CC BY
22
Вестник Томского государственного университета. Экономика. 2023. № 61. С. 74-95. Tomsk State University Journal of Economics. 2023. 61. рр. 74-95.
Научная статья УДК 332.1
doi: 10.17223/19988648/61/6
Города «второго эшелона» креативной реиндустриализации: поиск инсайтов
Ирина Сергеевна Антонова1' 2, Евгений Анатольевич Пчелинцев2, Екатерина Александровна Малеева3
1 Национальный исследовательский Томский политехнический университет,
Томск, Россия
2 Национальный исследовательский Томский государственный университет,
Томск, Россия 3 ПАО «Ростелеком», Томск, Россия
1 antonova_is@mail.ru
2 evgen-pch@yandex. ru
3 maleevakatie@gmail.com
Аннотация. Данная статья вносит вклад в развитие концепции городов «второго эшелона». В проведенном исследовании предлагается выделить города «второго эшелона» на основе показателя эффективности креативных индустрий. Для этого рассчитывается показатель DEA креативных индустрий по полному перечню городов Кемеровской, Свердловской, Челябинской, Томской областей, Ханты-Мансийского автономного округа и Алтайского края и проводится его кластеризация с применением метода машинного обучения t-SNE (стохастическое вложение соседей с t-распределением). Результаты исследования позволяют выделить кластер городов, близких к административным центрам (однозначным лидерам по ключевым социально-экономическим показателям), которые могут взять на себя роль ядра городов «второго эшелона», среди них Нижний Тагил, Магнитогорск, Миасс, Новокузнецк, Бийск, Сургут, Когалым, Нижневартовск. Анализ динамики полученного кластера позволяет выявить особенность в развитии креативных индустрий Новокузнецка, Нижневартовска и Сургута. Сопоставляя полученные результаты с распределением городов по модели Ципфа (по численности населения, агрегированной выручки, основных средств и оплаты труда), авторы делают вывод о возможности выделения городов «второго эшелона» на основе показателей эффективности креативных индустрий. Таким образом, данное исследование вносит вклад в подтверждение тезиса о значимости фактора развития креативных инду-стрий в условиях новой индустриализации.
Ключевые слова: креативные индустрии, города «второго эшелона», DEA, t-SNE, креативная реиндустриализация
Источник финансирования: исследование выполнено за счет гранта Российского научного фонда (проект № 22-18-00679 «Креативная реиндустриализация городов "второго эшелона" в условиях цифровой трансформации»).
Для цитирования: Антонова И.С., Пчелинцев Е.А., Малеева Е.А. Города «второго эшелона» креативной реиндустриализации: поиск инсайтов // Вестник Томского государственного университета. Экономика. 2023. № 61. С. 74-95. doi: 10.17223/19988648/61/6
© Антонова И.С., Пчелинцев Е.А., Малеева Е.А., 2022
Original article
Second-tier cities of creative reindustrialization: Search for insights
Irina S. Antonova1' 2, Evgeny A. Pchelintsev2, Ekaterina A. Maleeva3
1 National Research Tomsk Polytechnic University, Tomsk, Russian Federation 2 National Research Tomsk State University, Tomsk, Russian Federation 3 Rostelecom, Tomsk, Russian Federation
1 antonova_is@mail.ru
2 evgen-pch@yandex.ru 3 maleevakatie@gmail.com
Abstract. This article contributes to the development of the concept of second-tier cities. In this study, it is proposed to identify second-tier cities based on the performance indicator of creative industries. To do this, the DEA indicator of creative industries is calculated for the full list of cities in Kemerovo, Sverdlovsk, Chelyabinsk, Tomsk Ob-lasts, Khanty-Mansi Autonomous Okrug, and Altai Krai, and its clustering is carried out using the t-SNE machine learning method (t-distribution stochastic neighbor embedding). The results of the study show a cluster of cities close to administrative centers (unambiguous leaders in key socio-economic indicators) that can take on the role of the core of second-tier cities: Nizhny Tagil, Magnitogorsk, Miass, Novokuznetsk, Biysk, Surgut, Kogalym, Nizhnevartovsk. The analysis of the dynamics of the resulting cluster makes it possible to identify a feature in the development of creative industries in Novokuznetsk, Nizhnevartovsk and Surgut. Comparing the results obtained with the distribution of cities according to the Zipf model (by population, aggregated revenue, fixed assets and wages), the authors conclude that it is possible to allocate second-tier cities based on the performance indicators of creative industries. Thus, this study contributes to the confirmation of the thesis about the importance of the factor of development of creative industries in the conditions of new industrialization. Keywords: creative industries, second-tier cities, DEA, t-SNE, creative reindustriali-zation
Financial Support: The study was supported by the Russian Science Foundation, Project No. 22-18-00679: Creative Reindustrialization of the Second-Tier Cities in Context of Digital Transformation.
For citation: Antonova, I.S., Pchelintsev, E.A. & Maleeva, E.A. (2023) Second-tier cities of creative reindustrialization: Search for insights. Vestnik Tomskogo gosudarstvennogo universiteta. Ekonomika - Tomsk State University Journal of Economics. 61. pp. 74-95. (In Russian). doi: 10.17223/19988648/61/6
Введение
В научной литературе принято уделять пристальное внимание крупным городам и агломерациям как основному драйверу развития экономики и пространства страны. Однако в соответствии с теорией «Центр - периферия» пространственное развитие достигается за счет передачи накопленного капитала от центральных, агломерированных районов городам, находящимся в их поле, путем обратного трансфера технологий [1, 2]. В таких
условиях актуальность развития «вторых» городов по отношению к лидерам становится крайне высокой. По развитию этих городов следует делать вывод об интенсивности и эффективности такого трансфера. Современным драйвером развития экономики города являются креативные индустрии, что признано рядом государств, включая Великобританию, Австралию, Германию, Республику Корея и др. [3]. Креативность, с одной стороны, является непременным условием развития инвестиций [4, с. 135], с другой -становится благодатной средой для развития предпринимательской активности с фокусом на молодежное общество [5]. Креативные индустрии, выступая фактором инновационного развития и, как следствие, трансфера технологий, наследуют принципы инновационного перетока и абсорбции знаний. Наличие креативных индустрий вызывает эффект перетока, или положительные побочные эффекты («spillover effect») в городе и между городами, что становится актуальной научной гипотезой, теоретический вклад в обоснование которой вносит данная статья. Положительный эффект перетока запускает новый виток экономического роста, что крайне актуально для индустриальных городов, для которых данный эффект может вызвать процесс реиндустриализации. Однако остается неочевидным то, что процесс реиндустриализации будет сопровождаться ростом совокупного объема производства в городе. Процесс диверсификации может привести к совершенно иному результату - новой индустриализации города.
