ICT Profiles of Russian Companies at the Industry Level: Resource Management Strategies

Full Text

Информационно-коммуникационные технологии (ИКТ) вносят решающий вклад в цифровизацию экономики, а их эффективное внедрение выступает критически важным условием экономического роста (Karim et al., 2022). Многочисленные исследования демонстрируют существенную роль ИКТ в развитии стран (Habibi, Zabardast, 2020) и компаний (Chae et al., 2018; Li et al., 2022) наряду с такими традиционными факторами, как труд и капитал.

Под ИКТ понимается очень широкий круг технологий — от базовой инфраструктуры до систем управления эффективностью бизнеса на базе искусственного интеллекта (ИИ), что выражается в высокой вариативности корпоративных ИКТ-архитектур. В новейших исследованиях отмечаются рост значимости ИКТ при внедрении таких продвинутых решений, как сквозная технология ИИ (Agarwal et al., 2021; Enholm et al., 2022; Dumas et al., 2023), и недостатки традиционных подходов к анализу их эффективности. Например, при агрегировании информации об инвестициях в ИКТ (Mithas, Rust, 2016) или оценке вклада отдельных технологий (HassabElnaby et al., 2012; Daviy, 2023) игнорируется фактор их взаимосвязанности. Трудности интеграции ИКТ выступают одним из ключевых препятствий для эффективного внедрения новых технологий (Xue et al., 2005; Amid et al., 2012; Coşkun et al., 2022). Эмпирические исследования все чаще показывают незначимое и отрицательное влияние некоторых ИКТ на производительность компаний, связывая это с невозвратностью соответствующих затрат в силу определенных условий или комбинации ресурсов.

Лишь немногие из существующих эмпирических исследований пытались учесть гетерогенность ИКТ и оценить их комплексную эффективность. Во многом это обусловлено недоступностью детальных корпоративных данных о внедрении ИКТ, поскольку их раскрытие может быть использовано компаниями-конкурентами. Некоторые исследования (Hendricks et al., 2007; Oh, Kim, 2023) рассматривают эффективность одновременного внедрения нескольких ИКТ, однако перечень анализируемых технологий задается экспертно и может не отражать фактически сложившиеся комбинации. Возможность анализа не просто отдельных ИКТ, а их сочетаний реализуется в работах (Wu et al., 2015; Geum et al., 2015) с помощью метода поиска ассоциативных правил, что позволяет объективно выделять комбинации технологий на основе фактических данных.

Цель настоящей статьи состоит в выявлении устойчивых комбинаций ИКТ — ИКТ-профилей, применяемых российскими компаниями, и оценке их эффективности на базе финансовых показателей. Дополнительной задачей выступает рассмотрение выделенных ИКТ-профилей с точки зрения возможностей внедрения решений на базе ИИ. Под устойчивой комбинацией ИКТ мы понимаем такой набор технологий, который внедряется в нескольких компаниях одновременно. Чтобы наиболее полно охарактеризовать ситуацию с внедрением ИКТ, например в отдельно взятой отрасли, мы выделяем три типа ИКТ-профилей, потенциально способных оказать наибольшее влияние на деятельность компании. Во-первых, наиболее распространенное сочетание ИКТ, без которого деятельность компаний предположительно невозможна. Так, существующие исследования показывают, что отсутствие в компании технологии Enterprise Resource Planning (ERP) приводит к неэффективному использованию и других ресурсов (Shakina et al., 2022). Во-вторых, ИКТ-профиль с наибольшим набором технологий, свидетельствующим о технологичности и проникновении ИКТ в разные аспекты бизнеса. Чем шире охват ИКТ-профиля, тем вероятнее, что компания принадлежит к числу лидеров в области ИКТ, что служит источником ее конкурентных преимуществ (Chae et al., 2014). В-третьих, ИКТ должны отвечать отраслевой специфике (Jacobsson et al., 2017).

Выявленные ИКТ-профили позволяют комплексно охарактеризовать распространенные комбинации ИКТ как основы для разработки мультитехнологичных решений, актуальных для компаний конкретной отрасли. При этом анализ таких комбинаций, необходимых для стабильной работы компаний, позволяет идентифицировать ИКТ, поддержка которых критически важна с точки зрения устойчивости к раночным шокам. Для российских компаний таким шоком, безусловно, стал уход многих крупнейших зарубежных вендоров, таких как SAP, Oracle или Windows. Кроме того, выявление устойчивых неэффективных ИКТ-профилей важно для того, чтобы предотвратить использование устаревших технологий или системные проблемы интеграции ИКТ.

Для теоретического изучения ИКТ-систем, как правило, применяется ресурсный подход (Barney et al., 2001), в рамках которого ИКТ определяются как стратегические ресурсы компании, создающие ее конкурентные преимущества. Принципиальное значение при этом имеет не столько наличие ценных и уникальных ресурсов, сколько способность организации их комбинировать, исходя из их внутреннего потенциала и доступности. Поиск оптимального сочетания организационных активов для достижения синергетического эффекта от их реализации служит ключевой задачей для современного менеджмента (Teece, 2018; Shakina et al., 2022). В этой связи ИКТ в целом и отдельные системы в частности рассматриваются как компоненты ресурсного портфеля компании, требующие сопряжения с другими его компонентами. Однако лишь небольшое число исследований посвящено комплементарности конкретных ИКТ (Geum et al., 2015; Wu et al., 2015; Díaz-Chao et al., 2021), тогда как способность их разумно комбинировать в рамках единого корпоративного портфеля выступает источником конкурентных преимуществ (Geum et al., 2015).

