Север и рынок. 2025, № 4.

СЕВЕР И РЫНОК: формирование экономического порядка. 2025. № 4. С. 182-192. Sever i rynok: formirovanie ekonomicheskogo poryadka [The North and the Market: Forming the Economic Order], 2025, no. 4, pp. 182-192. ИННОВАЦИИ В ЭКОНОМИКЕ СЕВЕРНЫХ И АРКТИЧЕСКИХ РЕГИОНОВ ИТ-стартапов», а также 0,83 — по «Доле ИТ-услуг в ВРП». Такая широта влияния свидетельствует о том, что программа функционирует не как узкий проект по модернизации госуслуг, а как сквозной драйвер технологической модернизации, создающий условия для коммерциализации исследований, развития предпринимательской среды и трансформации промышленных процессов. На графе влияния это отражено в виде наиболее толстых и темных связей, идущих от узла «Цифровая трансформация» к таким регионам, как ЯНАО, Мурманская область и Красноярский край, где совокупное влияние превышает среднерегиональный уровень на 38 %. Вторым, и менее ожидаемым, результатом стало выявление высокой технологической отдачи от программы «Экологический мониторинг». Несмотря на ее декларативную экологическую направленность, модель присвоила ей максимальные веса (0,87-0,90) по индикаторам, связанным с передовыми цифровыми технологиями: «Цифровизация экологического мониторинга», «Патенты на IoT» и даже «Количество технопарков». Это позволяет сделать вывод о том, что в условиях Арктики экологические задачи служат не просто инструментом регулирования, а мощным триггером для внедрения высокотехнологичных решений. Требования к постоянному мониторингу состояния вечной мерзлоты, выбросов загрязняющих веществ и биоразнообразия в удаленных территориях не могут быть решены традиционными методами и напрямую стимулируют разработку и применение автономных сенсорных сетей, дронов, спутниковых систем и ИИ-алгоритмов анализа данных. Таким образом, программа, формально ориентированная на устойчивость, в реальности становится одним из ключевых источников технологической инновационности в регионе. Остальные программы демонстрируют более узкую, но всё же значимую направленность. Программа «Инновационная инфраструктура» проявляет себя преимущественно в поддержке институциональной среды: ее вес по индикатору «Количество технопарков» составляет 0,81, а по «Патентам на автономные системы» — 0,85. Это указывает на ее роль в создании условий для трансляции научных разработок в коммерческие продукты. Программа «Малый инновационный бизнес», в свою очередь, оказывает наибольшее влияние на индикаторы, связанные с финансированием и масштабированием: вес 0,82 по «Инвестициям в ИТ-инфраструктуру» и 0,45 по «Числу ИТ-стартапов». Это говорит о том, что ее механизм поддержки ориентирован на стартапы на стадии роста, а не на ранние научные идеи. Особого внимания заслуживает программа «Цифровое образование», которая, несмотря на вес 0,87 по индикатору «Цифровая грамотность населения», практически не коррелирует с показателями инновационной активности. Веса по «Патентам» и «Доле ИТ-услуг в ВРП» не превышают 0,15. Это подтверждает гипотезу о существовании «технологического разрыва» — ситуации, когда образовательные инвестиции не транслируются в экономические и инновационные результаты. Граф влияния дополнительно усиливает этот вывод: связи от узла «Цифровое образование» к региональным узлам являются одними из самых тонких и светлых, что визуально подтверждает их низкую значимость. Пространственный анализ выявил устойчивую асимметрию в распределении технологического эффекта (рис. 2). Наиболее сильное влияние наблюдается в трех регионах: ЯНАО, Мурманской области и Красноярском крае. В этих субъектах совокупные веса по ключевым программам превышают среднерегиональные значения на 35-40 %, что связано с концентрацией добывающих активов, развитой логистикой и наличием цифровых кластеров. В то же время в восточных регионах — Республике Саха (Якутия), Чукотском и Ненецком автономных округах — влияние всех программ ослаблено, несмотря на сопоставимые объемы финансирования. Это указывает на то, что географическая изоляция, низкая плотность населения и отсутствие интегрированных цифровых платформ являются значимыми барьерами для трансфера технологий. Важно подчеркнуть, что все представленные результаты получены при высокой прогностической способности модели: коэффициент детерминации R 2 = 0,89 на тестовой выборке (2023-2024 гг.) свидетельствует о ее способности улавливать реальные зависимости. Применение L1-регуляризации обеспечило разреженность матрицы внимания, что позволило сосредоточиться только на статистически значимых связях (веса > 0,1), исключив шумовые корреляции. Таким образом, предлагаемый авторами подход на основе MASGN-TT не просто предсказывает технологические показатели, но и предоставляет интерпретируемую карту причинно­ следственных связей, в которой каждая линия на графе и каждая ячейка на тепловой карте имеют четкое содержательное значение, что дает более гибкое представление о влиянии федеральных программ на региональное развитие. ©Антипов С. К., Белошицкий А. В., Дубгорн А. С., Ильин И. В., Лёвина А. И., 2025 187