Введение: роботизация в регионах

Одним из шагов по обеспечению Россией своего технологического суверенитета является модернизация её обрабатывающей промышленности на базе массовой роботизации. Этот приоритет закреплён в национальном проекте «Средства производства и автоматизации», в рамках которого реализуется федеральная инициатива «Развитие промышленной робототехники и автоматизации производства». Её цель – достижение страной к 2030 году 25-го места в рейтинге по показателю плотности роботизации, значение которого должно к указанному году составить не менее 145 ед. на 10 тысяч человек.

Процесс роботизации неизбежно породит межотраслевое перемещение работников. Однако для России эта проблема усугубляется существующей неравномерностью в экономическом развитии регионов. Для процесса роботизации специализация субъекта РФ на тех или иных видах деятельности имеет принципиальное значение: в промышленных регионах роботизация будет идти активнее, следовательно, более активным будет и высвобождение кадров. В связи с этим цель статьи заключается в определении тех субъектов Российской Федерации, в которых проблемы безработицы и перераспределения работников в ходе роботизации экономики будут стоять наиболее остро. Новизна предлагаемого подхода состоит в разработке авторского алгоритма, учитывающего потенциальный масштаб социальных проблем в регионах страны для идентификации территориальных зон повышенной уязвимости. Проактивные управленческие решения в отношении регулирования региональных рынков труда будут сконцентрированы на субъектах федерации с повышенной социальной уязвимостью.

Постановка проблемы

В более ранних работах авторов на основе эконометрической модели была определена общая численность высвобождаемых работников из российской экономики в ходе намеченной роботизации промышленности [Балацкий, Екимова, 2026а], а также рассмотрены разные сценарии кадровых перетоков на рынке труда в зависимости от макроэкономической ситуации в России [Балацкий, Екимова, 2026б]. Однако полученная общая картина требует дополнительной конкретизации с учётом существенных различий в структуре экономики субъектов РФ. Таким образом, возникает новая задача – идентифицировать наиболее уязвимые регионы страны, где проблемы на рынке труда проявятся наиболее остро.

На первый взгляд, данную задачу можно решить путём пропорционального распределения общей численности высвобождаемых работников по регионам, однако такой подход является чрезмерным упрощением. Это связано с тем обстоятельством, что процесс роботизации не имеет жёсткой региональной регламентации; а финансирование данных целей (субсидии и кредиты) осуществляется на конкурсной основе. В связи с этим существует высокая неопределённость относительно региональной активности заявок на роботизацию и требуемых для проектируемых мероприятий денежных средств. Выбранная рыночная схема поддержки частных инициатив по роботизации производства не позволяет заранее определить их масштабы в каждом регионе. Однако это не означает, что принципиально нельзя определить территориальные зоны, в которых кадровые проблемы будут наиболее выраженными. Сделать это можно, но не на количественном, а на качественном уровне. Иными словами, используя ряд общепринятых гипотез, можно идентифицировать те регионы, где с высокой вероятностью проблема трудоустройства будет стоять достаточно остро. Наличие списка наиболее уязвимых регионов позволит перейти к проактивной политике на рынке труда. Более того, именно в социально уязвимых регионах должны быть достигнуты максимальные темпы роста экономики, что предполагает более интенсивное перенаправление в них инвестиционных потоков, в том числе государственных средств на программу роботизации.

Роботизация экономики и неравномерность развития территории: обзор идей и результатов

Проблематика влияния технологических изменений на рынок труда является одной из центральных в современной экономической науке. В глобальном контексте дискуссия ведётся вокруг баланса между эффектом вытеснения рабочей силы автоматизацией производства и компенсаторным эффектом создания новых рабочих мест в смежных отраслях. Анализ научной литературы позволяет выделить несколько ключевых направлений в рамках данной тематики.

Первое направление посвящено макроэкономической оценке последствий внедрения робототехники. В научной литературе макроэкономические последствия роботизации оцениваются преимущественно через призму её влияния на совокупную производительность труда и динамику ВВП. Эмпирические исследования подтверждают устойчивую положительную связь между ростом плотности промышленных роботов и макроэкономическими показателями [Graetz, Michaels, 2018; Cette, Devillard, Spiezia, 2021; Анисимов и др., 2025; Романова, Игишев, 2025].

Вместе с тем в научном сообществе отсутствует консенсус относительно совокупного эффекта роботизации: признавая её вклад в рост производительности, исследователи указывают на двойственную природу автоматизации как катализатора глубокой структурной трансформации рынка труда. С одной стороны, исследования для США (1993–2007 гг.) [Acemoglu, Restrepo, 2017, 2019; Acemoglu, Lelarge, Restrepo, 2020] и Франции (2010–2015 гг.) фиксируют рост ВВП при одновременном снижении занятости (на 0,34 и 3,2 п.п. соответственно), что коррелирует с выводами зарубежных экономистов об уменьшении доли трудовых издержек [Dauth et al., 2017; Autor, Salomons, 2018] и прогнозами российских авторов о сокращении рабочих мест [Урунов, Родина, 2018; Земцов, 2017]. С другой стороны, ряд работ указывает на компенсаторные механизмы: демонстрирует положительное влияние технологического прогресса на совокупную занятость благодаря росту спроса в смежных секторах, несмотря на вытеснение кадров в отдельных отраслях [Gregory, Salomons, Zierahn, 2020; Adachi, Kawaguchi, Saito, 2020; Толкачев, Кулаков, 2016].

