Оценка интеллектуальной зрелости промышленных экосистем: конфигурационный подход

The study was financially supported by the Russian Science Foundation under the scientific project No. 25-18-00978,

Как многократно отмечалось в различных исследованиях, экосистемы и платформы являются наиболее успешными бизнес-моделями в цифровой среде. Отличия в целевых установках и ценностных предложениях приводят к формированию различных типов экосистем и платформ. В последнее время все большее внимание теоретиков и практиков привлекают промышленные экосистемы, имеющие огромный технологический и экономический потенциал. По мнению В. В. Акбердиной с коллегами, промышленные экосистемы и платформы являются доминирующими формами четвертой промышленной революции [1]. Возрастание роли и возможностей промышленных экосистем в Индустрии 5.0 отмечается в работе [2]. Г. Б. Клейнер говорит о ведущей роли промышленных экосистем в индустриальном развитии России как интегративных и устойчивых социально-экономических образований, органически сочетающих черты кластеров, холдингов, финансово-промышленных групп, технопарков и бизнес-инкубаторов [3].

Однако до настоящего времени, по сравнению с другими направлениями исследований экосистем, концепция промышленных (индустриальных) экосистем изучена гораздо меньше [4]. При этом цифровые промышленные экосистемы обладают рядом особенностей [5], с учетом которых ряд успешных экосистемных стратегий и моделей взаимодействия может оказаться неприменимым или работать по-другому [1], что определяет актуальность исследований в данной области.

Кроме того, необходимо отметить еще несколько существенных моментов. Во-первых, анализ развития экосистемы как бизнес-мо-дели и различных типов экосистем [6–8] демон- стрирует, что между многими из них не существует четких границ. Это затрудняет формирование единой типологии экосистем и, как следствие, приводит к многообразию определений, в том числе в части промышленных экосистем. Так, в формате промышленных экосистем проявляются и интегрируются как минимум особенности инновационных экосистем, цифровых экосистем и платформ. Последние являются ядром промышленной экосистемы [1; 9; 10]. Вопросы применения и типологизации цифровых промышленных платформ также являются дискуссионными и могут рассматриваться как относительно самостоятельно, так и в контексте создания и функционирования промышленных экосистем [1; 11; 12].

Во-вторых, одной из важнейших составляющих работы любой промышленной экосистемы является принятие решений, основанных на данных в режиме реального времени ( Data-driven decision making ). Это требует решения большого комплекса как технических, так и организационных задач. Поэтому еще одной важной смежной областью исследований является создание интеллектуального (умного) производства 1 как фундамента цифровой промышленной экосистемы.

В-третьих, несмотря на потенциальные возможности экосистемных бизнес-моделей, успех не является гарантированным и в значительной степени зависит от качества управления на различных этапах их жизненного цикла2. При этом одним из инструментов управления, получивших широкое распространение в цифровой среде, являются модели оценки цифровой зрелости. Наиболее широкий класс таких моделей разработан применительно к конкретным предприятиям [13; 14], в том числе с учетом специфики промышленного производства [15], тогда как в части оценки зрелости экосистем исследований существенно меньше [16–18].

Таким образом, актуальным является развитие методических основ и инструментария управления промышленными экосистемами как сложными динамическими системами в условиях экономики данных. Исходя из этого целью данной статьи является формирование методического подхода к построению модели оценки зрелости промышленных экосистем как инструмента стратегического управления их развитием в экономике данных на основе интеграции и систематизации взаимодополняющих направлений исследований в рамках конфигурационного подхода.

ОБЗОР ЛИТЕРАТУРЫ

Чтобы сформировать методическую основу для оценки зрелости промышленных экосистем, необходимо исходить из сущности экосистемы. Одной из наиболее цитируемых работ в данной области является исследование Р. Аднера ( R. Adner ), представившего систематизированный подход к экосистеме как структуре [19]. Подход «экосистема как структура» основывается на ценностном предложении как базе для формирования любой экосистемы. Далее в качестве основных элементов структуры рассматриваются:

– деятельность ( activities ), которая включает полный набор действий, необходимых для реализации ценностного предложения;

– акторы (участники экосистемы) – субъекты, осуществляющие деятельность. При этом предполагается, что один актор может осуществлять несколько видов деятельности и, наоборот, несколько участников могут выполнять одно действие;

– позиции (роли), которые определяют, где в потоке действий по созданию ценности расположены субъекты, и характеризуют, кто и кому передает функции;

– связи, которые определяют взаимодействие и передачу (transfers) между акторами материальных или административных ресур- сов, финансовых средств, информации (знаний, данных) и др.

При этом особый акцент делается на следующие особенности экосистем:

– многосторонний состав участников (партнеров), совокупность отношений которых не поддается разложению на совокупность двухсторонних взаимодействий;

– необходимость взаимного согласия (согласования) относительно распределения действий и ролей;

– сосредоточение внимания не на результатах деятельности отдельных участников, а на создании общей ценности, когда все партнеры, независимо от их ролей и вклада, имеют общей целью создание интегральной ценности, что требует соответствующих координации и мотивации их деятельности.

Ведущую роль в определении ценностного предложения, выборе состава участников, координации их деятельности и создании мотивации к совместному созданию ценности играет компания-лидер (хаб, оркестратор экосистемы). В определенных условиях и на определенных этапах жизненного цикла роль оркестратора в экосистеме могут выполнять несколько участников (мультиоркестрация) [20; 21].

