CC BY
0
П-Economy. 2024, Том 17, № 2. С. 67-85. П-Economy. 2024, Vol. 17, No. 2. Pp. 67-85.
Научная статья
УДК 332, 353 I-
DOI: https://doi.org/10.18721/JE.17204
ПОДХОД К ОПРЕДЕЛЕНИЮ «УМНОЙ СПЕЦИАЛИЗАЦИИ» РЕГИОНОВ С ИСПОЛЬЗОВАНИЕМ ТЕХНОЛОГИИ БОЛЬШИХ ДАННЫХ
Аннотация. Актуальность и цель. Актуальность настоящей работы обусловлена необходимостью поиска эффективных подходов к определению перспективной структуры экономики региона для альтернативной стратегии принятия управленческих решений в целях обеспечения сбалансированного развития внутренней территории. Цель статьи — проанализировать возможности технологии больших данных и продемонстрировать перспективные аналитические инструменты для более эффективного использования подхода «умной специализации» в целях определения отраслевых приоритетов структурной трансформации региональных экономик. Материалы и методы. Исследование опирается на общенаучные (индукция, дедукция, сравнение, системно-структурный и др.) и специальные методы исследования — анализ больших данных социальной сети ВКонтакте, сравнительный анализ, анализ нормативно-правовой базы. Данное исследование проводилось на материалах двух регионов РФ: Калининградской и Пензенской области. Используемые ресурсы и инструменты для проведения исследования: веб-сервис «РосНавык», социальная сеть ВКонтакте, аналитическая платформа Ро1уАпа^1. Источниками данных послужили Стратегия пространственного развития РФ до 2025 г. и сервис по поиску работы и сотрудников HeadHunter.ru. Результаты. Авторами получены следующие конкретные результаты: во-первых, были выявлены перспективные отрасли регионов с учетом основных параметров рынка труда; во-вторых, авторы провели сравнительный анализ полученных результатов с данными из Стратегии пространственного развития РФ; в-третьих, установлена взаимосвязь между перспективными региональными специализациями и отношением местных жителей к востребованным специальностям региона на основе данных социальных медиа. Выводы. Использование сквозной технологии больших данных для выявления перспективных специализаций региона открывает новые возможности в данной области и позволяет операционализировать концепцию «умной специализации» как многообещающий инструмент реализации политики пространственного развития. Полученная информация об отношении местных жителей регионов к тем или иным профессиям представляет собой высокую ценность с позиции дальнейшего сопряжения отраслевых приоритетов, выявленных в результате анализа региональных контекстов, а также исследовательского и инновационного потенциала, которым они обладают, со взглядами и ожиданиями участников региональных экономических систем. Практическое использование данного подхода позволит принимать эффективные управленческие решения и проводить сбалансированную отраслевую политику, учитывающую актуальные закономерности, складывающиеся на рынке труда, и отношение населения региона к тем или иным профессиям. Стейкхолдерами данной информации могут быть вузы, работодатели, профессиональные сообщества и ассоциации, региональные органы государственной власти, а также профильные министерства и ведомства.
Ключевые слова: «умная» специализация, региональные экономические специализации, перспективная отраслевая структура, РосНавык, анализ больших данных, анализ социальных сетей, параметры рынка труда
© Гамидуллаева Л.А., Ворновская А.А., 2024. Издатель: Санкт-Петербургский политехнический университет Петра Великого
Л.А. Гамидуллаева1 н , A.A. Ворновская2
1 Пензенский государственный университет, г. Пенза, Российская Федерация; 2 Балтийский федеральный университет имени Иммануила Канта, г. Калининград, Российская Федерация
и gamidullaeva@gmail.com
2
Благодарности: Исследование выполнено при поддержке гранта Президента Российской Федерации для государственной поддержки молодых российских ученых — докторов наук № МД-1823.2022.2 «Сбалансированное развитие территории на основе промышленных кластеров в контексте теории «умной специализации».
Для цитирования: Гамидуллаева Л.А., Ворновская А.А. (2024) Подход к определению «умной специализации» регионов с использованием технологии больших данных. П-Есопоту, 17 (2), 67-85. DOI: https://doi.org/10.18721/JE.17204
Research article
DOI: https://doi.org/10.18721/JE.17204
AN APPROACH TO DETERMINING "SMART SPECIALIZATION" OF REGIONS USING BIG DATA TECHNOLOGY
L.A. Gamidullaeva1 H , A.A. Vornovskaya2
1 Penza State University, Penza, Russian Federation; 2 Immanuel Kant Baltic Federal University, Kaliningrad, Russian Federation
H gamidullaeva@gmail.com
Abstract. Relevance and goal. The relevance of this work is due to the need of finding effective approaches to determining the long-term structure of the regional economy for an alternative strategy for making management decisions in order to ensure balanced development of the internal territory. The research analyzes the capabilities of big data technology and demonstrates promising analytical tools for more effective use of the "smart specialization" approach in order to determine industry priorities for the structural transformation of regional economies. Materials and methods. The research is based on general scientific (induction, deduction, comparison, system-structural, etc.) and special research methods — big data analysis of the social network VKontakte, comparative analysis, analysis of the regulatory framework. This study was carried out using materials from two regions of the Russian Federation: Kaliningrad oblast and Penza oblast. Resources such as portal "RosNavyk", social network VK, analytical platform PolyAnalyst were used. The data sources were the Spatial Development Strategy of the Russian Federation until 2025 and HeadHunter.ru, a website providing job search and recruitment services. Results. The authors obtained the following specific results: firstly, promising sectors of the regions were identified, taking into account the main parameters of the labor market; secondly, the authors conducted a comparative analysis of the results obtained with the data from the Spatial Development Strategy of the Russian Federation; thirdly, a relationship between promising regional specializations and the attitude of local residents towards popular professions in the region was identified based on social media data. Conclusions. The use of end-to-end big data technology to identify promising specializations in the region opens up new opportunities in this area and allows to operationalize the concept of "smart specialization" as a promising tool for implementing spatial development policies. The information about the attitude of local residents of the regions towards certain professions is of high value from the point of view of further connecting industry priorities identified as a result of the analysis of regional contexts, as well as the research and innovation potential that they possess, with the views and expectations of participants in regional economic systems. The practical use of this approach will allow to make effective management decisions and pursue a balanced industry policy that takes into account current patterns emerging in the labor market and the attitude of the region's population towards certain professions. Stakeholders of this information may be universities, employers, professional communities and associations, regional authorities, as well as relevant ministries and departments.
