CC BY
23
Сведения об авторах Ирина Юрьевна Пекер
руководитель группы аналитического сопровождения публикационной активности; аспирант кафедры географии, природопользования и пространственного развития, Балтийский федеральный университет им. И. Канта;
About the authors Irina Yu. Peker
Head of the Group for Analytical Support of Publication Activity; Postgraduate Student, Department of Geography, Environmental Management and Spatial Development, Immanuel Kant Baltic Federal University; 14, A. Nevskogo st., Kaliningrad, 236016, Russia
Россия, 236016, г. Калининград, ул. А. Невского, д. 14
e-mail: ipeker@kantiana.ru Просьба ссылаться на эту статью в русскоязычных источниках следующим образом:
Пекер И.Ю. Применение наукометрических методов анализа публикационной активности (на примере оценки изученности Калининградской области) // Географический вестник = Geographical bulletin. 2020. №4(55). С. 43-53. doi 10.17072/2079-7877-2020-4-43-53. Please cite this article in English as:
Peker, I.Yu. (2020), Application of scientometric analysis methods for evaluating publication activity (a case of the Kaliningrad region under study). Geographical bulletin. No. 4(55). P. 43-53. doi 10.17072/2079-7877-2020-4-43-53.
УДК 911.37 DOI: 10.17072/2079-7877-2020-4-53-63
НЕСТАТИСТИЧЕСКИЕ МЕТОДЫ ОЦЕНКИ ТРАНСФОРМАЦИИ СИСТЕМЫ РАССЕЛЕНИЯ ПСКОВСКОЙ ОБЛАСТИ (ПО ДАННЫМ СЕТИ «ВКОНТАКТЕ» И СЕРВИСА «ЯНДЕКС»)
Антон Иванович Краснов
ORCID ID: 0000-0002-8577-6080, SPIN-код: 5210-2991 e-mail: a.krasnov@spbu.ru
Санкт-Петербургский государственный университет, Санкт-Петербург Мария Владимировна Краснова SPIN-код: 1165-0239 e-mail: m.krasnova@spbu.ru
Ресурсный центр «Центр социологических и Интернет-исследований», Санкт-Петербург Санкт-Петербургский государственный университет, Санкт-Петербург
Пространственная и временная трансформация территории и её системы расселения являются классическим предметом изучения социально-экономической географии. Цель нашего исследования заключается в разработке инструментария для применения нестатистических методов анализа данных процессов. В данной статье рассматривается возможность применения нестатистических методов оценки процессов, описывающих население и региональное развитие. Проанализированы базы данных, собранные посредством социальной сети «Вконтакте» и поисковой системы «Яндекс». Авторами показана пространственная неоднородность освоения территории Псковской области, отраженная в интернет-активности населения, выделены шесть типов муниципальных районов по привлекательности и интенсивности их освоения. Выявлена разнородность в тяготении внешних акторов трансформации территории (в первую очередь, петербуржцев) и даны сравнения полученных данных с некоторыми статистическими источниками.
Ключевые слова: система расселения, сельская местность, население, социальные сети, нестатистические данные.
О Краснов А.И., Краснова М.В., 2020
NON-STATISTICAL METHODS FOR ASSESSING THE TRANSFORMATION OF THE SETTLEMENT SYSTEM OF THE PSKOV REGION (ACCORDING TO THE VKONTAKTE NETWORK AND THE YANDEX SERVICE)
Anton I. Krasnov
ORCID ID: 0000-0002-8577-6080, SPIN-код: 5210-2991
e-mail: a.krasnov@spbu.ru
Saint Petersburg State University, St. Petersburg
Mariya V. Krasnova
SPIN-код: 1165-023
e-mail: m.krasnova@spbu.ru
Resource Center 'Center for Sociological and Internet Research', Research Park, St. Petersburg Saint Petersburg State University, St. Petersburg
The spatial and temporal transformation of a territory and its settlement system is a classic subject of study in socio-economic geography. The aim of our research was to develop tools for applying non-statistical methods when analyzing these processes. This article discusses the possibility of using non-statistical methods for evaluating processes that describe the population and the regional development. The authors have analyzed databases collected through the Vkontakte social network and the Yandex search engine. The spatial heterogeneity in the development of the Pskov region's territory, reflected in the Internet activity of the population, is demonstrated; six types of municipal districts have been identified according to the attractiveness and intensity of their development. There has been revealed heterogeneity in the gravitation of external actors of the territory's transformation (primarily those from St. Petersburg). The obtained data are compared with data presented in some statistical sources.
Keywords: settlement system, rural area, population, social networks, non-statistical data.
Введение и постановка проблемы
В отечественной географической и демографической литературе Псковская область уже несколько лет и десятилетий является классическим примером устойчиво депопулирующего периферийного региона. Находясь «в тени» [15] Московского столичного региона и Санкт-Петербургской агломерации, она в течение многих лет теряет население как по естественным, так и по механическим причинам. При этом среди большого количества методов общественно-географических исследований традиционно значимое место занимает статистический, являющийся одним из основных для проведения исследований, связанных с системами расселения и их динамикой. Сбор статистических данных и учет населения ведутся задолго до начала проведения общероссийских переписей населения [6], но к началу XXI в. эти источники данных становятся недостаточными. Факт депопуляции региона, исторические и пространственные закономерности данного процесса подробно анализировались, например, в работах В.С.Дементьева и А.Г. Манакова, которые описали процессы поляризации населения региона в период с 1959 по 2010 г. [11]. Также подчеркивается, что в настоящее время система расселения в регионе достигла той стадии развития, когда в результате поляризационных процессов почти полностью исчерпан демографический потенциал сельской местности [5]. Ранее нами предпринимались попытки анализа места малых городов региона в трансформации системы расселения, была показана связь их с вмещающей сельской местностью [9]. Отдельно стоит упомянуть процессы «оптимизации» административно-территориального деления рассматриваемого региона. При в целом негативном или, как минимум, неоднозначном воздействии их на трансформацию системы расселения региона [7] отметим, что для внешних акторов данного процесса административные преобразования играют далеко не самую первую роль. Поэтому фактор административных преобразований мы далее опустим.
