CC BY
60
БОЛЬШИЕ ДАННЫЕ В ПРОЦЕССЕ ПРИНЯТИЯ РЕШЕНИЙ: ОТ АНАЛИЗА ТЕОРИЙ К ОЦЕНКЕ ЭФФЕКТИВНОСТИ ПРАКТИК
Аннотация. В статье анализируется теоретическая база исследований за последнее десятилетие по теме использования больших данных в процессе принятия решений в государственном управлении. На основе проведенного анализа сделан вывод об обширной степени исследованности применения больших данных в государственном управлении с акцентом на потенциальных выгодах и угрозах, что условно разделяет исследователей на технооптимистов и технопессимистов. Большинство исследований носят эмпирический характер, однако, они разрознены и используют разные подходы для выявления взаимосвязей между большими данными.
Ключевые слова. Большие данные, государственная политика, государственное управление, процесс принятия решений.
Shmeleva S.A.
BIG DATA IN THE DECISION-MAKING PROCESS: FROM ANALYSIS OF THEORIES TO EVALUATING THE EFFECTIVENESS OF PRACTICES
Abstract. This article analyzes the theoretical research base of the last decade on the use of the big data in the decision-making process in public administration. Based on the analysis, it is concluded that there is an extensive study of the use of the big data in public administration with an emphasis on potential benefits and threats that conditionally divides researchers into techno-optimists and techno-pessimists. Most studies are empirical in nature; however, they are fragmented and use different approaches to identify the relationships between the big data.
Keywords. Big Data, policy, public administration, decision making process.
Введение
Образ жизни современного общества за последний десяток лет существенно изменился и продолжает меняться: данные, накопленные за последние десять лет, превосходят данные, которые были накоплены за предыдущие сто лет [1]. Управление подобного рода процессами требует оперативного реагирования и принятия решений совершенно иным образом. Как и простому пользователю, государству необходимо адаптировать современные технологии для своих задач, принимая во внимание как необходимость совершенствования инструментов [2-5], так и изменения в разработке политических решений. Большие данные (как в понимании их как больших объемов данных, так и в понимании их как подходов, инструментов и методов обработки полученных данных) становятся дополнительным инструментом для государственного управления.
Большие данные представляют интерес в разрезе использования их для электорального процесса политическими элитами (politics) и для осуществления государственной политики и интеграции боль-
ГРНТИ 06.77.02 © Шмелева С.А., 2022
Светлана Андреевна Шмелева - аспирант Национального исследовательского университета «Высшая школа экономики».
Контактные данные для связи с автором: 190000, Санкт-Петербург, наб. канала Грибоедова, 123 (Russia, St. Petersburg, Griboedov chan. emb., 123). E-mail: sashmeleva8@gmail.com. Статья поступила в редакцию 12.05.2022.
ших данных в процесс принятия решений (policy). Например, большие данные были успешно использованы в предвыборной кампании Д. Трампа 2016 года: с помощью методов компании Plantir удалось выявить так называемые «аномальные штаты», которые не определились в выборе в сторону демократов или республиканцев, и переманить их на сторону республиканцев [6]. В России большие данные используются для сбора официальной государственной статистики, учета налоговых поступлений, реализации концепции инфраструктуры пространственных данных России, работы портала госуслуг, системы ЕСИА и др.
Осмысление новых процессов не обошло стороной и научные дискуссии: только за последние 5 лет количество исследований выросло более чем в 2 раза. Рассматриваются как теоретические подходы к осмыслению понятия (к примеру, теория 7V), так и проводятся эмпирические исследования с использованием конкретных кейсов о взаимосвязи больших данных и процесса принятия решений. Ключевым противостоянием взглядов в академическом сообществе является технооптимизм и технопессимизм. Большие данные стали необходимым условием устойчивого развития государства, но вместе с ними появилось большое количество издержек для внедрения и потенциальных угроз конфиденциальности информации.
Несмотря на проблемы реализации, в зарубежной и отечественной литературе утверждается положительное влияние применения больших данных на процесс принятия решений, однако, оценивание степени эффективности этих решений остается непоследовательным. Целью данной работы является рассмотрение проблемы оценивания применения больших данных в процессе принятия решений.
