CC BY
44
Сравнительный анализ структуры локальных предпринимательских сетей Local entrepreneurial networks: comparative structure analysis
Зверева Ольга Михайловна Zvereva Olga M.
старший преподаватель ФГАОУ ВО «Уральский федеральный университет имени первого Президента России Б.Н. Ельцина», г. Екатеринбург
OM-Zvereva2008@yandex.ru Давлетбаев Рустам Хайбуллович Davletbaev Rustam H. преподаватель кафедры анализа систем и принятия решений, ФГАОУ ВО «Уральский федеральный университет имени первого Президента России Б.Н. Ельцина», г. Екатеринбург
r.davletbaev@mail .ru Назарова Юлия Юрьевна Nazarova Yulia Y. студентка гр. ЭМ-433103 ФГАОУ ВО «Уральский федеральный университет имени первого Президента России Б.Н. Ельцина», г. Екатеринбург
nazarova_yukiru@mail. ru Медведева Марина Александровна Medvedeva Marina A. Кандидат физико-математических наук, доцент ФГАОУ ВО «Уральский федеральный университет имени первого Президента России Б.Н. Ельцина», г. Екатеринбург
marmed55 @yandex .ru Берг Дмитрий Борисович Berg Dmitry B. Д-р ф.-м. н., профессор ФГАОУ ВО «Уральский федеральный университет имени первого Президента России Б.Н. Ельцина», г. Екатеринбург ФГБУН Институт промышленной экологии Уральского отделения РАН,
bergd@mail.ru
Аннотация: Целью работы является сравнение структур предпринимательских сетей двух типов (производственных сетей и сетей кооперативных сообществ) по различным количественным параметрам согласно методологии SNA (Social Network Analysis - Анализ социальных сетей). Обнаружено, что параметры предпринимательских сетей и сетевые
параметры случайных графов существенно - более чем на 22% - отличаются друг от друга; в то же время, сети кооперативных сообществ значительно ближе по своим характеристикам к случайным графам Бернулли, чем производственные сети.
Ключевые слова: Экономические сети, предпринимательские сети, анализ социальных сетей, экспериментальная экономика, коммуникации, локализация, локальная платежная система.
Abstract: This article goal is to compare the structures of two different type entrepreneurial networks with the usage of several quantitative parameters in accordance with SNA-methodology. Production and cooperative community networks are under consideration. It was revealed that entrepreneurial network parameters and network parameters of random graphs differ greatly (more than 22%), and, at the same time, cooperative community networks according to their characteristics are more similar to random Bernoulli graphs than production networks.
Keywords: Economic networks, Entrepreneurial networks, Social Network Analysis, Experimental economics, Communications, Localization, Local payment system.
ВВЕДЕНИЕ
В течение последних 20 лет пристальное внимание уделяется изучению сетевых аспектов социальных и экономических систем. По мнению одного из авторитетов в этой области - Мануэля Кастельса - современное общество стало полностью сетевым [1]. Благодаря новым возможностям технических средств связи и коммуникаций экономические агенты могут выбирать себе поставщиков и потребителей практически по всему земному шару, вести продвижение своих продуктов среди десятков и сотен миллионов потенциальных клиентов, адаптировать продукт к индивидуальным предпочтениям каждого пользователя и др.
В то же время столь кардинальные изменения экономической реальности ещё не нашли своего отражения в экономической теории. Одним
из важных шагов в этом отношении является изучение структуры одного из видов сетевых экономических сообществ - предпринимательских сетей, формирующихся на временной или постоянной основе.
Отношения взаимных поставок продукции между агентами-предпринимателями могут быть представлены в форме рекурсивных коммуникаций. В каждом коммуникационном акте они могут обмениваться информацией, смыслами, деньгами, услугами, промышленными товарами, энергией и другими ресурсами. Совокупность коммуникаций образует стабильную сеть взаимоотношений агентов с соответствующими товарными и финансовыми потоками. На основе информации о транзакциях между агентами создается матрица связей в сети [2].
Объектом настоящего исследования является пространственно локализованная предпринимательская сеть. Она может быть одного из двух типов. Первый тип - сеть отношений кооперации производственного кластера (производственной сети), агенты которого объединены общей целью создания и поставки на внешний по отношению к кластеру рынок сложного продукта, обладающего высокой добавленной стоимостью [3]. Второй тип - сеть отношений кооперативного сообщества, в котором основной целью агентов является взаимное удовлетворение потребностей друг друга (т.е. внутренний рынок) [4]. Основная цель данного исследования - сравнение структур сетей этих двух типов.
