Искусственный интеллект как фактор пространственной трансформации рынка труда опорных населенных пунктов

П ринятие в конце 2024 года новой Стратегии пространственного развития Российской Федерации на период до 2030 года закрепило институт опорных населённых пунктов (далее – ОНП) как один из двух ключевых приоритетов долгосрочной государственной политики. Как отмечает Е.М. Бухвальд, система ОНП формально призвана стать точками роста для сбалансирования пространственного развития [9]. Однако практически одновременно с этим разворачивается технологическая волна, связанная с распространением генеративных нейросетей. Как характеризуют Е. Brynjolfsson и T. Mitchell, ИИ относится к генеральным технологиям широкого применения, сравнимым по масштабу трансформации с электрификацией. Но в отличие от предшествующих волн автоматизации современный ИИ вторгается в когнитивные нерутинные задачи – программирование, дизайн, анализ данных, маркетинг [1]. Это порождает принципиально новые возможности для перераспределения трудовых ресурсов в пространстве.

Цель настоящей статьи – выявить потенциал искусственного интеллекта как инструмента стимулирования саморазвития рынков труда опорных населённых пунктов и определить институциональные условия, при которых этот потенциал может быть реализован.

Проблема соотношения выравнивания и саморазвития территорий имеет глубокие теоретические корни. Классические теории регионального роста, разработанные Ф. Перру (концепция «полюсов роста») и А. Хиршманом (теория «несбалансированного роста»), вскрыли механизм, при котором концентрация активности в «центрах» может стимулировать развитие «периферии» через «эффекты просачивания» [16; 18]. Однако, как показал Г. Мюрдаль, при отсутствии целенаправленной политики доминирует кумулятивная причинность, усиливающая неравенство [17, с. 56]. Существенный вклад в понимание институциональных аспектов внесли О. Уильямсон, исследовавший роль трансакционных издержек [19, с. 85], и Д. Норт, обосновавший определяющее влияние институтов на долгосрочную экономическую динамику [7, с. 7]. Фундаментальные механизмы пространственной концентрации экономической активности, включая эффекты возрастающей отдачи и кумулятивной причинности, формализованы в рамках новой экономической географии в работе М. Фуджиты, П. Кругмана и Э. Венаблса [3].

В российской научной традиции, как отмечал А.Г. Гранберг, «экономическое пространство страны требует сочетания целостности и разнообразия» [20, с. 48]. Е.В. Щеглов прямо определяет ИИ как технологию трансформации пространственно-отраслевой структуры региона, подчёркивая её потенциал для переформатирования сложившихся схем размещения производительных сил [14]. Критически важным является концепт «умной специализации», описанный P. McCann и R. Ortega-Argilés: отказ от универсальных рецептов в пользу выявления уникального потенциала каждой территории через механизмы «предпринимательского обнаружения» [5, с. 1292]. Вместе с тем, как предупреждает A. Wigger, политика «умной специализации» может приводить к углублению структурных асимметрий, что требует осторожного и адаптированного применения [6, с. 21]. Н.В. Зубаревич убедительно доказывает, что сложившаяся сверхцентрализованная модель управления в России не только не преодолевает, но и закрепляет диспропорции [20].

Анализ агрегированных данных платформ занятости (HeadHunter, «Авито Работа») и материалов бирж фриланса выявляет ярко выраженную пространственную асимметрию. Такая конфигурация воспроизводит логику новой экономической географии, согласно которой возрастающая отдача от масштаба и переток знаний закрепляют доминирование ведущих агломераций. С.П. Земцов фиксирует, что география ИИ-технологий в России отличается ещё более высокой концентрацией, чем экономическая активность в целом [8].