М. Якобидес с коллегами ( М. Jacobides et al .) [6] выделяют в качестве условий, необходимых для создания экосистемы, модульность и взаимодействия, определяя экосистему как набор участников с разной степенью многосторонней взаимодополняемости, которые не полностью иерархически контролируются. Модели неиерархической координации, основанные на обеспечении доверия и совместной деятельности (коэволюции), являются одним из важных условий успешности экосистемы.

Сохраняя общие базовые характеристики, экосистемы могут различаться по целевым установкам (ценностному предложению), составу участников и характеру их взаимодействия, масштабу и другим составляющим. Различные подходы к типологии экосистем представлены в табл. 1.

Табл. 1. Подходы к типологии экосистем

Table 1. Approaches to ecosystem typology

Тип экосистемы                                      Автор

Бизнес-экосистема; инновационная экосистема; платформенная экосистема M. G. Jacobides и соавторы [6]

Промышленные экосистемы; бизнес-экосистемы, включая платформенные экосистемы; многоакторная сетевая перспектива на основе теории социаль- M. Tsujimoto и соавторы [7] ных сетей

Бизнес-экосистема; инновационная экосистема; экосистема знаний; предпри-

И. В. Денисов и соавторы [8] нимательская экосистема

Инновационная экосистема; промышленная экосистема; цифровая экосистема Ю. Г. Герцик и соавторы [22] Бизнес-экосистема; инновационная экосистема; промышленная экосистема;

Р. С. Голов, А. В. Мыльник [23] цифровая экосистема

Источник : составлено авторами. Source: compiled by the authors.

Проведенный анализ показывает, что все больше исследователей рассматривают промышленную экосистему как относительно самостоятельный объект управления. Как и для экосистемы в целом, в настоящее время не существует единого подхода к определению понятия промышленной экосистемы. Приведем несколько взаимодополняющих вариантов:

– промышленные и киберсоциальные экосистемы – это комплексные сети взаимодействующих субъектов и ресурсов, которые обеспечивают эффективное функционирование и развитие промышленных процессов и социальной сферы на цифровой основе. Промышленные экосистемы включают в себя производителей, поставщиков, дистрибьюторов, потребителей и других участников, которые сотрудничают для создания, производства и распространения товаров и услуг. Они основаны на принципе взаимосвязи и взаимовыгодно-сти, в результате чего создается синергетический эффект и повышается конкурентоспособность всей экосистемы [1];

– промышленные экосистемы – это многоуровневые производственные системы, включающие разнородных агентов, действующих в отраслевых цепочках создания стоимости и вносящих вклад в области возможностей экосистемы (и ее участников) с помощью взаимодополняющих, но различающихся наборов ресурсов и возможностей [4];

– промышленная экосистема – это сложная система экономических акторов, дейст- вующих на основе единой платформы, отличающихся своими видами деятельности и особенностями функционирования, целью которых является создание на основе принципов эмерджентности и коэволюции промышленной продукции и (или) услуг [5; 17];

– промышленная экосистема – это система взаимодействующих акторов (включая компании, государственные структуры, научноисследовательские и образовательные учреждения, а также другие заинтересованные стороны), которые совместно способствуют инновациям, экономическому развитию и устойчивому росту в промышленной сфере [24];

– самоорганизующиеся промышленные экосистемы представляют собой сообщества фирм в различных отраслях, которые спонтанно вступают в промышленный симбиоз, т. е. фирмы самостоятельно развивают двусторонние и многосторонние взаимодействия, включающие обмен материалами, энергией и знаниями для индивидуальной и коллективной выгоды [25].

Из приведенных определений можно выделить такие особенности промышленных экосистем, как многосторонний состав участников из различных отраслей и сфер деятельности, обеспечивающий взаимодополнение ресурсов и возможностей по всей цепочке создания ценности, важность формирования взаимовыгодных моделей сотрудничества, организация взаимодействий через цифровые платформы, совместные инновации и самоорганизация.

Эволюция развития промышленных экосистем проанализирована в работе [5], авторы которой выделили следующие ее этапы и характеристики:

– промышленная экосистема предполагает классическую производственную кооперацию на основе офлайн-интеграции по всей цепочке создания ценности (примерами таких экосистем может служить авиастроительный консорциум, включающий заводы, НИИ, поставщиков агрегатов, логистику и сервисные структуры, объединенные договорными отношениями в рамках отраслевого альянса);

– цифровая промышленная экосистема, в которой в рамках индустриальной кооперации для координации, автоматизации и анализа процессов применяются цифровые технологии и инструменты (например, цифровая платформа машиностроительного предприятия);

– интеллектуальная промышленная экосистема использует цифровые технологии на более продвинутом уровне для создания когнитивных механизмов – машинного обучения, самообучающейся оптимизации, сценарного анализа и адаптации (например, цифровая фабрика);

– интеллектуальная цифровая промышленная экосистема – самонастраивающаяся промышленная система, где цифровая инфраструктура, когнитивная аналитика, человекомашинные интерфейсы и нейросети обеспечивают динамическое саморазвитие (например, нефтехимический кластер с единой цифровой платформой, на которой интегрированы добыча, переработка, логистика и сбыт, управляемые через ИИ-аналитику и предиктивные модели управления, а также промышленные метавселенные).