Необходимым, хотя и недостаточным, условием креативной реинду-стриализации является наличие эффективности креативных индустрий в городе. В научных исследованиях показатель эффективности экономики города применяется довольно широко [6, 7]. Однако эмпирические исследования на уровне городов (муниципальных образований) крайне ограниченны неполнотой, коротким горизонтом и недостаточной глубиной статистических данных, отсутствием методологии выявления и оценки каналов эффекта перетока креативных индустрий. Тем не менее остается очевидным, что креативные индустрии развиваются по-разному в разных городах, формируя креативный потенциал развития города, оценивая который, можно проводить кластеризацию и группировку городов, выделяя и характеризуя города различных эшелонов, моногорода и полипрофильные города, городские и сельские поселения и т.д. При этом вклад в подтверждение научной гипотезы, сформулированной ранее, может происходить через установление и анализ влияния эффекта перетока на развитие креативной реиндустриализации. Таким образом, целью данного исследования является формирование тестовой выборки городов «второго эшелона» креативной реиндустриализации на примере Уральского экономического района и Кузбасса, а также Ханты-Мансийского автономного округа и Алтайского края. Структура работы, позволяющая достигнуть поставленной цели, включает следующие разделы. Обзор литературы на основе анализа зарубежных источников с глубиной публикаций с 1996-2022 гг. с помощью наукометрического инструмента SciVal от Elsevier позволяет сформулировать важнейшие подходы к выделению городов «второго эшелона», а также
предложить понятие «креативная реиндустриализация». В разделе «Этапы и методы исследования» представлены четыре этапа проведения эмпирической оценки эффективности креативных индустрий и выделения городов «второго эшелона». В разделе «Результаты исследования» представлены этапы эмпирической оценки эффективности креативных индустрий, а также полученные кластеры городов по показателю «эффективность креативных индустрий». В разделе «Выводы и обсуждения» предлагается интерпретация полученных результатов и приведены выводы.
Обзор литературы
Понятие и критерии городов «второго эшелона». Анализ 279 источников базы данных Scopus с ключевыми словами «second-tier city/cities» и «secondary city/cities» (в областях «Economics, Econometrics and Finance; Business, Management and Accounting; Social Sciences; Arts and Humanities») с применением инструмента SciVal от Elsevier показал, что в зарубежной научной литературе в настоящее время не сформировано единой методологии определения понятия «города второго эшелона», различия определяются национальными системами территориального деления и научно-исследовательскими задачами. Ключевыми объектами исследования выступают города Китая и Южной Африки, что видно из анализа поля ключевых слов (прил. 1). В Китае в рамках модели административно-территориального деления применяется система выделения эшелонов, включающая «первый эшелон» (first-tier), «второй эшелон» (second-tier), «третий эшелон» (third-tier), «четвертый эшелон» (fourth-tier), кроме того, провинциальные центры и города уровня простых префектур («provincial capital» и «ordinary prefecture-level») [9, 10]. В соответствии с рейтингом городов «Yuicai Global» в 2017 г. и неофициальным рейтингом, опубликованным в «South China Morning Post» в 2018 г., к «первому эшелону» отнесены Пекин, Шанхай, Шэньчжэнь, Гуанчжоу и др. Это самые коммерчески привлекательные города. Города «второго эшелона» отстают от первого, однако именно в них видится ключевой потенциал экономического роста - Тяньцзинь, Нанкин, Ханчжоу и др. Учитывая масштабность урбанизации китайских городов последнего десятилетия со средним темпом роста площади префектур и городов 6% в год, определение указанных уровней носит непостоянный характер, и, как следствие, выделяются города «Нового уровня 1» [11].
В условиях отсутствия официально закрепленных перечней городов «второго эшелона» или критериев их выделения определение «уровня» города становится вопросом методологии или определяется конкретными задачами научного исследования. Q. Kong и др. по итогам группировки городов не приводят ни одного названия города, отнесенного к различным уровням, однако выделяют зоны первопроходцев Шелкового пояса, открытого ядра, стратегический центр и зону внешних окон [10]. Данный тезис подтверждается и ключевыми исследованиями на примере городов Южной Африки. Ключевой проблемой исследований с выделением «secondary
cities» является обеспечение продовольствием, туризм, инфраструктурная доступность, а также развитие моногородов. Авторы прибегают к делению городов с различной степенью формальности на «основные» и «второстепенные» [12-16]. В этот список попадают также исследования китайских городов, несмотря на существующую систему многоуровневого деления [17]. Недостатком формального деления городов на «основные» и «второстепенные» является отсутствие учета разнообразия городов в группе «второстепенных», что не позволяет говорить о наличии более высокого потенциала «вторых» городов по отношению к прочим за лидерские позиции.
В данной связи авторы склоняются к тому, что помимо «второго эшелона» следует выделять и прочие эшелоны, принимая во внимание различные показатели развития городов, что позволяет выявлять тренды и потенциалы развития городов в различных направлениях.
Актуальность вопросов развития городов «второго эшелона» видна последние 5-7 лет и среди европейских городов, которые в числе прочего получают название города «среднего размера» (medium-sized) или «второго уровня» («secondrank», «second-tier») [18-21].
B. Hermelin, B. Persson на примере шведских городов приводят следующие критерии выделения городов «второго эшелона» [22]:
- положение в национальной городской системе (город второго уровня);
- положение регионального центра внутри города-региона;
- промышленные традиции производства.
Данные критерии носят фрагментарный характер и сложно тиражируемы для сопоставления, в том числе в условиях российской системы муниципального управления. В частности, не рассматривается один из ключевых критериев ранжирования городов - численность населения.
В сопоставлении с зарубежными исследованиями российские авторы более предметно подходят к понятию города «второго эшелона». И.Д. Тур-гель и Н.Ю. Власова, систематизируя понятие «вторые города» Урала, выделяют следующие критерии, получившие распространение в научных исследованиях:
- достаточная удаленность от регионального центра и наличие «поля тяготения» к городу;
- размер города по численности населения 100-500 тыс. чел.;
- полифункциональная структура экономики с развитым третичным сектором;
- конкуренция города за статус «первого» города с прочими городами и городами-лидерами.
Кроме того, указанные авторы приходят к выводу о том, что зарубежные исследования трактуют города «второго эшелона» в контексте научно-исследовательской задачи и рассматриваемых показателей, сопоставляя и ранжируя на их основе города [23].