Большие данные в государственном управлении: ключевые определения и тенденции В научной литературе большие данные стали актуальной темой для исследований не только в прикладных и точных науках, но также и экономических, в том числе при рассмотрении вопросов публичного (государственного) управления. Количественный анализ академической литературы последнего времени показывает возросший интерес к осмыслению понятия больших данных и важность их взаимосвязи с экономическими процессами. Мы провели краткое статистическое исследование численности работ по теме больших данных в государственном управлении. Для оценки количества значимой академической литературы была использована база данных «Scopus». В качестве ключевых слов для поиска используем «big data» и (AND) «Government», а в качестве фильтров - уже опубликованные работы с минимальным размером цитирования в количестве 3. Установлено, что общее количество исследований в данной сфере довольно велико - 2388 исследований начиная с 2008 года (на 31.03.2021).
Первые наиболее цитируемые публикации (2012-2014) характеризуются теоретическим подходом: изучение проблем и перспектив больших данных в процессе принятия решений, определение потенциала их развития [7, 8]. Публикации последних лет (2017-2019), наоборот, имеют более прикладной характер, опираясь на анализ кейсов: применение больших данных в управлении умными городами [9], цепочками поставок [10], в механизмах борьбы с DDoS атаками [11]. При этом, только за последние 35 лет количество цитируемых в научной среде исследований по теме «big data» и «government» возросло более чем в 2 раза (см. рисунок 1).
2020 103
2019 2018 2017 2016 2015 2014
194
253
334
386
465
540
2013 87
2012 22 2011 2
0
200
400
600
Рис. 1. Количество статей по теме: Большие данные в государственном управлении: сравнительный анализ влияния на процесс принятия решений (2011-2020 гг., ед.) (данные взяты из базы данных «Scopus»; разработано автором)
Однако, кроме количества публикаций, крайне важно обратиться к теоретическим осмыслениям основных концепций о больших данных и их влиянии на процесс принятия решений. Определение термина больших данных трансформировалось с течением времени, т.к. простое определение большого количества данных через показатель количества и объема является недостаточным и неточным. В начале 2000-х годов большие данные определяли через три параметра: разнообразие (variety), скорость (velocity), объем (volume) [12]. Чуть позже добавилась ценность (value).
Ф. Диболд одним из первых определял большие данные как «рост количества (а иногда и качества) доступных и потенциально важных данных, [что] в значительной степени [является] результат[ом] недавних и беспрецедентных достижений в технологии записи и хранения данных» (цит. по [13]). В настоящий момент определение расширили до 7 элементов, назвав это теорией 7V [14]; добавились: достоверность (veracity), изменчивость (variability) и визуализация (visualization).
Появление больших данных позитивно откликнулось в государственном секторе: органы государственной власти занимаются разработкой стратегий развития в отношении больших данных (включая Россию), т.к. в полной мере осознают выгоду от ее внедрения на всех уровнях. Государственное управление претерпевает трансформацию с помощью автоматизации рутинных процессов, изменяющих систему предоставления общественных услуг [15]. Применение новых технологий, инфраструктурное развитие цифрового мира, появление ресурсов для получения всевозможного вида данных, сокращение расходов, связанных с этими процессами, приводят к «удивительно положительным результатам для государственного управления с точки зрения его эффективности, результативности и общего удовлетворения клиента» [16].
В качестве примера можно привести применение больших данных правительством Сингапура и запуск в 2010 г. программы «Planning for Land Transport Network (PLANET)», которая была спроектирована для создания системы, улучшающей функционирование общественного транспорта на основе отслеживающихся транзакций по каждой поездке (6,3 млн поездок каждый день). Благодаря этим транзакциям в режиме онлайн удалось получить картину данных о проблемах и ограничениях в передвижениях и спланировать улучшение системы общественного транспорта. Находят применение большие данные не только в транспортной логистике, но и в производственной [17].
