Моделирование трансформации влияния производственных факторов на экономику в процессе становления смарт-промышленности

Идентифицирован фактор производства, связанный со смарт-индустриализацией, и на примере перерабатывающей промышленности Германии как страны, в которой на государственном уровне провозглашена и реализуется программа развития«Промышленность 4.0», выполнено моделирование соответствующей производственно...

Повний опис

Збережено в:

Бібліографічні деталі
Дата:	2018
Автори:	Мадых, А.А., Охтень, А.А.
Формат:	Стаття
Мова:	Russian
Опубліковано:	Інститут економіки промисловості НАН України 2018
Назва видання:	Економіка промисловості
Теми:	Макроекономічні та регіональні проблеми розвитку промисловості
Онлайн доступ:	http://dspace.nbuv.gov.ua/handle/123456789/144360
Теги:	Додати тег Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Цитувати:	Моделирование трансформации влияния производственных факторов на экономику в процессе становления смарт-промышленности / А.А. Мадых, А.А. Охтень // Економіка промисловості. — 2018. — № 4 (84). — С. 26–41. — Бібліогр.: 38 назв. — рос.

Репозитарії

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	irk-123456789-144360
record_format	dspace
spelling	irk-123456789-1443602018-12-20T01:22:51Z Моделирование трансформации влияния производственных факторов на экономику в процессе становления смарт-промышленности Мадых, А.А. Охтень, А.А. Макроекономічні та регіональні проблеми розвитку промисловості Идентифицирован фактор производства, связанный со смарт-индустриализацией, и на примере перерабатывающей промышленности Германии как страны, в которой на государственном уровне провозглашена и реализуется программа развития«Промышленность 4.0», выполнено моделирование соответствующей производственной функции.Аргументировано, что существующие подходы к учету научно-технического прогресса при построении производственных функций не подходят для моделирования трансформации влияния производственных факторов в процессе становления смарт-промышленности, поскольку научно-технический прогресс обычно представлен не конкретным измеримым показателем, а просто натуральным рядом чисел, отражающим ту часть изменения производства, которая не объясняется изменением учитываемых факторов.Установлено, что в перерабатывающей промышленности Германии в условиях снижения затрат труда и капитала выпуск продукции растет. Это свидетельствует о влиянии еще как минимум одного фактора, связанного с переходом к новому технологическому укладу - смарт-промышленности. Идентифицированы сложности оценки влияния смарт-фактора на производство - как объективные (взаимозависимость факторов информатизации и сложность выделения вклада каждого из них), так и субъективные (полное отсутствие или фрагментарность статистической информации). На основе анализа статистики установлено, что наиболее точным показателем, отражающим влияние на производство фактора информатизации, выступает стоимость программного обеспечения и баз данных (ПО и БД).Построена модель, представляющая собой адаптацию модели Кобба-Дугласа, в которой в качестве эндогенной переменной используется добавленная стоимость в перерабатывающей промышленности, а в качестве экзогенных - количество отработанных часов (фактор труда), стоимость машин и оборудования с лагом в 1 год (фактор капитала) и стоимость ПО и БД (фактор информатизации). Анализ результатов моделирования позволил сделать вывод о том, что информатизация превратилась в важный фактор производства и демонстрирует потенциал к замещению прочих факторов производства - труда и капитала. Модель может использоваться для обоснования направлений развития смарт-промышленности на макроуровне, а также может быть положена в основу разработки критериев оценки уровня «смартизации» предприятий. Здійснено ідентифікацію фактора виробництва, пов'язаного зі смарт- індустріалізацією, і на прикладі переробної промисловості Німеччини як країни, в якій на державному рівні проголошена та реалізується програма розвитку «Промисловість 4.0», виконано моделювання відповідної виробничої функції. Аргументовано, що існуючі підходи до врахування науково-технічного прогресу при побудові виробничих функцій не підходять для моделювання трансформації впливу виробничих факторів у процесі становлення смарт-промисловості, оскільки науково-технічний прогрес у більшості робіт представлений не конкретним вимірюваних показником, а просто натуральним рядом чисел, який відображає ту частину зміни виробництва, що не пояснюється зміною факторів, які враховуються. Встановлено, що в переробній промисловості Німеччини в умовах зниження витрат праці та капіталу випуск продукції зростає, що свідчить про вплив ще як мінімум одного фактора, пов'язаного з переходом до нового технологічного укладу - смарт-промисловості. Ідентифіковано труднощі оцінки впливу смарт-фактора на виробництво - як об'єктивні (взаємозалежність факторів інформатизації та складність виділення внеску кожного з них), так і суб'єктивні (повна відсутність або фрагментарність статистичної інформації). На основі аналізу статистики встановлено, що найбільш точним показником, який відображає вплив на виробництво фактора інформатизації, виступає вартість програмного забезпечення і баз даних (ПЗ і БД). Побудовано модель, що являє собою адаптацію моделі Кобба-Дугласа, в якій як ендогенна змінна використовується додана вартість у переробній промисловості, а як екзогенні - кількість відпрацьованих годин (фактор праці), вартість машин і устаткування з лагом в 1 рік (фактор капіталу) і вартість ПЗ і БД (фактор інформатизації). Аналіз результатів моделювання дозволив установити, що інформатизація перетворилася на найважливіший фактор виробництва і демонструє потенціал до заміщення інших факторів виробництва - праці та капіталу. Модель може використовуватися для обґрунтування напрямів розвитку смарт- промисловості на макрорівні, а також може бути покладена в основу розробки критеріїв оцінки рівня «смартизації» підприємств. The article identifies the factor of production, associated with smart industrialization, and provides modeling results of the corresponding production function on the example of manufacturing industry in Germany, as a country where the "Industry 4.0" development program has been announced and is being implemented at a nationwide level.It is argued that the existing approaches that takes into account scientific and technological progress within the design of production functions are not suitable for modeling the transformation of the impact of production factors in the process of smart industry formation, since scientific and technological progress in most papers is represented not by a specific measurable indicator, but simply by a natural series of numbers, reflecting the part of the change in production that is not explained by changes in the factors considered. It has been found that in German manufacturing industry output is growing while labor and capital expenditure decreases, which indicates the influence of at least one more factor related to the transition to the new technological mode - the smart industry.The difficulties of assessing the impact of the "smart factor" on production have been identified: both objective (the interdependence of computerization factors and the difficulty of distinguishing the contribution of each of them) and subjective (complete absence or fragmented statistical information). Based on the analysis of statistics, it has been found that the costs of software and databases are the most accurate indicator, reflecting the impact of the computerization factor on the output. A model, that is a modification of the Cobb-Douglas production function, has been designed, in which the added value in the processing industry is used as the endogenous variable, and the number of hours worked (labor factor), the cost of machinery and equipment with a 1 year lag (capital factor) and the cost of software and databases (computerization factor) are the exogenous factors. When analyzing the modeling results, authors found that computerization has turned into an important production factor and demonstrates the potential to replace other factors of production - labor and capital. The model can be used to substantiate the directions of smart industry development at the macro level, as well as the basis for developing criteria for assessing the level of enterprise "smartness" at the micro level. 2018 Article Моделирование трансформации влияния производственных факторов на экономику в процессе становления смарт-промышленности / А.А. Мадых, А.А. Охтень // Економіка промисловості. — 2018. — № 4 (84). — С. 26–41. — Бібліогр.: 38 назв. — рос. 1562-109Х DOI: doi.org/10.15407/econindustry2018.04.026 JEL: C67, O30, O40, L60 http://dspace.nbuv.gov.ua/handle/123456789/144360 330.43:338:45 ru Економіка промисловості Інститут економіки промисловості НАН України
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
language	Russian
topic	Макроекономічні та регіональні проблеми розвитку промисловості Макроекономічні та регіональні проблеми розвитку промисловості
spellingShingle	Макроекономічні та регіональні проблеми розвитку промисловості Макроекономічні та регіональні проблеми розвитку промисловості Мадых, А.А. Охтень, А.А. Моделирование трансформации влияния производственных факторов на экономику в процессе становления смарт-промышленности Економіка промисловості
description	Идентифицирован фактор производства, связанный со смарт-индустриализацией, и на примере перерабатывающей промышленности Германии как страны, в которой на государственном уровне провозглашена и реализуется программа развития«Промышленность 4.0», выполнено моделирование соответствующей производственной функции.Аргументировано, что существующие подходы к учету научно-технического прогресса при построении производственных функций не подходят для моделирования трансформации влияния производственных факторов в процессе становления смарт-промышленности, поскольку научно-технический прогресс обычно представлен не конкретным измеримым показателем, а просто натуральным рядом чисел, отражающим ту часть изменения производства, которая не объясняется изменением учитываемых факторов.Установлено, что в перерабатывающей промышленности Германии в условиях снижения затрат труда и капитала выпуск продукции растет. Это свидетельствует о влиянии еще как минимум одного фактора, связанного с переходом к новому технологическому укладу - смарт-промышленности. Идентифицированы сложности оценки влияния смарт-фактора на производство - как объективные (взаимозависимость факторов информатизации и сложность выделения вклада каждого из них), так и субъективные (полное отсутствие или фрагментарность статистической информации). На основе анализа статистики установлено, что наиболее точным показателем, отражающим влияние на производство фактора информатизации, выступает стоимость программного обеспечения и баз данных (ПО и БД).Построена модель, представляющая собой адаптацию модели Кобба-Дугласа, в которой в качестве эндогенной переменной используется добавленная стоимость в перерабатывающей промышленности, а в качестве экзогенных - количество отработанных часов (фактор труда), стоимость машин и оборудования с лагом в 1 год (фактор капитала) и стоимость ПО и БД (фактор информатизации). Анализ результатов моделирования позволил сделать вывод о том, что информатизация превратилась в важный фактор производства и демонстрирует потенциал к замещению прочих факторов производства - труда и капитала. Модель может использоваться для обоснования направлений развития смарт-промышленности на макроуровне, а также может быть положена в основу разработки критериев оценки уровня «смартизации» предприятий.
