CC BY
60
Вестник Челябинского государственного университета. 2019. № 7 (429). Экономические науки. Вып. 65. С. 49—59.
УДК 338.1 10.24411/1994-2796-2019-10706
ББК 65.050.23-55
АНАЛИЗ ИНСТИТУТОВ ГЕНЕРАЦИИ ЗНАНИЙ УМНОГО ГОРОДА В УСЛОВИЯХ ЦИФРОВОЙ ЭКОНОМИКИ
М. В. Власов, С. В. Паникарова
Уральский федеральный университет им. первого Президента России Б. Н. Ельцина, Екатеринбург, Россия
Цель исследования — построение типологии институтов генерации знаний умного города в условиях цифровой экономики на основе выявления взаимосвязи между результативностью генерации новых знаний и цифровыми ресурсами в умном городе в условиях цифровой экономики. Предложен показатель количественной оценки результативности генерации новых знаний в условиях цифровой экономики — «цифровая скорость». Это количественный показатель, характеризующий прирост результативности генерации знаний при увеличении использования цифрового ресурса на 1 %. Проведен корреляционный анализ, позволивший выделить факторы цифровой экономики, оказывающие влияние на процессы генерации знаний умного города. Рассчитаны цифровые скорости прироста результативности генерации разных видов новых знаний в зависимости от типов использования цифровых ресурсов. На основе рассчитанных корреляционных зависимостей и цифровых скоростей генерации новых знаний промышленными предприятиями умного города в условиях цифровой экономики построена типология институтов генерации знаний умного города. Выделены устойчивые, эффективные институты, дальнейшее развитие которых позволит повысить результативность процессов генерации новых знаний умного города. Вывод: применение принципов и идей институционального моделирования процессов генерации знаний умного города позволяет формировать полноценные прогностические модели использования социо-технологических драйверов развития умных городов в условиях цифровой экономики.
Ключевые слова: умный город, цифровая экономика, институты генерации знаний, институциональная теория, моделирование, инновации, типология, эффективность, прогноз, экономическое развитие.
Основные положения
• Предложен показатель количественной оценки результативности генерации новых знаний в условиях цифровой экономики — «цифровая скорость».
• Проведен корреляционный анализ, позволивший выделить факторы развития цифровой экономики, оказывающие влияние на процессы генерации знаний умного города.
• Рассчитаны цифровые скорости прироста результативности генерации видов новых знаний в зависимости от типов использования цифровых ресурсов.
Введение
В начале XXI в. в мире наблюдается устойчивая тенденция — тенденция глобальной урбанизации, при этом, по различным оценкам, доля городского населения к концу века составит более 80 % жителей планеты. В этих условиях именно город стал центром интересов в общественных науках, а особенно в экономической. Вследствие развития новых технологий и тотальной цифровизации города стали сочетать в себе такие две важнейшие функции жизнедеятельности человека, как производственная и жилая, что привело к возникновению понятия «умный город».
Использование цифровых технологий в государственном и муниципальном управлении привело
к возникновению новых современных доктрин развития городов и урбанизированных территорий. Одной из наиболее важных доктрин развития общества на основе цифровых технологий является «Умный город» — инновационная доктрина, в которой использование информационно-коммуникационных технологий, интеллектуального потенциала территории обеспечивает формирование устойчивой связи между индивидом и знанием, позволяющей максимально удовлетворять потребности современного и последующих поколений. В связи с этим именно «умные города» становятся наиболее актуальной темой научных исследований.
Процессы генерации знаний умного города в условиях цифровой экономики
Рассмотри основные подходы к трактовке понятия «умный город».
Умный город — это инновационный город, который использует информационно-коммуникационные технологии и другие средства для улучшения качества жизни, эффективности городской деятельности, когда потребности существующего и будущих поколений соответствуют экономическому, социальному, экологическому и культурному развитию [1].
По мнению А. Herscovici, умный город, как экономическое понятие, испытывает недостаток в ряде
последовательных критериев оценки его эффективности, особенно с точки зрения развития в нем инноваций [2].
С другой стороны, умные города — глобальное явление, потому что они распространяются во всем мире и появляются с различными взаимозависимостями на глобальном уровне [3].
Ряд ученых (F. P. Appio, M. Lima, S. Paroutis) считают, что умные городские инициативы распространяются во всем мире в феноменальном темпе. Их смелое стремление состоит в том, чтобы увеличить конкурентоспособность местных сообществ с помощью инноваций, увеличивая качество жизни для его граждан посредством лучших социальных услуг и более чистой окружающей среды [4].
В современных условиях, по мнению таких авторов, как V. Baradaran, S. Farokhi, Z. Ahamdi, вследствие того что мир все быстрее перемещается к цифровому обществу, переход к виртуальным городам неизбежен из-за прироста населения и преобразования человеческих отношений [5].
По мнению J. Anttila, K. Jussila, умные города — это результат проявления 4-й промышленной революции и промышленности 4.0, которые подразумевают инновации, лучшее планирование, более объединенный подход к высокой энер -гоэффективности, лучшее транспортные решения и интеллектуальное использование информационно-коммуникационных технологий [6].
Построенные на основе технологических инноваций, умные города — сложные экосистемы, у которых есть потенциал, чтобы улучшить качество городской жизни населения, обрабатываемость информационных ресурсов и устойчивость развития через сеть людей, процессов и данных. По словам J. Macke, R. M. Casagrande, J.A.R. Sarate, K. A. Silva, понятие «умный город» способствует развитию технологических инноваций и решениям на их основе по повышению качества жизни городского населения [7].
