Почти половина россиян могут быть исключены из активной экономической деятельности в ходе роботизации, подсчитали в РАНХиГС. Рост «экономики незнания» угрожает сырьевым регионам и субъектам, где популярны «рутинные» профессии.

Экономика незнания

В условиях автоматизации производств 49% трудоспособных граждан в России могут быть исключены из активной хозяйственной деятельности. В регионах с сырьевой направленностью и там, где высока доля традиционных услуг, этот показатель превышает 50%, то есть более половины занятых в этих регионах сотрудников в теории не смогут найти себе место в условиях цифровизации. К такому выводу приходит старший сотрудник лаборатории исследований корпоративных стратегий и поведения фирм РАНХиГС Степан Земцов в своей работе «Потенциальная роботизация и экономика незнания в регионах России», подготовленной к апрельской конференции Высшей школы экономики.

«Есть угроза, что часть населения [в ходе автоматизации производства] не сможет адаптироваться к новым условиям, возникает вероятность долгосрочного исключения их из хозяйственной деятельности. Фактически речь идет о формировании сектора экономики, в котором граждане не будут участвовать в современных процессах, связанных с созданием, освоением, развитием и воспроизводством новых идей, технологий и продуктов», — говорится в исследовании. Пример — молодые сельские жители и выходцы из малых городов, которые приезжают в мегаполисы, работают охранниками и не повышают свои компетенции.

Сферу, которая формируется за счет людей, исключенных из хозяйственной деятельности, можно назвать экономикой незнания — в противоположность экономике знания (термин, используемый для обозначения наиболее высокого этапа развития экономики), причем речь идет не о безработице вследствие цифровизации, а в принципе о «невозможности переобучения и создания рабочих мест в современной экономике для многих граждан», пишет Земцов.

Эксперты и чиновники не раз предупреждали о рисках для российских работников вследствие цифровизации экономики. Она «может привести не только к взрывному росту производительности труда, но и убить, с другой стороны, целые профессии, усилить риски поляризации доходов», говорил премьер-министр Дмитрий Медведев. В регионе Центральной и Восточной Европы, к которому относится Россия, в списке угроз для бизнеса лидирует «фактор дефицита высококвалифицированных кадров», говорит управляющий партнер PwC в России Игорь Лотаков.

42 млн под угрозой

Численность трудоспособных граждан, потенциально исключаемых из активной хозяйственной деятельности под воздействием роботизации, автор оценивает в 42,13 млн человек. Эта цифра учитывает людей, работающих как в формальном, так и неформальном (теневом) секторах, а также незанятых россиян, не считающих себя безработными, но все равно подверженных автоматизации, и безработных.

Для расчетов использовался коэффициент потенциальной автоматизации — показатель, ранее предложенный компанией McKinsey. Ее эксперты рассчитали долю времени, которую работники тратят на выполнение рутинных операций в разных видах деятельности. Аналитики сделали оценку по данным США и спроектировали результаты по видам деятельности на отрасли. В РАНХиГС перенесли эти результаты на российские регионы, опираясь на структуру занятости в них, объяснил РБК Земцов. При этом производительность в США и России находится на разных уровнях, признает он.

«Одномоментная» роботизация

Есть четыре фактора, которые влияют на снижение доли исключенных из экономики: уровни дохода, образования, внедрения информационных технологий в регионе и развития предпринимательства. В целом оценка «потенциальной автоматизации» для России составила 44,8% для формального сектора, она сформирована на основе «сценария полной роботизации в рамках существующих и разрабатываемых технологий​». Для неформального сектора, где высока доля торговли и прочих услуг, в которых выше роль рутинного труда, — 53%.

Вероятность автоматизации наиболее массовых профессий в России

Если автоматизация наступит одномоментно, 49,3% трудоспособного населения России, или 42,13 млн человек (рабочих мест), могут быть заменены роботами, подсчитал Земцов. Хотя такой сценарий маловероятен, он «служит для оценки масштаба угроз региональными властями: чем он выше, тем потенциальные социальные риски выше». Пока же с 2009 по 2015 год численность потенциально подверженных исключению трудоспособных граждан снизилась.

В последние годы существует тренд на смещение занятости в сторону более квалифицированных сфер, пишет экономист. Но наиболее распространенные профессии в России будут автоматизированы с высокой вероятностью: у водителей и продавцов она составляет 98% (оценка экономистов Карла Фрея и Майкла Осборна из Оксфордского университета), у бухгалтеров и экономистов — от 43 до 94%, у грузчиков — 72%.

Пример АвтоВАЗа

Из регионов с популярными традиционными отраслями (торговля и перевозки, сельское хозяйство, где вводятся новые технологии) и распространенным теневым сектором сильнее всего «исключению» работников из экономики подвержены Ингушетия (63,2%), Чечня (57,2%), Дагестан (53,2%), Карачаево-Черкесия (53,2%), Кабардино-Балкария (52,4%) и Тыва (52,4%). Похожая ситуация и в «сырьевых субъектах» — Ненецком (58,8%), Ямало-Ненецком (52,1%) и Ханты-Мансийском (52%) автономных округах. «Также среди лидеров регионы с высокой долей обрабатывающей промышленности, в которой уже активно применяются роботизированные комплексы: Ленинградская (51,3%) и Челябинская (51%) области, Республика Башкортостан (50,5%)», — говорится в исследовании. Наименьшие значения потенциальной исключенности — в больших агломерациях: Москве (44,8%), Санкт-Петербурге (46,4%), Тюменской области (43,6%).

Показательный пример — АвтоВАЗ, говорит Земцов. Еще десять лет назад многие его сотрудники не воспринимали всерьез угрозу роботизации, однако с тех пор на предприятии сократили десятки тысяч человек. Впрочем, на замедление процесса влияет низкая цена рабочей силы, указывается в докладе. Роботизации может и не произойти в случае роста цен на нефть, однако, если Россия будет развиваться так же, как и весь мир, у нее будет «очень много проблем», говорит Земцов.

Время еще есть, отмечает директор департамента консалтинга Deloitte в СНГ Алексей Суханов. «Пока внедрение технологий роботизации является сравнительно дорогим упражнением, с экономической точки зрения зачастую проигрывающим решению бизнес-задач за счет ресурсов ручного труда», — говорит он. Но на государственном уровне должна «уже сейчас прорабатываться программа сворачивания подготовки определенных профессий (различного рода операторы станков и механизмов, бухгалтеры и т.п.)». Должны появиться новые государственные проекты в области образования и создания кадрового резерва, указывает Лотаков. Сейчас, по данным PwC, три четверти сотрудников намерены самостоятельно повышать собственную квалификацию, не дожидаясь поддержки работодателя, добавляет он.

Роботы и потенциальная технологическая безработица в регионах России: опыт изучения и предварительные оценки

Применение робототехники может привести к снижению уровня занятости. В статье обсуждаются компенсационные механизмы и противоречивые результаты эмпирических исследований на эту тему. На основе методики международных сопоставлений оценена доля потенциально автоматизируемых рабочих мест в регионах России, составившая около 44%, что ниже, чем в большинстве развитых стран. Часть работников могут оказаться не готовыми к непрерывному обучению, к конкуренции с роботами, соответственно существует вероятность их исключения из хозяйственной деятельности.

• Взаимосвязь технологических изменений и занятости: теоретические подходы
• Эмпирические оценки потенциальной автоматизации
• Методика исследования
• Результаты оценок потенциальной автоматизации занятости в регионах России
• Список литературы / References

В последнее время многие авторы фиксируют начало новой промышленной революции, или индустрии 4.0 (Hawken et al., 2013; Schwab, 2017), признаками которой считаются всеобщая дигитализация¹, роботизация (Ford, 2015) и формирование «умных сетей». Многие из новых технологий — подрывные (disruptive), способные привести к свертыванию целых подотраслей, а соответственно потенциально ведущие к повышению уровня структурной (технологической) безработицы².