Однако данный факт не должен заслонять собой принципиально новые возможности, которые ИИ открывает для периферийных территорий. Во-первых, как убедительно показано D. Acemoglu и P. Restrepo, технологии автоматизации способны как замещать, так и восстанавливать рабочие места, и итоговый эффект зависит от институциональных условий [4]. В случае с ИИ эффект восстановления может быть связан с появлением новых видов деятельности, связанных с настройкой и применением нейросетей в специфических локальных контекстах. Во-вторых, как доказывает M. Webb, ИИ снижает порог входа в сложные когнитивные профессии [2]. Если раньше удалённый дизайнер или копирайтер из малого города проигрывал столичному коллеге в скорости и качестве, то теперь нейросети нивелируют это отставание. В-третьих, наи- более перспективным направлением представляется оцифровка уникального локального отраслевого знания. Как отмечает Е.В. Щеглов, именно на этом пути возможно формирование новой пространственно-отраслевой структуры, где периферийные территории становятся не просто потребителями цифровых услуг, но и их активными поставщиками [14].

Анализ стратегических документов и научной литературы выявляет, однако, системные институциональные противоречия, блокирующие реализацию этого потенциала. Разнообразие функций и задач, возлагаемых на опорные населённые пункты, систематизировано в работе А.В. Виленского [11]. Как отмечают М.В. Глигич-Золотарева и Н.И. Лукьянова, сам принцип опорности требует особого статуса для «центральных поселений», но на практике это требование размывается [12]. Е.М. Бухвальд характеризует сложившуюся систему межбюджетных отношений как работающую в логике унификации и выравнивания, не создающую особых экономических режимов для ОНП [9]. А.В. Одинцова подчёркивает, что институциональное поле пространственного развития России пока не содержит механизмов для интеграции ОНП в реальные экономические процессы [13]. Е.В. Орлов показывает, что отбор ОНП основан преимущественно на критериях «проблемности», что закрепляет их образ как «территорий-иждивенцев» [15]. В совокупности, как убедительно показано в работе Е.М. Бухвальда и И.С. Бессонова, эти противоречия формируют порочный круг, воспроизводящий модель «трансфертного иждивенчества» [10].

В Таблице 1 систематизируются эти противоречия, и показано, как именно они блокируют реализацию новых возможностей ИИ.

Однако эмпирические данные свидетельствуют о наличии центробежного потенциала. Доля фри- лансеров из малых городов на рынке ИИ-услуг, по агрегированным оценкам, растёт, а появление жизнеспособных предпринимательских проектов в малых городах (агропромышленные сервисы на базе нейросетей, оцифровка локальных ремесленных практик и др.) демонстрирует возможность альтернативной траектории. Ключевой вопрос – в каких институциональных условиях эта альтернатива становится доминирующей. Разрешение выявленных противоречий лежит в плоскости применения принципов «умной специализации» (P. McCann, R. Ortega-Argilés) и интеграции ИИ в функциональную типологию ОНП. Как подчёркивает A. Wigger, во избежание углубления асимметрий необходима осторожная и адаптированная реализация этого подхода [6]. Применительно к российской периферии это означает, что статус ОНП должен быть не наградой за «проблемность», а инструментом выявления и поддержки уникальных конкурентных преимуществ.

В Таблице 2 предлагаются конкретные элементы стимулирующей модели, опирающейся на институциональные подходы Д. Норта и О. Уильямсона.

Таким образом, преодоление выявленных институциональных противоречий требует не просто точечных корректировок, а последовательного перехода от компенсационной парадигмы поддержки ОНП к стимулирующей модели, ориентированной на раскрытие эндогенного потенциала территорий с использованием технологий ИИ.

Предложенная в Таблице 2 модель задаёт четыре взаимосвязанных вектора институциональных преобразований: функциональную типологию ОНП, создание специальных экономических режимов, чёткое разграничение полномочий и переход к долгосрочному программному финансированию. Однако любая институциональная модель остаётся лишь де-

Таблица 1

Системные противоречия реализации потенциала ИИ для развития рынка труда ОНП

Противоречие	Сущность	Блокируемый потенциал ИИ
Между целеполаганием и инструментарием	Декларация создания точек роста при сохранении компенсационной логики	ОНП не получают специальных экономических режимов для привлечения ИИ-компаний и фрилансеров
Между логикой отбора и потенциалом	Отбор ОНП по критерию «проблемности» вместо выявления точек роста	Перспективные для внедрения ИИ поселения (с остаточным образовательным или научным потенциалом) не попадают в перечень
Между функциями и ресурсами	Возложение дополнительных функций без передачи ресурсов	ОНП не имеют средств для создания вычислительной инфраструктуры или обучения кадров работе с ИИ
Между долгосрочными целями и краткосрочным планированием	Необходимость долгосрочных инвестиций противоречит идее годового бюджетного планирования	Проекты по внедрению ИИ в социальную сферу и местное производство не получают устойчивого финансирования

Источник: таблица составлена авторами на основе литературных источников.

