Цель настоящего исследования заключается в выявлении ключевых направлений готовности к использованию ИИ в высшем образовании. Актуальность исследования обусловлена стремительной цифровой трансформацией высшего образования под воздействием ИИ и отсутствием целостного представления о направлениях исследовательской готовности к его внедрению. Был сформулирован следующий исследовательский вопрос: Какие направления исследований наблюдаются в существующем дискурсе о готовности к распространению технологий искусственного интеллекта в высшем образовании? Для ответа на исследовательский вопрос был проведен библиометрический анализ совместного цитирования 2237 публикаций, индексируемых в базе данных SCOPUS за период 2015–2025 гг. Далее, в исследовании было проведено качественное кодирование аннотаций для сужения выборки до 598 наиболее значимых публикаций. С помощью библиометрического анализа выделены пять основных направлений исследований: (1) формирование стратегической готовности университетов к ИИ в образовательных организациях (2) формирование организационной готовности университетов к ИИ (3) формирование потребительской готовности преподавателей и студентов к ИИ (4) формирование психологических параметров готовности к ИИ (5) формирование механизмов принятия решений при внедрении ИИ. Полученные результаты свидетельствуют о многоуровневом характере готовности к внедрению ИИ на стратегическом, организационном и личностно-психологическом. Исследование представляет собой систематический oбзор научных публикаций с использованием библиометрического подхода, что позволяет выявить новые перспективные направления дальнейшей разработки темы готовности высшего образования к распространению ИИ. Оно вносит вклад в понимание роли ИИ как ключевого фактора трансформации высшего образования.
Предпросмотр статьи
Идентификаторы и классификаторы
- Префикс DOI
- 10.55959/MSU0130-0105-6-60-3-14
Стратегическая готовность университетов к интеграции ИИ начинается со стратегического лидерства и четкого видения, которое сочетает технологические инновации с образовательными целями. Руководители должны не только понимать возможности ИИ, но и разрабатывать политику, регулирующую его использование, чтобы минимизировать этические риски, такие как утечка данных или предвзятость алгоритмов.
Список литературы
1. Багратиони, К. А. (2023). Между сопротивлением изменениям и готовностью к ним: библиометрический анализ. Организационная Психология, 13 (4), 141-166. https://doi.org/10.17323/2312-5942-2023-13-4-141-166
2. Налимов, В. В., & Мульченко, З. М. (2013). Наукометрия. Рипол Классик.
3. Наумцева, Е. А. (2016). Психологическая готовность к организационным изменениям: подходы, понятия, методики. Организационная Психология, 6 (2), 55-74.
4. Наумцева, Е. А., & Штроо, В. А. (2020). Психологическая готовность к организационным изменениям и ее социально-психологические предикторы. Социальная Психология и Общество, 11 (4), 151-164. https://doi.org/10.17759/sps.2020110411
5. Штроо, В. А. (2021). Отношение сотрудников к организационным изменениям: сопротивление vs готовность. Вестник Московского Университета. Серия 14. Психология, 2, 142-177. https://doi.org/10.11621/vsp.2021.02.08
6. Aboelmaged, M. G. (2014). Predicting e-readiness at fi rm-level: An analysis of technological, organizational and environmental (TOE) eff ects on e-maintenance readiness in manufacturing fi rms. International Journal of Information Management, 34 (5), 639-651. https://doi.org/10.1016/j.ijinfomgt.2014.05.002
7. Acemoglu, D., & Restrepo, P. (2020). Robots and jobs: Evidence from US labor markets. Journal of Political Economy, 128 (6), 2188-2244. https://doi.org/10.1086/705716
8. Adadi, A., & Berrada, M. (2018). Peeking inside the black-box: a survey on explainable artifi cial intelligence (XAI). IEEE Access, 6, 52138-52160. https://doi.org/10.1109/ACCESS.2018.2870052
9. Adam, M., Wessel, M., & Benlian, A. (2021). AI-based chatbots in customer service and their eff ects on user compliance. Electronic Markets, 31 (2), 427-445. https://doi.org/10.1007/s12525-020-00414-7
10. Agarwal, R., & Prasad, J. (1998a). A conceptual and operational defi nition of personal innovativeness in the domain of information technology. Information Systems Research, 9 (2), 204-215. https://doi.org/10.1287/isre.9.2.204
11. Agarwal, R., & Prasad, J. (1998b). The antecedents and consequents of user perceptions in information technology adoption. Decision Support Systems, 22 (1), 15-29. https://doi.org/10.1016/S0167-9236(97)00006-7
12. Ajzen, I. (1991). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50 (2), 179-211. https://doi.org/10.1016/0749-5978(91)90020-T
13. Akter, S., Hossain, M. A., Sajib, S., Sultana, S., Rahman, M., Vrontis, D., & McCarthy, G. (2023). A framework for AI-powered service innovation capability: Review and agenda for future research. Technovation, 125, 102768. https://doi.org/10.1016/j.technovation.2023.102768
14. Anand, A., Brøns Kringelum, L., Øland Madsen, C., & Selivanovskikh, L. (2021). Interorganizational learning: a bibliometric review and research agenda. The Learning Organization, 28 (2), 111-136. https://doi.org/10.1108/TLO-02-2020-0023
15. Anand, A., & Dumazert, J. (2022). Knowledge sharing in organization: Reviewing the foundations of the fi eld and current themes using bibliometrics. Knowledge and Process Management, 29 (3), 270-283. https://doi.org/10.1002/kpm.1720
16. Androutsopoulou, A., Karacapilidis, N., Loukis, E., & Charalabidis, Y. (2019). Transforming the communication between citizens and government through AI-guided chatbots. Government Information Quarterly, 36 (2), 358-367. https://doi.org/10.1016/j.giq.2018.10.001
17. Araujo, T. (2018a). Living up to the chatbot hype: The infl uence of anthropomorphic design cues and communicative agency framing on conversational agent and company perceptions. Computers in Human Behavior, 85, 183-189. https://doi.org/10.1016/j.chb.2018.03.051
18. Araujo, T. (2018b). Living up to the chatbot hype: The infl uence of anthropomorphic design cues and communicative agency framing on conversational agent and company perceptions. Computers in Human Behavior, 85, 183-189. https://doi.org/10.1016/j.chb.2018.03.051
19. Arpaci, I., Yardimci, Y. C., Ozkan, S., & Turetken, O. (2012). Organizational adoption of information technologies: A literature review. International Journal of Ebusiness and Egovernment Studies, 4 (2), 37-50.
20. Arrieta, A. B., Díaz-Rodríguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., García, S., Gil-López, S., Molina, D., & Benjamins, R. (2020). Explainable Artifi cial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. Information Fusion, 58, 82-115. https://doi.org/10.1016/j.inffus.2019.12.012
21. Ashfaq, M., Yun, J., Yu, S., & Loureiro, S. M. C. (2020). I, Chatbot: Modeling the determinants of users’ satisfaction and continuance intention of AI-powered service agents. Telematics and Informatics, 54, 101473. https://doi.org/10.1016/j.tele.2020.101473
22. Atwal, G., & Bryson, D. (2021). Antecedents of intention to adopt artifi cial intelligence services by consumers in personal fi nancial investing. Strategic Change, 30 (3), 293-298. https://doi.org/10.1002/jsc.2412
23. Baabdullah, A. M., Alalwan, A. A., Slade, E. L., Raman, R., & Khatatneh, K. F. (2021). SMEs and artifi cial intelligence (AI): Antecedents and consequences of AI-based B2B practices. Industrial Marketing Management, 98, 255-270. https://doi.org/10.1016/j.indmarman.2021.09.003
24. Bag, S., Gupta, S., Kumar, A., & Sivarajah, U. (2021). An integrated artifi cial intelligence framework for knowledge creation and B2B marketing rational decision making for improving fi rm performance. Industrial Marketing Management, 92, 178-189. https://doi.org/10.1016/j.indmarman.2020.12.001
25. Bagrationi, K., & Gordienko, O. (2024). Dynamics of Organisational Change: Resistance, Readiness, and the Road Ahead. European Conference on Innovation and Entrepreneurship, 81-88.