В качестве методологии исследования использована SNA- методология [5, 6], созданная для анализа социальных сетей, но, которая, как показало данное исследование, успешно может быть применена и для анализа экономических сетей.
ОПИСАНИЕ ДАННЫХ
Данные о структуре предпринимательской производственной сети и ее функционировании могут быть получены из выписок с банковских счетов агентов. Выписка с банковского счета содержит всю информацию, необходимую для создания матрицы коммуникаций: сумму,
получателя/плательщика и дату совершения сделки. Можно исследовать сделки за день или суммировать их за определенные периоды времени. Матрица коммуникаций, содержащая информацию о датах сделок, позволит изучать эволюцию структуры сетей. Однако выписка со счета агента является коммерческой тайной, поэтому практически невозможно получить реальную информацию об агентах сети.
Существуют два основных источника получения информации о коммуникациях в сети сообщества. Один из них - такой же, как и для производственной сети, и основные трудности - те же. Если же сообщество использует так называемую «дополнительную», или внутреннюю, валюту [7] для платежей, которая к тому же является электронной, то все записи о транзакциях сохраняются в локальной платежной системе. Матрицу коммуникаций можно легко экспортировать (с разрешения оператора) и использовать для дальнейшего анализа. К сожалению, разрешение оператора также является большой проблемой.
Для решения данной проблемы было решено использовать методы экспериментальной экономики [8]. Было проведено две серии экспериментов, в результате которых были созданы шесть различных предпринимательских сетей: четыре сети кооперативных сообществ и две производственные сети.
Для улучшения репрезентативности эксперименты по формированию сетей кооперативных сообществ были проведены в различных регионах страны: в Уфе (Республика Башкортостан, Российская Федерация), в Набережных Челнах (Республика Татарстан, Российская Федерация) и в Москве. Каждый эксперимент длился в течение двух часов: первый час отводился на ознакомление участников с правилами и инструкциями по проведению предстоящего эксперимента, второй час был посвящен непосредственно организации взаимодействия участников друг с другом и непосредственно формированию сети. Участниками экспериментов были местные предприниматели. Одним из основных требований эксперимента был обмен реальными товарами и услугами, которые производят сами
участниками. Обмены мотивировались тем, что была введена отрицательная процентная ставка [9] на деньги, оборачивающиеся в эксперименте, которая через определенный промежуток времени уменьшала сумму общего денежного фонда.
Производственные кооперативные сети создавались двумя различными способами. Первая производственная сеть была получена на основе модели городского хозяйства, которая описана в [10, 11]. Сеть создана из 12 реальных экономических субъектов, которые связаны партнерскими отношениями, и производят и продают товары и услуги местным жителям, численность которых 10000 человек. Эти муниципальные экономические субъекты представлены фермами (сельскохозяйственной,
животноводческой), заводами (молочным, мясоперерабатывающим), мельницами (производство муки и комбикорма), пекарней, фабрикой и цехом. Матрица взаимных платежей муниципальных экономических агентов в течение одного месяца (усредненного за год) определила первую производственную сеть.
Вторая сеть была спроектирована группой студентов-экономистов (Высшая школа экономики и менеджмента Уральского федерального университета, г. Екатеринбург) при разработке проекта полного жизненного цикла (в течение двух недель) летнего туристического лагеря с образовательными и развлекательными программами. Согласно проекту, каждый бизнес-процесс обеспечивался отдельным предприятием малого бизнеса: строительство, аренда оборудование и снабжение, организация питания, охрана, утилизация мусора и др. Лагерь был рассчитан на проживание 120 человек (работников и клиентов). Два дня до начала работы лагеря и два дня после его окончания были предназначены для монтажа/демонтажа всех необходимых конструкций. Сбалансированная матрица взаимных платежей сетевых агентов с данными, агрегированными за 14 дней, стала второй из изучаемых матриц производственной сети [4].
Обе производственные сети содержат «население» как отдельного агента сети, который потребляет продукцию других агентов и обеспечивает их необходимыми трудовыми ресурсами.