Вместе с этим, появляется тезис о том, что увеличение доступной информации, включающее в себя понятие большие данные, должно способствовать принятию «лучших решений»: «чем больше качественной и точной информации будет доступно, тем лучше будут решения» [18]. Подобный оптимистический взгляд на развитие новых технологий («технооптимизм») не ставит под сомнение безопасность больших данных или их «полезность». После наступления времени «удивительного прогресса с цифровыми технологиями» [19] «полезность» преобразований, вызванных цифровыми технологиями, становится очевидной: увеличивается разнообразие и объем потребляемой информации (в виде книг, аудио- и видеофайлов). Понятие «изобилие», а не «дефицит» информации становится нормой.
Однако, создаются определенные угрозы и страхи: необходимость владения специальными навыками для обработки и восприятия информации и меньшая потребность в «традиционных» навыках, технологии постепенно заменяют рутинный человеческий ресурс, т.к. большую роль играет не только качество, но и процесс получения данной информации и способ ее обработки [20]. М. Хайдеггер, сторонник «технопессимизма», в своей работе отмечает, что раньше человек был нацелен на надлежащее управление техникой, и это желание становилось все более настойчивым. Но ввиду того, что использование больших данных - эволюционный процесс, в котором постепенное понимание потенциала больших данных и «рутинизация» процесса играет одну из ключевых ролей [21], возникает угроза того, что техника «грозится вырваться из-под власти человека» и заменить человеческий рутинный труд автоматизированным процессом.
Не отрицая полезность больших данных, мы выделяем 3 ключевые проблемы, которые затрудняют эффективное внедрение и использование больших данных в государственном управлении:
1. Технологическая: сбор и обработка данных. В государственном секторе, по сравнению с частным, заметно некоторое «отставание» в процессе внедрения больших данных ввиду недостаточного инфраструктурного оснащения [22]. Кроме этого, источники больших данных нередко сталкиваются с проблемой репрезентативности, на эмпирическом и концептуальном уровне, что делает конечное понимание полученной информации искаженным и неточным: проблема может крыться в методах сбора и обработки данных: от алгоритмов сбора до методов интерпретации. Исследование [23] отмечает, что в
больших данных больше «шума» («noise»), чем «сигналов» («signal»). Для получения достоверных данных необходимо правильно отличить «шум» от «сигналов» и, впоследствии, нейтрализовать «шум». По причине этих проблем государственные структуры сфокусированы больше на обеспечении качественных процессов обработки источников больших данных, чем на использовании этих данных в официальной статистике или в процессе принятия решений.
2. Человеческая: интересы агентов. Информацию можно воспринимать как «оспариваемый товар», рассматривать ее в различных контекстах управления, и на данном этапе теряется беспристрастность оценки полученных данных. В процессе потери объективности и надежности полученных в результате такой оценки данных принятие решения невозможно охарактеризовать как «нейтральный процесс», когда каждый агент, соприкасающийся с данными, будет использовать полученную им информацию в своих целях. Ван дер Воорт с коллегами [24] предполагают, что ключевые участники процесса: аналитики данных и лица, принимающие решения, могут являться двумя автономными агентами и преследовать собственные интересы. Большие данные следует признавать как инструмент влияния на политические институты: информация может быть функционально использована как для принятия новых решений, так и легитимизации уже существующих.
Важно не исключать и риски появления манипуляций общественным мнением с использованием больших данных, когда, к примеру, результаты опроса общественного мнения политики могут по-разному интерпретировать в зависимости от собственных интересов. Учитывая отсутствие объективности при принятии решений, можно предположить, что чем больше данных, тем больше выбора придется делать (с исключительной низкой вероятностью, что «больше - значит лучше»). Однако, с этим утверждением можно поспорить: ведь государственное управление по своему характеру не является «машиноподобной деятельностью» [25], потому как включает в себя не только технологический процесс, но и ценности, на которых она строится, и ценности тех людей, которых она объединяет.