Keywords: "smart specialization", regional economic specializations, promising industry structure, RosNavyk, big data analysis, social network analysis, labor market parameters
Acknowledgements: The research was supported by the Russian Presidential grant for state support for young Russian scientists — PhDs No. MD-1823.2022.2 "Balanced development of the territory based on industrial clusters in the context of 'smart specialization' theory".
© Gamidullaeva L.A., Vornovskaia A.A., 2024. Published by Peter the Great St. Petersburg Polytechnic University
Citation: Gamidullaeva L.A., Vomovskaia A.A. (2024) An approach to determining "smart specialization" of regions using big data technology. TC-Economy, 17 (2), 67—85. DOI: https://doi. org/10.18721/JE.17204
Введение
В настоящее время, в условиях нарастающей регионализации глобальной экономики, вопросы пространственной трансформации и развития территорий, особенности разработки и реализации региональной экономической политики находятся в фокусе внимания отечественных и зарубежных исследователей.
Первоочередной целью является обеспечение сбалансированного устойчивого развития пространства на новой технологической основе посредством оптимизации структуры экономики, эффективной пространственной локализации производств, учитывающей имеющийся потенциал и особенности регионов России. Решение обозначенной проблемы является актуальным с точки зрения потребности формирования научно-методической основы реализации Стратегии национальной безопасности Российской Федерации1 и Стратегии пространственного развития Российской Федерации на период до 2025 года2.
Для достижения этой цели требуется повышение эффективности использования инструментов пространственного развития, к числу которых относят кластерные инициативы и стратегии «умной специализации». В свою очередь одной из ключевых проблем использования этих инструментов следует отнести недостаточное внимание к пространственным особенностям регионов, недостаточный учет региональных различий.
Отличительным признаком подхода «умной специализации» является учет профиля экономики региона [1], высокий уровень обоснованности принимаемых решений посредством использования количественных параметров и широкой эмпирической базы [2]. В российской исследовательской литературе по данным РИНЦ найдено лишь 112 публикаций, в ключевых словах которых фигурирует понятие «умная специализация», а первые публикации появились только в 2016 г. В зарубежной литературе интерес к данной теме появился гораздо раньше и активность исследователей значительно выше (рис. 1).
Таким образом, интерес к данному подходу растет, несмотря на все сложности его практической реализации и применения.
По мнению А. Котова, попытка представить единую методику к выявлению «умной специализации» регионов практически всегда ограничивается представлением массива данных, формирующего базу для последующего процесса поиска «умных» специализаций [3, 4]. В литературе по пространственной и региональной экономике разработаны различные методики [5—7]. Однако в них недостаточно учтены аспекты межрегиональной и межотраслевой связанности видов экономической деятельности, а также часто применяется экспертный подход к оценке ряда значимых параметров, который, как известно, носит субъективный характер [8]. Кроме того, важно подчеркнуть, что существующие подходы к определению перспективных специализаций не позволяют учитывать запросы работодателей региона и отношение местных жителей к определенным профессиям.
Проблема настоящего исследования состоит в поиске адекватных подходов использования сквозной технологии больших данных (BigData) для выявления перспективных специализаций региона. Данная проблема обусловлена следующими факторами. Во-первых, статистика не всегда предоставляет исчерпывающие и актуальные данные. Во-вторых, в современных реалиях
1 Указ Президента РФ от 2 июля 2021 г. N 400 "О Стратегии национальной безопасности Российской Федерации"
2 Стратегия пространственного развития Российской Федерации на период до 2025 года (утв. распоряжением Правительства Российской Федерации от 13 февраля 2019 г. № 207-р).
Рис. 1. Динамика числа публикаций в изданиях МНБД Web of Science по поисковому запросу «умная специализация» Fig. 1. Publication dynamics in Web of Science database for the search query "smart specialization"
необходим новый подход к определению перспективной структуры экономики региона для альтернативной стратегии принятия управленческих решений в данной области.
Объектом исследования является отраслевая структура экономики региона (на примере Калининградской и Пензенской областей).
Предмет исследования — параметры региональных рынков труда.
Обзор литературы
Исследованию перспективных экономических специализаций территорий посвящены различные подходы в рамках отдельных теорий — уже упомянутой ранее теории «умной специализации», а также экономической теории сложности [9], теории технологической близости [10], подход к оценке отраслевой и региональной фрагментации производства, агенториентирован-ное и межотраслевое моделирование цепочек создания добавленной стоимости [11—12].
Так, в работе Н.Г. Берченко и А.В. Мишина [13] представлена методика, содержащая пошаговый алгоритм определения перспективных ВЭД, концентрирующих важнейшие ресурсы и компетенции региона, предполагающая дальнейшую тщательную экспертную проработку, позволяющую оценить перспективы их развития. Примечательно, что среди критериев оценки потенциала развития направлений специализации используется показатель «стадия развития» отрасли (зарождение, зрелость, рост, развитие, упадок). Затем экспертным путем по ряду критериев (перспективность направлений специализации; инвестиционная привлекательность; потенциал кластеризации; наличие кадрового потенциала; уровень инновационности) формировались балльные оценки рейтинга видов экономической деятельности.
Методика Е.С. Куценко и соавторов [14] основана на подходах Европейской кластерной обсерватории и применяется для выявления отраслей специализации и оценки потенциала их дальнейшего развития с использованием балльного метода по 4 показателям (уровень специализации, размер, продуктивность и динамика). Преимущество данного подхода состоит в том, что к выявленному перечню специализаций региона применяется ограничение, состоящее в необходимости отнесения территории в верхние 80% регионов по размеру и наличие «звезды» по уровню специализации.
Методика А.В. Котова и соавторов [3,4] «умная» специализация основывается на построении матрицы компетенций региона. Для этого авторы рассчитывают ряд индикаторов, оценивающих эффективность текущей отраслевой специализации, инновационный потенциал, а также патентную и публикационную обеспеченность по широкому перечню видов экономической деятельности. К достоинствам этого методического подхода можно отнести подробную
отраслевую номенклатуру исследования, доступность и простоту трактования используемых статистических данных, комплексность анализа региональных компетенций.
В работе К.В. Лебедева и соавторов [6] представлен подход, согласующий отраслевую специализацию региона со структурой подготовки специалистов с высшим образованием. Методика предполагает оценку локализации видов экономической деятельности, занятости населения. Сопоставление выпуска специалистов в разрезе укрупненных групп специальностей и направлений со структурой занятости населения позволяет разработать рекомендации по корректировке образовательной политики региональных вузов [17].
