Моделирование генерации новых технологических знаний Текст научной статьи по специальности «Экономика и бизнес»

Экономико-математическое

моделирование

МОДЕЛИРОВАНИЕ ГЕНЕРАЦИИ НОВЫХ ТЕХНОЛОГИЧЕСКИХ ЗНАНИЙ

Е.В. ПОПОВ,

доктор экономических наук, профессор, заместитель директора Института экономики УрОРАН

М.В. ВЛАСОВ,

кандидат экономических наук Институт экономики УрО РАН, г. Екатеринбург

Современный уровень социально-экономического развития общества предложил миру в качестве нового стержня социально-экономического развития экономику, основанную на знаниях. Исследования трудовой стоимости заменяются исследованиями стоимости, создаваемой знаниями, как подчеркивает Т. Сакайя: «Мы вступаем в новый этап цивилизации, на котором движущей силой являются ценности, создаваемые знаниями» [1].

Сложившиеся экономические отношения обусловливают высокие потребности в новых знаниях, новой технике, что связано со значительным износом основных фондов, а также появлением совместных производств на территории России, заводов крупных иностранных корпораций. Более того, согласно позиции У. Баумоля, высокотехнологичные фирмы воспроизводят режим технологической гонки, поскольку ни одна из таких фирм не может отстать от своих конкурентов, иначе она потеряет свои рыночные позиции [2]. Это обусловливает актуальность исследования теоретико-методологических основ экономики знаний.

Достаточно большое число исследований посвящено решению задач экономики, построенной на знаниях. Однако оценка издержек и эффективности генерации новых знаний остается на сегодняшний день не до конца решенной проблемой.

Целью настоящего исследования является осуществление дифференциации по влиянию на

изменения в технологических процессах и моделирование генерации новых знаний.

Развитие новых производственных отношений и неудовлетворенные потребности хозяйствующих субъектов в новых производственных технологиях предопределили возникновение и становление в 1950 — 1960-е гг. экономики знаний. Важность роли знаний Ф. Хайек подчеркнул также и в своей нобелевской лекции.

Термин «информационное общество» был введен в научный оборот в начале 1960-х гг. Ф. Ма-хлупом, обосновавшим значимость производства новых знаний для развития производственной деятельности экономических агентов.

С конца 1990-х гг. в экономической науке и практике стали широко применяться два понятия: «экономика, основанная на знаниях» и «экономика, основанная на информации». Эти термины были призваны очертить новый сектор экономики; взятые вместе, они соответствуют понятию постиндустриального общества, изучаемого со второй половины XX в.

В российской научной литературе решению проблем производства новых знаний посвящены работы В. Л. Макарова, Д. С. Львова, Г. Б. Клейнера.

Актуальность вопросов моделирования генерации новых знаний неоднократно рассматривалась на страницах журнала «Экономический анализ» в статьях Л. Н. Оголева, В. М. Радиковской и других [3].

Дифференциация новых знаний по их влиянию на изменения в технологических процессах (где dp — изменение прибыли; ОТС — издержки генерации новых знаний)

Тйп новых знаний Влияние на изменения в технологических процессах Доля данного типа в общем объеме новых знаний Влияние на прибыль

Качественные знания Слабое Оперативная реакция на изменение внешних условий Не оказывают влияния на технологические процессы Доля уменьшается с увеличением производства новых знаний ёР = 0

Структурные знания Среднее Внесение изменений в структуру хозяйствующего субъекта Не оказывают влияния на технологические процессы Доля уменьшается с увеличением производства новых знаний ёР = еошКёТС

Функциональные знания Сильное Изменение технологических процессов Доля увеличивается с увеличением производства новых знаний ёР > ёТС

1. Дифференциация новых знаний

Согласно исследованию технологического института Джорджии, который вот уже 20 лет занимается оценкой технологических индикаторов в России1, сегодня на НИОКР хозяйствующими субъектами выделяется не более 10 % всего объема инвестиций при необходимом уровне в 30 — 50 %.

Несоответствие фактических и желательных объемов производства новых знаний объясняется отсутствием в отечественной научной литературе разработанных методик по дифференциации вносимых ими изменений в производственные процессы.

Й. Шумпетер выделил следующие типичные изменения производственных процессов: использование новой техники, новых технологических процессов; внедрение продукции с новыми свойствами; изменения в организации производства и материально-техническом обеспечении [4].

В своей монографии чешский исследователь Ф. Валента осуществил классификацию глубины вносимых изменений в технологический процесс: простейшее качественное изменение, характеризующееся небольшими материальными затратами, отсутствием риска осуществления изменений и соответственно незначительным изменением прибыли, при этом первоначальные признаки системы не меняются; более глубокое изменение процессов, характеризующееся более значительными материальными вложениями, наличием рисков осуществления, что позволяет повышать уровень прибыльности производственной деятельности, при этом меняются все или большинство свойств системы, но базовая структурная концепция со-

1 По данным GIT, High Tech Indicators, 2007.

храняется; высшее изменение в функциональных свойствах системах или ее части, которое меняет ее функциональный принцип, характеризующееся значительными финансовыми затратами, высокими рисками осуществления [5].

