Muundo wa ukuaji endojeni unaotegemea miundombinu ya umma ya akili bandia ni mfumo wa kinadharia wa kiuchumi unaochukulia akili bandia, kwa upande mmoja, kama maarifa na algoriti zisizoisha kwa kutumiwa tena, na kwa upande mwingine kama kipengele mseto cha uzalishaji kinachohitaji nguvu ya kompyuta yenye ukomo wa kimwili, miundombinu ya wingu na mtaji maalumu wa watu. Utafiti wa Ezer Ayadi unaunganisha miundombinu ya umma ya kidijitali, mtaji wa watu wa AI, utozaji kodi, mtaji binafsi wa kimwili, mkusanyiko wa maarifa na athari za nje za mtandao ndani ya mfumo mmoja wa ukuaji endojeni. Dai kuu la muundo ni kwamba pembejeo za umma za kidijitali zinazotolewa kwa ufanisi si lazima zifukuze mtaji binafsi; zinaweza kuongeza tija ya ukingo ya mtaji binafsi na kuunda digital crowding-in.

Katika upande wa uzalishaji wa muundo, mtaji binafsi \(K\), kazi iliyoimarishwa na AI \(A\cdot L\) na miundombinu ya umma ya kidijitali \(G_d\) huzalisha pato kwa pamoja. Serikali huelekeza kutoka kodi sawia \(\tau\) inayokusanywa kutoka uzalishaji, sehemu ya \(\theta\) kwenda kwenye miundombinu ya kidijitali na sehemu ya \(1-\theta\) kwenda kwenye elimu ya AI, utafiti na mtaji wa watu. Nadharia ya Uboreshaji wa Kidijitali ya utafiti inatoa sehemu ya miundombinu inayoongeza ukuaji hadi kiwango cha juu kuwa \(\theta^*=\beta/(\beta+\eta)\). Katika urekebishaji wa baseline, ikiwa \(\beta=0.15\) na \(\eta=0.25\), mgawanyo huu ni %37,5 kwa miundombinu na %62,5 kwa mtaji wa watu wa AI/utafiti. Hata hivyo, mgawanyo huu si pendekezo la jumla kwa kila nchi; ni optimum ya kinadharia inayotegemea vigezo vya muundo.

Utafiti pia unawasilisha Digital Laffer Curve, mgawo wa crowding-in na uchanganuzi mpana wa unyeti wa vigezo. Hapa kuna kikomo muhimu ndani ya chanzo: kuhusu optimum ya kinadharia ya kiwango cha kodi, maandishi makuu, urekebishaji na Appendix A.3 hayalingani kikamilifu. Appendix A.3 inatoa wazi matokeo ya \( \tau^*=\beta \), ilhali sehemu ya baseline hutumia fomula tofauti ya takriban %40. Kwa hiyo, thamani ya %40 haipaswi kufasiriwa kama kiwango kimoja cha kodi cha ukuaji-optimum kilichothibitishwa kwa uthabiti na kinachotumika kwa kila mahali. Aidha, matokeo ya urekebishaji si makadirio ya kiekonometria ya uchumi wa nchi maalumu, bali ni hali za namba zilizorahisishwa zinazotumiwa kuonyesha tabia ya muundo wa kinadharia.

Swali kuu la utafiti

Katika nadharia za kawaida za ukuaji, miundombinu ya serikali mara nyingi huchunguzwa kupitia barabara, mifumo ya nishati na miundombinu ya jadi ya mawasiliano. Katika uchumi wa akili bandia, uwezo wa uzalishaji unazidi kutegemea pembejeo kama vituo vya kompyuta vya utendaji wa juu, miundombinu ya wingu, mifumo ya data, mitandao salama ya kidijitali, majukwaa ya utafiti wa AI na nguvu kazi yenye utaalamu.

Swali kuu la utafiti ni hili: Serikali inapotoa miundombinu hii ya kidijitali na uwezo wa maarifa ya AI kama pembejeo ya umma yenye uzalishaji, ukuaji wa uchumi wa muda mrefu na mkusanyiko wa mtaji binafsi hubadilika vipi?

Muundo unajaribu kujibu swali hili kwa kuchukulia matumizi ya serikali si kama matumizi au ugawaji upya pekee, bali kama mtaji wa kidijitali wenye uzalishaji unaobadilisha ufanisi wa kazi ya uzalishaji.

