CC BY
26
Krasinskiy V.V. (2005) O pravovoy osnove uchastiya pravookhranitel'nykh organov Rossiyskoy Federatsii v obespechenii bezopasnosti i pravoporyadka v khode izbiratel'nogo protsessa. [Legal framework of the participation of law enforcement agencies of the Russian Federation in providing security, law and order during the electoral process.] // Zakon i armiya. № 4. S. 16 - 21.
2. РИА Новости. Информационное агентство. URL: http://ria.ru/incidents/20090302/l63587727.html. RIA Novosti. Informatsionnoye agentstvo. [RIA Novosti. Information Agency.] URL: http://ria.ru/
incidents/20090302/163587727.html.
3. Биктагиров Р.Т., Вильяшев О.Ю. Государственно-правовой статус Центральной избирательной комиссии Российской Федерации. М.: РЦОИТ, 2006. С. 81.
Biktagirov R.T., Vil'yashev O.Yu. (2006) Gosudarstvenno-pravovoy status Tsentral'noy izbiratel'noy komissii Rossiyskoy Federatsii. [State and legal status of the Central Election Commission of the Russian Federation.] M.: RTSOIT.
4. Васильева А.Ф. Делегирование государственных функций субъектам частного права // Правоведение. 2008. № 2. С. 65 - 75.
Vasil'yeva A.F. (2008) Delegirovaniye gosudarstvennykh funktsiy sub"yektam chastnogo prava. [Delegation of government functions to the subjects of private law.] // Pravovedeniye. № 2. S. 65 - 75.
5. Романовская О.В. Надзор за эффективностью делегирования государственно-властных полномочий // Законность. 2010. № 1. С. 8 - 11.
Romanovskaya O.V. (2010) Nadzor za effektivnost'yu delegirovaniya gosudar-stvenno-vlastnykh polnomochiy. [Monitoring the efficiency of delegating state authority.] // Zakonnost'. № 1. S. 8 - 11.
6. Она же. К вопросу о делегировании государственно-властных полномочий // Правоведение. 2011. № 5. Romanovskaya O.V. (2011) K voprosu o delegirovanii gosudarstvenno-vlastnykh polnomochiy. [On the issue
of delegating state authority.] // Pravovedeniye. № 5. S. 154 - 171.
7. Она же. Правовой статус государственных корпораций в Российской Федерации // Наука. Общество. Государство. 2013. № 1. С. 1 - 8.
Romanovskaya O.V. (2013) Pravovoy status gosudarstvennykh korporatsiy v Rossiyskoy Federatsii. [Legal status of state corporations in the Russian Federation.] // Nauka. Obshchestvo. Gosudarstvo. № 1. S. 1 - 8.
8. Она же. Правовой статус государственной корпорации «Росатом» // Гражданин и право. 2015. № 3. Romanovskaya O.V. (2015) Pravovoy status gosudarstvennoy korporatsii «Rosatom». [Legal status of the
state corporation «Rosatom».] // Grazhdanin i pravo. № 3.
УДК 004
ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ И ПРОСТРАНСТВЕННЫЕ МОДЕЛИ В АНАЛИЗЕ РЕГИОНАЛЬНОЙ ЛОКАЛИЗАЦИИ И ГЛОБАЛИЗАЦИИ БЕЗРАБОТИЦЫ1
INFORMATION TECHNOLOGY AND SPATIAL MODELS IN THE ANALYSIS OF REGIONAL LOCALIZATION AND GLOBALIZATION OF UNEMPLOYMENT
Марков Владимир Александрович
Markov Vladimir Aleksandrovich
кандидат экономических наук, доцент, старший научный сотрудник, ССЭИ (филиал) ФГБОУ ВПО «РЭУ им. Г.В. Плеханова», г. Саратов
Cand. Sc. (Economics), associate professor, senior researcher, Saratov socio-economic institute (branch) of Plekhanov Russian University, Saratov
e-mail: markov.saratov@mail.ru
Проведен анализ эволюции статистических методов и информационных технологий для анализа пространственных закономерностей между уровнями экономических показателей. На примере региональной
1 Статья подготовлена в рамках проекта государственного задания Минобрнауки РФ № 409 «Диверсификация экономики и структуры занятости в условиях усиления влияния глобализации мировой экономики на формирование факторов долгосрочного экономического роста РФ».