Предшествующие исследования авторов [Балацкий, Екимова, 2026а, 2026б] задали методологический базис для понимания масштабов вытеснения кадров вследствие роботизации в России на национальном уровне, однако для формирования эффективной региональной политики необходима детализация этих выводов с учётом структурной специфики экономики субъектов РФ. Таким образом, ключевой задачей становится переход от общенациональных макрооценок к выявлению территорий с повышенной социальной уязвимостью.

Второе направление исследований фокусируется на отраслевой специфике внедрения роботов. Зарубежные исследования подтверждают высокую отраслевую концентрацию роботизации, указывая на то, что данный процесс не является равномерным. Согласно данным для европейского рынка, более 70% промышленных роботов сконцентрировано всего в трех секторах: автомобилестроении, металлообработке и производстве пластмасс [Fernandez–Macías et al., 2021]. Этот перечень «технологического ядра» дополнительно расширяется за счёт фармацевтики, химической промышленности, производства промышленного оборудования и продуктов питания [Acemoglu, Lelarge, Restrepo, 2020]. При этом значимые статистические эффекты внедрения автоматизации наблюдаются лишь в отраслях, достигших высокой насыщенности робототехническими решениями, что подчёркивает специализированный характер данной технологии [Jungmittag, Pesole, 2019; Kromann et al., 2019].

Российские источники свидетельствуют о высокой концентрации роботизации в узком сегменте обрабатывающих производств. В частности, установлено, что около 90% всего рынка внедряемых роботов приходится на фармацевтику, пищевую промышленность, автомобилестроение, металлургию и машиностроение [1]. Эта отраслевая неравномерность дополняется дифференциацией по размеру предприятий: наибольший относительный выигрыш от внедрения роботов фиксируется у малых и средних предприятий, тогда как для крупных компаний такая связь менее очевидна из-за более высокого исходного уровня цифровизации [Староватова, 2023; Федюнина, Городный, Симачев, 2023, 2024]. Таким образом, отраслевой аспект требует дифференцированного подхода, учитывающего как глубину технологической трансформации, так и структурные особенности конкретного производства.

Третье направление посвящено региональной уязвимости экономики к автоматизации. Так, на мезоуровне автоматизация способствует структурной трансформации экономики, при этом отрасли с высоким ростом производительности сокращают свою долю в занятости, что затрагивает преимущественно производителей периферийных регионов, где кадры наиболее уязвимы перед вытеснением технологиями [Acemoglu, Restrepo, 2017; Clifton, Glasmeier, Gray, 2020; Autor, Salomons, 2018]. Исследования европейских регионов подтверждают, что риски автоматизации концентрируются в территориях с высокой долей рутинных профессий, низкой диверсификацией экономики и слабой развитостью креативных индустрий [Crowley, Doran, McCann, 2021; Anton et al., 2020], тогда как малые города и узкоспециализированные агломерации сталкиваются с более высокими рисками технологической безработицы по сравнению с крупными диверсифицированными центрами [Frank et al., 2018; Leigh, Kraft, 2018]. Мета-анализ подтверждает сильную зависимость роботизации от контекста, включая уровень развития экономики и этап технологического внедрения, что приводит к существенным различиям в эффектах между странами и территориями [Schneider, 2024; Cette, Devillard, Spiezia, 2021; Eder, Koller, Mahlberg, 2024].

Четвёртое направление исследований акцентирует внимание на роли образовательной инфраструктуры и систем непрерывного обучения для адаптации человеческого капитала к технологическим сдвигам. Исследования подтверждают, что способность работников к переобучению становится критическим фактором смягчения социальных последствий автоматизации. Так, мета-анализ [Filippi, Banno, Trento, 2023] демонстрирует, что частота участия в программах повышения квалификации работников, находящихся в зоне риска автоматизации, на 15 п.п. ниже, что формирует «ловушку низких навыков» и затрудняет их переход в новые сектора экономики. Согласно исследованию [Frey, Osborne, 2017], вероятность роботизации обратно пропорциональна уровню заработной платы и образования, а наибольшей уязвимостью характеризуются профессии с алгоритмизируемыми задачами в предсказуемых условиях, тогда как должности, требующие креативности, социального интеллекта и сложной моторики, остаются наиболее защищёнными. В российском контексте эта проблема усугубляется региональной дифференциацией качества человеческого капитала: без модернизации системы переподготовки, особенно в высокотехнологичных кластерах, возникнет «квалификационная яма», когда высвобождаемые работники не могут занять новые ниши из-за отсутствия требуемых компетенций [Архипова, Мельникова, 2022; Федюнина, Городный, Симачев, 2024].