Kwa nini akili bandia inaundwa kama “kipengele mseto cha uzalishaji”?

Katika muundo, akili bandia ina asili mbili tofauti za kiuchumi. Algoriti, maarifa na miundo iliyofunzwa kwa kiasi kikubwa zina sifa ya non-rival; maarifa yale yale yanapotumiwa na wahusika wengi wa kiuchumi hayapungui kimwili. Kwa upande mwingine, GPU/uwezo wa kompyuta, vituo vya data, miundombinu ya wingu, uwezo wa muunganisho na kazi maalumu ya binadamu inayohitajika kuendesha mifumo ya AI ni finyu na ina gharama.

Kwa hiyo AI haipunguzwi kuwa mtaji wa kawaida wa kimwili pekee au hifadhi ya maarifa pekee. Ubunifu wa kinadharia wa utafiti ni kuunganisha sifa hizi mbili katika njia za miundombinu ya umma na mkusanyiko wa maarifa.

Mtaji wa umma wa kidijitali unajumuisha nini?

\(G_d\) inawakilisha katika muundo mtiririko wa huduma za miundombinu ya kidijitali zinazotolewa na serikali. Mifano katika chanzo inajumuisha miundombinu ya kompyuta ya utendaji wa juu, mifumo ya wingu yenye uhuru wa kitaifa, mitandao ya hali ya juu ya muunganisho, miundombinu ya data, majukwaa ya pamoja ya AI na uwezo wa kompyuta wa umma.

\(G_h\) inawakilisha njia ya bajeti inayotengwa kwa mtaji wa watu unaohusiana na AI na uzalishaji wa maarifa. Utafiti na maendeleo, elimu ya AI, ukuzaji wa ujuzi na uwezo wa ubunifu ndio maudhui ya kiuchumi ya njia hii.

Vigezo vikuu vya muundo

Kazi ya uzalishaji

Mlingano mkuu wa uzalishaji wa muundo una umbo lililopanuliwa la Cobb–Douglas:

\[ Y=K^{\alpha}(A L)^{1-\alpha}G_d^{\beta} \]

Hapa \(Y\) inaonyesha pato la jumla. Mtaji binafsi \(K\), kazi iliyoimarishwa na maarifa ya AI \(A L\) na miundombinu ya umma ya kidijitali \(G_d\) huingia pamoja katika uzalishaji.

\(\alpha\) ni elastiki ya pato ya mtaji binafsi. \(\beta\) ni elastiki ya pato ya miundombinu ya umma ya kidijitali. Katika mfumo wa kinadharia wa chanzo, miundombinu ya umma ya kidijitali na athari za nje za maarifa zinaweza kuunda athari za tija katika uchumi mzima ambazo hazipo miongoni mwa pembejeo binafsi katika kiwango cha kampuni.

Hifadhi ya maarifa hukua vipi?

Mlingano wa mwendo wa hifadhi ya maarifa ya AI ni:

\[ \dot A=\eta G_h A^{\phi} \]

kwa namna hii.

\(\eta\) inawakilisha ufanisi wa kubadilisha matumizi ya serikali kwa utafiti wa AI, elimu na ujuzi kuwa maarifa yanayoweza kutumika; \(\phi\) nayo inawakilisha athari ya nje ya mtandao na kiwango cha kujiongezea nguvu kwa mkusanyiko wa maarifa.

\(\phi\) inapoongezeka, mchango wa hifadhi ya maarifa iliyopo katika uzalishaji wa maarifa mapya huimarika. Chanzo kinafasiri hali za athari kubwa ya nje ya mtandao kama hali ambapo uenezaji wa maarifa ya AI, data na kujifunza hulishana.

Bajeti ya umma hugawanywa katika njia mbili

Chini ya bajeti iliyosawazishwa, serikali hukusanya sehemu ya \(\tau\) ya pato kama kodi. Sehemu ya \(\theta\) ya mapato ya kodi hutengwa kwa miundombinu ya kidijitali:

\[ G_d=\theta\tau Y \]

Sehemu iliyobaki ya \(1-\theta\) huenda kwenye njia ya mtaji wa watu wa AI na utafiti:

\[ G_h=(1-\theta)\tau Y \]

Mgawanyo huu ni mojawapo ya vigezo muhimu zaidi vya sera katika muundo. Serikali haifanyi uamuzi kuhusu “kiasi gani” cha matumizi ya umma ya kidijitali pekee, bali pia jinsi bajeti hiyo hiyo itakavyogawanywa kati ya vifaa/miundombinu na maarifa/mtaji wa watu.