Умный город — все более популярная тема в городской застройке, пробуждает и волнение, и скептицизм наиболее крупных застройщиков. Однако, несмотря на увеличивающийся энтузиазм относительно изящества городов, понятие все еще рассматривается как несколько уклончивое. Основываясь на существующих академических взглядах на изящество городов и инновационную литературу, M. Nilssen в своей статье развивает типологию умных городских инициатив на основе степени и типов инноваций, которые они включают. По этого автора, типология инноваций
и соответствующих новых знаний должна быть структурирована как умный городской континуум, включая четыре размера инноваций: 1) технологический, 2) организационный, 3) совместный, 4) экспериментальный [8].
Умные города — сложные экосистемы со взаимосвязанными системами или системой систем. Следовательно, управление умными городами очень важно из-за большого количества заинтересованных сторон, разнообразия прикладных областей, разнородности источников данных и сложности умных систем. Тем не менее очень мало исследований направленно на анализ эффективности деятельности умных городов, и в мировой литературе отсутствуют количественные оценки использования цифровой экономики в умных городах [9].
В своем исследовании D. Novikov и M. Belov утверждают, что именно сложная деятельность человека является фундаментальным элементом любой экономики, включая цифровую. В связи с вышеупомянутым развитие методологических аспектов, методов моделирования цифровой экономики является актуальной и неотложной задачей [10].
Однако в современных экономических исследованиях вопросы институционального моделирования процессов генерации знаний умного города в условиях цифровой экономики не нашли своего необходимого рассмотрения.
Цель данного исследования — построение типологии институтов генерации знаний умного города в условиях цифровой экономики, на основе выявления взаимосвязи между результативностью генерации новых знаний и цифровыми ресурсами в умном городе в условиях цифровой экономики.
Развитие цифровой экономики кардинально изменило правила ведения бизнеса и повседневную жизнь человечества, предоставляя беспрецедентные услуги и удобства [11].
В современных условиях высокими темпами происходит переход к цифровой экономике, в которой подразумевается использование цифровых технологий во всех сферах экономики. Именно в сфере цифровой экономики наблюдается наибольший прирост новых предприятий и рабочих мест, к такому выводу приходят E. Ansong, R. Boateng в своем эмпирическом исследовании [12].
На современном этапе развития экономических отношений, по мнению A. Negrea, G. Ciobanu, C. Dobrea, S. Burcea, только развитие цифровой экономики и оцифровка всей информации, ис-
пользуемой компаниями и различными органами власти, является основным драйвером строительства умного общества в частности и экономики знаний в целом [13]. И именно цифровые ресурсы становятся основным источником создания общественных ценностей [14].
По мнению Д. В. Евтяновой и М. В. Тирановой, цифровая экономика — это возможности автоматизации процессов, основанных на информационных технологиях управления хозяйством. Таким образом, именно применение современных информационных технологий является наиболее важным фактором повышения эффективности управления деятельностью экономическими агентами [15].
И. В. Сударушкина и Н. А. Стефанова считают, что цифровая экономика — результат, возникающий в качестве эффекта трансформационных взаимодействий новых технологий в информационно-коммуникационной сфере и оказывающий воздействие на все отрасли социально-экономической деятельности [16].
По мнению D. №ре^И, у цифровых технологий есть потенциал модернизировать мировую экономику. Цифровые инновации, основанные на новых знаниях, позволяют решить множество проблем: увеличение прибыли от использования данных, разнородности цифровых инновационных акторов и экосистемы, цифровые навыки в предпринимательской культуре, финансирование, рост числа новых участников, технологическая совместимость и защита интеллектуальной собственности. Таким образом, именно цифровые инновации, основанные на новых знаниях, являются основой получения выгоды от цифровых технологий на всех уровнях хозяйствования, в том числе и при планировании развития территорий и умных городов [17].
Также необходимо отметить, что ряд авторов рассматривают цифровые отношения как новый экономический институт, со своими особыми нормами и механизмами [18].
Основной задачей умного города является разработка механизмов внедрения информационно-коммуникационных решений для обеспечения повышения уровня жизни населения города [19]. В этой ситуации умный город описывается следующими индикаторами: умный менеджмент, умная экология, умная экономика и мобильность населения города [20].
Умные города должны соответствовать тренду устойчивого развития и обеспечивать высокий уровень жизни населению города, используя при этом информационные и цифровые технологии
для контроля потребления ресурсов [21]. В то же время авторы рассматриваемого исследования не предлагают инструментарий или методологию количественной оценки процессов развития умного города.
В своем исследовании Z. А11ат, Z. А. Dhunny приходят к выводу, что города все больше поворачиваются к специализированным технологиям, чтобы решить проблемы, связанные с обществом, экологией, морфологией и мн. др. Развивающееся понятие «умные города» высоко поощряет эту перспективу, однако стимулировать развитие экономического роста умные города могут только посредством развития интеллектуального капитала и повышения результативности генерации новых знаний умного города [22].
Два десятилетия исследований умных городов, по мнению S. М. Е. Sepasgozar, S. Hawken, S. Sargo-^е^ М. Foroozanfa, представили умные города как универсальное стремление к развитию новых технологий и нового качества жизни, не учитывая, однако, при этом местные культурные различия. У будущих умных городов есть несколько задач. Во-первых, это выбор культурно соответствующих технологий из обширного множества глобальных технологий. Вторая задача заключается в институциональной адаптации таких технологий, третья состоит в управлении применением таких технологии [23].