Помимо собственно исследований, посвященных системе расселения Псковской области, следует упомянуть исследования, посвященные роли пришлого населения (рекреантов и отходников) в трансформации территории. В частности, оценена роль дачников в жизни сельской местности как силы, её потенциально поддерживающей, оценена роль дачников представителями сельских администраций и местного населения [13]. Даны оценки различиям в численности населения сельских населенных пунктах в зимний и летний периоды для разных возрастных групп населения [2]. Безусловно, Псковская область является регионом, на систему расселения и экономику которого значимое влияние оказывают
маятниковые миграции, как трудовые, направленные вне его (отходничество), так и рекреационные (сезонные), имеющее внешнее происхождение.
Таким образом, применяя традиционные методы и подходы, можно увидеть вполне ясную динамику формирования региональной системы расселения. Но, говоря о процессах, влияющих на её трансформацию на сегодняшний день, методов статистических, однако, недостаточно. В связи с этим возникает необходимость поиска дополнительных, альтернативных методов оценки степени влияния тех или иных факторов на систему расселения.
Как следует из вышесказанного, актуальным является выявление особенностей их региональной и структурной специфики трансформации региональной системы расселения с помощью нестатистических методов, поиск альтернативных вариантов оценки влияния тех или иных факторов на региональные ТСЭС. Многие исследователи предпринимали попытки использования данных социальных сетей для этих целей. Так, эти методы предоставляют новые возможности для изучения сельских сообществ Тверской области, социальные сети дают информацию, позволяют установить миграционную историю территориальных сообществ, которую практически невозможно получить из других источников [1; 4]. Также были проведены работы по исследованию молодежных образовательных миграций с помощью социальных сетей [8]. Обращает на себя внимание изучение вопросов тяготения населения между двумя российскими столицами, построение с помощью данных сети «Вконтакте» модели гравитационных взаимодействий для районов Тверской области [14].
Таким образом, в последние годы виден своеобразный исследовательский шаг в сторону поиска нестатистических, нестандартных данных для описания взаимодействия сельских территорий между собой и городами.
Методика исследования и фактический материал
Нами предполагается, что внутри Псковской области существуют некие пространственные различия в степени интенсивности освоения пришлым населением. Для анализа географической структуры «заинтересованности» в разных территориях Псковской области мы использовали два источника данных. В данном исследовании нами предлагаются инструменты сбора и анализа данных из социальной Интернет-сети ("ВКонтакте") и поискового онлайн-сервиса «Яндекс», как примеры нестатистических источников.
Первым из них явились сообщества в социальной сети «Вконтакте», посвященные различным муниципальным образованиям исследуемого региона. Нами была сделана выборка групп и «пабликов», по две для каждого района Псковской области. Во-первых, была выбрана самая многочисленная из действующих групп, посвященных жителям данного района, которые общались между собой, среди них такие, как «Жители Печор», «Типичный Невель», «Подслушано Плюсса» и др. Во-вторых, выбирались специализированные группы, посвященные недвижимости района и его районного центра. Все они имеют одного создателя в лице агентства недвижимости «on60.ru» и являются самыми массовыми профильными сообществами в «Вконтакте». Данная выборка интернет-сообществ анализировалась с помощью инструментария, разработанного ресурсным центром «Центр социологических и Интернет-исследований» Санкт-Петербургского государственного университета. Для каждого из интернет-сообществ была осуществлена выгрузка данных пользователей, состоящих в них, и составлена единая база данных с помощью использования специализированного программного обеспечения, разработанного на базе РЦ. Страница каждого участника социальной сети персонифицирована, т.е. содержит личные данные. Единственный пункт профиля участника группы в социальной сети, который подвергался анализу, - населенный пункт, указанный им при регистрации, т.е. та точка пространства, с которой он себя наибольшим образом ассоциирует (т.е. не обязательно родной н.п.).
Таким образом, после агрегации всех данных, для каждого района Псковской области нами была получена выборка значений, свидетельствующих о том, представители каких регионов или населенных пунктов состоят в интернет-сообществах, посвященных данным районам (табл. 1). Общее число участников групп (152442 чел.) и явилось статистической основой для исследования. Отметим, что представленные данные актуальны на конец 2018 г., когда проводилась выгрузка.
Итогом анализа имеющейся информации стал массив данных, где для каждого из муниципальных районов Псковской области был составлен рейтинг населенных пунктов, с которыми себя аффилируют пользователи, заинтересованные в информации о данном районе. Эти данные отражены в табл. 3.