Таким образом, следует сделать вывод о том, что в науке формируются два принципиальных подхода к пониманию сущности городов «второго эшелона»:
1) общий подход, предполагающий разделение всей совокупности городов на «лидеров» и «второй эшелон»; такой подход не предполагает наличия более высокого потенциала вторых городов и конкуренцию за лидерские позиции;
2) кластерный подход, предполагающий выделение п-групп городов (эшелонов), среди которых города «второго эшелона» имеют наибольший потенциал роста и развития в числе прочих за лидерские позиции на рассматриваемой территории (регионе).
Авторы данной статьи склоняются ко второму подходу, позволяющему исследовать различные базовые показатели эшелонов, подчеркивая тот факт, что методология кластеризации эшелонов городов в контексте креативных индустрий в городах крайне слабо изучена.
Креативная реиндустриализация. Формирование предметной области SciVal с ключевым понятием «креативная реиндустриализация» не позволило выявить ни одной публикации, в связи с чем данный термин предлагается ввести впервые. При этом схожими терминами в определенной мере можно считать «окультуривание» ('culturaHsatюn') экономики и «креативи-зация» ('creativisation') экономики [25-27]. Однако именно развитие концепции «реиндустриализация» позволяет сформулировать новый подход к трансформации промышленного сектора города на основе креативной экономики. В связи с чем была сформирована предметная область с ключевым словом «reindustriali?ation»1, включившая 191 публикацию. Анализ поля ключевых слов (прил. 2) показал, что реиндустриализация в зарубежной литературе понимается, прежде всего, через «деиндустриализацию», т.е. сокращение доли промышленного сектора экономики города. Деиндустриализацию в индустриальных городах типа «гринфилд» связывают с экономическим сжатием города, ростом безработицы, увеличением бедности и социальной изоляции [28]. Именно поэтому в случае креативной реиндустриали-зации предлагается фокусироваться именно на новой форме трансформации экономики индустриального города через развитие креаиндустрий.
Таким образом, в данном исследовании авторы предлагают ввести понятие «креативная реиндустриализация», под которой понимается новая форма трансформации экономики индустриального города за счет развития креативных видов деятельности, ведущей к восстановлению и переходу к устойчивому развитию экономики такого города.
Этапы и методы исследования
Для формирования тестовой выборки городов «второго эшелона» креативной реиндустриализации на примере Уральского экономического района и Кузбасса, а также Ханты-Мансийского автономного округа и Алтайского края предлагается:
- оценить эффективность креативных индустрий;
1 Знак вопроса указан намеренно и означает любую букву на данном месте.
- провести кластеризацию городов по полученным показателям;
- выделить города «второго эшелона» по показателю эффективности креативных индустрий.
Базой данных для расчета показателя эффективности креативных индустрий стали микроданные предприятий, представленные в информационно-аналитической системе СПАРК. Методологической основой выделения креативных индустрий послужила методология выделения ОКВЭД креативных индустрий, представленная в Атласе креативных индустрий РФ (2021) [29]. Данная методология выбрана осознанно для возможности проведения сопоставительного анализа результатов оценки городов «второго эшелона» с крупными агломерационными центрами. Для анализа выбраны регионы Урала и Сибири (Свердловская, Челябинская, Кемеровская, Томская области, Алтайский край и Ханты-Мансийский автономный округ).
Этап 1. Оценка эффективности креативных индустрий на основе метода анализа оболочки данных (Data Envelopment Analysis, DEA). Данный метод представляет возможность проведения математической оптимизации для исследования границ эффективности путем многократного решения задачи линейного программирования [30, 31]. Процедура не предполагает функциональной связи между входами и выходами, а скорее принимает как заданную комбинацию входов и выходов всех единиц исследования (Decision Making Unit, DMU) и сравнивает их друг с другом. Таким образом, DEA измеряет относительную эффективность DMU, которая может представлять собой любой интересующий объект, если предположить, что входы и выходы могут быть охарактеризованы. Для модели, ориентированной на вход, DMU идентифицируется, как эффективный, когда он достигает определенного результата при минимально возможном входе, а для модели, ориентированной на выход, - когда происходит увеличение значений выхода без увеличения значений входа.
В данной работе использовалась модель с ориентацией на выход CCR-модель (1) с постоянным эффектом масштаба, когда выходной параметр изменяется пропорционально входному и BCC (2) с переменным эффектом масштаба, при котором изменение входного параметра непропорционально изменению выходного параметра.
тахф,х (ф), -фу1 + УХ> 0,
X - XX > 0,
Х> 0;
(1)
тахф,х (ф) -фу + УХ > 0, х - XX > 0,
Z X i = 1,
Х> 0,
где X - входные параметры; Y - выходные параметры; ф - полученная мера эффективности i-го объекта при решении задачи; X - вектор констант.
Е.П. Моргунов, О.Н. Моргунова описывают модель, в которой на входе используется «унифицированный показатель» (единица) [32]. При этом на выходе - положительно направленные показатели, отражающие экономический рост в регионе. Такими показателями в нашем исследовании предложены выручка, основные средства, число действующих предприятий креативных индустрий, которые имеют положительную корреляцию [33]. В работе М.А. Богданова указывается также на необходимость прямой зависимости между входными и выходными показателями в модели DEA [34]. В модели с унифицированным входом такой зависимости не требуется.
Этап 2. Кластеризация городов по показателю эффективности креативных индустрий. Для выявления центров тяготения и группировки городов по полученным результатам проводится кластеризация с применением метода машинного обучения t-SNE (стохастическое вложение соседей с t-распределением) [35]. Данный метод представляет собой инструмент нелинейного уменьшения размерности, подходящий для вложения многомерных данных для визуализации в пространстве низкой размерности. Метод моделирует каждый многомерный объект двух- или трехмерной точкой таким образом, что похожие объекты моделируются близлежащими точками, а непохожие объекты моделируются с высокой вероятностью удаленными друг от друга. Предположим, что есть набор многомерных данных {Xj,x2,...,x}, цель алгоритма - получить отображение {у, у2,..., у} в двух- или трехмерном пространстве. Первоначально алгоритм преобразует многомерные евклидовы расстояния между точками в условные вероятности, которые представляют похожесть. Похожесть точки xj с точкой xj выражается условной вероятностью P¡, определяемой как
Вероятности в исходном пространстве определяются следующим образом:
где п - размер набора данных.