Таким образом, корпус современной литературы позволяет констатировать, что, несмотря на проработанность вопросов макроэкономической эффективности, отраслевой концентрации и региональной гетерогенности рисков автоматизации, в ней недостаточно представлена проблема территориальной дифференциации социальных рисков. Большинство существующих подходов к оценке уязвимости регионов опираются на общие экономические индикаторы, не учитывая специфику «технологического ядра» обрабатывающей промышленности и поглощающую способность сферы услуг. Кроме того, недостаточно изучена роль образовательной инфраструктуры и демографического контекста в смягчении социальных последствий роботизации на региональном уровне, что создаёт методический пробел в области проактивного управления кадровыми перетоками. Данная работа призвана ликвидировать указанный пробел.

Управленческие особенности роботизации в России

На первый взгляд, кажется, что в России будет реализована строго централизованная схема финансирования программы роботизации промышленности, когда определяются суммы инвестиций и их получатели из числа государственных или квазигосударственных (с государственным участием) предприятий. Однако регулятор отказался от этой схемы в пользу рыночного механизма распределения финансовых средств. Данный выбор управленческой схемы находится в русле многолетней практики в России, где накопился опыт по созданию специализированных фондов, через которые финансовые средства между инициаторами проектов распределялись на конкурсной основе.

В настоящее время головным ведомством, осуществляющим управление роботизацией, выступает Минпромторг России. Уже стартовали программы для первого этапа роботизации – финансирование НИОКР – компенсирующие до 70% затрат и рассчитанные на срок до 3 лет. Суммы зависят от особенностей конкретного проекта. Также предусмотрены субсидии в размере 50% стоимости участия в выставках и рекламе. В приоритетной области электронного машиностроения гранты могут достигать 2,5 млрд руб. (с годовым финансированием до 0,5 млрд руб.) и покрывать до 90% затрат инициатора проекта; предусмотрены компенсации (до 50%) скидок, предоставленных производителем покупателю.

Программы для второго этапа роботизации – производства специализированной продукции и интеграции промышленных центров – предполагают как субсидии, так и кредиты по льготной процентной ставке (9,3%) на 2 года объёмом до 100 млрд руб. Программы третьего этапа роботизации – приобретение и внедрение робототехнических систем – являются наиболее разнообразными: льготное кредитование и льготный лизинг (под 5% годовых); промышленный «кэшбек» (до 20% стоимости интеграции роботов в производство); льгота по налогу на прибыль (путём удвоения стоимости закупленного оборудования в бухгалтерской отчетности для увеличения будущей амортизации) [2].

Все описанные инициативы унифицированы и в целом могут быть отражены алгоритмом, представленным на рис. 1. Такая логика процесса предполагает инициативу снизу – от самих предприятий – через подачу заявок через портал Государственной информационной системы промышленности (ГИСП) с последующим их рассмотрением и поддержкой со стороны государства.

Рис. 1. Схема финансирования проектов роботизации в России

Подобная логика реализации роботизации в стране не позволяет равномерно распределить инициативы по регионам. В этом смысле можно говорить лишь о наиболее вероятных сценариях, когда большее число заявок будет подаваться в регионах, где сосредоточены соответствующие специализированные производства. Именно это обстоятельство и является решающим при определении наиболее уязвимых субъектов Российской Федерации с точки зрения возможной концентрации высвобождаемых кадров и интенсивной межотраслевой ротации кадров.

Алгоритм идентификации социально уязвимых регионов России

Для определения социально уязвимых регионов России в процессе роботизации экономики необходимо сконструировать простой, но понятный и релевантный алгоритм оценки. По нашему мнению, для этого достаточно учесть три обстоятельства, которые и обусловливают гипотезы искомого алгоритма.

Первый тезис состоит в том, что наиболее острые проблемы перераспределения работников возникнут в регионах, где сконцентрированы обрабатывающие производства. Релевантность такой гипотезы обеспечивается нормативными документами Минпромторга России по роботизации российской экономики, в которых обозначено целевое значение показателя плотности роботизации, определяемого как количество промышленных роботов, установленных на предприятиях обрабатывающей промышленности, на 10 тыс. сотрудников таких предприятий[3]. Тем самым роботизация затрагивает не всю экономику и даже не всю промышленность, а только обрабатывающие производства. Следовательно, правомерно правило: чем больше доля занятых региона в обрабатывающей промышленности, тем интенсивнее в нем будут протекать процессы внедрения робототехнических систем и тем активнее будет происходить высвобождение кадров. Учитывая, что разброс доли занятых в обрабатывающей промышленности российских регионов находится в диапазоне от 2,3% до 24,7%, то предполагаемая гетерогенность отечественного рынка труда не вызывает сомнений.

Второй тезис предполагает, что наиболее активно процесс роботизации будет происходить в регионах, где сосредоточены такие отрасли, как фармацевтика, пищевая промышленность, автомобилестроение, металлургия и машиностроение. Релевантность этой гипотезы подтверждается данными АНО ВО «Университет Иннополис» и Минпромторга России, согласно которым на указанные отрасли промышленности приходится 90% всего рынка внедряемых роботов: фармацевтика (35%); пищевая промышленность (25%); автомобилестроение (15%); металлургия и машиностроение (15%) [4]. Таким образом, роботизация затрагивает в основном указанные отрасли обрабатывающей промышленности, на которые и приходится основная нагрузка по производству и внедрению робототехнических устройств.