Например, в США в последние десять лет нарастает разрыв между положительной динамикой производительности труда и стагнирующей занятостью (Brynjolfsson, McAfee, 2014). Частично это может быть связано с распространением роботов³, под которыми следует понимать автоматические устройства, предназначенные для осуществления производственных и иных операций, ранее выполняемых человеком (Rifkin, 1995), — сложные компьютерные программы (боты), промышленные роботы, «умные дома» и т. д.

По некоторым оценкам, около половины рабочих мест в мире и в России может быть автоматизировано к 2025-2035 гг. (Brynjolfsson, McAfee 2014; Manyika et al., 2017). Определение наиболее уязвимых видов деятельности позволит сформировать рекомендации для государственной политики, а также выбора личных карьерных стратегий. При этом в экономике действуют компенсационные механизмы (Vivarelli, 2014), создаются рабочие места в новых отраслях (Berger, Frey, 2017; World Bank, 2016). Поэтому важно понять, насколько угрозы автоматизации связаны с формированием долгосрочной технологической безработицы. В разных странах и регионах потенциал автоматизации и социальные последствия различаются (Berger, Frey, 2016b; Manyika et al., 2017).

Взаимосвязь технологических изменений и занятости: теоретические подходы

Влиянию технологических изменений на занятость посвящены работы многих известных экономистов (Дж. М. Кейнс, А. Пигу, Д. Рикардо, К. Маркс, А. Маршалл и др.). В таблице 1 приведены основные механизмы, компенсирующие снижение занятости в результате внедрения инноваций. Каждый из них в современных условиях в России имеет свои ограничения.

Таблица 1

Компенсационные механизмы, снижающие негативное влияние технологического прогресса на занятость

Механизм	Описание	Ограничения в России
Создание новых машин (Say, 1964 [1803])	Новые технологии способствуют появлению рабочих мест в секторах, создающих и обслуживающих роботов и иные механизмы	Это не компенсирует число выбывших работников (Freeman et al., 1982). В будущем роботы окажутся способны самостоятельно себя ремонтировать и воссоздавать
Снижение цен (Stoneman, 1995; Vivarelli, 1995)	Новые технологии способствуют снижению цен на продукцию, так как повышают эффективность производства. Более низкие цены стимулируют спрос, что приводит к росту производства и занятости	Снижение цен происходит в условиях совершенной конкуренции, а в России на многих рынках наблюдается образование монополий и олигополий. В условиях структурной безработицы спрос сохранится только на товары первой необходимости, а на новые продукты снизится (Зубаревич, 2015)
Инвестиции (Stoneman, 1995)	Накопление инвестиций в период между снижением издержек за счет инноваций и последующим снижением цен. Капитальные вложения в производства и рабочие места	В условиях высоких рисков в России инвесторы предпочитают накапливать или выводить капитал за рубеж. Инвестиции также могут быть направлены на создание производства с низкой занятостью
Сокращение зарплаты (Venables, 1985)	Снижение издержек путем сокращения зарплаты, рабочего времени*, неполной занятости	Не всегда труд и капитал взаимозаменяемы. В России есть административные ограничения на сокращение персонала (Зубаревич, 2015)
Увеличение доходов (Vivarelli, 2014)	Увеличение доходов благодаря повышению производительности труда должно вести к повышению спроса и занятости в иных секторах	Увеличение доходов в России может идти на приобретение зарубежных товаров длительного пользования, а также недвижимости. Может иметь ограниченное влияние, в том числе из-за возможного роста инфляции
Создание новых продуктов и услуг (Aghion, Howitt, 1994; Endquist et al., 2001)	Появление новых отраслей, новых продуктов и услуг приведет к повышению спроса на рабочую силу	Низкая предпринимательская и инновационная активность в России ограничивают возможности развития новых отраслей и новых продуктов

* В последние столетия рабочее время сокращалось, что привело к росту затрат на сферу развлечений, а значит, и спроса на работников в соответствующих отраслях.

Источник: переработано и дополнено автором на основе: Vivarelli, 2014.

С точки зрения смены технологических укладов (волн Кондратьева) на нисходящем тренде истощаются факторы экономического роста и возможно повышение уровня безработицы (Freeman et al., 1982; Perez, 1983), но технологии следующего цикла формируют новые виды деятельности и повышают спрос на рабочую силу. По мнению некоторых исследователей, новый уклад будет основан на NBIC-конвергенции, то есть на взаимодействии нано- (N), био- (В), информационных технологий (I) и когнитивной науки (С) (Bainbridge, Roco, 2006). Речь может идти о формировании межсредовых сетей, например при взаимном проникновении физического мира и киберпространства. Но главной характеристикой нового уклада станет образование «умных» систем⁴, в работе которых участие человека будет сокращаться. Проблема потенциальной безработицы связана с появлением систем типа «робот—робот»: алгоритмы с элементами искусственного интеллекта, «интернет вещей», автопилотируемый транспорт и т. д. На предыдущем этапе автоматизации применялись неадаптивные механические инструменты (Banham, 1980), которые были ограничены в выполняемых функциях и охватывали лишь некоторые отрасли хозяйства. На новом этапе (Brynjolfsson, McAfee, 2014) формируется принципиально иная среда, в которой окружающие материалы, оборудование и даже тело человека будут интегрированы и способны к адаптации.

Если началом нового уклада считать 2015 г., то он сформируется к 2035 г. (Бабурин, 2010). В соответствии с моделью диффузии инноваций роботизация будет происходить по S-образной кривой, причем до 2035 г. процесс может иметь экспоненциальный характер (Brynjolfsson, McAfee, 2014; Manyika et al., 2017). Для сохранения занятости потребуется внедрить программы обучения новым профессиям, развивать творческие индустрии и предпринимательскую инициативу. Но возможна ситуация, в которой российское правительство и рынок труда будут реагировать на технологические вызовы с опозданием на несколько лет, так как внедрение новых образовательных программ, создание и развитие стартапов требуют времени. Возникнет разрыв между увеличением числа безработных и появлением новых вакансий (Brynjolfsson, McAfee, 2014). При этом схема намеренно упрощена и не учитывает возможные демографические изменения (старение населения, увеличение численности жителей молодых возрастов⁵ и др.). Для отдельных регионов возможна ситуация долговременного снижения занятости, а значит, исключения части населения из хозяйственной деятельности⁶.

Эмпирические оценки потенциальной автоматизации

Начиная с книги Дж. Рифкина (Rifkin, 1995) появились десятки работ, посвященных изучению влияния современных технологий на занятость. М. Виварелли (Vivarelli, 2014), проведя подробный обзор эконометрических исследований, замечает, что результаты неоднозначны для процессных инноваций, которые преимущественно снижают занятость⁷, но выявлены компенсационные механизмы (см. табл. 1), связанные с созданием новых продуктов, снижением цен⁸ и повышением доходов. Технический прогресс приводит к повышению спроса на более квалифицированных специалистов.

Исторически периоды крупных технологических изменений не приводили к долгосрочному росту безработицы. Например, повышение производительности труда в сельском хозяйстве благодаря механизации компенсировалось миграцией сельского населения в город и сменой профессий. Но происходили временные всплески безработицы в отдельных отраслях и регионах, а соответственно и социальные протесты. Наиболее масштабным считается движение луддитов в Англии в ходе первой промышленной революции (Johnes, 2006), поэтому сегодня противников распространения новых технологий часто называют «неолуддитами».

В последние годы опубликованы десятки исследований по оценке потенциальной автоматизации рабочих мест. В соответствии с одной из методик (Frey, Osborne, 2017),

где: L_NS — оценка числа наименее подверженных роботизации занятых; L_PM, LC and L_SI — число занятых по профессиям і (n = 702 профессии в США), которые обладают разным потенциалом автоматизации исходя из трех критериев (табл. 2).