безработицы выявлено наличие пространственной автокорреляции, выражающейся в положительной связи между географической близостью регионов и схожестью их по безработице. Показано, что в 2014 г. пространственный фактор, взвешенный на экономический потенциал регионов, стал играть более заметную роль в безработице, чем длина путей сообщения между столицами регионов, несмотря на применение деф-лятированных ВРП в качестве экономического потенциала.
Сгруппированные в районы (клубы) регионы имеют разнонаправленную динамику безработицы за 2005 - 2014 гг., в большей мере присутствует региональная конкуренция, а кооперация выражена слабее.
На основе моделей пространственной бета-конвергенции выявлено отсутствие пространственно-обусловленной сходимости внутри клубов (районов), но наличие конвергенции на уровне страны. Из этого следует заключение о том, что сходимость регионов по уровням безработицы вызвана пространственным фактором, сила которого преодолевает локальные расстояния географических районов, особенно в контексте притяжения экономически активного населения в крупнейшие агломерации страны.
Ключевые слова: геоинформационные программные продукты, анализ региональной локализации безработицы, пространственная корреляция, клубные модели конвергенции по безработице.
The paper analyzes the evolution of statistical methods and information technology for analyzing spatial patterns of economic indicators at different levels. The author uses the example of regional unemployment to examine spatial autocorrelation which is expressed as a positive relationship between geographic proximity of the regions and similarity of their unemployment patterns. It is shown that in 2014 spatial factor, weighted on the economic potential of the regions, began to play a more prominent role in unemployment than the length of transportation lines between the capitals of the regions despite the use of deflated GRP as economic potential.
When grouped into areas (clubs) regions have mixed unemployment trends in 2005 - 2014, regional competition is highly visible while cooperation is less pronounced.
On the basis of the spatial beta-convergence model the author reveals that there is no space-conditioned convergence in clubs (areas), but there is convergence at the country level. It leads to the conclusion that regional convergence in terms of unemployment is caused by spatial factor the strength of which overcomes distances between geographic areas, especially in the context of attraction of economically active population in the country's largest metropolitan areas.
Keywords: GIS software, analysis of regional localization of unemployment, spatial correlation, club convergence model of unemployment.
Проблема безработицы традиционно изучается как национальное явление в масштабах всей страны, например - в публикациях Организации экономического сотрудничества и развития ОЭСР [5]. Эта точка зрения акцентирует внимание на межсекторных изменениях в национальных показателях безработицы и в характеристиках национального рынка труда. Судя по современным публикациям рост безработицы в результате экономических шоков глобального кризиса происходит в большинстве стран мира. Глобальный уровень безработицы детерминирован различиями в регионах мира, которые, в свою очередь, формируются на уровне национальных экономик. Иерархический характер данного показателя можно продолжить декомпозицией национальной безработицы на региональные и муниципальные показатели. Естественно предположить, что в статике существует неравномерность безработицы на каждом уровне дезагрегации, а в динамике они приводят к структурным сдвигам, иногда сопровождающимся сближением территорий, а чаще - ростом различий. Определяющую роль в условиях глобализации играет мобильность труда, которая зависит от территориальной удаленности, стоимости миграции, степени урбанизации и др. Многоуровневый характер факторов безработицы, с одной стороны, и география, с другой, дают
основания для построения моделей, привязанных к конкретным территориям, а значит - более адаптированных к потребностям их властей. Такие модели достаточно громоздки в плане вычислений, поэтому требуется применение специальных программных средств, интегрирующих экономические и пространственные параметры. Такие системы получают все большее распространение в последние 20 лет.
К концу 1980-х гг. эконометрика в связи с появившимися вычислительными возможностями окончательно преодолела свою одномерность. Открывшаяся доступность инструментов многомерного анализа стала главным импульсом развития специфических концепций, более актуальных на региональном и муниципальном уровне и менее значимых на глобальном. Например, в работе РаеИпск и К1ааззеп [6] особое внимание было уделено асимметрии в пространственных связях и пространственной автокорреляции. Однако если для выявления взаимосвязи между отдельными территориями дополнять модель отдельным параметром, число степеней свободы в общей модели может оказаться слишком маленьким для того, чтобы все эти параметры можно было оценить [1]. Сокращение факторного пространства достигается через ввод весовой матрицы, представляющей собой ма-
трицу географических расстояний либо в дихотомическом, либо в географическом, либо в географо-экономическом смысле.
