Ширяев Алексей Алексеевич

кандидат экономических наук,

старший научный сотрудник РИЭПП.

Тел. 8­916­830­84­62,

[email protected]

ХАРАКТЕР И СТЕПЕНЬ ЗАВИСИМОСТИ ВВП

СОЕДИНЕННЫХ ШТАТОВ АМЕРИКИ И РОССИИ

ОТ КОДИФИЦИРОВАННЫХ

И НЕКОДИФИЦИРОВАННЫХ ЗНАНИЙ1

В современном мире экономически развитые страны избирают наукоемкие отрасли как стратегические для своих экономик. Это позволяет им оставаться конкурентоспособными и производить качественный наукоемкий продукт, представляющий собой внедренное в производство знание. Экономика знаний является теоретической моделью, учитывающей именно такое направление развития хозяйства.

Для России вопрос становления экономики знаний особенно важен, поскольку, пройдя период становления новых экономических отношений и завершив этот период построением основных институтов рыночной экономики, перед страной встала задача модернизации и повышения конкурентоспособности в мире. Очевидно, что сырьевая модель развития является неэффективной в долгосрочной перспективе – значит, необходимо разработать новую модель. Модель экономики, основанной на знаниях, представляется наиболее перспективной, поскольку позволяет использовать имеющие интеллектуальные и трудовые ресурсы наиболее рационально.

В научной литературе описывается большое количество различных моделей, учитывающих научно-технический прогресс. Наиболее известной является модель Р. Солоу: в зависимости от изменения НТП изменяется накопление капитала и фондовооруженность труда. Модель концентрирует внимание на равновесном развитии экономики в зависимости от уровня сбережений и накопления капитала, так как НТП задан экзогенно.

Интересными также являются модели П. Ромера, К. Джонса [1].

В этих моделях учитываются такие показатели как знания, полученные в результате проведения НИОКР, человеческий капитал и технологии.

В модели П. Ромера НТП определяется количеством исследователей и производительностью их труда. Предполагается, что именно они создают новые знания и технологии. В отличие от модели Р. Солоу, в модели П. Ромера НТП учитывается эндогенно. Однако «Как отметил Джонс, увеличение численности исследователей в США и в Европе с 1950 по Работа выполнена при финансовой поддержке Российского гуманитарного научного фонда (проект № 11-02-00423а).

Характер и степень зависимости ВВП США и России 1990 гг. приблизительно в 5 раз не оказало значимого влияния на темпы прироста остатка Солоу» [2]. «В модели К. Джонса, являющейся развитием модели П. Ромера, также учтен уровень технологического развития. В обеих моделях также предполагается, что количество ученых и специалистов, производящих знания, пропорционально численности жителей страны» [3, с. 71]. Также имеются прикладные модели, например, использующие инструментарий межотраслевого баланса и оптимизационных моделей [4].

В работе С. В. Завгороднего [5] описаны модели, учитывающие в качестве факторов искусственный интеллект (разнообразное программное обеспечение, в том числе для автоматизации производственных операций), компьютеры, роботов (средства вычислительной техники, робототехники и системы искусственного интеллекта, использующиеся в процессе производства). В работе предполагается, что создание робота эквивалентно созданию дополнительной единицы рабочей силы. Особое внимание уделено вычислению темпов роста в моделях.

Отдельно стоит упомянуть о работе «Вычислимая модель экономики знаний». В ней авторы используют равновесную модель для расчета изменений ВВП в зависимости от изменения объема инвестиций, различных налогов, заработной платы и трансфертов в отдельные секторы экономики знаний [3].

Тем не менее, степень влияния знаний на ВВП не определена. В отличие от указанных работ, где используется НТП и овеществленные результаты труда в виде факторов моделей (компьютеры, роботы, машины и механизмы) или инвестиции в сектор генерации знаний, в данном исследовании проводится построение моделей, учитывающих влияние непосредственно знаний, которые могут быть не только вещественными (в виде патентов на изобретения и полезные модели, которые могут быть и не овеществлены в изделии), но и неявные знания (формализуемые через уровень образования).