Таблица 2

Критерии потенциальной степени автоматизации

Критерий	Переменная	Описание
РМ — восприятие и манипулирование	Ловкость пальцев и рук	Способность совершать скоординированные движения, собирать мелкие объекты
	Стесненное пространство	Способность работать в неудобном положении
С — творческий интеллект (David, 2015)	Оригинальность	Способность придумывать необычные идеи, развивать творческие пути решения проблем
	Искусство	Знание теории и методов искусства
SI — социальный интеллект	Социальная восприимчивость	Осознавать реакции других
	Переговоры и убеждение	Привлечение и примирение сторон. Способность убеждать
	Помощь и забота о других	Способность оказывать личную, медицинскую, эмоциональную поддержку

Источники: Autor et al., 2003; Frey, Osborne, 2017.

На основе указанных критериев предложены функции вероятности автоматизации для каждой профессии. Для нескольких профессиональных групп вероятность низкая (менее 0,01): врачи⁹, социальные работники, представители творческих и STEM¹⁰ профессий, ученые и топ-менеджеры. Среди наиболее уязвимых профессий (выше 0,99) ведущие телемаркета, швеи, техники, страховые и налоговые агенты, банковские клерки, библиотекари. Для экономистов вероятность составляет около 0,43, для бухгалтеров и аудиторов — около 0,94. В США около 47% занятых уязвимы, то есть вероятность выше 0,7. Сначала будут автоматизированы рутинные, но наиболее ответственные сферы (логистика и производство), затем — все большее число услуг, продажи, строительство, а с развитием искусственного интеллекта — наука¹¹, инженерия и искусства. Снижают вероятность роботизации высокие заработная плата и уровень компетенций¹².

Процессы роботизации будут иметь высокую пространственную дифференциацию (Berger et al., 2015). Например, в США наибольшая уязвимость в городах — Лас-Вегасе, Лос-Анджелесе, Хьюстоне, где развита сфера развлечений (наиболее подвержены гостиничный сектор и ресторанный бизнес), а наименее уязвимы Бостон, Вашингтон, Нью-Йорк, Сан-Франциско, где представлены отрасли, связанные с НИОКР, ИКТ и творческими индустриями.

По схожей методике проведены исследования во многих странах (табл. 3). Потенциал автоматизации ниже в развитых странах, где выше уровень внедрения ИКТ (World Bank, 2016) и качество человеческого капитала. В среднем по ОЭСР доля уязвимых занятых составляет около 57%, в Таиланде — 72%, а в Эфиопии — около 85%. Исследователи из ОЭСР (Arntz et al., 2016) утверждают, что целые профессии не могут быть ликвидированы, а автоматизируются лишь отдельные задачи.

Таблица 3

Оценки доли занятых, подверженных потенциальной автоматизации (в %)

Страна	По методике Фрая—Осборна (Frey, Osborne, 2017)	По методике ОЭСР (Arntz et al., 2016)	По методике McKinsey (Manyika et al., 2017)
Великобритания	35,0	10	43
Германия	59,0	12	48
Канада	45,0	9	47
Польша	56,3	7	49
США	47,0	9	46
Франция	49,5	9	43
Швеция	46,7	7	46
Южная Корея	-	6	52
Япония	49,0	7	56
Индия	68,9	-	52
Китай	77,1	-	51
Россия	-	2	50

Источники: Knowles-Cutler et al., 2014; Pajarinen, Rouvinen, 2014; Schattorie et al., 2014; Wakao, Osborne, 2015; Brzeski, Burk, 2015; Chang, Huynh, 2016; Lamb, 2016; World Bank, 2016.

Результаты оценок К. Фрая и М. Осборна (Frey, Osborne, 2017) использовались как зависимая переменная. Затем по данным опросов оценивались факторы, влияющие на вероятность автоматизации (см. также Bonin et al. 2015; Chang, Huynh, 2016): она выше для женщин, для занятых в возрасте 25-29 и 60-65 лет, для лиц с низким уровнем образования; ниже для сотрудников крупнейших фирм, для получающих высокие доходы и для управленцев. На основе сочетания этих критериев выявлена доля наиболее уязвимых профессий: в странах — членах ОЭСР около 9% занятых, в Южной Корее — 6%, в России — 2%. Но в России низкий уровень внедрения трудосберегающих технологий¹³, поэтому следовало ожидать более высокого значения, чем в развитых странах. Полученный результат (Arntz et al., 2016) может быть связан с недостатками методики, основанной на сильном допущении¹⁴, что схожие должности имеют схожие соотношение задач и характеристики респондентов по уровню автоматизации в разных странах.

Эксперты Глобального института McKinsey (Chili et al., 2015; Manyika et al., 2017) рассмотрели 2000 производственных задач в 800 профессиях США и оценили долю времени, которое работники тратят на выполнение рутинных операций (табл. 4). Около 49% рабочего времени можно автоматизировать, но полностью роботизировать можно лишь 5% профессий.

Таблица 4

Потенциал автоматизации рабочего времени в США (в %)

Тип задачи (действия)	Доля рабочего времени, которая может быть автоматизирована	Доля в совокупном рабочем времени
Управление	9	7
Экспертиза	18	14
Взаимодействие	20	16
Физическая работа в изменяющейся обстановке	25	12
Сбор данных	64	17
Обработка данных	69	16
Физическая работа в постоянной обстановке	78	18

Источник: Chui et al., 2015; Manyika et al., 2017.

По опросам топ-менеджеров крупнейших компаний 15 стран (WEF, 2016), к 2020 г. занятость в них сократится на 5 млн человек (7 млн рабочих мест автоматизировано, 2 млн создано в области STEM-технологий, в финансовом секторе и в продажах). При этом соотношение ликвидированных и созданных рабочих мест для мужчин составит 3 к 1, а для женщин — 5 к 1, то есть повысится тендерное неравенство. По опросам специалистов (Le Clair et al., 2016), умные технологии способны к 2025 г. ликвидировать около 16% рабочих мест в США, а создадут лишь У/о (13,9 млн человек), преимущественно в сфере анализа данных и обслуживания роботов. В банках до 30% рабочих мест можно автоматизировать до 2025 г. (Frey et al., 2016) благодаря внедрению интернет-банкинга, методов больших данных для анализа рисков, роботов-консультантов и блокчейна. К 2020 г. до 50 /о занятых в добывающих отраслях ОЭСР могут потерять работу (Cosbey et al., 2016) из-за применения самодвижущихся грузовиков, автопогрузчиков, дронов и т. д. Наиболее уязвимы низкоквалифицированные работники. В России по оценкам рекрутингового портала Superjob, к 2024 г. около 20% занятых потеряют работу¹⁵, а уровень безработицы к 2022 г. может увеличиться до 20-25% (в ноябре 2016 г. он составил 5,4%)¹⁶.

В Великобритании за последние 140 лет (Steward et al., 2015) технологии создали рабочих мест больше, чем сократили. В 2001-2015 гг. в профессиях с низкой вероятностью роботизации в Великобритании создано 3,5 млн новых рабочих мест, а убыло в наиболее уязвимых профессиях лишь 0,8 млн¹⁷. Сократилось число библиотекарей, продавцов, туристических и кредитных агентов, секретарей, а созданы рабочие места преимущественно в сфере STEM. В США наращивают занятость отрасли с высокой уязвимостью (Berger, Frey, 2016а), при этом происходит внутриотраслевое перераспределение функций от более к менее рутинным.

Роботизация в 2000-е годы привела к сокращению 9,6 млн рабочих мест в ЕС (Gregory et al., 2016), а создано 8,7 млн. В работе, где даны эконометрические оценки (Acemoglu, Restrepo, 2017), на данных о внедрении промышленных роботов в США в 1990-2007 гг. показано, что увеличение числа роботов на 1 (на 1000 занятых) ведет к снижению доли занятых на 0,18-0,4 п. п., а заработной платы — на 0,25-0,5% на локальных рынках труда¹⁸ с учетом влияния импорта из других стран, снижения доли рутинной работы, внедрения ИКТ и ряда других контрольных переменных. При этом оценки безработицы в США не включают постоянно увеличивающееся число инвалидов и частично занятых (Jordan, 2016).