Мы не будем подробно останавливаться на этой процедуре, так как она является достаточно разработанной и автоматизирована в таких геоинформационных программах, как Arcgis, Matlab, Stata и др. Исключительно важными в исследовании становятся нестандар-тизованные процедуры, такие как выбор экономически обоснованных факторов и тестирование того, значимы ли они в эмпирических данных, а также интерпретация результатов вычислений в контексте причин и последствий агломерации, межрегиональной конкуренции и кооперации, урбанизации.
С середины 2000-х гг. такие исследования широко распространяются в экономических науках, особенно на примере стран Евросоюза (анализ групп стран NUTS I-III, деление на южные и северные, восточные и западные районы и др.), однако сопоставимость результатов между работами на схожую тематику неполная, а сами модели требуют адаптации и тестирования факторов для каждого конкретного случая. Инструменты моделирования в основном включают в себя современные трактовки производственных функций с интегрированными пространственными лагами и эффектами. Эти эконометрические модели, как правило, используют панельные данные: в случае статического анализа они выглядят как уравнения пространственной регрессии, в случае анализа динамики - как модели авторегрессии и конвергенции.
С начала 2010-х гг. все большее применение находят модели, основанные на геокоди-рованных данных. Они обеспечивают визуализацию пространственных эффектов, в том числе урбанизации, и являются более адаптивными, в том числе - пригодными для мета-анализа. Особенно явно преимущества ГИС-моделей видны даже не в исследовании региональных связей, а на местном (муниципальном) уровне. В России ГИС-модели для анализа территориальных различий в безработице применяются мало. Это вызвано более слабым развитием региональной и (особенно) муниципальной статистики по сравнению с Евросоюзом. Поэтому факторы урбанизации оцениваются отрывочно, а исследования невозможно свести к единой системе координат из-за разных моделей и способов оценивания. Тем не менее ценность каждого исследования пространственной агломерации очень велика, особенно при разработке программ развития территорий, реализации мер бюджетной и социальной политики.
В настоящей работе мы проанализируем пространственные эффекты от взаимного положения регионов для дифференциации по уровню безработицы, что является основой для понимания неустранимой части регионального неравенства на рынке труда, а также устранимой компоненты такого неравенства через селективную региональную политику занятости. Инструментами анализа будут глобальный и локальный индекс Морана, а также регрессионные модели и модели конвергенции. Инструментом исследования являются специализированные ГИС-статистические пакеты.
Объектом настоящей статьи является совокупность из 75 регионов России. Из перечня субъектов Российской Федерации исключены автономные округа, Чеченская и Ингушская республики, Республика Крым и г. Севастополь ввиду отсутствия данных за весь исследуемый период, а г. Москва и г. Санкт-Петербург отнесены к Московской и Ленинградской областям соответственно для достижения сопоставимости в географическом смысле. Период исследования охватывает 2005 - 2014 гг. Исследуемые показатели: уровень безработицы среди экономически активного населения в регионах России с учетом фактора расстояний между регионами; в качестве географических весов взяты расстояния по длине путей сообщения между центрами регионов и предварительно дефлятированные для устранения инфляционной компоненты ВРП как экономический потенциал территорий.
В современных исследованиях всячески подчеркивается существенная разница между безработицей в городах и сельских поселениях, причем не в пользу последних. Однако среди важных факторов такого различия не всегда присутствует степень географической удаленности между агломерациями, спросом и предложением на рынке труда. Миграция населения из сел и малых городов, концентрация бизнеса, аккумуляция финансовых и инвестиционных ресурсов в крупных городах могут привести к высокому межрегиональному неравенству, возникновению стагнирующих и депрессивных территорий, вымыванию трудоспособного населения вокруг городов.
Техника пространственного анализа заключается в проведении, как минимум, двух этапов исследования:
1)проверки наличия пространственных связей, для чего рассчитываются специализированные коэффициенты, например Морана, Джири, Гетиса - Уорда и т.п.;
2)построения модели пространственной авторегрессии и конвергенции, в том числе по
генеральной и выборочным совокупностям (клубам).
Оценка наличия и степени пространственной автокорреляции предполагает проверку нулевой гипотезы.
Гипотеза Но. Пространственные эффекты для безработицы среди экономически активного населения регионов России отсутствуют. Эта гипотеза может проверяться на федеральном уровне, а также по укрупненным группам регионов (клубам). Такое разграничение необходимо, так как внутренняя неоднородность регионов, диспропорции на рынке труда могут взаимно погашаться на национальном уровне и не в полной мере отражать реальные тенденции. Под клубом мы понимаем типическую группу регионов, гомогенность которой существенно выше, чем между группами. Синонимом используемого в пространственной эконометрике понятия «клуб» является термин «кластер». Клубный анализ пространственных связей в этом случае устранит проблему «за-шумления» связей, выявит для различных групп регионов нередко степень зависимости от рассматриваемых в моделях факторов.
