В исследовании оценивается потенциальное воздействие технологии искусственного интеллекта (ИИ) на российский рынок труда. Методологической основой анализа служит система балльных оценок риска внедрения ИИ для детализированных профессий на уровне четырех знаков, разработанная Международной организацией труда. Эмпирической базой служат микроданные Обследования рабочей силы Росстата. Согласно полученным оценкам, для России среднее значение индекса риска ИИ равно 0,3. Примерно каждое десятое рабочее место в российской экономике подвержено высокому риску ИИ и примерно каждое третье — значимому. Это ниже, чем для развитых стран, но выше, чем для развивающихся. Большинство профессий практически полностью защищены от риска ИИ, а доля рабочих мест, которым могла бы угрожать полная автоматизация, ничтожно мала — менее 1%. Потенциальное воздействие ИИ сосредоточено на чрезвычайно узком круге профессий. Главной мишенью для него станут, по-видимому, офисные служащие. Анализ показывает, что в российских условиях внедрение ИИ будет сопровождаться не столько вымыванием с рынка труда профессий, сколько реконфигурацией задач в рамках существующих профессий, которые никуда не исчезнут. Как следствие, опасения сверхвысокой технологической безработицы из-за внедрения ИИ выглядят как безосновательный алармизм.

Стремительное развитие генеративного искусственного интеллекта (генИИ) усилило дискуссии о том, как новые технологии трансформируют рынок труда, особенно позиции и задачи, которые еще недавно мог выполнять только человек. Эксперименты показывают, что генеративный ИИ может обеспечить значительный прирост производительности, особенно менее квалифицированных сотрудников, что может приводить к возникновению индивидуальной зарплатной отдачи на рынке труда. Впервые для России оценено влияние использования ИИ на заработную плату. Анализ основан на данных РМЭЗ НИУ ВШЭ за 2023—2024 гг. Оценивается минцеровское уравнение заработной платы с широким набором контрольных характеристик занимаемой должности. Для учета неслучайного отбора в использование генИИ, возникающего из-за наблюдаемой неоднородности, применяется метод propensity score matching. Для учета ненаблюдаемой неоднородности оценивается панельная регрессия с фиксированными эффектами. Данные показывают, что, несмотря на быстрое совершенствование технологий, связанных с искусственным интеллектом, в России только 11% занятых пользовались инструментами генеративного ИИ. Зарплатная отдача на использование генИИ зависит от спецификации модели, профессиональной группы работника и частоты использования. В среднем отдача составляет 13,4% для всей выборки и 21,2% для специалистов высшего уровня квалификации. Контроль заработной платы, полученной работником в 2022 г., значительно сокращает отдачу, подтверждая, что положительный эффект от использования ИИ предопределен более высоким уровнем заработной платы на рабочих местах с высокой применимостью данной технологии. Модели с фиксированными эффектами указывают на наличие отдачи только в случае регулярного использования генИИ, которая составляет от 17,2% в среднем по выборке до 41,8% для специалистов высшего уровня квалификации.

Стремительное распространение искусственного интеллекта (ИИ) трансформирует рынки труда по всему миру, однако убедительные эмпирические свидетельства его воздействия на экономику стран, не относящихся к западным, остаются ограниченными, особенно в период массовизации больших языковых моделей. В то время как существующая литература документирует рост спроса на ИИ-навыки в развитых странах, комплексные исследования, анализирующие динамику навыков и зарплатные премии в разрезе отраслей на развивающихся рынках в период новой технологической волны, практически отсутствуют. Наша работа восполняет этот пробел, представляя первый детализированный анализ эволюции спроса на ИИ-навыки на российском рынке труда в период с 2021 по 2025 год. Опираясь на уникальный набор данных, включающий более 700 тысяч онлайн-вакансий, мы применяем методы обработки естественного языка и эмпирический анализ для количественной оценки проникновения ИИ-навыков и связанной с ними отдачи на заработную плату. Результаты работы выявляют два ключевых тренда. Хотя ИИ-навыки остаются нишевыми и указываются менее чем в 3% вакансий, спрос на них демонстрирует значительную восходящую траекторию, концентрируясь в высокотехнологичных секторах экономики. Зафиксировано резкое снижение зарплатной «сверхпремии» за ИИ-навыки (с 31,8% в 2022 г. до 11,8% в 2025 г.), что говорит о нормализации рынка. Принципиально важно, что анализ не показал свидетельств эффекта замещения труда, напротив, наши результаты указывают на сильный эффект комплементарности, при котором ИИ-навыки повышают ценность аналитических и управленческих компетенций, особенно в профессиях, не связанных с информационными технологиями. Исследование вносит вклад в литературу, представляя новые эмпирические данные по России в период бума генеративного ИИ, и ставит под сомнение универсальность концепции поляризации рабочих мест, предлагая сценарий доминирования «мягкой комплементарности» между ИИ и человеческим трудом.