format	Article
author	Мадых, А.А. Охтень, А.А.
author_facet	Мадых, А.А. Охтень, А.А.
author_sort	Мадых, А.А.
title	Моделирование трансформации влияния производственных факторов на экономику в процессе становления смарт-промышленности
title_short	Моделирование трансформации влияния производственных факторов на экономику в процессе становления смарт-промышленности
title_full	Моделирование трансформации влияния производственных факторов на экономику в процессе становления смарт-промышленности
title_fullStr	Моделирование трансформации влияния производственных факторов на экономику в процессе становления смарт-промышленности
title_full_unstemmed	Моделирование трансформации влияния производственных факторов на экономику в процессе становления смарт-промышленности
title_sort	моделирование трансформации влияния производственных факторов на экономику в процессе становления смарт-промышленности
publisher	Інститут економіки промисловості НАН України
publishDate	2018
topic_facet	Макроекономічні та регіональні проблеми розвитку промисловості
url	http://dspace.nbuv.gov.ua/handle/123456789/144360
citation_txt	Моделирование трансформации влияния производственных факторов на экономику в процессе становления смарт-промышленности / А.А. Мадых, А.А. Охтень // Економіка промисловості. — 2018. — № 4 (84). — С. 26–41. — Бібліогр.: 38 назв. — рос.
series	Економіка промисловості
work_keys_str_mv	AT madyhaa modelirovanietransformaciivliâniâproizvodstvennyhfaktorovnaékonomikuvprocessestanovleniâsmartpromyšlennosti AT ohtenʹaa modelirovanietransformaciivliâniâproizvodstvennyhfaktorovnaékonomikuvprocessestanovleniâsmartpromyšlennosti
first_indexed	2025-07-10T19:14:28Z
last_indexed	2025-07-10T19:14:28Z
_version_	1837288527379824640
fulltext	–––––––––––––––––––––––––– Економіка промисловості Economy of Industry ––––––––––––––––––––––––––––––– 26 ISSN 1562-109X Econ. promisl. 2018, № 4 (84) УДК 330.43:338:45 doi: http://doi.org/10.15407/econindustry2018.04.026 Артём Анатольевич Мадых, канд. экон. наук E-mail: artem.madykh@gmail.com; Алексей Александрович Охтень, канд. экон. наук, с.н.с. Институт экономики промышленности НАН Украины Украина, 03057, г. Киев, ул. Желябова, 2. E-mail: aokhten@gmail.com МОДЕЛИРОВАНИЕ ТРАНСФОРМАЦИИ ВЛИЯНИЯ ПРОИЗВОДСТВЕННЫХ ФАКТОРОВ НА ЭКОНОМИКУ В ПРОЦЕССЕ СТАНОВЛЕНИЯ СМАРТ-ПРОМЫШЛЕННОСТИ Идентифицирован фактор производства, связанный со смарт-индустриализацией, и на примере перерабатывающей промышленности Германии как страны, в которой на госу- дарственном уровне провозглашена и реализуется программа развития «Промышленность 4.0», выполнено моделирование соответствующей производственной функции. Аргументировано, что существующие подходы к учету научно-технического прогресса при построении производственных функций не подходят для моделирования трансформации влияния производственных факторов в процессе становления смарт-промышленности, по- скольку научно-технический прогресс обычно представлен не конкретным измеримым пока- зателем, а просто натуральным рядом чисел, отражающим ту часть изменения производства, которая не объясняется изменением учитываемых факторов. Установлено, что в перерабатывающей промышленности Германии в условиях сниже- ния затрат труда и капитала выпуск продукции растет. Это свидетельствует о влиянии еще как минимум одного фактора, связанного с переходом к новому технологическому укладу – смарт-промышленности. Идентифицированы сложности оценки влияния смарт-фактора на производство − как объективные (взаимозависимость факторов информатизации и слож- ность выделения вклада каждого из них), так и субъективные (полное отсутствие или фраг- ментарность статистической информации). На основе анализа статистики установлено, что наиболее точным показателем, отражающим влияние на производство фактора информати- зации, выступает стоимость программного обеспечения и баз данных (ПО и БД). Построена модель, представляющая собой адаптацию модели Кобба-Дугласа, в кото- рой в качестве эндогенной переменной используется добавленная стоимость в перерабаты- вающей промышленности, а в качестве экзогенных – количество отработанных часов (фак- тор труда), стоимость машин и оборудования с лагом в 1 год (фактор капитала) и стои- мость ПО и БД (фактор информатизации). Анализ результатов моделирования позволил сделать вывод о том, что информатизация превратилась в важный фактор производства и демонстрирует потенциал к замещению прочих факторов производства – труда и капитала. Модель может использоваться для обоснования направлений развития смарт-промыш- ленности на макроуровне, а также может быть положена в основу разработки критериев оценки уровня «смартизации» предприятий. Ключевые слова: производственная функция, Германия, перерабатывающая промыш- ленность, смарт-предприятия, экономико-математическое моделирование. JEL: C67, O30, O40, L60 Промышленная революция 4.0, кото- рая открывает принципиально новые воз- можности организации производства с ис- пользованием киберфизических систем, больших данных, искусственного интеллек- та, тотальной автоматизации, приводит к © А.А. Мадых, А.А. Охтень, 2018 –––––––––––––––––––––––––– Економіка промисловості Экономика промышленности –––––––––––––––––––––– ISSN 1562-109X Econ. promisl. 27 2018, № 4 (84) необходимости пересмотра влияния тради- ционных факторов производства на добав- ленную стоимость. Производство требует все меньшего количества человеческого труда, который замещается киберфизичес- кими системами, при этом в капитале суще- ственно возрастает доля нематериального капитала, связанного с владением информа- цией и технологиями ее обработки. Данный вид капитала настолько отличается от тра- диционного по динамике своего изменения и влиянию на производство, что представ- ляется целесообразным рассмотрение его в качестве отдельного фактора производства, значение которого в информационную эпо- ху будет только возрастать [30]. Традиционными факторами произ- водства, использующимися в классических производственных функциях, выступают труд, земля и капитал [6]. Тот факт, что одно и то же количество труда и капитала для разных производств и для разных вре- менных периодов дает разный объем про- изводства, привел к выделению еще двух, несколько искусственных, факторов произ- водства: предпринимательской способно- сти как умения правильно скомбинировать прочие факторы и научно-технического прогресса как некой функции от других растущих факторов (например, инвести- ций, но чаще просто натурального ряда – шкалы времени). Начиная с модели Солоу [35], который включил технический про- гресс в качестве фактора экономического роста в модель производственной функции Кобба-Дугласа, впоследствии вышло боль- шое количество работ, посвященных моде- лированию экономического роста и влия- нию на него научно-технического прогрес- са (НТП) [3; 13; 18; 20; 29; 31; 34]. Однако в них по сути НТП рассматривается как разница между величиной роста объема производства и величиной роста труда и капитала, то есть как мера незнания при- чин экономического роста («остаток Со- лоу»). Именно поэтому в большинстве мо- делей производственных функций, бази- рующихся на функции Кобба-Дугласа, НТП входит как функция от натурального ряда (по сути, от количества оборотов Зем- ли вокруг Солнца с произвольным годом начала отчета), которая математически лучшим образом аппроксимирует этот остаток. Экономического смысла в такой оценке НТП нет. При этом, учитывая, что в информационную эпоху перехода к ІV промышленной революции НТП должен очень сильно коррелировать с информаци- онной обеспеченностью и развитостью информационных технологий, представля- ется возможным оценить его явно, через экономические категории. Поэтому в дан- ной работе будет осуществлена попытка учесть НТП в производстве именно в пери- од становления нового производственного уклада, связанного с информационной ре- волюцией