Принятие основной гипотезы означает, что безработица между 75 анализируемыми регионами не будет значимо отличаться вне зависимости от географических различий (расстояний) между ними. Альтернативная гипотеза состоит в том, что пространственный эффект существует.
Нужно отметить, что современная литература о пространственной статистике и эконометрике посвящена в основном различным тестам на пространственную автокорреляцию. На данный момент разработано множество тестов для выявления пространственной автокорреляции, такие как статистики Морана, Джири, Вальда, тест Гетиса - Орда и др. [2].
Нами протестированы различные варианты матрицы пространственных эффектов: матрица географического соседства, матрица обратных расстояний, матрица обратных квадратов расстояний (гравитационная), матрица экспоненциальных расстояний и гравитационная матрица с учетом экономического потенциала. Подробнее техники получения матрицы расстояний представлены, например, в работах М. Фишера [4].
Логически необходимо преобразование показателей расстояний в обратные - для того, чтобы соблюдалась зависимость: чем меньше расстояние, тем больше вес. Во-первых, лучшие результаты получены по двум мерам расстояний - по матрице длины путей сообщения и матрице, взвешенной на региональные ВРП. Во-вторых, нами применена гравитационная
форма матрицы (Newtonian gravity model [4]), которая усиливает вес более близко расположенных регионов и сильнее ослабляет пространственные связи с ростом удаленности. Это так называемый Threestep calculation method [3]. В-третьих, введение параметра угасания [7] дает более точную спецификацию модели. В этом качестве чаще всего применяют непараметрические средние, например квартили. Мы будем использовать медианный уровень (второй квартиль), превышение которого обнуляет географический фактор.
Для стандартизации исходных коэффициентов безработицы мы прибегли к их нормированию через стандартное отклонение и среднюю величину:
z. = ■
x - у
а
Это сделано, во-первых, для того, чтобы матрица обладала хорошими свойствами и чтобы избежать проблем с обращением матриц в геоинформационных пакетах; во-вторых, чтобы учесть не абсолютные, а относительные расстояния между регионами в случае матрицы расстояний.
Глобальный и клубные индексы Морана рассчитаны по формуле:
I = ■
S0
- x)(Xj - X)
i j_
±(Xs - X)2
где X - уровень безработицы в регионе г;
п п
=12Х
' ' - сумма весов пространственной матрицы расстояний Ж
Распределение регионов России на клубы проведено на основе пространственной локализации и значимости различий по тесту Манна - Уитни. Это распределение во многом соответствует наполнению федеральных округов (табл. 1).
Результаты вычисления глобального и клубных индекса Морана за 2оо5 и 2о14 гг. представлены в табл. 2.
Глобальный индекс Морана свидетельствует о существовании пространственных связей между регионами: чем ближе регионы друг к другу, тем более похожи уровни безработицы; благополучные и неблагополучные регионы концентрируются рядом друг с другом. При этом динамика пространственной локализации положительная, степень пространственной связанности растет и с точки зрения влияния географической удаленности, и (в меньшей степени) из-за притяжения по экономическому потенциалу.