Второй источник данных - открытые данные ресурса https://wordstat.yandex.ru/. Это бесплатный сервис крупнейшей российской поисковой системы «Яндекс», предназначенный для оценки пользовательского интереса к различным тематикам, с помощью которого можно оценить географическую зависимость поисковых запросов. Так, в рамках нашего исследования стояла задача оценить своего рода «заинтересованность» пользователей в Псковской области как в территории рекреационного/агроререационного освоения. Для этого анализировался следующий вариант пользовательского запроса в поисковой системе - «купить дом/участок в Псковской области». Примерно, из 7,5 тыс. запросов в месяц с данным словосочетанием более 5,5 тыс. содержали такое же название района или населенного пункта, сужая круг поиска. Таким образом, нами был получен своего рода рейтинг территорий Псковской области, выстроенный в зависимости от интереса интернет-аудитории к ним. Эти данные представлены в табл. 1. Заметим, что отдельным, внерайонным мотивом, включаемым в поисковые запросы, стал поиск домов/участков «у озера/у реки», что составляет примерно 15% общего числа запросов. Эти запросы не учитывались.
Таблица 1
Исходные данные для исследования. Составлено авторами по [16-19] Initial data for research. Compiled by the authors based on [16-19]
№ п/п Район Численность населения района на 01.01.2019, чел. Число участников 2 групп, чел. Охват, % Доля от общего числа упоминаний в запросах Яндекса Ввод в действие индивидуальных жилых домов на территории МО, м2, среднее за период 2014-2018
1 Бежаницкий 10143 4239 41,8 3,7 1705,4
2 Великолукский 112541 57270 50,9 0,5 8720,8
3 Гдовский 12148 3546 29,2 13,4 4206,9
4 Дедовичский 11986 5589 46,6 2,5 725,0
5 Дновский 11222 1508 13,4 2,7 1118,2
6 Красногородский 6841 3478 50,8 0,2 386,6
7 Куньинский 8992 981 10,9 0,4 1380,4
8 Локнянский 8067 1576 19,5 1,3 255,0
9 Невельский 23828 1950 8,2 3,2 2316,5
10 Новоржевский 8044 1481 18,4 0,8 1448,6
11 Новосокольнический 12856 2721 21,2 0,2 1530,0
12 Опочецкий 16434 1991 12,1 1,6 1757,8
13 Островской 28844 2472 8,6 6,1 1940,3
14 Палкинский 7599 1637 21,5 0,8 1116,7
15 Печорский 19802 11338 57,3 9,8 8455,0
16 Плюсский 7508 2005 26,7 5,3 3813,3
17 Порховский 17428 4409 25,3 8,0 2247,6
18 Псковский* 40748 13482 33,1 31,3 23998,8
19 Пустошкинсикй 8087 5400 66,8 2,0 1571,4
20 Пушкиногорский 7947 5040 63,4 1,6 707,9
21 Пыталовкий 10803 6204 57,4 0,0 389,4
22 Себежский 19161 6917 36,1 3,3 321,6
23 Стругокрасненский 10026 6052 60,4 1,2 3428,4
24 Усвятский 4990 1156 23,2 0,1 385,2
Всего 426045 152442 35,8 100 73926,7
Примечание: отношение числа пользователей, состоящих в группах (участников), к численности населения района. Не отражает в полной мере охваченность населения района ввиду того, что в группах состоят участники и из иных территорий. Но является ориентировочной цифрой, косвенно свидетельствующей об уровне интернет-активности в данном районе.
* Для всех районов за исключением Псковского берется общая численность населения района и его административного центра
Необходимо добавить, что анализ поисковых запросов по методике Яндекса осуществляется за последний месяц относительно момента анализа, что может обусловить некоторую недостоверность полученных данных. Но в действительности наблюдается закономерность: в зависимости от сезона и времени года интерес пользователей к искомому словосочетанию варьируется объяснимо с точки зрения жизненных циклов человека. Наибольший интерес и наибольшее число запросов наблюдается в марте и на пике лета, спад интереса - в ноябре-декабре (табл. 3). В среднем за последние два года среднемесячное число запросов составляет 7628 единиц, что вполне сопоставимо с имеющейся у нас выборкой (7563 запроса).
Таблица 2
Число запросов, содержащих словосочетание «купить дом Псковская» в период с 1 октября 2017 по 30 сентября 2019. Среднемесячное число запросов за весь период составляет 7628. Составлено авторами по [18]
The number of requests containing the phrase 'buy a house Pskovskaya' in the period from October 1, 2017 to September 30, 2019. The average monthly number of requests for the entire period is 7,628. Compiled by the authors based on [18]
Период Число запросов Период Число запросов
01.10.2017 -31.10.2017 7007 01.10.2018 -31.10.2018 8074
01.11.2017 -30.11.2017 6583 01.11.2018 -30.11.2018 6856
01.12.2017 -31.12.2017 5314 01.12.2018 -31.12.2018 5734
01.01.2018 -31.01.2018 7605 01.01.2019 -31.01.2019 8146
01.02.2018 -28.02.2018 7266 01.02.2019 -28.02.2019 7659
01.03.2018 -31.03.2018 8517 01.03.2019 -31.03.2019 8756
01.04.2018 -30.04.2018 8180 01.04.2019 -30.04.2019 8578
01.05.2018 -31.05.2018 8192 01.05.2019 -31.05.2019 7838
01.06.2018 -30.06.2018 7419 01.06.2019 -30.06.2019 8099
01.07.2018 -31.07.2018 8001 01.07.2019 -31.07.2019 8544
01.08.2018 -31.08.2018 7977 01.08.2019 -31.08.2019 8187
01.09.2018 -30.09.2018 7068 01.09.2019 -30.09.2019 7479
В качестве дополнительного показателя, способного помочь в проверке достоверности нестатистических данных, был выбран «Ввод в действие индивидуальных жилых домов на территории муниципального образования», исчисляемый в квадратных метрах общей площади, взятый нами в виде среднего за последние 5 лет (далее - «ввод домов») [19]. Данный показатель выбран нами для косвенной оценки степени активности населения в освоении территории районов области и собственно трансформации системы расселения. Его значения представлены в табл. 1.