Научная статья G. F. Camboim, Р. А. Zawis1ak, N. А. Ри!^! посвящена раскрытию и определению ведущих элементов, которые делают город умнее, на основе литературы, интервью с экспертами и изучения «умных городских проектов» (Амстердам, Барселона, Лиссабон, Вена). Результаты показывают, что умный город — это городская инновационная экосистема, основанная на новых знаниях с учетом взаимодействия и сотрудничества различных заинтересованных сторон с целью удовлетворения потребностей в обеспечении гибкой институциональной структуры, интегрированной модели управления, циф -ровой зеленой инфраструктуры, а также в функциональном городском проектировании, включая разнообразные удобства и средства. Авторы приходят к выводу, что именно новые знания, обеспеченные соответствующей институциональной структурой, позволяют делать города умнее [24]. Необходимо отметить, что указанное исследование не предлагает какой-либо качественной или количественной оценки, либо институтов, либо институциональной структуры. В то же время
именно эффективная институциональная структура обеспечивает целенаправленное системное развитие умных городов.
По мнению ученых E. Ismagilova, L. Hughes, Y K. Dwivedi, K. R. Raman, умный город—это прежде всего город, основанный на знаниях, что подтверждает проведенное ими исследование: в городах, в которых хозяйствующими субъектами осуществляется генерация новых знаний, происходит опережающие развитие качества и условий жизни населения. Причем основным ресурсом генерации знаний в умном городе являются цифровые и информационно-коммуникационные технологии [25]. Однако в данном исследовании не рассматриваются вопросы количественной оценки процессов генерации знаний.
Таким образом, для анализа процессов генерации знаний в умном городе в условиях цифровой экономики необходимо разработать инструментарий экономического моделирования. На современном этапе развития экономической науки наиболее универсальным инструментом моделирования процессов генерации знаний умного города в условиях цифровой экономики является методологический аппарат институциональной экономической теории.
Проведенный нами теоретический анализ вопросов генерации знаний умными городами в условиях цифровой экономики позволил сделать следующие выводы.
Во-первых, именно умные города практически единогласно признаются учеными всего мира как основное направление развитие социально-экономических отношений.
Во-вторых, новые знания и процессы генерации новых знаний являются важнейшим фактором, обеспечивающим развитие умных городов.
В-третьих, на сегодняшний день в мировой научной экономической литературе отсутствуют количественные оценки процессов развития умных городов в условиях цифрового города.
Таким образом, в целях разработки количественных оценок развития умных городов в условиях цифровой экономики, что является актуальной научной проблемой, предлагаем подход к решению данной проблемы на основе инструментария институциональной экономической теории.
Процедура исследования
Методологической основой нашего исследования явились данные эмпирического экономического исследования, осуществленного на крупных и средних обрабатывающих предприятиях Екатеринбурга. В ходе этого эмпирического исследования соби-
ралась информация о динамике объема использования цифровых ресурсов и динамике получения новых результатов интеллектуальной деятельности за последние пять лет — с 2014 по 2018 г. По таким признакам, как отрасль производства и наличие процессов генерации знаний, из предприятий города Екатеринбурга численностью более 100 чел. нами сформирована выборка предприятий. Всего в исследовании приняли участие 110 предприятий, отраслевая принадлежность которых соответствовала совокупности предприятий города Екатеринбурга. С целью оценки влияния процессов цифровой экономики на процессы генерации знаний на выбранных предприятиях обрабатывающей промышленности Екатеринбурга было проведено интервьюирование их топ-менеджеров.
В ходе интервьюирования проверялись следующие гипотезы:
— существует зависимость между динамикой использования цифровых ресурсов и динамикой результативности процессов генерации новых знаний;
— увеличение использования цифровых ресурсов приводит к увеличению результатов генерации новых знаний;
— различные типы цифровых ресурсов по-разному влияют на результативность различных типов новых знаний.
Для анализа данных с целью верификации гипотез использовался корреляционный анализ, который показывает взаимосвязь двух и более величин. Коэффициент корреляции отражает силы связи между рядами данных. При оценке силы связи коэффициентов корреляции используется шкала Чеддока [26].
Трактовка коэффициента корреляции:
1) больше 0,75 — развитая, устойчивая связь, то есть сформировался развитой устойчивый институт;
2) от 0,5 до 0,74 — изменяющаяся, неустойчивая связь, развивающийся институт;
3) от 0,25 до 0,5 — частичная, неустойчивая связь, формирующийся институт;
4) менее 0,25 — отсутствие связи, институциональная ловушка.
Для анализа влияния цифровых ресурсов на процессы генерации знаний предлагаем использование показателя «цифровая скорость генерации знаний», рассчитываемого по следующей формуле:
Уйу = йШ / dRdj,
где Уйг] — цифровая скорость генерации г-го типа знаний при использовании ]-го типа цифрового
ресурса; dKi — прирост 7-го типа знания; dRdj — прирост ^го цифрового ресурса.
Как следует из формулы, если Vdij > 1, то это означает увеличение цифрового ресурса на 1 % и приводит к изменению результативности генерации знаний более чем на 1 %, то есть прирост новых знаний опережает рост используемых цифровых ресурсов. Деятельность по генерации знаний, построенная такая образом, считается эффективной.