26. Bagrationi, K., & Thurner, T. (2020). Using the future time perspective to analyse resistance to, and readiness for, change. Employee Relations: The International Journal, 42 (1), 262-279. https://doi.org/10.1108/ER-04-2018-0113
27. Bagrationi, K., & Thurner, T. (2023). Middle Management’s Resistance to Digital Change. Foresight and STI Governance (Foresight-Russia till No. 3/2015), 17 (2), 49-60. https://doi.org/10.17323/2500-2597.2023.2.49.60
28. Balakrishnan, J., Abed, S. S., & Jones, P. (2022). The role of meta-UTAUT factors, perceived anthropomorphism, perceived intelligence, and social self-effi cacy in chatbot-based services? Technological Forecasting and Social Change, 180, 121692. https://doi.org/10.1016/j.techfore.2022.121692
29. Barney, J. (1991). Firm resources and sustained competitive advantage. Journal of Management,17(1), https://doi.org/https://doi.org/https://doi.org/10.1177/014920639101700108
30. Baryannis, G., Validi, S., Dani, S., & Antoniou, G. (2019). Supply chain risk management and artifi cial intelligence: state of the art and future research directions. International Journal of Production Research, 57 (7), 2179-2202. https://doi.org/10.1080/00207543.2018.1530476
31. Belanche, D., Casaló, L. V, & Flavián, C. (2019). Artifi cial Intelligence in FinTech: understanding robo-advisors adoption among customers. Industrial Management & Data Systems, 119 (7), 1411-1430. https://doi.org/10.1108/IMDS-08-2018-0368
32. Benckendorff , P., & Zehrer, A. (2013). A network analysis of tourism research. Annals of Tourism Research, 43, 121-149. https://doi.org/10.1016/j.annals.2013.04.005
33. Benckendorff , P., & Zehrer, A. (2017). Handbook of teaching and learning in tourism. Edward Elgar Publishing. https://doi.org/10.4337/9781784714802
34. Berente, N., Gu, B., Recker, J., & Santhanam, R. (2021). Managing artifi cial intelligence. MIS Quarterly, 45 (3). https://doi.org/10.1002/jwmg.22492
35. Bigman, Y. E., & Gray, K. (2018). People are averse to machines making moral decisions. Cognition, 181, 21-34. https://doi.org/10.1016/j.cognition.2018.08.003
36. Bin-Nashwan, S. A., Sadallah, M., & Bouteraa, M. (2023). Use of ChatGPT in academia: Academic integrity hangs in the balance. Technology in Society, 75, 102370. https://doi.org/10.1016/j.techsoc.2023.102370
37. Brock, J. K. -U., & Von Wangenheim, F. (2019). Demystifying AI: What digital transformation leaders can teach you about realistic artifi cial intelligence. California Management Review, 61(4), 110-134. https://doi.org/10.1177/1536504219865226
38. Brougham, D., & Haar, J. (2018). Smart technology, artifi cial intelligence, robotics, and algorithms (STARA): Employees’ perceptions of our future workplace. Journal of Management & Organization, 24(2), 239-257. https://doi.org/10.1017/jmo.2016.55
39. Budhwar, P., Malik, A., De Silva, M. T. T., & Thevisuthan, P. (2022). Artifi cial intelligence-challenges and opportunities for international HRM: a review and research agenda. The InTernaTIonal Journal of Human Resource ManagemenT, 33(6), 1065-1097. https://doi.org/10.1080/09585192.2022.2035161
40. Cao, G., Duan, Y., Edwards, J. S., & Dwivedi, Y. K. (2021). Understanding managers’ attitudes and behavioral intentions towards using artifi cial intelligence for organizational decision-making. Technovation, 106, 102312. https://doi.org/10.1016/j.technovation.2021.102312
41. Celik, I. (2023). Towards Intelligent-TPACK: An empirical study on teachers’ professional knowledge to ethically integrate artifi cial intelligence (AI)-based tools into education. Computers in Human Behavior, 138, 107468. https://doi.org/10.1016/j.chb.2022.107468
42. Chatterjee, S., & Bhattacharjee, K. K. (2020). Adoption of artifi cial intelligence in higher education: A quantitative analysis using structural equation modelling. Education and Information Technologies, 25, 3443-3463. https://doi.org/10.1007/s10639-020-10159-7
43. Chatterjee, S., Rana, N. P., Dwivedi, Y. K., & Baabdullah, A. M. (2021). Understanding AI adoption in manufacturing and production fi rms using an integrated TAM-TOE model. Technological Forecasting and Social Change, 170, 120880. https://doi.org/10.1016/j.techfore.2021.120880
44. Chen, S., Duan, Y., Edwards, J. S., & Lehaney, B. (2006). Toward understanding interorganizational knowledge transfer needs in SMEs: insight from a UK investigation. Journal of Knowledge Management, 10 (3), 6-23. https://doi.org/10.1108/13673270610670821
45. Cheng, X., Zhang, X., Cohen, J., & Mou, J. (2022). Human vs. AI: Understanding the impact of anthropomorphism on consumer response to chatbots from the perspective of trust and relationship norms. Information Processing & Management, 59 (3), 102940. https://doi.org/10.1016/j.ipm.2022.102940
46. Chi, O. H., Denton, G., & Gursoy, D. (2020). Artifi cially intelligent device use in service delivery: a systematic review, synthesis, and research agenda. Journal of Hospitality Marketing & Management, 29 (7), 757-786. https://doi.org/10.1080/19368623.2020.1721394
47. Chiu, T. K. F. (2021). A holistic approach to the design of artifi cial intelligence (AI) education for K-12 schools. TechTrends, 65 (5), 796-807. https://doi.org/10.1007/s11528-021-00637-1
48. Chiu, T. K. F., Xia, Q., Zhou, X., Chai, C. S., & Cheng, M. (2023). Systematic literature review on opportunities, challenges, and future research recommendations of artifi cial intelligence in education. Computers and Education: Artificial Intelligence, 4, 100118. https://doi.org/10.1016/j.caeai.2022.100118
49. Chowdhury, S., Dey, P., Joel-Edgar, S., Bhattacharya, S., Rodriguez-Espindola, O., Abadie, A., & Truong, L. (2023a). Unlocking the value of artifi cial intelligence in human resource management through AI capability framework. Human Resource Management Review, 33 (1), 100899. https://doi.org/10.1016/j.hrmr.2022.100899
50. Chowdhury, S., Dey, P., Joel-Edgar, S., Bhattacharya, S., Rodriguez-Espindola, O., Abadie, A., & Truong, L. (2023b). Unlocking the value of artifi cial intelligence in human resource management through AI capability framework. Human Resource Management Review, 33 (1), 100899. https://doi.org/10.1016/j.hrmr.2022.100899
51. Compeau, D. R., & Higgins, C. A. (1995). Computer self-effi cacy: Development of a measure and initial test. MIS Quarterly, 189-211. https://doi.org/10.2307/249688