Сеть характеризуется следующими количественными показателями:
- Nn - размер, равен числу узлов в сети (агентов, акторов);
- Ne - число связей (коммуникаций);
- D - плотность, определяемая как отношение числа существующих связей
/г> Ne
в сети числу возможных свей между узлами сети, (D = ^ ^ , для
направленной сети).
- Sum - общая сумма сделок/платежей (в рублях);
- AvrCost - средняя стоимость сделки в рублях (AvrCost = Sum/Ne);
- Ng - число различных видов товаров и услуг, производимых и потребляемых в сети;
- Var - ассортимент продуктов сети, число различных товаров (услуг), приходящихся на один узел сети (Var = Ng/Nn).
Значения выше описанных параметров сетей различных типов приведены в Таблице 1.
Таблица1 - Параметры предпринимательских сетей
Параметр Сети сообществ Производственные сети
1 2 3 4 1 2
Размер сети (Nn) 10 11 17 13 12 8
Число связей (Ne) 56 29 50 31 28 19
Плотность (D) 0,622 0,264 0,184 0,199 0,212 0,339
Общая сумма сделок/платежей, руб. (Sum) 438000 80 000 576000 55 000 306200000 2484599
Средняя стоимость сделки (руб.) (AvrCost) 7 821,43 2 758,62 11520 1774,19 10935714 130768
Число разл. 42 29 44 31 14 8
товаров в сети (Ng)
Ассортимент товаров (Var) 4,2 2,63 2,58 2,58 1,17 1
Две из исследуемых сетей визуализированы в виде графов на Рисунке 1.
а)
Мол.комбинат
Комбикорм, з-д
Птицефабрика
► Мебельн. цех
Рисунок 1 - Примеры графов сетей: а) сеть сообщества 4; б)производственная сеть 1. (Созданы в UCINET 6 for Windows)
Все рассматриваемые сети сравнимы по размерности (Ы"п и и плотности (исключением можно считать только сеть сообщества 1, плотность
которой выше других, такая высокая плотность отражает частые коммуникации межу агентами в эксперименте). Основные отличия между производственными сетями и сетями сообществ следующие:
• общее число транзакций (производственные сети демонстрируют более высокие показатели);
• число товаров и услуг, производимых и потребляемых в сетях сообществ, в два и более раз превосходят такие же показатели в производственных сетях;
• разнообразие продуктов сети (считается на одного агента) также в два раза больше в сетях сообществ;
• средняя стоимость сделки в сети сообщества, по крайней мере, в 10 раз ниже, чем в производственной сети.
Эти явные различия являются результатом самой природы сетей: наибольшее число транзакций в производственных сетях локализованы в сегменте B2B (business to business), в то время как в сетях сообществ преобладают коммуникации типа B2C (business to customer). Поэтому каждый из агентов производственной сети старается производить большой объем товара небольшого ассортимента для того, чтобы снизить производственные затраты. И, наоборот, агент сети сообщества заинтересован в производстве широкого ассортимента товаров, на которые есть спрос, даже в случае, когда требуется всего один. Более того, один и тот же агент сети сообщества одновременно может быть и производителем и конечным потребителем товаров.
МЕТОДЫ РАСЧЕТА И ЧИСЛОВЫЕ ПАРАМЕТРЫ
В SNA-методологии все параметры делятся на 4 группы: параметры сети в целом, параметры эго-сетей, параметры минимальных подгрупп (диад и триад), параметры отдельных агентов. В данном исследовании в основном использованы параметры первой группы - для сети в целом. Вычисления производились с помощью формул [12,13], которые приведены в Таблице 2.
К основным сетевым параметрам направленной сети можно отнести: количество узлов и дуг, плотность, диаметр, коэффициент кластеризации, коэффициент транзитивности и индексы централизации по Фриману (входной и выходной, т.к. сеть направленная). Первые три из них уже обсуждались и были приведены в Таблице 1.
Диаметр - это наибольшее из геодезических расстояний между узлами в сети. Геодезическое расстояние (или самый короткий путь) - это один из путей, соединяющих данные узлы и имеющий минимальную длину [13]. Диаметр показывает «компактность» сети.
Сетевой коэффициент кластеризации (СС) - это среднее значение плотностей эго-сетей всех агентов сети [14]. Этот коэффициент определяет степень «связности» сети. Обычно определяется для не направленных и бинарных сетей [15].