Если 0 < Vdij < 1, то это неэффективный институт, когда при увеличении использования цифрового ресурса на 1 % происходит прирост менее чем на 1 % новых знаний.
Если Vdij < 0, то это означает, что увеличение цифрового ресурса не приводит к уменьшению результативности процессов генерации знаний. Деятельность по генерации знаний, построенная такая образом, находится в состоянии институциональной ловушки.
Таким образом, цифровая скорость генерации знаний — количественный показатель, характеризующий прирост результативности процессов генерации знаний при увеличении использования цифрового ресурса на 1 %.
Типология институтов генерации знаний
В результате проведенного исследования получены следующие парные корреляционные зависимости между видами новых знаний и применением цифровых технологий, представленные в составленной нами табл. 1.
Из анализа данных табл. 1 все три рабочие гипотезы подтвердились:
— существует зависимость между динамикой использования цифровых ресурсов и динамикой результативности процессов генерации новых знаний;
— увеличение использования цифровых ресурсов приводит к увеличению результатов генерации новых знаний;
— различные типы цифровых ресурсов по-разному влияют на результативность различных типов новых знаний.
На основе полученных эмпирических данных можно сформулировать типологию институтов генерации знаний умного города.
В первую очередь институты были разделены на три группы:
— развитые институты — те, у которых наблюдается устойчивая постоянная взаимосвязь между изменением используемых ресурсов и получаемым результатом, то есть коэффициент корреляции больше 0,75;
— развивающиеся институты — взаимосвязь между изменением используемых ресурсов и получаемым результатом наблюдается в большинстве случаев, но нельзя сказать что проявляется во всех 100 % случаев, то есть коэффициент корреляции от 0,5 до 0,75;
— формирующийся институт—взаимосвязь между изменением используемых ресурсов и получаемым результатом только начинает наблюдаться, и наблюдается менее чем в половине случаев, то есть коэффициент корреляции от 0 до 0,5.
Далее в каждой группе институтов в зависимости от цифровой скорости были выделены эффективные и неэффективные институты. Эффективными являются те институты, в результате функционирования которых прирост результативности генерации новых знаний значительно выше, чем увеличение количества цифрового ресурса, то есть увеличение использования цифрового ресурса на 1 % приводит к увеличению результатов генерации знаний больше чем на 1 %, соответственно, цифровая скорость больше 1.
Таблица 1
Корреляционные зависимости и цифровые скорости генерации новых знаний от применяемых цифровых технологий
Норма, воздействующий фактор (х) Результат, вид новых знаний (у)
Новые продукты Новые технологии
Корреляция Цифровая скорость Корреляция Цифровая скорость
Персональные компьютеры 0,91 5,31 0,95 4,79
Серверы 0,84 3,29 0,82 3,17
Локальные сети 0,78 0,95 0,79 1,75
Глобальные сети 0,61 0,73 0,57 1,09
Использование сети Интернет в организациях 0,31 0,31 0,44 0,34
Широкополосный доступ к сети Интернет в организациях 0,09 -0,12 0,12 -0,19
Неэффективный институт — когда при увеличении использования цифрового ресурса на 1 % происходит прирост менее чем на 1 % новых знаний, значение цифровой скорости находится в диапазоне от 0 до 1. Отдельно был выделен случай институциональной ловушки, это случай, когда цифровая скорость имеет отрицательное значение. Результаты мы отразили в форме таблицы (табл. 2), где представлено распределение выделенных нами институтов генерации новых знаний умного города в условиях цифровой экономики то типам: развитый эффективный институт, развитый неэффективный институт, развивающийся эффективный институт, развивающийся неэффективный институт, формирующийся неэффективный институт, институциональная ловушка. Номера институтов в табл. 2 соответствуют номерам точек на рисунке (с. 55).
Графически авторская типология институтов генерации знаний умного города в условиях цифровой экономики представлена на рис. 1.
Из анализа построенной авторами типологии, представленной на рисунке, можно сделать вывод, что на сегодняшний день институциональная структура генерации знаний умного города в условиях цифровой экономики находится в состоянии формирования. Только 50 % институтов являются эффективными, при этом необходимо отметить, что даже на этапе формирования институциональной структуры генерации знаний умного города в условиях цифровой экономики возникли институциональные ловушки, что в первую очередь говорит о необходимости аудита используемых ресурсов, планов
и стратегии по развитию процессов генерации знаний умного города в условиях цифровой экономики.
Оценка результативности генерации знаний
Как следует из результатов нашего исследования, различные цифровые ресурсы по-разному влияют на изменение результативности процессов генерации новых знаний.
Наибольшее влияние на увеличение результативности деятельности по генерации знаний умного города в условиях цифрового общества оказывает такая мера, как использование персональных компьютеров. Согласно результатам проведенного исследования, рост использования персональных компьютеров приводит к росту результативности созданию новых продуктов на 5,31 % и новых технологий на 4,79 %. В первую очередь, по нашему мнению, это связано с тем фактом, что персональные компьютеры, особенно последних моделей, позволяют значительно увеличивать расчеты, процессы моделирования, разработки и создания новых продуктов и технологий, значительно сокращая при этом использование других ресурсов, например труда, в процессах генерации новых знаний.