52. Crompton, H., & Burke, D. (2023). Artifi cial intelligence in higher education: the state of the fi eld. International Journal of Educational Technology in Higher Education, 20 (1), 22. https://doi.org/10.1186/s41239-023-00392-8
53. Crompton, H., & Song, D. (2021). The Potential of Artifi cial Intelligence in Higher Education. Revista Virtual Universidad Católica Del Norte. https://doi.org/10.35575/rvucn.n62a1
54. Damerji, H., & Salimi, A. (2021). Mediating eff ect of use perceptions on technology readiness and adoption of artifi cial intelligence in accounting. Accounting Education, 30 (2), 107-130. https://doi.org/10.1080/09639284.2021.1872035
55. Davenport, T. H. (2018). The AI advantage: How to put the artificial intelligence revolution to work. mit Press. https://doi.org/10.1080/15228053.2020.1756084
56. Davenport, T. H., & Ronanki, R. (2018). Artifi cial intelligence for the real world. Harvard Business Review, 96(1), 108-116. https://doi.org/10.56726/irjmets42512
57. Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 319-340. https://doi.org/10.2307/249008
58. Dietvorst, B. J., Simmons, J. P., & Massey, C. (2015). Algorithm aversion: people erroneously avoid algorithms after seeing them err. Journal of Experimental Psychology: General, 144(1), 114. https://doi.org/10.1037/xge0000033
59. Dietvorst, B. J., Simmons, J. P., & Massey, C. (2018). Overcoming algorithm aversion: People will use imperfect algorithms if they can (even slightly) modify them. Management Science, 64(3), 1155-1170. https://doi.org/10.1287/mnsc.2016.2643
60. Dignum, V. (2019). Responsible artificial intelligence: how to develop and use AI in a responsible way (Vol. 2156). Springer. https://doi.org/10.1007/s10710-020-09394-1
61. Du, S., & Xie, C. (2021). Paradoxes of artifi cial intelligence in consumer markets: Ethical challenges and opportunities. Journal of Business Research, 129, 961-974. https://doi.org/10.1016/j.jbusres.2020.08.024
62. Farrokhnia, M., Banihashem, S. K., Noroozi, O., & Wals, A. (2024). A SWOT analysis of ChatGPT: Implications for educational practice and research. Innovations in Education and Teaching International, 61(3), 460-474. https://doi.org/10.1080/14703297.2023.2195846
63. Featherman, M. S., & Pavlou, P. A. (2003). Predicting e-services adoption: a perceived risk facets perspective. International Journal of Human-Computer Studies, 59(4), 451-474. https://doi.org/10.1016/S1071-5819(03)00111-3
64. Flores-Vivar, J.-M., & García-Peñalvo, F.-J. (2023). Refl ections on the ethics, potential, and challenges of artifi cial intelligence in the framework of quality education (SDG4). Comunicar, 31(74), 37-47. https://doi.org/10.3916/C74-2023-03
65. Frick, N. R. J., Mirbabaie, M., Stieglitz, S., & Salomon, J. (2021). Maneuvering through the stormy seas of digital transformation: the impact of empowering leadership on the AI readiness of enterprises. Journal of Decision Systems, 30(2-3), 235-258. https://doi.org/10.1080/12460125.2020.1870065
66. George, B., & Wooden, O. (2023). Managing the strategic transformation of higher education through artifi cial intelligence. Administrative Sciences, 13(9), 196. https://doi.org/10.3390/admsci13090196
67. Go, E., & Sundar, S. S. (2019). Humanizing chatbots: The eff ects of visual, identity and conversational cues on humanness perceptions. Computers in Human Behavior, 97, 304- 316. https://doi.org/10.1016/j.chb.2019.01.020
68. Górriz, J. M., Ramírez, J., Ortiz, A., Martinez-Murcia, F. J., Segovia, F., Suckling, J., Leming, M., Zhang, Y.-D., Álvarez-Sánchez, J. R., & Bologna, G. (2020). Artifi cial intelligence within the interplay between natural and artifi cial computation: Advances in data science, trends and applications. Neurocomputing, 410, 237-270. https://doi.org/10.1016/j.neucom.2020.05.078
69. Gray, K., & Wegner, D. M. (2012). Feeling robots and human zombies: Mind perception and the uncanny valley. Cognition, 125(1), 125-130. https://doi.org/10.1016/j.cognition.2012.06.007
70. Gursoy, D., Chi, O. H., Lu, L., & Nunkoo, R. (2019). Consumers acceptance of artifi cially intelligent (AI) device use in service delivery. International Journal of Information Management, 49, 157-169. https://doi.org/10.1016/j.ijinfomgt.2019.03.008
71. Haenlein, M., Kaplan, A., Tan, C.-W., & Zhang, P. (2019). Artifi cial intelligence (AI) and management analytics. Journal of Management Analytics, 6(4), 341-343. https://doi.org/10.1080/23270012.2019.1699876
72. Helfat, C. E., Finkelstein, S., Mitchell, W., Peteraf, M., Singh, H., Teece, D., & Winter, S. G. (2009). Dynamic capabilities: Understanding strategic change in organizations. John Wiley & Sons.
73. Hradecky, D., Kennell, J., Cai, W., & Davidson, R. (2022). Organizational readiness to adopt artifi cial intelligence in the exhibition sector in Western Europe. International Journal of Information Management, 65, 102497. https://doi.org/10.1016/j.ijinfomgt.2022.102497
74. Huang, M.-H., & Rust, R. T. (2018). Artifi cial intelligence in service. Journal of Service Research, 21(2), 155-172. https://doi.org/10.1177/1094670517752459
75. Hwang, G.-J., Xie, H., Wah, B. W., & Gašević, D. (2020). Vision, challenges, roles and research issues of Artifi cial Intelligence in Education. In Computers and Education: Artificial Intelligence (Vol. 1, p. 100001). Elsevier. https://doi.org/10.1016/j.caeai.2020.100001
76. Ivanov, S., & Webster, C. (2020). Robots in tourism: A research agenda for tourism economics.Tourism Economics,26(7), https://doi.org/https://doi.org/10.1177/1354816619879583
77. Jones, R. A., Jimmieson, N. L., & Griffi ths, A. (2005). The impact of organizational culture and reshaping capabilities on change implementation success: The mediating role of readiness for change. Journal of Management Studies, 42(2), 361-386. https://doi.org/10.1111/j.1467-6486.2005.00500.x
78. Kasilingam, D. L. (2020). Understanding the attitude and intention to use smartphone chatbots for shopping. Technology in Society, 62, 101280. https://doi.org/10.1016/j.techsoc.2020.101280
79. Katsamakas, E., Pavlov, O. V, & Saklad, R. (2024). Artifi cial intelligence and the transformation of higher education institutions: A systems approach. Sustainability, 16(14), 6118.
80. Ko, K. K. -W. C. W., & Tang, W. (2025). Evaluating English Teachers’ Artifi cial Intelligence Readiness and Training Needs with a TPACK-Based Model. World, 15(1).