Крупнейшими российскими промышленными экосистемами являются Госкорпорации «Росатом» и «Ростех», ПАО «Северсталь» и индустриальный IoT -хаб «Сколково» как связующее звено между стартапами и промышленными предприятиями. В качестве наиболее «продвинутых» версий промышленных метавселенных можно назвать Siemens Industrial Metaverse , General Electric ( GE ) Digital Twin , Mitsubishi Electric e-F@ctory 1 .

На основании проведенного анализа также можно сделать несколько обобщающих выводов. Во-первых, в основе создания современных промышленных экосистем лежат цифровые технологии и цифровые платформы. В связи с этим, рассматривая сущность промышленных экосистем, необходимо учитывать особенности цифровых экосистем и платформ [1; 5; 22]. Анализ таких взаимосвязей представлен в различных исследованиях. Так, в монографии В. В. Акбердиной с коллегами [1] предложена концепция формирования и развития платформенных рынков и экосистем в промышленности и дано определение цифровой промышленной платформы как экосистемы, алгоритмизирующей взаимовыгодные отношения значительного количества независимых участников отрасли (вида деятельности), осуществляемые в единой среде, приводящие к снижению транзакционных издержек за счет использования пакета цифровых технологий, работы с данными и изменений в системе разделения труда; выделены различные типы цифровых промышленных платформ.

В аналитическом докладе «Платформенная экономика в России: потенциал развития», подготовленном Институтом статистических исследований и экономики знаний НИУ ВШЭ [26], на основе обзора мирового и российского опыта представлены различные определения цифровых платформ и экосистем, показаны преимущества и риски их использования, а также дана характеристика наиболее востребованных их типов. Однако цифровые промышленные платформы и экосистемы в этот перечень пока не вошли. При этом в работах [1; 3; 5; 9] подчеркивается значительная роль цифровых платформ и экосистем в промышленности, формируются теоретико-методические основы их создания и развития. Так, Н. М. Абдикеев с коллегами отмечает многостороннюю и сложную сущность цифровых промышленных платформ, которые могут рассматриваться в трех аспектах: как технологическая конструкция, как инфраструктура и как бизнес-модель [9].

Глубокий анализ цифровых платформ представлен также в исследовании [27], в котором показана эволюция и выделены три архетипа промышленных платформ: продуктовая платформа, платформа цепочки поставок и плат- форменная экосистема. При этом последняя рассматривается как развивающаяся метаор-ганизационная форма, в которой архитектура платформы представляет собой общее технологическое ядро, интегрирующее и поддерживающее участников экосистемы в создании и получении ценности. Продолжая исследования в данном направлении, авторы [11] выделили четыре основных типа цифровых промышленных платформ: промышленные платформы эффективности продукции (industrial product efficiency platforms), промышленные транзакционные платформы (industrial transaction platforms), продуктово-сервисные платформы (product-service platforms) и экосистемы промышленных цифровых платформ (industrial digital platform ecosystems). Отдельно было отмечено, что каждый тип платформы характеризуется определенным инновационным механизмом, который способствует повышению ценности платформы.

Из этого следует второй важный вывод: наличие тесной органической связи промышленных и инновационных экосистем, что отмечается в исследованиях [1; 11; 28–30]. Кроме необходимости инноваций как ключевого условия конкурентоспособности современного промышленного производства, дополнительный импульс инновациям дает формат цифровой экосистемы. По мнению авторов [28], цифровые платформы обладают свойством ге-неративности, т. е. общей способностью производить спонтанные изменения, движимые большой, разнообразной и неиерархически управляемой общностью взаимосвязанных общими целями партнеров. Исключительно важным аспектом, определяющим успех инновационных экосистем, является обеспечение непрерывности процесса создания инновационной ценности, преодоление разрыва между стадиями (функциями) разработки и реализации инноваций [21; 31]. Данная проблема решается как на стадии создания инновационной экосистемы (посредством определения состава партнеров, создания их мотивации к совместной деятельности, формирования ролевой структуры), так и на стадии реализации (выбор моделей оркестрации и сотрудничества, создание взаимного доверия, разработка прозрачных и справедливых механизмов распределения стоимости).

С понятием инновационной экосистемы тесно связаны понятия предпринимательской экосистемы и экосистемы стартапов, также выступающие в качестве отдельных областей теоретического и практического интереса. Так, анализ развития категории «предпринимательская экосистема» и подходов к определению ее структуры приведен в работе [32]. Кроме того, с позиций инноваций в бизнес-моделях промышленных предприятий в качестве перспективной модели, также требующей экосистемного формата взаимодействия, часто выделяют цифровую сервитизацию [27; 29]. Под цифровой сервитизацией понимается процесс трансформации, посредством которого продуктовая компания меняет свою бизнес-модель, ориентированную на продукт, на бизнес-модель, ориентированную на сервис, с поддержкой цифровых технологий, что позволяет реконфигурировать бизнес-процессы, возможности, продукты и услуги для повышения ценности для клиентов и увеличения финансовых и нефинансовых показателей компании [27].

В-третьих, исходя из четырех ключевых характеристик промышленных экосистем (создание синергии, промышленные процессы, производственные системы и взаимосвязанность между промышленными партнерами) [4] и рассматривая составляющую производственных процессов и систем как их базовую отличительную особенность, при оценке зрелости промышленных экосистем необходимо учитывать исследования и результаты в области создания интеллектуального, или «умного», производства (intelligent manufacturing, smart manufacturing)1. Интеллектуальное производство использует данные в реальном времени и технологии на основе данных, такие как IoT и ИИ, для автоматической адаптации к изменениям потребностей клиентов и потребностей бизнеса, представляя собой сочетание человеческого творчества, цифровых подключенных машин и активов, а также систем и аналитики на базе ИИ2.

