Декомпозиция роста производительности регионов Казахстана: технологический прогресс и эффективность использования ресурсов

Региональная инновационная политика Казахстана (включая подходы умной специализации и четверной спирали) опирается преимущественно на статические показатели, тогда как вклад технологического сдвига и догоняющей эффективности в динамику конвертации ресурсов в результат остается неисследованным отдельно. Цель исследования – разложить изменение совокупной факторной производительности (TFP) инновационных систем регионов Казахстана на компоненты догоняющей эффективности и технологического сдвига методом Malmquist-DEA, а также выявить пространственные и структурные детерминанты этого изменения. Гипотеза: среднее снижение региональной инновационной производительности за 2014–2024 гг. объясняется преимущественно технологическим регрессом (сжатием границы производственных возможностей), а сам процесс носит не географический, а институциональный характер. Использована панель официальных данных Бюро национальной статистики РК за 2014–2024 гг. по 17 регионам (187 наблюдений), включающая панельную регрессию, декомпозицию Malmquist-DEA, анализ пространственной автокорреляции, метод главных компонент и кластерный анализ, энтропийное взвешивание и TOPSIS, а также объяснимое машинное обучение (Random Forest, градиентный бустинг, CatBoost с SHAP). Результаты показывают, что геометрическое среднее изменение TFP за 2014–2016 и 2022–2024 гг. составило 0,662, что обусловлено преимущественно технологическим регрессом (0,543) при положительной догоняющей эффективности (1,219). Глобальная пространственная автокорреляция изменения производительности не выявлена (индекс Морана = 0,148; p = 0,436), что подтверждает институциональный характер диффузии. Результаты указывают на необходимость переориентации политики умной специализации и GovTech/AI Governance в Казахстане на технологическое обновление, а не только на повышение эффективности, что имеет практическое значение для мониторинга государственных программ поддержки инноваций и институтов развития.

1. Foray D., David P.A., Hall B.H. Smart specialisation – the concept // Knowledge Economists Policy Brief. 2009, no. 9, pp. 1–5.

2. McCann P., Ortega-Argiles R. Smart specialization, regional growth and applications to European Union cohesion policy // Regional Studies. 2015, vol. 49, no. 8, pp. 1291–1302.

3. Carayannis E.G., Campbell D.F.J. ‘Mode 3’ and ‘Quadruple Helix’: toward a 21st century fractal innovation ecosystem // International Journal of Technology Management. 2009, vol. 46, no. 3–4, pp. 201–234.

4. World Bank. GovTech Maturity Index, 2022 Update: Trends in Public Sector Digital Transformation. Washington, D.C.: World Bank, 2022. URL: https://hdl.handle.net/10986/38499 (accessed: 23.09.2026)

5. OECD. Recommendation of the Council on Artificial Intelligence, OECD/LEGAL/0449. Paris: OECD, 2019 (updated 2024). URL: https://legalinstruments.oecd.org/en/instruments/OECD-LEGAL-0449 (accessed: 23.09.2026)

6. Fare R., Grosskopf S., Norris M., Zhang Z. Productivity growth, technical progress, and efficiency change in industrialized countries // American Economic Review. 1994, vol. 84, no. 1, pp. 66–83.

7. Dwivedi Y.K. et al. Artificial Intelligence (AI): multidisciplinary perspectives on emerging challenges, opportunities, and agenda for research, practice and policy // International Journal of Information Management. 2021, vol. 57, article 101994.

8. Balland P.-A., Boschma R., Crespo J., Rigby D.L. Smart specialization policy in the European Union: relatedness, knowledge complexity and regional diversification // Regional Studies. 2019, vol. 53, no. 9, pp. 1252–1268.