81. Kohnke, L., Moorhouse, B. L., & Zou, D. (2023a). ChatGPT for language teaching and learning. Relc Journal, 54(2), 537-550. https://doi.org/10.1177/00336882231162868
82. Kohnke, L., Moorhouse, B. L., & Zou, D. (2023b). Exploring generative artifi cial intelligence preparedness among university language instructors: A case study. Computers and Education: Artificial Intelligence, 5, 100156. https://doi.org/10.1016/j.caeai.2023.100156
83. Kroshilin, S. (2022). Digital transformation of Russian universities during the pandemic. Science Culture Society, 28, 93-110. https://doi.org/10.19181/nko.2022.28.3.7
84. Kuziemski, M., & Misuraca, G. (2020). AI governance in the public sector: Three tales from the frontiers of automated decision-making in democratic settings. Telecommunications Policy, 44(6), 101976. https://doi.org/10.1016/j.telpol.2020.101976
85. Liang, W., Tadesse, G. A., Ho, D., Fei-Fei, L., Zaharia, M., Zhang, C., & Zou, J. (2022). Advances, challenges and opportunities in creating data for trustworthy AI. Nature Machine Intelligence, 4(8), 669-677. https://doi.org/10.1038/s42256-022-00516-1
86. Liao, H., Tang, M., Luo, L., Li, C., Chiclana, F., & Zeng, X.-J. (2018). A bibliometric analysis and visualization of medical big data research. Sustainability, 10(1), 166. https://doi.org/10.3390/su10010166
87. Liberati, A., Altman, D. G., Tetzlaff, J., Mulrow, C., Gøtzsche, P. C., Ioannidis, J. P. A., Clarke, M., Devereaux, P. J., Kleij nen, J., & Moher, D. (2009). The PRISMA statement for reporting systematic reviews and meta-analyses of studies that evaluate health care interventions: explanation and elaboration. Annals of Internal Medicine, 151(4), W-65. https://doi.org/10.1371/journal.pmed.1000100
88. Lim, W. M., Gunasekara, A., Pallant, J. L., Pallant, J. I., & Pechenkina, E. (2023). Generative AI and the future of education: Ragnarök or reformation? A paradoxical perspective from management educators. The International Journal of Management Education, 21(2), 100790. https://doi.org/10.1016/j.ijme.2023.100790
89. Lu, V. N., Wirtz, J., Kunz, W. H., Paluch, S., Gruber, T., Martins, A., & Patterson, P. G. (2020). Service robots, customers and service employees: what can we learn from the academic literature and where are the gaps? Journal of Service Theory and Practice, 30(3), 361-391. https://doi.org/10.1108/JSTP-04-2019-0088
90. Luckin, R., Cukurova, M., Kent, C., & Du Boulay, B. (2022). Empowering educators to be AI-ready. Computers and Education: Artificial Intelligence, 3, 100076. https://doi.org/10.1016/j.caeai.2022.100076
91. Mahroof, K. (2019). A human-centric perspective exploring the readiness towards smart warehousing: The case of a large retail distribution warehouse. International Journal of Information Management, 45, 176-190. https://doi.org/10.1016/j.ijinfomgt.2018.11.008
92. Makarius, E. E., Mukherjee, D., Fox, J. D., & Fox, A. K. (2020). Rising with the machines: A sociotechnical framework for bringing artifi cial intelligence into the organization. Journal of Business Research, 120, 262-273. https://doi.org/10.1016/j.jbusres.2020.07.045
93. Mayer, R. C., Davis, J. H., & Schoorman, F. D. (1995). An integrative model of organizational trust. Academy of Management Review, 20(3), 709-734. https://doi.org/10.5465/amr.1995.9508080335
94. Michel-Villarreal, R., Vilalta-Perdomo, E., Salinas-Navarro, D. E., Thierry-Aguilera, R., & Gerardou, F. S. (2023). Challenges and opportunities of generative AI for higher education as explained by ChatGPT. Education Sciences, 13(9), 856. https://doi.org/10.3390/educsci13090856
95. Mikalef, P., & Gupta, M. (2021). Artifi cial intelligence capability: Conceptualization, measurement calibration, and empirical study on its impact on organizational creativity and fi rm performance. Information & Management, 58(3), 103434. https://doi.org/10.1016/j.im.2021.103434
96. Mishra, P., Warr, M., & Islam, R. (2023). TPACK in the age of ChatGPT and Generative AI. Journal of Digital Learning in Teacher Education, 39(4), 235-251. https://doi.org/10.1080/21532974.2023.2247480
97. Moher, D., Liberati, A., Tetzlaff , J., Altman, D. G., & PRISMA Group*, t. (2009). Preferred reporting items for systematic reviews and meta-analyses: the PRISMA statement. Annals of Internal Medicine, 151(4), 264-269. https://doi.org/10.1371/journal.pmed.1000097
98. Moussawi, S., Koufaris, M., & Benbunan-Fich, R. (2021). How perceptions of intelligence and anthropomorphism aff ect adoption of personal intelligent agents. Electronic Markets, 31(2), 343-364. https://doi.org/10.1007/s12525-020-00411-w
99. Muñoz, G. F. R., & Chimbo, K. M. O. (2023). Application of artifi cial intelligence techniques in the administrative management of higher education institutions: an analysis of their eff ectiveness in process optimization and strategic decision making. Revista Científica Interdisciplinaria Investigación y Saberes, 13(2), 66-83.
100. Ng, D. T. K., Leung, J. K. L., Chu, S. K. W., & Qiao, M. S. (2021). Conceptualizing AI literacy: An exploratory review. Computers and Education: Artificial Intelligence, 2, 100041. https://doi.org/10.1016/j.caeai.2021.100041
101. Nguyen, A., Ngo, H. N., Hong, Y., Dang, B., & Nguyen, B.-P. T. (2023). Ethical principles for artifi cial intelligence in education. Education and Information Technologies, 28(4), 4221-4241. https://doi.org/10.1007/s10639-022-11316-w
102. Ouyang, F., Zheng, L., & Jiao, P. (2022). Artifi cial intelligence in online higher education: A systematic review of empirical research from 2011 to 2020. Education and Information Technologies, 27(6), 7893-7925. https://doi.org/10.1007/s10639-022-10925-9
103. Pan, Y., Froese, F., Liu, N., Hu, Y., & Ye, M. (2023). The adoption of artifi cial intelligence in employee recruitment: The infl uence of contextual factors. In Artificial intelligence and international HRM (pp. 60-82). Routledge. https://doi.org/10.1080/09585192.2021.1879206
104. Patil, P., Tamilmani, K., Rana, N. P., & Raghavan, V. (2020). Understanding consumer adoption of mobile payment in India: Extending Meta-UTAUT model with personal innovativeness, anxiety, trust, and grievance redressal. International Journal of Information Management, 54, 102144. https://doi.org/10.1016/j.ijinfomgt.2020.102144
105. Rane, N., Choudhary, S. P., & Rane, J. (2024). Acceptance of artifi cial intelligence: key factors, challenges, and implementation strategies. Journal of Applied Artificial Intelligence, 5(2), 50-70.
106. Rogers, E. M., & Smith, L. (1962).Bibliography on the Diffusion of Innovations. Department of Communication, Michigan State University.
107. Roshanaei, M. (2024). Towards best practices for mitigating artifi cial intelligence implicit bias in shaping diversity, inclusion and equity in higher education. Education and Information Technologies, 1-26. https://doi.org/10.1007/s10639-024-12605-2
108. Roy, R., Babakerkhell, M. D., Mukherjee, S., Pal, D., & Funilkul, S. (2022). Evaluating the intention for the adoption of artifi cial intelligence-based robots in the university to educate the students. IEEE Access, 10, 125666-125678. https://doi.org/10.1109/ACCESS.2022.3225555
109. Ruan, Y., & Mezei, J. (2022). When do AI chatbots lead to higher customer satisfaction than human frontline employees in online shopping assistance? Considering product attribute type. Journal of Retailing and Consumer Services, 68, 103059. https://doi.org/10.1016/j.jretconser.2022.103059
110. Salager-Meyer, F. (1990). Discoursal fl aws in medical English abstracts: A genre analysis per research-and text-type. Text-Interdisciplinary Journal for the Study of Discourse, 10(4), 365-384. https://doi.org/10.1515/text.1.1990.10.4.365
111. Schick-Makaroff , K., MacDonald, M., Plummer, M., Burgess, J., & Neander, W. (2016). What synthesis methodology should I use? A review and analysis of approaches to research synthesis. AIMS Public Health, 3(1), 172. https://doi.org/10.3934/publichealth.2016.1.172
112. Sheehan, B., Jin, H. S., & Gottlieb, U. (2020). Customer service chatbots: Anthropomorphism and adoption. Journal of Business Research, 115, 14-24. https://doi.org/10.1016/j.jbusres.2020.04.030
113. Shi, S., Gong, Y., & Gursoy, D. (2021). Antecedents of trust and adoption intention toward artifi cially intelligent recommendation systems in travel planning: a heuristic-systematic model. Journal of Travel Research, 60(8), 1714-1734. https://doi.org/10.1177/0047287520966395
114. Solís, M. E. C., Martínez, E. L., Degante, E. C., Godoy, E. P., & Martínez, Y. A. (2023). Inteligencia artifi cial generativa para fortalecer la educación superior: Generative artifi cial intelligence to boost higher education. LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, 4(3), 767-784.