Для того чтобы определить степень связей между знаниями и результатом их использования – ВВП – построим три эконометрических модели. В них учтем основные факторы, которые наиболее сильно влияют на производство – «труд» и «капитал». Также введем в модель фактор «знания» и рассчитаем характер взаимосвязей между указанными факторами и ВВП. Фактор «капитал» в модели формализуется через инвестиции в основной капитал, в качестве фактора «труд» используется среднегодовая численность занятых в экономике.

Имеются различные классификации знаний [6, с. 27]. Среди них формализуемыми в рамках данного исследования являются явные (кодифицированные) знания и неявные (некодифицированные) знания. В качестве кодифицированных знаний было выбрано количество патентов на изобретения и полезные модели, созданные в мире за определенный период времени (за год); в качестве некодифицированных знаний – уровень образования (количество выпущенных специалистов или бакалавров за год). Формализация знаний через указанные факторы создаваемой модели позволит определить характер их влияния на ВВП.

Ширяев А.А.

Всего в статье будет рассмотрено 3 вида моделей:

1. Моделирование проводится исходя из предположения влияния патентов2 (кодифицированных знаний) на ВВП США. Указанная страна была выбрана как представитель экономически развитых стран мира. Аналогичная модель будет рассчитана для РФ. При построении модели использована производственная функция Кобба-Дугласа, которая изменена согласно целям исследования (см. ниже).

2. Вторая модель предполагает зависимость ВВП от четырех факторов через производственную функцию Кобба-Дугласа:

количество полученных патентов за год во всем мире; количество бакалавров/специалистов, выпущенных образовательными учреждениями за год; среднегодовая численность занятых в стране; инвестиции в основной капитал за год в стране.

3. Третья модель основывается на второй модели с тем дополнением, что ВВП также зависит от доли бакалавров/специалистов в общем количестве занятых.

1. Модель влияния кодифицированных знаний на ВВП через эффективность использования капитала Начнем построение моделей с простой зависимости, предполагающей, что кодифицированные знания (патенты) влияют на ВВП через эффективность использования капитала и имеют нелинейный характер, представленный формулой:

Y = K P + P • L (1) где Y – ВВП страны; K – инвестиции в основной капитал; L – количество занятых в экономике в определённый период времени; P – количество патентов;,,, – коэффициенты модели, которые необходимо рассчитать.

Была выбрана производственная функция Кобба-Дугласа, являющаяся наиболее распространенным вариантом производственных функций в современной экономике. Степенной коэффициент при факторе «капитал» был представлен в виде P + P 2, поскольку предполагается, что количество выданных патентов будет увеличиваться нелинейно. Исходные данные для расчета приведены в табл. 1 и 2.

Выбор дипломированных бакалавров в качестве одного из факторов моделей основывается на предположении, что именно бакалавры будут использовать созданные знания на производстве. Возможно, здесь стоило бы использовать количество магистров, кандидатов или докторов наук, научных работников. Однако именно бакалавры являются достаПатенты будут рассматриваться не по каждой стране отдельно, а будет использовано общее число выданных патентов в мире, что позволит определить возможности страны по использованию накопленного в мире потенциального знания Характер и степень зависимости ВВП США и России точно массовой квалификацией в США (в России, соответственно, специалисты), позволяющей использовать накопленные знания3.

В случае использования для США степени магистра вместо степени бакалавра будет невозможно провести сравнительный анализ с российскими данными, поскольку степень магистра в США не является столь же массовой, что и степень бакалавра.