Kwa nini miundombinu ya umma ya AI inaweza kuhamasisha uwekezaji binafsi badala ya kuufukuza?

Katika muundo, miundombinu ya umma ya kidijitali \(G_d\) ni pembejeo inayokamilisha na kuongeza bidhaa ya ukingo ya mtaji binafsi \(K\); mradi derivativu mtambuka ya kazi ya uzalishaji \( \partial^2Y/(\partial K\partial G_d)>0 \), miundombinu zaidi ya umma ya kidijitali huongeza faida ya mtaji binafsi na huhusishwa na hifadhi kubwa zaidi ya mtaji binafsi ndani ya usawa wa muundo. Hili ni tokeo la muundo wa kinadharia wa uzalishaji; si athari ya kisababishi iliyopimwa katika uchumi halisi.

Bidhaa ya ukingo ya mtaji binafsi

Derivativu ya kazi ya uzalishaji kwa \(K\) ni:

\[ MPK=\frac{\partial Y}{\partial K} =\alpha K^{\alpha-1}(AL)^{1-\alpha}G_d^\beta \]

kwa namna hii. \(G_d\) inapoongezeka, ikiwa masharti mengine ni yaleyale, \(MPK\) pia huongezeka.

Ukamilishanaji wa miundombinu ya umma na mtaji binafsi huonyeshwa kwa derivativu mtambuka:

\[ \frac{\partial^2Y}{\partial K\,\partial G_d} = \alpha\beta K^{\alpha-1}(AL)^{1-\alpha}G_d^{\beta-1} >0 \]

Wakati \(\alpha>0\), \(\beta>0\) na hifadhi za vipengele ni chanya, derivativu hii ni chanya. Chanzo kinafafanua hili kama mtaji binafsi na miundombinu ya umma ya kidijitali kuwa Edgeworth–Pareto complements.

Mgawo wa crowding-in

Chanzo kinafafanua elastiki ya hifadhi ya mtaji binafsi katika usawa kwa miundombinu ya umma ya kidijitali:

\[ \chi= \frac{d\ln K^*}{d\ln G_d} = \frac{\beta}{1-\alpha} \]

kama ifuatavyo.

Katika thamani za baseline:

\[ \alpha=0.30,\qquad \beta=0.15 \]

tunapata:

\[ \chi=\frac{0.15}{0.70}\approx0.214 \]

Kulingana na tafsiri ya muundo, ongezeko la %1 la miundombinu ya umma ya kidijitali, huku masharti mengine ya kimuundo yakiwa yaleyale, linaendana na ongezeko la takriban %0,214 la hifadhi ya mtaji binafsi katika usawa.

Namba hii si ukubwa wa athari ya kiekonometria. Haijakadiriwa kutoka data halisi ya uwekezaji wa nchi yoyote; ni elastiki ya kinadharia inayotokana na muundo uliochaguliwa wa uzalishaji wa Cobb–Douglas na thamani zilizorekebishwa za \(\alpha,\beta\).

Nadharia ya Uboreshaji wa Kidijitali hugawaje bajeti ya umma ya AI?

Nadharia ya Uboreshaji wa Kidijitali inatoa sehemu ya bajeti ya kidijitali inayotengwa kwa miundombinu ili kuongeza ukuaji hadi kiwango cha juu kuwa \( \theta^*=\beta/(\beta+\eta) \); umuhimu wa jamaa wa tija ya miundombinu \(\beta\) unapoongezeka, sehemu optimum ya miundombinu huongezeka, na ufanisi wa uzalishaji wa maarifa ya AI na mtaji wa watu \(\eta\) unapoongezeka, sehemu kubwa zaidi ya bajeti huhamia kwenye njia ya maarifa/mtaji wa watu.

Katika kazi ya lengo la sera ya muundo, sehemu ya mgawanyo inayohusika na ukuaji ni:

\[ \theta^\beta(1-\theta)^\eta \]

Sharti la daraja la kwanza kwa \(\theta\) linatoa:

\[ \beta(1-\theta)=\eta\theta \]

na kutoka hapo:

\[ \boxed{\theta^*=\frac{\beta}{\beta+\eta}} \]

hupatikana.