115. Szumska, A., & Weixler, M. (2024). Investigating educators’ readiness to adopt generative artificial intelligence in entrepreneurship education.
116. Takahashi, C. K., de Figueiredo, J. C. B., & Scornavacca, E. (2024). Investigating the diff usion of innovation: A comprehensive study of successive diff usion processes through analysis of search trends, patent records, and academic publications. Technological Forecasting and Social Change, 198, 122991. https://doi.org/10.1016/j.techfore.2023.122991
117. Teece, D. J. (2000). Strategies for managing knowledge assets: the role of fi rm structure and industrial context. Long Range Planning, 33(1), 35-54. https://doi.org/10.1016/S0024-6301(99)00117-X
118. Teece, D. J., Pisano, G., & Shuen, A. (1997). Dynamic capabilities and strategic management. Strategic Management Journal, 18(7), 509-533. https://doi.org/10.1002/(SICI)1097-0266(199708)18:7%3C509::AID-SMJ882%3E3.0.CO;2-Z
119. Thyer, B. (2008). Pocket guide to preparing social work research articles. Oxford university press.
120. Tranfield, D., Denyer, D., & Smart, P. (2003). Towards a methodology for developing evidence-informed management knowledge by means of systematic review. British Journal of Management, 14(3), 207-222. https://doi.org/10.1111/1467-8551.00375
121. Tung, V. W. S., & Au, N. (2018). Exploring customer experiences with robotics in hospitality. International Journal of Contemporary Hospitality Management, 30(7), 2680- 2697. https://doi.org/10.1108/IJCHM-06-2017-0322
122. Van Eck, N., & Waltman, L. (2010). Software survey: VOSviewer, a computer program for bibliometric mapping. Scientometrics, 84(2), 523-538. https://doi.org/10.1007/s11192-009-0146-3
123. Venkatesh, V. (2022). Adoption and use of AI tools: a research agenda grounded in UTAUT. Annals of Operations Research, 308(1), 641-652. https://doi.org/10.1007/s10479-020-03918-9
124. Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unifi ed view. MIS Quarterly, 425-478. https://doi.org/10.2307/30036540
125. Venkatesh, V., Thong, J. Y. L., & Xu, X. (2016). Unifi ed theory of acceptance and use of technology: A synthesis and the road ahead. Journal of the Association for Information Systems, 17(5), 328-376. https://doi.org/10.17705/1jais.00428
126. Vivar, J. M. F., & Peñalvo, F. J. G. (2023). Refl exiones sobre la ética, potencialidades y retos de la Inteligencia Artifi cial en el marco de la Educación de Calidad (ODS4). Comunicar: Revista Cientifica de Comunicacion y Educacion, 74, 37-47.
127. Walsh, I., & Renaud, A. (2017). Reviewing the literature in the IS fi eld: Two bibliometric techniques to guide readings and help the interpretation of the literature. Systèmes d’information & Management, 22(3), 75-115. https://doi.org/10.3917/sim.173.0075
128. Walter, C., & Ribière, V. (2013). A citation and co-citation analysis of 10 years of KM theory and practices. Knowledge Management Research & Practice, 11(3), 221-229. https://doi.org/10.1057/kmrp.2013.25
129. Wang, X., Li, L., Tan, S. C., Yang, L., & Lei, J. (2023). Preparing for AI-enhanced education: Conceptualizing and empirically examining teachers’ AI readiness. Computers in Human Behavior, 146, 107798. https://doi.org/10.1016/j.chb.2023.107798
130. Zaman, B. U. (2023). Transforming education through ai, benefi ts, risks, and ethical considerations. Authorea Preprints.
131. Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artifi cial intelligence applications in higher education-where are the educators? International Journal of Educational Technology in Higher Education, 16(1), 1-27. https://doi.org/10.1186/s41239-019-0171-0
132. Zhang, B., & Dafoe, A. (2019). Artifi cial intelligence: American attitudes and trends. Available at SSRN 3312874. https://doi.org/10.2139/ssrn.3312874
133. Zhang, J., Yu, Q., Zheng, F., Long, C., Lu, Z., & Duan, Z. (2016). Comparing keywords plus of WOS and author keywords: A case study of patient adherence research. Journal of the Association for Information Science and Technology, 67(4), 967-972. https://doi.org/10.1002/asi.23437
134. Zhang, K., & Aslan, A. B. (2021). AI technologies for education: Recent research & future directions. Computers and Education: Artificial Intelligence, 2, 100025. https://doi.org/10.1016/j.caeai.2021.100025
135. Zhou, T., Lu, Y., & Wang, B. (2010). Integrating TTF and UTAUT to explain mobile banking user adoption. Computers in Human Behavior, 26(4), 760-767. https://doi.org/10.1016/j.chb.2010.01.013
136. Zinchenko, M., Bagrationi, K., & Gordienko, O. (2024). Development of Corporate University Evolution Scenarios. European Conference on E-Learning, 451-457.
137. Zuiderwij k, A., Chen, Y.-C., & Salem, F. (2021). Implications of the use of artifi cial intelligence in public governance: A systematic literature review and a research agenda. Government Information Quarterly, 38(3), 101577. https://doi.org/10.1016/j.giq.2021.101577
138. Zupic, I., & Čater, T. (2015). Bibliometric methods in management and organization. Organizational Research Methods,18(3), 429-472. https://doi.org/10.1177/1094428114562629
Выпуск
Другие статьи выпуска
В последние годы дискуссии о сути гуманитаризации и гуманизации международных отношений усиливаются в связи с обострением экономических, социальных, этических проблем на фоне резкого ухудшения международной обстановки, ареной которого всё чаще становятся страны Глобального Юга. В этом контексте данная статья направлена на выявление специфики и сравнительный анализ подходов государств развитого и развивающегося мира (Севера и Юга) к определению форматов, содержания и назначения гуманитарной дипломатии в современной мировой политике. В первой части подробно рассмотрены академические дискуссии по проблемам гуманитарной дипломатии. Авторы заключают, что в зарубежных и российских международно-политических исследованиях можно выделить два подхода к осмыслению и решению гуманитарных проблем Глобального Юга — объектный и субъектный. Первый характерен для развитых стран Глобального Севера и во многом восходит своими корнями к практикам эпохи колониализма. Второй стал набирать популярность в академических исследованиях в XXI в. на фоне появления феномена «растущих держав», возникновения в их среде «новых доноров», запуска и реализации совместных программ развития непосредственно странами Глобального Юга с опорой на региональные финансовые институты. При этом авторы отмечают, что академические исследования, как правило, фокусируются преимущественно на изучении динамики изменения объемов помощи и условий ее предоставления, в то время как целый ряд современных тенденций развития гуманитарной дипломатии оказывается несколько в тени. Их рассмотрению посвящен второй раздел статьи. Особое внимание уделено тенденции к транснационализации и приватизации гуманитарной дипломатии — всё более деятельному участию в ней негосударственных и гибридных акторов. В третьей части проанализированы особенности гуманитарной дипломатии ряда ведущих стран Глобального Юга (КНР, Индии, Турции), обозначена специфика подходов к этой проблематике государств АСЕАН, Латинской Америки, арабских монархий. Проведенное исследование позволяет выделить несколько общих принципов и установок, характерных для гуманитарной дипломатии стран Глобального Юга: широкий, плюралистический подход к пониманию «гуманитарного» — включение в орбиту гуманитарной дипломатии вопросов культурной, научной, академической, молодежной политики; опора на идею солидарности и гуманитарного сотрудничества (вместо реципиент-донорской модели взаимодействия); ненормативность гуманитарной политики; опора на принципы суверенитета в реализации гуманитарной дипломатии.