3. Юридическая: защита данных. Проблема нарушения конфиденциальности становится предметом спора в правовых дисциплинах: защита персональных данных, угрозы использования личных данных злоумышленниками, кибер-атаки - все это способствовало созданию особого регулирования на государственном уровне (например, принятие соответствующих законов в Эстонии, США, Швеции [26]). На уровне Евросоюза в данный момент действует «Общий регламент о защите персональных данных» (документ опубликован на сайте Европейского Союза 23.05.2019 г., доступен по ссылке и проверен 01.04.2021: https://eeas.europa.eu/headquarters/headquarters-homepage/44163/ node/44163_en), который заявляет своей целью гарантии защиты персональных данных граждан ЕС.
Большие данные в процессе принятия решений в российских исследованиях: от «советского интернета» к цифровой экономике
Первые попытки российского (советского) осмысления значимости больших данных существовали еще в 70-х годах XX в., когда в 1971 году была поставлена задача применения электронно-вычислительной техники для поиска оптимальных экономических решений. Планировалось за пятилетие ввести в действие более 1600 автоматизированных систем в разных сферах (сельское хозяйство, связь, торговля, транспорт) для создания «общегосударственной системы сбора и обработки информации для учета, планирования и управления народным хозяйством на базе государственной системы вычислительных центров и единой автоматической сети связи страны» [27]. Однако впоследствии проект претерпевал изменения и не был реализован по политическим и экономическим причинам ввиду своей дороговизны, а также ввиду бюрократических особенностей и сложностей внедрения технологий в государственную систему управления.
Современные авторы продолжают осмысление новых обстоятельств ввиду появления больших массивов данных и способов их обработки, и дальнейшей имплементации их в систему государственного управления. Однако, если количество зарубежных работ по теме больших данных и государственного управления исчисляется тысячами, то количество отечественных научных работ значительно меньше. По заданным нами в самом начале параметрам поиска было обнаружено 39 исследований за последние 5 лет (см. рисунок 2). Ввиду малого количества международных публикаций, можно осторожно предположить, что российская наука в меньшей степени вовлечена в осмысление проблем, возможностей и угроз больших данных в процессе принятия решений.
Зарубежный и отечественный опыт внедрения и использования больших данных позволяет рассматривать эволюцию современного государства в условиях развития новых цифровых технологий во взаимосвязи с электронным правительством [28]. Существуют примеры использования больших данных для прогнозирования преступности на определенных территориях [29].
В России, например массив данных, поступающих с видеокамер комплексной системы «Безопасный город» (информационно-аналитическая система, введенная в Москве), позволил раскрыть около 70% от общего количества раскрытых преступлений в 2014 году. Система состоит, в свою очередь, из множества взаимосвязанных друг с другом систем: транспортная, системы электро-водоснабжения, телекоммуникационная, и позволяет собирать множество данных, чтобы на их основе принимать оперативные требуемые решения [30]. Несмотря на позитивную оценку работы данной системы, нельзя не предположить возможное использование тех же данных в собственных интересах всеми участниками сбора, обработки информации и лицами, принимающими решения.
Все принимаемые решения нуждаются в нормативно-правовом регулировании, создании правовой базы во избежание рисков оборота данных в государственном управлении [31]. Основным документом, на котором построено планирование стратегий развития оборотов данных в России является национальная программа «Цифровая экономика Российской Федерации» (Паспорт Национальной программы «Цифровая экономика Российской Федерации» утвержден президиумом Совета при Президенте Российской Федерации по стратегическому развитию и национальным проектам, протокол от 24 декабря 2018 г. № 16).
2020 2019 2018 2017 2016 2016
10
15
20
0
5
Рис. 2. Количество статей по теме: Большие данные в государственном управлении в России: сравнительный анализ влияния на процесс принятия политических решений (2015-2020 гг., ед.) (данные взяты из базы данных «Scopus»; разработано автором)
Кроме вопросов стратегического развития, она касается также вопросов регулирования рисков в связи с возросшим числом государственных организаций и коммерческих структур, которые собирают первичную информацию о юридических и физических лицах. Это, в первую очередь, потенциальные угрозы конфиденциальности информации и необходимость защиты гражданских прав в цифровой среде [32]. Невозможно предугадать, каким образом компании используют полученную информацию о пользователях, согласившихся с их «политикой конфиденциальности» (например, каким образом поставленный «лайк» в социальных сетях, данные GPS навигатора или поисковые запросы в поисковых системах могут в дальнейшем отразиться на частной жизни пользователя). Возрос также электронный документооборот между различными государственными ведомствами.
