CC BY
42
ЦИФРОВАЯ ЭКОНОМИКА РОССИИ НА ОСНОВЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА: ПЕРСПЕКТИВНЫЕ НАПРАВЛЕНИЯ РЕГИОНАЛЬНЫХ
ИССЛЕДОВАНИЙ
В.И. Блануца, д-р геогр. наук, эксперт РАН по эконом. наукам, вед. науч. сотр. Институт географии им. В.Б. Сочавы СО РАН (Россия, г. Иркутск)
DO1: 10.24411/2411-0450-2019-11294
Статья подготовлена при финансовой поддержке РФФИ в рамках проекта № 17-03-00307-0гн «Оценка социально-географических последствий нарушения связности информационно-коммуникационного пространства России».
Аннотация. В национальную программу «Цифровая экономика Российской Федерации» необходимо внести изменения в соответствии с недавно принятой «Национальной стратегией развития искусственного интеллекта на период до 2030 года». Переосмысление функций цифровой экономики должно сопровождаться корректировкой планируемых научных исследований. К настоящему времени такая работа не выполнена. Поэтому целью исследования стало определение наиболее перспективных научных направлений изучения региональной цифровой экономики России в контексте искусственного интеллекта. Выделено пять традиционных подходов, которые необходимо трансформировать с учетом специфики функционирования искусственного интеллекта. Показано, что существует потребность в разработке новых подходов, позволяющих использовать алгоритмы искусственного интеллекта для регионального анализа распространения и взаимодействия экономических агентов в среде искусственного интеллекта.
Ключевые слова: цифровая экономика, региональная экономика, искусственный интеллект, нейронная сеть, пространственный анализ, Российская Федерация.
Программа «Цифровая экономика Российской Федерации» (Распоряжение Правительства Российской Федерации от 28 июля 2017 г. № 1632-р) в научном сообществе воспринимается неоднозначно и подвергается конструктивной критике [1-3]. На то есть ряд причин, одна из которых связана с неоднозначностью понятия «цифровая экономика» [4]. В настоящее время накладываются друг на друга цели и задачи формирования двух различных цифровых экономик. Одна из них отражает прошлое понимание процессов, когда главной целью являлась цифровизация деятельности экономических агентов, а другая - будущее понимание, нацеленное на функционирование экономических агентов в среде искусственного интеллекта. Не отрицая важность обоих установок, в стратегическом плане следует ориентироваться на цифровую экономику на базе искусственного интеллекта. Это понимают и в руководстве нашей страны, о чем сви-
детельствует «Национальная стратегия развития искусственного интеллекта на период до 2030 года» (Указ Президента Российской Федерации от 10 октября 2019 г. № 490). Принятие стратегии обусловливает необходимость корректировки направленности отечественных экономических исследований, в том числе в рамках региональной экономики.
Для оценки изученности данной проблематики на основе Научной электронной библиотеки eLIBRARY.RU были выявлены статьи, в названиях, аннотациях и ключевых словах которых присутствовали термины «цифровая экономика» (5833 статьи на 17 ноября 2019 г.), «региональная экономика» (6540 статей) и «искусственный интеллект» (4380 статей). На пересечении этих множеств отыскивались статьи, посвященные подходам, методам и результатам региональных исследований. В итоге было установлено, что нет ни одной научной статьи, посвященной применению
алгоритмов искусственного интеллекта для регионального анализа распространения и взаимодействия экономических агентов в среде искусственного интеллекта (здесь и далее используется терминология в трактовке упомянутой выше «Национальной стратегии»). Получается, что отечественная экономическая наука не готова к познанию региональной специфики развития будущей цифровой экономики. Не лучше обстоит дело и в экономической географии, где первая статья по применению алгоритмов искусственного интеллекта для собственно экономико-географических исследований появилась только в 2019 г. [5].
Несмотря на сложившуюся ситуацию, в мировой науке существует много направлений региональных исследований, которые после определенной модернизации могут использоваться для изучения будущей цифровой экономики. Их можно отнести к традиционным подходам (направлениям), поскольку используются известные алгоритмы без элементов искусственного интеллекта. Тогда к новым подходам может быть отнесено применение алгоритмов искусственного интеллекта для проведения региональных исследований. В будущем станет понятно, какие из этих подходов наиболее адекватно отражают пространственную неоднородность экономических процессов. Далее представлены только те подходы, которые, по мнению автора, являются наиболее перспективными на данный момент времени.