Результаты исследования и обсуждение результатов
В ходе анализа данных сети «Вконтакте» было установлено, что почти для всех районов характерна наибольшая доля представителей районного центра в группах (43,6% в среднем). Это не касается Стругокрасненского и Усвятского районов, где первенство принадлежит петербуржцам и москвичам соответственно, а также Палкинского, где абсолютно доминируют представители г. Пскова. Значимыми являются значения присутствия петербуржцев и псковичей (10,4 и 9,2% в среднем соответственно). Что касается москвичей, традиционно активно осваивающих сельскую местность с рекреационными целями, то их доли везде незначительны, составляя в среднем 2,7%. Аномально высокие значения наблюдаются лишь для Новоржевского района (16,4%), что, вероятно, объясняется несовершенством используемых данных и какими-то сетевыми ошибками, и территориально наиболее приближенного к Москве Усвятского (10,8%) районов. Таким образом, Псковская область (пока?) не является регионом московской дачной экспансии, что также подтверждается статистикой «Яндекса» (см. ниже) и противоречит некоторым более ранним исследованиям [12]. При этом на третьих-четвертых-пятых местах по доле участников групп практически всегда присутствуют представители соседних районов. Например, практически для всех южных районов области характерна высокая доля представителей Великих Лук. В случае Куньинского, Новосокольнического, Усвятского районов она превышает 10%, что подтверждает роль данного города как южного субцентра региона.
Таким образом, можно сделать вывод о том, что «заинтересованность» в территории районов Псковской области наблюдается со стороны собственно жителей административного центра, что естественно, а также псковичей и петербуржцев. Именно эти категории населения и составляют, по всей видимости, основной актив трансформации территории и её освоения. Это подтверждается данными «Яндекса», где из 7563 запросов по вышеупомянутому словосочетанию примерно 4,5 тыс. приходится на Санкт-Петербург с Ленинградской областью, 1150 на Псковскую область (из них 600 на Псков) и лишь 588 на Москву и Московскую область. Отметим, что это коррелирует с ранее проведенными исследованиями [3]. Все остальные регионы России практически никаким образом не отражаются в двух упомянутых источниках интернет-статистики.
Исходя их вышесказанного, подытожим, что наиболее «петербургскими» районами Псковской области являются северные: Гдовский, Плюсский, Стругокрасненский; а также ландшафтно-привлекательные районы Бежаницкой и Судомской возвышенностей, изобилующие озерами: Бежаницкий, Пустошкинский, Локнянский, Дедовичский, Опочецкий (см. табл. 3).
В ходе анализа данных «Яндекса» было замечена поляризация пользовательского интереса к разным районам региона (табл. 1). Так, на долю пяти районов приходится более 2/3 всех запросов: Псковский - 31,3%, Гдовский - 13,4%, Печорский - 9,8%, Порховский - 8,0%, Островской - 6,1%. Такая картина является объяснимой - именно данные районы являются наиболее известными за пределами области и в региональном центре благодаря в том числе известным историко-культурным и природным достопримечательностям и памятникам, являющимися их «визитными карточками». Безусловно, это так же относится к Псковскому и Чудскому озерам.
С другой стороны, наблюдается практически полное отсутствие пользовательского интереса к некоторым районам, где запросы или отсутствуют, или единичны: Пыталовский - 0%, Усвятский - 0,1%, Красногородский и Новосокольнический - по 0,2% общего числа запросов.