В настоящей статье мы рассматриваем комбинацию ИКТ через профиль, который объединяет технологии, одновременно внедряемые в операционную деятельность компании. В рамках ресурсного подхода ИКТ-профиль представляет собой сочетание ресурсов, которое отражает стратегическую способность организации управлять своими конкурентными преимуществами. Решение применять несколько технологий может быть обусловлено разными факторами.

ИКТ-профиль может выступать ключевой ресурсной комбинацией, лежащей в основе бизнес-модели, и источником прибыли компании (Teece, 2018). Внедрение нескольких комплементарных ИКТ может быть направлено на эффективное решение производственных задач. При этом связь между технологиями в рамках одного профиля может не носить комплементарного характера, поскольку часть из них могут быть связаны с другими ресурсами компании, порождая с ними синергетический эффект. Яркими примерами подобной комплементарности служат внедрение таких ИКТ-систем, как ERP и BI (Gupta et al., 2019), или комбинация IoT и BigData. В последние годы идет активное расширение функций отдельных ИКТ-систем за счет ИИ. Например, BSS Digital2Speech от компании CraftTalk интегрирует ИИ в ИКТ-профиль, включающий CRM, биометрическую идентификацию и речевые технологии.

К наиболее перспективным относят три вектора дополнения существующих ИКТ-систем на базе ИИ (Enholm et al., 2022):

1. компьютерное зрение: распознавание, анализ и классификация изображений, фото- и видеоматериалов;
2. обработка естественного языка: генерация текстов, анализ настроений и восприятие информации, созданной другими;
3. машинное и глубокое обучение: кластеризация, классификация и интеграция в рекомендательные системы.

Отраслевая специфика в значительной мере определяет выбор компанией своего ИКТ-профиля. Различия связаны с ролью ИКТ в отдельных отраслях (Jacobsson et al., 2017; Chae et al., 2018): в одних ИКТ выступают альтернативой человеческому труду, т. е. применяются для автоматизации бизнес-процессов, в других — играют информационную роль, обеспечивая данными и поддерживая управленческие решения, в третьих — выполняют трансформационную функцию, фундаментально преобразуя принципы ведения бизнеса, отраслевые механизмы и взаимодействие экономических агентов. Дополнительным аргументом в пользу предлагаемого подхода служат разница в уровне цифровизации отраслей, которая наглядно отражается в статистике.

Отраслевая принадлежность позволяет оценить влияние применяемых ИКТ-профилей на результаты деятельности компаний. Оценка эффективности этих профилей сходна с определением выгод и издержек использования ИКТ-капитала или отдельных ИКТ-систем. К рискам одновременного применения нескольких ресурсов относятся несовместимость таких систем, различная продолжительность их интеграции в инфраструктуру компании, режимы сервисной поддержки и т. д. (Coşkun et al., 2022). Обзор эмпирических исследований показывает, что анализ продуктивности комбинаций ИКТ проводился без учета отраслевой специфики на базе экспертно заданных наборов технологий, таких как ERP или BI. Учитывая теоретически обоснованный вклад ИКТ-профилей в конкурентные преимущества компании, требуется протестировать их влияние на производительность в разных отраслях. Для этого следует оценить распространенность в них ИКТ-профилей, а именно сколько компаний применяют данный профиль, т. е. насколько устойчивой является та или иная комбинация технологий.

На отраслевом уровне мы выделяем три типа ИКТ-профилей: типичный, комплексный и специфичный. В первом случае речь идет о наиболее распространенной в отрасли комбинации ИКТ; во втором — о самой объемной и широко используемой комбинации, т. е. насчитывающей максимум технологий и встречающейся в наибольшем числе компаний отрасли; последний тип отражает уникальное сочетание технологий, которое не используется в других отраслях. Типичные профили выступают своего рода стандартом, принятым в отрасли; комплексные относятся к компаниям, выбравшим инновационную ИКТ-стратегию (Devece et al., 2017); специфичные могут применяться для решения уникальных задач, возникающих в отдельно взятой отрасли. В практической части нашего исследования все три типа профилей будут оценены с точки зрения перспектив расширения функций ИКТ на базе ИИ.

Методология исследования

Для выявления устойчивых комбинаций ИКТ был применен один из инструментов ИИ — алгоритм поиска ассоциативных правил, предложенный в работе (Agrawal et al., 1993) и активно используемый в различных отраслях экономики и в финансовой сфере (Batarseh et al., 2021; Kaur, Dharni, 2022). Суть алгоритма заключается в поиске ассоциативных правил вида «ИКТ X и ИКТ Y внедрили в компании вместе» (Hegland, 2003). Для каждого сконструированного правила можно рассчитать метрики качества (поддержка (support), достоверность (confidence) и подъемная сила (lift)) на базе частотности возникновения правила или отдельных его элементов в данных. Вместе с тем, у каждого из них есть своя специфика.