Таблица 2

Ключевые элементы стимулирующей модели развития ОНП для реализации потенциала ИИ

Элемент модели	Содержательное наполнение (с учётом ИИ-возможностей)	Ожидаемый эффект для рынка труда
1. Функциональная типология ОНП	Выделение типов: агропромышленные (ИИ для мониторинга, прогнозирования); логистические (оптимизация маршрутов); туристские (ИИ-гиды); социально-сервисные (телемедицина, онлайн-образование)	Адресное формирование спроса на ИИ-компетенции; создание нишевых рынков удалённой занятости
2. Специальные экономические режимы	Налоговые каникулы для стартапов на локальных данных; инвестиционные вычеты на вычислительные мощности; упрощённое подключение к сетям	Стимулирование малых инновационных предприятий, разрабатывающих ИИ-решения для местной специфики
3. Разграничение полномочий и ресурсов	Федеральный уровень: рамочные условия, целевые фонды; региональный: софинансирование программ под каждый тип ОНП; муниципальный: расширенные бюджетные полномочия	Чёткое закрепление ответственности за цифровую инфраструктуру и подготовку кадров
4. Механизмы финансирования	Долгосрочные (7–10 лет) программы развития, включая ИИ-компоненту; софинансирование с постепенным увеличением доли собственных доходов ОНП	Стабильность ресурсной базы для долгосрочных инвестиций в человеческий капитал и инфраструктуру
5. Система оценки эффективности (KPI)	Рост налоговых доходов от цифровых услуг; объём частных инвестиций в ИИ-решения; количество удалённых рабочих мест в сфере ИИ; миграционное сальдо специалистов	Переход от оценки «освоение средств» к оценке реальных результатов на рынке труда

Источник: составлено авторами на основе [7; 19].

кларацией без конкретных механизмов её практической имплементации.

В этой связи целесообразно выделить три приоритетных направления политики, непосредственно вытекающих из предложенной модели и способных превратить ИИ в действенный инструмент удержания человеческого капитала в опорных пунктах.

Интеграция отраслевых ИИ-модулей в систему профессионального образования и повышения квалификации на муниципальном уровне. Речь идёт не об абстрактном цифровом ликбезе, а о прикладных программах, увязанных с функциональной специализацией конкретного ОНП (например, ИИ-инструменты для агромониторинга в агропромышленных центрах или нейросети для маршрутизации в логистических узлах).

Создание точек коллективного доступа к вычислительным мощностям (GPU-кластерам) на базе межмуниципальных центров или региональных университетов. Индивидуальная покупка дорогостоящего оборудования непосильна для малого бизнеса и фрилансеров в малых городах, тогда как коллективный доступ на льготных условиях способен нивелировать цифровой разрыв.

Софинансирование стартапов, основанных на оцифровке локального отраслевого знания, через механизмы «посевных» грантов и инвестиционных налоговых вычетов. Государство может выступать не прямым инвестором, а «якорным заказчиком» и гарантом, снижая риски для частного капитала.

Перечисленные направления не являются исчерпывающими, но они задают вектор для дальнейшего обсуждения институциональных условий, при которых технологии ИИ начинают работать на саморазвитие опорных населённых пунктов, а не на консервацию их периферийного статуса.

Выявленная двойственная динамика – концентрация ИИ-функций в центрах и рост удалённой занятости на периферии – требует теоретической интерпретации. Согласно Д. Асемоглу и П. Рестрепо, итоговый эффект автоматизации зависит от способности территорий к «восстановлению» рабочих мест через новые виды деятельности [4]. Применительно к ОНП возможны два канала восстановления: прямое замещение (ИИ снижает порог входа в когнитивные профессии, что позволяет фрилансерам из малых городов конкурировать со столицей) и комплемен- тарное расширение (ИИ оцифровывает уникальное локальное знание, создавая новые ниши). Второй канал более перспективен для устойчивого саморазвития, однако пока доминирует первый, что формирует «разрыв между демографическим присутствием и экономическим участием» [20].