Таблица 3
Доли представителей разных городов в группах районов Псковской области, %. Составлено авторами по [17] Shares of representatives of different cities in groups of the Pskov region districts, %. Compiled by the authors based on [17]
№ п/п Район Доли представителей разных городов, %
Районный центр Санкт-Петербурга Москвы Пскова Сумма
1 Бежаницкий 30,7 19,2 1,4 8,2 59,4
2 Великолукский 56,2 6,3 2,8 2,1 67,4
3 Гдовский 30,9 26,3 1,7 12,1 71,1
4 Дедовичский 31,1 18,4 2,0 15,1 66,7
5 Дновский 42,4 8,2 0,9 9,4 60,9
6 Красногородский 29,0 12,5 2,2 19,4 63,1
7 Куньинский 32,1 6,1 2,3 2,7 43,2
8 Локнянский 26,4 17,8 2,8 6,1 53,1
9 Невельский 49,6 13,7 2,7 3,8 69,9
10 Новоржевский 21,5 9,9 16,4 7,8 55,7
11 Новосокольнический 46,0 9,9 1,8 4,1 61,8
12 Опочецкий 46,7 15,0 1,7 12,1 75,5
13 Островской 50,8 11,9 2,9 12,5 78,0
14 Палкинский 18,9 6,6 1,8 43,5 70,8
15 Печорский 40,5 8,2 2,1 30,6 81,4
16 Плюсский 26,9 20,2 1,4 15,0 63,5
17 Порховский 25,7 13,2 7,6 7,9 54,4
18 Псковский 54,4 7,8 1,6 - 63,8
19 Пустошкинсикй 27,3 19,1 3,5 8,1 58,0
20 Пушкиногорский 33,2 15,0 2,3 15,8 66,3
21 Пыталовкий 32,6 7,2 1,8 20,3 61,9
22 Себежский 39,9 8,9 3,2 8,3 60,2
23 Стругокрасненский 18,5 19,7 1,7 24,3 64,3
24 Усвятский 7,3 8,5 10,8 0,3 26,9
СРЕДНЕЕ 43,6 10,4 2,7 9,2 65,9
Таблица 4
Коэффициенты корреляции между исследуемыми показателями (рассчитано авторами) Correlation coefficients between the studied indicators. Calculated by the authors
Яндекс. Wordstat Ввод домов Доля Пскова (ВК) Доля Пскова и СПб (ВК)
Яндекс.Wordstat 0,87 0,61 0,62
Ввод домов - 0,63 0,54
Доля Пскова (ВК) - - 0,91
Доля Пскова и СПб (ВК) - - -
Что касается показателя «Ввод в действие индивидуальных жилых домов на территории муниципального образования», то, аналогично с предыдущим, он достаточно ярко поляризован. Так, 66,8% вводимых домов приходится также на пятерку региональных лидеров: Псковский (36,9%), Великолукский (13,4%), Гдовский (6,5%), Струго-Красненский (5,3%), Плюсский (4,7%). Видим, что
данный перечень отличается от указанного выше. Так, в числе лидеров появляются два северных района области, не выделяющихся значимыми аттрактивными компонентами на территории, но расположенных ближе всего к Санкт-Петербургу.
Обращают на себя внимание значения коэффициентов корреляции между исследуемыми показателями (табл. 4). Так, между показателями: «ввод в действие индивидуальных жилых домов на территории муниципального образования в м2» (среднегодовое значение за 2014-2018 гг.) и частотой упоминания соответствующего муниципального района согласно статистике Яндекс составляет 0,87. Это показывает крайне высокую взаимосвязь указанных показателей, что подтверждает нашу гипотезу. В остальных комбинациях она находится в диапазоне от 0,54 до 0,63, что указывает на взаимосвязь показателей на уровне выше среднего.
На основе предыдущих расчетов и анализа нами были построены 2 картосхемы, где отражены три ключевых показателя (рис. 1 и 2):
- ввод в действие индивидуальных жилых домов на территории района;
- частота упоминания района в поиске Яндекса в контексте покупки дома в Псковской области;
- доли коренного населения, а также москвичей и петербуржцев в районных сообществах в сети «Вконтакте».
Можно заметить, что все эти показатели имеют определенную пространственную дифференциацию. В частности, анализ картосхемы на рис.1 позволил выделить нам несколько типов районов Псковской области, которые мы сгруппировали в следующую матрицу (табл.5).
Таблица 5
Группировка районов Псковской области по типам привлекательности (составлено авторами) Grouping of the Pskov region districts by types of attractiveness. Compiled by the authors
Более застраиваемые районы Менее застраиваемые районы
Наиболее привлекательные 1. Гдовский, Псковский 4. Порховский, Островской
Среднепривлекательные 2. Печорский, Плюсский 5. Дновский, Дедовичский, Бежаницкий, Невельский, Пустошкинский, Себежский
Наименее привлекательные 3. Великолукский, Стругокрасненский, 6. Палкинский, Пыталовский, Красногородский, Пушкиногорский, Новоржевский, Опочецкий, Локнянский, Новоскольнический, Усвятский, Куньинский
Первая пара районов является наиболее привлекательной для внешнего пользователя и наиболее интенсивно застраиваемых территорий, что отражается в муниципальной статистике. Гдовский район, наиболее близкий к Санкт-Петербургу и расположенный на берегу Чудского озера, традиционно уже давно является одним из лидеров региона по интенсивности освоения. То же относится и к пригородному району для областного центра - Псковскому. Его активный рост объясняется процессами субурбанизации и развития Псковской, пусть и небольшой, но агломерации.
Вторая пара районов, Печорский и Плюсский, отличается от предыдущих значительно меньшей «раскрученностью». Но при этом на руку первому играет пригородное положение и историко-культурная известность, а второму - известное название для горожан реки и наиболее близкое положение относительно Санкт-Петербурга. До Заплюсья от Северной столицы можно добраться на автомобиле за 2 ч.
Наименее «привлекательные», но при этом активно застраиваемые районы, - Стругокрасненский и Великолукский. Первый не отличается известными объектами на территории, но также, как и Плюсский, расположен на пути из Санкт-Петербурга. Вокруг Великих Лук мы, как и в случае с Псковом,
Рис. 1. Привлекательность и интенсивность
освоения районов Псковской области Fig. 1. Attractiveness and development intensity of the Pskov region districts
видим процессы развития сельской местности за счет самих жителей этого города, что в том чиле подтверждается и данными из «Вконтакте», т.е. есть развитые агломерации.
Вторую особенность нашей типологии не активно осваиваемых районов определяет пара Порховский- Островской, которые известны далеко за пределами облас ти своими достопримечательностями и крупными реками (Шелонь и Великая соответсвенно). К ним есть интерес со стороны внешних акторов, но при этом (пока?) не наблюдается «строительного бума».