Конкретизация второго тезиса состоит в его адаптации к имеющейся статистической отчетности. Отталкиваясь от классификатора видов экономической деятельности ОКВЭД2, в дальнейших расчётах будет учитываться «технологическое ядро» обрабатывающего производства из следующих отраслей: производство пищевых продуктов; производство напитков; производство лекарственных средств и материалов, применяемых в медицинских целях и ветеринарии; металлургическое производство; производство готовых металлических изделий, кроме машин и оборудования; производство машин и оборудования, не включённых в другие группировки; производство автотранспортных средств, прицепов и полуприцепов; производство прочих транспортных средств и оборудования. Именно эти отрасли образуют то отраслевое ядро, которые технологически наиболее приспособлены для активной роботизации. В связи с этим справедливо правило: чем больше доля занятых региона в отраслевом ядре обрабатывающей промышленности, тем интенсивнее в нем будут протекать процессы роботизации и тем активнее будет происходить высвобождение кадров. Региональная гетерогенность российского рынка труда по этому признаку также велика, находясь в диапазоне от 0,7% до 15,9%, что лишний раз подтверждает обоснованность принятой гипотезы.

Третий тезис предусматривает тот факт, что наибольшие социальные риски возникнут в регионах, где слабо развиты отрасли услуг. Обоснованность этой гипотезы определяется тем фактом, что именно отрасли услуг выступают в качестве отраслей, поглощающих высвобождающиеся в процессе роботизации кадры. Данные Росстата показывают, что к числу отраслевых драйверов сферы услуг относятся 6 отраслей, занятость в которых устойчиво росла на протяжении 2020–2024 гг.: строительство; транспортировка и хранение; деятельность гостиниц и предприятий общественного питания; административная деятельность и сопутствующие дополнительные услуги; здравоохранение и социальные услуги; культура, спорт, досуг и развлечения. Таким образом, можно считать справедливым следующее правило: чем меньше доля занятых региона в 6 отраслях–драйверах (строительство; транспортировка и хранение; деятельность гостиниц и предприятий общественного питания; административная деятельность и сопутствующие дополнительные услуги; здравоохранение и социальные услуги; культура, спорт, досуг и развлечения), тем сложнее будет протекать трудоустройство высвобождаемых в ходе роботизации кадров. Дифференциация регионов по доле занятых в указанных 6 отраслях не слишком велика, находясь в диапазоне от 25,2% до 39,1%, что, тем не менее, также количественно подкрепляет сформулированную гипотезу.

Рассмотренные три гипотезы нуждаются в формализации. Для этого можно предложить качественную маркировку регионов в соответствии с тремя правилами. Первое: если доля занятых региона в обрабатывающей промышленности превышает некоторое критическое значение, то регион получает маркер социально уязвимого: x_i≥x*, где x_i – фактическая доля занятых в обрабатывающей промышленности в i-ом регионе, x* – пороговое значение доли занятых в обрабатывающей промышленности. Второе: если доля занятых региона в «технологическом ядре» превышает некоторое критическое значение, то регион получает маркер социально уязвимого: y_i≥y*, где y_i – совокупная фактическая доля занятых в «технологическом ядре» в i-ом регионе, y* – пороговое значение доли занятых в «технологическом ядре» обрабатывающей промышленности. Третье: если доля занятых региона в 6 отраслевых социальных драйверах – строительство, транспортировка и хранение, деятельность гостиниц и предприятий общественного питания, административная деятельность и сопутствующие дополнительные услуги, здравоохранение и социальные услуги, культура, спорт, досуг и развлечения – ниже некоторого критического значения, то регион получает маркер социально уязвимого: z_i≤z*, где z_i – совокупная фактическая доля занятых в шести перечисленных отраслях сферы услуг в i-ом регионе, z* – пороговое значение доли занятых в шести перечисленных отраслях сферы услуг.

Таким образом, первый критерий очерчивает территориальную зону, где будет развёрнута активная роботизация, второй критерий огранивает регионально-отраслевое ядро, где процессы автоматизации будут идти максимально интенсивно, а третий критерий выявляет территории с низкой способностью рынка труда к поглощению дополнительных работников. Наложение трех критериев позволяет определить серьёзность предстоящих движений на региональных рынке труда.

Схема предложенного алгоритма представлена на рис. 2.

Рис. 2. Алгоритм идентификации регионов с точки зрения социальной уязвимости

Несмотря на кажущуюся простоту, предлагаемый алгоритм предполагает определенные нюансы, связанные с определением пороговых значений x*, y* и z*. Данные границы определялись эмпирически на основе следующего правила: все регионы ранжируются по долевым показателям x, y и z по убыванию; при определении x* и y* занятость в соответствующих секторах экономики регионов суммируется сверху вниз до тех пор, когда итог превышает 50% всех занятых секторов; при определении z* занятость в секторах экономики регионов суммируется снизу вверх до тех пор, когда итог превышает 50% всех занятых секторов. Данное правило позволяет определить наиболее «массивные» регионы, которые совместно аккумулируют более половины рабочих мест, и тем самым гарантирует, что мы не упустим значимые региональные зоны уязвимости. Вычислительные эксперименты позволили определить следующие пороговые значения: x*=15% (занятость в маркированных регионах составляет 55,4%), y*=8% (занятость в маркированных регионах составляет 53,0%) и z*=31% (занятость в маркированных регионах составляет 51,0%).