Методика исследования

Существующие оценки потенциальной роботизации занятости сводятся к трем основным подходам: по профессиональным группам, по выполняемым задачам и с помощью опросов экспертов. Опросы не применялись для региональных оценок из-за их высокой стоимости и низкой верифицируемости. Другие методы требуют сильного предположения о соответствии уровня автоматизации профессий и рутинности задач в США и в России, так как подобные расчеты для России нам не известны, а их проведение не входило в задачи исследования. Для предварительных оценок, международных и межрегиональных сопоставлений в соответствии с целями работы описанные методы применимы.

Для оценок по методике Фрая—Осборна могут использоваться данные RLMS-HSE¹⁹. После сопоставления классификаций из 18 тыс. респондентов вероятность автоматизации удалось определить для 3325 (рис. 1), из них для 882 вероятность выше 0,7. Соответственно потенциал роботизации в России может быть оценен в 26,5%, что существенно ниже оценок для других стран (см. табл. 3), но есть сомнения в репрезентативности полученных результатов применительно к структуре профессий в России. К сожалению, выборка не репрезентативна для отдельных регионов, а потому данные не применимы для основной задачи.

Рисунок 1

Распределение укрупненных профессиональных групп по вероятности автоматизации

Мы использовали официальные данные Росстата²⁰ по регионам на уровне видов деятельности по ОКВЭД²¹. Для основных расчетов применена методика Глобального института McKinsey (Manyika et al., 2017), в которой сглажены недостатки подхода Фрая—Осборна, не учитывающего вариации профессий по рутинности задач. Но для целей верификации использованы соотношения из первой методики. Было сделано предположение, что средняя по профессиям вероятность автоматизации вида деятельности может рассматриваться как доля потенциально уязвимых занятых. В этом случае коэффициент корреляции в оценках автоматизации по видам деятельности между двумя подходами равен 0,79, а на уровне регионов — 0,7, то есть они в существенной мере взаимозаменяемы. Первый подход завышает значения более и занижает значение менее уязвимых отраслей и регионов.

Результаты оценок потенциальной автоматизации занятости в регионах России

По нашим оценкам, в России около 44,78%, или примерно 20,2 млн занятых, могут пострадать от роботизации, что ниже оценки 50% (Manyika et al., 2017) из-за более точного учета соотношения подотраслей в использованных классификаторах. Уровень ниже или сравним с большинством развитых стран (см. табл. 3). Существенная часть населения занята в менее автоматизируемых отраслях: торговля, образование, услуги, здравоохранение, транспорт и связь, государственное управление (см. также: Гимпельсон, Капелюшников, 2015).

Различия между регионами составляют более 10% (рис. 2): максимальное значение 47,6% в Ленинградской области; минимальное — 37,1% в Республике Тыва. Как и в случае со странами, они не превышают межотраслевых различий (см. табл. 4). Но если численность уязвимых занятых отнести к населению региона, то разница между Ямало-Ненецким округом (30,5%) и Республикой Ингушетией (4,0%) составит уже 26,5 %, что связано с большими различиями в уровне фиксируемой занятости населения (табл. 5).

Таблица 5

Среднее значение характеристик по группам регионов в 2015 г.

Характеристика	Группа регионов по доле занятых, подверженных автоматизации, %
	>46	45-46	44-45	42-44	<42
ВРП на душу населения с учетом межрегионального индекса цен, тыс. руб.	281	348	628	556	205
Доля обрабатывающей промышленности в ВРП, %	27,5	19,8	17,5	9,4	5,4
Среднемесячная заработная плата, тыс. руб.	25,7	27,5	33,5	44,4	26,1
Доля занятых в экономически активном населении (ЭАН), %	89,2	89,9	96,1	91,1	77,9
Доля занятых горожан с высшим образованием в населении, % (Земцов, Баринова, 2016)	9,5	10,5	11,7	12,7	5,9
Уровень безработицы в среднем за год, %	5,08	5,13	6,19	6,34	13,1
Доля занятых в организациях государственной и муниципальной формы собственности, %	37,7	40	43,3	50	69,9
Доля занятых в неформальном секторе, %	21,7	21,5	20,4	19,2	38,4
Отношение числа РСТ-заявок на изобретения на миллион экономически активного населения (ЭАН)	3,97	4,01	4,56	6,07	2,07
Доля организаций, имеющих веб-сайт, %	43,9	43	40,7	43,2	34,7
Число малых предприятий, на тыс. ЭАН	25,5	25,1	29,5	24,5	14,5
Индекс инвестиционного риска (RAEX)*	0,96	0,96	1,05	1,19	1,55

* Рейтинг инвестиционной привлекательности регионов (http: raexpert.ru ratings regions 2016 ).

Источник: ЕМИСС.

Рисунок 2

Потенциальные занятые, подверженные автоматизации в регионах России на 2015 г.

Источник: Расчёты автора.

Около 30% общего числа потенциальных технологических безработных сконцентрировано в шести крупных регионах: Москва (2,01 млн человек; 43,1%); Санкт-Петербург (0,91 млн; 44,2); Московская (0,94 млн; 45,5), Свердловская (0,7 млн; 46) области; Краснодарский край (0,64 млн; 45,1) и Республика Татарстан (0,61 млн; 45,9), при этом в них проживает около 26% населения. Увеличение их доли с 2009 по 2015 г.²² наблюдалось в Ингушетии, Чечне (из-за увеличения занятых в государственном управлении), Санкт-Петербурге, Новосибирской, Калужской, Пензенской, Тюменской и Белгородской областях (в обрабатывающей промышленности), Ненецком и Ямало-Ненецком автономных округах (в добывающих отраслях). В таблице 5 представлены средние показатели групп регионов (см. рис. 2).

Высокая доля обрабатывающей промышленности в ВРП повышает уязвимость (>46%), так как в машиностроении наиболее распространено применение промышленных роботов и соответствующих технологий, максимально внедрение ИКТ. В регионах с высокой долей обрабатывающей промышленности низкий уровень заработной платы и образования, что также повышает их уязвимость. Но эти регионы характеризуются низким уровнем инвестиционных рисков и средней предпринимательской активностью, что может сгладить последствия роботизации. Уровень реальной безработицы обратно пропорционален уровню потенциальной автоматизации, что можно объяснить мерами контроля над безработицей (Зубаревич, 2015).

В группе с низкими показателями (42-44%) представлены регионы, в которых высокие уровень развития (Москва), заработная плата и доля занятых горожан с высшим образованием, максимальная патентная активность. Наименьшие показатели потенциальной роботизации (<42%) наблюдаются в менее развитых регионах (минимальное значение ВРП на душу населения), где велика доля госсектора в экономике, высокая безработица, низкая занятость и высокая неформальная занятость. В этих регионах низкие показатели внедрения ИКТ и инновационного потенциала.

Автоматизация сама по себе не ведет к росту безработицы, но она повышает необходимость непрерывно обновлять свои знания, умения, быть готовым к изменениям и развивать свой творческий потенциал. Есть опасность, что часть населения (особенно в наименее развитых регионах) не сможет адаптироваться к новым условиям, не будет участвовать в современных процессах, связанных с созданием, освоением, развитием и воспроизводством новых технологий и продуктов²³. Возникает вероятность их исключения из хозяйственной деятельности. В СМИ их уже называют «бесполезным классом», что носит негативный оттенок и не раскрывает сути явления. В противоположность наиболее прогрессивной части хозяйства — экономике знания (Powell, Snellman, 2004) — предлагается называть указанную сферу «экономикой незнания», или «обществом незнания». Впрочем, термин требует дополнительного обсуждения. Наиболее велика вероятность попасть в эту сферу у представителей старших возрастов, людей с низким уровнем образования и занятых низкооплачиваемым физическим трудом (World Bank, 2016; Arntz et al., 2016).