Группа районов, обозначенных в табл. 5 под номером 5, имеет потенциальный интерес извне, но он остается пока незначительным. Ценные рекреационные, ландшафтные, природные ресурсы данных районов пока не так известны за пределами региона. Вместе с тем они расположены на значительном
удалении не только от Санкт-Петербурга, но и от Москвы и Пскова (Себежский, Пустошкинский районы). Шестая группа наименее привлекательных и наименее осваиваемых районов наиболее многочисленна. Это самые депрессивные в контексте нашего исследования районы. Здесь находятся наиболее удаленные, наименее ландшафтно-привлекательные или просто не самые известные территории. Удивляет наличие в данной группе Пушкиногорского района, где находится один из наиболее известных за пределами региона памятников культуры. Но, как говорится, вероятно, не Пушкиным единым... Хотя объективно Пушкиногорский район относится к внутрирегиональной периферии со слабовыраженной природно-ландшафтными аттрактантами. Анализ картосхемы на рис.2 позволяет нам, во-первых, увидеть районы, чье население наименее представлено в социальных сетях. Это территории, где доминируют представители иных городов и регионов.
К ним относятся, в первую очередь, Стругокрасненский и Плюсский районы (доминируют петербуржцы), Пыталовский район (псковичи).
При этом в районах, чьими центрами являются наиболее людные и крепкие города, доля «местных» в интернет-сообществах максимальна (Псковский, Великолукский, Островской районы).
Указанные факты, а также анализ московско-петербургского баланса позволяют нам сделать выводы о пространственных закономерностях внешнего воздействия на развитие территорий Псковской области.
Выводы
Любая система расселения претерпевает постоянные изменения во времени и в пространстве. Давно сформированная, неоднократно потрясаемая внешними катаклизмами, сжимающаяся и поляризирующаяся система Псковской области — не исключение.
На основе полученных и обработанных данных нами установлено следующее
• Наиболее сильное влияние на систему расселения региона оказывают Санкт-Петербург и прилегающие территории. Влияние Московского региона в известной степени преувеличено. Это подтверждается независимыми друг от друга источниками данных - социальная сеть ВКонтакте и поисковые сервисы «Яндекса».
• В Псковской области можно выделить несколько типов районов по степени интенсивности и вектору их освоения. Выделено 6 такого рода групп.
• Территория Псковской области осваивается крайне неравномерно. Но эта неравномерность далека от классического центр-периферийного понимания и во многом завязана на транспортную освоенность и ландшафтные характеристики территории. И этот сюжет требует дополнительного пристального изучения.
Данное исследование никак не связано с анализом финансово-экономических показателей и бюджетов муниципальных образований района. Так, Дновский район, не в самом выигрышном свете,
60
^ Доли петербуржцев и москвичей в соответствующих сообществах ВКонтакте Ча (СПб слева, Москва справа; 1 мм диаметра - 1%)
Рис. 2. Пространственная структура исследуемых сообществ по данным
социальной сети «ВКонтакте» Fig. 2. Spatial structure of the studied communities according to the VKontakte social network
представленный выше, по ряду исследований, является если не лидером, то крепким середняком в экономических рейтингах региона [9, 10]. Но нашей задачей было оценить «заинтересованность» в нем и в других территориях области извне, поэтому наличие рабочих мест, работающие предприятия и сравнительно развитая инфраструктура не оказывают влияния на происходящие процессы.
Безусловно, представленные результаты не могут быть абсолютно объективны и безаппеляционны. Они зависят от многих внешних нюансов. Нестатистические методы исследований предполагают проверку своей достоверности. Но в условиях повышения всех аспектов мобильности граждан, цифровизации и глобализации общества именно методы нестатистической и косвенной оценки пространственного развития тех или иных процессов в обществе с помощью в том числе и интернет-технологий становятся актуальны.
В данной работе мы сознательно избегали использования данных о численности населения муниципальных образований региона, но анализ корреляции «традиционных» и «нетрадиционных» источников данных является «полем» для дальнейших исследований.
Благодарности. Исследование выполнено при содействии «Центра социологических и Интернет-исследований» Научного парка Санкт-Петербургского государственного университета.
Acknowledgments. The study was conducted with the assistance of the 'Center for Sociological and Internet Research' at the Research Park of Saint Petersburg State University.
Библиографический список
1. Алексеев А.И., Дельва К.И., Усова М.Д. «Генеалогические деревья» и социальные сети как источник информации для социально-географического изучения сельской местности // Вестник Московского университета. Серия 5: География, 2016. № 5. С. 93-95.
2. Алексеев А.И., Воробьев М.И. Сколько сельских жителей в России зимой? // Вестник Московского университета. Серия 5: География, 2018. № 5. С. 104-107.
3. Аничкова О.М. Потомственные и "новые" крестьяне Псковской области // Новые российские гуманитарные исследования, 2018. № 13 (13). С. 2.
4. Дельва К.И. Социальные сети как метод изучения сельско-городских отношений (на примере деревни Гадыши) // Социально-экономическая география: история, теория, методы, практика. Сборник научных статей. 2016. С. 606-612.
5. Дементьев В.С., Клейменов С.П. Изменения в сельском расселении на территории Псковской области в начале XXI века // Псковский регионологический журнал, 2018. № 2 (34). С. 40-55.