Внедрение новых знаний в деятельность хозяйствующих субъектов изменяет производственные процессы, что обусловливает необходимость классификации новых знаний по глубине вносимых изменений. Авторы предлагают следующую дифференциацию новых знаний по глубине вносимых изменений в технологические процессы (см. таблицу).

Авторами было проведено исследование распределения доли производства новых знаний по степени изменяющего воздействия на производственные процессы хозяйствующих субъектов (рис. 1).

Из анализа данных рис. 1, построенного авторами в результате исследований, следует, что:

1) финансирование производства новых знаний в объеме менее 8 % от прибыли, на развитие качественных новых знаний не позволяет хозяйствующим субъектам оптимизировать технологическую деятельность и соответственно получать прибыль в результате внедрения новых знаний;

2) существенные изменения технологических процессов и прибыль от внедрения новых знаний возникают при объемах финансирования производства новых знаний более 8 % от прибыли и доли новых знаний, результатом внедрения которых являются функциональные изменения технологических процессов более 30 % от общего объема внедренных новых знаний.

В современных условиях более 50 % российских предприятий в качестве основной стратегии по

DNK, 70 %

Рис. 1. Динамика изменения прибыли (АП) в зависимости от распределения объемов производства новых знаний по степени воздействия на производственные процессы, %: ЖК — качественные изменения; ЖК — структурные изменения;

производству новых знаний осуществляют финансирование новых знаний качественного характера, что не обеспечивает изменения технологических процессов и получения конкурентных преимуществ, а соответственно, и увеличения прибыли.

Стратегия, оптимизирующая деятельность по производству новых знаний и позволяющая увеличивать прибыль в результате внедрения новых знаний, может быть описана следующей системой: dNKq < 0,28;

dNK < 0,43;

s ' '

dNKf > 0,29,

где dNKq — доля качественных новых знаний; dNKs — доля структурных новых знаний; dNKf — доля функциональных новых знаний. Осуществленная дифференциация позволяет: ученым-экономистам (полученные результаты) разрабатывать методики оценки генерации новых знаний в зависимости от необходимых, в рамках поставленной задачи, изменений технологических процессов;

хозяйствующим субъектам представленная классификация позволяет оптимизировать деятельность по генерации требуемых новых знаний в зависимости от решаемых задач.

2. Моделирование процессов генерации функциональных новых знаний

Для измерения экономики знаний Всемирным банком предлагается методика Knowledge

for Development — K4D. Данный подход, состоящий из 76 показателей, применяется для оценки эффективности использования знаний в экономике государства [6]. Необходимо отметить, что предложенная методика применима только на макроэкономическом уровне и не позволяет оценивать эффективность использования знаний на уровне хозяйствующих субъектов.

Важность оценки производства новых знаний на уровне хозяйствующих субъектов, по мнению П. Ромера и Б. У. Артура, заключается в том, что дефицита идей не существует в отличие от материальных ресурсов, а также процесс открытия новых знаний не подчиняется закону уменьшения прибыли экономических агентов. Экономика знаний возрастает в геометрической прогрессии возможностей использования рецептов решений, основанных на знаниях [7].

И. Нонака обосновал подходы к оценке эффективности деятельности по производству новых знаний. В частности, основным критерием оценки эффективности он определяет способность хозяйствующего субъекта преобразовывать неформализованные знания в формализованные [8]. Необходимо отметить, что И. Нонака не предлагал методов оценки эффективности внедрения новых знаний в деятельность хозяйствующих субъектов.

В российской научной литературе решению проблем производства новых знаний посвящены работы В. Л. Макарова, Д. С. Львова, А. Н. Козырева, В. В. Глухих и др. В. Л. Макаров исследовал основные аспекты экономики знаний, характеризующие высокую значимость их производства и внедрения новых знаний в деятельность хозяйствующих субъектов [9]. Д. С. Львов отмечает объективную необходимость усовершенствования инструментария экономических исследований, в том числе методологического аппарата экономики знаний [10].

А. Н. Козырев предложил оценивать производство новых знаний затратными методами, а учет осуществлять введением ставки дисконтирования

NK, — функциональные изменения

ёР 15

знаний оценивается предельной склонностью к конверсии (преобразованию) знаний. Коэффициент предельной склонности к преобразованию знаний позволяет определить увеличение явного знания при увеличении неявного знания на одну единицу [8]: д(ек)

8 = -

(2)

1,5

4

8

10

12

ёТС

Рис. 2. Зависимость изменения прибыли от издержек генерации новых

знаний, %:

сплошная линия — данные эмпирического исследования; пунктирная линия — данные теоретических исследований

[11]. Однако, как отмечает В. В. Глухов, затратные методы оценки производства и введение ставки дисконтирования не позволяют оценить значимость и эффективность генерации новых знаний [12].

Таким образом, авторы отмечают отсутствие в современной научной литературе разработанных методов анализа деятельности по генерации новых знаний, что также обусловливает низкую активность хозяйствующих субъектов по организации научных исследований и совершенствованию технологических процессов.