К недостаткам рассмотренных методик следует отнести проблему доступа к достоверным и сопоставимым статистическим данным, обусловленную качеством региональной статистики. Это актуализирует исследовательский поиск в этом направлении [18—22]. Требует решения вопрос согласования взглядов и ожиданий участников региональных экономических систем с идеями, полученными в результате анализа региональных контекстов, а также исследовательского и инновационного потенциала, которым они обладают [20]; необходима оценка того, представляют ли выбранные области специализации регионов наибольшим потенциалом для поддержания экономического роста [21—22]. Особая сложность практической имплементации данного подхода обусловлена необходимостью его адаптации к местным условиям и географическим особенностям, учета в процессе поиска «умных» специализаций предпочтений и приоритетов местного предпринимательства и граждан, что является неотъемлемой частью концепции «умной специализации» [23—24].
Новые перспективы в данном ключе открываются благодаря стремительному развитию технологий сбора и анализа больших данных. Социальные сети как онлайн-платформы, распределенные по различным компьютерам на больших расстояниях, объединяют миллионы людей по всему миру, которые используют социальные сети для загрузки фотографий, видео, обновления своего текущего статуса и публикации ежедневных комментариев [25].
Стремительное развитие социальных сетей, сетей обмена медиа, микроблогов побуждают исследователей изучать публикуемый контент и анализировать поведение пользователей, собирать социальные данные непосредственно из учетных записей пользователей в социальных сетях. Исследователи могут изучить различные аспекты поведения пользователей и получить ценную информацию.
Материалы и методы
Исследование опирается на общенаучные (индукция, дедукция, сравнение, системно-структурный и др.) и специальные методы исследования — анализ больших данных социальной сети ВКонтакте, сравнительный анализ, анализ нормативно-правовой базы. Данное исследование проводилось на материалах двух регионов РФ: Калининградской и Пензенской области. Используемые ресурсы для проведения исследования: веб-сервис «РосНавык», социальная сеть ВКонтакте, аналитическая платформа Ро1уАпа1уй. Источниками данных послужили Стратегия пространственного развития РФ до 2025 г. и сервис по поиску работы и сотрудников HeadHunter.ru.
Алгоритм проведения исследования предполагает последовательное решение следующих задач:
1. выявить перспективные отрасли регионов с учетом основных параметров рынка труда (на основе размещенных вакансий на веб-сервисе «РосНавык»);
2. провести сравнительный анализ полученных результатов с данными из Стратегии пространственного развития РФ;
3. выявить взаимосвязь между перспективными региональными специализациями и отношением местных жителей к востребованным специальностям региона на основе анализа данных социальных сетей.
Рис. 2. Фрагмент работы с веб-сервисом «Роснавык» по выявлению востребованных специальностей в исследуемых регионах Fig. 2. Using "RosNavyk" (fragment of work with the portal) to identify popular professions in the studied regions
Данное исследование проводилось на материалах двух регионов РФ: Калининградской и Пензенской области.
Используемые ресурсы для проведения исследования: веб-сервис «РосНавык», социальная сеть ВКонтакте, аналитическая платформа PolyAnalyst.
В контексте сравнения популярных сетей и выбора направления для сбора Big Data наиболее перспективной следует считать социальную сеть ВКонтакте. Выбор обусловлен числом пользователей сети, большим объёмом информации информации с ежедневным обновлением, наличием социальных групп взаимодействия местного сообщества, а также присутствием официальных сообществ (официальные группы, «паблики» администраций и т.д.).
Источниками данных послужили следующие: текст Стратегии пространственного развития РФ до 2025 г., сервис по поиску работы и сотрудников HeadHunter.ru, а также непосредственные данные, выгруженные из социальной сети ВКонтакте.
Платформа РосНавык представляет собой проект, созданный для мониторинга и анализа востребованных профессий и навыков, предложений работодателей и общих тенденций рынка труда (рис. 2).
Анализ собранных данных в соцсети ВКонтакте в целях определения отношения местных жителей к тем или иным профессиям был проведен с помощью информационного программного обеспечения PolyAnalyst, позволяющего осуществлять операции по обработке данных: сбор, импорт, очистка, анализ, экспорт результатов и создание отчетов (табл. 1).
Цель анализа: выгрузить с использованием методов и инструментов автоматизированного сбора данных текстовые данные из социальной сети «ВКонтакте», тематически связанные с отношением жителей региона к ряду профессий.
Тип выгружаемых данных:
1. сообщения (посты) и комментарии под сообщениями (постами) тематических сообществ социальной сети «ВКонтакте» (например, таких сообществ как «Правительство Калининградской области», «Типичный Калининград», «Работа в Калининграде», «Подслушано Пенза», «Penzainform.ru», «Работа в Пензе», «Пенза Регион» и другие);
2. количественные показатели реакций пользователей на сообщения;
3. информация о дате и времени появления сообщений и комментариев.
Результатом выгрузки данных явились сообщения и комментарии населения жителей Калининградской и Пензенской областей, содержащие в тексте любое ключевое слово (независимо от словоформы).
Результаты
На начальном этапе исследования необходимо было выявить перспективные виды экономической деятельности анализируемых регионов с учетом основных параметров рынка труда на основе размещенных вакансий на веб-сервисе «РосНавык» (табл. 1—2).
Таблица 1. Показатели веб-сервиса «Роснавык»: наиболее востребованные специальности в Калининградской области Table 1. Indicators received using the RosNavyk portal: the most popular professions in the Kaliningrad oblast
Вакансии Отрасль экономики
Продавец Торговля оптовая и розничная
Врач Деятельность в области здравоохранения и социальных услуг
Бухгалтер Деятельность финансовая и страховая
Повар, пекарь, кондитер Туризм Деятельность гостиниц и предприятий общественного питания
Водитель Транспортировка и хранение
Учитель, преподаватель, педагог Деятельность профессиональная, научная и техническая Образование
Администратор Розничная торговля Туризм Деятельность гостиниц и предприятий общественного питания
Официант, бармен, бариста Туризм Деятельность гостиниц и предприятий общественного питания
Медицинская сестра, медицинский брат Деятельность в области здравоохранения и социальных услуг
Программист, разработчик Деятельность в области информации и связи
Следующим этапом исследования является сравнение полученных результатов со специализациями, представленными в СПР РФ. Для этого мы преобразовали выявленные вакансии, представленные на платформе «РосНавык», в укрупненные группы видов экономической деятельности согласно ОКВЭД.