Katika urekebishaji wa baseline:

\[ \beta=0.15,\qquad \eta=0.25 \]

kwa hiyo:

\[ \theta^*=\frac{0.15}{0.15+0.25}=0.375 \]

hupatikana. Katika uchumi huu uliorahisishwa, %37,5 ya bajeti hutengwa kwa miundombinu \(G_d\), na %62,5 kwa utafiti wa AI/mtaji wa watu \(G_h\).

Hata hivyo, uchanganuzi mpana wa unyeti unaonyesha wazi kwamba sehemu optimum si ya kudumu. Kwa mfano, ikiwa \(\beta=0.15\) ni ya kudumu, sehemu optimum ya miundombinu ni 0,50 kwa \(\eta=0.15\); 0,375 kwa \(\eta=0.25\); 0,25 kwa \(\eta=0.45\); na 0,20 kwa \(\eta=0.60\). Katika eneo pana la \(\beta-\eta\) la chanzo, uwiano optimum wa miundombinu hubadilika kati ya takriban 0,071 na 0,778.

Kwa hiyo, utafiti haujasema kwamba “nchi zote zinapaswa kutenga %37,5”. Matokeo ya jumla ya kinadharia ni kwamba muundo optimum wa kifedha hubadilika kulingana na elastiki ya miundombinu ya uchumi na uwezo wa uzalishaji wa maarifa.

Uchumi wenye kikwazo cha miundombinu na wenye kikwazo cha maarifa

Njia ya ukuaji uliosawazishwa

Mienendo ya mtaji binafsi hufafanuliwa kwa:

\[ \dot K=s(1-\tau)Y-\delta_k K \]

Katika njia ya ukuaji uliosawazishwa, \(Y\), \(K\) na \(G_d\) huchukuliwa kukua kwa kiwango kilekile cha kudumu \(\gamma\).

Utofautishaji wa kilogarithimu wa kazi ya uzalishaji unatoa uhusiano kati ya ukuaji wa maarifa na ukuaji wa pato la jumla kuwa:

\[ \gamma= \frac{1-\alpha}{1-\alpha-\beta}g_A \]

kwa namna hii.

Kisha chanzo kinaunganisha vipengele vya kimuundo na kutumia usemi uliorahisishwa wa ukuaji kwa madhumuni ya sera:

\[ \gamma= \lambda\,\tau\,\theta^\beta(1-\theta)^\eta-\delta \]

Hapa \(\lambda\) ni mgawo wa kimuundo wa tija wa muundo; \(\delta\) ni hitaji la pamoja la uchakavu/ufanyaji upya wa mtaji wa kimwili na kidijitali.

Kizidishi cha kidijitali \( \Omega \)

Chanzo kinatumia \( \Omega \) kukusanya mrejesho wa usawa wa jumla katika kipengele kimoja cha marekebisho ya kimuundo. Tafsiri ya kiuchumi ni kwamba miundombinu ya umma ya kidijitali huongeza tija ya mtaji binafsi, jambo hilo hupanua pato na wigo wa kodi, na nafasi pana zaidi ya kifedha huunga mkono uwekezaji mpya wa umma wa kidijitali.

Mwandishi anaita mzunguko huu “Digital Multiplier Effect”. Kikomo muhimu hapa ni kwamba huu si ukadiriaji wa kizidishi cha kifedha kilichoshuhudiwa, bali ni muundo wa mrejesho wa mfumo wa kinadharia ulioundwa.

Je, kiwango cha kodi kinachoongeza ukuaji hadi kiwango cha juu katika muundo kweli ni %40?

Chanzo hakitoi matokeo moja na yanayolingana kimahesabu kuhusu suala hili: sehemu ya 4 inasema kiwango cha kodi cha ukuaji-optimum ni takriban sawa na \( \beta \), na Appendix A.3 inatoa wazi \( \tau^*=\beta \); lakini urekebishaji wa baseline hutumia fomula tofauti ya \( \tau^*=(\beta+\eta)/(1-\alpha)\approx0.40 \), na uso mpana wa namba huzalisha optimum ya takriban \(0.389\). Kwa kuwa baseline ina \(\beta=0.15\), utoaji wa kwanza unaendana na %15; kwa hiyo thamani ya %40 haipaswi kukubaliwa kama optimum ya kinadharia ya jumla kabla ya kutatuliwa kwa kutolingana kwa fomula ndani ya chanzo.