и развитием киберфизических систем. Целью статьи является выявление фактора производства, связанного со ста- новлением смарт-промышленности, и мо- делирование трансформации влияния про- изводственных факторов на экономику с использованием производственной функции. Экономико-математическое модели- рование влияния экономических факторов друг на друга, основанное на использова- нии статистического материала и, особен- но, рядов динамики, требует тщательного отбора исходных данных, чтобы если не исключить, то хотя бы свести к минимуму вероятность системных ошибок, логичес- ких искажений, неадекватных усреднений, необоснованных выводов [1; 7-9; 33]. По- верхностный подход к отбору статистичес- кого материала приводит к получению ре- зультатов, которые не имеют аналитичес- кой ценности, не отражают существующих причинно-следственных связей, а прогно- зирование по таким моделям оказывается бессмысленным. В связи с этим особое внимание следует уделить методике отбора исходных данных для анализа. Первый вопрос – выбор объекта ис- следования. Это должна быть развитая страна, в которой процессы цифровизации экономики идут уже достаточно давно, ведется полный и разносторонний статис- –––––––––––––––––––––––––– Економіка промисловості Economy of Industry ––––––––––––––––––––––––––––––– 28 ISSN 1562-109X Econ. promisl. 2018, № 4 (84) тический учет. Перспективной страной для исследования является Германия. Тем бо- лее, что именно в Германии в 2011 г. на официальном уровне была провозглашена четвертая промышленная революция (In- dustrie 4.0), направленная на смартизацию производств [21; 26]. В качестве объекта исследования выступает перерабатываю- щая промышленность Германии (без учета сферы услуг, финансового сектора и т.п.), а также без учета добывающей промышлен- ности. Как следует из классических работ [22; 25; 35], основными факторами произ- водства в перерабатывающей промышлен- ности являются труд и капитал. Идентификация корреляционно-ре- грессионных зависимостей в рядах дина- мики требует большой осторожности, так как в таких рядах часто наблюдается муль- тиколлинеарность на самом деле совер- шенно независимых друг от друга факто- ров, которая вызвана действием третьего общего неучтенного фактора [2; 19]. Такая же ошибка возникает, если брать в каче- стве рядов динамики экономические фак- торы в текущих ценах [4; 7; 10]. Наличие даже небольшой инфляции в 3-4%, которая влияет на рост цен по всей экономике, на протяженном периоде времени в 15-20 лет за счет эффекта геометрической прогрес- сии дает крутой восходящий тренд с раз- ницей между начальными и конечными наблюдениями в разы. Это приводит к кор- релируемости практически всех показате- лей, измеренных в денежном выражении, поэтому показатели, измеряемые в стои- мостном выражении, необходимо брать исключительно в сопоставимых ценах. Методическая сложность заключается в том, что статистические данные в сопоста- вимых ценах получить гораздо сложнее, чем в текущих [4; 16], в статистике они представлены по гораздо меньшему коли- честву показателей. На рис. 1 представлена динамика до- бавленной (ДС) стоимости и стоимости основных фондов (ОФ) в перерабатываю- щей промышленности Германии. 400000 450000 500000 550000 600000 650000 ДС в ПП, млн евро в ценах 2010 г. 1200000 1300000 1400000 1500000 1600000 1300000 1350000 1400000 1450000 1500000 1550000 2 0 0 0 2 0 0 2 2 0 0 4 2 0 0 6 2 0 0 8 2 0 1 0 2 0 1 2 2 0 1 4 2 0 1 6 ОФ в ПП, млн евро в ценах 2010 г. ОФ в ПП, млн евро в текущих ценах а) б) Источник данных: [24; 37]. Рис. 1. Динамика экономических показателей Германии: а) добавленной стоимости в перерабатывающей промышленности в ценах 2010 г.; б) стоимости ОФ в перерабатывающей промышленности в текущих ценах и ценах 2010 г. Стоимость основных фондов в теку- щих ценах якобы гораздо точнее описыва- ет поведение добавленной стоимости, так как и там, и там наблюдается явный восхо- дящий тренд, и зависимость добавленной стоимости от ОФ в текущих ценах стати- –––––––––––––––––––––––––– Економіка промисловості Экономика промышленности –––––––––––––––––––––– ISSN 1562-109X Econ. promisl. 29 2018, № 4 (84) стически будет гораздо достовернее, чем в сопоставимых. Однако ввиду вышеизло- женных аргументов очевидно, что исполь- зовать ОФ необходимо именно в сопоста- вимых ценах. Простым, очевидным и доступным показателем, отражающим затраты факто- ра труда, является фонд заработной платы. Однако даже если удастся получить индек- сы реального роста заработной платы по перерабатывающей промышленности, воз- никает проблема сопоставления затрат труда для разных экономик. Известно, что стоимость труда в разных странах отлича- ется и зависит как от паритета покупатель- ной способности различных валют, так и от общего «богатства» страны [38]. Поэтому одно и то же физическое количество труда может отличаться в стоимостном выраже- нии для разных экономик в разы. В итоге это приведет к невозможности распростра- нения полученных для Германии выводов на другие страны. В связи этим целесообразно оцени- вать труд в натуральных единицах, кото- рые при необходимости можно легко пере- вести в стоимостные. Из доступных пока- зателей наиболее простыми и очевидными являются численность занятых в перераба- тывающей промышленности или количе- ство отработанных часов (рис. 2). 400000 450000 500000 550000 600000 650000 ДС в ПП, млн евро в ценах 2010 г. 6600 6800 7000 7200 7400 7600 7800 8000 9000 9500 10000 10500 11000 11500 12000 Количество отработанных часов в ПП, млн ч Численность занятых в ПП, тыс. чел. а) б) Источник данных: [28; 37]. Рис. 2. Динамика экономических показателей Германии: а) добавленной стоимости в перерабатывающей промышленности в ценах 2010 г.; б) численности занятых и количества отработанных часов в перерабатывающей промышленности Германии Кризис 2008-2009 гг. [23] дал бога- тый материал для идентификации причин- но-следственных зависимостей, когда при- чинно-следственные колебания являются существенными и не теряются среди шума, статистических погрешностей и воздей- ствий иных неучтенных факторов. Так, при всей схожести графиков на рис. 2б можно заметить, что в период 2008-2011 гг. фазы колебаний добавленной стоимости и коли- чества отработанных часов полностью сов- падают, а оба показателя достигают мини- мума в 2009 г. А вот численность занятых повторяет эту же динамику уже на отрезке в 2009-2012 гг., то есть с лагом в 1 год, достигая своего минимума в 2010 г. Скорее всего, это можно объяснить следующим образом: резкое падение спроса в 2009 г. привело к обрушению произведенной до- бавленной стоимости и, как следствие, уменьшению фактически отработанных часов, по крайней мере, в той части, кото- –––––––––––––––––––––––––– Економіка промисловості Economy of Industry ––––––––––––––––––––––––––––––– 30 ISSN 1562-109X Econ. promisl. 2018, № 4 (84) рая учитывается по сдельным тарифам. А вот увольнение и сокращение персонала происходило не сразу, а лишь после опре- деленного периода осознания всей глуби- ны падения и поиска новой равновесной точки соответствия необходимого количе- ства труда уменьшившемуся объему вы- пуска [32]. Таким образом, количество отрабо- танных часов является более информатив- ным показателем связи затрат труда и про- изведенной продукции, так как более гибко реагирует на необходимость сокращения или увеличения объемов производства. Оценка влияния капитала на добав- ленную стоимость с помощью показателя стоимости основных фондов (пусть даже в сопоставимых ценах) является очень по- верхностным решением для построения производственной функции. Дело в том, что основные фонды в целом позволяют варьировать выпуск продукции в довольно широком диапазоне. Основные фонды же в части зданий и сооружений вообще не про- являют особой гибкости связи с необходи- мым изменением объемов производства: они находятся на балансе предприятий десятилетиями и реагируют на изменение спроса с большим лагом, измеряемым го- дами. В некоторых исследованиях (напри- мер [17]) эта проблема якобы решается введением коэффициента использования основных фондов. Однако данный подход тупиковый в связи со своей рекурсивно- стью: статистического показателя коэффи- циента использования ОФ нет, и его можно получить только на основании известного объема выпуска продукции в сопоставле- нии с потенциально возможным. Не идеальным, но все же определен- ным выходом из сложившейся ситуации является использование в качестве показа- теля капитала непосредственных средств производства – только части ОФ в виде машин и оборудования с исключением всего остального. Несмотря на то что одно и то же количество машин и оборудования также позволяет варьировать выпуск в до- вольно широком диапазоне, можно пред- полагать, что на довольно продолжитель- ном отрезке времени предприятие склонно оптимизировать затраты на эту часть ОФ (рис. 3). 