ЦИФРОВОЕ РАЗВИТИЕ СИБИРСКОГО ФЕДЕРАЛЬНОГО ОКРУГА: КЛАСТЕРИЗАЦИЯ РЕГИОНОВ В ОБЛАКЕ ТЕГОВ

Виктор Иванович  Блануца

doi:10.17072/2079-7877-2021-3-62-73

Авторы

Виктор Иванович Блануца Институт географии им. В.Б. Сочавы СО РАН, г. Иркутск, Россия https://orcid.org/0000-0003-3958-216X

DOI:

https://doi.org/10.17072/2079-7877-2021-3-62-73

Ключевые слова:

социально-экономическая география, большие данные, поток новостей, цифровое развитие, облако тегов, кластерный анализ, Сибирский федеральный округ

Аннотация

Свободный доступ к потоку региональных новостей и онлайн-генераторам облака тегов открывает перед социально-экономической географией новые возможности по обработке «больших данных» и выявлению географических закономерностей. Целью исследования стала идентификация современных приоритетов цифрового развития десяти сибирских регионов с помощью их кластеризации в облаке тегов из потока официальных региональных новостей. Сформулированы исходная и альтернативная гипотезы исследования. Установлены двенадцать тегов (ярлыков, ключевых слов), отражающих приоритеты цифрового развития. На основе потока новостей (текстов) за первые пять месяцев 2021 г. от региональных министерств цифрового развития созданы облака из наиболее встречающихся тегов. Заданы пять полос частоты встречаемости тегов. Предложены мера расстояния между регионами в облаке тегов и алгоритм объединения регионов в кластеры. В результате проведенного исследования установлено, что в Сибири нет регионов с одинаковыми приоритетами цифрового развития, а имеющиеся различия позволяют объединить все регионы в два кластера. На этом основании исходная гипотеза о единообразии приоритетов цифрового развития всех регионов была отклонена. Перечислены десять особенностей цифрового развития Сибири. Представлены направления дальнейших исследований по данной проблематике.

Библиографические ссылки

Блануца В.И. Социально-экономическое районирование как система смыслов: контент-анализ постсоветских публикаций // Географический вестник. 2017. № 4. С. 39–50. doi: 10.17072/2079-7877-2017-4-39-50.

Блануца В.И. Социально-экономическое районирование в эпоху больших данных. М.: ИНФРА-М, 2018. 194 с.

Регионы России. Социально-экономические показатели 2020 // Федеральная служба государственной статистики. URL: https://rosstat.gov.ru/folder/210/document/13204 (дата обращения: 24.05.2021).

Arabadzhyan A., Figini P., Vici L. Measuring destination image: A novel approach based on visual data mining. A methodological proposal and an application to European islands // Journal of Destination, Marketing & Management. 2021. Vol. 20. e100611. doi: 10.1016/j.dmm.2021.100611.

Bokányi E., Kondor D., Dobos L., Sebõk T., Stéger J., Csabai I., Vattay G. Race, religion and the city: Twitter word frequency patterns reveal dominant demographic dimensions in the United States // Palgrave Communications. 2016. Vol. 2. e16010. doi: 10.1057/palcomms.2016.10.

De Oliveira Capela F., Ramirez-Marquez J.E. Detecting urban identity perception via newspaper topic modeling // Cities. 2019. Vol. 93. P. 72–83. doi: 10.1016/j.cities.2019.04.009.

Drisko J.M., Maschi T. Content Analysis. Oxford: Oxford University Press, 2016. 191 pp.

Feldman R., Sanger J. The Text Mining Handbook: Advanced Approaches in Analyzing Unstructured Data. New York: Cambridge University Press, 2006. 422 pp.

Ferreira D., Vale M. Geography in the big data age: An overview of the historical resonance of current debates // Geographical Review. 2020. Vol. 110. e1832424. doi: 10.1080/00167428.2020.1832424.

Goodchild M.F. Citizens as sensors: The world of volunteered geography // GeoJournal. 2007. Vol. 69. P. 211–221. doi: 10.1007/s10708-007-9111-y.

Graham M., Shelton T. Geography and the future of big data, big data and the future of geography // Dialogues in Human Geography. 2013. Vol. 3. No. 3. P. 255–261. doi: 10.1177/2043820613513121.

Kitchin R. Big data and human geography: Opportunities, challenges and risks // Dialogues in Human Geography. 2013. Vol. 3. No. 3. P. 262–267. doi: 10.1177/2043820613513388.

Kwan M.-P. Algorithmic geographies: Big Data, algorithmic uncertainty, and the production of geographic knowledge // Annals of the American Association of Geographers. 2016. Vol. 106. No. 2. P. 274–282. doi: 10.1080/00045608.2015.1117937.

Li C., Dong X., Yuan X. Metro-Wordle: An interactive visualization for urban text distributions based on Wordle // Visual Informatics. 2018. Vol. 2. No. 1. P. 50–59. doi: 10.1016/j.visinf.2018.04.006.

Li D., Zhou X., Wang M. Analyzing and visualizing the spatial interactions between tourists and locals: A Flickr study in ten US cities // Cities. 2018. Vol. 74. P. 249–258. doi: 10.1016/j.cities.2017.12.012.

Longley P.A., Cheshire J.A., Mateos P. Creating a regional geography of Britain through the spatial analysis of surnames // Geoforum. 2011. Vol. 42. No. 4. P. 506–516. doi: 0.1016/j.geoforum.2011.02.001.

Mayring P. Qualitative Content Analysis: Theoretical Foundation, Basic Procedures and Software Solution. Klagenfurt: SSOAR, 2014. 143 pp.

Spyrou E., Korakakis M., Charalampidis V., Psallas A., Mylonas P. A geo-clustering approach for the detection of areas-of-interest and their underlying semantics // Algorithms. 2017. Vol. 10. No. 1. e35. doi: 10.3390/a10010035.

Zhou X., Xu C., Kimmons B. Detecting tourism destinations using scalable geospatial analysis based on cloud computing platform // Computers, Environment and Urban Systems. 2015. Vol. 54. P. 144–153. doi: 10.1016/j.compenvurbsys.2015.07.006.

Zhou Z., Zhang X., Guo X., Liu Y. Visual abstraction and exploration of large-scale geographical social media data // Neurocomputing. 2020. Vol. 376. P. 244–255. doi: 10.1016/j.neucom.2019.10.072.