Начнем с Калининградской области. Мы получили следующий топ специализаций:
1. Торговля оптовая и розничная
2. Деятельность в области здравоохранения и социальных услуг
3. Деятельность финансовая и страховая
4. Туризм. Деятельность гостиниц и предприятий общественного питания
5. Транспортировка и хранение
6. Деятельность профессиональная, научная и техническая
7. Образование
8. Деятельность в области информации и связи
Таким образом, сфера оптовой и розничной торговли и образования, которые активно развиваются в регионе (с точки зрения размещённых вакансий и средней заработной платы на HeadHunter.ru) не получили отражения в Стратегии пространственного развития РФ как перспективные.
Топ специализация для Пензенской области:
1. Транспортировка и хранение;
2. Деятельность финансовая и страховая;
3. Производство. Предоставление прочих видов услуг;
Таблица 2. Показатели веб-сервиса «Роснавык»: наиболее востребованные специальности в Пензенской области Table 2. Indicators received using the RosNavyk portal: the most popular professions in the Penza oblast
Вакансии Отрасль экономики
Водитель Транспортировка и хранение
Бухгалтер Деятельность финансовая и страховая
Инженер-конструктор, инженер-проектировщик Производство, сервисное обслуживание
Слесарь, сантехник Производство Предоставление прочих видов услуг
Упаковщик, комплектовщик Транспортировка и хранение
Токарь, фрезеровщик, шлифовщик Производство Предоставление прочих видов услуг
Курьер Транспортировка и хранение
Повар, пекарь, кондитер Туризм Деятельность гостиниц и предприятий общественного питания
Врач Деятельность в области здравоохранения и социальных услуг Сельское хозяйство
Сварщик Строительство Деятельность по операциям с недвижимым имуществом Производство Предоставление прочих видов услуг
4. Транспортировка и хранение;
5. Туризм. Деятельность гостиниц и предприятий общественного питания;
6. Деятельность в области здравоохранения и социальных услуг;
7. Сельское хозяйство;
8. Строительство;
9. Деятельность по операциям с недвижимым имуществом.
Отсюда следует, что транспортировка и хранение, деятельность финансовая и страховая, туризм, сельское хозяйство, строительство и деятельность по операциям с недвижимым имуществом — это востребованные и развивающиеся виды экономической деятельности, которые не вошли в перечень перспективных для региона согласно Стратегии пространственного развития. Следует отметить, что в случае с Пензенской областью пересечений со в Стратегией пространственного развития значительно меньше по сравнению с Калининградской областью.
Для решения третьей задачи исследования по выявлению взаимосвязи между перспективными региональными специализациями и отношением к востребованным специальностям региона на основе данных социальных медиа нами были определены топ-10 профессий для проведения анализа, что позволило составить список ключевых слов для идентификации постов и комментариев в социальной сети ВКонтакте по тематике профессий. Представим списки ключевых слов в табл. 3 и 4.
Список ключевых слов позволил осуществить поиск постов и комментариев с маркерами-клю-чевыми словами профессий. Посты и комментарии, тематически связанные с отношением жителей региона к ряду профессий, были выгружены из российской социальной сети ВКонтакте. Объектом исследования стали посты, опубликованные в период с 1 января 2019 года по 23 июня 2023. Общее число записей составило более 850 тысяч наименований.
Таблица 3. Ключевые слова для востребованных специальностей (Калининградская область) Table 3. Keywords for popular professions (Kaliningrad oblast)
Вакансии Ключевые слова
Продавец Продавец, товар, консультант, касса, кассир, продажа, магазин, покупатель, прилавок
Врач Врач, доктор, поликлиника, регистратура, приём, запись на приём, педиатр, офтальмолог, травматолог, анестезиолог, невролог, онколог, узи, стоматолог, главврач, болезнь, лечение, диагноз, назначение, осмотр, медик
Бухгалтер Бухгалтер, главный бухгалтер, экономист, учёт, дебет, счёт, счетовод
Повар, пекарь, кондитер Повар, пекарь, кондитер, сладости, печенье, пирожное, шеф повар, кондитерская, торт, кафе, ресторан, кухня, блюдо, столовая, булочная, пекарня, выпечка, пирог, печенье
Водитель Водитель, автобус, такси, маршрутка, шофёр, руль, таксист, дальнобойщик
Учитель, преподаватель, педагог Учитель, преподаватель, педагог, школа, университет, начальная школа, оценка, русский язык, математика, английский язык, урок, занятие, учитель начальных классов, обществознание, литература, дневник, лекция, сессия, экзамен, зачёт
Администратор Администратор, гостиница, отель, магазин, ресторан, кафе
Официант, бармен, бариста Официант, бармен, бариста, кафе, ресторан, блюдо, обслуживание, чаевые, счёт, бар, коктейль, кофешоп
Медицинская сестра, медицинский брат медицинская сестра, медицинский брат, поликлиника, регистратура, приём, запись на приём, старшая медицинская сестра, пост медицинской сестры
Программист, разработчик Программист, разработчик, языки программирования, Python, питон, Java, C#
Таблица 4. Ключевые слова для востребованных специальностей (Пензенская область) Table 4. Keywords for popular professions (Penza oblast)
Вакансии Ключевые слова
Водитель Водитель, автобус, такси, маршрутка, шофёр, руль, таксист, дальнобойщик
Бухгалтер Бухгалтер, главный бухгалтер, экономист, учёт, дебет, счёт, счетовод
Инженер-конструктор, инженер-проектировщик Дизайнер, проект, дизайн, макет, технарь, специалист по проектированию, техник, изобретатель, конструкция, детали, проектирование, разработчик
Слесарь, сантехник Водопроводчик, уборщик, Ремонтник, автослесарь, дрель, зубило, крейцмей-сель, пробойник, слесарные молотки, выколотки, кернер, напильники, сварщик, монтёр, автомеханик, крановщик, коммунальщик
Упаковщик, комплектовщик Тара, пакет, бумага, спецификация, станочник, такелажник, грузоподъёмник, стропальщик
Токарь, фрезеровщик, шлифовщик Станочник, плашка, зубило, металлист, револьверщик, слесарь, автомеханик, тиски, резцы, метчики, электромонтёр
Курьер Посыльный, рассыльный, посланец, дипкурьер, пицца, почта, доставщик, посылка, адрес, заказ, доставка
Повар, пекарь, кондитер Повар, пекарь, кондитер, сладости, печенье, пирожное, шеф повар, кондитерская, торт, кафе, ресторан, кухня, блюдо, столовая, булочная, пекарня, выпечка, пирог, печенье
Врач Врач, доктор, поликлиника, регистратура, приём, запись на приём, педиатр, офтальмолог, травматолог, анестезиолог, невролог, онколог, узи, стоматолог, главврач, болезнь, лечение, диагноз, назначение, осмотр, медик
Сварщик Автослесарь, электрик, механик, разнорабочий, монтажник, фрезеровщик, электросварщик, газосварщик, электромонтёр, бурильщик, станочник, инструментальщик, жестянщик
Рис. 3. Фрагмент работы с аналитической платформой «PolyAnalyst» по созданию дочерних узлов таксономии для разных специальностей Fig. 3. Using "PolyAnalyst" (fragment of work with the platform) to create child taxonomy nodes for different professions
Рис. 4. Фрагмент платформы «PolyAnalyst» с данными таксономии «Врач» (Калининградская и Пензенская области) Fig. 4. Fragment of the "PolyAnalyst" platform taxonomy data "Doctor" (Kaliningrad and Penza oblasts)
С помощью аналитической платформы «PolyAnalyst» — российской цифровой аналитической платформы анализы данных была произведена предобработка данных, с помощью которой мы отсекли неактуальные записи (посты, комментарии, содержащие нерелевантную для исследования информацию). Таким образом, для Калининградской области было отобрано 17144 уникальных записей, для Пензенской области 43758 уникальных записей.