Предложенный алгоритм позволяет дать простую, но содержательную классификацию регионов России: регионы с тремя маркерами являются высокоуязвимыми (ВУ); регионы с двумя маркерами относятся к потенциально уязвимым (ПУ); остальные субъекты РФ, судя по всему, не будут сталкиваться с масштабными проблемами на рынке труда и их можно считать социально стабильными (СС). Разумеется, наибольший интерес представляют собой ВУ, для которых должны разрабатываться превентивные меры по предотвращению хронической безработицы из-за масштабной роботизации.

Эмпирические расчёты и обсуждение результатов

Для реализации предложенного алгоритма использовались данные Росстата об отраслевой занятости в регионах страны за 2024 год; данные о новых регионах (Луганской, Донецкой, Запорожской и Херсонской областях) отсутствуют, в связи с чем они не вошли в окончательную выборку субъектов РФ.

Прикладные расчёты позволили определить группы регионов России по уровню социальной уязвимости (табл. 1). В разряд высокоуязвимых попали 26 регионов страны, что составляет 30% всех субъектов федерации (помечены более темным цветом в табл. 1); в числе потенциально уязвимых оказалось 12 регионов; остальные территории не должны столкнуться с серьёзными проблемами на рынке труда. Для лучшей визуализации распределение регионов по территории России приведено на карте страны (рис. 3).

Таблица 1. Классификация регионов России по уровню социальной уязвимости

Используемые обозначения: ВУ – высокоуязвимые регионы; ПУ – потенциально уязвимые регионы; СС – социально стабильные регионы.

Источник: расчёты авторов на основе данных Росстата

На карте регионов хорошо видно, что наибольшие социальные риски сконцентрированы в европейской части страны плюс промышленный Урал, что является вполне ожидаемым результатом. Вместе с тем данный факт лишний раз показывает, что неравномерность развития территории России полностью переносится и на предполагаемую роботизацию обрабатывающей промышленности; большая часть страны не будет испытывать социальных проблем в связи с масштабной автоматизацией производства просто в силу того, что там не будет развёрнута данная инициатива.

Данный вывод, помимо всего прочего, имеет геополитическое измерение. Дело в том, что в условиях обострения внешнеполитической обстановки Россия нуждается в укреплении экономической и технологической безопасности, однако в настоящий момент и в обозримой перспективе её высокотехнологичные производства сосредоточены в западной части страны, что делает её уязвимой в случае военных конфликтов. В этом смысле уже сегодня имеет смысл начинать кампанию по передислокации или развёртыванию роботизированных производств на восточной территории. Это предполагает существенную корректировку действующей схемы обеспечения роботизации экономики страны. Фактически речь идёт о выделении средств и создания организационной модели для строительства новых высокотехнологичных обрабатывающих производств в Сибири и на дальнем Востоке. В противном случае восточная часть России будет все больше отставать от западной по уровню технологического развития.

При диагностике социальной уязвимости регионов были учтены главные факторы – интенсивность роботизации экономики и поглощающая способность рынка труда. Однако для более полного понимания ситуации необходимо иметь в виду ещё, по крайней мере, два обстоятельства.

Первое связано с демографическим фоном региона, т.е. сложившимися тенденциями роста населения субъекта федерации и его рынка труда. Здесь дифференциация регионов также весьма значительна и данный фактор может иметь значение Так, в регионах с тенденцией к депопуляции (что характерно для многих областей Центральной России, попавших в группу высокоуязвимых) социальные проблемы рынка труда из-за роботизации могут временно смягчаться по причине нарастания общего дефицита кадров. В условиях сокращения трудоспособного населения высвобождение работников вследствие автоматизации может быть компенсировано естественной убылью кадров. Однако стратегически это создаёт для территории ловушку: замещение людей роботами на фоне старения населения приводит к критическому дефициту квалифицированных операторов и обслуживающего персонала для самих роботизированных систем.

Регионы с активно растущим населением (например, ряд субъектов Северного Кавказа или миграционно привлекательные области), наоборот, будут испытывать дополнительное демографическое давление на рынки труда. В них перераспределение кадров будет идти медленнее, а риски роста структурной безработицы среди молодёжи возрастают многократно, если темпы создания новых рабочих мест в сервисном секторе не опередят темпы автоматизации в промышленности. Более того, необходимо учитывать миграционную подвижность: безработица, вызванная роботизацией в уязвимых регионах, может спровоцировать отток активного населения в социально стабильные центры, усиливая региональное неравенство. Данный аспект проблемы предполагает самостоятельное исследование корреляции между индексом социальной уязвимости и демографическими прогнозами, что выходит за рамки настоящей статьи, но является необходимым шагом для территориального планирования.