400000 450000 500000 550000 600000 650000 ДС в ПП, млн евро в ценах 2010 г. 1300000 1350000 1400000 1450000 1500000 1550000 315000 320000 325000 330000 335000 340000 2 0 0 0 2 0 0 2 2 0 0 4 2 0 0 6 2 0 0 8 2 0 1 0 2 0 1 2 2 0 1 4 2 0 1 6 Стоимость машин и оборудования в ПП, млн евро в ценах 2010 г. ОФ в ПП, млн евро в ценах 2010 г. а) б) Источник данных: [24; 37]. Рис. 3. Динамика экономических показателей Германии: а) добавленной стоимости в перерабатывающей промышленности в ценах 2010 г.; б) стоимости ОФ в целом и стоимости машин и оборудования в перерабатывающей промышленности в ценах 2010 г. –––––––––––––––––––––––––– Економіка промисловості Экономика промышленности –––––––––––––––––––––– ISSN 1562-109X Econ. promisl. 31 2018, № 4 (84) В кризисные и посткризисные 2008- 2012 гг. динамика стоимости ОФ в целом никак не реагирует на значительные изме- нения добавленной стоимости, демонстри- руя стабильное снижение. Напротив, дина- мика стоимости машин и оборудования демонстрирует большую гибкость и в це- лом повторяет пики колебания добавлен- ной стоимости. Хотя опять же можно заме- тить, что имеется некоторый лаг реагиро- вания приблизительно в 1 год. Объем выпуска продукции (добав- ленной стоимости), очевидно, зависит не только от затрат труда и капитала, но и от спроса на продукцию. Экономики разви- тых стран (как и почти любых других стран) способны произвести гораздо боль- ше продукции, чем производят фактиче- ски, используя то же самое количество факторов производства. По крайней мере, в части капитала этот тезис очевиден. Огра- ничен этот объем производства исключи- тельно спросом на продукцию. С другой стороны, можно предполагать, что произ- водитель обладает рациональным поведе- нием и вряд ли на протяжении длительного периода времени будет нести неоправдан- но избыточные затраты факторов произ- водства. В рамках данного исследования будем полагать, что период t, отраженный на рисунке, меньше календарного года или, по крайней мере, не больше 1 года. Это в целом подтверждается графиками рис. 2 и 3, на которых видно, что по связи затрат труда с добавленной стоимостью лагов практически нет, а по затратам капитала в некоторых точках реакция производителей на изменение спроса наблюдается лишь в следующем году (с лагом в 1 год). Искомый третий фактор производ- ства, связанный с созданием смарт-ин- дустрии, должен отражать различные ас- пекты использования информационных технологий в производстве. Во-первых, данный показатель должен быть не экс- пертным, а статистическим, который из- меряется по определенной неизменной методике на протяжении многих лет; во- вторых, не должен быть синтетическим, то есть включать несколько других пока- зателей, отражающих вклад различных аспектов информатизации; в-третьих, должен отражать определенные затраты предприятия на использование этого фак- тора. И если данный показатель прямо не измеряется в деньгах, то должен быть от- носительно легко в них переведен (как труд в человеко-часах). Поэтому абсолют- но непригодными являются относитель- ные показатели, например: процент со- трудников, регулярно использующих ком- пьютер для работы в перерабатывающей промышленности, или процент сотрудни- ков, использующих компьютер с доступом в интернет (эти показатели учитываются в Германии с 2005 г.). Некоторые из до- ступных показателей, несмотря на то, что они неплохо характеризуют определенные аспекты смарт-индустрии, также оказы- ваются непригодными. Среди них можно назвать, например, процент компаний, осуществлявших анализ больших данных; процент компаний, приобретавших услуги облачных вычислений. Они не только не соответствуют предыдущему критерию, но и не имеют достаточного количества наблюдений (именно эти показатели нача- ли измеряться в Германии только в 2016 г.); к тому же они никак не соотно- сятся с перерабатывающей промышленно- стью. Затраты на компьютерную технику, средства коммуникации и т.п. также плохо подходят для отражения искомого фактора информатизации. Постоянное совершен- ствование компьютерной техники и циф- рового оборудования приводит к удешев- лению стоимости «информационного ре- сурса». То есть за одни и те же деньги в настоящий момент можно получить гораз- до больше возможностей от цифровых технологий, чем раньше. А значит, не наблюдается сколько-нибудь существен- ного роста затрат на цифровое оборудова- –––––––––––––––––––––––––– Економіка промисловості Economy of Industry ––––––––––––––––––––––––––––––– 32 ISSN 1562-109X Econ. promisl. 2018, № 4 (84) ние при том, что фактор информатизации с каждым годом существенно возрастает [14; 36]. Однако если предположить, что с ис- пользованием компьютерной техники и цифрового оборудования при развитии информационных технологий можно ре- шать все новые и новые задачи (а именно это и является критерием роста информа- тизации) то, очевидно, должны возрасти затраты на разработку программного обес- печения. Более того, один и тот же компь- ютер можно использовать с разной эффек- тивностью: как калькулятор, печатную машинку или как систему автоматизиро- ванного управления сложным производ- ством, инженерную лабораторию по моде- лированию киберфизических систем. Сто- имость аппаратного обеспечения при этом будет одинаковой, а вот соответствующего программного обеспечения может отли- чаться на порядки. Таким образом, лучшим показателем для оценки информационного фактора производства из тех, которые предлагает статистика Германии, является стоимость компьютерного программного обеспечения и баз данных в перерабатывающей про- мышленности. Выше обосновано, что в качестве эн- догенной переменной в данном исследова- нии используется добавленная стоимость в перерабатывающей промышленности Гер- мании (Y, млн. евро в ценах 2010 г.). В ка- честве экзогенных (факторов производ- ства): для труда − количество отработанных часов в перерабатывающей промышленно- сти (L, млн ч); для капитала − стоимость машин и оборудования в перерабатывающей про- мышленности (K, млн евро в ценах 2010 г.). По обоим факторам производства наблюдается явный нисходящий тренд при том, что эндогенная переменная имеет тренд восходящий (см. рис. 1 и 2). Прямая связь между факторами производства и выпуском продукции говорит о том, что при наличии общего тренда на снижение факторов производства выпуск продукции тоже должен был бы снижаться. Но по- скольку де-факто он растет, это может зна- чить лишь одно: на выпуск продукции дей- ствует еще минимум один очень значимый фактор, который имеет ярко выраженную растущую динамику. Как обосновано вы- ше, лучшим смысловым показателем для оценки информационного фактора произ- водства является стоимость компьютерно- го программного обеспечения и баз данных в перерабатывающей промышленности. На рис. 4 представлена зависимость добавлен- ной стоимости от предлагаемого информа- ционного фактора. Коэффициент корреля- ции составляет 0,77, что свидетельствует о сильной связи. Однако из рисунка очевид- на аномальная точка, которая существенно влияет на оценку тесноты связи, − это точ- ка, соответствующая 2009 г. Статистичес- кая теория позволяет исключать подобные аномальные точки из исследования [1; 7; 16]. Таким фактором является кризис 2008-2009 гг., и его влияние существенно выше исследуемой зависимости. Если ис- ключить точку 2009 г., то связь между до- бавленной стоимостью и стоимостью ком- пьютерного программного обеспечения и баз данных окажется существенно более выраженной. Коэффициент корреляции составит 0,92. За основу модели берется трехфак- торная мультипликативная функция – ана- лог функции Кобба-Дугласа, только для трехфакторного случая:  JKLaY 0 ~  , (1) где Y ~ – модельные значения добавленной стоимости в перерабатывающей промыш- ленности; L, K, J – затраты факторов труда, капитала и информатизации соответствен- но. –––––––––––––––––––––––––– Економіка промисловості Экономика промышленности –––––––––––––––––––––– ISSN 1562-109X Econ. promisl. 