Қазақстан өңірлерінің өнімділік өсуінің декомпозициясы: технологиялық прогресс және ресурстарды пайдалану тиімділігі

Қазақстанның өңірлік инновациялық саясаты (соның ішінде ақылды мамандану және төрттік спираль тәсілдері) негізінен статикалық көрсеткіштерге сүйенеді, ал ресурстарды нәтижеге айналдырудың динамикасына технологиялық жылжу мен тиімділікке жетудің үлесі бөлек ескерілмейді. Зерттеудің мақсаты – Қазақстан өңірлерінің инновациялық жүйелеріндегі жиынтық факторлық өнімділіктің (TFP) өзгеруін Malmquist-DEA негізінде тиімділікке жету және технологиялық жылжу компоненттеріне жіктеу, сондайақ бұл өзгерістің кеңістіктік және құрылымдық детерминанттарын анықтау болып табылады. Гипотеза: 2014–2024 жж. аралығында өңірлік инновациялық өнімділіктің орташа төмендеуі негізінен технологиялық шегініспен түсіндіріледі, ал бұл процесс географиялық емес, институционалдық сипатта. Қазақстан Республикасы Ұлттық статистика бюросының 2014–2024 жж. 17 өңір бойынша панельдік деректері (187 бақылау) пайдаланылды, оған панельдік регрессия, Malmquist-DEA ыдырауы, кеңістіктік автокорреляцияны талдау, негізгі компоненттер әдісі мен кластерлік талдау, энтропиялық өлшеу және TOPSIS, сондай-ақ түсіндірілетін машиналық оқыту (Random Forest, градиенттік бустинг, SHAP көмегімен CatBoost) кіреді. Нәтижелер бойынша, 2014–2016 және 2022–2024 жж. аралығында геометриялық орта TFP өзгерісі 0,662-ні құрады, бұл негізінен технологиялық шегіністен (0,543) туындайды, ал тиімділікке жету оң болды (1,219). Өнімділік өзгерісінің ғаламдық кеңістіктік автокорреляциясы анықталмады (Моран индексі = 0,148; p = 0,436), бұл диффузияның институционалдық сипатын растайды. Нәтижелер Қазақстанның ақылды мамандану және GovTech/AI Governance саясатын тиімділікке емес, технологиялық жаңғыртуға бағыттау қажеттігін көрсетеді, бұл мемлекеттік инновациялық қолдау бағдарламалары мен даму институттарының тиімділігін жыл сайын бақылау және салыстырмалы бағалау үшін маңызды.

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.