Дополнительную интеллектуальную составляющую в деятельность промышленных экосистем вносят процессы управления знаниями, необходимые для эффективной деятельности любых, прежде всего цифровых, экосистем [33]. И наконец, необходимо принимать во внимание развитие промышленных метавселенных как органического дополнения и развития промышленных экосистем 3 [34; 35].

В-четвертых, это рассмотрение промышленных экосистем в контексте промышленного симбиоза и циркулярной экономики [2; 25]. Данное направление является отправным по отношению к промышленным экосистемам [25], представляет значительную часть исследований в данной области и продолжает динамично развиваться. Так, в работе [4] выделены два базовых направления исследований промышленных экосистем: 1) исследования, основанные на перспективе устойчивого развития (симбиоз и метаболизм); 2) исследования, основанные на организационной перспективе (архитектура и оркестровка). Выше был рассмотрен ряд дополнительных моментов, существенных для обеспечения успешной деятельности промышленных экосистем.

Таким образом, оценка зрелости промышленных экосистем требует учета большого количества составляющих и параметров, харак- теризующих различные аспекты их создания, функционирования и развития. Поскольку попытка единовременного учета всех факторов приведет к созданию излишне громоздкой, негибкой и избыточной для большинства случаев модели, прежде всего необходимо сформировать сам подход к оценке.

ДИЗАЙН И МЕТОДЫ ИССЛЕДОВАНИЯ

Одним из базовых инструментов обоснования решений по развитию в цифровой экономике стали модели зрелости. Такие модели существуют для различных объектов и ситуаций. Наиболее распространенными являются модели оценки цифровой зрелости предприятий, которые разрабатываются и публикуются как консалтинговыми компаниями и институтами развития, так и отдельными исследователями (либо их группами) [13; 15; 36]. В настоящее время достаточно много работ посвящено расширению и конкретизации таких моделей либо применительно к особенностям объектов оценки и (или) класса решаемых задач (например, оценка цифровой зрелости промышленного предприятия в контексте устойчивого развития [37] или адаптация моделей к специфике МСП [38]), а также с учетом особенностей конкретных отраслей и сфер деятельности (например, здравоохранения [39]).

В соответствии с темой настоящей работы интерес в первую очередь будут представлять исследования по оценке зрелости в следующих направлениях.

• 1.    Оценка зрелости промышленных экосистем. Анализ подходов к оценке зрелости экосистем в целом представлен в работе [18]. Оригинальная методика оценки цифровой зрелости промышленных экосистем представлена в работах [16; 17]. Однако в условиях развития экономики данных существующие модели в недостаточной степени учитывают «интеллектуальные» аспекты, оказывающие все боль-

• шее влияние на эффективность современного производства.

• 2.    Оценка зрелости собственно интеллектуального производства. В данной области тоже разработаны соответствующие модели, отдельные элементы которых предстоит грамотно интегрировать в модели оценки зрелости как промышленных предприятий, так и экосистем в целом. В качестве примера таких моделей можно рассмотреть модель оценки зрелости интеллектуального производства, разработанную аналитиками компании Ericsson 1 , модель зрелости для превращения в интеллектуальную организацию, рассматривающую бережливое производство как ключевой фактор перехода к Индустрии 4.0 и далее [40], модель зрелости производственной системы ( PSMM ) [41]. К этой же группе относятся подходы к оценке зрелости промышленной метавселенной как платформы конвергенции технологий, которая объединяет физическую и цифровую среды для более эффективного взаимодействия, проектирования, моделирования, эксплуатации, оптимизации и автоматизации промышленных процессов 2 [42].

• 3.    Интеграция в модели зрелости промышленных предприятий и экосистем компонент устойчивого развития [37; 38]. Следует выделить несколько взаимодополняющих подходов к такой интеграции: установление взаимосвязей между измерениями цифровой зрелости и целями (факторами) устойчивого развития [38], последующее дополнение соответствующих измерений необходимыми параметрами [37; 38], а также включение в модель новых аспектов (блоков) оценки, связанных с устойчивым развитием [37].

Модели, построенные с учетом всех отмеченных аспектов, будут слишком громоздкими. Именно это явилось в свое время причиной критики моделей оценки зрелости [36]. Первым и наиболее очевидным подходом к повышению гибкости моделей зрелости является модульный принцип построения. Часто модули выделяются в соответствии с иерархией уровней управления. Так, в работе [43] оценивается как экосистема в целом (направления оценки: ценностное предложение, пользовательские сегменты, акторы экосистемы), так и отдельные участники: их ресурсы, виды деятельности, участие в создании и получении ценности, а также взаимозависимость и риски. В работе [44] цифровая зрелость бизнеса структурируется по микро-, мезо- и макроуровням. Развитие данной идеи представлено в исследовании Т. Шеффера (Т. Schäffer) с коллегами1, в котором для оценки предлагается использовать динамический комплекс субмоделей. Такой подход позволит, во-первых, сгладить противоречие между сложностью и в то же время ограниченностью единой, «всеобъемлющей» модели, во-вторых, обеспечить баланс между объемом необходимой информации и соответствующими затратами времени и ресурсов на анализ с учетом стратегической значимости решений, принимаемых по результатам оценки, в-третьих, сделать инструмент более динамичным и способным к развитию путем изменения и (или) дополнения отдельных субмоделей.