Mantiki kuu ya kiuchumi ya Digital Laffer Curve

Digital Laffer Curve, tofauti na Laffer curve ya kawaida ya mapato ya kodi, inaonyesha uhusiano wa kinadharia kati ya kiwango cha kodi na ukuaji wa uchumi wa muda mrefu.

Katika viwango vya chini vya kodi, uwezo wa serikali wa kufadhili miundombinu ya kidijitali yenye uzalishaji na mtaji wa watu wa AI ni mdogo. Kodi inapoongezeka, athari za tija za pembejeo hizi za umma zinaweza kuongeza ukuaji. Lakini kiwango cha kodi kinapokuwa juu mno, mapato ya baada ya kodi ya uwekezaji binafsi hupungua na athari inayopotosha ya kodi inaweza kutawala. Hivyo uhusiano wenye umbo la U iliyogeuzwa hujitokeza.

reduced-form inayotumiwa na Appendix A.3 ni:

\[ \gamma(\tau) = \Psi(1-\tau)\tau^{\frac{\beta}{1-\beta}}-\delta \]

Sharti la daraja la kwanza linalotokana na usemi huu ni:

\[ -\tau(1-\beta)+\beta(1-\tau)=0 \]

na hivyo:

\[ \boxed{\tau^*=\beta} \]

hutoa matokeo hayo.

Lakini usemi katika sehemu ya urekebishaji wa baseline:

\[ \tau^*=\frac{\beta+\eta}{1-\alpha}\approx0.40 \]

si sawa na utoaji huu wa Appendix. Kwa Verianla, kwa uaminifu kwa chanzo, semi zote mbili zinapaswa kubaki wazi; moja haipaswi kubadilishwa kimyakimya na nyingine.

Mbinu na Matokeo ya Utafiti

Aina ya utafiti

Katika utafiti huu hakuna ukadiriaji wa kiekonometria wa kisababishi kwenye kundi la majaribio, sampuli ya kliniki au paneli ya nchi. Mbinu kuu ni uundaji wa nadharia kwa uchanganuzi, utoaji wa alama, urekebishaji na uigaji wa unyeti wa vigezo.

Ulinganisho wa uwekezaji wa AI na ukuaji wa Pato la Taifa kwa kila mtu wa 2016–2023, pamoja na grafu za muundo wa matumizi ya umma ya AI ya 2023, ni vielelezo vya maelezo vinavyotumika tu kuhamasisha muundo wa kinadharia. Chanzo kinasisitiza kwamba grafu hizi za nchi si uthibitisho wa kiempiria wa muundo.

Urekebishaji wa baseline

Chanzo kinafafanua thamani hizi si kama vigezo vilivyokadiriwa ili kuiga nchi fulani, bali kama thamani za benchmark zinazokubalika kiuchumi zilizotokana na fasihi.

Matokeo ya Baseline Digital Optimality

\[ \theta^*=0.375 \]

Kwa kuwa hivyo ndivyo ilivyo, chanzo kinakokotoa benchmark katika uchumi uliorahisishwa wa baseline ambapo %37,5 ya bajeti ya kidijitali hutengwa kwa miundombinu ya umma ya kidijitali na %62,5 hutengwa kwa mtaji wa watu wa AI na utafiti.

Hali sita za sera

Jedwali hili linaonyesha wazi ujumbe mkuu wa muundo: kodi ya juu zaidi peke yake haitoi ukuaji wa juu zaidi. Vivyo hivyo, kuwepo kwa matumizi ya umma ya AI pekee hakutoshi. Ufanisi wa kitaasisi \(\eta\), athari ya nje ya mtandao \(\phi\) na muundo wa bajeti vinaweza kubadilisha matokeo kwa kiasi kikubwa.

Ufanisi wa kitaasisi hubadilishaje hali?

Katika hali ya uchumi wa mpito na uchumi wenye ufanisi, \(\tau=0.40\) na \(\phi=0.05\) ni za kudumu. \(\eta\) inapoongezeka kutoka 0,25 hadi 0,45, ukuaji neti wa muundo hubadilika kutoka −%1,50 hadi +%2,20.

