DOI: 10.1016/B978-0-444-53540-5.00001-X
21. Arrow K. Economic welfare and the allocation of resources for invention // The Rate and Direction of Inventive Activity: Economic and Social Factors / Ed. by Universities-National Bureau Committee for Economic Research, Committee on Economic Growth of the Social Science Research Council. Princeton: Princeton University Press, 1962. P. 609-626. DOI: 10.1007/978-1-349-15486-9_13
22. Aghion P., Harris C., Vickers J. Competition and growth with step-by-step innovation: An example // European Economic Review. 1997. Vol. 41, no. 3-5. P. 771-782. DOI: 10.1016/S0014-2921(97)00036-6
23. Klette T. J., Kortum S. Innovating firms and aggregate innovation // Journal of Political Economy. 2004. Vol. 112, no. 5. P. 986-1018. DOI: 10.1086/422563 EDN: HCBEBJ
24. Helpman E., Trajtenberg M. A time to Sow and a Time to Reap: Growth Based on General Purpose Technologies. Cambridge, MA: NBER, 1994. 48 p. DOI: 10.3386/w4854
25. Brynjolfsson E., Rock D., Syverson C. The productivity J-Curve: How intangibles complement general purpose technologies // American Economic Journal: Macroeconomics. 2021. Vol. 13, no. 1. P. 333-372. DOI: 10.1257/mac.20180386 EDN: NVCXOA
26. Pugsley B. W., Şahin A. Grown-up business cycles // The Review of Financial Studies. 2019. Vol. 32, no. 3. P. 1102-1147. DOI: 10.1093/rfs/hhy063
27. Decker R. A., Haltiwanger J., Jarmin R. S., Miranda J. Changing business dynamism and productivity: Shocks versus responsiveness // American Economic Review. 2020. Vol. 110, no. 12. P. 3952-3990. DOI: 10.1257/aer.20190680 EDN: NWYJMZ
28. Karahan F., Pugsley B., Şahin A. Demographic origins of the start-up deficit // American Economic Review. 2024. Vol. 114, no. 7. P. 1986-2023. DOI: 10.1257/aer.20210362 EDN: EWGBJD
29. Hopenhayn H., Neira J., Singhania R. Implications for concentration, entrepreneurship and the labor share // Econometrica. 2022. Vol. 90, no. 4. P. 1879-1914. DOI: 10.3982/ECTA18012 EDN: EUQNXC
30. De Loecker J., Eeckhout J., Unger G. The rise of market power and the macroeconomic implications // The Quarterly Journal of Economics. 2020. Vol. 135, no. 2. P. 561-644. DOI: 10.1093/qje/qjz041 EDN: TWUOXX
31. Díez F. J., Fan J., Villegas-Sánchez C. Global declining competition? // Journal of International Economics. 2021. Vol. 132. Article 103492. DOI: 10.1016/j.jinteco.2021.103492 EDN: EHWCTC
32. Olmstead-Rumsey J. Market Concentration and the Productivity Slowdown // MPRA Paper No. 107000. December 13, 2020. 71 p. [Revised version].
33. Kogan L., Papanikolaou D., Seru A., Stoffman N. Technological innovation, resource allocation, and growth // The Quarterly Journal of Economics. 2017. Vol. 132, no. 12. P. 665-712. DOI: 10.1093/qje/qjw040
34. Aghion P., Harris C., Howitt P., Vickers J. Competition, imitation and growth with step-bystep innovation // The Review of Economic Studies. 2001. Vol. 68, no. 3. P. 467-492. DOI: 10.1111/1467-937X.00177
35. Aghion P., Bergeaud A., Boppart T., Klenow P. J., Li H. A theory of falling growth and rising rents // Review of Economic Studies. 2023. Vol. 90, no. 6. P. 2675-2702. DOI: 10.1093/restud/rdad016 EDN: MOWITO
36. Crouzet N., Eberly J. C. Understanding Weak Capital Investment: The Role of Market Concentration and Intangibles. NBER Working Paper No. 25869. Cambridge, MA: NBER, 2019. 65 p. DOI: 10.3386/w25869
37. Bessen J., Impink S. M., Reichensperger L., Seamans R. The role of data for AI startup growth // Research Policy. 2022. Vol. 51, no. 5. Article 104513. DOI: 10.1016/j.respol.2022.104513 EDN: RRBMUF