n
Таблица 2
Глобальный и клубные индексы Морана для региональной безработицы и их динамика за 2005 и 2014 гг. (по матрицам длины путей сообщения (О^) и экономического потенциала (Е^))
Таблица 1
Распределение регионов по районам исходя из средних коэффициентов молодежной безработицы за 2005 — 2014 гг. и степень его соответствия административно-территориальному делению России
Географический район Федеральные округа Число регионов Процент регионов ФО, входящий в географический район
Восток Дальневосточный федеральный округ 8 100%
Сибирский федеральный округ 6 50%
Запад Приволжский федеральный округ 13 93%
Северо-Западный федеральный округ 5 56%
Центральный федеральный округ 17 100%
Центр Приволжский федеральный округ 1 7%
Северо-Западный федеральный округ 4 44%
Сибирский федеральный округ 6 50%
Уральский федеральный округ 4 100%
Юг Северокавказский федеральный округ 5 100%
Южный федеральный округ 6 100%
Общий итог 75
Moran's 2014 2005
Глобальный По клубу «Восток» По клубу «Запад» По клубу «Центр» По клубу «Юг» Гло-бальный По клубу «Восток» По клубу «Запад» По клубу «Центр» По клубу «Юг»
GW 0,355 -0,297 -0,074 -0,139 0,010 0,336 0,422 0,056 -0,058 -0,176
EW 0,185 -0,068 -0,503 -0,152 0,157 0,117 0,459 0,045 0,185 0,043
Клубные процессы имеют разную интенсивность и направления. За исключением регионов южного района, в 2014 г. практически во всех клубах отрицательные значения индекса Морана означают переход от кооперативного поведения к конкуренции на рынке труда. В этом случае соседние регионы, как правило, сильнее отличаются друг от друга по безработице, чем в среднем по району. В 2014 г. экономические потенциалы регионов стали важнее, чем расстояния между ними, для всех районов, кроме восточного, где сами регионы имеют очень низкую плотность населения и экономической активности. Вместе с тем мы видим, что экономический фактор сильно повысил свою значимость для пространственных связей по сравнению с 2005 г., когда он был равноценен географическому. Это свидетельствует о проникновении глобализацион-ных тенденций, когда условия для агломерации за счет совершенствования информационных технологий и средств сообщения постепенно стали лучше. Это очень важная тенден-
ция, различия усилились даже по сопоставимым экономическим потенциалам, т.е. экономическое развитие сопровождается концентрацией ресурсов в отдельных регионах, а высокая безработица локализуется в нескольких периферийных регионах.
После отклонения гипотезы об отсутствии пространственных связей между регионами и клубами регионов целесообразно построение моделей пространственной авторегрессии, где количественно будет измерена детерминация безработицы географическим фактором.
Метод географически взвешенной регрессии можно рассматривать как некоторое обобщение модели с фиктивными переменными. Можно получать модель с непрерывно меняющейся структурой. При географическом подходе считается, что модель не является постоянной для всей исследуемой области, а меняется в зависимости от местоположения объекта. Ее коэффициенты являются функциями координат.
Пусть исходной является регрессионная модель, имеющая в матричной записи вид:
7 = Ха + е,
где У - вектор-столбец объясняемой переменной (уровень безработицы) размерности М(т
+1);
X - матрица объясняющих переменных, включая константу размерности Ы(т +1);
а - вектор-столбец оцениваемых коэффициентов размерности (т +1);
е - вектор-столбец остатков регрессии размерности N +1.
Один из подходов основывается на том, что объясняемые переменные предполагаются автокоррелированными, что подразумевает под собой применение моделей конвергенции. Модели пространственной бета-конвергенции в качестве результативного показателя используют темп безработицы, а к объясняющим относят базовый уровень безработицы и взвешенный на пространственную матрицу темп безработицы.
Мы ограничимся минимально условной моделью пространственной бета-конвергенции, т.е. для пространственной конвергенции экзогенной переменной будет являться базисный уровень безработицы:
gT =а + рУо +рШуо +£ .
Включая в модель безусловной конвергенции пространственные лаги, проверяем такие две гипотезы, как:
• пространственная кластеризация по темпам роста: регионы, расположенные в окружении регионов с наиболее быстро снижающейся безработицей, будут иметь более быстрые темпы падения безработицы;
• пространственная кластеризация по на-
чальным значениям: регионам, расположенным в начальный момент времени в окружении передовых регионов, будут свойственны более высокие темпы снижения безработицы.
Результаты моделирования минимально условной конвергенции для регионов России по коэффициенту безработицы даны в табл. 3.
Генеральная модель показывает наличие пространственной конвергенции регионов России по безработице, причем географический фактор практически так же взаимосвязан с темпами снижения безработицы, как и ее стартовый уровень в 2005 г. Однако клубные модели показывают конвергенцию регионов внутри районов независимо от расстояний между ними. Ключевое заключение из этого -то, что регионы - центры экономического развития обладают притяжением, превышающим издержки расстояний. Этот вывод коррелирует с результатами вычислений индексов Морана и отражает нарастание концентрации (сходимости) регионов по безработице к ее низким и средним уровням. Число регионов с напряженностью на рынке труда невелико.
Углубление пространственного анализа состоит в рассмотрении локальных индексов Морана, определяющих роль отдельных субъектов в географическом распределении безработицы. Также целесообразно расширение моделей конвергенции на муниципальный уровень при достижении достаточного объема данных в статистических базах.
Геоинформационные статистические продукты в этом смысле являются эффективным инструментом понимания природы пространственных различий и выработки управленческих решений.