Следует отметить еще один подход, который, по мнению авторов данной статьи, целесообразно использовать при формировании модели оценки интеллектуальной зрелости промышленных экосистем, а именно конфигурационный. Его суть состоит в мониторинге и выявлении различных комбинаций факторов и условий, влияющих на эффективность принимаемых решений (например, по выбору стратегии или бизнес-модели), с последующим формированием моделей (архетипов) успешного поведения [45]. Активное применение и развитие конфигурационного подхода в последние годы в значительной степени вызвано усилением нестабильности и неопределенности внешней среды, а также возрастанием роли скорости реакции на внешние изменения как одного из ключевых факторов, определяющих конкурентоспособность современных предприятий и экосистем. Все чаще возникают ситуации, когда теоретические исследования не дают быстрого ответа на актуальные вопросы управления, поэтому комплексный анализ деятельности успешных кейсов становится основой для выявления и систематизации эффективных моделей поведения. Например, использование конфигурационного подхода применительно к выбору успешных стратегий и моделей цифровой сервитизации представлено в работах [46; 47].

Проведенный в рамках исследования систематический обзор литературы показал многообразие аспектов, которые в целом или в зависимости от конкретной ситуации определяют успешность промышленной экосистемы. Поэтому представляется целесообразным учитывать их в разрабатываемой модели оценки, используя при этом конфигурационный подход.

Дополнительным перспективным направлением в рамках решения задачи формирования моделей оценки зрелости является использование больших данных и искусственного интеллекта для обоснования выбора и определения значимости тех или иных показателей [42; 48].

РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ

Развернутый анализ подходов к определению интеллектуальной зрелости в целом и промышленных экосистем в частности представлен в работе [5]. Чаще всего под интеллектуальной зрелостью организации понимается ее способность адаптироваться к быстро изменяющейся цифровой среде за счет интеграции искусственного интеллекта, аналитики больших данных, интеллектуальных платформ и систем предиктивного управления. Однако, продолжая аналогию с оценкой цифровой зрелости, можно сказать, что в формировании интеллектуальной зрелости важную роль играют не только технологии, но и различные организационные аспекты. В соответствии с проведенным анализом представляется целесообразным уточнение данного понятия на основе интеграции различных подходов к ее определению и оценке. Структурно-логическая модель оценки интеллектуальной зрелости промышленной экосистемы приведена на рис. 1.

На представленной схеме выделены взаимодополняющие подходы, интеграция которых позволит обеспечить оценку существенных с позиций успешного функционирования аспектов деятельности промышленной экосистемы. Поскольку различные подходы формировались в разные периоды, часто в рамках относительно самостоятельных областей исследований, между ними существуют опре- деленные взаимосвязи. Данная модель служит теоретико-методическим основанием для формирования методических положений и принципов в части оценки интеллектуальной зрелости промышленных экосистем.

Кратко поясним логику интеграции выделенных подходов. Успешность промышленной экосистемы, как и любого другого типа экосистем (см. табл. 1), прежде всего зависит от соблюдения общих правил формирования и развития экосистемных моделей, что и должно стать базовым блоком оценки. В соответствии с концепцией экосистемы как структуры Р. Ад-нера ( R. Adner ) [19] ключевыми элементами, подлежащими оценке для всех типов экосистем и соответственно представляющими ядро оценочной модели, являются характеристики ценностного предложения, функциональный и ролевой состав участников (акторов) экосистемы и характер взаимосвязей между ними.

Источник : составлено авторами. Source: compiled by the authors.

Рис. 1. Структурно-логическая модель оценки интеллектуальной зрелости промышленной экосистемы

Fig. 1. Structural-logical assessment model for the intellectual maturity of an industrial ecosystem

Определенный опыт в части оценки кооперационных взаимодействий был накоплен ранее в формате оценки зрелости стратегических альянсов и партнерских экосистем. Пример анализа и использования таких моделей представлен в работе [49]. В качестве специфических параметров оценки зрелости коопераций и стратегических альянсов выделяют стратегии сотрудничества, совместное планирование, интеграцию ресурсов и знаний, культуру и процессы альянса. Так как большинство современных экосистем, включая промышленные, реализуются с помощью цифровых платформ, эти аспекты также являются базовыми, т. е. осуществляется оценка зрелости именно цифровой экосистемы.

Вопросы формирования и оценки зрелости инновационных и предпринимательских экосистем являются относительно самостоятельной областью исследования. Однако инновации – неотъемлемая и исключительно важная составляющая современного производства, поэтому модель оценки зрелости промышленной экосистемы должна также включать оценку инновационных аспектов, в первую очередь оценку и прогнозирование непрерывности всей цепочки (сети) создания инновационной ценности [18; 31]. В контексте управления параметры собственно инновационной ценности являются результирующими (запаздывающими). Для повышения успешности инновационного процесса необходимо оценивать и отслеживать целый комплекс опережающих показателей в части организации инновационной деятельности. В качестве «триггера» может быть использована интегральная характеристика трансферного разрыва [50]. При этом под трансферным разрывом понимается нарушение непрерывности процесса передачи (трансфера) результатов инновационной деятельности по всей цепочке создания ценности, не позволяющее получить конкурентоспособный результат (инновационный продукт) и (или) довести его до потребителя в конку- рентоспособные сроки. Группы показателей оценки трансферного разрыва в разрезе технологического и управленческого блоков представлены в работе [50]. Дополнительные организационные аспекты для оценки могут быть взяты из опыта предпринимательских и стартап-экосистем.