Традиционные направления. Российская региональная экономическая наука выработала множество оригинальных и заимствовала ряд зарубежных подходов к региональным исследованиям, которые достаточно полно представлены в отечественных научных журналах «Региональные исследования» (2002-2019 гг.) и «Regional Research of Russia» (2011-2019 гг.). Каждый из этих подходов после некоторой трансформации может использоваться для регионального анализа развития будущей цифровой экономики России. Однако в ограниченных рамках данной статьи кратко рассмотрим только пять наиболее перспективных подходов.
Районный подход традиционно является основным в отечественных региональных исследованиях [6; 7]. Он опирается на предположение о замыкании наиболее интенсивного взаимодействия экономических агентов в пределах целостной и специфичной территории, названной экономическим районом. В советский период экономический район представлял зону влияния территориально-
производственного комплекса, а в постсоветский - сферу сырьевых, товарных, финансовых и иных потоков, замыкающихся в пределах ограниченной территории. За рубежом аналогом экономического районирования является выделение функциональных районов по интенсивности междугородних поездок на работу [8; 9]. В связи с переходом на анализ «больших данных» цифровой экономики не все алгоритмы выявления районов могут быть адаптированы к новым условиям [10]. Помимо этого, существует концептуальная неопределенность по поводу сущности цифрового экономического района, иерархии таксономических единиц районирования, степени размытости границ и нестабильности районов в среде искусственного интеллекта.
Кластерный подход в некотором смысле аналогичен районному подходу, так как кластер также представляет множество интенсивно взаимодействующих экономических агентов на ограниченной территории [11; 12]. Отличие проявляется в отраслевой специфике кластеров и интегральной (общеэкономической) значимости районов. Кроме этого, вся территория страны, как правило, делится на районы, а кластеры могут быть представлены только в нескольких разрозненных ареалах. В существующей цифровой экономике России при анализе интенсивности взаимодействия (обмена трафиком) операторов связи получается очень специфичная - «столица-ориентированная» - региональная структура кластеров [13]. Сохранится ли она при переходе к цифровой экономике на основе искусственного интеллекта - не известно. Такие исследования еще не проводились.
Агломерационный подход является допустимым способом познания в условиях агломерационной экономики [14; 15]. Основная идея подхода связана с выделением агломераций как сильно взаимодействующих скоплений близко расположенных городов (очевидна аналогия с двумя предыдущими подходами). В классическом отечественном понимании [16] в городскую агломерацию входили все города, транспортная доступность которых относительно ядра (города с определенной людностью как центра агломерации) не превышала 1,5 часа. В условиях цифровой экономики используется другой критерий делимитации агломераций - задержка сигнала в сети электросвязи не более 1 миллисекунды [17]. Возможно, повсеместное распространение автономных систем искусственного интеллекта в будущем приведет к необходимости оперирования иными критериями выделения цифровых городских агломераций.
Гравитационный подход был разработан в США в середине прошлого века в рамках «социальной физики» (обзор исходных идей представлен в [18]). В основе подхода лежит закон И. Ньютона (сила взаимодействия прямо пропорциональна произведению масс двух объектов и обратно пропорциональна квадрату расстояния между ними), в котором вместо масс тел использовались объемы экономической деятельности в разных географических точках (населенных пунктах, регионах, странах). В цифровой экономике существуют свои «массы». Так, например, в недавно проведенном исследовании (еще не опубликовано; расчеты сделаны автором и К.А. Черепановым) для определения полюсов роста цифровой экономики Иркутской области использовалось количество точек доступа к сетям электросвязи (аппараты фиксированной и мобильной телефонии, стационарные компьютеры и др.) в каждом поселении. Это позволило не только выделить два полюса роста, но и распределить все поселения области по зонам воздействия полюсов. В будущей цифровой экономике «массой» может быть количество систем искусственного
интеллекта или экономические результаты их функционирования.
Дистанционно-космический подход в региональных экономических исследованиях появился относительно недавно (2015 г.), когда начал функционировать проект «China Satellite Manufacturing Index» (www.spaceknow.com). Для оперативного анализа региональной экономической активности с помощью специальных алгоритмов обработки космических снимков проводился мониторинг 6 тыс. промышленных объектов Китая. Результаты подобного анализа представляют как самостоятельный интерес, так и могут использоваться в будущих системах экономического районирования территории [10]. В настоящее время не известны способы дистанционного анализа функционирования наземных автономных систем искусственного интеллекта, но в будущем они могут быть разработаны в рамках данного подхода.