Второе обстоятельство связано с возможностями переобучения высвобождающихся работников и адаптивностью человеческого капитала. В данном случае речь идёт не просто о наличии в регионе высших и средних образовательных учреждений, а о соответствии их профилей быстро меняющимся технологическим укладам. При наличии высокой специализации системы образования региона по определенным, традиционным направлениям есть риски, что на местах обеспечить быструю переподготовку будет проблематично из-за инерции образовательных программ. Возникает угроза возникновения «квалификационной ямы», когда уволенные работники не могут занять новые ниши из-за отсутствия у них соответствующих компетенций, особенно в сфере цифровых навыков и управления автоматизированными системами. Особую остроту эта проблема приобретает в контексте предложенной выше геополитической задачи по развёртыванию производств на Востоке страны: без опережающего создания образовательной инфраструктуры в Сибири и на Дальнем Востоке технологическая передислокация рискует остаться декларативной. Это обстоятельство предполагает самостоятельное исследование структуры региональной системы образования на предмет её сопряжения с открывающимися нишами на рынке труда. Важной составляющей данного обстоятельства является анализ возрастной структуры высвобождаемых работников, поскольку работники предпенсионного возраста имеют значительно меньшую мобильность и потенциал переобучения. Кроме того, автоматизация отраслей с ярко выраженным гендерным фактором, может привести к соответствующим диспропорциям на региональном рынке труда. Детальное рассмотрение этого аспекта также выходит за рамки статьи, однако игнорирование этого фактора может свести на нет усилия по технологической модернизации экономики.

Предложения по региональной политике роботизации с учетом наличия социально уязвимых регионов

Выявление 26 субъектов Российской Федерации, отнесённых к категории высокоуязвимых, а также 12 потенциально уязвимых регионов, создаёт методическую основу для перехода от унифицированной федеральной программы к дифференцированной региональной политике. Результаты эмпирических расчётов демонстрируют, что существующая модель финансирования роботизации ведёт к концентрации инвестиций в промышленно развитых территориях. Это, в свою очередь, усиливает региональную неравномерность и создаёт очаги социальной напряжённости в европейской части страны и на Урале. В связи с этим государственное управление должно быть активизировано по трём взаимосвязанным направлениям: регулирование рынка труда, селективное стимулирование экономического роста и пространственное перераспределение технологических мощностей.

Первым приоритетом становится внедрение системы заблаговременной и оперативной переподготовки кадров. Для 26 высокоуязвимых регионов необходима разработка адресных программ трансформации компетенций, реализуемых совместно Минтрудом России и региональными властями. Ключевым инструментом здесь должно стать опережающее обучение по направлениям, сопряжённым с обслуживанием робототехнических систем, программированием и цифровой логистикой. Введение персональных «цифровых сертификатов» для сотрудников обрабатывающих производств в ВУ–регионах могло бы стать механизмом финансирования такой индивидуальной траектории переподготовки. Кроме того, учитывая особенности региональной концентрации отраслей–драйверов поглощения кадров, целесообразно субсидировать мобильность работников из депрессивных монопрофильных производств в растущие сектора сферы услуг внутри региона или в другие субъекты федерации.

Вторым направлением является создание системы селективного управления экономическим ростом. В работе [Балацкий, Екимова, 2026б] было показано, что главным фактором амортизации безработицы в ходе роботизации служит экономический рост. При высоких темпах роста ВВП роботизация, как правило, не несёт в себе отрицательных последствий, тогда как стагнация и рецессия губительно сказываются не только на рынке труда, но и на самом процессе роботизации. Этот тезис в полной мере проецируется на феномен региональной неравномерности российской экономики. Речь идёт о том, что выявленные 26 регионов будут объективно находиться в более сложном положении из-за активной модернизации обрабатывающих производств. В связи с этим именно в этих регионах должен быть обеспечен максимальный экономический рост. Это означает определенный пересмотр приоритетов перераспределения федерального бюджета между регионами для поддержания повышенной экономической активности в высокоуязвимых субъектах федерации. Не исключено, что необходимо более широко использовать разнообразные экономические льготы и стимулы для ВУ–регионов. Таким образом, бюджетная политика должна компенсировать социальные издержки технологического прогресса там, где они максимальны.

Третьим стратегическим вектором выступает корректировка пространственной структуры роботизации с учётом геополитических рисков. Картографическая визуализация зон социальной уязвимости показала, что наибольшие риски сконцентрированы в западной части страны. Однако в условиях обострения внешнеполитической обстановки концентрация высокотехнологичных производств в европейской части России создаёт угрозы для экономической и технологической безопасности государства. Существующая рыночная схема не стимулирует развитие роботизации в Сибири и на Дальнем Востоке, где плотность обрабатывающих производств ниже, а значит, заявок через ГИСП будет меньше. В связи с этим уже сегодня имеет смысл начинать кампанию по передислокации или развёртыванию новых роботизированных производств на восточных территориях. Это предполагает существенную корректировку действующей схемы обеспечения роботизации экономики страны, включая выделение квот и создание организационной модели для строительства высокотехнологичных обрабатывающих производств в азиатской части России. В противном случае восточные регионы в долгосрочной перспективе будут обречены на технологическую стагнацию, а западные – на повышенные социальные риски перенасыщения автоматизацией.

Институциональное обеспечение предложенных мер должно базироваться на модификации существующего алгоритма финансирования. Рекомендуется внедрить в функционал портала ГИСП региональный фильтр, позволяющий применять повышающие коэффициенты к заявкам из регионов ВУ (для поддержки занятости) и регионов Дальнего Востока (для пространственного развития). Также целесообразно создать межведомственный координационный совет по региональной роботизации с участием Минпромторга России, Минтруда России и Минвостокразвития России для мониторинга социально–экономических эффектов в режиме реального времени.