С помощью ключевых слов для всех профессий мы создали подмножества таксономий для обоих регионов (см. рис. 3). Например, для подмножества таксономии «Врач» (Калининградская область) платформа отобрала 416 записей. В то же время, в Пензенской области количество записей для того же подмножества составило 2230 записей, что может говорить о большей востребованности данной профессии в регионе.
Следующим этапом работы стала кластеризация записей в каждом отдельном подмножестве и выявление тональности комментариев — отношения жителей региона к топ-10 профессий. Кластеризация позволила сделать вывод о том, каким основным темам посвящены записи и комментарии жителей. Кластеры для некоторых специальностей для регионов представлены на рис. 5—8.
Рис. 5. Кластеры для подмножества «Слесарь» в Пензенской области Fig. 5. Clusters for the "Fitter" subset in the Penza oblast
Рис. 6. Кластеры для подмножества «Инженер» в Пензенской области Fig. 6. Clusters for the "Engineer" subset in the Penza oblast
пешеход, сбить, велосипедист, колесо, вчера, наезд, янтарно, | попасть, помятость, бдительность
полиция, сотрудник, полицеискии, таксист, скрыться, задержать, статья, ключ,... ф ф ф
смерть, потерять, спасатель, мужик, смертельный, & ^^
констатировать, сознание, соболезнование, далёко, поплохеть ^ автомобиль, управление,
нарушение, движение, средство, транспортный, ответственность, нетрезвый, дорожный, привлечь
автобус, начать, застрять, дверь, странный, поезд,
жить, подробность, случиться, завести, пьяный, пассажир, дело, мужик, понедельник, мост пилот, надеяться, вылететь, район, Ф ф восстановиться, вчера.
дерево, пассажирка, вылет, утро
а, область, калининградскаяобласть, поздравить, крепкий, отечественный, работат... ф живой, родитель, янтарно, мальчик, мадам, ребёнок, сбить, по...
переход, пешеходный, безопасный, дорога, наезд, пеш... ф
Калининградская область (
дерево, включить, поворот, ф
следить, стоящий, водила, кольцо, ф поворотник, успеть, причина остановка, страна, практически, маршрутка, женщина, автобус,терминал, стоять, наличные, рынок э, территория, поставить, вход написать, запомнит... #
помощь, скорая, i—-----
— рубль, месяц бонус, работать, приятный, • ® почему, премия, подработка, выплатить, парк
ребёнок, тротуар, дед, колесо, малыш, ножка, мороз, открытый, программа, мать
ф Ф автобус, администрация, маршрут, участок, рейс, кондиционер, орг... очередь, авто, фура, вода, день, метр, машина, сутки, добрый, рассказать
• бдьгщ, пассажир,"руль, автобус, встречкэ, случиться, пассажирка, выехать, кондуктор, пристегнуть задний, ход, бабуля, манёвр, | пенсионерка, необходимость, движение, старушка, прибегнуть, использовать
Рис. 7. Кластеры для подмножества «Водитель» в Калининградской области Fig. 7. Clusters for the "Driver" subset in the Kaliningrad oblast
Рис. 8. Кластеры для подмножества «Повар» в Калининградской области Fig. 8. Clusters for the "Cook" subset in the Kaliningrad oblast
Также для некоторых специальностей были созданы облака ключевых слов, например, для Подмножества «Официант, бармен, бариста» в Калининградской области (рис. 9).
В рамках кластеров далее был проведен содержательный анализ текстов по каждой профессии с целью определения тональности записей. Тональность записи предполагает положительное либо негативное отношение к записи/комментарию, она определяется согласно наличию маркированной лексике, использованной в тексте. Представим часть статистических данных в табл. 5.
Таблица 5. Данные о тональности записей, посвященных профессиям, в регионах Table 5. Data on the tone of the posts dedicated to professions in the regions
Специализация Регион Тональность позитивная Тональность негативная
(количество) (количество)
Слесарь Пензенская область 5 4
Инженер Пензенская область 76 43
Токарь Пензенская область 2 12
Врач Пензенская область 774 1037
Бухгалтер Пензенская область 155 74
Курьер Пензенская область 90 110
Повар Пензенская область 73 50
Врач Калининградская область 272 245
Водитель Калининградская область 175 286
Программист Калининградская область 7 2
Повар Калининградская область 17 3
Администратор Калининградская область 60 78
Учитель Калининградская область 345 216
Медицинская сестра Калининградская область 48 26
Для каждой специализации может быть представлен граф, отражающий взаимосвязь между ключевыми показателями: употреблением в общем контексте, степенью силы связи (толщина
очень хорошо
Рис. 9. Облако ключевых слов подмножества «Официант, бармен, бариста» в Калининградской области Fig. 9. Cloud of keywords for the subset "Waiter, bartender, barista" in the Kaliningrad oblast
Первичный график. ■ HeadObject (Количество значений) ■ Количество записей
Рис. 10. Агрегированный график подмножества «Бухгалтер» (Калининградская область) Fig. 10. Aggregated diagram of the "Accountant" subset (Kaliningrad oblast)
ребра) и др. Графы также могут включать в себя полную статистику по данным, а также область с исходными текстами, к которой можно обратиться для иллюстрации каждой связи. Обратимся к некоторым вариантам представления данных, которые предоставляет платформа «PolyAnalyst» (рис. 9-14).