1. Поддержка ИКТ X — доля компаний в выборке, внедривших технологию X, своего рода метрика ее частотности, или популярности; поддержка правила X→Y — это доля компаний, внедривших как ИКТ X, так и ИКТ Y.
2. Достоверность отдельного правила рассчитывается как отношение поддержки правила X→Y к доле компаний, внедривших ИКТ X, и отражает вероятность внедрения ИКТ Y, если ИКТ X уже внедрена.
3. Подъемная сила, или метрика важности правила, отражает, во сколько раз доля совместных внедрений ИКТ X и ИКТ Y превышает долю ожидаемых внедрений в ситуации, когда взаимосвязи между внедрением ИКТ X и ИКТ Y нет; значение такой метрики больше 1 свидетельствует о том, что ИКТ X и Y дополняют друг друга. Исходя из принятой нами гипотезы, что в ИКТ-профиль должны входить комплементарные технологии, в дальнейшем анализе рассматривались только ассоциативные правила, подъемная сила которых превышала 1.

На следующем шаге методологии применяется алгоритм априори (apriori) (Agrawal et al., 1994) — классический механизм перебора множества возможных ассоциативных правил. Он входит в комплексную стратегию отбора потенциальных кандидатов для включения в устойчивые ассоциативные правила, т. н. априорный принцип (Hegland, 2003). Результат его применения существенно зависит от задаваемых пороговых значений метрик поддержки и достоверности: если они установлены близко к 0, то алгоритм выявит значительное число правил, которые могут быть, с одной стороны, трудоемкими для последующего анализа, с другой — содержать продуктивные и нетривиальные устойчивые правила; если они близки к верхней границе, то алгоритм сработает быстрее и выделит небольшое число правил, которые, однако, могут оказаться банальными и самоочевидными (Hegland, 2003; Hikmawati et al., 2021).

В настоящее время не существует универсальных алгоритмов для определения оптимального уровня пороговых значений. Чаще всего исследователи устанавливают их эмпирически для каждой отдельной задачи, учитывая размер выборки и максимальное число правил, с которыми они готовы работать (Kotsiantis, Kanellopoulos, 2006). Например, экспериментально продемонстрировано, как для разных данных из различных предметных областей оптимальные пороговые значения поддержки могут варьировать от 0 до 60% (Hikmawati et al., 2021). Однако здесь возникают несколько закономерностей: чем больше размер базы данных, тем меньше должны быть пороговые значения поддержки; и чем шире набор ИКТ, тем меньше пороговые значения поддержки и достоверности.

В качестве отправной точки для определения оптимальных минимальных уровней поддержки и достоверности мы выбрали пороговые значения по аналогии с предыдущими исследованиями в близкой исследовательской области. Так, в работе (Wu et al., 2015) пороговое значение поддержки было установлено на уровне 10%, в публикации (Geum et al., 2015) — на уровне 3%, а пороговые значения достоверности составляли 50% и 40% соответственно. Поскольку наша выборка характеризуется большим спектром ИКТ в сравнении с предыдущими исследованиями, пороговые значения могут быть меньше. Эмпирическим путем мы остановились на 1.5% для метрики поддержки и 25% — для достоверности.

Важным критерием при поиске ассоциативных правил во внедрении ИКТ выступает период, в пределах которого ИКТ считаются внедренными в компании одновременно. На небольшом периоде (например, 1 год) будет выявлено малое число комбинаций; при выборе слишком длинного временного периода возрастает риск того, что в комбинацию будут включены технологии, часть из которых уже были заменены и в действительности не применялись совместно. Более эффективным в этом случае становится применение скользящего окна, которое охватывало бы период использования технологий. Его размеры необходимо устанавливать с учетом интенсивности внедрения ИКТ-систем и срока службы ИКТ в соответствующей отрасли. Поскольку в настоящем исследовании срок наблюдения за компаниями в среднем составляет 1.5 года, поиск ассоциативных правил ведется в пределах всего доступного периода.

Для валидации выявленных типов ИКТ-профилей и анализа эффективности сложившихся отраслевых практик далее оценивалось влияние внедрения таких профилей на результаты деятельности компаний. Для каждой отрасли отдельно применялась следующая модель с фиксированными эффектами:

$y_{i,t,s}={\alpha }_{0,s}+{\alpha }_{1,s}\times siz{e}_{i,t–1,s}+{\alpha }_{2,s}\times leverag{e}_{i,t–1,s}+\sum _{j=1}^k{\beta }_{j,s}\times Profil{e}_{j,i,t},s+{\psi }_{i,s}+{\mu }_{t,s}+{\in }_{i,t,s}$, (1)

где y — индикаторы деятельности компании i из отрасли s в год t, при этом s = 1.31.

Показателями эффективности работы компаний выступают производительность труда сотрудников и рентабельность продаж. Поскольку внедрение технологий и их комбинаций требует значительных инвестиций, влияние на производительность труда рассматривалось как промежуточная характеристика, а рентабельность — как итоговый показатель. Таким образом, спецификация (1) рассчитывается отдельно для этих индикаторов деятельности компании в рамках каждой из 31 отраслей. В качестве контрольных показателей в подобных моделях чаще всего используют размер фирмы size_i,t–1 (в нашем случае в качестве прокси к этому показателю применяется логарифм активов компании) и размер финансового рычага leverage_i,t–1 (как отношение заемного капитала к активам) (Enekwe et al., 2014; Zavertiaeva et al., 2020). Контрольные показатели выбраны с лагом в один год для решения потенциальной проблемы обратной причинности (reverse causality problem) (Bellemare et al., 2017; Hill et al., 2021). Для учета индивидуальных особенностей компаний и макроэкономических условий в спецификацию добавлены также фиксированные эффекты на компанию и год, которые обозначены как ψ_i и μ_t соответственно.