33 2018, № 4 (84) y = 7,6854x + 319,72 R² = 0,5979 y = 8,3997x + 308,35 R² = 0,8531 400 420 440 460 480 500 520 540 560 580 600 15 17 19 21 23 25 27 29 31 зависимость ДС в ПП в ценах 2010 г. от стоимости компьютерного ПО и БД в ПП в ценах 2010 г. то же, но без 2009 г. Линейная (зависимость ДС в ПП в ценах 2010 г. от стоимости компьютерного ПО и БД в ПП в ценах 2010 г.) Линейная (то же, но без 2009 г.) Источник данных: рассчитано авторами. Рис. 4. Статистическая связь добавленной стоимости в перерабатывающей промышленности в ценах 2010 г. и стоимости компьютерного программного обеспечения и баз данных в перерабатывающей промышленности в ценах 2010 г., млрд евро Для нахождения параметров модели уменьшим размерность факторов в 1000 раз, после чего линеаризуем модель, про- логарифмировав обе части равенства. Прямое решение этой линеаризованной задачи методом МНК [8] дает результат ln a0 = 19,37,  = 2,34,  = –3,52,  = 0,51, в котором все полученные коэффициенты статистически достоверны с надежностью не менее 95%, но который нельзя считать приемлемым, поскольку капитал оказывает обратное влияние на добавленную сто- имость, а значения параметров больше единицы плохо поддаются экономической интерпретации. Основные характеристики модели приведены в таблице. Возвращаясь к рис. 2 и принимая во внимание, что связь капитала с добавленной стоимостью про- являет себя с лагом в 1 год, учтем этот факт в модели. Таблица Характеристики трехфакторной мультипликативной модели производственной функции, учитывающей фактор информатизации 1 Коэффициент Статистическая ошибка t-ста- тистика P-значение Нижний дове- рительный интервал 95% Верхний дове- рительный интервал 95% ln a0 -5,3463 8,97105 -0,5959 0,5633 -25,0914 14,3988  1,7008 0,5962 2,8526 0,0157 0,3885 3,01311  0,9583 1,6597 0,5774 0,5753 -2,6946 4,6113  0,6179 0,0979 6,3098 5,75824E-05 0,4024 0,8335 1 Рассчитано авторами. Полученная модель: 62,096,07,1004766,0 ~ JKLY  (2) Модель в целом статистически до- стоверна по критерию Фишера; множе- ственный коэффициент корреляции соста- вил 0,8938, а детерминации − 0,7989 соот- –––––––––––––––––––––––––– Економіка промисловості Economy of Industry ––––––––––––––––––––––––––––––– 34 ISSN 1562-109X Econ. promisl. 2018, № 4 (84) ветственно. Все коэффициенты положи- тельные, что отражает экономически кор- ректную прямую связь между факторами производства и результирующей перемен- ной. Относительная ошибка аппроксима- ции составила 3,21%, что свидетельствует об точности модели. Однако следует отметить абсолют- ную ненадежность оценки влияния капита- ла, которая статистически незначимо отли- чается от нуля, а также ненадежную оцен- ку параметра a0, который статистически незначимо отличается от 1 (при фактичес- ком значении близком к нулю). Оценка влияния труда также вызывает недоверие: ее значение существенно превышает 1, и хотя она статистически значимо отличает- ся от нуля, тем не менее 95-процентные доверительные интервалы для этой оценки лежат в очень широком диапазоне: от 0,39 (что вписывается в классическую модель Кобба-Дугласа с параметрами до 1) до 3,01, что интерпретировать экономически край- не проблематично. Не вызывает сомнения лишь качество оценки фактора информати- зации: 95-процентные доверительные ин- тервалы 0,40-0,83 говорят о надежной и устойчивой оценке влияния этого фактора на добавленную стоимость. Для уточнения параметров данной модели в исходной задаче поиска опти- мальных параметров , ,  введены огра- ничения на их значения в классическом диапазоне от 0 до 1; влияние капитала взя- то с лагом в 1 год; исключен 2009 год как аномальный. В итоге получена модель a0 = 0,962,  = 0,716,  = 0,523,  = 0,48: 48,0523,0716,0962,0 ~ JKLY  (3) При этом R2 = 0,886, а относительная ошибка составляет 2,33%. Полученная производственная функ- ция относится к классу неоклассических, обладающих набором определенных из- вестных свойств [11]. В частности, она однородна, непрерывна, дважды диффе- ренцируема; первые производные являют- ся положительными функциями (что озна- чает рост выпуска при увеличении затрат факторов); вторые производные отрица- тельные (что обозначает уменьшение пре- дельной производительности при увеличе- нии затрат факторов); производство невоз- можно, если хотя бы один из факторов принимает нулевое значение. Очевидными также являются выводы по эластичности выпуска по факторам производства. Для ПФ Кобба-Дугласа она совпадает с параметрами степеней соответ- ствующих факторов .: 0 10         JKLa L L JK a L Y L Y L Аналогично: .,   JK Таким обра- зом, при увеличении труда на 1% выпуск увеличится на 0,716%, при увеличении на 1% стоимости машин и оборудования – на 0,52% и при увеличении на 1% стоимости компьютерного программного обеспечения и баз данных – на 0,48%. В контексте изучения влияния на производство в условиях ІV промышлен- ной революции фактора информационного обеспечения особый интерес представляют вопросы возможного замещения этим фак- тором традиционных факторов производ- ства (труда и капитала). Одним из показателей, характеризу- ющих возможность замещения двух фак- торов производства, является предельная норма технического замещения MRS. Рас- смотрим предельную норму замещения информационным фактором труда и капи- тала ;67,0 1 0 1 0 J L J L JKLa JKLa L Y J Y dJ dL MRSLJ                     .923,0 1 0 1 0 J K J K JKLa JKLa K Y J Y dJ dK MRSKJ                     Таким образом, в 2015 г., в котором затраты труда в перерабатывающей про- мышленности Германии составили 10,945 –––––––––––––––––––––––––– Економіка промисловості Экономика промышленности –––––––––––––––––––––– ISSN 1562-109X Econ. promisl. 35 2018, № 4 (84) млрд ч, машин и оборудования – 3250,1 млрд евро, компьютерного ПО и БД – 31,44 млрд евро, предельная норма замещения информационным фактором труда соста- вила 233,0LJMRS ; капитала − 415,95KJMRS . То есть рост затрат на ПО и БД на 1 млн евро способен обеспе- чить замещение труда на 233 тыс. ч или затрат на машины и оборудование на 95,415 млн евро. Если эффект от замещения капитала очевиден, то от замещения труда эффект также несложно посчитать. При среднеча- совой оплате в Германии в 2015 г. по про- мышленности в 29,4 евро [27] получаем денежный эквивалент замещения труда в 6,850 млн евро. В условиях дешевого труда в Украине такого эффекта не будет. При среднемесячной зарплате в промышленно- сти в 2015 г. 4791 грн [15], что эквивалент- но приблизительно 1,24 евро в час, полу- чили бы денежный эквивалент замещения труда всего в 0,285 млн евро. С другой сто- роны, затраты на собственные разработки ПО и БД в Украине будут существенно меньше, поэтому предельная норма заме- щения для Украины может оказаться со- всем другой. Безусловно, реальная картина не яв- ляется такой оптимистичной, как в полу- ченной модели. Во-первых, в модели учте- ны не все факторы