Обсуждаются подходы к моделированию валютного курса, тенденции динамики курса рубля в течение последнего десятилетия. Представлены результаты моделирования номинального валютного курса рубля с учетом трансграничной мобильности капитала в условиях структурной трансформации российской экономики. Проведена оценка поведенческой модели валютного курса с помощью метода DOLS с использованием данных с февраля 2015 г. по декабрь 2025 г. Выявлено, что до 2022 г. ключевыми факторами динамики курса рубля были цены на нефть, а также разница в процентных ставках российской и зарубежных экономик, причем после введения нового бюджетного правила с февраля 2017 г. связь курса с ценами на нефть ослабла. После введения торговых и финансовых санкций с февраля 2022 г. обменный курс российского рубля стал зависеть в основном от соотношения спроса и предложения иностранной валюты на внутреннем валютном рынке со стороны импортеров и экспортеров соответственно. Чувствительность валютного курса рубля к разнице в величине процентных ставок существенно снизилась.

Проанализирована динамика совокупной производительности факторов (СПФ) на российских предприятиях в 2018—2024 гг., рассчитанная на базе оценок транслогарифмической производственной функции для 290 отраслей. Производственные функции оценивались с использованием подхода Ackerberg—Caves—Frazer на основании контрольной функции, чтобы учесть эндогенность и проблемы функциональной зависимости. Согласно нашим оценкам, СПФ (как простая средняя, так и средневзвешенная по добавленной стоимости) в добыче росла в 2020—2021 гг. с последующим снижением в 2022 г. В обрабатывающей промышленности обе метрики СПФ равномерно росли с 2018 по 2022 гг. с точечным ускорением в 2023 г. и последующей разнонаправленной динамикой в конце рассматриваемого периода (рост средневзвешенной СПФ и снижение простой средней СПФ в 2024 г.). В торговле простая средняя СПФ заметно падала в 2021—2022 гг. и к 2024 г. не восстановилась до базовых значений начала рассматриваемого периода. В сфере услуг, наиболее затронутой шоком пандемии COVID-19, наблюдался зигзагообразный рост со спадами в 2020 и 2022 гг. Во всех секторах накопленный рост СПФ, средневзвешенной по добавленной стоимости, превышает накопленный рост простой средней, что может говорить о существенной гетерогенности фирм внутри отдельных секторов и большей адаптивности крупных предприятий к шокам.

Проблема выявления причинно-следственных связей между имущественным неравенством и экономическим развитием приобретает особую актуальность в условиях глобальной экономической нестабильности и реализации национальных целей устойчивого развития. Настоящее исследование обусловлено необходимостью уточнить характер двунаправленной каузальности между имущественным неравенством и показателями экономического роста для разработки эффективной стратегии государственного финансового регулирования. Цель исследования — эмпирическая оценка двунаправленной каузальности между имущественным неравенством и экономическим ростом с учетом гетерогенности эффектов по уровню среднедушевых доходов. Результаты показывают принципиальную асимметрию в анализе влияния имущественного неравенства на экономические показатели. В моделях темпов экономического роста прямая связь с имущественным неравенством не подтверждается. Напротив, в моделях уровня благосостояния (логарифм ВВП на душу населения по ППС) выявлена статистически значимая нелинейная зависимость, указывающая на то, что рост имущественного неравенства ассоциируется со снижением уровня благосостояния вплоть до порогового значения 0,84 по коэффициенту Джини. Впервые на репрезентативной глобальной выборке продемонстрировано, что агрегированные модели, не разделяющие влияние имущественного неравенства на уровень благосостояния (размеры подушевого ВВП) и на темпы экономического роста, могут приводить к искаженным выводам и смешению противоположно направленных эффектов. Выявлена асимметрия механизмов формирования имущественного неравенства между странами с низким и высоким уровнем дохода, опровергающая универсальную применимость гипотезы Кузнеца к распределению богатства и указывающая на необходимость отказаться от поиска единой кривой в пользу контекстно зависимого анализа. В исследовании при оценке и регулировании имущественного неравенства предлагается методологический переход от агрегированных к структурно-дифференцированным подходам, в рамках которого диагностика строится не на уровне индекса Джини, а на декомпозиции богатства по функциональному назначению активов и институциональному контексту. На основании полученных результатов для Российской Федерации рекомендуется как минимум сохранить текущий уровень имущественного неравенства посредством применения дифференцированного налогообложения активов с учетом их функционального назначения. Целесообразно создать условия для умеренного ускорения темпов экономического роста при осторожной трансформации системы имущественного налогообложения, механизмов наследования, усиления прозрачности владения активами, поскольку краткосрочные фискальные меры на определенной стадии не способны преодолеть структурную долгосрочную устойчивость имущественного неравенства.