Для направленных сетей часто определяется коэффициент транзитивности (Тг). Триада является транзитивной, если выполняется следующее условие: если есть связь от А к В, есть связь от В к С, то есть и связь от А к С («друг моего друга - мой друг»). Используют 2 способа расчета:
- количество транзитивных триад/количество всех триад;
- количество транзитивных триад / количество триад, в которых отсутствует третья связь (есть связи AB, ВС, нет ЛС).
Многие исследователи утверждают, что транзитивная триада - основа существования равновесия в сети [16], она является «естественной» для социальной сети. Предполагается, что транзитивность определяет потенциальную склонность сети к устойчивости и «естественности».
Одной из основных характеристик сети можно считать коэффициент взаимности (Яе). Обычно определяется как доля связанных пар агентов (диад), имеющих взаимную связь между собой. Не связанные пары агентов в расчет не принимаются.
Отдельный агент в сети обычно характеризуется набором мер центральности. Централизация определяет неравномерность распределения связей между данными агентами. Мер центральности существует достаточно большое число, мы рассмотрим только некоторые из них.
Если анализируемая сеть ориентированная, общее число исходящих из узла связей называется его выходной центральностью по степени. Число входящих в узел связей называется его входной центральностью по степени.
Центральность по посредничеству определяет долю кратчайших путей от одного агента к другому, на которых находится данный агент. Она указывает на возможность контроля взаимоотношений между агентами или даже возможность прерывания этих отношений [17].
Три различных типа сетевой централизации были рассмотрены в ходе данного исследования: входная централизация (IDCenz), выходная централизация (ODCenz) и централизация по посредничеству (ВСеш). Эти типы централизации оцениваются индексами, предложенными Фриманом, каждый из индексов отражает вариативность индивидуальных индексов определенного типа центральности. Для расчета этих показателей необходимо найти самого центрального агента (имеющего максимальное значение данного показателя центральности и из его показателя
центральности вычесть показатель центральности каждого из остальных агентов сети, найти сумму этих разностей (ЦС*^)). Затем найденная сумма делится на теоретическую максимально возможную сумму разностей между центральностями агентов (существуют стандартные формулы вычисления такой разности, т.к. обычно такая максимальная разница определяется для графа звездной топологии). Тем самым определяется удаленность данной сети по определенному показателю от подобной сети звездной топологии.
Таблица 2 - Параметры сети и их вычисление
№ Параметр Формула Пояснение
1 В /) = шах (й(т,пЛ) ё(пь П|) - самый короткий (геодезический) путь между 1-ым и ]-ым агентами
2 сс N сс 41е" ¿=1 С - плотность соседства 1-го агента
3 Тг II Е-. N - число транзитивных триад N - число триплетов, где есть связи от агента п1 к агенту п и от агента п к агенту пк
4 Яв Я * = Ь - число связных диад Ьр - число взаимных связей
5 ЮСвт ЕГ=1(/яс* - тсд шах 1?_МОС* - ЮС{) 1 = 1,..,71 I Б С* - входная центральность по степени самого центрального агента / Б С\ -входная центральность по степени 1-го агента
6 ОВСвт £?=1(0£>С* - ОИС¿) - выходная центральность по степени самого центрального агента -выходная центральность по степени 1-го агента
шах (ОБС* - ОИС¿) 1 = 1,..,71
7 БСвт Ж=1(ВГ - ВСд шах - ВС{) 1 = 1,..,71 В С* - центральность по посредничеству самого центрального агента - центральность по посредничеству 1-го агента
Основная идея исследования состоит в том, чтобы сравнить сети
рассмотренных двух типов межу собой и с сетью той же размерности и плотности, основанной на случайном графе Бернулли, чтобы выявить различия, и на основе этого понять особенности структуры предпринимательских сетей.
Каждая из экспериментальных предпринимательских сетей имеет свою структуру. Для того, чтобы сравнение было корректным, были построены случайные графы Бернулли той же размерности и плотности, что и
экспериментальные сети. Исследование проводилось по следующей методике:
• вычисление параметров экспериментальных сетей;
• генерация случайных графов Бернулли той же размерности и плотности;
• вычисление сетевых параметров для графов Бернулли;
• сравнение экспериментальной сети и соответствующего ей графа Бернулли, расчет величины относительного отклонения;
• сравнение значений относительных отклонений для множества сетей сообществ и для множества производственных сетей отдельно, вычисление среднего значения относительного отклонения для каждого из типов сетей;
• сравнение найденных средних значений между собой. Относительное отклонении (RD) от графа Бернулли считается по
формуле:
RD = —, (1),
BV v
где A=|V — BV|, V- значение параметра экспериментальной сети, BV -соответствующее значение для графа Бернулли.
