Аннотация. В статье обосновывается фундаментальная непредсказуемость инновационных процессов, обусловленная их нелинейной, стохастической и триггерной природой. Критически анализируются три распространённых макроэкономических показателя: уровень автоматизации, доля организаций с процессными инновациями и соотношение затрат на НИОКР к выручке. Демонстрируется методологическая некорректность этих метрик, поскольку они игнорируют эффекты технологических скачков, институциональную инерцию, временные лаги и стохастичность инновационной активности на уровне отдельных фирм. Особое внимание уделяется абсурдности отраслевого агрегирования, создающего статистический фантом, не отражающий реальную динамику рынка. Статья предлагает отказаться от линейных моделей прогнозирования в пользу реактивных, стохастических подходов.
Ключевые слова: Инновационное прогнозирование, нелинейная динамика, технологический скачок, стохастические модели, институциональная инерция.
Abstract. The article substantiates the fundamental unpredictability of innovation processes, stemming from their nonlinear, stochastic, and trigger-based nature. Three common macroeconomic indicators are critically examined: the level of automation, the share of organizations implementing process innovations, and the ratio of R&D expenditures to revenue. These metrics are shown to be methodologically flawed, as they disregard technological leaps, institutional inertia, time lags, and the stochastic nature of firm-level innovation activity. Particular emphasis is placed on the fallacy of industry-level aggregation, which generates a statistical phantom disconnected from actual market dynamics. The article advocates abandoning linear forecasting models in favor of reactive, stochastic approaches.
Keywords: Innovation forecasting, nonlinear dynamics, technological leap, stochastic models, institutional inertia.
Современная экономическая политика и корпоративное стратегическое планирование в значительной степени опираются на прогнозы инновационной активности. Государственные органы устанавливают целевые показатели по уровню автоматизации, доле инновационно активных предприятий или соотношению затрат на НИОКР к выручке, предполагая, что эти метрики являются устойчивыми, измеримыми и прогнозируемыми. Однако данное предположение глубоко ошибочно. Оно базируется на устаревшей парадигме линейного детерминизма, в то время как реальные инновационные процессы подчиняются законам нелинейной динамики, стохастики и сложных адаптивных систем. Цель данной статьи – провести всесторонний критический анализ методологической некорректности попыток прогнозирования инноваций на макроуровне и обосновать тезис об их принципиальной непредсказуемости.
Непредсказуемость уровня автоматизации как следствие нелинейной динамики технологических переходов
Показатель «уровень автоматизации» предполагает наличие устойчивой, инерционной зависимости между текущим состоянием технологий и их будущим внедрением. Это предположение фундаментально противоречит постулатам теории нелинейных систем, где фазовые переходы, точки бифуркации и эффекты масштаба кардинально нарушают линейную логику экстраполяции.
Аргумент 1. Эффект «технологического сингулярного скачка» (фактор «чёрного лебедя»)
Автоматизация развивается не по линейной, а по экспоненциальной траектории с разрывами. Классический пример – переход от индустриальных роботов (IR) к коллаборативным системам (cobots). Этот переход не является постепенным улучшением, а представляет собой смену технологической парадигмы, которая трансформирует не только стоимость и риски внедрения, но и саму социально-экономическую модель труда. Математически это можно описать как смену доминирующей функции роста:
До момента перехода:
| y = a × t | (1) |
После появления нового класса технологий:
| y = a × e^(b × t), | (2) |
где t – время, a, b – параметры диффузии технологии.
Появление больших языковых моделей (LLM), таких как GPT, является аналогичным разрывом, сдвинувшим ось автоматизации в сферу когнитивного труда. Любая функция прогнозирования, построенная на данных до 2022 года, утратила свою применимость, что является ключевым признаком «чёрного лебедя» по Н. Талебу – события, которое невозможно предсказать на основе прошлого опыта, но которое кардинально меняет правила игры [1].