* * *

Анализ теоретических и эмпирических работ не дает однозначного ответа на вопрос об уровне угроз для социальной сферы в связи с развитием новых технологий. В долгосрочной перспективе они создавали больше рабочих мест, чем сокращали. В современных условиях, несмотря на значительный потенциал автоматизации (до 50% рабочих мест в мире), скорость процессов замедлена из-за экономических (высокая стоимость роботов), политических (страх социальных последствий), юридических (запрет на внедрение некоторых технологий) и иных ограничений. Поэтому происходит постепенная адаптация рынка труда (Smith, Anderson, 2014): возникают новые отрасли, увеличивается производство новых продуктов и услуг, переходят от рутинных к более сложным, ответственным и творческим задачам. Впрочем, в наиболее актуальной работе (Acemoglu, Restrepo, 2017) показано наличие отрицательной зависимости между внедрением промышленных роботов в США и занятостью за 1990-2007 гг.

По результатам анализа эмпирических работ можно выделить пять основных сфер, в которых современные роботы еще не способны работать (или пока не обучены этому):

• творчество — исследование и создание нового, предпринимательство;
• STEM — разработка роботов, программного обеспечения и их обслуживание;
• социальное взаимодействие — личный контакт, умение чувствовать, сопереживать (социальные работники, педагоги и т. д.);
• работа в изменяющихся условиях (адаптивность) — умение нестандартно мыслить и быстро адаптироваться (медики, сотрудники чрезвычайных служб);
• ответственность и управление — умение нести финансовую, юридическую или иную ответственность (топ-менеджмент и близкие по профессии);
• наставничество — передача неявного знания и умение убеждать (научные руководители, священнослужители, спортивные тренеры и т. д.).

Стимулирование развития указанных сфер и компетенций способно снизить влияние описываемых процессов в России, где уровень потенциальной автоматизации занятости и так ниже, чем в большинстве стран: по методике Фрая—Осборна — около 27,6%, а по уточненной оценке Глобального института McKinsey — около 44%. Это связано с довольно высокой долей отраслей, в которых важны социальный и творческий интеллект (образование, госуправление, финансы), с высоким проникновением ИКТ и развитием соответствующих видов деятельности. В России, особенно в слаборазвитых регионах, высока доля неформальной занятости, для которой нет оценок потенциальной автоматизации.

Высокая пространственная дифференциация по скорости внедрения новых технологий и адаптации к ним местных сообществ (Бабурин, Земцов, 2017) в будущем может привести к формированию старопромышленных регионов с продолжительно высоким уровнем безработицы. В правительстве России понимают масштаб возможных угроз²⁴, но не всегда учитывают межрегиональные различия в их оценке. Нужно проводить политику умной специализации (Земцов, Баринова, 2016), разрабатывать меры, направленные на снижение уязвимости отдельных групп регионов. В субъектах РФ с высоким потенциалом автоматизации, но низкими инвестиционными рисками требуется проводить активную стимулирующую инновационную политику: создавать инновационную инфраструктуру, поддерживать ведущие вузы и технологическое предпринимательство. В регионах с высокой долей обрабатывающей промышленности необходимо привлекать инвестиции в высокотехнологичные и наукоемкие виды деятельности с массовым внедрением систем переобучения в сфере STEM-технологий.

Приведенные расчеты являются предварительными. Они основаны на сильных предположениях, что роботизация будет происходить быстро, а компенсационные механизмы не сработают. Такая точка зрения носит алармистский характер и призвана обратить внимание научного сообщества и лиц, принимающих решения, на возможность подобного варианта развития событий, хотя и с низкой вероятностью. Фактически представленная методика позволяет оценить потенциальную уязвимость занятых при наименее благоприятном сценарии. Она нуждается в доработке, в частности с учетом демографических трендов, что потребует специализированных опросов населения.

Риски роботизации связаны не только с безработицей, но наблюдаются рост неравенства, поляризация и исключение граждан из экономики: по уровню компетенций и образованию, по возрасту (пожилые люди менее склонны к освоению новых технологий), по поколениям (новым поколениям придется столкнуться с падением спроса на рынках труда²⁵), по полу (меньшая доля женщин занята в потенциально менее роботизируемых²⁶ отраслях), по принадлежности к расе²⁷, этносу и т. д. В итоге речь идет об ограниченности инклюзивного роста. Блага, в том числе создаваемые за счет новых технологий, будут распределяться неравномерно среди жителей, а часть населения может быть исключена из экономической деятельности. Различия в степени адаптации к роботизации регионов могут привести к формированию зон социальной напряженности, увеличат межрегиональные миграционные потоки, поставят вопрос об устойчивости бюджетной системы ряда регионов. Все это требует отдельных и более тщательных исследований.

Список литературы / References

Бабурин В. Л. (2010). Инновационные циклы в российской экономике. 4-е изд., испр. и доп. М.: Красанд. [Baburin V. L. (2010). Innovation cycles in the Russian economy. 4^th ed. Moscow: Krasand. (In Russian).]

Бабурин В. Л., Земцов С. П. (2017). Инновационный потенциал регионов России. М.: КДУ. [Baburin V., Zemtsov S. (2017). Innovation potential of Russian regions. Moscow: KDU. (In Russian).]

Гимпельсон В., Капелюшников P. (2015). «Поляризация» или «улучшение»? Эволюция структуры рабочих мест в России в 2000-е годы // Вопросы экономики. №. 7. С. 87-119. [Gimpelson V., Kapeliushnikov R. (2015). Polarization or upgrading? Evolution of employment in transitional Russia. Voprosy Ekonomiki, No. 7, pp. 87-119. (In Russian).]

Земцов С., Баринова В. (2016). Смена парадигмы региональной инновационной политики в России: от выравнивания к «умной специализации» // Вопросы экономики. № 10. С. 65 — 81. [Zemtsov S., Barinova V. (2016). The paradigm changing of regional innovation policy in Russia: From equalization to smart specialization. Voprosy Ekonomiki, No. 10, pp. 65 — 81. (In Russian).]

Зубаревич H. (2015). Региональная проекция нового российского кризиса // Вопросы экономики. № 4. С. 37—52. [Zubarevich N. (2015). Regional projection of the new Russian crisis. Voprosy Ekonomiki, No. 4, pp. 37—52. (In Russian).]

Aghion P., Howitt P. (1994). Growth and unemployment. Review of Economic Studies, Vol. 61, No. 3, pp. 477-494.

Arntz M., Gregory Т., Zierahn U. (2016). The risk of automation for jobs in OECD countries: A comparative analysis. OECD Social, Employment, and Migration Working Papers, No. 189.

Acemoglu D., Restrepo P. (2017). Robots and Jobs: Evidence from US Labor Markets. NBER Working Paper, No. 23285.

Acemoglu D., Restrepo P. (2016). The race between machine and man: Implications of technology for growth, factor shares and employment. NBER Working Paper, No. w22252.

Autor D., Levy F., Murnane R. (2003). The skill content of recent technological change: An empirical exploration. Quarterly Journal of Economics, Vol. 118, No. 4, pp. 1279-1333.

Bainbridge W., Roco M. (eds.) (2006). Progress in convergence: Technologies for human wellbeing. Boston, MA: New York Academy of Sciences.

Banham R. (1980). Theory and design in the first machine age. Cambridge, MA: MIT Press.

Benzell S. G., Kotlikoff L. J., LaGarda G., Sachs J. D. (2015). Robots are us: Some economics of human replacement. NBER, No. w20941

Berger Т., Frey С. (2016a). Did the computer revolution shift the fortunes of US cities? Technology shocks and the geography of new jobs. Regional Science and Urban Economics, No. 57, pp. 38 — 45.

Berger Т., Frey С. (2016b). Structural transformation in the OECD: Digitalisation, de-industrialisation and the future of work. OECD Social, Employment and Migration Working Papers, No. 193.