Все вычисления сетевых параметров в соответствии с Таблицей 2 были сделаны в пробной версии информационной среды UCINET 6.0 for Windows.
РЕЗУЛЬТАТЫ
Полученные параметры сетей сообществ (абсолютные значения V и относительные отклонения RD) представлены в Таблице 3. Можно заметить, что сеть сообщества 1 отличается от трех других сетей сообществ значительней, чем те разнятся между собой. Основная причина этого была указана выше (см. комментарии к Таблице1). Наиболее близка к случайному графу Бернулли сеть сообщества 3, относительное отклонение не превышает 17% для всех расчетных параметров, а для большинства из них лежит в интервале от 2 до 13%. Сети сообществ 1 и 2 и соответствующие им
случайные графы имеют наибольшие расхождения в показателях централизации: в большинстве случаев относительные отклонения имеют значения 44% и больше. Суммируя результаты сравнения, необходимо отметить, что графы сетей сообществ и случайные графы значительно различаются по своим характеристикам.
Таблица 3 - Значения параметров сетей сообществ
Сообщество 1 Сообщество 2 Сообщество 3 Сообщество 4
V V V V
D 2 0,33 4 0,2 5 0,17 4 0,33
Re 0,47 0,23 0,07 0,46 0,16 0,02 0,15 0,23
Тг 0,61 0,06 0,23 0 0,14 0,12 0,14 0,29
СС 0,64 0,07 0,28 0,52 0,23 0,07 0,19 0,71
IDCenz 0,71 0,46 0,26 0,13 0,20 0,13 0,24 0,42
ODCenz 0,17 0,46 0,15 0,21 0,20 0,13 0,24 0,08
BCenz 0,03 0,70 0,15 0,44 0,17 0,15 0,35 0,03
Подобное сравнение параметров, полученных для производственных сетей, приведено в Таблице 4. Сети этого типа кажутся более схожими межу собой, чем рассмотренные выше. В то же время они очень сильно отличаются от случайных графов Бернулли - относительные отклонения превышают 50%, а для большинства показателей централизации и взаимности равны 100% и более.
Таблица 4 - Значения параметров производственных сетей
Производственная сеть 1 Производственная сеть 2
V V
с 4 0,33 3 0
Яе 0,33 0,99 0,46 2,92
Тг 0,15 0,52 0,30 0,38
СС 0,52 0,53 0,60 0,40
ГОСеш 0,46 0,27 0,59 0,38
Оссеш 0,86 4,2 0,76 1,85
ВСепг 0,77 2,2 0,83 6,4
ЗАКЛЮЧЕНИЕ
Приведенные выше (Таблица 3 и 4) расчеты показывают, что параметры предпринимательских сетей и параметры случайных графов отличаются более чем на 22% (за редким исключением). Это первый важный результат данного исследования.
Для качественного сравнения предпринимательских сетей двух исследуемых типов были усреднены абсолютные значения сетевых параметров и их относительные отклонения от параметров случайных графов Бернулли. Полученные значения приведены в Таблице 5.
Таблица 5 - Средние значения параметров предпринимательских сетей сообществ и производственных сетей
Средние значения параметров
Сеть сообщества Производственная сеть
V V
с 3,8 0,26 3,5 0,17
яе 0,21 0,24 0,40 1,9
Тг 0,28 0,12 0,22 0,45
СС 0,33 0,34 0,56 0,47
ГОСеш 0,22 0,29 0,53 0,33
Оссеш 0,19 0,22 0,81 3,1
ВСепг 0,17 0,33 0,79 4,3
Второй значительный результат данного исследования заключается в определении фундаментальных различий между сетями исследуемых типов: сети сообществ ближе по своим характеристикам к сетям, формируемым случайными графами Бернулли, чем производственные сети. Это становится абсолютно очевидным после сравнения усредненных значений яс для сетей
обоих типов. Причина этого явления заключается в том, что природа сетей различна: производственные сети больше обусловлены цепочками поставок ресурсов, их способность менять поставщиков и потребителей крайне ограничена, в то время как сети сообществ обладают существенно большей гибкостью.