Сравнение с зарубежным опытом показывает, что политика «умной специализации» [5] эффективна лишь при сильных институтах межмуниципальной кооперации. Как предупреждает А. Виггер, без этого она может углубить асимметрии [6]. В России риск подмены «предпринимательского обнаружения» бюрократическим назначением приоритетов особенно высок в силу централизованного порядка формирования перечня ОНП и отсутствия реальных бюджетных полномочий у муниципалитетов [9; 13].

Проведённое исследование позволило выявить двойственный характер влияния технологий искусственного интеллекта на пространственную реконфигурацию рынков труда опорных населённых пунктов Российской Федерации. С одной стороны, эмпирически подтверждена высокая концентрация наиболее маржинальных ИИ-функций в ограниченном числе крупнейших агломераций (прежде всего в Москве и Санкт-Петербурге), что воспроизводит и углубляет сложившиеся межрегиональные диспропорции. С другой стороны, зафиксирован центробежный потенциал ИИ, проявляющийся в росте удалённой занятости среди жителей малых городов и появлении жизнеспособных предпринимательских моделей, основанных на оцифровке уникального локального отраслевого знания.

Ключевым выводом работы является положение о том, что ИИ не выступает автоматическим драйвером децентрализации. Его пространственные эффекты определяются институциональной средой, в которую он встроен. В российских условиях реализация центробежного потенциала ИИ блокируется четырьмя системными институциональными противоречиями:

• •    между декларируемыми целями создания точек роста и сохраняющимся компенсационным инструментарием;

• •    логикой отбора ОНП по критериям «проблемности» и необходимостью выявления реального экономического потенциала;

• •    возлагаемыми на опорные пункты дополнительными функциями и отсутствием адекватного ресурсного обеспечения;

• •    долгосрочными целями пространственного развития и краткосрочным горизонтом бюджетного планирования.

Преодоление этих противоречий требует перехода от компенсационной парадигмы поддержки периферийных территорий к стимулирующей модели. В работе предложена такая модель, включающая четыре взаимосвязанных элемента: 1) функциональную типологию ОНП (агропромышленные, логистические, туристско-рекреационные, социально-сервисные центры); 2) введение специальных экономических режимов; 3) чёткое законодательное разграничение полномочий между уровнями публичной власти; 4) переход к долгосрочному программному финансированию проектов технологического развития.

На основе данной модели сформулированы три приоритетных направления политики: 1) интеграция отраслевых ИИ-модулей в систему профессионального образования и повышения квалификации на муниципальном уровне с привязкой к функциональной специализации конкретного ОНП; 2) создание точек коллективного доступа к вычислительным мощностям (GPU-кластерам) на базе межмуниципальных центров или региональных университетов для нивелирования «цифрового разрыва»; 3) софи-нансирование стартапов, основанных на оцифровке локального отраслевого знания, через механизмы «посевных» грантов и инвестиционных налоговых вычетов при участии государства в качестве «якорного заказчика» и гаранта.

Ограничения исследования связаны с его преимущественно теоретическим характером, использованием агрегированных данных (не позволяющих в полной мере учесть неформальную занятость в сфере ИИ) и краткосрочным временным горизонтом наблюдения, охватывающим лишь начальную фазу диффузии технологий. Перспективы дальнейших исследований включают построение пространственных эконометрических моделей для количественной оценки вклада ИИ в динамику локальных рынков труда, проведение сравнительного анализа институциональных условий в регионах с различной траекторией внедрения ИИ, а также дифференцированную оценку воздействия различных видов ИИ-технологий (генеративных нейросетей, систем предиктивной аналитики, компьютерного зрения) на структуру занятости в ОНП разных функциональных типов.

Таким образом, ИИ может стать действенным инструментом удержания человеческого капитала в опорных населённых пунктах и генерации инновационной активности на неметрополийных территориях, но лишь при условии целенаправленной институциональной настройки федеральной и региональной политики.