Ключевой целью исследования, результаты которого представлены в данной статье, является раскрытие потенциала повышения качества преподавательской деятельности в области управленческих дисциплин на основе применения инструментов искусственного интеллекта (ИИ). Авторы в качестве методологического подхода в своей работе рассматривают системный анализ трансформации роли и основных функций, задач преподавателя в условиях стремительного развития и доступности инструментов генеративного искусственного интеллекта (ГИИ). Обосновано зарождение и развитие в области управленческих дисциплин новой гибридной модели «преподаватель + ИИ». В статье рассматривается промпт-инжиниринг как инструмент разработки и дизайна управленческих курсов, показаны возможности совершенствования системы оценивания с использованием искусственного интеллекта, отдельное внимание уделено новым инструментам визуализации учебного материала для повышения вовлеченности обучающихся, приведены успешные практики интеграции различных инструментов ИИ в учебном процессе. Авторы обосновывают, что ИИ не только предоставляет новые возможности совершенствования преподавательской деятельности, но и порождает новые проблемы как педагогического, так и организационного характера в области управленческих дисциплин. Результаты и выводы, представленные в статье, направлены на расширение дискурса о возможностях и рисках применения генеративного искусственного интеллекта в сфере управленческого образования.
Одной из существенных проблем в настоящее время является устойчивое развитие экономики страны и ее отраслей. Строительство длительный период времени наносило значительный ущерб экологии. И в определенный период времени появилось четкое понимание у руководства стран, что необходимы действия, которые предотвратят негативное воздействие. Целью исследования является формулирование рекомендаций по усилению внедрения «зеленой» повестки на рынке жилья с учетом адаптации зарубежного опыта. Для достижения цели оценена реализация «зеленой» повестки в России, основных инструментов ее финансирования, получивших распространение, а также определено, какой зарубежный опыт может быть использован нашей страной для повышения эффективности реализации данной повестки. В ходе исследования был проанализирован опыт Китая, поскольку усиление сотрудничества наших стран позволяет рассматривать направления взаимодействия на рынках жилья и в рамках финансирования операций на них. В Китае рынок жилья обеспечивает экономический рост страны, что особенно актуально и для России. Важным видится обеспечение сотрудничества России и Китая в сфере строительства жилья и привлечения инвестиций в эту отрасль для решения жилищной проблемы. Методологическую базу исследования составляют такие методы как анализ, сравнение, синтез, систематизация. В результате исследования автор предлагает рекомендации по повышению эффективности реализации «зеленой» повестки в России, а также учета элементов, внедренных в Китае в российском опыте финансирования операций на рынке жилья в условиях ESG-трансформации. Ключевым является распространение практики «зеленого» финансирования отрасли, расширение перечня «зеленых» финансовых инструментов для участников жилищного рынка. Это позволит в целом повысить эффективность российских девелоперов и будет способствовать достижению углеродной нейтральности.
Задача настоящего исследования состоит в анализе некоторых результатов политики «новой урбанизации» Китая, которая состоит в том, чтобы способствовать созданию гигантских городских кластеров chengshiqun 城市群). Методология статьи включает анализ традиционных и современных теоретических подходов к изучению городских агломераций и феномена мегалополисов, а также обобщение результатов, основанных на практических данных. Рассмотренные в данном исследовании китайские городские агломерации близки к мегалополису, концепция которого была разработана в середине XX века Жаном Готтманом (Jean Gottmann), однако китайские мега-кластеры с численностью населения от 80 до 200 и более млн человек значительно превышают мегалополис по своим масштабам. В Китае планируется создать 19 городских кластеров, на долю которых будет приходиться девять десятых всей экономической активности станы. В итоге Китай в недалеком будущем превратится в страну мегалополисов – «сверхгородов». Три из них уже существуют и успешно развиваются по намеченному плану: Регион большого залива, включающий Гонконг и Макао; Дельта реки Янцзы, которая выстраивается вокруг Шанхая, а также Цзинцзиньцзи с центром в Пекине. В статье отмечаются особенности гигантских городских кластеров в КНР: их формирование происходит при активной непосредственной роли государства, они характеризуются созданием единой высокоскоростной транспортной сети и более высокой степенью интеграции, чем западные мегалополисы. Создание крупных городских агломераций рассматривается в настоящей статье как новый стимул экономического роста в КНР, делается попытка проанализировать механизмы данной взаимосвязи. По мнению автора, объединение китайских городов в масштабные агломерации будет способствовать консолидации рынков, росту производительности, а также скорейшей экологизации и дегитализации экономики.
В современном мире одной из наиболее прогрессивных форм пространственной организации, в которой наблюдается наибольшая концентрация населения и экономической активности, является городская агломерация. Определение специализации их экономики является актуальной проблематикой региональных научных исследований. Это связано не только с высоким сосредоточением социально-экономической деятельности на уровне данных территориальных единиц и происходящими процессами экономических трансформаций, но и с выбором тех видов экономической деятельности (специализаций), которые послужат источниками дальнейшего развития не только агломераций, но и региона в целом. Это обусловило выбор цели исследования – определение экономической специализации городских агломераций (перечня специализирующих видов экономической деятельности и их комплементарности/взаимодополняемости между городом-ядром агломерации и его спутниковой зоной) с численностью населения менее 500 тыс. человек, формирующихся вокруг ряда крупных городов РФ (г. Вологды, г. Калуги, г. Сургута, г. Ханты-Мансийска). Для достижения цели были изучены теоретические аспекты пространственного развития с точки зрения специ ализации территорий; рассмотрены существующие и обоснован авторский методический подход к оценке экономической специализации агломераций; проведен анализ пространственной динамики путем оценки специализации агломераций на мезои микроуровне (на основе использования данных по муниципальным образованиям и данных, агрегированных по конкретным предприятиям агломерации; определены возможные направления реализации проектов в производственной сфере, учитывающие комплементарные (взаимодополняющие) виды экономической деятельности между ядром агломерации и спутниковой зоной. Информационную базу исследования составили статистические данные Росстата, данные годовой бухгалтерской отчетности предприятий за 2021-2023 гг., собранные из баз данных List-Org и Контур. Фокус. Использованы методы выборки, парсинга, анализа и обобщения. В результате доказано, что структура экономики «ядра» является более сложной, чем спутниковой зоны. Кроме того установлено, что узкоспециализированными являются Ханты-Мансийская (как и Сургутская) агломерация. При этом наиболее разнообразная специализация обрабатывающих производств характерна для города-ядра Вологды и Сургута. Материалы исследования могут быть полезны органам государственной власти при разработке стратегий, определения приоритетов развития, а также представителям хозяйствующих субъектов при выборе месторасположения предприятия.
Распространение непрерывного образования взрослого населения в мире и значимость его роста среди граждан России, подтверждается государственной политикой субсидирования реализации и потребления образовательных продуктов в форме программ повышения квалификации и профессиональной переподготовки. Выработка новых инструментов управления указанным процессом представляет актуальность для экономического развития регионов страны в части прироста трудового капитала на рынке труда.
Методологическую основу работы составляют системный метод исследования, анализ проектных решений, анализ научных источников и публикаций официальных данных органов власти, информационных ресурсов о стратегических планах развития страны (АНО «Национальные приоритеты»), участников реального экономического сектора, также применялась методика количественного анализа динамики показателей численности слушателей по программам дополнительного образования, матричные методы исследования трендов развития электронной коммерции, статистические методы исследования информационно-аналитических материалов Федеральной службы государственной статистики, а также данных рассматриваемого сегмента регионального рынка образовательной деятельности (на примере реализации образовательного продукта при организации профессионального обучения и дополнительного образования во Владимирской области).
Авторами проанализировано значение дополнительного профессионального образования как фактора увеличения трудового потенциала населения региона, конкурентоспособности граждан на региональном и отраслевом рынке труда. Проанализированы инструменты механизма управления социально-экономическими процессами сферы образовательной деятельности, проводимые региональными службами занятости, разработана карта образовательных продуктов, реализованных в рамках реализации нацпроекта (на примере Владимирской области), предложены инструменты модели digital-интеграции деятельности служб занятости, затрагивающих сферу реализации образовательных продуктов в форме программ повышения квалификации и профессиональной переподготовки. Направление исследования будет актуально региональным органам управления (министерствам, ведомствам) в условиях повышения эффективности служб занятости как агрегатора работы при реализации государственной политики в области непрерывного образования населения, снижения показателей безработицы.