производства. Капитал представлен только своей малой частью в виде машин и оборудования, при этом дру- гие виды капитала (основные фонды, ин- теллектуальный капитал, связанный с вла- дением патентами, технологиями и пр.) не учитываются вовсе. Существенную роль могут играть и другие факторы, которые способны препятствовать возможности такого эффективного замещения, получен- ного в модели. Во-вторых, рассматривае- мые в модели факторы K и J в определен- ной степени взаимосвязаны и взаимозави- симы. Более современное и дорогое обору- дование требует больших затрат на разра- ботку и поддержку ПО и БД. Это означает, что увеличение затрат на ПО и БД в какой- то степени должно приводить к необходи- мости внедрения более новых машин и оборудования. Следовательно, полученный в модели эффект от замещения будет зна- чительно меньше. Более сложное оборудо- вание может требовать более квалифици- рованных специалистов или больших за- трат труда на его обслуживание, что также снизит эффект от замещения труда. Эти взаимосвязи факторов L, K, J в модели не учтены. Выводы 1. Становление нового производ- ственного уклада, связанного с информа- ционной революцией, использованием больших данных и развитием киберфизи- ческих систем, приводит к росту значения информационного фактора как ключевого фактора производства. Это свидетельству- ет о том, что научно-технический прогресс на данном этапе развития производства целесообразно учитывать в производ- ственных функциях непосредственно через оценку некого информационного фактора. 2. Объектом исследования выбрана перерабатывающая промышленность Гер- мании как страны, в которой системно раз- вивается смарт-промышленность. Обосно- вана целесообразность выбора в качестве экзогенной переменной модели производ- ственной функции (представляющей собой модификацию модели Кобба-Дугласа) до- бавленной стоимости, созданной в перера- батывающей промышленности, а в каче- стве эндогенных факторов – стоимости машин и оборудования (капитал), отрабо- танных часов (труд) и стоимости про- граммного обеспечения (фактор информа- тизации). 3. В результате построения серии эконометрических моделей с разными начальными условиями и допущениями, наиболее адекватной с точки зрения каче- ства аппроксимации и экономической ин- терпретации результатов выбрана функция Кобба-Дугласа с ограничениями на значе- ния параметров факторов производства в –––––––––––––––––––––––––– Економіка промисловості Economy of Industry ––––––––––––––––––––––––––––––– 36 ISSN 1562-109X Econ. promisl. 2018, № 4 (84) пределах от 0 до 1, исключенным выбро- сом аномального наблюдения в 2009 г. и учетом лага связи капитала с добавленной стоимостью в 1 год. Параметры модели достаточно устойчивы к изменению исход- ных данных и условий моделирования, что свидетельствует о достаточной релевант- ности модели. 4. Анализ полученной модели произ- водственной функции позволил сделать ряд выводов: эластичность информацион- ного фактора с добавленной стоимостью оказалась достаточно высокой и равной 0,48; предельная норма замещения инфор- мационным фактором труда и капитала на 2015 год составила 0,233 и 95,4, что при среднечасовой зарплате в перерабатываю- щей промышленности Германии в 29,4 евро, дает экономию труда в 6,85 млн. евро или затрат на машины и оборудование в 95,4 млн. евро на каждый миллион евро, вложенный в программное обеспечение и базы данных. 5. Доказанное существенное влияние на добавленную стоимость показателя ин- форматизации в виде стоимости ПО и БД позволяет выдвинуть гипотезу о возмож- ности построения соответствующих моде- лей производственных функций и для эко- номики Украины, в частности для перера- батывающей промышленности и ее от- дельных отраслей, что может составить предмет дальнейших исследований в этой сфере. Анализ таких моделей позволит более точно определить степень влияния фактора информатизации на экономику Украины, даст более точную оценку эф- фективности первоочередного внедрения смарт-предприятий в тех или иных отрас- лях. 6. Показатель информатизации в ви- де стоимости ПО и БД может быть поло- жен в основу разработки критериев оценки уровня «смартизации» предприятий на микроуровне, их сетей и/или кластеров. Это позволит оценить объем необходимых инвестиций для перехода этих предприя- тий на новый уровень производственных отношений, связанный с ІV промышленной революцией. Литература 1. Айвазян С. А., Мхитарян В. С. Прикладная статистика и основы эконо- метрики: учебник для вузов: в 2-х т. Т. 1 – Теория вероятностей и прикладная стати- стика. М.: ЮНИТИ-ДАНА, 2001. 656 с. 2. Айвазян С. А., Мхитарян В. С. Прикладная статистика и основы эконо- метрики: учебник для вузов: в 2-х т. Т. 1 – Теория вероятностей и прикладная стати- стика. М.: ЮНИТИ-ДАНА, 2001. 432 с. 3. Бакаев О. О., Гриценко В. І., Ба- жан Л. І. та ін. Економіко-математичні моделі економічного зростання. К.: Наук. думка, 2005. 189 с. 4. Баранов Э. Ф. Об измерении ин- дексов-дефляторов по отраслям экономики и промышленности. Экономический жур- нал ВШЭ. 2002. №2. С. 217-224. 5. Бессонов В. А., Цухло С. В. Ана- лиз экономической динамики российской переходной экономики: науч. труды. М.: ИЭПП, 2002. № 42. 186 с. 6. Блауг М. Экономическая мысль в ретроспективе = Economic Theory in Ret- rospect. М.: Дело, 1994. 627 с. 7. Бокс Дж., Дженкинс Г. Анализ временных рядов: прогноз и управление. Пер. с англ. A.JI. Левшина; под ред. В.Ф. Писаренко. М.: Мир, 1974. Вып. 2. 406 с. 8. Грубер Й. Эконометрия. Т. 1. Введение в эконометрию. Киев: Астарта, 1996. – 397 с. 9. Джонстон Дж. Эконометрические методы; пер. с англ. М.: Статистика, 1980. 444 с. 10. Зоркальцев В. И. Индексы цен и инфляционные процессы. Новосибирск: Наука, Сибирская издательская фирма РАН, 1996. 279 с. 11. Казакова М. В. Анализ свойств производственных функций, используемых при декомпозиции экономического роста. М.: РАНХиГС, 2013. 48 с. 12. Кондратьев Н. Д. Большие циклы конъюнктуры и теория предвидения. Из- –––––––––––––––––––––––––– Економіка промисловості Экономика промышленности –––––––––––––––––––––– ISSN 1562-109X Econ. promisl. 37 2018, № 4 (84) бранные трудыю Международный фонд Н.Д. Кондратьева; ред. кол. Абалкин Л. И. (пред.) и др.; сост. Яковец Ю. В. М.: Эко- номика, 2002. 767 с. 13. Оппенлендер К. Технический прогресс. Воздействие. Оценки. Результа- ты. М.: Экономика. 1981. 176 с. 14. Платонов В. В. «Парадокс Со- лоу» двадцать лет спустя, или об исследо- вании влияния инноваций в информацион- ных технологиях на рост. Финансы и биз- нес. 2007. № 3. С. 28-38. 15. Середньомісячна заробітна пла- та за видами економічної діяльності за пе- ріод з початку року у 2015 році. Укрстат, 2018. URL: http://www.ukrstat.gov.ua/opera- tiv/operativ2015/gdn/Zarp_ek_p/zpp2015_u. htm 16. Суслов И. П. Основы теории до- стоверности статистических показате- лей. Отв. ред. К. К. Вальтух; ИЭОПП СО АН СССР. Новосибирск: Наука. Сиб. отд-е, 1979. 304 с. 17. Сухоруков А. І., Харазішві- лі Ю. М. Моделювання та прогнозування соціально-економічного розвитку регіонів України: монографія. К.: НІСД, 2012. 368 с. 18. Тинберген Я., Босс Х. Матема- тические модели экономического роста. М.: Прогресс, 1967. 176 с. 19. Фишер Ф. Проблема идентифи- кации в эконометрии. М.: Статистика, 1978. 223 с. 20. Arrow K. J. The Economic Impli- cations of Learning by Doing. The Review of Economic Studies. 1962. Vol. 29, No. 3. pp. 155-173. doi: http://dx.doi.org/10.2307/ 2295952 21. Digitale Wirtschaft und Gesell- schaft / Bundesministerium für Bildung und Forschung, 2018. URL: https://www.bmbf.de/ de/zukunftsprojekt-industrie-4-0-848.html 22. Douglas P. The Cobb-Douglas Pro- duction Function Once Again: Its History, Its Testing, and Some New Empirical Values. The Journal of Political Economy. 