Вторым по значимости фактором, позволяющим увеличивать результативность генерации новых продуктов и технологий, является внедрение серверов на высокотехнологичных предприятиях умного города. При этом цифровая скорость влияния серверов на результативность генерации новых знаний в полтора раза ниже, чем при использовании персональных компьютеров. Данный факт объясняется тем, что серверы, так же как и персональные компьютеры,
Таблица 2
Типология институтов генерации знаний при использовании цифровых технологий
Тип института Название института
Развитый эффективный институт 1. Создание новых продуктов посредством персональных компьютеров 2. Создание новых технологий посредством персональных компьютеров 3. Создание новых продуктов при участии серверов ИКТ 4. Создание новых технологий при участии серверов ИКТ 5. Создание новых технологий посредством применения локальных сетей
Развитый неэффективный институт 6. Создание новых продуктов посредством применения локальных сетей
Развивающийся эффективный институт 7. Создание новых технологий посредством применения глобальных сетей
Развивающийся неэффективный институт 8. Создание новых продуктов посредством применения глобальных сетей
Формирующийся неэффективный институт 9. Создание новых продуктов с использованием сети Интернет в организациях 10. Создание новых технологий с использованием сети Интернет в организациях
Институциональная ловушка 11. Создание новых продуктов с использованием широкополосного доступа к сети Интернет в организациях 12. Создание новых технологий с использованием широкополосного доступа к сети Интернет в организациях
—1 0,9 0,8
Неэффективный
0,7 0,6 0,5 0,4 0,3 0,2 0,111 0
• 8
• 10
Устойчивый
• 2 1
4 3
7
Эффективный
-1
0
56
Неустойчивый
Распределение институтов генерации знаний при использовании цифровых технологий в координатах эффективность/устойчивость
участвуют в процессах генерации знаний и выполняют роль хранилищ и массивов по обработке больших данных, что ускоряет и удешевляет процессы генерации новых знаний на промышленных предприятиях умного города в условиях цифровой экономики.
Институты создания «новых продуктов» и «новых технологий» при использовании факторов «персональные компьютеры» и «серверы» являются высокоэффективными и устойчивыми.
Использование факторов «персональные компьютеры» и «серверы» является драйвером развития процессов генерации промышленными предприятиями умного города в условиях цифровой экономики, они одинаково важны для всех типов и видов знаний.
Факторы «локальные сети» и «глобальные сети» имеют гораздо меньшую связь (коэффициент корреляции) с процессами генерации знаний, чем два предыдущих фактора. Авторы делают вывод, что институты «новых технологий» и «новых продуктов» при воздействии факторов «локальные сети» и «глобальные сети» менее устойчивы и являются либо пограничными (развитый/развивающийся), либо развивающимися институтами. При этом эффективными являются только институты создания «новых технологий». Это может быть объяснено тем, что локальные и глобальные сети служат только инструментом передачи данных и связи сотрудников между собой и не оказывают никакого ускоряющего воздействия на процессы генерации.
Институты «новых продуктов» и «новых технологий» под воздействием использования сети Интернет
в организациях имеют еще меньший уровень корреляционной связи, и можно сделать вывод, что эти институты только формируются, при этом на сегодняшний день они являются неэффективными.
С другой стороны, увеличение использования такого цифрового ресурса, как широкополосный доступ к Интернету в организациях, приводит к уменьшению результативности процессов генерации знаний. Применение данного цифрового ресурса позволяет лишь увеличивать скорость передачи данных в организацию и из организации, но никоим образом не влияет на процессы по генерации знаний. Кроме того, во многих случаях наличие широкополосного Интернета приводит к использованию его в личных целях сотрудников, что снижает результативность процессов генерации знаний.
Из анализа вышеперечисленных результатов исследований можно сделать вывод, что организации предпочитают использовать цифровые ресурсы только для ускорения проведения расчетов либо хранения данных, именно такие институты генерации являются устойчивыми и эффективными и не считают важным делиться или получать информацию из внешней среды организации, при этом все институты, связанные с передачей данных из внешней среды и во внешнюю среду, являются не устойчивыми и неэффективными. Другими словами, устойчиво и эффективно только то, что находится внутри предприятия, все, что связано с внешним миром, неэффективно и неустойчиво.
6
5
9
1
2
3
4
Выводы
На основе выявленных корреляционных зависимостей между результативностью генерации новых знаний и цифровыми ресурсами и на ее основе построенной типологии институтов генерации знаний умного города в условиях цифровой экономики авторами проведенного исследования получены следующие теоретические и практические результаты.
Во-первых, предложен показатель количественной оценки результативности генерации новых знаний в условиях цифровой экономики — «цифровая скорость». Предложенный показатель — количественный, характеризующий прирост результативности процессов генерации знаний при увеличении использования цифрового ресурса на 1 %.
Во-вторых, проведен корреляционный анализ, позволивший выделить факторы развития цифровой экономики, оказывающие влияние на процессы генерации знаний умного города. Доказано, что такие типы цифровых ресурсов, как «персональные компьютеры» и «серверы», имеют устойчивую взаимосвязь с такими видами результатов генерации новых знаний, как «новые технологии» и «новые продукты». Такие типы цифровых ресурсов, как «использование сети Интернет в организациях» и «широкополосный доступ к сети Интернет в организациях», не взаимосвязаны и не оказывают влияния на процессы генерации знаний промышленных предприятий в умных городах. Определено, что использование персональных компьютеров и серверов повышает результативность процессов генерации знаний. Использование промышленными предприятиями сети Интернет не влияет на процессы генерации знаний умного города.