Сектор малого и среднего предпринимательства (МСП) является очень динамичным – ежегодно появляется порядка миллиона новых компаний, но не всем созданным предприятиям удается выжить. Данная работа посвящена анализу некоторых естественных демографических процессов, происходящих внутри сектора МСП. В частности, в исследовании была поставлена цель оценить возрастную структуру сектора МСП и дать количественные ориентиры выживаемости создаваемых компаний
В качестве исходных данных в исследовании использовались микроданные реестров МСП за период 2017–2023 гг. Для каждого года выборка охватывала более 6 млн наблюдений. Для получения макровыводов на основе микроданных была разработана методология сбора и анализа данных реестра МСП. Анализ данных производился с акцентом на возраст, в котором компании прекращают свою деятельность Результаты исследования дают возможность получить представление о масштабах естественного отбора создаваемых субъектов МСП. Полученные оценки будут полезны как потенциальным предпринимателям, так и исследователям, а также лицам, ответственным за разработку механизмов господдержки малого бизнеса и развитие бизнес-среды.
Среди основных выводов исследования можно выделить следующие: порядка трети созданных компаний закрываются на раннем этапе – в возрасте до 2 лет; достичь возраста 5-7 лет удается менее 30% созданных компаний; новые предприятия начинают свой путь с категории микробизнеса; микробизнес остается доминирующей категорией субъекта МСП вне зависимости от возрастной группы, а совокупная доля малых и средних предприятий в возрастной группе 5-7 лет составляет менее 4%; возрастная структура всего сектора МСП характеризуется смещением в сторону более молодых компаний, причем среди ИП это смещение особенно заметно; структура по видам деятельности создаваемых компаний устойчива: торговля, транспорт и строительство составляют топ-3 самых популярных видов деятельности.
Развитие цифровой экономики в России сталкивается с противоречием между необходимостью свободного обмена большими данными и усилением контроля за персональными данными. Введение национального проекта «Экономика данных» и новых федеральных законов о персональных и деперсонализированных данных обострило проблемы правового регулирования этой сферы. Исследование направлено на выявление экономических проблем в области больших данных, возникающих из-за регуляторных пробелов и новых норм защиты персональной информации. Методологической основой выступает новая институциональная теория, в частности теория управления трансакциями О. Уильямсона. В статье применяются методы сравнительного институционального анализа и экономико-математического моделирования для оценки эффективности штрафных санкций. Установлены различия в специфичности больших и персональных данных как ресурсов, что обосновывает необходимость дифференцированного регуляторного подхода. Выявлены структурные альтернативы регулирования: от полного государственного контроля до рыночных механизмов с промежуточными гибридными формами. Основными препятствиями развития рынка больших данных являются неопределенность статуса обезличенных данных и отсутствие надежных методов деперсонализации. Моделирование показало, что введение оборотных штрафов создает чрезмерную нагрузку на малые и средние предприятия, предварительно инвестировавшие в кибербезопасность. Обеспечение развития цифровых отраслей требует обязательного государственно-частного партнерства в нормотворчестве через саморегулируемые организации, учитывающего высокую скорость технологических изменений.
Резкое удорожание в 2024 году средней стоимости услуг пассажирских авиаперевозок в России привело к активизации обсуждения проблемы доступности перелетов для российских потребителей. По мнению отраслевых экспертов, в ближайшие годы тенденции значительного роста цен на авиаперелеты сохранятся.
Ключевой исследовательской задачей настоящего исследования выступает определение динамики ценовой доступности пассажирских авиаперевозок в России, выявление ключевых факторов (объективных экономических, рыночных, потребительских) и характера их влияния на стоимость данной услуги. В основе методологической базы исследования лежит статистический и эконометрический анализ данных ФСГС и крупнейших авиакомпаний о средней стоимости перелетов в 2004-2022 гг. и ценах на билеты в 2023 г. Значительное внимание уделено обзору результатов более ранних исследований проблемы.
Установлено, что, несмотря на ежегодный устойчивый рост авиаперевозок в последнее десятилетие, динамика производственных показателей российских авиакомпаний с 2020 г. определялась различными шоками экзогенного характера (пандемическим кризисом и обострением геополитической напряженности). Установлен отложенный во времени характер влияния макроэкономических и геополитических факторов на стоимость перелетов, сглаженный мерами государственного регулирования и поддержки авиаотрасли. Доказывается, что, несмотря на тенденцию ежегодного роста номинальной стоимости, услуги пассажирских авиаперевозок в реальном выражении становятся доступнее российскому потребителю.
Делается вывод, что объективные экономические условия способны в долгосрочной перспективе оказывать воздействие на стоимость услуг пассажирских авиаперевозок, однако текущая краткосрочная значительная волатильность цен на авиабилеты определяется, преимущественно, рыночной конъюнктурой и потребительским выбором. В ближайшей перспективе на ценовую динамику в секторе пассажирских авиаперевозок будут влиять, в первую очередь, темпы развития туристических направлений внутри страны и роста издержек компаний, а также меры государственного регулирования и поддержки отрасли
Работа посвящена выявлению факторов, связанных с величиной кассовых сборов кинофильмов, вышедших в российском прокате в период с 2014 по 2018 годы. В качестве методов моделирования используются регрессионный анализ и метод главных компонент. Показано, что при увеличении количества отзывов зрителей на 1%, боксофис фильма в российском прокате повышается на 0,4%, а рост на 1% потенциального охвата аудитории трейлера фильма увеличивает бокс-офис на 0,3%. Величина кассовых сборов связана с содержанием отзывов кинокритиков. Число отзывов, представляющих из себя утонченную похвалу («extraordinary», «magnificent», «masterpiece», «remarkable» и др.), в среднем отрицательно связано с бокс-офисом, а число отзывов, включающих в себя слова, характеризующие напряженную атмосферу («haunted», «scares», «creepy», «monster» и др.), или сцены, связанные с жестокостью и опасностью для жизни («gun», «violent», «brutal», «terrifying») – положительно. Для биографических фильмов использование критиками слов из словаря «похвала» положительно связано с величиной сборов, а из словаря «напряженность» – отрицательно. Число отзывов, содержащих описание критиками сцен, демонстрирующих жестокость, отрицательно связано с бокс-офисом фильмов жанра «триллер» или «экшн». Число отзывов, содержащих слова из тематических словарей («чувства и эмоции», «деньги», «королевство», «военная тематика», «романтика»), связано с кассовыми сборами фильмов, причем характер связи зависит от жанра. Так, использование критиками слов из словаря «деньги» положительно связано с величиной бокс офиса в среднем, но отрицательно – для анимационных фильмов.
Статья посвящена изучению особенностей высокотехнологичных отраслей как локомотива национальной экономики, вертикальной производственной интеграции, совместных международных проектов, их преимуществ в сложившейся политической ситуации, а также распределению суммарной прибыли компаний, выполняющих совместный проект. Целью статьи является разработка методов повышения рентабельности совместных международных проектов и построение комплекса экономико-математических моделей расчета трансфертных цен, представляющего механизм распределения суммарной прибыли совместного международного проекта между его участниками. В статье предлагается сделать акцент на следующих методологических подходах: положениях теории фирмы, международных стандартах финансовой отчетности (МСФО), методах линейной оптимизации, итерационных алгоритмах решения системы нелинейных уравнений, основанных на теореме о неподвижной точке, а также модели оценки трудозатрат с учетом эффекта кривой обучения (Данциг Дж., фон Зейдель Л., Райт Д.).