Развитие промышленных экосистем в контексте применения цифровых технологий и экономики данных неразрывно связано с концепцией интеллектуального производства. Именно на этом этапе, а также на этапе формирования промышленных метавселенных в значительной степени формируется «интеллектуальность» промышленных экосистем. Особенностями моделей оценки зрелости интеллектуального производства являются:

– интегральная оценка технологической и организационной составляющих создания и эволюции «умных» фабрик;

– центральная роль, возможности и перспективы применения искусственного интеллекта в индивидуальной и совместной деятельности промышленных предприятий.

Так, в работе [38] представлена модель оценки зрелости OSME (Open Smart Manufacturing Ecosystem), которая имеет семь измерений (инфраструктура, данные, клиенты, бизнес-модель, сотрудники, устойчивое развитие и процессы) и пять уровней зрелости (традиционная фабрика, современная фабрика, гибкая фабрика, гибкая когнитивная фабрика и гибкая когнитивная промышленность). Данная модель является эмпирически обоснованным и апробированным расширением модели зрелости промышленного производства ManuMaturity (Maturity Model for the Manufacturing Industry) и учитывает обмен данными по цепочке поставок, экосистему открытых инноваций и устойчивое производство. Несмотря на то что разработаны относительно самостоятельные модели зрелости искусственного интеллекта1, многие консалтинговые компании делают акцент на важности учета при оценке зрелости интеллектуального производства как производственно-технологических, так и организационных аспектов, касающихся определения стратегии, бизнес-модели, организационной культуры и др. В модели зрелости интеллектуального производства, разработанной аналитиками компании Ericsson, кроме зрелости производства, в качестве отдельных направлений оценки выделены эффективность управления цепочками поставок и зрелость рабочей силы1.

Следующим этапом развития интеллектуального производства является создание промышленных метавселенных, основными строительными блоками которых являются цифровые двойники, а также такие динамично развивающиеся технологии, как пространственные вычисления, искусственный интеллект, Web3 и блокчейн. Как следует из сути промышленной метавселенной, ее создание требует широкого и тесного межотраслевого сотрудничества. В контексте промышленных метавселенных интеллектуальная промышленность включает интеллектуальные продукты и системы, операции (процессы), услуги и поддержку клиентов 2 . В качестве эволюционных этапов развития промышленной метавселенной эксперты Capgemini выделяют три уровня ее зрелости: создание Интернета цифровых двойников, создание когнитивной метавселенной и развитие автономной метавселенной.

Особо следует отметить, что в контексте интеллектуального производства, в особенности промышленных метавселенных, исключительно важным является обеспечение кибербезопасности. Этой проблеме также посвящено большое количество исследований и разработок, однако их рассмотрение выходит за рамки данной статьи.

Еще одной очень важной стороной промышленных экосистем являются их возможности с позиций устойчивого развития и циркулярной экономики. В научной литературе существует относительно самостоятельный, достаточно большой и динамично развивающийся корпус исследований по оценке зрелости промышленных экосистем с акцентом на промышленный симбиоз и циркулярные бизнес-модели. Как отмечено, существуют различные модели оценки зрелости циркулярной экономики [37; 38; 51]. В качестве оценочных аспектов могут выступать следующие: соответствие целям устойчивого развития в целом; адаптация продуктов к принципам циклического производства (комплексная оценка самого продукта, его упаковки, побочных продуктов, образующихся отходов и продукции, возвращаемой на переработку); процессы, обеспечивающие устойчивое и цикличное обращение с ресурсами; технологии и инструменты, способствующие организации и развитию циклического производства и циркулярных моделей; управление внешними стейкхолдерами.

Эффективность экосистемных взаимодействий существенно зависит от полноты и организации обмена знаниями между участниками, возможностей совместного использования и создания новых знаний [6; 33; 46]. Поэтому для усиления акцента на интеллектуальную составляющую предлагается учитывать и использовать опыт, накопленный в части обеспечения зрелости корпоративных систем управления знаниями [52; 53]. Наиболее устойчивым ядром моделей оценки в данной области является триада «люди – процессы – технологии». В качестве критических факторов успеха в моделях оценки зрелости управления знаниями на предприятиях также выделяют наличие стратегии, лидерство (поддержка руководства, командная работа, координация), управление изменениями и постоянное совершенствование, коммуникации (взаимодействие со стейкхолдерами) [52].

Понимание интегральной сущности промышленной экосистемы и выделение составляющих ее зрелости с акцентом на интеллектуальную составляющую, роль которой значительно возрастает в экономике данных, позволяет определить интеллектуальную зрелость промышленной экосистемы как многоаспектное понятие, объединяющее интеллектуальную зрелость производства с экосистемной зрелостью, которая включает оценку координации и моделей взаимодействия партнеров, управления инновациями и управления знаниями, а также степень воздействия на окружающую среду, рассматриваемое как с позиций накопленного потенциала, так и с учетом возможностей повышения эффективности его использования и развития.