Ключевой интерес представляет коэффициент при переменной Profile_j,i,t. Эта переменная отражает факт применения j-го ИКТ-профиля в i-й компании в год t. Технически это дамми-переменная, принимающая только два значения — 1 и 0. Индекс k обозначает количество ИКТ-профилей в отрасли, каковых преимущественно три: специфичный, комплексный и типичный. Поскольку для отдельных отраслей специфичный ИКТ-профиль выявить не удалось, индекс k для них равняется 2. Коэффициент β_j отражает вклад, который профиль j привносит в результат деятельности компании y_i,t.

Эмпирическая база исследования

Для тестирования наличия устойчивых взаимосвязей ИКТ была сформирована база данных из более чем 29 тыс. компаний, внедрявших ИКТ-системы в 2006–2022 гг. и представляющих 31 отрасль. Основным источником данных стал TAdviser — крупнейший агрегатор новостей об ИКТ-производителях, самих технологиях и их внедрении в России. Данные были дополнены информацией с сайтов компаний. Анализ охватил более чем 100 технологий. Список тех из них, которые вошли в ИКТ-профили отечественных фирм, представлен в Приложении 1.

Анализ данных показал, что российские компании в среднем внедряют две ИКТ, хотя максимальное их число на одну фирму, например в финансовой отрасли, может достигать 71. В целом можно говорить о высокой неоднородности отечественного бизнеса по критерию количества внедряемых ИКТ. Несмотря на длительный период наблюдений, в среднем для одной компании он составил 1.5 года. Оценка успешности ИКТ-профилей проводилась на базе доступных данных из системы СПАРК и с учетом возможности их сопоставления из разных источников. В табл. 1 представлены описательные статистики по финансовым показателям в отраслевом разрезе, которые включены в модель, отраженную в спецификации (1).

 

Таблица 1. Средние значения ключевых переменных по выборке и в отраслевом разрезе

Отрасль	ROS, %	Производительность, млн руб./чел	Рычаг	Активы, млн.руб.
Обслуживание зданий и территорий	1.73	28.94	2.26	6519.80
Творческая деятельность (искусство и индустрия развлечений)	1.74	12.45	2.08	5219.16
ИКТ	12.71	12.87	0.50	13446.05
Консультирование по вопросам управления	5.39	11.74	1.27	2779.34
Легкая промышленность	6.17	20.21	1.62	4016.07
Складские услуги	7.50	26.66	1.78	17055.34
Производство машин и оборудования	2.86	17.07	1.65	16467.56
Металлургическое производство	4.32	15.64	1.78	41925.21
Операции с недвижимым имуществом	7.28	171.16	13.35	58632.51
Добыча и переработка нефти	8.09	36.55	1.20	146273.52
Образование	9.27	4.94	0.16	3445.40
Деятельность общественных организаций	5.96	1.63	0.43	8957.94
Производство пищевых продуктов	4.85	15.59	1.92	8189.67
Издательская деятельность	7.81	7.48	1.28	2919.09
Реклама	8.83	27.43	2.54	3043.29
Сельское хозяйство	5.62	16.05	0.38	8563.28
Телекоммуникации	5.66	17.49	3.66	17830.27
Страхование	18.67	44.21	0.54	668588.91
Строительство	3.68	26.81	2.00	13558.71
Производство товаров народного потребления	4.64	14.88	1.33	5895.65
Торговля	2.64	74.66	1.92	24118.76
Общественное управление	14.21	4.82	0.03	30318.63
Транспортировка и хранение	7.39	33.41	1.86	19915.37
Гостиничное дело	18.84	7.57	2.09	741.13
Здравоохранение	7.52	21.77	1.01	10625.07
Финансовые услуги	8.05	131.80	5.59	45617.59
Химическое производство	8.43	13.04	1.20	15696.13
Паро-, газо- и электроснабжение	3.13	24.80	0.98	28610.29
Юридические услуги	15.68	10.67	0.66	2773.82
Добыча прочих полезных ископаемых	6.08	18.00	1.71	70840.78
Итого по выборке	7.49	29.01	1.96	1302584.36

Источник: составлено авторами.

 

С помощью метода ассоциативных правил были получены ИКТ-профили российских компаний в каждой из отраслей. Представленная на рис. 1 матрица отражает характеристики отраслевого технологического ландшафта с точки зрения средних по отрасли разнообразия и сложности применяемых ИКТ-профилей. Разнообразие обусловлено числом устойчивых комбинаций, а сложность определяется через объем ИКТ-профиля, т.е. число одновременно использованных технологий. Размер круга показывает технологичность соответствующей отрасли, производной от среднего числа внедренных ИКТ на одну компанию.

 

Рис. 1. Разнообразие и сложность применяемых ИКТ-профилей

Источник: составлено авторами.