Результаты работы вносят вклад в управление рентабельностью совместного международного проекта на основе разработанного модельного комплекса формирования трансфертных цен (для расчетов между учрежденными совместными предприятиями) и минимизации суммарного налога на прибыль или таможенных пошлин проекта, а также показывают ведущую роль аэрокосмической отрасли и атомной энергетики в развитие национальной экономики, и могут применяться при формировании бизнес-планов совместных международные проектов. Делается вывод о том, что привлечение зарубежных инвестиций в высокотехнологичные наукоемкие отрасли российской экономики в формате совместных международных проектов для производства изделий нового поколения и строительства уникальных объектов, обеспечивает среди прочего доступ к современным технологиям, дает дополнительный импульс для развития промышленности (увеличивает загруженность смежных отечественных отраслей) и подготовки высококвалифицированных научно-технических кадров. Выполнение совместных международных проектов позволяет минимизировать консолидированный налог на прибыль или суммарные таможенные пошлины. Реализация названых мероприятий внесет определенный вклад в обеспечение устойчивого и сбалансированного роста российской промышленности.
Проблема в развитии обрабатывающей промышленности и отраслей потребления во многом вытекает из специфики налогового бремени, но выверенных расчетов отраслевого распределения бремени нет. Важной задачей являются разработка формул налогового бремени, расчеты отраслевых различий этого бремени, интерпретация результатов через ключевые аспекты налогового законодательства.
ФНС публикует серьезную статистику и аналитику по поступлениям налогов и сборов по отраслям, детали налоговой базы по каждому налогу (лучше Росстата). Ежегодные материалы к федеральному бюджету содержат детали оценки налоговых льгот (налоговых расходов) по отраслям и видам налогов. Это является базой исследования, обрабатываемой методами математических формул и логического анализа. Результаты авторских расчетов показали, что обрабатывающая промышленность фактически облагается в 1,5 раза большими налогами, чем отрасли сферы потребления. Оптовая торговля, гостиницы и общепит, финансы и недвижимость платят НДС по фактической ставке 1–4%, производители угля, руды, нефтепродуктов – отрицательный НДС, а производители электроники, оборудования и автотранспорта – в среднем 15%. Фактические ставки социальных взносов в обрабатывающей промышленности 23%, а в торговле, финансах, гостиницах и общепите, недвижимости – от 6 до 13%.
Основными выводами показаны специфика возврата НДС по экспорту и капитальным вложениям для экспортеров сырья, концентрация малого бизнеса и УСН в отраслях потреблении. Необходимо перераспределить нагрузку по НДС и социальным взносам на 6 и 5 п. п. плюс на отрасли потребления и минус – на обрабатывающую промышленность, хотя бы для выравнивания фактического налогового бремени.
Периоды высокой волатильности на рынке помещают инвесторов в ситуацию, когда обычные методы принятия решений не так надежны. Чтобы повысить доходность, участникам рынка нужно понимать, какие факторы играют большую роль при формировании портфеля. В статье проводится анализ детерминант доходности российских акций в период вспышки Covid-19 и роста геополитической напряженности 2022 года. Задачей исследования является выявление общих детерминант доходности отдельно взятых акций в условиях повышенной волатильности для формирования рекомендаций инвесторам по аллокации капитала. Исследование осуществляется на двух последних периодах повышенной волатильности на российском фондовом рынке с использованием данных по котировкам и фундаментальных финансовых показателей оценки компании. Было обнаружено, что рентабельность активов (ROA) и доходность акций за прошлый календарный год оказывают значительное положительное влияние на доходность ценных бумаг в оба периода рыночной неопределённости. На основании данных показателей с помощью метода Data Envelopment Analysis (DEA) была сформирована оценка эффективности компаний и построены портфели акций. Портфели, составленные из лучших по DEA компаний, значительно превзошли портфели из худших и бенчмарк по доходности. Портфель, составленный из лучших акций, на 12.50% во время вспышки Covid-19 и на 31.45% в период роста геополитической напряженности 2022 года опередил портфель, содержащий худшие бумаги по DEA. Результаты данного исследования несут высокую практическую ценность для инвесторов, ведь позволяют аллоцировать капитал в более перспективные бумаги в периоды рыночного стресса.
В условиях инфляционного таргетирования успешность денежно-кредитной политики во многом зависит от способности центрального банка влиять на инфляционные ожидания через эффективную коммуникацию. Особое значение имеет взаимодействие с неспециалистами, населением в широком смысле, чьи ожидания в России исторически завышены и менее заякорены. В статье рассматривается влияние удобочитаемости пресс-релизов Банка России на инфляционные ожидания населения. Удобочитаемость — свойство текстового материала, характеризующее лёгкость восприятия его человеком в процессе чтения. Для проверки гипотезы проведён лабораторный эксперимент с участием 274 человек, разделённых на контрольную и экспериментальную группы. Участники получали либо оригинальные тексты пресс-релизов, либо их упрощённые, более удобочитаемые версии, полученные с использованием генеративного искусственного интеллекта. В рамках эксперимента моделировались ситуации смягчения и ужесточения монетарной политики. Результаты показали, что при повышении ключевой ставки упрощённые тексты значимо снижают инфляционные ожидания – в среднем на 1,8–2 процентных пункта. При снижении ставки эффект статистически незначим. Таким образом, повышение понятности коммуникации особенно эффективно в условиях жёсткой денежно-кредитной политики. Полученные результаты подчеркивают необходимость адаптации коммуникационных материалов центрального банка для широкой аудитории. Сделан вывод, что улучшение читаемости может повысить доверие к денежным властям и укрепить механизм трансмиссии монетарной политики. Работа опирается на методы экспериментальной экономики, текстового анализа и регрессионного моделирования, подтверждая значимость качества коммуникации для управления инфляционными ожиданиями.
В условиях экспоненциального роста технологических возможностей и увеличения объема данных искусственный интеллект (ИИ) может обеспечить не только повышение точности прогнозирования, но и нивелировать влияние когнитивных искажений, что существенно упрощает процесс принятия решений. ИИ отделяет прогнозирование от суждения, дополняя человека в процессе принятия решения, наиболее точно просчитывая вероятности, тем самым повторяя работу человеческой Системы-1, которая также автоматически просчитывает вероятности, но из-за эвристики суждений допускает предсказуемые систематические ошибки. В статье выявлены преимущества использования алгоритмов ИИ: во-первых, снижение когнитивной нагрузки при рассмотрении альтернатив, во-вторых, более точный прогноз, не поддающийся фреймингу, в-третьих, возможность выстраивать архитектуру выбора в рамках политики подталкивания. Обосновывается, что автоматизация и алгоритмы ИИ начинают влиять на индивидуальные решения, поднимая вопросы о природе автономного выбора и рациональности в цифровую эпоху. На практике симбиоз человека и ИИ, широко используемый в маркетинге, ритейле и др., позволяет выстраивать симулятивные модели реалистичного мультиагентного поведения, проводить динамическую сегментацию и создавать персонализированный контент на основе большого массива данных о предпочтениях потребителей, адаптировать инновационные продукты и кастомизировать индивидуальные предложения. В исследовании применяется междисциплинарный методологический подход, основанный на синтезе подходов поведенческой экономики, маркетинга и наук об ИИ. Авторы приходят к выводу, что динамичное партнерство ИИ и человека имеет мощный преобразующий потенциал в различных сферах жизнедеятельности от оптимизации бизнес-процессов до улучшения качества нашей жизни.
Издательство
- Издательство
- МГУ
- Регион
- Россия, Москва
- Почтовый адрес
- оссийская Федерация, 119991, Москва, Ленинские горы, д. 1
- Юр. адрес
- оссийская Федерация, 119991, Москва, Ленинские горы, д. 1
- ФИО
- Садовничий Виктор Антонович (РЕКТОР)
- E-mail адрес
- info@rector.msu.ru
- Контактный телефон
- +7 (495) 9391000
- Сайт
- https://msu.ru/