1976. Vol. 84, No. 5. pp. 903-916. doi: http://dx.doi.org/ 10.1086/260489 23. Euro Area Labour Markets and the Crisis. Task Force of the Monetary Policy Committee of the European System of Central Banks. Frankfurt on Main: European Central Bank, 2012. 122 p. 24. Fixed assets by activity and by asset, ISIC rev 4. OECD, 2018. URL: https://stats.oecd.org/Index.aspx?DataSet Code=SNA_TABLE9A 25. Griliches Z., Mairesse J. Produc- tion Functions: The Search for Identification. Econometrics and Economic Theory in the 20th Century: The Ragnar Frisch Centennial Symposium. Cambridge: Cambridge Universi- ty Press, 1999. pp. 169-203. 26. Industrie 4.0. Germany Trade & Invest, 2018. URL: https://www.gtai.de/GTAI/ Navigation/EN/Invest/Industries/Industrie-4- 0/Industrie-4-0/industrie-4-0-what-is-it.html 27. Labour cost levels by NACE. Rev. 2 activity. Eurostat, 2018. URL: http://ec.euro pa.eu/eurostat/web/labour-market/labour-costs/ database# 28. Labour input by activity, ISIC rev 4. OECD, 2018. URL: https://stats.oecd.org/ Index.aspx?DataSetCode=SNA_TABLE7A 29. Lucas R. On the Mechanism of Economic Development. Journal of Monetary Economics. 1988. Vol. 22. P. 3-42. 30. Madykh A.A., Okhten O.O., Dasiv A.F. Analysis of the world experience of eco- nomic and mathematical modeling of smart enterprises. Economy of Industry. 2017. № 4 (80). pp. 19-46. doi: http://doi.org/10.15407/ econindustry2017.04.019 31. Mankiv G.A., Romer D., Weil D. Contridution to the Empirics of Economic Growth. Quarterly Journal of Economics. – 1992. – Vol. 107 (2). – P. 407-437. 32. Mossfeldt M., Österholm P. The Persistent Labour-Market Effects of the Fi- nancial Crisis. Stockholm: National Institute of Economic Research, 2010. 33. O'Mahony М., Vecchi M. Is there an ICT impact on TFP? A heterogeneous dy- namic panel approach. NIESR Discussion Paper. 2003. No. 219. рр. 62-88 –––––––––––––––––––––––––– Економіка промисловості Economy of Industry ––––––––––––––––––––––––––––––– 38 ISSN 1562-109X Econ. promisl. 2018, № 4 (84) 34. Ranis G. Analytics of Develop- ment: Dualism. Handbook of Development Economics: Vol. 1. Amsterdam: North Hol- land, 1988. – 882 p. 35. Solow R.M. Technical Change and the Aggregate Production Function. The Re- view of Economics and Statistics. 1957.Vol. 39. No. 3. pp. 312-320. doi: http://dx.doi.org/ 10.2307/1926047 36. Triplett J. The Solow Productivity Paradox: What do Computers do to Productiv- ity? The Canadian Journal of Economics / Revue canadienne d'Economique. 1999. Vol. 32. No. 2. Special Issue on Service Sector Productivity and the Productivity Paradox. pp. 309-334. doi: http://dx.doi.org/10.2307/136425 37. Value added and its components by activity, ISIC rev4. OECD, 2018. URL: https://stats.oecd.org/Index.aspx?DataSet Code=SNA_TABLE6A 38. Wiśniewski J., Wiśniewski Z. The Purchasing Power Parity: Theory and Evi- dence. Warszaw: LAP LAMBERT Academic Publishing, 2014. 76 p. References 1. Ajvazjan, S. A., & Mhitarjan, V. S. (2001). Applied Statistics and the Basics of Econometrics: Vol. 1. Moscow: JUNITI- DANA [in Russian] 2. Ajvazjan, S. A., & Mhitarjan, V. S. (2001). Applied Statistics and the Basics of Econometrics. Vol. 2. Moscow: JUNITI- DANA [in Russian] 3. Bakaev, O. O., Gricenko, V. І., Ba- zhan, L. І. et al. (2005). Economic and Math- ematical Models of Economic Growth. Kiev: Naukova Dumka [in Ukrainian]. 4. Baranov, E. F. (2002). On the Meas- urement of Indices-Deflators by Sectors of the Economy and Industry. HSE Economic Jour- nal, 2, pp. 217-224. [In Russian] 5. Bessonov, V. A., & Cuhlo, S. V. (2002). Analysis of the Economic Dynamics of the Russian Transition Economy: Scientific Works. Moscow: IEPP. [in Russian] 6. Blaug, M. (1994). Economic Thought in the Retrospective. Moscow: Delo [In Rus- sian] 7. Box, J., & Jenkins, G. (1974). Time Series Analysis: Forecasting and Manage- ment. Iss. 2. Moscow: Mir [In Russian] 8. Gruber, J. (1996). Econometrics. (Vol. 1) Introduction to Econometrics. Kiev: Astarta [In Russian]. 9. Johnston, J. (1980). Econometric Methods. Moscow: Statistika [In Russian]. 10. Zorkal'cev, V. I. (1996). Price In- dices and Inflation Processes. Novosibirsk: Nauka, Siberian Publishing House of the RAS [In Russian]. 11. Kazakova, M. V. (2013). Analysis of the Properties of Production Functions Used In The Decomposition Of Economic Growth. Moscow: Russian Academy of Na- tional Economy and Public Administration. [In Russian] 12. Kondrat'ev, N. D. (2002). Large Cycles of Conjuncture and Theory of Fore- sight: Selected Works. Moscow: Ekonomika [In Russian]. 13. Oppenlender, K. (1981). Technical Progress. Impact. Estimates. Results. Mos- cow: Ekonomika [In Russian]. 14. Platonov, V. V. (2007). "The Solow Paradox" Twenty Years Later, or on the Study of the Impact of Innovation in In- formation Technology on Growth. Finance and Business, 3, pp. 28-38. [In Russian] 15. Ukrstat (2015). Average Monthly Salary by Types of Economic Activity, Year to Date, in 2015. Retrieved from http://www.ukrstat.gov.ua/operativ/opera- tiv2015/gdn/Zarp_ek_p/zpp2015_u.htm 16. Suslov, I. P. (1979). Fundamentals of the Theory of Reliability of Statistical Indi- cators. Novosibirsk: Nauka. Siberian Branch [In Russian]. 17. Suhorukov, A. І., & Harazіsh- vіlі, Yu. M. (2012). Modeling and Forecast- ing of Social and Economic Development of the Regions of Ukraine: Monograph. Kiev: National Institute for Strategic Studies [In Russian]. –––––––––––––––––––––––––– Економіка промисловості Экономика промышленности –––––––––––––––––––––– ISSN 1562-109X Econ. promisl. 39 2018, № 4 (84) 18. Tinbergen, J., & Boss, H. (1967). Mathematic Models of Economic Growth. Moscow: Progress [In Russian]. 19. Fisher, F. (1978). The Problem of Identification in Econometrics. Moscow: Statistika [In Russian]. 20. Arrow, K. J. (1962). The Economic Implications of Learning by Doing. The Re- view of Economic Studies, 3(29), pp. 155-173. doi: http://dx.doi.org/10.2307/ 2295952 21. Digitale Wirtschaft und Gesell- schaft (2018). Bundesministerium für Bildung und Forschung. Retrieved from https://www.bmbf.de/de/zukunftsprojekt-indu strie-4-0-848.html. 22. Douglas, P. (1976). The Cobb- Douglas Production Function Once Again: Its History, Its Testing, and Some New Empirical Values. The Journal of Political Economy, 5(84), pp. 903-916. doi: http://dx.doi.org/ 10.1086/260489 23. Euro Area Labour Markets and the Crisis (2012). Task Force of the Monetary Policy Committee of the European System of Central Banks. Frankfurt on Main: European Central Bank. 24. OECD (2018). Fixed assets by ac- tivity and by asset, ISIC rev4. Retrieved from https://stats.oecd.org/Index.aspx?Da- taSetCode=SNA_TABLE9A 25. Griliches, Z., & Mairesse, J. (1999). Production Functions: The Search for Identi- fication. Econometrics and Economic Theory in the 20th Century: The Ragnar Frisch Cen- tennial Symposium (Econometric Society Monographs). Cambridge: Cambridge Univer- sity Press. 26. Germany Trade & Invest (2018). In- dustrie 4.0. Retrieved from https://www.gtai. de/GTAI/Navigation/EN/Invest/Industries/ Industrie-4-0/Industrie-4-0/industrie-4-0-what- is-it.html 27. Eurostat (2018). Labour cost levels by NACE Rev. 2 activity Retrieved from http://ec.europa.eu/eurostat/web/labour-market/ labour-costs/database# 28. OECD (2018). Labour input by activity, ISIC rev4. Retrieved from https://stats.oecd.org/Index.aspx?DataSetCo- de=SNA_TABLE7A 29. Lucas, R. (1988). On the Mecha- nism of Economic Development. Journal of Monetary Economics, 22, pp. 3-42. 30. Madykh, A. A., Okhten, O. O., & Dasiv, A. F. (2017). Analysis of the world experience of economic and mathematical modeling of smart enterprises. Econ. promisl., 4 (80), pp. 19-46. doi: http://doi.org/10.15407/ econindustry2017.04.019 31. Mankiv, G. A., Romer, D., & Weil, D. (1992). Contridution to the Empirics of Eco- nomic Growth. Quarterly Journal of Econom- ics., 107 (2), pp. 407-437. 