 

Высокий уровень разнообразия и сложности применяемых ИКТ-профилей может свидетельствовать о развитой отраслевой ИКТ-архитектуре. Безусловное лидерство по данному критерию удерживают страхование (INS) и финансовые услуги (FIN). В этом же квадранте находятся общественное управление (SOC), паро-, газо- и электроснабжение (ENR), добыча и переработка нефти (OIL), металлургическое производство (MET), сектор ИКТ (INT), добыча прочих полезных ископаемых (MIN). На другом полюсе — отрасли с однородными ИКТ-профилями с небольшим набором технологий: деятельность общественных организаций (PUB), гостиничное дело (TOU) и т. д., которые находятся в левом нижнем квадранте матрицы, представленной на рис. 1. Несмотря на визуальную положительную связь между разнообразием и сложностью ИКТ-профилей на отраслевом уровне, можно выделить две отрасли, которые характеризуются преобладанием однородных профилей с большим набором ИКТ: консультирование по вопросам управления (CST) и юридические услуги (JUR).

В ходе дальнейшего анализа рассматривались типы ИКТ-профилей. В табл. 2 по каждой из отраслей представлена комбинация ИКТ, которая отражает соответствующую категорию ИКТ-профиля. Дополнительный анализ применения решений на базе ИИ позволил выделить отрасли и ИКТ, уже интегрировавшие подобные инструменты. В табл. 2 ИКТ на базе ИИ выделены курсивом, если в отрасли есть соответствующие продукты. Для некоторых отраслей не было найдено устойчивой комбинации, которая бы встречалась только в соответствующей отрасли, т. е. специфического профиля.

 

Таблица 2. ИКТ-профили по отраслям

Отрасль	Обозначение	Типичный	Комплексный	Специфический
Обслуживание зданий и территорий	UT	BPM, SaaS	BPM, CRM, SaaS, СЭД
Творческая деятельность (искусство и индустрия развлечений)	ENT	BPM, SaaS	BPM, HRM, SaaS, СЭД	VSS, СКУД
ИКТ	INT	BPM, SaaS	BPM, CRM, SaaS, ИБ, ЦОД	Cloud Computing, IaaS, PaaS
Консультирование по вопросам управления	CST	BPM, SaaS	BPM, CRM, ITSM, SaaS, СЭД
Легкая промышленность	LI	BPM, SaaS	ИБ, СЭД, SRS
Лесное хозяйство и деревообработка	FST	SaaS, ВКС	BPM, ERP, SaaS, СЭД
Складские услуги	LD	WMS, LIS	TMS, LIS, СБА, FMS, SCN	BPM, SaaS, WMS
Машиностроение	ME	BPM, SaaS	BPM, CRM, SaaS, СЭД	PDM, PLM
Металлургическое производство	MET	BPM, SaaS	BPM, CRM, ITSM, SaaS, СЭД	BI, EAM, ERP
Операции с недвижимостью	RE	BPM, SaaS	BPM, HRM, SaaS, СЭД
Добыча и переработка нефти	OIL	ERP, SaaS	TMS, СБА, FMS, SCN, СЭД	ERP, SCN
Образование	EDU	SaaS, ВКС	BPM, HRM, SaaS, СЭД
Деятельность общественных организаций	PUB	SaaS, ВКС	BPM, CRM, SaaS
Производство пищевых продуктов	FI	ERP, SaaS	CRM, ERP, ATS, учетные системы	CRM, ATS
Издательская деятельность	PRN	ERP, SaaS	Call-центры, CMS, CRM, учетные системы
Реклама	PR	BPM, SaaS	BPM, CRM, ITSM, SaaS, СЭД	CRM, HRM, СУП
Телекоммуникации	AGR	BPM, SaaS	ITSM, SaaS, ИБ, ИКТ-аутсорсинг	Серверные платформы, ЦОД
Сельское хозяйство	TV	СБА, SCN	TMS, LIS, СБА, FMS, Спутниковая связь и навигация	Робототехника, СБА
Страхование	INS	BPM, СЭД	BI, CPM, CRM, ERP, HRM, ИБ, Корпоративные порталы, СЭД, СЭД-СПР, учетные системы	Корпоративные порталы, SRS
Строительство	CON	BPM, SaaS	TMS, СБА, FMS, спутниковая связь и навигация
Производство товаров народного потребления	COM	ERP, SaaS	BI, Data Mining, Data Quality — качество данных, OLAP	BI, OLAP, WMS
Торговля	TD	BPM, SaaS	SCM, SRM, WMS	WMS, ATS
Общественное управление	SOC	SaaS, ВКС	BI, Big Data, BPM, Data Mining, ERP, SCM, SRM	Информатизация госфункций, Корпоративные порталы
Транспортировка и хранение	TR	СБА, SCN	TMS, LIS, СБА, FMS, SCN	Колл-центры, OSS/BSS
Гостиничное дело	TOU	ATS, учетные системы	BPM, SaaS, СЭД
Здравоохранение	PHA	SaaS, ВКС	BPM, CRM, SaaS, СЭД	ERP, MIS
Финансовые услуги	FIN	BPM, SaaS	BI, CRM, SaaS, ИБ, ИКТ-аутсорсинг, RBS, СЭД	SaaS, RBS
Химическое производство	CHM	ERP, SaaS	BPM, CRM, SaaS, СЭД	MES, WMS
Паро-, газо- и электроснабжение	ENR	SaaS, ВКС	ERP, HRM, SaaS, СЭД, SRS	ERP, АСКУЭ
Юридические услуги	JUR	BPM, SaaS	BPM, CRM, ITSM, SaaS, СЭД
Добыча прочих полезных ископаемых	MIN	SaaS, СЭД	BI, ERP, HRM, SaaS, СЭД	ERP, LIS

Источник: составлено авторами.