В-третьих, рассчитаны цифровые скорости прироста результативности генерации различных видов новых знаний в зависимости от различных типов использования цифровых ресурсов. Определено, что наибольшее значение цифровой скорости генерации новых знаний достигается при использовании таких типов цифровых ресурсов, как «персональные компьютеры» и «серверы». Использование же таких типов цифровых ресурсов, как «широкополосный доступ к сети Интернет в организациях», приводит к отрица-
тельному значению цифровой скорости, то есть к снижению эффективности и результативности процессов генерации знаний промышленными предприятиями умного города.
В-четвертых, на основе рассчитанных авторами корреляционных зависимостей и цифровых скоростей генерации новых знаний промышленными предприятиями умного города в условиях цифровой экономики построена типология институтов генерации знаний умного города в условиях цифровой экономики. При построении типологии устойчивость институтов оценивалась через коэффициенты парной корреляции между цифровыми технологиями и продуктами генерации знаний (от 0 до 1), эффективность применения институтов — через скорость генерации знаний (от -1 до 6). Выделены устойчивые эффективные институты, дальнейшее развитие которых позволит повысить результативность процессов генерации новых знаний умного города в условиях цифровой экономики. Вычленены развивающиеся институты, которые требуют особого контроля за процессами их функционирования с целью их дальнейшей эволюции до устойчивых эффективных институтов и недопущения их перехода в состояние институциональной ловушки. Найдена институциональная ловушка, ликвидация которой необходима для высвобождения и перераспределения ресурсов с целью повышения результативности процессов генерации новых знаний умного города в условиях цифрового города.
Таким образом, применение принципов и идей институционального моделирования процессов генерации знаний умного города позволяет формировать полноценные прогностические модели использования социо-технологических драйверов развития умных городов в условиях цифровой экономики. Теоретическая значимость проведенного исследования заключается в предложенном авторами инструменте количественной оценки процессов генерации знаний умного города в условиях цифровой экономики. Практическая значимость данного исследования заключается в возможности использования полученных результатов при планировании деятельности по генерации новых знаний умными городами в условиях цифровой экономики.
Благодарность
Исследование выполнено при финансовой поддержке РФФИ в рамках научного проекта № 19-01000850 А «Институциональное моделирование экономики интернет-пространства России».
Список литературы
1. Y-Series Recommendations // International Telecommunication Union. Telecommunication Standardization Sector. Supplement 45. — Switzerland, Geneva, 2017. — 12 p.
2. Herscovici, A. New development: Lean Thinking in smart cities / A. Herscovici // Publ. Money and Management. — 2018. — Vol. 38, iss. 4. — P. 320—324.
3. Dameri, R. P. Understanding smart cities as a glocal strategy: A comparison between Italy and China / R. P. Dameri, C. Benevolo, E. Veglianti, Y. Li // Technological Forecasting and Social Change. — 2019. — Vol. 142. — P. 26—41.
4. Appio, F. P. Understanding Smart Cities: Innovation ecosystems, technological advancements, and societal challenges / F. P. Appio, M. Lima, S. Paroutis // Technological Forecasting and Social Change. — 2019. — Vol. 142. — P. 1—14.
5. Baradaran, V. A model for evaluation and development of citizens' electronic readiness for deployment of an E-city using structural equation modeling / V. Baradaran, S. Farokhi, Z. Ahamdi // J. of Global Information Management. — 2018. — Vol. 26, iss. 4. — P. 135—157.
6. Anttila, J. Universities and smart cities: the challenges to high quality / J. Anttila, K. Jussila // Total Quality Management and Business Excellence. — 2018. — Vol. 29, iss. 9—10, 29 July. — P. 1058—1073.
7. Smart city and quality of life: Citizens' perception in a Brazilian case study / J. Macke, R. M. Casagrande, J. A. R. Sarate, K. A. Silva // J. of Cleaner Production. — 2018. — Vol. 182. — P. 717—726.
8. Nilssen, M. To the smart city and beyond? Developing a typology of smart urban innovation / M. Nils-sen // Technological Forecasting and Social Change. — 2019. — Vol. 142. — P. 98—104.
9. Hefnawy, A. Relevance of lifecycle management to smart city development / A. Hefnawy, A. Bouras, C. Cherifi // Intern. J. of Product Development. — 2018. — Vol. 22, iss. 5. — P. 351—376.
10. Novikov, D. Methodological foundations of the digital economy / D. Novikov, M. Belov // Studies in Systems, Decision and Control. — 2019. — Vol. 181. — P. 3—14.
11. Watanabe, C. A new paradox of the digital economy — Structural sources of the limitation of GDP statistics / C. Watanabe, Y. Tou, P. Neittaanmaki // Technology in Society. — 2018. — Vol. 55. — P. 9—23.
12. Ansong, E. Surviving in the digital era — business models of digital enterprises in a developing economy /
E. Ansong, R. Boateng // Digital Policy, Regulation and Governance. — 2019. — Vol. 21, iss. 2, 8 March. — P. 164—178.
13. Priority aspects in the evolution of the digital economy for building new development policies / A. Negrea, G. Ciobanu, C. Dobrea, S. Burcea // Quality — Access to Success. — 2019. — Vol. 20, iss. S2. — P. 416—421.
14. Todorut, A. V. Digital technologies and the modernization of public administration / A. V. Todorut, V. Tselentis // Quality — Access to Success. — 2018. — Vol. 19, iss. 165. — P. 73—78.
