Исследование координации сопряжения новых высококачественных производительных сил и распределения инновационных ресурсов на основе MLP‑нейронных сетей

Почему будущее роста зависит от более умных инноваций

Пока экономики соревнуются за конкурентоспособность и устойчивость, правительства ищут рост не только количественный, но и качественный — более инновационный, более цифровой и более экологичный. В этом исследовании рассматривается, насколько эффективно Китай согласует свои инновационные ресурсы — капитал, таланты, данные и технологии — с тем, что страна называет «новыми высококачественными производительными силами»: передовыми, зелёными и интеллектуальными способами производства товаров и услуг. Выявляя, насколько тесно эти две стороны движутся согласованно, работа даёт подсказки о том, какие регионы готовы преуспеть в следующей волне экономической трансформации, а какие рискуют отстать.

Новые двигатели роста, а не просто больше того же

Традиционный экономический рост часто означал больший объём труда, земли и энергии для производства большего количества товаров. Новые высококачественные производительные силы меняют эту логику. Они делают ставку на более квалифицированных работников, интеллектуальные инструменты, цифровую инфраструктуру и чистую энергию — цель состоит в более высокой добавленной стоимости при меньших расходах ресурсов. В исследовании эти новые силы разбиты на три составляющие: новые трудовые ресурсы (лучше образованные, более инновационные работники), новые трудовые материалы (роботы, фирмы в области искусственного интеллекта, цифровые платформы и коммуникационные сети) и новые трудовые объекты (чистая энергия, передовые материалы и экологическая защита). Вместе они рисуют картину экономики, которая опирается меньше на дымовые трубы и больше на микросхемы, код и технологии снижения выбросов углерода.

Инновационные ресурсы: топливо за машиной

На другой стороне уравнения находится сама система инноваций: капитал, кадры, технологии, знания и данные, делающие возможным продвинутый рост. Авторы формируют подробную табельную оценку этих ресурсов по 30 китайским провинциям за период с 2012 по 2022 год. Они отслеживают расходы на исследования и разработки, штат R&D, высокотехнологичные фирмы и лаборатории, создание и приобретение знаний, а также цифровую основу в виде веб‑сайтов, платформ данных и активности электронной коммерции. Вопрос в том не только сколько этих ресурсов существует, но и насколько эффективно они направляются на формирование тех самых новых, высококачественных производительных сил — насколько топливо соответствует двигателю.

Нейронная сеть для чтения скрытых закономерностей

Измерить эту согласованность оказалось нетривиальной задачей. Ранние методы полагались на простые формулы, где каждый индикатор рассматривался как линейно взвешенная часть общего показателя. Такие подходы могли упускать тонкие, нелинейные взаимосвязи — например, когда выгоды от инноваций резко ускоряются после того, как регион преодолевает определённый порог по талантам или цифровой инфраструктуре. Чтобы преодолеть это, авторы применяют двухбашенную многослойную перцептронную нейронную сеть. Одна «башня» принимает индикаторы новых высококачественных производительных сил, другая — индикаторы инновационных ресурсов. Сеть затем учится выравнивать эти два сложных паттерна без заранее размеченных ответов, фактически выявляя, насколько синхронно движутся две системы, и выдаёт коэффициент координации в диапазоне от нуля до единицы.

Где регионы продвигаются вперёд — и где отстают

Показатели, полученные с помощью нейронной сети, показывают, что хотя в целом Китай всё ещё находится на ранней стадии согласования инноваций с передовым производством, координация неуклонно улучшается за прошедшее десятилетие. Тем не менее картина далека от однородности. Восточные прибрежные провинции, такие как Пекин, Шанхай и Гуандун, образуют кластеры высокого уровня, где сосредоточенные инновационные ресурсы и сильные цифровые и зелёные отрасли усиливают друг друга, создавая то, что авторы называют «премией синергии». Центральные провинции постепенно догоняют за счёт промышленного обновления. Западные регионы, однако, часто остаются на более низких уровнях координации, с единичными очагами прогресса. Пространственный анализ выявляет чёткое кластерование: регионы с высокой координацией тянут вверх соседей, тогда как зоны с низкой координацией рискуют оказаться в замкнутом круге, где «сильные становятся сильнее, а слабые — слабее».

Как может развиваться будущее

Отслеживая переходы провинций между низким, средним, высоким и очень высоким уровнями координации с течением времени, исследование показывает: изменения возможны, но происходят медленно. Регионы обычно остаются в своей текущей категории; крупные скачки редки. Те, кто уже находится в верхнем эшелоне, особенно вероятно останутся там, пользуясь самоусиливающимися преимуществами в инфраструктуре, талантах и поддержке политики. Если провинция окружена высокоэффективными соседями, её шансы на улучшение растут благодаря утечкам знаний, общим цепочкам поставок и копированию успешных политик. Это указывает на то, что межрегиональное сотрудничество — а не разрозненные, провинциальные усилия — будет ключевым для распространения выгод новой модели роста.

Что это значит для обычных людей

Для непрофессионала главный вывод в том, что качество будущих рабочих мест, доходов и локальной среды зависит от того, насколько хорошо инновационные ресурсы интегрированы в повседневную экономическую деятельность. Провинции, которым удаётся сочетать расходы на НИОКР, квалифицированных работников и цифровые инструменты с чистыми, передовыми отраслями, с большей вероятностью увидят более устойчивый рост и экологичнее города. Те, кто не сумеет скоординировать эти элементы, рискуют застрять на путях с низкой добавленной стоимостью и высоким уровнем загрязнения. Применяя современные методы искусственного интеллекта для выявления зон сильной, слабой или формирующейся координации, исследование создаёт нечто вроде системы раннего предупреждения. Оно показывает политикам направления целевых инвестиций — в цифровую инфраструктуру, межрегиональные партнёрства и более разумное распределение ресурсов — которые помогут большему числу регионов разделить выгоды высококачественной, инновационно‑ориентированной экономики.

Цитирование: Liu, Y., Wang, L., Chen, B. et al. Research on coupling coordination of new quality productive forces and innovation resource allocation based on MLP neural networks. Sci Rep 16, 5196 (2026). https://doi.org/10.1038/s41598-026-36247-1

Ключевые слова: политика инноваций, региональное развитие, машинное обучение в экономике, цифровая экономика, устойчивый рост