Примером служит складская автоматизация в период 2020-2023 гг., где прогнозируемое линейное развитие традиционных AGV систем было полностью дезавуализировано экспоненциальным ростом автономных мобильных роботов (AMR). Глобальный рынок автономных мобильных роботов составлял 1,67 млрд долларов в 2020 году и прогнозируется достичь 8,70 млрд долларов к 2028 году How the US-China Tech Tensions are Reshaping the Semiconductor Industry, что представляет собой классический пример технологического сингулярного скачка. Исследование Darex показало, что эти технологии увеличили производительность складов на 30%, что полностью обесценило все предыдущие линейные прогнозы и подтвердило непредсказуемость технологических разрывов типа «чёрного лебедя», когда появление нового класса технологий трансформирует не только количественные показатели, но и саму экономическую модель отрасли [2].
Аргумент 2. Ограниченность предсказательной силы из-за институциональной инерции и дефицита компетенций
Даже при наличии передовых технологий, темпы их внедрения лимитируются не технологическим, а институциональным фактором. Реальный уровень автоматизации A(t) в момент времени t можно описать как произведение трех функций:
| A(t) = T(t) × C(t) × G(t), | (3) |
где:
T(t) – доступные технологии (измеримая величина),
C(t) – компетенции по интеграции (трудноизмеримая, стохастическая величина),
G(t) – готовность организационной структуры (включая корпоративную культуру, стиль управления, сопротивление изменениям — также стохастическая и нелинейная величина).
Эволюция C(t) и G(t) подчиняется социально-психологическим и политико-управленческим законам, а не рыночной логике, что делает их практически непрогнозируемыми.
Попытка спрогнозировать уровень автоматизации эквивалентна попытке предсказать количество пользователей интернета до изобретения веб-браузера. Инновационные «пусковые» механизмы не выводятся из прошлого, они возникают за счет изменения самих правил игры. Традиционные модели A(t+1) = A(t) + δ неприменимы; более адекватны стохастические модели с реактивной структурой, где переход в новое состояние задается триггерной логикой, а не временным рядом.
Пример. Прогнозы, что к ~2025 Европе и Германии удастся получить огромные дополнительные эффекты от Industrie 4.0 не подтвердились. Отчёты показывают, что уже к 2022-2023 темп цифровизации и автоматизации ниже, чем ожидалось в стратегиях и заявлениях. Прогресс есть, но «революция» чаще оказывается «эволюцией». Основными барьерами стали именно C(t) (нехватка специалистов для интеграции сложных систем) и G(t) (организационное сопротивление в консервативных бизнес-моделях), несмотря на высокий уровень T(t) [3].
Концептуальная некорректность прогнозирования инновационной активности
Попытка прогнозировать долю организаций, осуществляющих процессные инновации, в общем числе инновационно активных субъектов основана на ложных допущениях: что инновации возникают по внутреннему плану, что их количество растет линейно и что они поддаются устойчивой типологизации. На деле инновационная активность – это реактивный, триггерный процесс, подчиняющийся законам социодинамики, а не макропланирования.
Аргумент 1. Прогноз знаменателя (инновационно активные организации) невозможен
Фирма становится инновационно активной не по плану, а в ответ на внешний шок. Механизм активации можно описать бинарной функцией:
| I_i(t) = {1, если θ_i(t) > τ; 0, иначе}, | (4) |
где:
I_i(t) – инновационная активность фирмы i,
θ_i(t) – совокупное давление (конкуренция, кризис, санкции, смена лидера),
τ – индивидуальный порог «боли» или чувствительности.
Эта функция носит пороговый, скачкообразный характер. Никакая регрессия не может предсказать, сколько фирм в момент t+1 преодолеют свой порог τ, так как триггеры (θ_i(t)) являются экзогенными и стохастическими.