Таким образом, успех национальной программы роботизации зависит не от равномерного распределения ресурсов, а от точного попадания поддержки в те территории, где технологический прогресс несёт наибольшие социальные риски или стратегические выгоды. Проактивность в защите кадров, селективность в экономическом стимулировании и пространственная сбалансированность должны стать тремя столпами эффективной региональной политики роботизации в России.

Рис. 3. Картография регионов России по уровню социальной уязвимости

Заключение

В статье предложен алгоритм маркировки регионов России по критерию социальной уязвимости, под которой понимается возникновение хронической безработицы на региональном рынке труда из-за осуществляемой роботизации обрабатывающей промышленности. В основе предложенного алгоритма лежат три гипотезы: наиболее острые проблемы перераспределения работников возникнут в регионах, где сконцентрированы обрабатывающие производства; особо активно процесс роботизации будет происходить в регионах, где сосредоточены отрасли «технологического ядра» обрабатывающей промышленности (производство пищевых продуктов; производство напитков; производство лекарственных средств и материалов, применяемых в медицинских целях и ветеринарии; металлургическое производство; производство готовых металлических изделий, кроме машин и оборудования; производство машин и оборудования, не включенных в другие группировки; производство автотранспортных средств, прицепов и полуприцепов; производство прочих транспортных средств и оборудования); максимально острые проблемы перераспределения работников возникнут в регионах, где слабо развиты отрасли услуг, выступающие в качестве социальных драйверов по поглощению кадров (строительство; транспортировка и хранение; деятельность гостиниц и предприятий общественного питания; административная деятельность и сопутствующие дополнительные услуги; здравоохранение и социальные услуги; культура, спорт, досуг и развлечения).

Использование специальной процедуры определения пороговых значений для трех долевых показателей регионов позволило определить 26 субъектов федерации, которые попадают в категорию высокоуязвимых. Ещё 12 регионов попали в группу потенциально уязвимых, а остальные 48 субъектов федерации были идентифицированы как социально стабильные. Визуализация распределения регионов на карте России показала, что ВУ-регионы сконцентрированы в западной части страны. Данное обстоятельство создаёт дополнительные угрозы для экономической и технологической безопасности государства.

Обосновано положение, что ВУ-регионам необходима проактивная политика заблаговременной и оперативной переподготовки кадров, высвобождаемых из промышленности в процессе её роботизации, а также политика селективного (регионального) управления экономическим ростом.

Источники

Анисимов А.Ю., Алексахина С.А., Козлова У.А., Горшкова А.А. (2025). Оценка влияния автоматизации и роботизации на производительность труда и модернизацию промышленности // Друкеровский вестник. № 4. С. 169–182. https://doi.org/10.17213/2312-6469-2025-4-169-182.

Архипова Л.С., Мельникова Д.М. (2022). Оценка современных барьеров, влияющих на цифровизацию российского рынка труда // Региональная экономика и управление: электронный научный журнал. № 2(70). Номер статьи: 7002. https://doi.org/10.24412/1999-2645-2022-270-2.

Балацкий Е.В., Екимова Н.А. (2026а). Роботизация национальной экономики: экономические эффекты // Мир новой экономики. (В печати).

Балацкий Е.В., Екимова Н.А. (2026б). Роботизация национальной экономики: социальные эффекты // Journal of New Economy. №2 (В печати).

Земцов С.П. (2017). Роботы и потенциальная технологическая безработица в регионах России: опыт изучения и предварительные оценки // Вопросы экономики. № 7. С. 142–157. https://doi.org/10.32609/0042-8736-2017-7-142-157.

Романова И.В., Игишев А.В. (2025). Влияние роботизации на производительность труда и квалификационные требования к персоналу на высокотехнологичных производствах // Экономика и управление: проблемы, решения. Т. 3, № 5. С. 38–49. https://doi.org/10.36871/ek.up.p.r.2025.05.03.006.

Староватова Д. А. (2023). Связь уровня роботизации и производительности труда: важен ли масштаб бизнеса? // Journal of new economy. Т. 24, № 1. С. 81–103. https://doi.org/10.29141/2658–5081–2023–24–1–4.

Толкачёв С. А., Кулаков А. Д. (2016). Роботизация как направление неоиндустриализации (на примере США) // Мир новой экономики. № 2. С. 79–87.

Урунов А.А., Родина И.Б. (2018). Влияние искусственного интеллекта и интернет–технологий на национальный рынок труда // Фундаментальные исследования. № 1. С.1 38–142.

Федюнина А. А., Городный Н. А., Симачев Ю. В. (2023). Влияние роботизации на производительность промышленных предприятий в России // Российский журнал менеджмента. Т. 21, № 1. С. 66–88. https://doi.org/10.21638/spbu18.2023.104.

Федюнина А.А., Городный Н.А., Симачёв Ю.В. (2024). Рынок промышленной робототехники в России под санкциями: в поиске драйверов спроса и предложения // ЭКО. № 2. С. 91–107. https://doi.org/10.30680/ECO0131-7652-2024-2-91–107.