Параметр БЕТА Ст.Ош. t p-знач. Значимость модели
Intercept 6,243 о,ооо Множест. R2 о,24
ln Уо -о,57б о,121 -4,75о о,ооо F(2,72) 11,28
W х ln(yo) о,зо8 о,121 2,545 о,о13 p о,оо
Intercept о,798 о,442 Множест. R2 о,о2
ln Уо -о,122 о,299 -о,4о9 о,69о F(2,11) о,12
W х ln(yo) (clubl) -о,о77 о,299 -о,259 о,8оо p о,89
Intercept 7,121 о,ооо Множест. R2 о,5о
ln Уо -о,7о7 о,125 -5,655 о,ооо F(2,32) 15,99
W х ln(yo) (club2) о,оо1 о,125 о,оо6 о,995 p о,оо
Intercept 5,291 о,ооо Множест. R2 о,66
ln Уо -о,812 о,17о -4,779 о,ооо F(2,12) 11,42
W х ln(yo) (club3) о,о57 о,17о о,336 о,743 p о,оо
Intercept 5,638 о,ооо Множест. R2 о,72
ln Уо -о,915 о,2о1 -4,545 о,оо2 F(2,8) 1о,39
W х 1п(уо) (club4) -о,4о8 о,2о1 -2,о27 о,о77 p о,о1
Таблица 3
Модели минимально условной бета-конвергенции (генеральная и клубная) по региональной безработице за 2005 — 2014 гг.
Библиографический список (References)
1. Демидова О.А. Пространственно-авторегрессионная модель для двух групп взаимосвязанных регионов (на примере восточной и западной части России) // Прикладная эконометрика. 2014. № 34(2). С. 19 - 35.
Demidova O.A. (2014) Prostranstvenno-avtoregressionnaya model' dlya dvukh grupp vzaimosvyazannykh regionov (na primere vostochnoy i zapadnoy chasti Rossii). [Space-autoregression model for two groups of correlated regions (based on the example of the eastern and western parts of Russia).] // Prikladnaya ekonometrika. № 34(2). S. 19 - 35.
2. Файзлиев А.Р. Статистическое исследование территориальных взаимодействий при моделировании экономического роста // Вестник Самарского государственного экономического университета. 2009. № 4. С. 84 - 90.
Fayzliyev A.R. (2009) Statisticheskoye issledovaniye territorial'nykh vzaimo-deystviy pri modelirovanii ekonomicheskogo rosta. [Statistical study of territorial interactions in modeling economic growth.] // Vestnik Samarskogo gosudarstvennogo ekonomicheskogo universiteta. № 4. S. 84 - 90.
3. Chen Y. New Approaches for Calculating Moran's Index of Spatial Autocorrelation // PLoS ONE. 2013. № 8(7).
4. Fisher M.M., Wang J. Spatial Data Analysis. Models, methods and Techniques. Springer Briefs in Regional Science. 2011. URL: http://www.springer.com/gp/book/9783642217197.
5. Global Employment Trends - 2014: Risk of a jobless recovery? / International Labor Office. Geneva: ILO, 2014.
6. Paelinck J., Klaassen L. Spatial econometrics. Saxon House, Farnborough, 1979.
7. Vega S.H., Elhorst J.P. On spatial economic models, spillover effects and W. 2013. URL: http://web.cenet. org.cn/upfile/127445.pdf. С. 12.
УДК 004:002
ВОПРОСЫ ИНФОРМАЦИОННОЙ БЕЗОПАСНОСТИ НА ПРИМЕРЕ РЫНКА НЕДВИЖИМОСТИ
INFORMATION SECURITY OF THE REAL ESTATE MARKET
Никулина Юлия Владимировна
Nikulina Yulia Vladimirovna
аспирант кафедры информационных систем в экономике, ССЭИ (филиал) ФГБОУ ВПО «РЭУ им. Г.В. Плеханова», г. Саратов
postgraduate student of the department of information systems in economics, Saratov socio-economic institute (branch) of Plekhanov Russian University, Saratov
e-mail: nikulinajul@gmail.com
В статье рассмотрены проблемы информационной безопасности. Описано применение новой модели информационной безопасности, ее преимущества и недостатки. Проанализированы данные глобального исследования состояния информационной безопасности и перспектив ее развития.
Ключевые слова: информационная безопасность, анализ рынка недвижимости.
The paper deals with the challenges of information security, studies the application of a new model of information security, its advantages and disadvantages, and analyzes the data of the global research on the state of information security and the prospects for its development.
Keywords: information security, real estate market analysis.