Соотношение целевого количества ближайших соседей к точке называется «перплексия», которая является входным параметром алгоритма t-SNE и может быть определена как
(3)
(4)
2n
(5)
H ( Pi ) = -S P^j (6)
j
На основе попарных расстояний точек этот метод автоматически определяет дисперсию о такую, что эффективное число соседей совпадает с заданной пользователем перплексией. Алгоритм t-SNE использует t-рас-пределение Стьюдента с одной степенью свободы, чтобы избежать нагромождения точек. Используя это распределение, можно определить вероятность при низкой размерности q^:
(1+ll yi- yj||2 )-1
q«= /-• (7)
I k „ (141 Ук - y|)
Далее алгоритм t-SNE использует дивергенцию Кульбака-Лейблера [36] вместе с методом градиентного спуска, чтобы найти отображение входных данных xj в более низком измерении как у;.
Этап 3. Оценка достоверности результатов на основе сопоставления полученных результатов с распределением городов по модели Ципфа. Закон Ципфа, или правило «ранг-размер», широко используется для понимания городских систем. Закон Ципфа подразумевает, что в системе городов самый большой город примерно в два раза больше второго по величине города, в три раза больше третьего по величине города и т.д. Ф. Ауэрбах в 1913 г. предположил, что распределение городов может быть точно аппроксимировано распределением Парето [37]. То есть если мы ранжируем города от самого большого (ранг 1) до самого маленького (ранг N), чтобы получить ранг R(P) для города с численностью населения P, необходимо
logR(P) = log A -a logP, (8)
где R - ранг города от 1 до N; P - численность населения; A - константа; а - показатель Парето.
Позже Ципф предположил, что размеры городов подчиняются особой форме распределения, где а = 1 [38]. Если города ранжировать по убыванию численности населения, то отношение численности двух городов будет обратно пропорционально отношению их рангов (правило «ранг-размер»). Это выражение закономерности стало известно как закон Ципфа. Данная модель актуальна сегодня, что подтверждают исследования, посвященные малым и средним городам [39].
Этап 4. Выявление городов для кейс-стади на основе метода «ин-сайтов». Метод «инсайтов» позволяет отмечать нетипичное поведение объектов провести дальнейший детальный анализ причин такого проявления. Методология «insight-driven analytics» предложена и успешно апробирована ФИПС (г. Москва) на данных патентной аналитики и предполагает два направления поиска инсайтов: на основе комплексного анализа паттернов; на основе точечной аномалии. В нашем исследовании предлагается применение точечной аномалии для выявления нетипичных выбросов по-
казателей эффективности креативных индустрий с последующим анализом города в виде кейс-стади.
Результаты исследования
Оценка эффективности креативных индустрий. Результаты оценки параметров модели на базе микроданных о выручке, основных средствах и числе действующих предприятий в городах Свердловской, Челябинской, Кемеровской, Томской областей, Алтайского края и Ханты-Мансийского автономного округа представлены на рис. 1. Результаты расчетов показывают среди лидеров - города - административные центры регионов (Екатеринбург, Барнаул, Челябинск, Томск, Кемерово), а также два города Новокузнецк и Сургут, не относящиеся к такому статусу. Динамика показателей указанных городов носит «пиковый» характер, особый интерес при этом представляют Новокузнецк (2020 г.) и Нижневартовск (1999 и 2002 гг.). Кроме того, отмечаются пики в административных центрах регионов - Челябинске (2016 г.), Кемерове (2011 г.), Барнауле (2000 и 2020 гг.).
и
1999 20GG 2301 U02 2Ш9 2ЦЦ 2С05 2Ü06 2D07 2ÜCH 2X9 JOLO 2011 2012 201Э 1014 2015 2Ü15 1017 201Е 2019 2Q2G 2021
Рис. 1. Сравнительный анализ эффективности экономики городов Кемеровской, Свердловской, Челябинской, Томской областей, ХМАО и Алтайского края по показателю эффективности (DEA)
Кластеризация городов Кемеровской, Свердловской, Челябинской, Томской областей, Ханты-Мансийского автономного округа и Алтайского края по показателю эффективности. Результаты кластеризации приведены в прил. 3. Лучшая степень снижения размерности с применени-
ем метода t-SNE получена при уровне перплексии («perplexity») - 3; преувеличения («exaggeration») - 2; с выделением двух главных компонент. В нижней части рисунка отчетливо выделились два кластера. Первый кластер включает города-административные центры и такие города, как Ми-асс, Новокузнецк, Магнитогорск, Когалым, Бийск, Сургут, Нижний Тагил, Нижневартовск. Результаты систематизированы в таблице.
Кластеризация городов креативного пояса Урала и Сибири в соответствии с регионом
№ Административный центр региона (уровень 1) Ядро городов «второго эшелона» (уровень 2) Города-претенденты (уровень 3)
Первый кластер Второй кластер
1 Екатеринбург Нижний Тагил Каменск-Уральский Сысерть* Первоуральск* Верхняя Пышма*
2 Челябинск Магнитогорск Миасс Златоуст Копейск Озерск*
3 Кемерово Новокузнецк Прокопьевск Белово*
4 Барнаул Бийск Рубцовск
5 Томск - Северск
6 Ханты-Мансийск Сургут Когалым Нижневартовск Нефтеюганск Мегион* Урай* Нягань*
Оценка достоверности результатов на основе сопоставления полученных результатов с распределением городов по модели Ципфа. Мы исходим из того, что численность населения остается ключевым фактором развития экономики городов, многократно доказанным в различных исследованиях [39]. Модель Ципфа позволяет представить распределение городов по численности населения по правилу «ранг-размер». Первые четыре города после административного центра по распределению Ципфа отнесены к городам с высоким потенциалом агломерации (прил. 4). Сопоставление полученных городов с перечнем городов позволило выявить те города, отнесенные к уровню 3, которые не имеют такого потенциала.
Таким образом, города креативного пояса Сибири и Урала предлагается подразделить на уровень 1 (первого эшелона), уровень 2 (ядро «второго эшелона»), уровень 3 - города с высоким потенциалом вхождения в ядро «второго эшелона» и уровень 3 - без звездочки - догоняющие города ядра «второго эшелона». Последние вызывают крайне высокий интерес для отдельного исследования ввиду отсутствия агломерационного ресурса роста, данные города показывают высокую эффективность креативных индустрий.