Д. Двинских и Э. Талапина [31] отмечают следующие риски государственных данных: необходимое увеличение затрат на анализ данных в силу отсутствия их стандартизации (предложение авторов по нивелированию рисков - стандартизация представления, обработки и хранения данных в государственном управлении); замедление формирования потока данных (создание нормативно-правового регулирования оперативного обновления и использования данных); киберугрозы для государственных информационных систем, риски потери либо пиратского использования конфиденциальных и секретных данных (предложения касаются как участия в разработке норм международного права по соблюдению ки-бербезопасности информационной инфраструктуры, так и разработки учебных программ
по информационной безопасности, обучение сотрудников госучреждений и населения, а также организации специальных информационных платформ для обмена актуальными данными о киберугрозах и их источниках всех участников информационных рынков).
Существуют риски и в связи с использованием больших данных в сети «Интернет» в целом [33]. Отмечается, что многие недостатки в правовом регулировании могут являться следствием недостаточной комплексной (одновременно и экономической, и правовой) проработки данного вопроса. Таким образом, отечественные исследования также можно условно разделить по критериям имеющихся проблем и/или потенциальных угроз: технологическим, человеческим и правовым. Стоит отметить, что фокус современных исследований, проведенных по теме больших данных в государственном управлении, смещен в плоскость юриспруденции.
К сожалению, российское исследовательское поле в области больших данных разработано меньше, чем в зарубежной науке, что может быть обусловлено историческими причинами. Большинство российских исследований посвящены необходимости законодательного регулирования цифровой среды: стандартизации данных, защиты данных пользователей, международной информационной безопасности. Таким образом, можно рассуждать о том, что российское академическое сообщество в большей степени направляет свои силы на устранение потенциальных угроз и придерживается позиции техно-пессимизма.
Тем не менее, на государственном уровне признается необходимость внедрения больших данных в процесс государственного управления, что отражается в национальных программах и стратегиях развития. Однако, у исследователей возникают сложности с оцениванием эффективности принятых решений, где следует учитывать не только качество использованных при принятии решения больших данных, но и человеческий фактор.
В качестве примера можно привести ситуацию при создании инновационных кластеров в России, в целом подробно описанную в трудах К. А. Соловейчика [34-37]. Государственная поддержка создания кластеров в России потребовала создания единой информационной системы как для кластеров в целом (пусть сначала для управляющих компаний), потом для всех участников кластера, далее для информационного сопровождения логистики - организации межфирменного взаимодействия внутри кластера, потом с внешней средой (подробно описано в трудах А.Г. Голубева [38-40]). Все это потребовало создания единых информационных баз больших данных, что на этапе начала десятых годов 21 века оказалось нереальным, и государственная поддержка при создании инновационных кластеров затормозилась. Заключение
В настоящий момент существует большое количество литературы, посвященное, как потенциалу больших данных, так и потенциальным угрозам и сложностям в связи с их использованием, и взаимосвязи больших данных с процессом принятия решений. Вопрос об определении понятия больших данных поднимался еще в конце XX века., и определение до сих пор меняется, дополняется и расширяется. Можно говорить о том, что степень исследованности взаимосвязи больших данных и государственного управления является обширной, однако, довольно эмпирической. Текущие исследования больших данных в государственном секторе подчеркивают технические и рациональные факторы, уделяя гораздо больше внимания данным и аналитическим результатам, а не их взаимодействию с конечным решением.
Подавляющее большинство исследований в своих выводах соглашаются с тем, что существует множество позитивных эффектов от применения больших данных в процессе принятия решений: больший охват исследуемой аудитории, показателей; облегчение методов сбора необходимой информации, экономическая выгода от их (больших данных) применения. Также можно отметить согласие по поводу большого количества потенциальных угроз, таких как: конфиденциальность, отсутствие объективности при обработке данных аналитиками и дальнейшем принятии решений на основе полученных данных (попытки адаптировать результаты данных под собственные интересы), а также экономические трудности для государства при использовании больших данных (большая финансовая нагрузка на государственные институты, бюрократия на стадии утверждения планов по внедрению использования больших данных).