Таблица 1. Исходные данные для расчета моделей для США Инвестиции Количество в образование 1993 1074587797563,26 6097490914245,22 1041999,00 25388000 1165178 120259000, 1994 1160727853795,69 6345160680368,53 1761984,00 26168000 1169275 123060000, 1995 1233514320524,84 6506166429482,64 2081417,00 27191000 1160134 124900000, 1996 1337615895032,80 6749837573352,23 1988370,00 28366000 1164792 126708000, 1997 1454977019681,35 7056833836995,04 2165245,00 29089000 1172879 129558000, 1998 1590581780693,53 7354608788093,55 2366221,00 30090000 1184406 131463000, 1999 1722613045923,15 7684780739900,78 2557637,00 31259000 1200303 133488000, 2000 1828313289597,00 7968519710843,37 2688623,00 31712000 1237875 136891000, 2001 1794177000937,21 8028988671863,93 2909527,00 33654000 1244171 136933000, 2002 1725622305529,52 8158495070163,00 3427706,00 34372000 1291900 136845000, 2003 1778002230552,95 8364301709425,94 3638844,00 35327000 1348811 137736000, 2004 1884924985941,89 8669584277817,15 3884558,00 35994000 1399542 139252000, 2005 1993446410496,72 8924843265768,96 3969937,00 36520000 1439264 141730000, 2006 2028899250234,30 9172839450035,44 4003865,00 37334000 1485242 144427000, Таблица 2. Исходные данные для расчета моделей для России Для сравнения: количество магистров в США по данным на 2009 г. составляло 656 тыс. человек, а бакалавров в этот же год – 1 601 тыс. человек.

Источники: [7–12].

Источники: [7, 11, 13, 14].

0,000000000842 P 0,0000000000000002 P кодифицированных знаний на ВВП через эффективность использования Как видно, разброс значений невелик, доходя до 2,25 % от реальных значений для США. Точность модели довольно высока: для России – 3,92 %.

согласно рассчитанной модели влияния кодифицированных знаний Необходимо отметить, что здесь и далее по тексту коэффициенты модели округлены, поэтому при использовании округленных коэффициентов качество моделей может снижаться. В тексте статьи использованы результаты моделирования без 0,000000000841703802262073P 0,000000000000000150059038878822P Y 8 K 0,000000000841703802262073P 0,000000000000000150059038878822P 2 L1,58016748472399.

-0,0000000130223830723823P 0,000000000000003484544577669560P Y K -0,0000000130223830723823P 0,000000000000003484544577669560P L1,49309133038168.

Рис. 1. Фактический ВВП США и рассчитанный по модели Рис. 2. Фактический ВВП России и рассчитанный по модели 2. Модель влияния кодифицированных и некодифицированных знаний на ВВП через производственную функцию В данной модели будет использована производственная функция Кобба-Дугласа. Влияние фактора «знания» рассмотрим, предполагая, что для того, чтобы капитал работал эффективно, необходимо определенное соотношение патентов (кодифицированные знания) и работников, которые способны патенты использовать. Специалисты/бакалавры представляют собой некодифицированный капитал знаний, формализуемый в модели через количество бакалавров/специалистов, выпущенных учебными заведениями за год.

Экономически данная зависимость объясняется тем, что функционирование капитала определяется технологией производства (патент), циалисты). Формализованная запись модели19154, Y – личество специалистов (бакалавров), выпущенных ВУЗами за год; m и ; P – P ––расчетные коэффициенты модели. ; Q – Q – ), Результаты моделирования n; – n – в табл. 5.

96,65 Наличие автокорреляции 673,65 5893, Рассмотрим отношение6809,10 расчетного ВВП к реальному (табл. 6). Как видно 4 345,66 7056,83качество модели для США довольно 6)., 6). Откловысокое.

, 100,40 нения составляют не 379,79 7383,99. Как видно из таблицы для России, расболее7383,99 327,18 379, % 12 99,48 считанная модель влияния7644, 101,42 моделирования в графическом виде. 100,26 101, где Y – ВВП страны; L – количество занятых в экономике в определенный период времени; K – инвестиции в основной капитал; P – количество патентов;,,, – поскольку коэффициент, принимал отрицательное,значение.,Поэтому было 1993 6097,49 но использовать модель 274611521063 P 6345,16 6401,00 6401, 1994 6345, 1920145415104 P 7056,83 7056,83 7129,83 7129, L12 Необходимо отметить,, что Y100,40 327,18 327,18 379,79 379,79.США с ис-116, 1998 7354,61 7354,61 7383,99 7383,99 при расчете аналогичной модели для 1999 7684,78 пользованием степени магистра, показатели качества100, 2000 7968,52 сколько 7982,14 чем 2001 8028,99 реального достигал8364,30 100,73 100,73 402,41 402,41 421,15 модель с бакалав-104, 8028,99 8087,57 8087,57 5 %. Поэтому было решено использовать 2002 8158,50 рами. 8274,03.