38. Akcigit U., Ates S. T. Ten facts on declining business dynamism and lessons from endogenous growth theory // American Economic Journal: Macroeconomics. 2021. Vol. 13, no. 1. P. 257-298. DOI: 10.1257/mac.20180449 EDN: WWEBUA
39. Akcigit U., Ates S. T. What happened to US business dynamism? // Journal of Political Economy. 2023. Vol. 131, no. 8. P. 2059-2124. DOI: 10.1086/724289 EDN: GPXYDX
40. De Ridder M. Market power and innovation in the intangible economy // American Economic Review. 2024. Vol. 114, no. 1. P. 199-251. DOI: 10.1257/aer.20201079 EDN: OXXBNG
41. Bloom N., Sadun R., Van Reenen J. Americans do IT better: US multinationals and the productivity miracle // American Economic Review. 2012. Vol. 102, no. 1. P. 167-201. DOI: 10.1257/aer.102.1.167
42. Schivardi F., Schmitz T. The IT revolution and Southern Europe’s two lost decades // Journal of the European Economic Association. 2020. Vol. 18, no. 5. P. 2441-2486. DOI: 10.1093/jeea/jvz048
43. Stevenson B. Artificial intelligence, income, employment, and meaning // The Economics of Artificial Intelligence: An Agenda / Ed. by A. Agrawal, J. Gans, A. Goldfarb. Chicago: University of Chicago Press, 2018. P. 189-196. DOI: 10.7208/chicago/9780226613475.003.0007
44. Eisfeldt A. L., Schubert G., Zhang M. B. Generative AI and Firm Values. NBER Working Paper No. 31222. Cambridge, MA: NBER, 2023. 69 p. DOI: 10.3386/w31222
45. Czarnitzki D., Fernández G. P., Rammer C. Artificial intelligence and firm-level productivity // Journal of Economic Behavior & Organization. 2023. Vol. 211. P. 188-205. DOI: 10.1016/j.jebo.2023.05.008 EDN: VJKKOS
46. Dell’Acqua F., McFowland III E., Mollick E. R., Lifshitz-Assaf H., Kellogg K., Rajendran S., Krayer L., Candelon F., Lakhani K. R. Navigating the jagged technological frontier: Field experimental evidence of the effects of ai on knowledge worker productivity and quality // Harvard Business School Technology & Operations Mgt. Unit Working Paper No. 24-013. SSRN, 2023. 58 p. DOI: 10.2139/ssrn.4573321
47. Brynjolfsson E., Li D., Raymond L. R. Generative AI at Work. NBER Working Paper No. 31161. Cambridge, MA: NBER, 2023. 67 p. DOI: 10.3386/w31161
48. Korinek A. Language Models and Cognitive Automation for Economic Research. NBER Working Paper No. 30957. Cambridge, MA: NBER, 2023. 35 p. DOI: 10.3386/w30957
49. Rammer C., Fernández G. P., Czarnitzki D. Artificial intelligence and industrial innovation: Evidence from German firm-level data // Research Policy. 2022. Vol. 51, no. 7. Article 104555. DOI: 10.1016/j.respol.2022.104555 EDN: RZGBGD
50. Babina T., Fedyk A., He A., Hodson J. Artificial intelligence, firm growth, and product innovation // Journal of Financial Economics. 2024. Vol. 151. Article 103745. DOI: 10.1016/j.jfineco.2023.103745 EDN: ZAKLPT
51. Weitzman M. L. Recombinant growth // The Quarterly Journal of Economics. 1998. Vol. 113, no. 2. P. 331-360. DOI: 10.1162/003355398555595 EDN: ENKXGB
52. Bloom N., Jones C. I., Van Reenen J., Webb M. Are ideas getting harder to find? // American Economic Review. 2020. Vol. 110, no. 4. P. 1104-1144. DOI: 10.1257/aer.20180338 EDN: QCAEOF
53. Artificial Intelligence (AI) vs. Machine Learning (ML) // Microsoft Azure. URL: https://clck.ru/3GKDjw (дата обращения: 12.12.2024).
54. ImageNet Large Scale Visual Recognition Challenge 2017 // ImageNet. URL: https://clck.ru/3GKDm2 (дата обращения: 12.12.2024).
55. OECD Science, Technology and Industry Scoreboard 2015 // OECD iLibrary. URL: https://clck.ru/3GKDCb (дата обращения: 12.12.2024).
56. The world’s most valuable resource is no longer oil, but data // The Economist. May 6, 2017. URL: https://clck.ru/3GKDK8 (дата обращения: 12.12.2024).