Рис. 11. Граф подмножества «Администратор» (ключевые слова кластеров) (Пензенская область) Fig. 11. Graph of the "Administrator" subset (cluster keywords) (Penza oblast)
Рис. 12. Граф подмножеств «Врач» с ключевыми словами кластеров для обоих регионов Fig. 12. Graph of "Doctor" subsets with cluster keywords for both regions
Полученная информация об отношении местных жителей регионов к тем или иным профессиям представляет собой высокую ценность с позиции дальнейшего сопряжения отраслевых приоритетов, выявленных в результате анализа региональных контекстов, а также исследовательского и инновационного потенциала, которым они обладают, со взглядами и ожиданиями участников региональных экономических систем. В случае их несоответствия следует пересмотреть пул выявленных приоритетов, либо разработать и реализовать специальную политику, направленную на популяризацию тех или иных профессий в регионе, повышение их престижа, или на развитие благоприятной институциональной среды, образовательной политики для ее настройки под сложившиеся отраслевые структурные особенности экономики и предпочтения экономических субъектов и т.п. Это позволит всегда держать руку на пульсе, своевременно применять корректирующие воздействия и, в целом, повысить обоснованность принимаемых региональными органами государственной власти управленческих решений в целях реализации сбалансированной экономической политики.
Рис. 13. Граф подмножества «Бухгалтер» согласно тональности текстов (Калининградская область) Fig. 13. Graph of the "Accountant" subset according to the tone of the texts (Kaliningrad oblast)
Рис. 14. Агрегированный график подмножества «Водитель» (Пензенская область) Fig. 14. Aggregated diagram of the "Driver" subset (Penza oblast)
Отметим также, что авторами в результате проведенного исследования были проанализированы востребованные специализации в Калининградской и Пензенской областях с учетом основных параметров рынка труда, а также составлен топ-10 востребованных специализаций в данных регионах. Проведенный сравнительный анализ полученных результатов с данными из Стратегии пространственного развития РФ относительно заявленных перспективных специализаций региона свидетельствуют о несоответствии видов экономической деятельности, которые активно развиваются в регионах (с точки зрения размещённых вакансий и средней заработной платы на HeadHunter.ru) и видов экономической деятельности, отраженных в Стратегии пространственного развития РФ как перспективные.
Заключение и выводы
Разработанная в 2019 году Стратегия пространственного развития была ориентирована на выявление «умных» специализаций регионов. Однако, к сожалению, на практике потенциал данного подхода в целях регионального пространственного развития остается незадействован-ным. На сегодняшний день существует множество открытых вопросов и проблем, связанных с имплементацией данного подхода на практике. Большие сложности его практической реализации обусловлены в том числе необходимостью учета в процессе поиска «умных» специализаций предпочтений и приоритетов местного предпринимательства и граждан, что является неотъемлемой частью концепции «умной специализации». Ведь, как известно, главный лейтмотив данной концепции состоит в том, чтобы найти собственный уникальный путь развития.
Практическая реализация подхода «умной специализации» требует поиска новых способов сбора, обработки и анализа информации в целях обоснования перспективных для регионов экономических специализаций. По нашему мнению, использование аналитики больших данных открывает новые возможности применения данного подхода в российских реалиях, обеспечивая его операционализацию и расширяя возможности эффективного практического применения.
В данной статье представлена попытка оценить возможности технологии больших данных и продемонстрировать перспективные аналитические инструменты для более эффективного использования подхода «умной специализации» в целях определения отраслевых приоритетов структурной трансформации региональных экономик в целях развития экономического пространства. Это позволит принимать эффективные управленческие решения и проводить сбалансированную отраслевую политику, учитывающую актуальные тренды и закономерности, складывающиеся на рынке труда и отношение населения региона к тем или иным профессиям. Стейкхолдерами данной информации могут быть вузы, работодатели, профессиональные сообщества и ассоциации, региональные органы государственной власти, а также профильные министерства и ведомства.
В работе получены следующие конкретные результаты: во-первых, были выявлены перспективные отрасли регионов с учетом основных параметров рынка труда; во-вторых, авторы провели сравнительный анализ полученных результатов с данными из Стратегии пространственного развития РФ; в-третьих, установлена взаимосвязь между перспективными региональными специализациями и отношением местных жителей к востребованным специальностям региона на основе данных социальных медиа.
Предложенный в работе концептуальный подход к определению «умной специализации» регионов на основе технологии больших данных, безусловно, требует дальнейшей доработки и развития. В будущих исследованиях целесообразно на основе данных аналитической платформы HeadHunter.ru провести анализ требований в виде навыков и компетенций, предъявляемых работодателями к соискателям. Это обеспечит углубление проведенных ранее исследований, позволит анализировать динамику и содержание изменений компетенций в контексте отдельных видов экономической деятельности, а также прогнозировать их изменения в целях выстраивания эффективной образовательной и научно-технологической региональной политики.
СПИСОК ИСТОЧНИКОВ
1. Barca F., McCann P., Rodríguez-Pose A. (2012) The case for regional development intervention: Place-based versus place-neutral approaches. Journal of Regional Science, 52 (1), 134—152.
2. Kroll H., Muller E., Schnabl E., Zenker A. (2014) From smart concept to challenging practice — How European regions deal with the commission's request for novel innovation strategies. Working Paper Policy and Region. Karlsruhe: Fraunhofer ISI.
3. Котов А.В. (2020). Методический подход к определению умной специализации регионов России. Регион: Экономика и Социология, 2 (106), 22-45. DOI: https://doi.org/10.15372/REG20200202
4. Котов А.В., Гришина И.В., Полынев А.О. (2019) Умная специализация региона — вариант решения для России, научный очерк. М.: ВАВТ Минэкономразвития России, 60.
5. Зюзин А.В., Демидова О.А., Долгопятова Т.Г. Локализация и диверсификация российской экономики: региональные и отраслевые особенности. Пространственная экономика, 16 (2), 39-69. DOI: https://dx.doi.0rg/10.14530/se.2020.2.039-069
6. Лебедев К.В., Васильева Л.В., Суменова Е.С. (2022) Региональные особенности экономики и структура подготовки специалистов. Вестник университета, 1, 99-108. DOI: https://doi. org/10.26425/1816-4277-2022-1-99-108
7. Румянцев Н.М., Леонидова Е.Г., Губанова Е.С. (2022) Определение отраслевых приоритетов структурной трансформации региона на основе поиска перспективных экономических специализаций. Экономические и социальные перемены: факты, тенденции, прогноз, 15 (6), 94-109. DOI: https://doi.org/10.26425/1816-4277-2022-1-99-108
8. Гамидуллаева Л.А., Рослякова Н.А. (2023) Комплексный методический подход к структурной трансформации региональной экономики. Труды IIIГранберговской конференции, 11—13 октября 2023 г., Новосибирск: Всеросс. конф. «Пространственный анализ социально-экономических систем: история и современность», 311.