Основной проблемой для анализа степени и уровня влияния больших данных на процесс принятия решений в исследованиях является отсутствие единой методологии измерения влияния одной перемен-
ной на другую: невозможность унифицированного метода оценки взаимодействия аналитиков, обрабатывающих большие данные, с лицами, принимающими решения, значительно затрудняет понимание и осмысление данной взаимосвязи. Разработке системы публичного (государственного) управления будут посвящено дальнейшее исследование.
ЛИТЕРАТУРА
1. Manyika J. Big Data: The next frontier for innovation, competition, and productivity. McKinsey Global Institute, 2011.
2. Helbig N., Dawes S., Dzhusupova Z., Klievink B., Mkude C.G. Stakeholder engagement in policy development: observations and lessons from international experience // Policy practice and digital science. Springer, Cham, 2015. Р. 177-204.
3. Плотников В.А. Цифровизация производства: теоретическая сущность и перспективы развития в российской экономике // Известия Санкт-Петербургского государственного экономического университета. 2018. № 4 (112). С. 16-24.
4. Шмелева С.А. Большие данные в процессе принятия политических решений: от анализа теорий к оценке эффективности практик // Вестник Пермского университета. Политология. 2021. Т. 15. № 3. С. 40-51.
5. Шмелева С.А., ЩербакА.Н. Доверие, экономическое развитие, политический режим: статистический анализ взаимосвязей // Международный журнал исследований культуры. 2014. № 1 (14). С. 54-61.
6. Балашов Б.М. Большие данные и их применение в предвыборной борьбе // Международный журнал гуманитарных и естественных наук. 2017. 11. С. 46-50.
7. Boyd D., Crawford K. Critical Questions for Big Data // Information, Communication & Society. 2012. № 15 (5). Р. 662-679.
8. Dijck J. Datafication, dataism and dataveillance: Big Data between scientific paradigm and ideology // Surveillance & Society. 2014. № 12 (2). Р. 197-208.
9. Lim C., Kim K.J., Maglio P.P. Smart cities with big data: Reference models, challenges, and considerations // Cities. 2018. № 82. Р. 86-99.
10. HazenB.T., Skipper J.B., Boone C.A., HillR.R. Back in business: Operations research in support of big data analytics for operations and supply chain management // Annals of Operations Research. 2018. № 270 (1-2). Р. 201-211.
11. Chaudhary D., Bhushan K., Gupta B.B. Survey on DDoS Attacks and Defense Mechanisms in Cloud and Fog Computing // International Journal of E-Services and Mobile Applications. 2018. № 10 (3). Р. 61-83.
12. Laney D. 3D Data Management: Controlling Data Volume, Velocity and Variety // META Group Research Note. 2001. № 6.
13. Moorthy J., Ghosh P. Big Data and Consumer Privacy, VIKALPA // The Journal for Decision Makers. 2015. № 40 (1). Р. 74-96.
14. Rijmenam M. Why The 3V's Are Not Sufficient To Describe Big Data, Datafloq. [Электронный ресурс]. Режим доступа: https://datafloq.com/read/3vs-suificient-describe-big-data/166 (дата обращения 01.04.2020).
15. Pencheva I., EsteveM., Mikhaylov S.J. Big Data and AI - A transformational shift for government: So, what next for research? // Public Policy and Administration. 2018. № 35 (1). Р. 24-44.
16. Maciejewski M. To do more, better, faster and more cheaply: using big data in public administration // International Review of Administrative Sciences. 2017. № 83 (1S). Р. 120-135.
17. Аркин П.А., Богданова В.В., Шмелева С.А., Аркина К.Г. Методические вопросы закупочной логистики адгези-вов и компаундов химической отрасли России // Известия Санкт-Петербургского государственного экономического университета. 2021. № 5 (131). С. 110-119.
18. Höchtl J., Parycek P., Schöllhammer R. Big data in the policy cycle: Policy decision making in the digital era // Journal of Organizational Computing and Electronic Commerce. 2016. № 26 (1-2). Р. 147-169.