32. Mossfeldt, M., & Österholm, P. (2010). The Persistent Labour-Market Effects of the Financial Crisis. Stockholm: National Institute of Economic Research. 33. O'Mahony, M., & Vecchi, M. (2003). Is there an ICT impact on TFP? A heterogeneous dynamic panel approach. NIESR Discussion Paper, 219, pp. 62-88. 34. Ranis, G. (1988). Analytics of De- velopment: Dualism. Handbook of Develop- ment Economics: Vol. 1. Amsterdam: North Holland. 35. Solow, R. M. (1957). Technical Change and the Aggregate Production Func- tion. The Review of Economics and Statistics, 3(39), pp. 312-320. doi: http://dx.doi.org/ 10.2307/1926047 36. Triplett, J. (1999). The Solow Productivity Paradox: What do Computers do to Productivity? The Canadian Journal of Economics / Revue canadienne d'Economique, 2(32), Special Issue on Service Sector Produc- tivity and the Productivity Paradox, pp. 309- 334. doi: http://dx.doi.org/10.2307/136425 37. OECD (2018). Value added and its components by activity, ISIC rev4. Retrieved from https://stats.oecd.org/Index.aspx?Da- taSetCode =SNA_TABLE6A 38. Wiśniewski, J., & Wiśniewski, Z. (2014). The Purchasing Power Parity: Theory and Evidence. Warszaw: LAP LAMBERT Academic Publishing. –––––––––––––––––––––––––– Економіка промисловості Economy of Industry ––––––––––––––––––––––––––––––– 40 ISSN 1562-109X Econ. promisl. 2018, № 4 (84) Артем Анатолійович Мадих, канд. екон. наук E-mail: artem.madykh@gmail.com; Олексій Олександрович Охтень, канд. екон. наук Інститут економіки промисловості НАН України 03057, Україна, Київ, вул. Желябова, 2. E-mail: aokhten@gmail.com МОДЕЛЮВАННЯ ТРАНСФОРМАЦІЇ ВПЛИВУ ВИРОБНИЧИХ ФАКТОРІВ НА ЕКОНОМІКУ В ПРОЦЕСІ СТАНОВЛЕННЯ СМАРТ-ПРОМИСЛОВОСТІ Здійснено ідентифікацію фактора виробництва, пов'язаного зі смарт-індустріаліза- цією, і на прикладі переробної промисловості Німеччини як країни, в якій на державному рівні проголошена та реалізується програма розвитку «Промисловість 4.0», виконано моде- лювання відповідної виробничої функції. Аргументовано, що існуючі підходи до врахуван- ня науково-технічного прогресу при побудові виробничих функцій не підходять для моде- лювання трансформації впливу виробничих факторів у процесі становлення смарт-промис- ловості, оскільки науково-технічний прогрес у більшості робіт представлений не конкрет- ним вимірюваних показником, а просто натуральним рядом чисел, який відображає ту час- тину зміни виробництва, що не пояснюється зміною факторів, які враховуються. Встанов- лено, що в переробній промисловості Німеччини в умовах зниження витрат праці та капі- талу випуск продукції зростає, що свідчить про вплив ще як мінімум одного фактора, пов'я- заного з переходом до нового технологічного укладу – смарт-промисловості. Ідентифікова- но труднощі оцінки впливу смарт-фактора на виробництво − як об'єктивні (взаємозалеж- ність факторів інформатизації та складність виділення внеску кожного з них), так і суб'єк- тивні (повна відсутність або фрагментарність статистичної інформації). На основі аналізу статистики встановлено, що найбільш точним показником, який відображає вплив на ви- робництво фактора інформатизації, виступає вартість програмного забезпечення і баз да- них (ПЗ і БД). Побудовано модель, що являє собою адаптацію моделі Кобба-Дугласа, в якій як ендогенна змінна використовується додана вартість у переробній промисловості, а як екзогенні – кількість відпрацьованих годин (фактор праці), вартість машин і устаткування з лагом в 1 рік (фактор капіталу) і вартість ПЗ і БД (фактор інформатизації). Аналіз результа- тів моделювання дозволив установити, що інформатизація перетворилася на найважливі- ший фактор виробництва і демонструє потенціал до заміщення інших факторів виробницт- ва – праці та капіталу. Модель може використовуватися для обґрунтування напрямів роз- витку смарт-промисловості на макрорівні, а також може бути покладена в основу розробки критеріїв оцінки рівня «смартизації» підприємств. Ключові слова: виробнича функція, Німеччина, переробна промисловість, смарт- підприємства, економіко-математичне моделювання. JEL: C67, O30, O40, L60 –––––––––––––––––––––––––– Економіка промисловості Экономика промышленности –––––––––––––––––––––– ISSN 1562-109X Econ. promisl. 41 2018, № 4 (84) Artem A. Madykh, PhD in Economics E-mail: artem.madykh@gmail.com; Oleksiy O. Okhten, PhD in Economics Institute of Industrial Economics of NAS of Ukraine 03057, Ukraine, Kyiv, 2 Gelabov Str. E-mail: aokhten@gmail.com MODELING THE TRANSFORMATION OF THE IMPACT OF PRODUCTION FACTORS ON THE ECONOMY IN THE PROCESS OF SMART INDUSTRY FORMATION The article identifies the factor of production, associated with smart industrialization, and provides modeling results of the corresponding production function on the example of manufac- turing industry in Germany, as a country where the "Industry 4.0" development program has been announced and is being implemented at a nationwide level. It is argued that the existing approaches that takes into account scientific and technological progress within the design of production functions are not suitable for modeling the transfor- mation of the impact of production factors in the process of smart industry formation, since scien- tific and technological progress in most papers is represented not by a specific measurable indica- tor, but simply by a natural series of numbers, reflecting the part of the change in production that is not explained by changes in the factors considered. It has been found that in German manufac- turing industry output is growing while labor and capital expenditure decreases, which indicates the influence of at least one more factor related to the transition to the new technological mode – the smart industry. The difficulties of assessing the impact of the "smart factor" on production have been iden- tified: both objective (the interdependence of computerization factors and the difficulty of distin- guishing the contribution of each of them) and subjective (complete absence or fragmented statis- tical information). Based on the analysis of statistics, it has been found that the costs of software and databases are the most accurate indicator, reflecting the impact of the computerization factor on the output. A model, that is a modification of the Cobb-Douglas production function, has been designed, in which the added value in the processing industry is used as the endogenous variable, and the number of hours worked (labor factor), the cost of machinery and equipment with a 1 year lag (capital factor) and the cost of software and databases (computerization factor) are the exoge- nous factors. When analyzing the modeling results, authors found that computerization has turned into an important production factor and demonstrates the potential to replace other factors of pro- duction – labor and capital. The model can be used to substantiate the directions of smart industry development at the macro level, as well as the basis for developing criteria for assessing the level of enterprise "smartness" at the micro level. Key words: production function, Germany, manufacturing, smart enterprises, economic and mathematical modeling. JEL: C67, O30, O40, L60 Форматы цитирования: Мадых А.А., Охтень А.А. Моделирование трансформации влияния производственных факторов на экономику в процессе становления смарт-промышленности. Экономика про- мышленности. 2018. № 4 (84). С. 26-41. doi: http://doi.org/10.15407/econindustry2018.04.026 Madykh, A.A. & Okhten, О.О. (2018). Modeling the transformation of the impact of pro- duction factors on the economy in the process of smart industry formation. Econ. promisl., 4 (84), pp. 26-41. doi: http://doi.org/10.15407/econindustry2018.04.026 Представлена в редакцию 29.09.2018 г.

Моделирование трансформации влияния производственных факторов на экономику в процессе становления смарт-промышленности

Репозитарії

Схожі ресурси