Города, представленные в ядре «второго эшелона», в историческом контексте сформировались как запасные экономические центры крупных индустриальных регионов: Свердловской (Нижний Тагил), Челябинской (Магнитогорск) и Кемеровской (Новокузнецк) областей. Северск в Томской области, являясь закрытым административно-территориальным образованием, выполнял функцию специализации в атомной промышленности, что не позволило этому городу в полной мере проявить потенциал второго города, в том числе по креативным индустриям. В Ханты-Мансийском автономном округе (ХМАО) с административным центром Ханты-Мансийск наблюдается «перевернутая» модель распределения городов, где второй город региона в социально-экономическом развитии превышает административный центр, которую повторяет и показатель эффективности креативных инду-стрий. Таким образом, именно Сургут становится основным локомотивом развития региона. Являясь нефтедобывающим регионом-донором, ХМАО в сопоставлении с прочими регионами РФ [40] занимает лидирующие позиции. Сравнительный анализ эффективности городов, представленных в ядре «второго эшелона» приведен на рис. 2.
1999 2000 2001 2002 2СОЗ 2004 2005 2006 iCC'J 2003 2009 211: 2011 2012 2019 2014 2Ш5 2016 2017 2:19 2019 2020 2021
[>ыЙ1.г. Наглпшм У^ ■ y нтигиисн Мин о с 11и!инеяар_инсн 11итний Тагил Наоанузнсцк. Сургут
Рис. 2. Сравнительный анализ эффективности экономики городов «второго эшелона» по показателю эффективности (DEA)
Анализ пиковых показателей эффективности открывает перспективы анализа частных проявлений финансовых микроданных предприятий. Так, на примере Сургута в 2013 г. мы видим всплеск эффективности предприятий креативных индустрий, обеспеченный в том числе лидером - ООО
«Югрател», основным видом деятельности которого является связь на базе проводных технологий, а также ООО «БТ», занимающееся ВЭП «гостиницы» и «прочие места для временного проживания».
Однако если у первой компании, занимающейся телекоммуникацией, после трех лет (2010-2013 гг.) пиковых выручек начался процесс реорганизаций, закончившийся вхождением компании в ПАО «Мегафон», то ООО «БТ» имело разовую выручку в 2013 г., а компания впоследствии реорганизовалась и была исключена из ЕГРЮЛ ввиду недостоверности информации.
Схожая ситуация видна с Новокузнецком. На рис. 3 отражена динамика выручки креативных индустрий Новокузнецка, позволяющая сделать вывод о резком росте в 2020 г. - более чем в 20 раз, причем спровоцировало этот рост единственное предприятие, занимающееся рекламной деятельностью
(ООО «СТИЛ»).
400 000 000 000 300 000 000 ООО 200 000 000 000 100 000 000 000
Рис. 3. Динамика выручки креативных индустрий Новокузнецка (расчеты авторов)
Срок существования (по 2021 г.), а также анализ баланса и отчета о финансовых результатах дают основание полагать, что деятельность компании относится к «серому» сектору экономики из-за некоторой структуры затрат креативных индустрий, позволяющих это делать проще.
Всплеск эффективности на примере Нижневартовска объясняется разными факторами. В 1999 г. - это приобретение основных средств одной из компаний, занимающихся деятельностью библиотек и архивов, которой оказалась ПАО «РН-Западная Сибирь», что предлагается отнести к категории некачественных данных на уровне финансовой отчетности. В 2002 г. всплеск не был вызван деятельностью одной из компаний, что позволяет говорить о некоторых внешних факторах воздействия на креативные индустрии.
Среди городов, отнесенных к административным центрам, пиковые выбросы связаны с приобретением основных средств в архитектуре, инженерных изысканиях и технической консультации (Барнаул, 2020 г.), всплески показателя эффективности в Кемерове и Челябинске не имеют очевидного фактора, скорее речь идет о совокупности параметров воздействия.
Выводы и обсуждения
Полученные результаты позволяют сделать следующие выводы:
1) авторы предлагают новый концепт «креативная реиндустриализа-ция» как новую форму трансформации экономики индустриального города за счет развития креативных видов деятельности, которая ведет к восстановлению и переходу к устойчивому развитию экономики такого города;
2) в исследовании выделены три уровня городов креативного пояса Сибири и Урала, среди которых уровень 2 предложено считать ядром городов «второго эшелона», а города уровня 3 - проявляющими такой потенциал;
3) распределение городов креативного пояса Сибири и Урала по уровням 1-3 в целом подтверждает вывод о том, что для формирования креативных кластеров необходим достаточно высокий уровень агломерационных эффектов [41];
4) сопоставление распределения городов по численности населения с полученными данными кластеризации позволяет выделить среди городов - претендентов на роль города «второго эшелона» те города, у которых при более низком положении в распределении городов наблюдается более высокая эффективность креативных индустрий (рассчитанная по методике DEA).
Кейс-стади Новокузнецка и Сургута позволил сформулировать гипотезу о проявлении институциональной колеи через потенциал креативных индустрий к проведению «серых» расчетов, что переводит исследование в практико-ориентированную плоскость. Пример Новокузнецка показывает, как креативные индустрии на основе структуры финансовой отчетности становятся каналом теневой экономики, которая потенциально отражается в зависимости выручки моногородов Кемеровской области от деятельности охранных предприятий [42]. Данное обстоятельство формирует «ловушку» репутации в соответствии с теорией эволюционной экономической географии и подхода Дж. Саравелли. В подобную «ловушку» может попасть креативная индустрия, представляющая в случае формирования негативного образа «обмана», выступающего барьером развития креативных индустрий. Данный эффект делает вклад в обоснование наличия институциональной колеи, влияющий и на креативные индустрии.
Приложение 1
Second-tier and Secondary city 2012 to 2021 v
Keyphrase analysis©
Top 50 keyphrases by relevance, based on 279 publications
+ Add to Reporting
Poverty Determinant Governance
Regional Food Systems
Emergence Metropolitan
Republic of South Africa Resilience Industrialization Geography r. Sprawl Urban Renewal Metropolitan Area .V"'™ Ghana Agglomeration Electric Vehicle Urban , ■ Urban Economy Internal Migration
Urban Housing Urbanization Senega1 Agenda Economics Real Estate Market __ , , |ncjja Urban Areas Urban System
Indonesia { ITIOC Tourism Urban Growth population Growth Kenya Vw I I Cb City-regions Urban p|annjng Cambodia World Cities International Relations G|oba| South
Metropolis Policy Making Climate Regional Development
Philippines Small City Urban PovertV * P
AA A relevance of keyphrase declining A A A growing (2012-2021)
Приложение 2
Реиндустриализация_28.10.2022 2012 to 2021 v
Top 50 keyphrases by relevance, based on 191 publications
Argentina Transformation Balkan Peninsula Economic Growth United States
Clothing Competitiveness Coal Mining Regional Development A r . . _ , , „ . i_ * , i„ j, .„«.„, Manufacturing Textile Industry
Serbian citizen) Industry cmni?m:« .