19. Brynjolfsson E., McAfee A. The Second Machine Age: Work, Progress, and Prosperity in a Time of Brilliant Technologies. W.W. Norton & Company, 2014.
20. Janssen M., van der Voort H., Wahyudi A. Factors influencing big data decision-making quality // Journal of Business Research. 2017. № 70. Р. 338-345.
21. ХайдеггерМ. Вопрос о технике. Время и бытие: Статьи и выступления. М.: Республика, 1993. 445 с.
22. Kitchin R. The real-time city? Big data and smart urbanism // GeoJournal. 2014. № 79 (1). Р. 1-14.
23. Vydra S., Klievink B. Techno-optimism and policy-pessimism in the public sector big data debate // Government Information Quarterly. 2019. № 36 (4). Р. 27-38.
24. Van der VoortH.G., KlievinkA.J., ArnaboldiM., Meijer A.J. Rationality and politics of algorithms. Will the promise of big data survive the dynamics of public decision making? // Government Information Quarterly. 2019. № 36 (1). Р. 27-38.
25. Stewart J. Value conflict and policy change / In: Public Policy Values. Palgrave Macmillan, London, 2009. Р. 33-46.
26. Motupalli V. How Big Data is Changing Democracy // Journal of International Affairs. 2017. № 71 (1). Р. 71-80.
27. Бондарев В. Почему не заработал советский интернет? // Родина. 2007. № 7. С. 113-116.
28. СидороваА.А. Электронное правительство: повышение общественного участия в управлении государством // Государственное управление. Электронный вестник. 2017. № 62. С. 87-103.
29. Авдеева И.А. Анализ зарубежного опыта использования глобальных технологий «BigData» // Вестник евразийской науки. 2016. № 6 (37). С. 1-11.
30. Булгакова Е.В. Использование «больших данных» в системе государственного управления: условия, возможности, перспективы // Юридическая наука и практика: Вестник Нижегородской академии МВД России. 2015. № 3 (31). С. 10-14.
31. Двинских Д.Ю., Талапина Э. Риски развития оборота данных в государственном управлении // Вопросы государственного и муниципального управления. 2019. № 3. С. 7-30.
32. Савельев А. Проблемы применения законодательства о персональных данных в эпоху «Больших данных» (Big Data) // Право. Журнал Высшей школы экономики. 2015. № 1. С. 43-66.
33. Аркин П.А., Иванов М.Б., Бородина Е.П. Методические вопросы управления интеллектуальной собственностью, публикуемой на сайтах в информационно-телекоммуникационной сети "интернет" // Известия Санкт-Петербургского государственного экономического университета. 2018. № 1 (109). С. 80-87.
34. Соловейчик К.А. Концептуальные основы создания инновационных промышленных кластеров в России: монография. СПб.: Изд-во СПбГУЭФ, 2010. 127 с.
35. Аркин П.А., Соловейчик К.А. Кластерный подход как основа формирования производственных комплексов современной России // Известия Санкт-Петербургского университета экономики и финансов. 2010. № 3 (63). С. 23-26.
36. Аркин П.А., Соловейчик К.А. Менеджмент интеллектуальных ресурсов предприятий при формировании региональных кластеров // Проблемы современной экономики. 2009. № 4 (32). С. 126-130.
37. Соловейчик К.А. Методический подход к моделированию промышленных кластеров // Экономика и управление. 2011. № 1 (63). С. 42-45.
38. Голубев А.Г. Логистические подходы организации межфирменного взаимодействия в кластере: диссертация на соискание ученой степени кандидата экономических наук / Санкт-Петербургский государственный экономический университет. СПб., 2013.
39. Аркин П. А., Голубев А. Г. Методическое обеспечение взаимодействия промышленных предприятий внутри кластера: логистический подход // Известия Санкт-Петербургского университета экономики и финансов. 2013. № 1 (79). С. 33-38.
40. Аркин П.А., Голубев А.Г. Структуризация инновационного процесса в кластере: информационно-логистический метод // Известия Санкт-Петербургского государственного экономического университета. 2014. № 1 (85). С. 58-62.