В своих исследованиях Р. Солоу предложил следующую модель результативности внедрения нововведений, приводящих к изменению технологических процессов [13]:

АР = ехр(ТС, а), (1)

где АР — изменение прибыли в результате нововведений;

а — темп капиталоувеличивающего научно-технического прогресса.

Несмотря на получение формулы, описывающей увеличение капитала в зависимости от влияния научно-технического прогресса, Р. Солоу не представил метод описания темпа капитало-увеличивающего научно-технического прогресса, т. е. данный коэффициент на сегодняшний день не имеет формализованного вида в мировой научной литературе.

Предложенный И. Нонака коэффициент конверсии знаний позволяет определить приращение явных или неявных знаний при увеличении одной единицы неявных или явных знаний. При этом эффективность деятельности по получению новых

д(Гк)

где 8 — коэффициент предельной склонности к преобразованию знаний;

д (ек) — приращение явных знаний2;

д (к) — приращение неявных знаний3.

Коэффициент предельной склонности к преобразованию знаний позволяет оценить деятельность, направленную на производство новых знаний.

В модели результативности генерации технологических новых знаний, полученной Р. Солоу (1), авторы считают необходимым в качестве коэффициента темпа научно-технического прогресса использовать коэффициент конверсии (2).

Таким образом, авторы предлагают следующую оценку прибыли, получаемой в результате генерации новых знаний.

АР = ехр8*Тс. (3)

В целях верификации авторских гипотез в 2006 — 2007 гг. сотрудниками Института экономики УрО РАН было проведено эмпирическое исследование российских предприятий по проблематике оценки результатов производства знаний. Во время исследования были опрошены сотрудники более чем 100 российских предприятий. На основе экспериментального исследования была подтверждена предложенная авторами зависимость изменения прибыли хозяйствующего субъекта, получаемая в результате генерации новых знаний, от уровня трансакционных издержек этой деятельности (рис. 2).

2 Явное знание — это неличностное, формализованное, распространяемое знание. Татаркин А. И., Попов Е. В., Власов М. В. Основные термины современной экономической теории. — Екатеринбург: Институт экономики УрО РАН, 2008.

3 Неявное знание — это знание, требующее дополнительной

теоретико-методологической проработки (исследований) или

экспериментальной проверки (подтверждения). Татаркин А. И.,

Попов Е. В., Власов М. В. Основные термины современной

экономической теории. — Екатеринбург: Институт экономики

УрО РАН, 2008.

Как следует из данных рис. 2 практическая зависимость изменения прибыли имеет экспоненциальный вид, коэффициент корреляции с предложенным авторами математическим описанием составляет 96 %, что подтверждает практическую верификацию теоретической гипотезы.

Полученная авторами зависимость изменения прибыли, получаемой в результате генерации новых знаний, позволяет хозяйствующим субъектам:

во-первых, по результатам текущей деятельности определять коэффициенты конверсии подразделений, занимающихся НИОКР, что ранее не представлялось возможным; во-вторых, осуществлять планирование и контроль деятельности по генерации новых знаний, что также ранее не представлялось возможным ввиду отсутствия математических зависимостей.

Список литературы

1. Сакайя Т. Стоимость, создаваемая знаниями, или История будущего // Новая индустриальная волна на Западе: Антология/ Под ред. В. Л. Иноземцева. — М., 1999.

2. Baumol W. Red-Queen Games: arm races, rule of law and market economies // Journal of Evolutionary Economics, 2004, vol. 12(2).

3. ОголеваЛ. Н, РадиковскийВ. М. Модели возникновения, освоения и материализации научных знаний // Экономический анализ: теория и практика. — 2008. — №8.

4. Шумпетер Й. Теория экономического развития. 1911 — 1936. — М.: Прогресс, 1982.

5. Валента Ф. Управление инновациями. — М.: Прогресс, 1985.

6. Экономика, основанная на знаниях. — М.: РАГС. 2006

7. ЭдвинссонЛ. Корпоративная долгота: навигация в экономике, основанной на знаниях. — М.: Инфра-М, 2005.

8. Нонака И., ТакеучиХ. Компания — создатель знания. Зарождение и развитие инноваций в японских фирмах. — М.: ЗАО «Олимп-Бизнес», 2003.

9. Макаров В. Л. Экономика знаний: уроки для России // Вестник РАН. — 2003. — № 5.

10. Львов Д. С. Экономическая теория и хозяйственная практика // Экономическая наука современной России. - 2000. - № 5.

11. Козырев А. Н, Макаров В. Л. Оценка нематериальных активов и интеллектуальной собственности. — М.: РИЦ ГШ ВС РФ, 2003.

12. Глухов В. В., Коробко С. Б., Маринина Т. В. Экономика знаний. — СПб.: Питер, 2003.

13. Solow R. Technical Change and the Aggregate Prodaction Fanction // Review of economics and statistics. 1957. v. 39

14. Татаркин А. И., ПоповЕ. В., ВласовМ. В. Основные термины современной экономической теории. — Екатеринбург: Институт экономики УрО РАН, 2008.