Industrial Revolution Serbia economics Contemporary
Economic Aspect
AEroindust7Deindustriahzation ,„,,„.
Manufacturing Indus, rief . ^SSI3 Sector |nC[UStrja| PoljCV Russian Economy "AS S,, „
OmitS . —I . 1 -------—' щ о ucvaumireni
I Book I China ■ • I • ■ •
Industrialization
Romania Firm Extractive Industries
Policy _
Import Substitution Economic Development investment upgrading Innovation
Developing Countries
A A A relevance of keyphrase declining A A A growing (2012-2021)
Приложение 4
Список источников
1. Friedmann J. The world city hypothesis // Development and change. 1986 Vol. 17, № 1. P. 69-83.
2. Коломак Е.А. Пространственное развитие России в XXI в // Пространственная экономика. 2019. Т. 15, № 4. С. 85-106.
3. Власова В.В., Гершман М.А., Гохберг Л.М. и др. Креативная экономика Москвы в цифрах / под ред. Л.М. Гохберга. М. : НИУ ВШЭ, 2021. 108 с.
4. Тросби Д. Экономика и культура. М. : Изд. дом Высшей школы экономики, 2018. 256 с.
5. Фомина С.Н., Дятлова К.А. Креативное пространство как эффективный элемент инфраструктуры молодежной политики // Молодежь. Семья. Общество. 2019. С. 46-59.
6. Мельникова Л.В. Размеры городов, эффективность и экономический рост // Всероссийский экономический журнал «ЭКО». 2017. № 7 (517). С. 5-19.
7. Попов Е.В., Семячков К.А. Умные города. М. : Юрайт, 2022. 346 с.
8. Second-tier and Secondary city. SciVal. Elsevier. URL: https://www.scival.com/trends/ summary?uri=Customer/331021/ResearchArea/205108 (дата обращения: 28.10.2022).
9. Lin J., de Kloet J. Platformization of the unlikely creative class: Kuaishou and Chinese digital cultural production // Social Media+ Society. 2019. Vol. 5, № 4. P. 1-12.
10. Kong Q. et al. Has the Belt and Road Initiative improved the quality of economic growth in China's cities? // International Review of Economics & Finance. 2021. Vol. 76. P. 870-883.
11. Wang K., Qi W. Space-time relationship between urban municipal district adjustment and built-up area expansion in China // Chinese Geographical Science. 2017. Vol. 27, № 2. P. 165-175.
12. Smit W. Urban governance and urban food systems in Africa: Examining the linkages // Cities. 2016. Vol. 58. P. 80-86.
13. Minot N. Food price volatility in sub-Saharan Africa: Has it really increased? // Food Policy. 2014. Vol. 45. P. 45-56.
14. Rogerson C.M., Rogerson J.M. City tourism in South Africa: Diversity and change // Tourism Review International. 2017. Vol. 21, № 2. P. 193-211.
15. Andreasen M.H. et al. Urban transformations, migration and residential mobility patterns in African secondary cities // Geografisk Tidsskrift-Danish Journal of Geography. 2017. Vol. 117, № 2. P. 93-104.
16. Marais L. et al. Economic transitions in south Africa's secondary cities: Governing mine closures // Politics and Governance. 2021. Vol. 9, № 2. P. 381-392.
17. Tsai I.C., Chiang S.H. Exuberance and spillovers in housing markets: Evidence from first-and second-tier cities in China // Regional Science and Urban Economics. 2019. Vol. 77. P. 75-86.
18. Evans R. Harnessing the economic potential of 'second-tier'European cities: Lessons from four different state/urban systems // Environment and Planning C: Government and Policy. 2015. Vol. 33, № 1. P. 163-183.
19. Camagni R., Capello R. Second-rank city dynamics: Theoretical interpretations behind their growth potentials // European Planning Studies. 2015. Vol. 23, № 6. P. 1041-1053.
20. Cardoso R.V. Localising urbanisation trajectories: Comparing the emergence of second-tier urban regions in Europe (1890-2011) // Urban Research & Practice. 2018. Vol. 11, № 3. P. 223-246.
21. Korzer T. et al. Rethinking retail digitisation in urban settings. The case of Leipzig, Germany // Proceedings of the Institution of Civil Engineers-Urban Design and Planning. 2020. Vol. 173, № 5. P. 197-209.
22. Hermelin B., Persson B. Regional governance in second-tier city-regions in Sweden: a multi-scalar approach to institutional change // Regional Studies. 2021. Vol. 55, № 8. P. 1365-1375.
23. Тургель И.Д., Власова Н.Ю. «Вторые» города Урала: от города-завода-к многофункциональным центрам // Региональные исследования. 2016. № 2. С. 43-54.
24. Реиндустриализация. SciVal. Elsevier. URL: https://scival.com/trends/summary? uri=Customer/331021/ResearchArea/205122 (дата обращения: 28.10.2022).
25. Mikic H. Cultural entrepreneurship and rural development: Case study of Pirot, Serbia // Entrepreneurship in Culture and Creative Industries. Springer, Cham, 2018. P. 245-263.
26. Richardson L. Culturalisation and devices: what is culture in cultural economy? // Journal of Cultural Economy. 2019. Vol. 12, № 3. P. 228-241.
27. Suchacek J., Koutsky J. Media Cultural Landscape: Experience from Czechia // Cultural Management: Science and Education. 2021. Vol. 5, № 2. P. 23-32.
28. Kantor-Pietraga I., Zdyrko A., Bednarczyk J. Semi-Natural Areas on Post-Mining Brownfields as an Opportunity to Strengthen the Attractiveness of a Small Town. An Example of Radzionkow in Southern Poland // Land. 2021. Vol. 10, № 7. P. 761.
29. Журавлева Т. и др. Атлас креативных индустрий Российской Федерации. М. : Агентство стратегических инициатив, 2021. URL: https://100gorodov.ru/creativeindustries (дата обращения: 31.10.2022).
30. Charnes A., Cooper W.W., Rhodes E. Measuring the Efficiency of Decision Making Units // European Journal of Operational Research. 1978. Vol. 2. P. 429-444.
31. Farrell M.J. The Measurement of Productive Efficiency // Journal of The Royal Statistical Society, Series A (General), Part III. 1957. Vol. 120. P. 253-281.