6. Дементьев В.С. История учета населения России до начала ХХ века // Географический вестник, 2015. № 4 (35). С. 11-17.
7. Дементьев В.С. Оптимизация административно-территориального деления Псковской области: оценка последствий // Географический вестник. 2019. № 1 (48). С. 14-25.
8. Замятина Н. Метод изучения миграций молодежи по данным социальных Интернет-сетей: Томский государственный университет как центр производства и распределения человеческого капитала (по данным социальной Интернет-сети ВКонтакте) // Региональные исследования, 2012. № 2. С. 15-28.
9. Краснов А.И. Факторы экономической дифференциации городских поселений Псковской области в системе расселения региона // Региональные исследования, 2019. № 1 (63). С. 52-61.
10. Краснов А.И., Сухарников И.И. Экономическая дифференциация муниципальных районов Псковской области // Южно-Российский форум: экономика, социология, политология, социально-экономическая география. 2015. № 2 (11). С. 27-38.
11. Манаков А.Г., Дементьев В.С. Динамика сельского расселения псковской областив 1959-2010 гг // Региональные исследования, 2017. № 1 (55). С. 55-63.
12. Нефедова Т.Г. Десять актуальных вопросов о сельской России. Ответы географа // Российская академия наук, Институт географии. М., 2013. 456 с.
13. Нефедова Т.Г. Миграции дачников как фактор поддержания сельского расселения. Пример района озера Селигер // Миграционные процессы: проблемы адаптации и интеграции мигрантов. Ставрополь: Изд-во Сев. -Кав. фед. ун-та, 2015. С. 139-152.
14. Смирнов И.П., Виноградов Д.М., Алексеев А.И. К Москве или к Санкт-Петербургу? Тяготение населения Тверской области по данным сети "Вконтакте" // Известия Русского географического общества, 2019. Т. 151. № 6. С. 69-80.
15. Nefedova T.G. Old-developed regions of the Russian center in the shadow of the Moscow capital region // Regional Research of Russia. 2019. Т. 9. № 4. С. 329-339.
16. Оценка численности постоянного населения по муниципальным образованиям Псковской области на 1 января 2019 года URL: https://pskovstat.gks.ru/storage/mediabank/nas190405_1.htm (дата обращения: 01.04.2020).
17. Социальная сеть «ВКонтакте» URL: https://Vk.com (дата обращения: 01.04.2020).
18. Подбор слов. Яндекс. URL: https://wordstat.yandex.ru (дата обращения: 01.04.2020).
19. База данных показателей муниципальных образований URL: https://www.gks.ru/dbscripts/munst/ (дата обращения: 01.04.2020).
References
1. Alekseev, A.I., Delva, K.I., Usova, M.D. (2016), "«Genealogical trees» and social networks as a source of information for the socio-geographical study of rural areas", Moscow University Bulletin. Series 5, Geography, no. 5. pp. 93-95.
2. Alekseev, A.I., Vorobev, M.I. (2018), "How many rural residents are there in Russia in winter?" Moscow University Bulletin. Series 5, Geography, no. 5. pp. 104-107.
3. Anichkova, O.M. (2018), "Hereditary and "new" peasants of the Pskov region", New Russian Humanitarian Studies, no. 13 (13). p. 2.
4. Delva, K.I. (2016), "Social networks as a method of studying rural-urban relations (on the example of the village of Gadyshi)", Socio-economic geography: history, theory, methods, practice, pp. 606-612.
5. Dementev, V.S., Klejmenov, S.P. (2018), "Changes in rural settlement on the territory of the Pskov region at the beginning of the XXI century", Pskov regionalological journal, no. 2 (34), pp. 40-55.
6. Dementev, V.S. (2015), "History of registration of the population of Russia before the beginning of the twentieth century", Geographical bulletin, no.4 (35). pp. 11-17.
7. Dementev, V.S. (2019), "Optimization of administrative-territorial division in the Pskov region: assessment of consequences", Geographical bulletin, no.1 (48), pp. 14-25.
8. Zamyatina, N. (2012), "Method for studying youth migrations according to social Internet networks: Tomsk State University as a center for the production and distribution of human capital (according to the social Internet network VKontakte)", Regional Studies, no.2, pp. 15-28.
9. Krasnov, A.I. (2019), " Factors of economic differentiation of urban settlements of the Pskov region in the system of settlement of the region", Regional Studies, no. 1 (63), pp. 52-61.
10 Krasnov, A.I., Suharnikov, I.I. (2015), "Economic differentiation of municipal districts of the Pskov region", South Russian Forum: Economics, Sociology, Political Science, Socio-Economic Geography, no. 2 (11). pp. 27-38.
11. Manakov, A.G., Dementev, V.S. (2017), "Dynamics of rural settlement of the Pskov oblast in 1959-2010", Regional Studies, no 1 (55). pp. 55-63.
12. Nefedova, T.G. (2013), Desyat' aktualnyh voprosov o selskoj Rossii. Otvety geografa [Ten topical questions about rural Russia. Geographer's answers], Russian Academy of Sciences, Institute of Geography, Moskow, Russia.
13. Nefedova, T.G. (2015), "Migration of summer residents as a factor in maintaining rural settlement. Lake Seliger area example", Migration processes: problems of adaptation and integration of migrants. Stavropol, pp. 139-152.