8158,50 2004 8274,03 8669,58 101,42 101,42 421,50 421,50 422,58 422, 2003 8364,30 8364,30 8389,51 8389, Таблица 6. Отношение расчетного ВВП к реальному согласно рассчитанной модели влияния кодифицированных и некодифицированных знаний на ВВП через производственную функцию Рис. 3. Фактический ВВП США и рассчитанный по модели Рис. 4. Фактический ВВП России и рассчитанный по модели (патентов и доли бакалавров в общем количестве занятых) на ВВП через эффективность использования капитала.

Используя модель влияния кодифицированных и некодифицированных знаний на ВВП через производственную функцию (вторая модель), учтем в модели удельный вес общего количества бакалавров в стране в численности занятых. Удельный вес может являться ключевым фактором, поскольку он отражает уровень образования, достигнутый в обществе. Расчеты для США базируются на исходных данных табл. 1. Модель выглядит следующим образом:

где Y – ВВП в реальных ценах; K – инвестиции в основной капитал;

А – количество бакалавров всего в стране; L – количество занятых;

P – количество патентов; Q – количество специалистов (бакалавров), выпущенных ВУЗами за год; m и n – расчетные коэффициенты модели.

В табл. 7 приведены результаты моделирования влияния знаний (патентов и доли бакалавров в общем количестве занятых) на ВВП через эффективность использования капитала для США.

(патентов и доли бакалавров в общем количестве занятых) K ( на ВВП через эффективность использования капитала для США Расчетная формула В табл. 8 и на рис. 5 показано отношение расчетного ВВП 2002. ( 91 %. рассчитать не представляется возможным, поскольку отсутствуют, данные об общем количестве специалистов в стране за рассматриваемые года, имеется только информация за 20022002.более поздний период времени отсутствуют данные, поскольку не проводилась перепись населения и, соответственно, не рассчитывался уровень образования).

Таблица 8. Отношение расчетного ВВП к реальному (патентов и доли бакалавров в общем количестве занятых) на ВВП через эффективность использования капитала для США знаний (разброс значений не более 2,25 %). Чуть менее хорошие показа-%).

тели имеет модель влияния кодифицированных и некодифицированных знаний на ВВП через производственную функцию (не более 4 %), одна-%), ко, она учитывает большее количество факторов (четыре). Определенный интерес представляет собой коэффициент, учитывающий факторы «Количество патентов» и «Количество бакалавров/специалистов».

Имеющаяся технология, выраженная в кодифицированных знаниях (патенты), может эффективно работать только с определенным числом ), высококвалифицированных работников, которые могут воспринять эти знания и использовать их (количество бакалавров). Для США подтверждается предположение о связи экономики и человеческого капитала.

Интуитивно это понятно, и нами были получены количественные параметры этой связи.

2. В России аналогичная модель показала низкие значения качества 2. отношения расчетного ВВП к реальному. Поэтому можно сделать вывод о том, что аналогичных США зависимостей в России не, имеется.

3. Можно предложить индикатор, характеризующий возможность где I – индикатор, характеризующий потенциальную способность эко-, логий; P – количество патентов, созданных в стране (или в мире, если необходимо рассмотреть возможности страны по использованию мирового потока знаний); Q – количество бакалавров (специалистов), выпущенных за год.

Рассчитаем показатель (4), используя эмпирические данные развитых стран. Результаты расчетов приведены в табл. 9. Как видно, в США количество патентов, приходящееся на одного бакалавра значительно ниже, чем в России. Поэтому экономика имеет больше возможностей использовать имеющиеся на рынке знания и внедрять их в производство. В то время как в России такие возможности ниже в 1,4 раза. Следствием чего является невозможность использовать такое большое число знаний, которое уже накоплено в мире.