 

Межотраслевое сравнение выявленных ИКТ-профилей позволяет обнаружить совпадения технологий (в частности, BPM, CRM, СЭД и SaaS), обусловленные их общим назначением. Так, многие компании заинтересованы в автоматизации работы с клиентами и внедрении CRM-систем; практически все внедряют СЭД; у многих есть потребность в оптимизации бизнес-процессов на базе BPM-систем. SaaS представляет собой большой набор программных продуктов, предоставляемых поставщиком на аутсорсинге и позволяющих осуществлять облачные вычисления. Однако в связке с перечисленными решениями идут дополняющие технологии, специфичные для отдельных отраслей. В нефтяной промышленности это спутниковая связь и навигация, потребность в которой обусловлена тем, что месторождения могут находиться в удаленных местах; в государственном секторе — data mining, поскольку такие организации часто имеют дело с обращениями граждан как источником больших массивов информации. Кроме того, можно выделить совместное использование технологий управления (ERP, WMS, HRM, CRM) и анализа данных (BI, ЦОД, Big Data). В интегрированном виде указанные технологии применяются для принятия корпоративных решений.

Доля внедрения ИКТ-профилей значительно варьирует между разными отраслями (см. рис. 2). Так, типичный профиль в образовании внедрен на 30%, а в добыче прочих полезных ископаемых — всего на 6%. Другие типы профилей в разных отраслях внедрены значительно меньше: комплексный — от 1.5% до 5%, специфичный — лишь в 20 отраслях, с наибольшей долей (9%) — в финансовых услугах.

 

Рис. 2. Уровни внедрения ИКТ-профилей в отраслевом разрезе

Источник: составлено авторами.

 

Как показывает анализ реализации решений на базе ИИ в отечественных компаниях, далеко не во всех ИКТ-профилях внедряются такого рода инструменты, что свидетельствует об их высоком потенциале с точки зрения цифровизации российского бизнеса. Лидерство здесь принадлежит отрасли финансовых услуг, инвестиций и аудита, имеющей около 40 внедренных проектов СЭД — системы потокового распознавания (СЭД-СПР). По данным портала TAdviser, поставщиком большинства таких решений на российском рынке выступает компания Smart Engines. Значительные перспективы связаны с интеграцией инструментов ИИ в BPM-системы. В открытом доступе не удалось найти подобных решений в отечественных компаниях, однако на рынке есть предложения BPM-систем, дополненных ИИ (например, Шерпа Роботикс: Sherpa RPA). Подобные инструменты позволяют адаптировать и улучшать бизнес-процессы, делая их контекстно чувствительными и способствуя человеко-машинному взаимодействию (Dumas et al., 2023).

Оценки влияния ИКТ-профилей на рентабельность продаж и производительность труда компаний проводились в соответствии со спецификацией (1). Результаты расчетов показывают, что взаимосвязь типичного ИКТ-профиля с рентабельностью носит нелинейный характер. На рис. 3 представлены данные о значимой связи отдельных типов ИКТ-профилей с рентабельностью фирм, нормированные на средний уровень по отрасли.

 

Рис. 3. Нормированная значимая оценка влияния ИКТ-профилей на рентабельность компаний в отраслевом разрезе

Источник: составлено авторами.

 

Если в случае отрасли ИКТ, нефтяной промышленности и сферы общественного управления рассматриваемая связь носит положительный характер, то для металлургии, телекоммуникаций, строительства и производства товаров народного потребления — отрицательный. Негативное влияние может объясняться широким распространением устаревших или плохо интегрируемых технологий, поэтому для указанных отраслей наиболее актуально развитие ИКТ. Так, успех лидеров металлургии во многом обусловлен внедрением всего комплекса технологий ИКТ-профиля, что служит позитивным примером развития для компаний, придерживающихся неэффективного типичного профиля. Вместе с тем, положительное влияние профилей последнего типа на производительность фирм было выявлено в недвижимости, добыче полезных ископаемых и ИКТ.

В случае комплексного ИКТ-профиля положительная связь с рентабельностью продаж установлена в металлургии, транспорте, здравоохранении и энергетике, хотя на увеличении производительности труда внедрение этих технологий не отражается (исключение составляет отрасль строительства). Следовательно, можно предположить, что рост эффективности происходит за счет снижения издержек и повышения качества принимаемых решений, но не сокращения штата.

Рассмотрение отдельных отраслей показывает, что в металлургии технологии типичного профиля (BPM и SaaS) входят в комплексный профиль, включающий BPM, SaaS, CRM и СЭД, что подчеркивает целесообразность внедрения последних двух технологий игроками металлургической отрасли. Подобный результат может объясняться тем, что у более эффективных компаний шире финансовые возможности для внедрения рассматриваемых технологий. В здравоохранении и энергетике ситуация несколько иная: типичный профиль не находится в отрицательной связи с рентабельностью и включает комбинацию таких базовых технологий, как ВКС и SaaS, в то время как более успешные игроки, помимо SaaS, располагают управленческими инструментами. В здравоохранении это BPM, CRM, СЭД, а в энергетике — ERP, HRM, СЭД, СЭД-СПР, т. е. в данных отраслях наиболее распространенный, типичный профиль характеризует набор необходимых технологий, которые при этом не позволяют компаниям опережать конкурентов. Аналогичная ситуация наблюдается в сфере транспорта, где технологии безопасности и контроля автотранспорта, спутниковой связи и навигации, входящие в типичный ИКТ-профиль, не связаны с рентабельностью бизнеса, тогда как наличие комплементарных систем (TMS, логистическая информационная система, FMS) положительно влияет на указанный показатель.