32. Моргунов Е.П., Моргунова О.Н. Краткое описание метода Data Envelopment Analysis. URL: http://www.morgunov.org/docs/DEA_intro.pdf (дата обращения: 10.11.2022).
33. Antonova I.S., Pchelintsev E.A. Path dependence and regional disparities in single-industry towns in Russia: the evidence from micro data // International Journal of Economic Policy in Emerging Economies. 2022. Vol. 16, № 2-4. P. 318-343.
34. Богданов М.А. Оценка эффективности предприятий на основе метода DEA // Точная наука. 2020. № 79. С. 10-14.
35. Van der Maaten L., Hinton G. Visualizing data using t-SNE // Journal of machine learning research. 2008. Vol. 9, № 11. P. 2579-2605.
36. Kingman J.F.C., Kullback S. Information Theory and Statistics. Mineola, NY, USA : Dover Publications Inc., 2007. Vol. 54.
37. Auerbach F. Das Gesetz der Belvolkerungskoncentration Petermanns Geographische Mitteilungen, 1913. Vol. 59. P. 74-76.
38. Zipf G. Human Behaviour and the Principle of Least Effort. Reading, MA : Addison-Wesley, 1949.
39. Растворцева С.Н., Манаева И.В. Тенденции и факторы современного развития малых и средних городов // Экономические и социальные перемены: факты, тенденции, прогноз. 2022. Т. 15, № 1. С. 110-127.
40. Батчаев А. Российские рейтинги регионов, рекомендуемые для использования при стратегическом планировании. Методические заметки // StratPlan.ru. 2022. URL: https://stratplan.ru/UserFiles/Files/Russian%20reagions.pdf (дата обращения: 10.11.2022).
41. Куценко Е. Пилотные инновационные территориальные кластеры России: модель устойчивого развития // Форсайт. 2015. Т. 9, № 1. С. 32-55.
42. Антонова И.С., Пчелинцев Е.А. Анализ и моделирование финансовых показателей предприятий моногородов горнодобывающего региона // Вестник Тюменского государственного университета. Социально-экономические и правовые исследования. 2018. Т. 4, № 4. С. 200-218.
References
1. Friedmann, J. (1986) The world city hypothesis. Development and change. 1 (17). pp. 69-83.
2. Kolomak, E.A. (2019) Prostranstvennoe razvitie Rossii v XXI v [Spatial development of Russia in the 21st century]. Prostranstvennaya ekonomika. 4 (15). pp. 85-106.
3. Vlasova, V.V. et al. (2021) Kreativnaya ekonomika Moskvy v tsifrakh [Moscow Creative Economy in Figures]. Moscow: HSE.
4. Throsby, D. (2018) Ekonomika i kul'tura [Economics and Culture]. Translaed from English. Moscow: HSE.
5. Fomina, S.N. & Dyatlova, K.A. (2019) Kreativnoe prostranstvo kak effektivnyy element infrastruktury molodezhnoy politiki [Creative space as an effective element of the youth policy infrastructure]. In: Rostovskaya, T.K. (ed.) Molodezh'. Sem'ya. Obshchestvo [Youth. Family. Society]. Moscow: Izdatel'sko-torgovyy Dom "PERSPEKTIVA". pp. 46-59.
6. Mel'nikova, L.V. (2017) Razmery gorodov, effektivnost' i ekonomicheskiy rost [Sizes of cities, efficiency and economic growth]. Vserossiyskiy ekonomicheskiy zhurnal EKO. 7 (517). pp. 5-19.
7. Popov, E.V. & Semyachkov, K.A. (2022) Umnye goroda [Smart Cities]. Moscow: Yurayt.
8. SciVal. Elsevier. (n.d.) Second-tier and Secondary city. [Online] Available from: https://www.scival.com/trends/ summary?uri=Customer/331021/ResearchArea/205108 (Accessed: 28.10.2022).
9. Lin, J. & de Kloet, J. (2019) Platformization of the unlikely creative class: Kuaishou and Chinese digital cultural production. SocialMedia+ Society. 4 (5). pp. 1-12.
10. Kong, Q. et al. (2021) Has the Belt and Road Initiative improved the quality of economic growth in China's cities? International Review of Economics & Finance. 1 (76). pp. 870-883.
11. Wang, K. & Qi, W. (2017) Space-time relationship between urban municipal district adjustment and built-up area expansion in China. Chinese Geographical Science. 2 (27). pp. 165-175.
12. Smit, W. (2016) Urban governance and urban food systems in Africa: Examining the linkages. Cities. 2 (58). pp. 80-86.
13. Minot, N. (2014) Food price volatility in sub-Saharan Africa: Has it really increased? Food Policy. 45. pp. 45-56.
14. Rogerson, C.M. & Rogerson, J.M. (2017) City tourism in South Africa: Diversity and change. Tourism Review International. 2 (21). pp. 193-211.
15. Andreasen, M.H. et al. (2017) Urban transformations, migration and residential mobility patterns in African secondary cities. Geografisk Tidsskrift - Danish Journal of Geography. 2 (117). pp. 93-104.
16. Marais, L. et al. (2021) Economic transitions in South Africa's secondary cities: Governing mine closures. Politics and Governance. 2 (9). pp. 381-392.
17. Tsai, I.C. & Chiang, S.H. (2019) Exuberance and spillovers in housing markets: Evidence from first-and second-tier cities in China. Regional Science and Urban Economics. 5 (77). pp. 75-86.
18. Evans, R. (2015) Harnessing the economic potential of 'second-tier' European cities: Lessons from four different state/urban systems. Environment and Planning C: Government and Policy. 1 (33). pp. 163-183.
19. Camagni, R. & Capello, R. (2015) Second-rank city dynamics: Theoretical interpretations behind their growth potentials. European Planning Studies. 6 (23). pp. 10411053.
20. Cardoso, R.V. (2018) Localising urbanisation trajectories: Comparing the emergence of second-tier urban regions in Europe (1890-2011). Urban Research & Practice. 3 (11). pp. 223-246.
21. Korzer, T. et al. (2020) Rethinking retail digitisation in urban settings. The case of Leipzig, Germany. Proceedings of the Institution of Civil Engineers-Urban Design and Planning. 5 (173). pp. 197-209.
22. Hermelin, B. & Persson, B. (2021) Regional governance in second-tier city-regions in Sweden: a multi-scalar approach to institutional change. Regional Studies. 8 (55). pp. 1365— 1375.