Namba hii si athari iliyopimwa ya mageuzi halisi ya taasisi. Ni ulinganisho unaotokana na kubadilisha kigezo cha \(\eta\) pekee ndani ya muundo uleule wa kinadharia.

Athari za nje za mtandao

Uchumi wenye ufanisi unapolinganishwa na hali ya spillover ya juu, \(\tau=0.40\) na \(\eta=0.45\) hubaki vilevile huku \(\phi\) ikiongezeka kutoka 0,05 hadi 0,15. Ukuaji neti wa muundo huongezeka kutoka +%2,20 hadi +%6,50.

Matokeo haya yanaonyesha unyeti mkubwa wa muundo kwa uenezaji wa maarifa ya AI na athari za mtandao.

Unyeti wa pamoja wa kodi na muundo wa bajeti

Katika Kielelezo 7, huku \(\eta=0.45\) na \(\phi=0.05\) zikiwa thabiti, \(\tau\) na \(\theta\) zilichanganuliwa pamoja. Kiwango cha juu cha namba katika chanzo kimeripotiwa kuwa takriban:

\[ \tau\approx0.389,\qquad \theta\approx0.252,\qquad \gamma\approx2.57\% \]

kama ilivyoripotiwa.

Wakati \(\eta=0.45\), Nadharia ya Uboreshaji wa Kidijitali inatoa:

\[ \theta^*=\frac{0.15}{0.15+0.45}=0.25 \]

kwa hiyo optimum ya namba ya \(\theta\) inalingana kwa karibu na kanuni ya uchanganuzi ya mgawanyo.

Kwa optimum ya kodi, tafsiri hiyo hiyo ya ulinganifu inapaswa kufanywa kwa uangalifu; matokeo ya takriban 0,389 yanaendana na uso wa ukuaji wa namba uliotumiwa katika chanzo, lakini hayalingani na utoaji wa \( \tau^*=\beta=0.15 \) wa Appendix A.3.

Njia za pato za miaka 20

Chanzo kinaendeleza viwango sita vya ukuaji wa kudumu kwa kuweka fahirisi ya pato ya mwanzo kuwa 100. Mwishoni mwa miaka 20, uchumi wa ufanisi mdogo hushuka hadi 44,4, uchumi wa mpito hadi 74,1 na hali ya kodi kubwa/ufanisi mdogo hadi 56,0. Uchumi wenye ufanisi hupanda hadi 155,3, uchumi wa spillover ya juu hadi 366,9 na hali ya frontier hadi 1059,1.

Njia hizi ni ujumuishaji wa kimitambo wa viwango vya kila mwaka vya ukuaji wa muundo katika kila hali; si utabiri wa makrouchumi wa miaka 20 wala forecast ya nchi.

Unyeti wa crowding-in

Uchanganuzi wa Kielelezo 9 wa chanzo unaripoti kwamba mgawo wa crowding-in hubadilika kati ya takriban 0,047 na 0,667 katika eneo la vigezo vinavyoruhusiwa na ishara yake hubaki chanya.

Uchanya huu ni tokeo la kimuundo la masharti ya \(0<\alpha<1\) na \(\beta>0\) katika kazi ya uzalishaji inayotumiwa. Kwa hiyo “robustness” test inayofanywa hapa si uthibitisho wa crowding-in katika data huru za ulimwengu halisi, bali ni kwamba muundo huhifadhi utaratibu uleule wa kimahesabu wa ukamilishanaji katika thamani tofauti za vigezo.

Muundo optimum wa bajeti ufanisi wa kitaasisi unapoongezeka

Matokeo ya pamoja ya Kielelezo 10 na Kielelezo 12 ni kwamba sehemu optimum ya miundombinu hupungua kadiri \(\eta\) inavyoongezeka. Kwa mfano, wakati \(\eta=0.65\), kanuni ya uchanganuzi inatoa:

\[ \theta^*= \frac{0.15}{0.15+0.65} = 0.1875 \]

ilhali optimum ya uso wa namba hupatikana karibu na 0,185.

Katika uso huo huo, licha ya uwezo mkubwa wa taasisi wa uzalishaji wa maarifa kama \(\eta=0.65\), kutenga karibu bajeti yote ya kidijitali kwa miundombinu kunaweza kupunguza ukuaji neti hadi takriban −%12,53. Ujumbe wa muundo si kwamba “taasisi nzuri hulipia kila mgawanyo mbaya wa bajeti”.