Пример. В 2017 году PwC прогнозировала, что к 2020 году лишь 20% немецких автопроизводителей значительно увеличат инвестиции в электромобили. Однако после скандала «Дизельгейт» (2015) и роста давления со стороны Tesla, к 2019 году более 50% компаний, включая Volkswagen (объявивший инвестиции в 44 млрд евро), преодолели порог инновационной активности. Этот скачок был вызван непредсказуемыми внешними триггерами, что сделало линейный прогноз 2017 года неактуальным [4].
Аргумент 2. Процессные инновации как «вирусная» форма активности
Процессные инновации еще более латентны, чем продуктовые. Они не имеют четких внешних маркеров, возникают из внутренней «боли» и распространяются по принципу вирусной диффузии через каналы доверия и профессиональных контактов. Их динамику лучше всего описывает модель, аналогичная SIR-моделям в эпидемиологии:
| dP(t)/dt = β × P(t) × [1 — P(t)/N], | (5) |
где:
P(t) – количество предприятий с процессной инновацией,
N – общее число потенциально восприимчивых субъектов,
β – коэффициент «заразности» идеи.
Прогнозировать такой процесс невозможно без знания текущего числа «носителей» (P(t)) и силы контактов (β) – параметров, которые по определению скрыты от официальной статистики.
Пример. Автомобильная промышленность в период пандемии COVID-19 (2020-2021 гг.) демонстрирует классический пример неустойчивости метрики R(t) = P(t) / I(t), когда деление двух хаотических величин порождает ложные сигналы. В начале пандемии продажи упали на 71% в Китае к февралю 2020 года, на 47% в США и на 80% в Европе к апрелю Japan Seeks to Revitalize Its Semiconductor Industry | CSIS, что резко сократило общие инновационные инициативы I(t) из-за заморозки R&D проектов, однако процессные инновации P(t) оставались относительно стабильными, поскольку компании продолжали оптимизировать производственные процессы дистанционно, создавая ложный рост показателя R(t) [5].
Аргумент 3. Деление двух хаотических величин порождает неустойчивую метрику
Показатель R(t) = P(t) / I(t) (доля процессных инноваций) является дробью, где и числитель (P(t)), и знаменатель (I(t)) – независимые, стохастические, триггерные процессы. Деление двух величин с высокой дисперсией порождает метрику с еще большей неопределенностью. Более того, она дает инверсные сигналы:
В кризис: I(t)↓, P(t) стабильно → R(t)↑ (ложный сигнал роста).
В росте: I(t)↑, P(t) стагнация → R(t)↓ (ложный сигнал спада).
Пример. В японской электронной промышленности (2015-2018 гг.) в фазе экономического роста I(t) (общее число инноваторов) выросло на 25% за счет новых продуктов, в то время как P(t) (процессные инновации) оставалось стабильным. Это привело к падению R(t) с 10% до 8%, что ошибочно интерпретировалось как снижение активности. В 2018 году, из-за торгового конфликта США-Китай, I(t) упало, а P(t) выросло (внутренняя оптимизация), и R(t) подскочило до 15%, создав ложную картину бума [6].
Прогнозирование доли организаций с процессными инновациями не имеет научной состоятельности. Числитель и знаменатель – независимые триггерные процессы, оба параметра дискретны и чувствительны к «шуму», а итоговая метрика неустойчива и вводит в заблуждение.
Аналитическая некорректность показателя «затраты на НИОКР (RD) к объёму отгруженной продукции (REV)»
Показатель R(t) = RD(t) / REV(t) предполагает линейную, синхронную связь между текущими затратами на исследования и текущей выручкой. Это категориальная ошибка, так как эти величины принадлежат разным временным горизонтам.
Аргумент 1. Несогласованность временных горизонтов (временной лаг)
Затраты на НИОКР – это инвестиции в будущее с лагом отдачи от 2 до 10 лет. Выручка – это результат прошлых инвестиций. Корректная функция: REV(t) = f(RD(t-n), RD(t-n+1), …, RD(t-1)) а не REV(t) ~ RD(t). Прямое деление – логическая ошибка, сравнимая с оценкой эффективности обучения студентов в 2025 году на основе их вложений в 2026 году.