Новые направления. Реализация перечисленных выше подходов также возможна с использованием алгоритмов искусственного интеллекта. Для этого уже сделаны первые попытки интеллектуализации районирования [5] и дистанционного зондирования Земли [19]. Однако новыми следует считать только те направления, которые не имеют традиционных аналогов и отражают сущность искусственного интеллекта. В качестве таковых предложим три подхода.
Нейросетевой подход можно отнести к новым направлениям в связи с последними значительными успехами в разработке искусственных нейронных сетей [20]. Эти достижения связаны с развитием глубокого машинного обучения, что позволило с помощью нейронной сети, обученной на одном массиве данных, выявлять новые закономерности в других массивах данных. В региональных исследованиях первое наиболее полное применение нейронных сетей относится к 1998 г., когда были представлены результаты моделирования телекоммуникационного взаимодействия в Австрии и сделан вывод о получении более точных результатов по сравнению с гравитационной моделью [21]. Эвристиче-
ские возможности пространственного анализа на основе нейронной сети еще полностью не раскрыты, что в ближайшее время может привести к новым научным открытиям.
Продукционный подход был одним из самых распространенных в прошлом веке [22]. Он связан с созданием экспертных систем, в которых не поддающиеся формализации знания записывались с помощью «продукций» (правил логического вывода типа «если ..., то ...»). Система продукций может формироваться для любого метода пространственного анализа (первая попытка для районирования представлена в [5]). Однако с позиции современного искусственного интеллекта такая фиксация знаний не является достаточным. Необходимо глубокое обучение системы, чтобы была возможность генерировать новое знание. В региональных исследованиях (как отечественных, так и зарубежных) такие работы еще не выполнялись.
Платформенный подход можно отнести к перспективным направлениям по причи-
не бурного развития цифровых платформ [23], а также предположения о функционировании будущей экономики на основе таких платформ [24]. В региональных исследованиях перспективно выявление территориальных цифровых платформ [25] и их адаптация к среде искусственного интеллекта.
Заключение. Для познания региональных особенностей функционирования будущей цифровой экономики России предложено пять традиционных подходов, которые, по мнению автора, являются наиболее перспективными. Однако существует множество других подходов с не столь очевидными перспективами, но со значительным эвристическим потенциалом. К ним в первую очередь можно отнести диффузионный (анализ пространственной диффузии инноваций [26]) и потоковый (изучение региональных информационных потоков [27]) подходы. Среди новых направлений вне нашего обзора оказался мультиагентный подход (создание искусственных интеллектуальных экономических агентов - «machina economicus» [28]).
Библиографический список
1. Макогонова Н.В. Риски реализации государственной программы «Цифровая экономика Российской Федерации» // Управленческие науки в современном мире. 2018. Т. 1. № 1. С. 569-576.
2. Филькевич И.А., Игумнов О.А. Цифровая экономика в России: мировые тренды и российские возможности // Идеи и новации. 2018. Т. 6. № 2. С. 45-58.
3. Якутин Ю.В. Российская экономика: стратегия цифровой трансформации (к конструктивной критике правительственной программы «Цифровая экономика Российской Федерации») // Менеджмент и бизнес-администрирование. 2017. № 4. С. 25-72.
4. Дьяченко О.В. Дефиниция категории «цифровая экономика» в зарубежной и отечественной экономической науке // Экономическое возрождение России. 2019. № 1. С. 86-98.
5. Блануца В.И. Перспективы экономико-географических исследований в области искусственного интеллекта // Известия Саратовского университета. Новая серия. Серия Науки о Земле. 2019. Т. 19. Вып. 1. С. 4-11.
6. Колосовский Н.Н. Теория экономического районирования. М.: Мысль, 1969. 336 с.
7. Замятин Д.Н. Наукометрический анализ истории развития экономического районирования России и СССР (1761-1941 гг.) // Известия РАН. Серия географическая. 1993. № 4. С. 116-124.
8. Karlsson C., Olsson M. The identification of functional regions: theory, methods, and applications // Annals of Regional Science. 2006. Vol. 40. № 1. P. 1-18.
9. Florez-Revuelta F., Casado-Diaz J., Martinez-Bernabeu L. An evolutionary approach to the delineation of functional areas based on travel-to-work flows // International Journal of Automation and Computing. 2008. Vol. 5. № 1. P. 10-21.
10. Блануца В.И. Социально-экономическое районирование в эпоху больших данных: монография. М.: ИНФРА-М, 2018. 194 с.
