УДК 338.22:620.9
DOI: 10.36871/ek.up.p.r.2026.02.09.001

Авторы

Андрей Вячеславович Агашин,
Владимир Шайхатович Уразгалиев,
Андрей Владимирович Новиков,
Санкт-Петербургский государственный университет, Санкт-Петербург, Россия

Аннотация

В условиях нового четвёртого энергетического перехода и усиления климатического регулирования трансформация национальной экономической политики становится ключевым фактором обеспечения энергетической безопасности и технологического суверенитета. Особую актуальность проблема приобретает для стран с высокой зависимостью от ископаемого топлива, где природный газ рассматривается как «переходное» топливо, а стремительное развитие технологий искусственного интеллекта (ИИ) формирует новый спрос на электроэнергию со стороны дата-центров. Целью статьи является оценка влияния частных инвестиций в ИИ и структуры электрогенерации на инновационное развитие стран с учетом гетерогенности энергетического перехода на основе модели Хекмана с двойным цензурированием (Tobit-II). Эмпирическая база исследования включает данные по 121 стране за 2024 г. Методология основана на двухэтапной процедуре: кластеризация стран методом k-средних для выявления однородных групп и последующее построение хекит-модели, позволяющей скорректировать смещение отбора. В результате кластеризации выделено пять групп стран, для дальнейшего анализа выбран второй кластер (включающий Россию и 92 страны), характеризующийся умеренными инвестициями в ИИ и значительной долей газа в электрогенерации. Эмпирические расчеты подтвердили наличие синергетического эффекта: рост частных инвестиций в ИИ положительно влияет на инновационную активность даже при увеличении доли природного газа (коэффициент PIAI_GAS значим на 1%-ном уровне), тогда как изолированный рост доли газа оказывает негативное влияние. Подтверждена также значимость институциональных факторов: наличие системы торговли выбросами (ETS) и рост доли ВИЭ повышают вероятность энергетического перехода. Полученные выводы позволяют обосновать приоритеты экономической политики для ресурсно-зависимых стран: развитие внутреннего углеродного рынка и стимулирование частных инвестиций в ИИ при сохранении газовой генерации как драйвера технологической трансформации.

Ключевые слова

экономическая политика, энергетический переход, модель Хекмана, искусственный интеллект, природный газ, технологический суверенитет, инновационное развитие

Список литературы

  1. Ветрова М. А., КузнецоваЕ.Ю., МаловаА.С., ПахомоваН.В.Климатические проекты российского бизнеса: методология обоснования и рамочные условия успешной реализации // Вестник Санкт-Петербургского университета. Экономика. 2025. Т. 41, № 1. С. 65–91. https://doi.org/10.21638/ spbu05.2025.104
  2. Akashi K., HorieT.Note on the uniqueness of the maximum likelihood estimator for a Heckman’s simultaneous equations model // Econometrics and Statistics. 2022. https://doi.org/10.1016/j. ecosta.2022.02.004
  3. Akhter A., Al ShiamS.A., RidwanM., Abir S.I., ShohaS., NayeemM.B., BibiR.Assessing the impact of private investment in AI and financial globalization on load capacity factor: evidence from United States // Journal of Environmental Science and Economics. 2024. Vol. 3, no. 3. P. 99–127.
  4. Aziz S., ChowdhuryS.A.Determinants of off-grid electrification choice and expenditure: Evidence from Bangladesh // Energy. 2021. Vol. 219. P. 119578. https://doi.org/10.1016/j.energy.2020.119578
  5. Cameron A. C., TrivediP.K.Microeconometrics: methods and applications. Cambridge: Cambridge University Press, 2005. http://dx.doi.org/10.1017/ CBO9780511811241
  6. De VriesA.The growing energy footprint of artificial intelligence // Joule. 2023. Vol. 7, no. 10. P. 2191– 2194. https://doi.org/10.1016/j.joule.2023.09.004
  7. De Vries-GaoA.Artificial intelligence: Supply chain constraints and energy implications // Joule. 2025. Vol. 9, no. 6. https://doi.org/10.1016/j. joule.2025.101961
  8. Heckman J.Shadow prices, market wages, and labor supply // Econometrica. 1974. Vol. 42, no. 4. P. 679– 694.
  9. Hyland M., Lyons R. C., Lyons S.The value of domestic building energy efficiency—evidence from Ireland // Energy Economics. 2013. Vol. 40. P. 943– 952. https://doi.org/10.1016/j.eneco.2013.09.010
  10. Jaraite J., KazukauskasA., LundgrenT.The effects of climate policy on environmental expenditure and investment: evidence from Sweden // Journal of Environmental Economics and Policy. 2014. Vol. 3, no. 2. P. 148–166. https://doi.org/10.1080/21606544 .2013.875948
  11. Jiang L., ChenF.CarbonScaling: Extending neural scaling laws for carbon footprint in large language models // arXiv preprint. 2025. arXiv:2508.06524. https://doi.org/10.48550/arXiv.2508.06524
  12. Lai H. P., TsayW. J.Maximum simulated likelihood estimation of the panel sample selection model // Econometric Reviews. 2018. Vol. 37, no. 7. P. 744– 759. https://doi.org/10.1080/07474938.2016.1152657
  13. Luccioni S., StrubellE., CrawfordK.From efficiency gains to rebound effects: The problem of Jevons’ paradox in AI’s polarized environmental debate // arXiv preprint. 2025. arXiv:2501.16548. https://doi. org/10.48550/arXiv.2501.16548
  14. Miraftabzadeh S. M., ColomboC. G., Longo M., Foiadelli F. K-means and alternative clustering methods in modern power systems // IEEE Access. 2023. Vol. 11. P. 119596–119633. https://doi. org/10.1109/ACCESS.2023.3327640
  15. Pereira S., SilvaC., Ferreira L. M. D.Barriers to energy transition: Comparing developing with developed countries // Energy for Sustainable Development. 2025. Vol. 87. P. 101753. https://doi. org/10.1016/j.esd.2025.101753
  16. Ting Y. C., LinT.H.For security or sustainability? Investigating the global nexus of nuclear power, democracies, and civil society // Energy Research and Social Science. 2021. Vol. 81. P. 102284. https:// doi.org/10.1016/j.erss.2021.102284
  17. Zhu X., Su P., Yu J., PeiJ., Teng Z., LiY., LiuY. A prediction model for hazard levels of shallow natural gas in tunnel based on k-means clustering and tabular prior-data fitted network // Results in Engineering. 2025. Vol. 25. P. 106873. https://doi. org/10.1016/j.rineng.2025.106873