9. OECD. 2023 OECD Digital Government Index: Results and Key Findings // OECD Public Governance Policy Papers, no. 44. Paris: OECD Publishing, 2024. DOI: 10.1787/1a89ed5e-en

10. European Commission. Regulation (EU) 2024/1689 of the European Parliament and of the Council of 13 June 2024 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act) // Official Journal of the European Union. OJL, 2024/1689, 12.7.2024. 144 p. URL: http://data.europa.eu/eli/reg/2024/1689/oj (accessed: 23.09.2026)

11. UNESCO. Recommendation on the Ethics of Artificial Intelligence, SHS/BIO/PI/2021/1. Paris: UNESCO, 2021. URL: https://www.unesco.org/en/artificial-intelligence/recommendation-ethics (accessed: 23.09.2026)

12. Balland P.-A., Boschma R. Complementary interregional linkages and Smart Specialisation: an empirical study on European regions // Regional Studies. 2021, vol. 55, no. 6, pp. 1059–1070.

13. Auty R.M. Sustaining Development in Mineral Economies: The Resource Curse Thesis. London: Routledge, 1993. 272 p.

14. Kurmanov N., Beisengaliyev Y., Bayandin M., Syzdykova E., Tolysbayeva M. Innovative development of Kazakhstan’s raw material (oil and gas) regions: multifactorial model for empirical analysis // International Journal of Energy Economics and Policy. 2022, vol. 12, no. 4, pp. 131–140. DOI: 10.32479/ijeep.13201

15. Slavova S., Rubalcaba L., Franco-Riquelme J.N. Understanding imbalanced transmission from R&D inputs into innovation outputs and impacts: evidence from Kazakhstan // Economies. 2025, vol. 13, no. 2, article 25. DOI: 10.3390/economies13020025.

16. Charnes A., Cooper W.W., Rhodes E. Measuring the efficiency of decision making units // European Journal of Operational Research. 1978, vol. 2, no. 6, pp. 429–444.

17. Lundberg S.M., Lee S.-I. A unified approach to interpreting model predictions // Advances in Neural Information Processing Systems. 2017, vol. 30, pp. 4765–4774.

18. Бюро национальной статистики Агентства по стратегическому планированию и реформам Республики Казахстан. Официальные статистические данные. URL: https://stat.gov.kz/ru/ (дата обращения: 08.07.2026)

19. Breiman L. Random forests, Machine Learning. 2001, vol. 45, no. 1, pp. 5–32.

20. Chen T., Guestrin C. XGBoost: a scalable tree boosting system, Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: ACM, 2016, pp. 785–794.

21. Prokhorenkova L., Gusev G., Vorobev A., Dorogush A.V., Gulin A. CatBoost: unbiased boosting with categorical features // Advances in Neural Information Processing Systems. 2018, vol. 31, pp. 6638–6648.

22. Hausman J.A. Specification tests in econometrics // Econometrica. 1978, vol. 46, no. 6, pp. 1251–1271.

23. Nickell S. Biases in dynamic models with fixed effects // Econometrica. 1981, vol. 49, no. 6, pp. 1417–1426.

24. Kaiser H.F. An index of factorial simplicity // Psychometrika. 1974, vol. 39, no. 1, pp. 31–36.

25. Hair J.F., Risher J.J., Sarstedt M., Ringle C.M. When to use and how to report the results of PLS-SEM // European Business Review. 2019, vol. 31, no. 1, pp. 2–24.

26. Zeleny M. Multiple Criteria Decision Making. New York: McGraw-Hill, 1982. 563 p.

27. Saaty T.L. Decision making with the analytic hierarchy process, International Journal of Services Sciences. 2008, vol. 1, no. 1, pp. 83–98.

28. Hwang C.-L., Yoon K. Multiple Attribute Decision Making: Methods and Applications. New York: Springer, 1981. 259 p.

29. Moran P.A.P. Notes on continuous stochastic phenomena // Biometrika. 1950, vol. 37, no. 1–2, pp. 17–23.

30. Anselin L. Local indicators of spatial association – LISA // Geographical Analysis. 1995, vol. 27, no. 2, pp. 93–115.