Berger Т., Frey С. (2017). Industrial renewal in the 21st century: evidence from US cities. Regional Studies, Vol. 51, No. 3, pp. 404 — 413.

Berger Т., Frey, С., Osborne M. (2015). Cities at risk. Unpublished manuscript, Oxford Martin School.

Bonin H., Gregory Т., Zierahn U. (2015). Übertragung der Studie von Frey/Osborne (2013) auf Deutschland. Kurzexpertise im Auftrag des Bundesministeriums für Arbeit und Soziales.

Brynjolfsson E., McAfee A. (2014). The second machine age: Work, progress, and prosperity in a time of brilliant technologies. New York: Norton.

Brzeski C., Burk I. (2015). Die Roboter kommen. Folgen der Automatisierung für den deutschen Arbeitsmarkt. INGDiBa Economic Research, 30 April.

Chang J.H., Huynh P. (2016). ASEAN in transformation: The future of jobs at risk of automation. Geneva: ILO.

Chui M., Manyika J., Miremadi M. (2015). Four fundamentals of workplace automation. McKinsey Quarterly, No. 2, pp. 1 — 9.

Cosbey A., Mann H., Maennling N., Toledano P., Geipel J., Brauch M. (2016). Mining a mirage. Reassessing the shared-value paradigm in light of the technological advances in the mining sector. Winnipeg, Canada: International Institute for Sustainable Development.

David H. (2015). Why are there still so many jobs? The history and future of workplace automation. Journal of Economic Perspectives, Vol. 29, No. 3, pp. 3 — 30.

Ford M. (2015). Rise of the robots: Technology and the threat of a jobless future. New York: Basic Books.

Freeman С., Clark J., Soete L. (1982). Unemployment and technical innovation: A study of long waves and economic development. London: Burns & Oates.

Frey С. В., Osborne M., Holmes С., Rahbari E., Curmi E., Garlick R., Chua J., Friedlander G., Chalif P., McDonald G., Wilkie M. (2016). Technology at work v2.0: The future is not what it used to be. Citi GPS: Global Perspectives & Solutions.

Frey С.В., Osborne M.A. (2017). The future of employment: How susceptible are jobs to computerisation? Technological Forecasting and Social Change, Vol. 114, pp. 254-280.

Gregory Т., Salomons A., Zierahn U. (2016). Racing with or against the machine? Evidence from Europe. ZEW Discussion Paper, No. 16-053.

Jackman R., Layard R. (1991). Does long-term unemployment reduce a person's chance of a job? A time-series test. Economica, Vol. 58, No. 229, pp. 93 — 106.

Jones S. (2006). Against technology: From Luddites to Neo-Luddism. London: Routledge.

Jordan J. (2016). Robots. Cambridge, MA: MIT Press.

Hawken P., Lovins A., Lovins L. (2013). Natural capitalism: The next industrial revolution. Abingdon and New York: Routledge.

Knowles-Cutler A., Frey С., Osborne M. (2014). Agile town: the relentless march of technology and London's response. London: Deloitte.

Lachenmaier S., Rottmann H. (2011). Effects of innovation on employment: A dynamic panel analysis. International Journal of Industrial Organization, Vol. 29, No. 2, pp. 210-220.

Lamb C. (2016). The talented Mr. Robot. The impact of automation on Canada's workforce. Toronto: Brookfield Institute for Innovation + Entrepreneurship (BII+E).

Le Clair K., Gownder J., Koetzle L., Goetz M., Lo Giudice D., McQuivey J., Cullen A., McGovern S., Kramer A., Lynch D. (2016). The future of white-collar work: Sharing your cubicle with robots. Cambridge, MA: Forrester .

Manyika J., Chui M., Miremadi M., Bughin J., George K., Willmott P., Dewhurst M. (2017). A future that works: Automation, employment, and productivity. McKinsey Global Institute.

Pajarinen M., Rouvinen P. (2014). Computerization threatens one third of Finnish employment. ETLA Brief, Vol. 22, No. 13.1, pp. 1-6.

Perez C. (1983). Structural change and the assimilation of new technologies in the economic and social system. Futures, Vol. 15, No. 4, pp. 357—375.

Powell W., Snellman K. (2004). The knowledge economy. Annual Review of Sociology, Vol. 30, No. 1, pp. 199-220.

Rifkin J. (1995). End of work. New York: Putnam.

Sachs J., Benzell S., LaGarda G. (2015). Robots: Curse or blessing? A basic framework, NBER Working Paper, No. w21091.

Say J. (1964 [1803]). A treatise on political economy or the production, distribution and consumption of wealth. New York: M. Kelley.

Schattorie J., de Jong A., Fransen M., Vennemann В. (2014). De impact van auto-matisering op de Nederlandse Arbeidsmarkt. Amstelveen: Deloitte.

Schwab K. (2017). The fourth industrial revolution. London: Penguin.

Smith A., Anderson J. (2014). AI, robotics, and the future of jobs (Technical report). Pew Research Center.

Stewart I., De D., Cole A. (2015). Technology and people: The great job-creating machine. London: Deloitte.

Stoneman P. (ed.) (1995). Handbook of the economics of innovation and technological change. Oxford: Blackwell.

Venables A. (1985). The economic implications of a discrete technical change. Oxford Economic Papers, Vol. 37, No. 2, pp. 230—248.

Vivarelli M. (2014). Innovation, employment and skills in advanced and developing countries: A survey of economic literature. Journal of Economic Issues, Vol. 48, No. 1, pp. 123-154.

Vivarelli M. (1995). The economics of technology and employment: Theory and empirical evidence. Aldershot: Edward Elgar.

---

Что мотивирует на работу? Вопреки общепринятому мнению, это не только деньги. Но это и не только удовольствие. Кажется, что большинство из нас процветают, постоянно продвигаясь вперёд и ощущая целеустремлённость. Поведенческий экономист Дэн Ариэли представляет два поучительных эксперимента, которые показывают наши неожиданные и нюансы отношения к смыслу в нашей работе. (Снято на TEDxRiodelaPlata).

Транскрипция выступления Дэн Ариэли (Dan Ariely) на площадке TED:

Сегодня я хочу немного поговорить о работе и работниках. Когда мы думаем о том, как работают люди, мы представляем людей как крыс в лабиринте. Деньги — единственное, чем озабочены люди, а когда мы платим людям, мы можем приказать им работать над тем или иным. По этой причине мы платим банкирам бонусы и платим разными способами. На самом деле мы необыкновенно упрощаем взгляд на то, почему люди работают и как выглядит рынок труда.

В то же время, если подумать, в мире существует множество типов странного поведения. Подумайте, например, о восхождении на вершину горы. Если вы читали книги о людях, свершающих сложные восхождения, задумывались ли вы о том, насколько они полны моментов радости и счастья? Нет, они полны страданий. В действительности, они об обморожении, о том, как трудно идти, о том, как трудно дышать — холод, трудные обстоятельства. А если бы люди старались просто быть счастливы, в момент достижения вершины, они бы сказали: «Это была ужасная ошибка. Я больше этого делать не буду». (Смех) «Лучше развалиться где-нибудь на пляже и попивать мохито». Но вместо этого, люди спускаются, и после восстановления, они снова идут в горы. И если взять пример восхождения, то он навевает на многие мысли. Он подсказывает, что вас заботит то, как дойти до конца, до вершины. Он подсказывает, что вас заботит борьба, вы думаете о трудностях. Он подсказывает, что существует большое количество вещей, которые мотивируют нас работать, или вести себя таким образом.