Jaribio la eneo pana la vigezo

Katika Kielelezo 14, chanzo kilitengeneza michanganyiko 20.000 ya vigezo vya uniform:

Kikomo muhimu zaidi cha tafsiri ya matokeo haya ni kwamba vigezo havikutolewa kutoka usambazaji wa uwezekano wa uchumi halisi. Sampuli ya uniform ni coverage exercise. Kwa hiyo, haiwezekani kuhitimisha kwamba “%34,1 ya uchumi hukua kwa uwekezaji wa AI”.

Kudumaa kwa muda mrefu kwa kidijitali

Chanzo kinatumia neno “digital secular stagnation” kwa kikwazo cha upande wa ugavi ambapo hakuna pembejeo za kutosha za umma za kidijitali zinazoweza kutumiwa na mtaji binafsi. Ndani ya muundo, \(G_d\) isiyotosha inaweza kujitokeza kupitia \(MPK\) ya chini, mkusanyiko dhaifu wa mtaji binafsi na pato la chini.

Aidha, ili njia ya ukuaji uliosawazishwa iwe endelevu, akiba binafsi lazima iwe katika kiwango kinachotosha mahitaji ya uchakavu na ukuaji. Sharti hili likivunjika, muundo unaelezea mchakato wa “decapitalization”. Hizi ni hali za muundo wa kinadharia; si hali za makrouchumi za kiempiria zilizogunduliwa katika nchi maalumu.

Tafsiri zinazoungwa mkono na zisizoungwa mkono na utafiti

Nguvu za utafiti

Muundo unachunguza miundombinu ya umma ya kidijitali, mtaji wa watu wa AI, mtaji binafsi, athari za nje za mtandao, ufadhili wa kodi na tatizo la mgawanyo wa kifedha ndani ya mfumo mmoja wa kinadharia. Hauachi madai makuu ya sera katika kiwango cha maneno pekee, bali unayaunda kimahesabu kupitia kazi ya uzalishaji, masharti ya optimum ya daraja la kwanza na derivativu mtambuka.

Uchanganuzi mpana wa unyeti pia unapita zaidi ya nukta moja ya urekebishaji kwa kufanya mchanganyiko tofauti wa mgawanyo, ufanisi wa kitaasisi, athari za nje za mtandao na viwango vya kodi kuonekana.

Vikwazo vikuu

Kikomo cha muundo wa kinadharia: Muundo si uwakilishi kamili wa kiasi wa uchumi maalumu.

Kikomo cha uthibitisho wa kiempiria: Mgawo mkuu wa crowding-in na kanuni ya mgawanyo optimum hazijakadiriwa kiekonometria kutoka data za nchi.

Dhana ya uchumi uliofungwa: Mienendo ya mtaji wa kimataifa, miundombinu ya AI ya kuvuka mipaka na athari za nje za kidijitali hazipo katika muundo mkuu.

Athari za mgawanyo: Haijawekwa katika muundo jinsi faida za uzalishaji zinavyogawanywa kati ya wamiliki wa mtaji na wafanyakazi wanaoimarishwa au kubadilishwa na AI.

Kodi kuwa kigezo cha sera cha nje: Chaguo la kidemokrasia, ugawaji upya na taratibu za uchumi wa kisiasa zimeachwa nje ya muundo mkuu.

Hifadhi ya data: Data haijaundwa katika muundo mkuu kama hifadhi tofauti ya mtaji inayojikusanya; chanzo kinapendekeza hili kama eneo la upanuzi wa baadaye.

Kutolingana kwa optimum ya kodi: Katika chanzo, \( \tau^*=\beta \), fomula mbadala ya takriban %40 na optimum ya namba ya takriban 0,389 zipo pamoja chini ya dhana hiyo hiyo. Ulinganifu wao wa kimahesabu haujaelezwa kikamilifu katika chanzo.

Mielekeo ya utafiti wa baadaye

Chanzo kinapendekeza kuongeza data katika muundo kama hifadhi tofauti inayojikusanya, kuchunguza uchumi wazi na athari za nje za kidijitali za kuvuka mipaka, kutafiti mgawanyo wa faida za ukuaji wa AI kati ya wafanyakazi na wamiliki wa mtaji, na kufanya sera ya kodi kuwa endojeni kama matokeo ya chaguo za kisiasa.