Исходя из представленной на рис. 1 модели оценки интеллектуальной зрелости промышленной экосистемы и с учетом особенностей интегрируемых подходов сформулируем ряд ключевых методических положений:

– оценка интеллектуальной зрелости промышленных экосистем осуществляется на основе анализа и интеграции опыта, накопленного в области оценки зрелости экосистем в целом, инновационных и предпринимательских экосистем, интеллектуального производства и промышленных метавселенных, применения модели цифровой сервитизации, зрелости циклического производства и циркулярной экономики, а также системы управления знаниями. При этом состав учитываемых областей оценки не ограничивается приведенным перечнем, а является динамично развивающимся;

– во избежание громоздкости оценочной модели и с целью предотвращения чрезмерных затрат времени и других ресурсов на проведение оценки общая модель строится в соответствии с модульным принципом;

– ядром оценочной модели, подлежащим оценке в любой ситуации, являются общие элементы экосистемы как структуры, такие как характеристика ценностного предложения, состав необходимых для его создания действий и участников, их ролевая структура и характер взаимосвязей между ними, а также оценка зрелости цифровых платформ как основы цифровой экосистемы;

– полнота (степень охвата оценочных аспектов и параметров) и глубина (уровень детализации параметров) оценки по другим на- правлениям, в соответствии с принципами конфигурационного подхода, определяются в зависимости от значений одного или нескольких факторов, существенных для принятия решений;

– в качестве фактора, обусловливающего выбор оценочных параметров и уровень детализации оценки, предлагается использовать степень соответствия стратегическим целям развития промышленной экосистемы;

– в рамках каждого оценочного направления независимо от степени полноты и глубины оценки должны рассматриваться как технологическая, так и управленческая (организационная) составляющие;

– в состав оценочных показателей по каждому из аспектов (в рамках каждой из субмоделей) для решения задач мониторинга и управления развитием должны входить результирующие (запаздывающие) и опережающие показатели (факторы получения результатов). В целях повышения гибкости и устойчивости промышленной экосистемы желательно также рассматривать показатели, характеризующие резильентность как способность системы справляться с изменениями, непредвиденными ситуациями и кризисами, восстанавливаясь и адаптируясь к ним.

В рамках предлагаемого методического подхода в дополнение к общим принципам оценки (целевой ориентированности, комплексности, измеримости, достоверности, прозрачности) сформирован ряд специфических принципов:

– модульность – представление общей модели оценки в виде структурированной системы взаимосвязанных субмоделей для последующего выбора и конфигурации блоков, наиболее значимых для конкретной промышленной экосистемы с учетом контекста ее развития (текущего уровня зрелости, целей развития, условий внешней среды);

– избыточность – необходимость проработки всех значимых для деятельности различных промышленных экосистем аспектов;

– конфигурация и приоритизация – выбор из представленного множества субмоделей и соответствующих им оценочных параметров той их части, которая наиболее тесно связана с системой стратегических приоритетов на данном этапе развития экосистемы;

– интеллектуализация – использование алгоритмов искусственного интеллекта для определения наиболее значимых для достижения поставленных целей факторов развития и соответствующих им аспектов и параметров оценки;

– мониторинг – использование опережающих оценочных показателей для прогнозирования и корректировки траектории развития промышленной экосистемы на основе интеллектуального анализа данных.

Иллюстрация верхнеуровневой структуры оценочной модели в контексте конфигурационного подхода представлена в виде фреймворка IEST (рис. 2), в соответствии с которым выбор значимых для оценки направлений и субмоделей, а также уровень глубины оценки по выделенным аспектам определяются приоритетами в системе стратегических целей про- мышленной экосистемы, обусловленными главным образом перспективами ее развития и текущим уровнем зрелости. В качестве таких приоритетов предлагается рассматривать четыре базовых направления целеполагания: инновационное развитие (I), повышение эффективности производства (E), соответствие целям устойчивого развития (S) и выбор перспективных цифровых технологий (T).

В качестве примера использования фреймворка предлагаем рассмотреть возможный набор оценочных показателей по аспекту «Зрелость интеллектуального производства», поскольку именно он в значительной степени определяет уровень интеллектуального развития промышленных экосистем (табл. 2). Показатели определены в разрезе каждой из четырех выделенных групп стратегических приоритетов IEST . Кроме того, подчеркнута необходимость определения по каждой группе как результирующих, так и опережающих показателей (факторов получения результата).

I Цели в области инновационного развития	Зрелость инновационной экосистемы (предпринимательской, экосистемы стартапов)	Е Цели в области повышения эффективности
Зрелость интеллектуального производства/ промышленных метавселенных	Зрелость цифровой экосистемы («ядро» модели)	Зрелость в рамках прочих аспектов (цифровая сервитизация, система управления знаниями и др.)
S Цели в области устойчивого развития	Зрелость циклического производства (циркулярной экономики)	т Цели в области выбора перспективных цифровых технологий

Источник : составлено авторами. Source: compiled by the authors.

Рис. 2. Фреймворк IEST формирования модели оценки интеллектуальной зрелости промышленных экосистем

Fig. 2. IEST framework for an assessment model for the intellectual maturity of industrial ecosystems

Табл. 2. Примеры показателей по аспекту оценки зрелости интеллектуального производства (фрагмент) Table 2. Examples of indicators for an assessment aspect of intellectual production maturity (excerpt)

Группа                         Пример оценочных показателей (общее «меню»)

приоритетных целей         Опережающие показатели              Результирующие показатели

I – цели в области инновационного развития

Доля бюджета, выделенного на исследования Время от идеи до внедрения нового про-и разработки в области развития и внедрения дукта или технологии (дни). ИИ (%).                                   Доля продукции, улучшенной на основе Объем инвестиций в инновации, привлечен- обратной связи от потребителей (%). ных совместно с партнерами (ден. ед.).        Доля критических (аварийных) процессов, Доля сотрудников, участвующих в инноваци- автоматизированных с использованием онных ИИ-проектах (%).                   инновационных решений (%). Доля инновационных процессов, управляемых Доля успешно завершенных пилотных через цифровые платформы (%).            ИИ-проектов (%) Доля производственных решений, принимаемых ИИ (%). Скорость освоения новых цифровых инструментов (дни). Доля решений, принятых сотрудниками на основе ИИ-советов (%)