15. Евтянова, Д. В. Цифровая экономика как механизм эффективной экологической и экономической политики / Д. В. Евтянова, М. В. Тиранова // Науковедение. — 2017. — Т. 9, № 6.
16. Сударушкина, И. В. Цифровая экономика / И. В. Сударушкина, H. A. Стефанова // АНИ: экономика и упр. — 2017. — Т. 6, № 1 (18).
17. Nepelski, D. How to Facilitate Digital Innovation in Europe / D. Nepelski // Intereconomics. — 2019. — Vol. 54, iss. 1. — P. 47—52.
18. Geliskhanov, I. Z. Digital platform: A new economic institution / I. Z. Geliskhanov, , T. N. Yudina // Quality — Access to Success. — 2018. — Vol. 19, iss. S2. — P. 20—26.
19. Urban Experimentation and Institutional Arrangements / R. Raven, F. Sengers, P. Spaeth [et al.] //European Planning Studies. — 2019. — Vol. 27, no. 2. — P. 258—281.
20. Dudzeviciute, G. The Application of Smart Cities Concept for Citizens of Lithuania and Sweden: Comparative Analysis / G. Dudzeviciute, A. Simelyte, A. Liucvaitiene // Independent J. of Management & Production. — 2017. — Vol. 8, no. 4. — P. 1433—1450.
21. Smart Sustainable Cities: Bibliometric Study and Patent Information / A. R. Kobayashi, C. T. Kniess,
F. A. Serra, R. R. Ferraz, M. S. Ruiz // Intern. J. of Innovation. — 2017. — Vol. 5, no. 1. — P. 77—96.
22. Allam, Z. On big data, artificial intelligence and smart cities / Z. Allam, Z. A. Dhunny // Cities. — 2019. — Vol. 89, June 2019. — P. 80—91.
23. Implementing citizen centric technology in developing smart cities: A model for predicting the acceptance of urban technologies / S. M. E. Sepasgozar, S. Hawken, S. Sargolzaei, M. Foroozanfa // Technological Forecasting and Social Change. — 2019. — Vol. 142. — P. 105—116.
24. Camboim, G. F. Driving elements to make cities smarter: Evidences from European projects / G. F. Camboim, P. A. Zawislak, N. A. Pufal // Technological Forecasting and Social Change. — 2019. — Vol. 142. — P. 154—167.
25. Smart cities: Advances in research — An information systems perspective / E. Ismagilova, L. Hughes, Y. K. Dwivedi, K. R. Raman // Intern. J. of Information Management. — 2019. — Vol. 47. — P. 88—100.
26. Ишханян, М. В. Эконометрика. Ч. 1. Парная регрессия : учеб. пособие / М. В. Ишханян, Н. В. Карпенко. — М. : МГУПС (МИИТ), 2016. — 117 с.
Сведения об авторах
Власов Максим Владиславович — кандидат экономических наук, старший научный сотрудник Центра экономической теории Института экономики УрО РАН; доцент Уральского федерального университета им. первого Президента России Б. Н. Ельцина, Екатеринбург, Россия. mvlassov@mail.ru
Светлана Викторовна Паникарова — доктор экономических наук, научный сотрудник Института экономики Уральского отделения РАН; профессор кафедры региональной и муниципальной экономики, финансов и безопасности, Уральского федерального университета им. первого Президента России Б. Н. Ельцина, Екатеринбург, Россия. panikarova_s@mail.ru
Bulletin of Chelyabinsk State University.
2019. No. 7 (429). Economic Sciences. Iss. 65. Pp. 49—59.
ANALYSIS OF INSTITUTES OF GENERATION OF KNOWLEDGE OF A SMALL CITY IN THE CONDITIONS OF DIGITAL ECONOMY
M.V. Vlasov
Ural Federal University named after the first President of Russia B.N. Yeltsin, Ekaterinburg, Russia. mvlassov@mail.ru
S. V. Panikarova
Ural Federal University named after the first President of Russia B.N. Yeltsin, Ekaterinburg, Russia. panikarova_s@mail.ru
The purpose of this study is to build a typology of knowledge generation institutions of a smart city in a digital economy, based on identifying the relationship between the effectiveness of generating new knowledge and digital resources in a smart city in a digital economy. A measure of the quantitative assessment of the effectiveness of the generation of new knowledge in the digital economy - "Digital Speed" is proposed. The proposed indicator is a quantitative indicator characterizing the increase in the effectiveness of knowledge generation with an increase in the use of a digital resource by 1%. Secondly, the author conducted a correlation analysis, which allowed to identify the factors of the digital economy that influence the processes of knowledge generation in a smart city. Digital speeds of increase in the efficiency of generation of various types of new knowledge are calculated depending on the various types of use of digital resources. Based on the correlation dependencies calculated by the author and digital rates of new knowledge generation by industrial enterprises of a smart city in a digital economy, the author has built a typology of knowledge generation institutes of a smart city in a digital economy. Sustained, effective institutions have been identified, the further development of which will increase the effectiveness of the processes of generating new knowledge of a smart city in the digital economy. The author concludes that the application of the principles and ideas of the institutional modeling of the knowledge generation processes of a smart city makes it possible to form full-fledged prognostic models of using socio-technological drivers for the development of smart cities in the digital economy.
Keywords: smart city, digital economy, knowledge generation institutions, institutional theory, modeling, innovation, typology, efficiency, forecast, economic development.
References
1. Y-Series Recommendations. International Telecommunication Union. Telecommunication Standardization Sector. Supplement 45. Switzerland: Geneva, 2017. 12 p.