Пример. В полупроводниковой отрасли наблюдается очевидная несогласованность временных горизонтов между затратами на НИОКР и получаемой выручкой. Длительные циклы разработки и внедрения новых технологий приводят к тому, что инвестиции, сделанные сегодня, начинают приносить доход лишь через несколько лет. Например, компания ASML потратила 17 лет и около $7 миллиардов на разработку технологии экстремального ультрафиолетового литографического оборудования, которое стало основным источником её дохода только спустя годы после начала разработки [7]. Это пример подтверждает, что прямое соотношение между текущими затратами на НИОКР и выручкой является методологически ошибочным.
Аргумент 2. Парадокс успеха: инверсия смысла метрики
Успешный R&D-проект приводит к росту выручки (REV(t)↑), но после его завершения затраты на НИОКР могут сократиться (RD(t)↓). Результат: R(t)↓. Метрика ухудшается в момент «триумфа». Обратная ситуация: в кризисе выручка падает (REV(t)↓), а затраты на НИОКР сокращаются медленнее, поэтому R(t)↑. Метрика улучшается в момент кризиса.
Пример. В статье [8] показано, что многие компании сталкиваются с тем, что метрика «интенсивность НИОКР» (отношение расходов на исследования и разработки к объёму продаж) становится объектом давления. Исследователи отмечают, что фирмы могут поддерживать уровень показателя даже при отсутствии реальной необходимости, что ведёт к расходам на проекты сомнительной ценности и к искажению приоритетов.
Аргумент 3. Скачкообразная структура затрат на НИОКР
Затраты на НИОКР не являются гладкой функцией. Они имеют квантовую структуру: единичные скачки (закупка оборудования), плато (длительные исследования), обнуление (провал проекта). Попытка сгладить их для прогноза методологически наивна. Показатель «затраты на НИОКР к выручке» связывает разновременные величины, искажает сигналы (наказывает за успех, награждает за кризис), побуждает к ложным решениям и непригоден для планирования.
Для многих компаний расходы на НИОКР не являются гладкой функцией времени: они подвержены значительной волатильности, включая резкие скачки и периоды сокращений, которые зависят как от внутренних ресурсов организации («organizational slack»), так и от внешних условий. В результате возникают периоды крупных единичных инвестиций, например, на закупку оборудования или реализацию масштабных проектов, чередующиеся с фазами относительной стабильности, а также с этапами снижения расходов. Такая нестабильность делает линейное прогнозирование затрат на НИОКР методологически ненадёжным [9].
Математическое доказательство абсурдности отраслевого прогнозирования
Проблема 1. Прогнозирование на уровне отрасли (по ОКЭД) предполагает усреднение характеристик разнородных организаций. Это приводит к созданию прогноза для несуществующей «среднестатистической» компании.
Математическая модель:
Представим отрасль I как множество из n организаций: I = {O₁, O₂, …, Oₙ}. Инновационный потенциал каждой организации Oᵢ определяется вектором Pᵢ = (Rᵢ, Aᵢ),
где:
Rᵢ – ресурсы на инновации,
Aᵢ – инновационная гибкость (0 до 1).
Предположим, что инновационный результат F является мультипликативной функцией:
| F = k × R × A | (6) |
Пример: Отрасль из двух компаний
Компания (O₁): R₁ = 1,000,000,000 у.е., A₁ = 0,1 → F₁ = k × 100,000,000
Еомпания (O₂): R₂ = 100,000 у.е., A₂ = 0,9 → F₂ = k × 90,000
Сценарий 1: Реальный совокупный прогноз F_total = F₁ + F₂ = k × 100,090,000
Сценарий 2: Прогноз на основе усредненных данных R_avg = (1,000,000,000 + 100,000) / 2 = 500,050,000 A_avg = (0,1 + 0,9) / 2 = 0,5 F_avg = k × 500,050,000 × 0,5 = k × 250,025,000
«Усредненный» прогноз (k × 250,025,000) более чем в 2.5 раза превышает реальный совокупный результат (k × 100,090,000). Это не погрешность, а фундаментальная ошибка методологии.