Upanuzi muhimu zaidi wa kiempiria ni kukadiria vigezo vya \(\beta\) na \(\eta\) kwa kutumia uwekezaji wa miundombinu ya kidijitali kati ya nchi, matumizi ya mtaji wa watu wa AI na data za tija; kulinganisha kanuni ya kinadharia ya mgawanyo optimum na bajeti za kifedha zinazoonekana; na kujaribu mgawo wa crowding-in dhidi ya tatizo la endogeneity kwa mbinu za vigezo vya ala.

Maelezo ya Chanzo na Mbinu

Kichwa asili: A Theory of Endogenous Growth Through Public AI Infrastructure and Digital Crowding-In

Mwandishi: Ezer Ayadi.

Taasisi: Department of Finance, College of Business, Imam Mohammad Ibn Saud Islamic University (IMSIU), Riyadh, Saudi Arabia.

Jarida: Economies.

Mchapishaji: MDPI.

Rekodi ya bibliografia: Economies, 2026, 14(8), Article 342.

DOI: 10.3390/economies14080342

Mchakato wa uchapishaji: Received 26 Mei 2026; revised 27 Julai 2026; accepted 5 Agosti 2026; published 13 Agosti 2026.

Aina ya chanzo: Makala ya utafiti wa nadharia ya uchumi yenye ufikiaji wazi na iliyopitiwa na wataalamu.

Leseni: Creative Commons Attribution (CC BY).

Mbinu kuu: Nadharia ya ukuaji endojeni; kazi ya uzalishaji iliyopanuliwa ya Cobb–Douglas; mienendo ya hifadhi ya maarifa ya umma ya AI; utoaji wa balanced-growth-path; Digital Laffer Curve; Nadharia ya Uboreshaji wa Kidijitali; bidhaa ya ukingo ya mtaji binafsi na digital crowding-in kupitia derivativu mtambuka; illustrative calibration; uigaji wa unyeti wa vipimo vingi na eneo la vigezo.

Hali ya kiempiria ya utafiti: Muundo mkuu ni wa kinadharia. Vielelezo vya kwanza vinavyolinganisha nchi vinatoa motisha ya maelezo; si uthibitisho wa kisababishi wa kiempiria kwa muundo. Urekebishaji haukufanywa kwa lengo la kuiga nchi maalumu.

Ufadhili: Imam Mohammad Ibn Saud Islamic University, Deanship of Scientific Research; grant IMSIU-DDRSP2604.

Kamati ya maadili: Haitumiki.

Ridhaa baada ya kupewa taarifa: Haitumiki.

Upatikanaji wa data: Imeelezwa kuwa data ghafi zinazounga mkono matokeo ya makala zitatolewa kwa ombi.

Zana ya uhariri wa lugha: Mwandishi ameripoti kutumia Ginger Software v2.8.72 kusaidia uhariri wa lugha na sarufi ya Kiingereza; maudhui ya kisayansi, uchanganuzi, tafsiri na matokeo ni wajibu wake mwenyewe.

Mgongano wa maslahi: Mwandishi ametangaza kutokuwa na mgongano wa maslahi; imeelezwa kuwa wafadhili hawakuwa na jukumu katika muundo wa utafiti, data, uchanganuzi, tafsiri, uandishi au uamuzi wa uchapishaji.

Michango ya mwandishi: Makala ina mwandishi mmoja; chanzo hakiripoti sehemu tofauti ya CRediT ya michango ya mwandishi.

Onyo la kiufundi ndani ya chanzo: Kwa optimum ya Digital Laffer, maandishi makuu/Appendix A.3 yana mkabala wa \( \tau^*=\beta \), ilhali urekebishaji wa baseline hutumia fomula tofauti ya takriban %40. Kabla ya mkanganyiko huu kutatuliwa, haipaswi kudhaniwa kuwa chanzo kimeamua kwa uthabiti kiwango kimoja optimum cha kodi.

Kikomo kikuu cha tafsiri ya kisayansi: Mahusiano ya crowding-in, mgawanyo optimum na ukuaji yanayowasilishwa na utafiti ni matokeo ya kimuundo ya muundo wa kinadharia. Ukubwa na usababishi katika nchi halisi lazima vijaribiwe kando kwa njia ya kiempiria.