Эти два важных вывода о внутренней структуре локальных предпринимательских сетей определяют направление будущих более подробных исследований, включающих анализ большего объема экспериментальных данных и, по возможности, реальных экономических данных. В сочетании с изучением динамики функционирования сети, это может дать достаточно материала для понимания феномена аутопоэза (самовоспроизводства) [11, 18] в замкнутых цепях экономического обмена.
Работа выполнена при поддержке гранта РФФИ № 15-06-04863 «Математические модели жизненного цикла локальных платежных систем».
СПИСОК ЛИТЕРАТУРЫ
1. Кастельс М. Информационная эпоха: экономика, общество и культура: пер. с англ. /М. Кастельс под науч. ред. О. И. Шкаратана; Гос. ун-т, Высш. шк. экономики. - М., 2000.- 607 с.
2. Берг Д.Б., Баринова Д.А., Давлетбаев Р.Х. Локализация взаиморасчетов между агентами предпринимательской сети при реализации комплексного проекта // Наука, образование, общество. 2015. N 3(5), с. 11-17.
3. Porter, M.E. (1990). The Competitive Advantage of Nations. Harvard Business Review. March-April, 1990. pp. 72-91.
4. Mc Millan David W., Chavis David M. Sense of community: A definition and theory. American Journal of Community Psychology, 14(1). pp. 6-23.
5. Wassermann S., Faust K. Social Network Analysis: Methods and Applications: Cambridge University Press, 1994. - 825 p.
6. Градосельская Г. В. Сетевые измерения в социологии: Учебное пособие / Под ред. Г. С. Батыгина. М.: Издательский дом «Новый учебник», 2004. — 248 с.
7. Bernard A. Lietar. The Future of Money. Creating New Wealth, Work and Wiser World. - M.: KRPA Olymp: AST:Astrel, 2007. - 493p.
8. Douglas D. Davis & Charles A. Holt. Experimental Economics. Princeton University Press, 1993.- 584 p.
9. Gesell S. The Natural Economic Order (translation by Philip Pye). London: Peter Owen Ltd., 1958. - 207 p.
10. Попков В.В., Берг Д.Б., Ульянова Е.А., Селезнева Н.А. Моделирование как инструмент формирования товарной и финансовой сети в региональной экономике // Экономика региона. № 2. 2015. С. 236-246.
11. Dmitry B. Berg, Olga M. Zvereva. Identification of Autopoietic Communication Patterns in Social and Economic Networks // Analysis of Images, Social Networks and Texts. 4th International Conference, AIST 2015, Yekaterinburg, Russia, April 9-11, 2015. pp.286-296.
12. M. E. J. Newman. The structure and function of complex networks. SIAM Review. Vol.45. № 2, 2003. pp. 168-256.
13. L. da F. Costa, F. A. Rodrigues , G. Travieso & P. R. Villas Boas. Characterization of complex networks: A survey of measurements. Advances in Physics. February, 2007, Vol. 56 (1), pp. 167-242.
14. Robert A. Hanneman and Mark Riddle. Introduction to social network methods. Available at: http://faculty.ucr.edu/~hanneman/nettext/ (Accessed 04.01.16).
15. Phan, Binh, Engo-Monsen, Kenth and Fjeldstad, Oystein D. Considering clustering measures: Third ties, means, and triplets. Social Networks. 2013. pp. 300-308.
16. Faust, Katherine. Comparing Social Networks: Size, Density, And Local Structure. Metodoloski Zvezki. 2006, Vol. Vol. 3, № 2. pp. 185-216.
17. Peter V. Marsden. Network Data and measurement. Annual Review of Sociology. Vo.l 16 (1990). pp. 435-463.
18. D. Berg, O. Zvereva, A. Shelomentsev, A.Taubayev. Autopoietic Structures in Local Economic Systems. 15th International Multidisciplinary Scientific Geoconference SGEM 2015. Ecology, Economics, Education and Legislation.
Conference Proceedings. Volume I. Ecology and Environmental Protection. 1824 June, 2015, Albena, Bulgaria. Published by STEF92 Technology Ltd., 2015. pp. 109-117.