E – цели в области повышения эффективности

Уровень автоматизации производственных Сокращение времени выполнения произ-процессов (% операций, выполняемых авто- водственных процессов (часы). номно).                                   Сокращение уровня брака за счет ИИ- Доля оборудования с предиктивным обслужи- решений (%). ванием (% станков, оснащенных IoT -датчиками Снижение потерь сырья и энергии благо-и ML -алгоритмами для прогнозирования     даря интеллектуальным системам управ- отказов).                                     ления (%). Уровень охвата активов цифровыми двойни- Сумма финансовых потерь, предотвращен-ками (%).                                 ных благодаря предиктивному обслужи- Доля IoT -устройств с предиктивной аналитикой. ванию (руб./год). Интеграция с внешними IoT -датчиками постав- Время перенастройки оборудования для щиков (число подключенных источников). выпуска нового продукта (часы). Уровень автономности складов (%).          Среднее время восстановления производ- Доля критичных активов, где ИИ тестирует ства после внешнего или внутреннего кризисные сценарии в симуляции (%).       сбоя (часы). Количество проведенных симуляций кризис- Время перенастройки логистики при ных ситуаций за период (ед.).                сбое (часы). Доля операций, которые можно выполнять Снижение дефицита сырья благодаря дистанционно в кризисных условиях (%)     предиктивной аналитике спроса (%)

S – цели в области Доля процессов, соответствующих принципам Суммарная экономия благодаря экологич-устойчивого развития циркулярной экономики (%).               ным решениям (ден. ед./год).

Доля сырья, используемого повторно или    Снижение выбросов парниковых газов переработанного (%).                      за год благодаря циркулярным подходам Объем воды, сэкономленной за счет рецирку- (%). ляции (м³/год).                              Уменьшение углеродного следа благодаря Доля экологических параметров, отслеживае- ИИ-оптимизации маршрутов и процессов мых в реальном времени (%).                (%). Количество экологических параметров, контро- Уменьшение использования первичного лируемых ИИ.                             сырья за счет переработки (%).

Продолжение табл. 2

Группа                         Пример оценочных показателей (общее «меню»)

приоритетных целей         Опережающие показатели              Результирующие показатели

То же

Уровень предсказательной точности в управ- Доля отходов, переработанных в полезные лении отходами (% точности прогнозов по объ- материалы (%). емам и типам отходов).                     Доля продукции, созданной из перерабо- Количество совместных проектов с перераба- танных материалов (%) тывающими компаниями. Доля участников экосистемы, предоставляю щих данные об экоследе (%). Количество процессов, где используются биотехнологии. Количество новых технологий переработки, внедренных за год

T – цели в области выбора перспективных цифровых технологий

Качество данных ( DQ-index ).                 Точность предиктивной аналитики (% сов- Скорость обработки Big Data (ТБ/час).       падения прогнозов с реальными событи- Актуальность данных.                      ями). Частота синхронизации цифрового и физиче- Эффективность оптимизации через циф-ского объектов (раз/час).                   ровые двойники (% снижения простоев / дефектов). Глубина использования данных в реальном времени (% процессов с Real-time- аналитикой). Уровень кибербезопасности (доля успешно предотвращенных кибератак за год, %). Доля сценариев чрезвычайных ситуаций, где ИИ запускает ответные меры (например,     Процент корректно предсказанных отказов остановка производственной линии) (%).     оборудования ( Accuracy , Precision , Recall ). Скорость обучения ИИ-моделей под новые Время реакции ИИ на инциденты (сек.). угрозы (время адаптации алгоритмов к ранее Время от обнаружения до принятия мер неизвестным рискам) (часы)                 (сек.). Отношение сэкономленных средств к затратам на ИИ-проекты ( ROI )

Источник : составлено авторами. Source : compiled by the authors.

Задача определения тесноты взаимосвязей между достижением целевых установок и необходимыми для этого ресурсами и условиями не является однозначной, и перспективным направлением ее решения в условиях интеллектуализации процессов является применение алгоритмов искусственного интеллекта для выявления взаимозависимости и тесноты связей между параметрами зрелости экосистемы и степенью достижения целей в рамках выделенных групп.

Направлениями дальнейших исследований являются также формирование динамической структуры субмоделей оценки интеллектуальной зрелости промышленной экосистемы и составление избыточной системы параметров с рекомендациями по их выбору в зависимости от контекста развития конкретной промышленной экосистемы.

ЗАКЛЮЧЕНИЕ

Развитие модели оценки зрелости промышленных экосистем в интеллектуальном контексте отвечает условиям экономики данных. Необходимость учета большого числа параметров, характеризующих различные аспекты деятельности промышленных экосистем, делает оценочную модель громоздкой, а процесс оценки – избыточно трудоемким. Предложенный в данной статье методический подход к построению оценочной модели, основанный на применении конфигурационного подхода, ориентирован на повышение гибкости и эффективности проведения оценки за счет выбора и комбинации подмножества блоков (субмоделей) из общей избыточной структуры с учетом текущего уровня и перспектив развития конкретной промышленной экосистемы.