11. Delgado M., Zeuli K. Clusters and regional performance // Economic Development Quarterly. 2016. Vol. 30. № 2. P. 117-136.
12. Njos R., Jakobsen S.-E., Aslesen H.W., Floysand A. Encounters between cluster theory, policy and practice in Norway // European Urban and Regional Studies. 2016. Vol. 24. № 3. P. 274-289.
13. Блануца В.И. Экономическая связность российских регионов в пространстве Интернет // Креативная экономика. 2018. Т. 12. № 5. С. 701-716.
14. Melo P.C., Graham D.J., NolandR.B. A meta-analysis of estimates of urban agglomeration economies // Regional Science and Urban Economics. 2009. Vol. 39. № 3. P. 332-342.
15. Combes P.-P., Duranton G., Gobillon L. The identification of agglomeration economies // Journal of Economic Geography. 2011. Vol. 11. № 2. P. 253-266.
16. Полян П.М. Методика выделения и анализа опорного каркаса расселения. М.: Изд. Института географии АН СССР, 1988. 283 с.
17. Блануца В.И. Территориальная структура цифровой экономики России: предварительная делимитация «умных» городских агломераций и регионов // Пространственная экономика. 2018. № 2. С. 17-35.
18. Barnes T.J. Placing ideas: genius loci, heterotopias and geography's quantitative revolution // Progress in Human Geography. 2004. Vol. 28. № 5. P. 565-595.
19. Тюлин А.Е., Чурсин А.А., Шамин Р.В., Юдин А.В. Интеллектуальная космическая система в цифровой экономике: новые возможности и перспективы // Современная научная мысль. 2018. № 6. С. 213-223.
20. Хайкин С. Нейронные сети: полный курс, 2-е изд.: пер. с англ. СПб: ООО «Диалектика», 2019. 1104 с.
21. FischerM.M. Computational neural networks: a new paradigm for spatial analysis // Environment and Planning A: Economy and Space. 1998. Vol. 30. № 10. P. 1873-1891.
22. Кирсанов Б.С., Попов Э.В. Состояние разработки инструментальных средств и экспертных систем // Искусственный интеллект: в 3 кн. Кн. 1. Системы общения и экспертные системы: справочник / под ред. Э.В. Попова. М.: Радио и связь, 1990. С. 290-342.
23. Reuver de M., Sorensen C., Basole R.C. The digital platform: a research agenda // Journal of Information Technology. 2018. Vol. 33. № 2. P. 124-135.
24. Keney M., Zysman J. The rise of the platform economy // Issues in Science and Technology. 2016. Vol. 32. № 3. P. 61-69.
25. Блануца В.И. Цифровая экономика Сибири: территориальные платформы для кластеров // Актуальные проблемы экономики и права. 2019. Т. 13. № 3. С. 1343-1355.
26. Блануца В.И. Пространственная диффузия нововведений: сфера неопределенности и сетевая модель // Региональные исследования. 2015. № 3. С. 4-12.
27. Blanutsa V.I., Cherepanov K.A. Regional information flows: existing and new approaches to geographical study // Regional Research of Russia. 2019. Vol. 9. № 1. P. 97-106.
28. Parkes D.C., Wellmann M.P. Economic reasoning and artificial intelligence // Science. 2015. Vol. 349. № 6245. P. 267-272.
DIGITAL ECONOMY OF RUSSIA BASED ON ARTIFICIAL INTELLIGENCE: PERSPECTIVE DIRECTIONS OF REGIONAL RESEARCH
V.I. Blanutsa, Doctor of Geographical Sciences, RAS Expert on Economic Sciences, Leading Researcher
V.B. Sochava Institute of Geography, Siberian Branch of Russian Academy of Sciences (Russia, Irkutsk)
Abstract. The national program "Digital Economy of the Russian Federation" needs to be amended in accordance with the recently adopted "National Strategy for the Development of Artificial Intelligence for the period until 2030". Rethinking the functions of the digital economy should be accompanied by adjustments to planned research. To date, such work has not been completed. Therefore, the aim of the study was to identify the most promising areas of research into the regional digital economy of Russia in the context of artificial intelligence. Five traditional approaches have been identified that need to be transformed taking into account the specifics of the functioning of artificial intelligence. It is shown that there is a need to develop new approaches that allow the use of artificial intelligence algorithms for regional analysis of the distribution and interaction of economic agents in artificial intelligence environment.
Keywords: digital economy, regional economy, artificial intelligence, neural network, spatial analysis, Russian Federation.