Что касается меня лично, я начал думать об этом после того как ко мне пришёл студент. Это был студент, учившийся у меня несколькими годами раньше. Однажды он вернулся в кампус, и рассказал мне следующую историю. Он больше двух недель работал над одной презентацией PowerPoint. Он работал в крупном банке. Это была презентация о слиянии и приобретении. Он серьёзно трудился над этой презентацией — графики, таблицы, информация. Он задерживался допоздна каждый день. За день до назначенного срока он отправил презентацию PowerPoint начальнику, и тот ответил ему: «Хорошая презентация, но объединение не состоится». Парень был в глубокой депрессии. В моменты работы он был по-настоящему счастлив. Каждую вечер он наслаждался своей работой, оставался допоздна, доводя презентацию до совершенства. Но сознание того, что никто никогда не посмотрит, что он сделал, его очень расстроило.

И я начал размышлять о том, как провести эксперимент с этой идеей о результатах труда. Для начала, мы организовали маленький эксперимент в котором мы дали людям Лего, и попросили их строить. Одним мы дали конструктор и сказали: «Эй, а не хотите ли построить этот Бионикл? Мы заплатим вам за него 3 доллара». И они согласились и построили его из конструктора. А когда они закончили, мы взяли его, положили под стол, и сказали: «Не хотите ли построить ещё один за $2,70»? Если они согласятся, мы дадим ещё одного. И когда они закончили мы спросили их: «Вы хотите построить ещё один за $2,40?», потом ещё за $2,10 и так далее, пока люди не отвечали: «Больше не надо, это того не стоит». Это то, что мы называем значимое условие. Люди строили один Бионикл за другим. После того как они заканчивали строить, мы клали их под стол. Мы сказали им, что в конце эксперимента мы разберём все собранные ими Биониклы, положим их обратно в коробки, и используем их для следующих участников.

Было другое условие. Это условие было плодом вдохновения Дэвида, моего студента. Это условие мы назвали Сизифово условие. И если вы помните историю о Сизифе, то Сизиф был наказан богами — он толкал камень в гору. И под самый конец камень скатывался, и он должен был начинать сначала. Мы называем это бесполезной работой. Можете себе представить, что если бы он толкал камень на разные холмы, то как минимум получил бы некое ощущение прогресса. Если вы посмотрите тюремные фильмы, иногда таким образом охранники мучают заключённых: заставляют их копать ямы, а когда они выкопаны, они заставляют их закапывать ямы обратно и выкапывать снова. Есть нечто в этих цикличных версиях повторения снова, снова и снова, что кажется особенно демотивирующим. Второе условие эксперимента делало именно это. Мы попросили людей построить Бионикл за 3 доллара. И если они соглашались, они строили. Затем мы спрашивали их «Построите ещё один за $2,70?» И если они соглашались, мы давали им ещё один, и пока они его строили, мы разбирали на части тот, что они только что закончили. Когда они заканчивали его, мы спрашивали: «Не хотите построить ещё один, на этот раз на 30 центов дешевле?» И если они соглашались, мы давали им тот самый, который они построили, а мы разобрали. Это бесконечный цикл построения и разрушения у них на глазах.

Давайте сравним эти два события. Во-первых, люди построили намного больше — они построили 11 против семи, значимые условия против сизифовых. И, кстати говоря, мы должны отметить, что в этом не было много смысла. Люди не лечили рак и не строили мосты. Люди просто играли в Лего за горстку монет. И не только это — все знали, что их конструкторы быстро разрушат. Тут не было настоящего дела со смыслом. Но даже небольшой смысл влиял на результат.

Потом мы провели ещё одну версию этого эксперимента. В этой версии мы не ставили людей в такую ситуацию. Мы описывали им ситуацию, примерно как я описал её вам сейчас, и просили предсказать, каков будет результат. Что случилось? Люди угадали направление, но не угадали значимость. Люди, которым только описали эксперимент, сказали, что при наличии смысла люди, пожалуй, построили бы ещё один Бионикл. Так что люди понимают, что смысл важен, но они не понимают насколько важен, степень, в которой он важен.

Был ещё один набор данных, который мы рассматривали. Если подумать, то есть любители Лего и безразличные. И можно ожидать, что любители Лего построят больше, даже за меньшие деньги, ведь они и так получают удовольствие. А безразличные к Лего построят меньше, потому что им и так нравится меньше. Это то, что мы на самом деле нашли в значимых условиях. Была очень чёткая корреляция между любовью к Лего и количеством построенных Лего. А что случилось в Сизифовых условиях? В них корреляция была нулевая. Между тем, сколько было построено и тем, как любят Лего, не было никакой зависимости. Это подсказывает, что разборка предметов на глазах у людей, которые их построили, разрушает любую радость, которую они могли получить от своей деятельности. Мы её уничтожили.

Вскоре после завершения эксперимента, я был в Сиэтле в крупной компании по разработке программных продуктов. Я не могу сказать в какой именно, но они крупная компания в Сиэтле. В компании была группа, работавшая в другом здании. Их попросили разработать новый продукт для их компании. За неделю до моего появления директор компании пришёл в эту группу из 200 инженеров и отменил проект. Я увидел две сотни самых расстроенных людей, с которыми мне когда-либо приходилось говорить. Я описал им некоторые из этих экспериментов с Лего, и они сказали, что они только что пережили такой же эксперимент. Я спросил их: «Сколько из вас теперь будет приходить на работу позже?» И все подняли свои руки. Я спросил: «Сколько из вас теперь пойдут домой раньше, чем вы привыкли уходить?» И все подняли свои руки. Я спросил их: «Сколько из вас теперь добавят не очень кошерные вещи в ваши отчёты по затратам?» И они не подняли руки, но они пригласили меня на ужин, и показали мне, что они будут делать с отчётом о затратах. А потом я спросил их: «Что мог бы сделать директор, чтобы не так сильно расстраивать вас?» И они выдвинули самые разные идеи. Они сказали, директор мог бы попросить их представить всей компании их разработки за последние два года и что они решили сделать. Он мог бы попросить их подумать, какая часть их технологии могла бы подойти другим отделам организации. Он мог бы попросить их построить какой-нибудь прототип нового поколения, и увидеть, как они могли бы работать. Но фишка в том, что любой из них потребует некоторых усилий и мотивации. И я подумал, что директор просто не понимает важности смысла. Если директор, как и наши подопытные, думал, что смысл неважен, то он бы [не] позаботился. И он бы сказал им: «Тогда я попросил вас работать над тем, а теперь я прошу вас работать над этим, всё будет хорошо». Но как только вы поймёте, насколько важен смысл, тогда вы поймёте, что действительно важно потратить некоторое время, энергию и усилия, чтобы мотивировать людей заботиться о собственной работе.

Следующий эксперимент немного отличался от предыдущего. Мы взяли лист бумаги со случайными буквами, и попросили найти идентичные пары. Такой была задача. Люди закончили первый лист. А затем мы попросили их выполнить тоже самое со следующим листом за меньшие деньги, и следующий лист за ещё меньшие деньги и так далее. У нас было три условия. В первом условии, люди писали своё имя на листе, находили все пары букв, отдавали лист ведущему эксперимента. Ведущий смотрел на него, сканировал сверху вниз, говорил «Ага» и складывал его в кучу рядом с ним. Во втором условии, люди не подписывали лист. Экспериментатор смотрел, брал лист бумаги, не вглядывался и не сканировал и просто складывал его в кучу бумаг. Просто брал лист и клал его в сторону. В третьем условии, экспериментатор забирал листы и сразу же пропускал их через шреддер. Что произошло в тех трёх условиях?

На этом графике я показываю вам, на каком уровне оплаты люди остановились. Низкие цифры означают, что люди работали усердно и гораздо дольше. В условиях признания люди работали вплоть до 15 центов. На 15 центах за страницу они в основном прекращали свои усилия. В условиях со шреддером, это было вдвое больше — 30 центов за лист. Результат практически как и предыдущий. Вы уничтожаете усилия людей и на выходе вы получаете не самых счастливых от своей работы людей. Но стоит отметить, кстати говоря, что в условиях со шреддером люди могли бы хитрить. Они могли бы работать не так хорошо, потому что они понимали, что их усилия будут сразу уничтожены. Возможно, первый лист они делали хорошо, но затем они видели, что никто их не проверяет, поэтому они могли работать быстро и некачественно. В действительности, в условиях со шреддером, люди могли бы заработать больше денег с меньшими затратами. А что в условиях игнорирования? Будут ли они больше похожи на признанные, на результаты со шреддером, или где-то посередине? Выяснилось, что они почти такие же, как и условия со шреддером.