Таблица 9. Соотношение патентов и работников, способных их использовать (по данным на 2006 г.) Количество патентов, Количество специалистов/ количества специалистов Страна всего в мире бакалавров, тыс. чел. (патентов на тыс. специалистов/ Рассматривая положение с патентными заявками, можно наблюдать аналогичную картину. В России имеется слишком мало патентов на имеющееся количество исследователей, что свидетельствует о низкой эффективности системы генерации знаний.

4. Расчет эластичности функции по патентам и количеству бакалавров для модели влияния кодифицированного и некодифицированного капитала знаний на ВВП через производственную функцию позволит определить степень влияния кодифицированного и некодифицированного капитала знаний (см. табл. 10).

Таблица 10. Эластичность модели влияния кодифицированного и некодифицированного капитала знаний на ВВП Рассчитано на основе: [8–11, 13–15].

На основе анализа таблицы можно сказать, что эластичность выпуска в США по патентам и количеству бакалавров постепенно возрастает, однако оставаясь все же ниже 1 – функция является неэластичной. Необходимо отметить, что эластичность функции по патентам несколько выше, чем по количеству специалистов и возрастает быстрее, чем последняя. Причиной тому может служить большая инерционность системы образования и трудовых ресурсов – для того, чтобы подготовить новых бакалавров в США требуется не менее 4 лет.

Для России эластичность по данной модели рассчитана не будет, поскольку модели, на основе которых возможен был бы расчет, отсутствуют – качество моделей низкое.

1. Jones C. Introduction to economic growth. N. Y.: W. W. Norton & Company, 1998.

2. Арефиев Н. Г., Арефьева А. И. Комбинаторный рост и эффект масштаба // Электронный доступ: [www.econorus.org/consp/files/r6fj.doc].

3. Макаров В. Л., Бахтизин А. Р., Бахтизина Н. В. Вычислимая модель экономики знаний // Экономика и математические методы. Т. 45.

4. Шанин С. А. Метод учета влияния научно-технического прогресса на экономическое развитие в межотраслевой модели RIM // Проблемы прогнозирования. № 1. 2007.

5. Завгородний С. В. Моделирование воздействия процесса роботизации на экономический рост. Автореферат диссертации на соискание ученой степени кандидата экономических наук. СПб., 2009.

6. Степанова Т. Е., Манохина Н. В. Экономика, основанная на знаниях (теория и практика): Учебное пособие. М.: Гардарики, 2008.

7. Статистика ООН // Электронный доступ: [http://unstats.un.org/unsd/ snaama/introduction.asp].

8. Получение образования в США. Бюро трудовой статистики США // Электронный доступ: [http://www.census.gov/population/www/socdemo/educ-attn.html].

9. Employment status of the civilian noninstitutional population. Бюро трудовой статистики США // Электронный доступ: [ftp://ftp.bls.gov/pub/ special.requests/lf/aa2003/pdf/cpsaat1.pdf].

10. Employed persons by occupation, sex, and age. Бюро трудовой статистики США // Электронный доступ: [ftp://ftp.bls.gov/pub/special.requests/lf/aa2003/pdf/cpsaat9.pdf].

11. Ежегодное патентное обозрение ИНИЦ Роспатента за 1993–2006 гг.

12. Digest of education statistics, 2010 // Электронный доступ: [http://nces.

ed.gov/programs/digest/d10/tables/dt10_279.asp?referrer=list].

13. Российский статистический ежегодник. 2008: Стат. сб. / Росстат. – Р76. М., 2008. С. 137, табл. 5.4; 253, табл. 7.55; 254, табл. 7.56.

14. Российский статистический ежегодник. 2009: Стат. сб. / Росстат. – Р76. М., 2009. С. 136, табл. 5.5; 251, табл. 7.51; 252, табл. 7.52.

15. «Группа восьми» в цифрах. 2009. Стат. сб. / Росстат. Г90. M., 2009.

С. 96, табл. 10.6; с. 97, табл. 10.8.