14. Smirnov, I.P., Vinogradov, D.M., Alekseev, A.I. (2019), "To Moscow ot to Saint Petersburg? Population gravity of the Tver Region according to the data of «VKontakte» online network", Izvestiya Russkogo geograficheskogo obshchestva [Bulletin of the Russian Geographical Society], Vol. 151. no. 6. pp. 69-80.
15. Nefedova, T.G. (2019), "Old-developed regions of the Russian center in the shadow of the Moscow capital region" Regional Research of Russia. 2019. Vol. 9. no. 4. pp. 329-339.
16. Estimated resident population by municipalities of the Pskov region as of January 1, 2019 (2018), available at: https://pskovstat.gks.ru/storage/mediabank/nas190405_1.htm (Accessed 01.April 2020).
17. Social network VKontakte" (2020), available at: https://Vk.com (Accessed 01. April 2020).
18. Selection of words. Yandex (2020), available at: https://wordstat.yandex.ru (Accessed 01. April 2020).
19. Database of indicators of municipalities (2020), available at: https://www.gks.ru/dbscripts/munst/ (Accessed 01. April 2020).
Поступила в редакцию: 15.04.2020
Сведения об авторах Антон Иванович Краснов
старший преподаватель кафедры экономической и социальной географии, Санкт-Петербургский Государственный университет;
190000, Россия, Санкт-Петербург, Университетская наб, 7-9
Мария Владимировна Краснова
специалист, Ресурсный центр «Центр социологических и Интернет-исследований», Научный парк, Санкт-Петербургский Государственный университет; 190000, Россия, Санкт-Петербург, ул. Университетская наб, д. 7—9
About the authors Anton I Krasnov
Senior Lecturer, Department of Economic and Social Geography, Saint Petersburg State University; 7-9, Universitetskaya naberezhnaya, St. Petersburg, 190000, Russia
e-mail: a.krasnov@spbu.ru
Mariya V. Krasnova
Specialist, Resource Center 'Center for Sociological and Internet Research', Research Park, Saint Petersburg State University;
7-9, Universitetskaya naberezhnaya, St. Petersburg, 190000, Russia
e-mail: m.krasnova@spbu.ru 62
Просьба ссылаться на эту статью в русскоязычных источниках следующим образом:
Краснов А.И., Краснова М.В. Нестатистические методы оценки трансформации системы расселения Псковской области (по данным сети «ВКонтакте» и сервиса «Яндекс») // Географический вестник = Geographical bulletin. 2020. №4(55). С. 53-63 doi 10.17072/2079-7877-2020-4-53-63. Please cite this article in English as:
Krasnov, A.I., Krasnova, M. V. (2020), Non-statistical methods for assessing the transformation of the settlement system of the Pskov region (according to the VKontakte network and the Yandex service). Geographical bulletin. No. 4(55). P. 53-63.
Виктор Николаевич Федорко
e-mail: viktor-f-89@mail.ru
СОШ №233, Ташкент, Республика Узбекистан
Сергей Леонидович Янчук
e-mail: yanchuksl@mail.ru
Национальный университет Узбекистана имени Мирзо Улугбека, Ташкент, Республика Узбекистан Шухрат Бекметович Курбанов e-mail: qurbonov1977@mail.ru
Национальный университет Узбекистана имени Мирзо Улугбека, Ташкент, Республика Узбекистан
Пространственный анализ этнической структуры населения является слабо разработанным направлением общественно-географических исследований в Узбекистане. Авторами статьи впервые разработана многоуровневая схема этногеографического районирования Узбекистана на основе данных текущего статистического учёта национального состава населения республики. Эти статистические материалы являются единственным источником информации об этнической структуре населения страны и её регионов с учётом того, что перепись населения в Узбекистане не проводилась после 1989 г. Разработаны методологические основы этногеографического районирования Узбекистана, в частности его принципы, критерии, таксономические единицы. Этногеографическое районирование Узбекистана выполнено по сетке административно-территориального деления на основе пространственной группировки сельских районов и городов областного и республиканского подчинения, в разрезе которых выявлены 33 типа этнических сред. Районирование является трёхуровневым и включает три таксономических ступени: 4 этногеографические провинции, 6 этногеографических округов и 32 этногеографических района. Кроме того, выявлены «сквозные» пространственные единицы - этногеографические ярусы: верхний (горный), средний (предгорно-равнинный) и нижний (пустынно-оазисный). Выделены основные этногеографические рубежи в пределах Узбекистана, привязанные к орографическим и ландшафтным границы. Охарактеризованы особенности этнической структуры населения всех этногеографических провинций, округов и районов. Составлена карта этногеографического районирования республики.
Ключевые слова: этногеографическое районирование, этногеографический ярус, этногеографическая провинция, этногеографический округ, этногеографический район, этническая среда, национальный состав населения.
doi 10.17072/2079-7877-2020-4-53-63.
УДК 911.3 : 913
DOI: 10.17072/2079-7877-2020-4-63-80
СОВРЕМЕННАЯ ЭТНИЧЕСКАЯ ГЕОГРАФИЯ УЗБЕКИСТАНА
THE MODERN ETHNIC GEOGRAPHY OF UZBEKISTAN
Viktor N. Fedorko
e-mail: viktor-f-89@mail.ru
Secondary school no. 233, Tashkent, Uzbekistan
О Федорко B.H., Янчук С.Л., Курбанов Ш.Б., 2020