В сфере ИКТ типичный профиль, включающий BPM и SaaS, положительно связан как с производительностью труда работников, так и с рентабельностью компании. Такая комбинация технологий предположительно способствует более эффективной реализации человеческих ресурсов. Применение типичного профиля в отраслях недвижимости (BPM и SaaS) и добычи полезных ископаемых (СЭД и SaaS) повышает производительность труда даже по сравнению с компаниями, внедряющими более продвинутый комплексный профиль. При этом более эффективное использование трудовых ресурсов не приводит к более высокой рентабельности бизнеса.

Таким образом, ИКТ-профили и их типы оказывают влияние на финансовые результаты компаний, однако эта взаимосвязь варьирует между различными отраслями.

Заключение

Предпринятое исследование продемонстрировало целесообразность теоретического и практического рассмотрения устойчивых ИКТ-профилей компаний, под которыми понимаются комбинации одновременно применяемых технологий, выступающиx источником конкурентных преимуществ за счет комплементарности ресурсов. Ресурсная теория фирмы позволила достичь двух теоретических результатов:

• вывода о продуктивности анализа ИКТ-профилей в отраслевом разрезе, учитывающем специфику ИКТ-архитектуры, и роли отдельных технологий в деятельности компаний;
• классификации ИКТ-профилей по популярности, сложности и уникальности в рамках отдельной отрасли с выделением типичного, комплексного и специфического их типов.

Методологический итог исследования состоит в адаптации метода ассоциативных правил для выявления ИКТ-профилей на уровне отраслей, включающего обоснование уровней «поддержки» и «достоверности».

К ключевым эмпирическим результатам исследования можно отнести следующие. Анализ разнообразия и сложности ИКТ-профилей показал значительную гетерогенность отечественного корпоративного ландшафта с точки зрения устойчивых комбинаций ИКТ в отраслевом разрезе. Это подтверждает необходимость учета отраслевых особенностей при разработке государственных программ стимулирования цифровой трансформации экономики. В среднем компании используют две ИКТ-системы, поэтому типичный ИКТ-профиль включает системы BPM и SaaS. Применение решений на базе ИИ не получило достаточного распространения в российских компаниях, что позволяет выделить этот вектор как перспективный путь цифровизации бизнеса. Анализ успешности ИКТ-профилей в терминах производительности и рентабельности продаж не дал однозначных результатов.

Теоретические и эмпирические выводы статьи могут быть полезны для повышения уровня цифровой зрелости и качества цифровой трансформации российских компаний, что отвечает требованиям национальной программы «Цифровая экономика Российской Федерации». Проведенное нами полномасштабное исследование ИКТ-профилей отечественного бизнеса на материале более 29 тысяч компаний из 31 отрасли позволило выделить три группы заинтересованных сторон. В первую очередь, это поставщики ИКТ-продуктов, которые смогут выявить потенциальные отраслевые ниши и возможности для мультитехнологичных продуктов. Вторая целевая группа — сами представители отрасли, которые смогут сравнить свой ИКТ-профиль с типичным по отрасли, оценить конкурентное окружение, альтернативные комбинации технологий, наиболее релевантные предложения на рынке поставщиков ИКТ-решений и меры оптимизации использования ИКТ на основе бенчмарков. Представляется, что это будет способствовать повышению спроса на ИКТ-продукты и технологии. Третья целевая группа — академическое сообщество, изучающее технологический менеджмент и экономику компаний. Наибольший интерес для нее представляют эмпирически верифицированные устойчивые комбинации ИКТ, отражающие отраслевую специфику и связанные с финансовыми результатами компаний.

К ограничениям проведенного исследования можно отнести неготовность многих российских компаний раскрывать информацию о внедрении ИКТ-систем. Работа опирается на открытые данные, размещенные в интернете, что не исключает возможности более широкого применения ИКТ-систем, в том числе с применением ИИ. Перспектива дальнейших изысканий связана с изучением динамики ИКТ-профилей и выявлением причин финансовой неуспешности отдельных ИКТ-профилей в определенных отраслях. Прикладной характер может иметь ежегодный мониторинг ИКТ-профилей отечественного бизнеса как аналитический инструмент для инвесторов и финансовых институтов. Для самих компаний такой мониторинг может стать инструментом долгосрочного развития, ресурсом, обеспечивающим устойчивость и прозрачность.

Исследование выполнено в рамках стратегического проекта НИУ ВШЭ «Цифровая трансформация: технологии, эффекты, эффективность».