23. Turgel', I.D. & Vlasova, N.Yu. (2016) "Vtorye" goroda Urala: ot goroda-zavoda-k mnogofunktsional'nym tsentram ["Second" cities of the Urals: from the city-factory to multifunctional centers]. Regional'nye issledovaniya. 2. pp. 43-54.
24. SciVal. Elsevier. (n.d.) Reindustrializatsiya [Reindustrialisation]. [Online] Available from: https://scival.com/trends/summary?uri=Customer/331021/ResearchArea/205122 (Accessed: 28.10.2022).
25. Mikic, H. (2018) Cultural entrepreneurship and rural development: Case study of Pirot, Serbia. In: Innerhofer, E., Pechlaner, H. & Borin, E. (eds) Entrepreneurship in Culture and Creative Industries. Springer, Cham. pp. 245-263.
26. Richardson, L. (2019) Culturalisation and devices: what is culture in cultural economy? Journal of Cultural Economy. 3 (12). pp. 228-241.
27. Suchacek, J. & Koutsky, J. (2021) Media cultural landscape: experience from Czechia. Cultural Management: Science and Education. 2 (5). pp. 23-32.
28. Kantor-Pietraga, I., Zdyrko, A. & Bednarczyk, J. (2021) Semi-natural areas on post-mining brownfields as an opportunity to strengthen the attractiveness of a small town. An example of Radzionkow in Southern Poland. Land. 7 (10). P. 761.
29. Zhuravleva, T. et al. (2021) Atlas kreativnykh industriy Rossiyskoy Federatsii [Atlas of Creative Industries of the Russian Federation]. Moscow: Agentstvo strategicheskikh initsiativ. [Online] Available from: https://100gorodov.ru/creativeindustries (Accessed: 31.10.2022).
30. Charnes, A., Cooper, W.W. & Rhodes, E. (1978) Measuring the Efficiency of Decision Making Units. European Journal of Operational Research. 2. pp. 429-444.
31. Farrell, M.J. (1957) The Measurement of Productive Efficiency. Journal of The Royal Statistical Society, Series A (General). Part III. 120. pp. 253-281.
32. Morgunov, E.P. & Morgunova, O.N. Kratkoe opisanie metoda Data Envelopment Analysis [Brief description of the Data Envelopment Analysis method]. [Online] Available from: http://www.morgunov.org/docs/DEA_intro.pdf (Accessed: 10.11.2022).
33. Antonova, I.S. & Pchelintsev, E.A. (2022) Path dependence and regional disparities in single-industry towns in Russia: the evidence from micro data. International Journal of Economic Policy in Emerging Economies. 2-4 (16). pp. 318-343.
34. Bogdanov, M.A. (2020) Otsenka effektivnosti predpriyatiy na osnove metoda DEA [Evaluation of the effectiveness of enterprises based on the DEA method]. Tochnaya nauka. 79. pp. 10-14.
35. Van der Maaten, L. & Hinton, G. (2008) Visualizing data using t-SNE. Journal of machine learning research. 11 (9). pp. 2579-2605.
36. Kingman, J.F.C. & Kullback, S. (2007) Information Theory and Statistics. Vol. 54. Mineola, NY: Dover Publications Inc.
37. Auerbach, F. (1913) Das Gesetz der Belvolkerungskoncentration. Petermanns Geographische Mitteilungen. 59. pp. 74-76.
38. Zipf, G. (1949) Human Behaviour and the Principle of Least Effort. Reading, MA: Addison-Wesley.
39. Rastvortseva, S.N. & Manaeva, I.V. (2022) Tendentsii i faktory sovremennogo razvitiya malykh i srednikh gorodov [Trends and factors of modern development of small and medium-sized cities]. Ekonomicheskie i sotsial'nye peremeny: fakty, tendentsii, prognoz. 1 (15). pp. 110-127.
40. Batchaev, A. (2022) Rossiyskie reytingi regionov, rekomenduemye dlya ispol'zovaniya pri stra tegicheskom planirovanii. Metodicheskie zametki [Russian ratings of regions recommended for use in strategic planning. Methodical notes]. Stratplan.ru. [Online] Available from: https://stratplan.ru/UserFiles/Files/Russian%20reagions.pdf (Accessed: 10.11.2022).
41. Kutsenko, E. (2015) Pilotnye innovatsionnye territorial'nye klastery Rossii: model' ustoychivogo razvitiya [Pilot innovative territorial clusters of Russia: a model of sustainable development]. Forsayt. 1 (9). pp. 32-55.
42. Antonova, I.S. & Pchelintsev, E.A. (2018) Analiz i modelirovanie finansovykh pokazateley predpriyatiy monogorodov gornodobyvayushchego regiona [Analysis and modeling of financial indicators of enterprises of single-industry towns in the mining region]. Vestnik Tyumenskogo gosudarstvennogo universiteta. Sotsial'no-ekonomicheskie i pravovye issledovaniya. 4 (4). pp. 200-218.
Информация об авторах:
Антонова И. С. - кандидат экономических наук, доцент, доцент Школы инженерного предпринимательства, Национальный исследовательский Томский политехнический университет (Томск, Россия); доцент кафедры организационного поведения и управления персоналом, Национальный исследовательский Томский государственный университет (Томск, Россия). E-mail: antonova_is@mail.ru
Пчелинцев Е.А. - кандидат физико-математических наук, доцент механико-математического факультета, Национальный исследовательский Томский государственный университет (Томск, Россия). E-mail: evgen-pch@yandex.ru Малеева Е.А. - аналитик, ПАО «Ростелеком» (Томск, Россия). E-mail: maleeva-katie@gmail.com
Авторы заявляют об отсутствии конфликта интересов. Information about the authors:
I.S. Antonova, Cand. Sci. (Economics), docent, associate professor, National Research Tomsk Polytechnic University (Tomsk, Russian Federation); associate professor, National Research Tomsk State University (Tomsk, Russian Federation). E-mail: antonova_is@mail.ru E.A. Pchelintsev, Cand. Sci. (Physics and Mathematics), associate professor, National Research Tomsk State University (Tomsk, Russian Federation). Email: evgen-pch@yandex.ru E.A. Maleeva, analyst, Rostelecom (Tomsk, Russian Federation). E-mail: maleeva-katie@gmail.com
The authors declare no conflicts of interests.
Статья поступила в редакцию 28.11.2022; одобрена после рецензирования 12.01.2023; принята к публикации 21.02.2023.
The article was submitted 28.11.2022; approved after reviewing 12.01.2023; accepted for publication 21.02.2023.