Проблема №2. Отсутствие физического смысла
«Средняя» компания с ресурсами в 500 млн и гибкостью 0,5 не существует. Прогноз описывает фантом. Реальная динамика определяется нелинейными взаимодействиями между компаниями (например, поглощение стартапа корпорацией), которые полностью игнорируются при агрегировании.
Заключение
Любая модель отраслевого прогнозирования инноваций, основанная на агрегировании данных, является математическим упрощением. Для принятия решений необходимо отказаться от линейных, детерминистских моделей и перейти к реактивным, стохастическим подходам, признающим фундаментальную непредсказуемость инновационных процессов. Инновации – это не тренд, который можно экстраполировать, а каскад нелинейных событий, управляемых триггерами и точками бифуркации. Признание этого факта – первый шаг к более адекватному и гибкому управлению в условиях неопределенности.
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
1. Википедия. Чёрный лебедь (книга). – URL: https://ru.wikipedia.org/wiki/Чёрный_лебедь_(книга) (дата обращения 02.09.2025)
2. Fortune Business Insights. Autonomous Mobile Robot Market Size, Share & COVID-19 Impact Analysis. – Fortune Business Insights, 2023. – URL: https://www.fortunebusinessinsights.com/autonomous-mobile-robots-market-105055 (дата обращения 02.09.2025).
3. Roland Berger; BDI. The Digital Transformation of Industry: How important is it? Who are the winners? What must be done now? – Roland Berger Strategy Consultants, Federation of German Industries (BDI), 2015. – URL: https://www.rolandberger.com/publications/publication_pdf/roland_berger_digital_transformation_of_industry_20150315.pdf (дата обращения 03.09.2025).
4. PwC Strategy&. The 2019 Automotive Industry Trends: Accelerating towards e-mobility. – PwC, 2019. – URL: https://www.strategyand.pwc.com/gx/en/insights/industry-trends/2019-automotive.html (дата обращения 03.09.2025).
5. McKinsey & Company. How the automotive industry is accelerating out of the turn. – McKinsey, 2021. – URL: https://www.mckinsey.com/industries/automotive-and-assembly/our-insights/how-the-automotive-industry-is-accelerating-out-of-the-turn (дата обращения 03.09.2025).
6. Japan Electronics and Information Technology Industries Association (JEITA). Electronics Industry Innovation Report 2019. – JEITA, 2019. – URL: https://www.jeita.or.jp/english/topics/2019/1218.pdf (дата обращения 04.09.2025).
7. ASML. EUV Lithography Systems: Development and Commercialization. – ASML, 2025. – URL: https://www.asml.com/products/euv-lithography-systems (дата обращения 04.09.2025).
8. Schwartz, L., Miller, R., Plummer, D., & Fusfeld, A. (2011). Measuring the Effectiveness of R&D. Research-Technology Management – URL: https://www.researchgate.net/publication/233719383_Measuring_the_effectiveness_of_RD (дата обращения 04.09.2025).
9. Swift, T. R&D Expenditure Volatility and Firm Performance: Organizational and Environmental Contexts. – Journal of Management Studies, 2013. – URL: https://www.researchgate.net/publication/230807829_RD_Expenditure_Volatility_and_Firm_Performance_Organizational_and_Environmental_Contexts (дата обращения 02.09.2025).
Источник: Стратегия развития экономики Беларуси: вызовы, инструменты и перспективы : сб. науч. ст. : в 3 томах. Т. 2 / ред. кол.: Д. В. Муха (гл. ред.) [и др.] ; Национальная академия наук Беларуси, Институт экономики НАН Беларуси. – Минск : БГУИР, 2025. – 514 с. (c.277-282)