 

Приложение 1. Описание технологий, вошедших в ИКТ-профили российских компаний

Технология	Расшифровка
BPM	Управление бизнес-процессами, улучшение эффективности и качества работы организаций путем оптимизации бизнес-процессов.
SaaS	Хранение приложений на удаленных серверах с обеспечением доступа через веб-браузер без необходимости установки на пользовательские устройства.
CRM	Управление отношениями с клиентами: технологии для привлечения, удержания и улучшения отношений с клиентами.
СЭД	Создание, обработка, хранение и передача электронных документов в рамках организации.
HRM	Управление кадровыми ресурсами в организации: планирование, найм, обучение, управление производительностью и увольнение сотрудников.
WMS	Управление складскими операциями: приемка, хранение и отгрузка товаров.
LIS	Автоматизация лабораторных процессов: сбор, обработка и анализ медицинских данных.
TMS	Управление логистическими операциями: планирование маршрутов, отслеживание грузов и управление транспортными средствами.
MES	Управление производственными операциями: планирование, отслеживание процессов и контроль качества продукции.
PDM	Управление всей информацией о промышленном изделии.
PLM	Управление жизненным циклом продукта, начиная от концепции и заканчивая вводом в эксплуатацию.
ЦОД	Обработка данных на серверах и другом вычислительном оборудовании.
ITSM	Проектирование, создание, поставка, эксплуатация и контроль информационно-технологических услуг, предоставляемых клиентам.
SRS	Оцифровка электронных документов.
BI	Сбор, анализ и преобразование данных в информацию, которая помогает компаниям принимать более обоснованные бизнес-решения.
CPM	Управление корпоративной производительностью: планирование, бюджетирование, прогнозирование и анализ финансовых и операционных данных для достижения стратегических целей компании.
FMS	Управление оборудованием, материалами, персоналом и производственными процессами для оптимизации деятельности предприятия.
ИБ	Защита информации от несанкционированного доступа, утечки, повреждения или уничтожения.
Cloud Computing	Предоставление по требованию доступа к вычислительным ресурсам через интернет — серверам, хранилищам данных и приложениям с взиманием платы только за использование.
OSS/BSS	Комплексное управление телекоммуникационными ресурсами предприятия.
PaaS	Облачные вычисления, предоставляющие пользователям доступ к платформе для разработки, тестирования и развертывания приложений без необходимости управления инфраструктурой.
IaaS	Предоставление виртуальных вычислительных ресурсов через интернет: аренда инфраструктуры, такой как виртуальные машины, хранилища данных и сетевые ресурсы как альтернатива их самостоятельному приобретению и поддержке.
CMS	Создание, редактирование и управление контентом на веб-сайтах: инструменты для управления контентом (создание и редактирование страниц), пользователями и правами доступа.
OLAP	Сбор, обработка и анализ больших объемов данных из различных источников для принятия стратегических бизнес-решений.
SCM	Управление потоком товаров и услуг от поставщиков до конечных потребителей: системы управления запасами, прогнозирование спроса, управление заказами и логистику.
SRM	Решения в сфере управления взаимоотношениями с поставщиками, нацеленные на стратегический выбор поставщиков, новых видов разрабатываемой продукции из возможных альтернатив, реализацию всего цикла закупок, включая электронную торговую площадку.
СКУД	Контроль доступа к зданиям, помещениям или информационным системам: системы идентификации, аутентификации и авторизации доступа.
ERP	Управление бизнес-процессами, которое позволяет компаниям автоматизировать и улучшить управление персоналом и ресурсами, такими как финансы, производство, продажи и закупки.
ВКС	Видеоконференцсвязь, позволяющая пользователям находиться в разных местах и обмениваться видео-, аудио- и текстовой информацией в режиме реального времени.
VSS	Специализированные приложения для управления камерами, записи и воспроизведения видео, анализа полученных данных и оповещения о возможных угрозах. Могут устанавливаться на компьютеры операторов системы или на специальные серверы, которые обеспечивают хранение и обработку записей.
SCN	Обеспечение связи между спутником и Землей, идентификация местоположения объектов на поверхности планеты: приложения для навигации, использующие данные спутниковых систем для высокоточного определения координат объектов.
СУП	Управление временем, бюджетом, ресурсами, задачами и коммуникацией в рамках проекта.
СБА	Мониторинг и управление безопасностью транспортных средств путем отслеживания местоположения, скорости, направления движения, расхода топлива, состояния двигателя и других параметров автомобилей.
ATS	Кассовые серверы для управления кассовым узлом; системы управления торговым залом; системы управления торговым предприятием; дополнительные модули к системам управления торговлей — поддержки принятия решений, автоматизации выкладки и т. п.
RBS	Обеспечение клиентам банка доступа к финансовым счетам и услугам через интернет.

About the authors

Maria Molodchik

Higher School of Economics National Research University, Perm Branch

Author for correspondence.
Email: mmolodchik@hse.ru

Senior Researcher

Russian Federation, Perm

Julia Naydenova

Higher School of Economics National Research University, Perm Branch

Email: yunaydenova@hse.ru

Deputy Head, International Laboratory for the Economics of Intangible Assets

Russian Federation, Perm

Еvgenia Shenkman

Higher School of Economics National Research University, Perm Branch

Email: ea_popova@hse.ru

Junior Researcher, International Laboratory for the Economics of Intangible Assets

Russian Federation, Perm

Еgor Ivanov

Higher School of Economics National Research University, Perm Branch

Email: EA.Ivanov@hse.ru

Research Assistant, International Laboratory for the Economics of Intangible Assets

Russian Federation, Perm

References

Supplementary files