57. GraphCast AI model for faster and more accurate global weather forecasting // Google DeepMind. 2023. URL: https://clck.ru/3GKDSh (дата обращения: 20.01.2025).
58. Millions of new materials discovered with deep learning // Google DeepMind. 2023. URL: https://clck.ru/3GKDbx (дата обращения: 20.01.2025).
59. Company // Atomwise. URL: https://www.atomwise.com/company/ (дата обращения: 12.12.2024).
Выпуск
Другие статьи выпуска
Включение вопросов обеспечения энергетической безопасности в повестку обусловлено важнейшей ролью энергии в экономике и жизни общества. Получить представление об уровне энергетической безопасности можно посредством оценки, осуществляемой по определенной методике с использованием ряда показателей. Разработанные на данный момент методики не способны дать адекватное представление об уровне энергетической безопасности региона ввиду устаревания, повышенной субъективности и невозможности использования в текущих условиях. Цель. Разработать механизм отбора показателей для оценки энергетической безопасности региона и сформировать их перечень.
Подходы к управлению экономическим развитием и адаптации бизнеса к внешним вызовам трансформируются под влиянием глобальных трендов, формирующихся на различных субъектных уровнях. Предпосылки кластерно-сетевого взаимодействия как особой формы организации деятельности различной отраслевой специализации являются ответом на интенсивные темпы внедрения цифровых решений, технологических изменений, необходимость сохранения конкурентных преимуществ. На уровне государственного управления кластерно-сетевой подход способствует более эффективному регулированию и координированию функций субъектов предпринимательства, их рациональной интеграции в социально-экономическую систему регионов. Высокое качество кластерно-сетевого взаимодействия способно обеспечить положительный эффект для связанных организаций, распространяющийся на локальные потребительские рынки, насыщая их ценными продуктами и услугами.
Сбалансированность развития региональных систем является важным условием их устойчивой жизнедеятельности. Региональные хозяйственные системы состоят из множества компонент, взаимодействующих между собой. В настоящее время в научной литературе отсутствуют методы оценки сбалансированности многокомпонентных региональных систем. Целью исследования является разработка методики оценки сбалансированности многокомпонентных хозяйственных систем регионов и ее апробация на регионах РФ, в ходе которой регионы рассматриваются как двух-, трех- и четырехкомпонентные системы. Задачи. Построить функцию оценки сбалансированности, разработать алгоритм оценки сбалансированности многокомпонентных хозяйственных систем регионов, провести оценку сбалансированности хозяйственных систем российских регионов.
Сложность и многоаспектность задачи стратегического управления устойчивым развитием региона требует привлечения широкого круга участников не только из политических, но и из академических и гражданских кругов для подготовки и поддержки решений на местном, национальном и глобальном уровнях. Новизна исследования заключается в обосновании: а) внешне ориентированного подхода к постановке целей в программах развития регионов, в большей степени отвечающего современной парадигме устойчивого развития; б) необходимости трансформировать архитектуру формирования программ устойчивого развития региона на основе целей устойчивого развития. Цель данной работы состоит в формировании методологического подхода к интеграции целей устойчивого развития в политику управления регионом.
В свете усиления взаимозависимости стран из-за развития международной торговли возникает актуальный вопрос о необходимости проведения независимой денежно-кредитной политики каждой страны или же о целесообразности координации данных политик. То есть вопрос о том, стоит ли рассматривать преимущества согласования международных денежно-кредитных стратегий, становится ключевым в дебатах по оптимальным стратегиям денежно-кредитной политики в условиях открытых экономик.
В статье рассмотрена актуальная ситуация формирования стимулирующей части оплаты труда преподавателей вуза. Проанализирована важная составляющая научной деятельности вуза - инновационная, которая сопровождается ростом научной активности. Актуальность темы исследования связана с потребностью управления процессами подготовки кадров для формирования технологического суверенитета страны. Это требует новых усилий и затрат от профессорско-преподавательского состава, а значит, необходимо совершенствовать процесс повышения мотивации инновационной деятельности.
Статистика статьи
Статистика просмотров за 2026 год.
Издательство
- Издательство
- ПГНИУ
- Регион
- Россия, Пермь
- Почтовый адрес
- 614068, Пермский край, г. Пермь, ул. Букирева, 15
- Юр. адрес
- 614068, Пермский край, г. Пермь, ул. Букирева, 15
- ФИО
- Германов Игорь Анатольевич (И.о. ректора)
- E-mail адрес
- rector@psu.ru
- Контактный телефон
- +7 (342) 2396326
- Сайт
- http://www.psu.ru