Теперь, хорошие новости и плохие новости. Плохие заключаются в том, что игнорировать качество работы людей почти также плохо, как уничтожать результаты работы на глазах у людей. Игнорирование приводит к тому же результату. А хорошие новости в том, что просто посматривать на результаты работы даже одним глазом и кивать «ага» кажется достаточным для того, чтобы заметно усилить мотивацию людей. Хорошие новости в том, что мотивировать, кажется, не так уж и сложно. Плохая новость в том, что уничтожить мотивацию невероятно просто и если не подумать об этом как следует, можно перестараться. Это всё в терминах негативной мотивации или устранения негативной мотивации.

В следующей части я хочу показать вам кое-что о позитивной мотивации. В Соединённых Штатах есть магазин под названием ИКЕА. Это магазин с неплохой мебелью, на сборку которой уходит много времени. (Смех) Я не знаю как у вас, но каждая сборка занимает гораздо больше времени, требует гораздо больше усилий и каждый раз меня обескураживает. Я собираю их неправильно. Я не могу сказать, что мне нравятся детали. Я не могу сказать, что мне доставляет радость процесс. Но по завершении, мебель от ИКЕА мне начинает нравиться больше, чем другие.

Есть одна старая история про смеси для тортов. Когда в 40-х начали делать смеси, они брали порошок, клали его в коробку, и они предлагали домохозяйкам добавить немного воды, размешать, положить в духовку, и… вуаля, торт готов! Но выяснилось, что смеси не были популярны. Люди не хотели их. И они перебрали самые разные причины. Возможно, вкус был не хорош. Нет, вкус был великолепен. Они выяснили то, что приготовление торта требует слишком мало усилий. Это было настолько просто, что никто не хотел готовить торт для своих гостей и говорить «А вот и мой торт». Нет, нет, нет, это был чей-то чужой торт. Он выглядел как купленный в магазине. Он не создавал ощущения приготовленного самостоятельно. Что они сделали? Изъяли яйца и молоко из порошка. (Смех) Теперь нужно было бить яйца и добавлять их. Нужно было отмерять молоко, добавлять его и смешивать его. Вот теперь это был ваш торт. Теперь всё было хорошо.

Теперь я думаю об эффекте ИКЕА. Заставив людей трудиться больше, они на самом деле заставили их любить то, что они делают ещё больше.

Как мы рассмотрим этот вопрос с экспериментальной точки зрения? Мы спросили людей сделать оригами. Мы дали им инструкции, как сделать оригами, и мы дали им лист бумаги. Они все были новички, и результаты были уродливыми — ничего общего с лягушкой или журавликом. Но мы говорили им: «Смотрите, это оригами на самом деле принадлежит нам. Вы работали для нас, но знаете, мы продадим вам это оригами. Сколько вы можете заплатить за него?» И мы измерили, сколько они готовы за него заплатить. У нас было два типа людей. У нас были люди, кто делал оригами, и у нас были люди, кто не делал их, а просто смотрел как внешний наблюдатель. Мы обнаружили, что изготовители думали, что они создали прекрасные оригами, и они хотели заплатить за них в пять раз больше, чем сторонние наблюдатели. Теперь вы можете сказать, если бы вы были создателем, будете ли вы думать: «О, мне нравится этот оригами, но никому кроме меня он не понравится?» или вы будете думать: «Мне нравится этот оригами, и всем вокруг он тоже будет нравится?» Которое из утверждений корректное? Выяснилось, что создателям не просто нравилось больше собственное произведение, но они думали, что остальные увидят мир их глазами. Они думали, что всем остальным оно тоже понравится.

В следующей версии мы попытались создать эффект ИКЕА. Мы постарались сделать задачу сложнее. Некоторым людям мы дали те же задания. А другим мы сделали его более трудным, спрятав инструкции. Наверху листа, была изображена маленькая диаграмма как сложить оригами. А некоторым мы не дали и этого. Так что в этот раз было сложнее. Что произошло? Ну, говоря объективно, оригами были ещё ужаснее, чем раньше, ведь было сложнее. Теперь, смотрев на простые оригами, мы видели тоже самое: создателям они нравились больше, наблюдателям они нравились меньше. Если взглянуть на оригами со сложной инструкцией, эффект был сильнее. Почему? Потому что теперь создателям они нравились ещё сильнее. Они приложили к ним дополнительные усилия. А наблюдатели? Они нравились им ещё меньше. В действительности они были ещё ужаснее, чем первые версии. Разумеется, это говорит вам кое-что о том, как мы оцениваем вещи.

Подумайте о детях. Представьте, я спрашиваю вас: «Почём вы продадите ваших детей?» Ваши воспоминания, ассоциации и все прочее. Большинство людей скажут за большие, огромные деньги — и это если повезёт. (Смех) Но представьте это немного по-другому. Представьте, у вас нет детей, и в один день вы приходите в парк и встречаете там детишек, и они почти как ваши дети. Вы играли с ними в течение нескольких часов. Вы собираетесь уходить, а родители говорят: «Эй, кстати, пока ты не ушёл, если тебе интересно, эти дети продаются». (Смех) Сколько вы заплатите за них теперь? Большинство из них скажут не так много. И это потому что наши дети настолько ценны, не потому что они такие, а потому что они наши, мы к ним так привязаны, мы потратили на них время. И, кстати говоря, если вы думаете, что инструкции ИКЕА нехороши, подумайте об инструкции, что прилагается к детям. Она реально сложная. (Смех) Кстати говоря, вон те — мои дети, которые, разумеется, удивительные и всё такое. Что напоминает мне сказать вам ещё одну вещь. Как и наши строители из эксперимента, смотрящие на собственное создание, мы не видим, что другие люди не видят мир по-нашему.

Последний комментарий. Если вы думаете кто круче: Адам Смит или Карл Маркс, Адам Смит ввёл очень полезное понятие эффективности. Он привёл пример булавочной фабрики. Он сказал, что в производстве булавки есть 12 разных шагов, и если один человек выполняет все 12 шагов, производительность труда низка. Но если поставить одного человека выполнять первый шаг, второго — второй и так далее, производительность может колоссально возрасти. Отличный пример, причина эффективности и индустриальной революции. С другой стороны, Карл Маркс, сказал что отчуждение результатов труда невероятно важно для того, что люди думают о связи с тем, что они делают. Если вы делаете все 12 шагов, вы будете заботиться о булавке. А если вы делаете только один шаг, возможно, вы не будете заботиться так сильно.

И я думаю, что в индустриальной революции Адам Смит был больше прав, чем Карл Маркс, но текущая действительность в том, что мы перешли к экономике знаний. Можно задать вопрос, что происходит в экономике знаний. Действительно ли эффективность всё ещё важнее смысла? Я думаю, ответ — нет. Я думаю что по мере того как мы продвигаемся к ситуации, в которой люди решают самостоятельно, как много усилий, заботы, насколько сильно они ощущают привязанность, думают ли они о работниках в пути, в душе и т.д., как вдруг Маркс может сказать нам больше. Итак, когда мы думаем о работниках, мы чаще всего думаем о мотивации и об оплате как об одном и том же, но действительность такова, что нам следует добавить к этому и всё остальное — смысл, созидание, сложности, собственность, идентификацию, гордость, и т.д. Хорошая новость в том, что если добавить все эти компоненты и подумать о том, как создать наш собственный смысл, гордость и мотивацию, и как сделать это на работе и для подчинённых, я думаю, можно сделать людей и производительнее и счастливее.

Спасибо большое.