9. Моисеев А.К., Бондаренко П.А. (2020) Применение индекса экономической сложности в макрофинансовых моделях. Проблемы прогнозирования, 3, 101-112.
10. Rastvortseva S., Amanalieva A. (2021). The concept of technological proximity in the development of European Union national innovative systems. Bulletin of Geography. Socio-economic Series, 51 (51), 35-46. DOI: https://doi.org/10.2478/bog-2021-0003
11. Лукин Е.В. (2019) Отраслевая и территориальная специфика цепочек добавленной стоимости в России: межотраслевой подход. Экономические и социальные перемены: факты, тенденции, прогноз, 12 (6), 129-149. DOI: https://doi.org/10.15838/esc.2019.6.66.7
12. Лукин Е.В., Аносова Т.С., Мельников А.Е., Сидоров М.А. (2020) Опыт агент-ориентированного моделирования межрегиональных цепочек создания стоимости. Экономические и социальные перемены: факты, тенденции, прогноз, 13 (6), 101-116. DOI: https://doi.org/10.15838/esc.2020.6.72.6
13. Берченко Н.Г., Мишин А.В. (2018) Практические аспекты определения перспективной специализации региональных хозяйственных комплексов. Экономика, моделирование, прогнозирование, 12, 19-30.
14. Еферин Я.Ю., Куценко Е.С. (2021) Адаптация концепции умной специализации для развития регионов России. Вопросы государственного и муниципального управления. 2021. № 3.
15. Gamidullaeva L.A., Roslyakova N.A. (2024) A methodological approach to complex territorial development based on agglomeration effects: "Smart" specialization perspective. Journal of Infrastructure, Policy and Development, 8 (2) (article in press).
16. Крошилин А.В., Бабкин А.В., Крошилина С.В. (2010) Особенности построения систем поддержки принятия решений на основе нечёткой логики. Научно-технические ведомости Санкт-Петербургского государственного политехнического университета. Информатика. Телекоммуникации. Управление. 2 (97), 58-63.
17. Цацулин А.Н., Бабкин А.В. (2023) Измерительные возможности продвинутых инструментов анализа рыночной активности экономических субъектов. n-Economy, 16 (4), 121-147. DOI: https://doi.org/10.18721/JE.16408
18. Kleibrink A., Magro E. (2018). The making of responsive innovation policies: Varieties of evidence and their contestation in the Basque Country. Palgrave Communications, 4 (74). DOI: https://doi. org/10.1057/s41599-018-0136-2
19. D'Adda D., Guzzini E., Iacobucci D., Palloni R. (2019). Is Smart Specialisation Strategy coherent with regional Innovative capabilities? Regional Studies, 53 (7), 1004-1016. DOI: https://doi.org/10.1080 /00343404.2018.1523542
20. Muscio A., Ciffolilli A. (2018). Technological diversity in Europe: Empirical evidence from agri-food research projects. Regional Studies, 52 (3), 374-387. DOI: https://doi.org/10.1080/00343404.2017. 1301662
21. Sorvik J., Teras J., Dubois A., Pertoldi M. (2019) Smart Specialisation in sparsely populated areas: Challenges, opportunities and new openings. Regional Studies, 53 (7), 1070-1080. DOI: https://doi.org/ 10.1080/00343404.2018.1530752
22. Luca M., Panori A., Deakin M., Ortega-Argiles R. (2022) Digital Meets Smart: Towards a Technology-Enhanced Approach to Smart Specialisation Strategy Development. Regional Studies, 56 (9), 1421-1428. DOI: https://doi.org/10.1080/00343404.2022.2091775
23. Arora A., Bansal S., Kandpal C. et al. (2019) Measuring social media influencer index-insights from Facebook*, Twitter3 and Instagram*. Journal of Retailing and Consumer Services, 49, 86-101. DOI: https:// doi.org/10.1016/jjretconser.2019.03.012
24. Lai, WK., Chen, Y.U., Wu, T.-Y., 2020. Analysis and evaluation of random-based message propagation models on the social networks. Comput. Netw, 170, 107047.
25. Sepideh Bazzaz Abkenar, Mostafa Haghi Kashani, Ebrahim Mahdipour, Seyed Mahdi Jameii (2021) Big data analytics meets social media: A systematic review of techniques, open issues, and future directions. Telematics and Informatics, 57, 101517, DOI: https://doi.org/10.1016Zj.tele.2020.101517
REFERENCES
1. Barca F., McCann P., Rodriguez-Pose A. (2012) The case for regional development intervention: Place-based versus place-neutral approaches. Journal of Regional Science, 52 (1), 134-152.
2. Kroll H., Muller E., Schnabl E., Zenker A. (2014) From smart concept to challenging practice — How European regions deal with the commission's request for novel innovation strategies. Working Paper Policy and Region. Karlsruhe: Fraunhofer ISI.
3. Kotov A.V. (2020). Metodicheskiy podkhod k opredeleniyu umnoy spetsializatsii regionov Rossii [Methodological approach to smart specialization for the Russian regions]. Region: ekonomika i sotsiologi-ya [Region: Economics and Sociology], 2 (106), 22-45. DOI: https://doi.org/10.15372/REG20200202.
4. Kotov A.V., Grishina I.V., Polynev A.O. (2019) Umnaya spetsializatsiya regiona — variant resheniya dlya Rossii, nauchnyi ocherk. M.: VAVT Minekonomrazvitiya Rossii, 60.
5. Zyuzin A.V., Demidova O.A., Dolgopyatova T.G. Localization and Diversification of Russian Economy: Regions' and Industries' Peculiarities. Spatial Economics [Prostranstvennaya ekonomika], 16(2), 39-69. DOI: https://dx.doi.Org/10.14530/se.2020.2.039-069
6. Lebedev K.V., Vasilyeva L.V., Sumenova E.S. (2022) Economy regional features and specialist training structure. Vestnik universiteta, 1, 99-108. DOI: https://doi.org/10.26425/1816-4277-2022-1-99-108
7. Rumyantsev N.M., Leonidova E.G., Gubanova E.S. (2022) Defining sectoral priorities of the region's structural transformation by searching for promising economic specializations. Economic and Social Changes: Facts, Trends, Forecast, 15(6), 94-109. DOI: https://doi.org/10.15838/esc.2022.6.84.5
8. Gamidullaeva L.A., Roslyakova N.A. (2023) Kompleksnyi metodicheskii podkhod k strukturnoi transformatsii regional'noi ekonomiki. Trudy IIIGranbergovskoi konferentsii, 11—13 oktyabrya 2023 g., Novosibirsk: Vseross. konf. «Prostranstvennyi analiz sotsialno-ekonomicheskikh sistem: istoriya i sovre-mennost'», 311.