Acemoglu D., Restrepo P. (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor. Journal of Economic Perspectives, vol. 33, no. 2, pp. 3–30. https://doi.org/10.1257/jep.33.2.3.

Acemoglu D., Restrepo P. (2017). Robots and Jobs: Evidence from US Labor Markets. NBER Working Paper. Working Paper 23285. URL: http://www.nber.org/papers/w23285.

Acemoglu D., Lelarge C., Restrepo P. (2020). Competing with robots: Firm-level evidence from France. AEA Papers and Proceedings, no. 110, pp. 383–388. https://doi.org/10.1257/pandp.20201003.

Adachi D., Kawaguchi D., Saito Y. (2020). Robots and Employment: Evidence from Japan, 1978–2017. RIETI Discussion Paper Series 20-E-051. 76 p. URL: https://www.rieti.go.jp/jp/publications/dp/20e051.pdf.

Anton J-I., Klenert D., Fernandez-Macías E., Urzi Brancati M.C., Alaveras G. (2020). The labour market impact of robotisation in Europe. JRC Working Papers Series on Labour, Education and Technology 2020/06. URL: https://joint-research-centre.ec.europa.eu/document/download/6cf95ce3-7af4-49d6-a1a4-95d27e29e09f_en.

Autor D., Salomons A. (2018). Is automation labor-displacing? Productivity growth, employment, and the labor share. National Bureau of Economic Research. Working Paper 24871. URL: https://doi.org/10.3386/w24871.

Cette G., Devillard A., Spiezia V. (2021). The contribution of robots to productivity growth in 30 OECD countries over 1975–2019. Economics Letters, vol. 200, art: 109762. https://doi.org/10.1016/j.econlet.2021.109762.

Clifton J., Glasmeier A., Gray M. (2020). When machines think for us: the consequences for work and place. Cambridge Journal of Regions, Economy and Society, vol. 13, no. 1, pp. 3–23. https://doi.org/10.1093/CJRES/RSAA004.

Crowley F., Doran J., McCann P. (2021). The vulnerability of European regional labour markets to job automation: the role of agglomeration externalities. Regional Studies, vol. 55, no. 10–11, pp. 1711–1723. https://doi.org/10.1080/00343404.2021.1928041.

Dauth W., Findeisen S., Südekum J., Woessner N. (2017). DP12306 German Robots – The Impact of Industrial Robots on Workers. CEPR Discussion Paper No. 12306. URL: https://cepr.org/publications/dp12306.

Eder A., Koller W., Mahlberg B. (2024). The contribution of industrial robots to labor productivity growth and economic convergence: a production frontier approach. Journal of Productivity Analysis, vol. 61, no. 2, pp. 157–181. https://doi.org/10.1007/s11123-023-00707-x.

Fernandez–Macias E., Klenert D., Anton J. I. (2021). Not so disruptive yet? Characteristics, distribution and determinants of robots in Europe. Structural Change and Economic Dynamics, vol. 58, pp. 76–89. https://doi.org/10.1016/j.strueco.2021.03.010.

Filippi E., Banno M., Trento S. (2023). Automation technologies and their impact on employment: A review, synthesis and future research agenda. Technological Forecasting and Social Change, vol. 191, art. 122507. https://doi.org/10.1016/j.techfore.2023.122507.

Frank M.R., Sun L., Cebrian M., Youn H., Rahwan I. (2018). Small cities face greater impact from automation. Journal of the Royal Society Interface, vol. 15, no. 139, art. 20170946. https://doi.org/10.1098/rsif.2017.0946.

Frey C.B., Osborne M.A. (2017). The future of employment: How susceptible are jobs to computerisation? Technological Forecasting & Social Change, vol. 114, pp. 254–280. https://doi.org/10.1016/j.techfore.2016.08.019.

Graetz G., Michaels G. (2018). Robots at Work. The Review of Economics and Statistics, vol. 100, no. 5, pp. 753–768. https://doi.org/10.1162/rest_a_00754.

Gregory T., Salomons A., Zierahn Ul. (2022). Racing with or against the machine? Evidence from Europe. IZA DP No. 12063. https://www.jstor.org/stable/resrep59282.

Jungmittag A., Pesole A. (2019). The impact of robots on labour productivity: A panel data approach covering 9 industries and 12 countries. JRC Working Papers on Labour, Education and Technology no. 2019/08. European Commission:  Joint Research Centre. 27 p. URL: https://publications.jrc.ec.europa.eu/repository/handle/JRC118044.

Kromann L., Malchow–Moller N., Skaksen J.R., Sorensen A. (2019). Automation and productivity – A cross-country, cross industry comparison, Industrial and Corporate Change, 2019;29(1):1–23. https://doi.org/10.1093/icc/dtz039.

Leigh N.G., Kraft B.R. (2018). Emerging robotic regions in the United States: Insights for regional economic evolution. Regional Studies, vol. 52, no. 6. P. 804–815. https://doi.org/10.1080/00343404.2016.1269158.

Schneider F. (2024). Do robots boost productivity? A quantitative meta-study. MPRA Paper No. 123392. URL:  https://mpra.ub.uni-muenchen.de/123392/1/MPRA_paper_123392.pdf.