2. Herscovici A. New development: Lean Thinking in smart cities. Public Money and Management, 2018. vol. 38, iss. 4, pp. 320-324.
3. Dameri R.P., Benevolo C., Veglianti E., Li Y. Understanding smart cities as a glocal strategy: A comparison between Italy and China. Technological Forecasting and Social Change, 2019, vol. 142, pp. 26-41.
4. Appio F.P., Lima M., Paroutis S. Understanding Smart Cities: Innovation ecosystems, technological advancements, and societal challenges. Technological Forecasting and Social Change, 2019, vol. 142, pp. 1-14.
5. Baradaran V., Farokhi S., Ahamdi Z. A model for evaluation and development of citizens' electronic readiness for deployment of an E-city using structural equation modeling. Journal of Global Information Management, 2018, vol. 26, iss. 4, pp. 135-157.
6. Anttila J., Jussila K. Universities and smart cities: the challenges to high quality. Total Quality Management and Business Excellence, 2018, vol. 29, iss. 9-10, 29 July, pp. 1058-1073.
7. Macke J., Casagrande R.M., Sarate J.A.R., Silva K.A. Smart city and quality of life: Citizens' perception in a Brazilian case study. Journal of Cleaner Production, 2018, vol. 182, pp. 717-726.
8. Nilssen M. To the smart city and beyond? Developing a typology of smart urban innovation. Technological Forecasting and Social Change, 2019, vol. 142, pp. 98-104.
9. Hefnawy A., Bouras A., Cherifi C. Relevance of lifecycle management to smart city development. International Journal of Product Development, 2018, vol. 22, iss. 5, pp. 351-376.
10. Novikov D., Belov M. Methodological foundations of the digital economy. Studies in Systems, Decision and Control, 2019, vol. 181, pp. 3-14.
11. Watanabe C., Tou Y., Neittaanmaki P. A new paradox of the digital economy — Structural sources of the limitation of GDP statistics. Technology in Society, 2018, vol. 55, pp. 9-23.
12. Ansong E., Boateng R. Surviving in the digital era - business models of digital enterprises in a developing economy. Digital Policy, Regulation and Governance, 2019, vol. 21, iss. 2, 8 March, pp. 164-178.
13. Negrea A., Ciobanu G., Dobrea C., Burcea S. Priority aspects in the evolution of the digital economy for building new development policies. Quality — Access to Success, 2019, vol. 20, iss. S2, pp. 416-421.
14. Todorut A.V., Tselentis V. Digital technologies and the modernization of public administration. Quality — Access to Success, 2018, vol. 19, iss. 165, pp. 73-78.
15. Evtyanova D.V., Tiranova M.V. Cifrovaya ekonomika kak mekhanizm effektivnoj ekologicheskoj i eko-nomicheskoj politiki [Digital economy as a mechanism for effective environmental and economic policy]. Nau-kovedenie [Science of Science], 2017, vol. 9, no. 6. (In Russ.).
16. Sudarushkina I.V., Stefanova H.A. Cifrovaya ekonomika [Digital Economy]. ANI: ekonomika i upravle-nie [ANI: Economics and Management], 2017, vol. 6, no. 1 (18). (In Russ.).
17. Nepelski D. How to Facilitate Digital Innovation in Europe. Intereconomics, 2019, vol. 54, iss. 1, pp. 47-52.
18. Geliskhanov I.Z., Yudina T.N. Digital platform: A new economic institution. Quality — Access to Success, 2018, vol. 19, iss. S2, pp. 20-26.
19. Raven R., Sengers F., Spaeth P., Xie L., Cheshmehzangi A., Jong M. Urban Experimentation and Institutional Arrangements. European Planning Studies, 2019, vol. 27, no. 2, pp. 258-281.
20. Dudzeviciute G., Simelyte A., Liucvaitiene A. The Application of Smart Cities Concept for Citizens of Lithuania and Sweden: Comparative Analysis. Independent Journal of Management & Production, 2017, vol. 8, no. 4, pp. 1433-1450.
21. Kobayashi A.R., Kniess C.T., Serra F.A., Ferraz R.R., Ruiz M.S. Smart Sustainable Cities: Bibliometric Study and Patent Information. International Journal of Innovation, 2017, vol. 5, no. 1, pp. 77-96.
22. Allam Z., Dhunny Z.A. On big data, artificial intelligence and smart cities. Cities, 2019, vol. 89, June, pp. 80-91.
23. Sepasgozar S.M.E., Hawken S., Sargolzaei S., Foroozanfa M. Implementing citizen centric technology in developing smart cities: A model for predicting the acceptance of urban technologies. Technological Forecasting and Social Change, 2019, vol. 142, pp. 105-116.
24. Camboim G.F., Zawislak P.A. Pufal N.A. Driving elements to make cities smarter: Evidences from European projects. Technological Forecasting and Social Change, 2019, vol. 142, pp. 154-167.
25. Ismagilova E., Hughes L., Dwivedi Y.K., Raman K.R. Smart cities: Advances in research — An information systems perspective. International Journal of Information Management, 2019, vol. 47, pp. 88-100.
26. Ishkhanyan M.V., Karpenko N.V. Ekonometrika. Chast' 1. Parnaya regressiya [Econometrics. Pt. 1. Pair regression]. Moscow, MGUPS (MIIT) Publ., 2016. 117 p. (In Russ.).