9. Moiseev A.K., Bondarenko P.A. (2020) Primenenie indeksa ekonomicheskoi slozhnosti v makro-finansovykh modelyakh. Problemyprognozirovaniya, 3, 101-112.
10. Rastvortseva S., Amanalieva A. (2021) The concept of technological proximity in the development of European Union national innovative systems. Bulletin of Geography. Socio-economic Series, 51 (51), 35-46. DOI: https://doi.org/10.2478/bog-2021-0003
11. Lukin E.V. (2019) Sectoral and territorial specifics of value-added chains in Russia: the input-output approach. Economic and Social Changes: Facts, Trends, Forecast, 12 (6), 129-149. DOI: https://doi. org/10.15838/esc.2019.6.66.7
12. Lukin E.V., Anosova T.S., Mel'nikov A.E., Sidorov M.A. (2020) Experience in agent-based modeling of interregional value chains. Economic and Social Changes: Facts, Trends, Forecast, 13 (6), 101-116. DOI: https://doi.org/10.15838/esc.2020.6.72.6
13. Berchenko N.G., Mishin A.V (2018) Prakticheskie aspekty opredeleniya perspektivnoi spetsializatsii regional'nykh khozyaistvennykh kompleksov. Ekonomika, modelirovanie, prognozirovanie, 12, 19-30.
3 По данным Роскомнадзора соцсеть X (бывш. Twitter) заблокирована на территории РФ.
* Соцсети Facebook и Instagram запрещены на территории РФ. Решением Тверского районного суда города Москвы от 21.03.2022 по делу N 02-2473/2022 деятельность американской транснациональной холдинговой компании Meta Platforms Inc. по реализации продуктов социальных сетей Facebook и InSagram на территории Российской Федерации запрещена по основаниям осуществления экстремистской деятельности.
14. Eferin Ya.Yu., Kutsenko E.S. (2021) Adaptatsiya kontseptsii umnoi spetsializatsii dlya razvitiya regionov Rossii. Voprosy gosudarstvennogo i munitsipalnogo upravleniya. 2021. № 3.
15. Gamidullaeva L.A., Roslyakova N.A. (2024) A methodological approach to complex territorial development based on agglomeration effects: "Smart" specialization perspective. Journal of Infrastructure, Policy and Development, 8(2) (article in press)
16. Kroshilin A.V, Babkin A.V, Kroshilina S.V (2010) Osobennosti postroeniya sistem podderzhki prin-yatiya reshenij na osnove nechyotkoj logiki. Nauchno-tekhnicheskie vedomosti Sankt-Peterburgskogo gosudarstvennogo politekhnicheskogo universiteta. Informatika. Telekommunikacii. Upravlenie, 2 (97), 58—63.
17. Tsatsulin A.N., Babkin A.V (2023) Measuring capabilities of advanced tools for analyzing the market activity of economic entities. n-Economy, 16 (4), 121-147. DOI: https://doi.org/10.18721/JE.16408
18. Kleibrink A., Magro E. (2018). The making of responsive innovation policies: varieties of evidence and their contestation in the Basque Country. Palgrave Communications, 4 (74). DOI: https://doi. org/10.1057/s41599-018-0136-2
19. D'Adda D., Guzzini E., Iacobucci D., Palloni R. (2019). Is Smart Specialisation Strategy coherent with regional Innovative capabilities? Regional Studies, 53 (7), 1004-1016. DOI: https://doi.org/10 .1080/00343404.2018.1523542
20. Muscio A., Ciffolilli A. (2018). Technological diversity in Europe: empirical evidence from agri-food research projects. Regional Studies, 52 (3), 374-387. DOI: https://doi.org/10.1080/00343404.2017.1301662
21. Sorvik J., Teras J., Dubois A., Pertoldi M. (2019) Smart Specialisation in sparsely populated areas: Challenges, opportunities and new openings. Regional Studies, 53 (7), 1070-1080. DOI: https://doi. org/10.1080/00343404.2018.1530752
22. Luca M., Panori A., Deakin M., Ortega-Argiles R. (2022) Digital Meets Smart: Towards a Technology-Enhanced Approach to Smart Specialisation Strategy Development. Regional Studies, 56 (9), 1421-1428. DOI: https://doi.org/10.1080/00343404.2022.2091775
23. Arora A., Bansal S., Kandpal C. et al. (2019) Measuring social media influencer index-insights from Facebook*, Twitter4 and Instagram*. Journal of Retailing and Consumer Services, 49, 86-101. DOI: https://doi.org/10.1016/jjretconser.2019.03.012
24. Lai WK., Chen Y.U., Wu T.-Y., 2020. Analysis and evaluation of random-based message propagation models on the social networks. Comput. Netw, 170, 107047.
25. Sepideh Bazzaz Abkenar, Mostafa Haghi Kashani, Ebrahim Mahdipour, Seyed Mahdi Jameii (2021) Big data analytics meets social media: A systematic review of techniques, open issues, and future directions. Telematics and Informatics, 57, 101517. DOI: https://doi.org/10.1016Zj.tele.2020.101517
СВЕДЕНИЯ ОБ АВТОРАХ / INFORMATION ABOUT AUTHORS
ГАМИДУЛЛАЕВА Лейла Айваровна
E-mail: gamidullaeva@gmail.com
Leyla A. GAMIDULLAEVA
E-mail: gamidullaeva@gmail.com
ORCID: https://orcid.org/0000-0003-3042-7550
ВОРНОВСКАЯ Анастасия Александровна
E-mail: nastya_vornovskaya@mail.ru Anastasiya A. VORNOVSKAIA
E-mail: nastya_vornovskaya@mail.ru
Поступила: 09.03.2024; Одобрена: 13.04.2024; Принята: 13.04.2024. Submitted: 09.03.2024; Approved: 13.04.2024; Accepted: 13.04.2024.
4 По данным Роскомнадзора соцсеть X (бывш. Twitter) заблокирована на территории РФ.
* Соцсети Facebook и InSagram запрещены на территории РФ. Решением Тверского районного суда города Москвы от 21.03.2022 по делу N 02-2473/2022 деятельность американской транснациональной холдинговой компании Meta Platforms Inc. по реализации продуктов социальных сетей Facebook и Instagram на территории Российской Федерации запрещена по основаниям осуществления экстремистской деятельности.
