Роль больших данных в реализации политики региональных правительств по поддержке малого и среднего бизнеса в период пандемии COVID-19 тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Шмелева Светлана Андреевна

• Шмелева Светлана Андреевна
• кандидат наук
• 2024

Оглавление диссертации кандидат наук Шмелева Светлана Андреевна

Введение

Глава

1.1 Теоретические подходы к пониманию больших данных в государственном управлении

1.1.1 Большие данные: определение термина и формирование поискового запроса для поиска литературы

1.1.2 Автоматизация процессов - применение больших данных в государственном управлении

1.1.3 Три проблемы реализации эффективного внедрения и использования больших данных в государственном управлении

1.2 Теоретические подходы к пониманию больших данных в процессе принятия политико-управленческих решений в российских исследованиях

1.2.1 Методология для анализа влияния больших данных на процесс принятия решений

1.2.2 Теория множественных потоков

1.2.3 Модель политического цикла

1.2.4 Большие данные и цифровизация государственного управления в условиях стремительного развития технологий

1.3 Заключение Главы I

Глава

2.1 Анализ влияния больших данных на процесс принятия политико-управленческих решений в государственном управлении России

2.2 Стратегия и план исследования: методы, данные, выборка

2.3 Реализация решений на основе больших данных в регионах России на примере информационных систем по работе с предпринимателями

2.4 Влияние больших данных на принятие решения о мерах поддержки бизнеса в период пандемии COVID-19: кейс Санкт-Петербурга

Заключение

Библиографический список

Приложения

Введение диссертации (часть автореферата) на тему «Роль больших данных в реализации политики региональных правительств по поддержке малого и среднего бизнеса в период пандемии COVID-19»

Введение

Образ жизни современного общества за последний десяток лет существенно изменился и продолжает меняться. Особенность современности

- многократное увеличение количества производимой информации и каналов ее передачи. Более того, данные, накопленные за последние десять лет, превосходят данные, которые были накоплены за предыдущие сто лет1. Управление подобного рода процессами требует оперативного реагирования и принятия решений совершенно иным образом. Также, как и простому пользователю, государству необходимо адаптировать современные технологии для своих задач, принимая во внимание как необходимость совершенствования инструментов2, так и изменения в разработке политико-управленческих решений. Большие данные (как в понимании их как больших объемов данных, так и понимании их как подходов, инструментов и методов обработки полученных данных) становятся дополнительным инструментом для государственного управления. В общем и целом, большие данные представляют большой интерес в разрезе использованиях их как для избирательного (электорального) процесса политическими элитами (politics), так и для осуществления государственной политики и интеграции «больших данных» в процесс принятия решений (policy)3.

Вместе с этим появляется тезис о том, что увеличение доступной информации, включающее в себя понятие «большие данные», должно способствовать принятию «лучших решений»4. Идея о том, что «лучшая информация» приводит к принятию более эффективных решений,

1 Manyika, J. et al. Big Data: The next frontier for innovation, competition, and productivity / J. Manyika // McKinsey Global Institute - 2011.

2 Helbig, N. et al Stakeholder Engagement in policy development: observations and lessons from international experience / N. Helbig et al // Policy practice and digital science. - 2015. - Springer - Cham - P. 177-204.

3 Шмелева С. А. Большие данные в процессе принятия политических решений: от анализа теорий к оценке эффективности практик // Вестник Пермского университета. Политология. 2021. 15(3). С. 40.

4 Hochtl, J., Parycek, P., Schollhammer, R. Big data in the policy cycle: Policy decision making in the digital era / J. Hochtl, P. Paryce, R. Schollhammer // Journal of Organizational Computing and Electronic Commerce - 2016 -№26 (1-2) - P. 147-169; Chatterjee S. et al. Assessing the impact of big data analytics on decision-making processes, forecasting, and performance of a firm //Technological Forecasting and Social Change. - 2023. - Т. 196.

- С. 122824.

предполагает, что информация поступает только в рамках политических процессов, заложенных в пределах зон принятия решений в рамках политического цикла5. Тем не менее, политические процессы часто являются продуктом множества взаимодействующих субъектов, которые взаимозависимы и сложно систематизированы 6. Алгоритмы анализа «больших данных» являются сложными и самонастраивающимися, поэтому для того, чтобы использовать «большие данные» в качестве основы для политики, требуется участие аналитиков по работе с данными при подготовке материалов для принятия политико-управленческих решений7. «Большие данные» позволяют аналитикам собирать информацию и формировать ее в соответствии с политическими потребностями. Лица, принимающие решения, могут вмешиваться в профессиональную сферу аналитиков данных. Например, они могут навязать предварительные условия для сбора данных, такие как соображения конфиденциальности, и добавить желательный уклон к способу сбора и обработки информации8. С другой стороны, аналитикам даются существенные полномочия по установлению повестки дня, что представляет собой децентрализацию процесса выработки политики. Аналитики могут дать ответы для решения проблем, которые еще не известны

9

лицам, принимающим решения .

Исследовательскую проблему можно увидеть в дискуссии о «больших данных» в государственном секторе зачастую учитывает только технические данные и аналитические результаты, уделяя гораздо меньшее внимание их взаимодействию с процессом принятия решений в государственных

5 Helbig, N. et al Stakeholder Engagement in policy development: observations and lessons from international experience / N. Helbig et al // Policy practice and digital science. - 2015. - Springer - Cham c P. 177-204.

6 De Bruijn H., Ten Heuvelhof E. Policy analysis and decision making in a network: How to improve the quality of analysis and the impact on decision making./ H. De Bruijn, E. Ten Heuvelhof // Impact Assessment and Project Appraisal - 2002. -volume 20 - number 4 - P. 232-24.

7 Janssen, M., Kuk, G. The challenges and limits of big data algorithms in technocratic governance / M. Janssen, G. Kuk // Government Information Quarterly: an international journal of information technology management, policies, and practices. - 2016 - №33(3) - P. 371-377.

8 Van der Voort, H. G. et al. Rationality and politics of algorithms. Will the promise of big data survive the dynamics of public decision-making? / H. G. Van der Voort // Government Information Quarterly. - 2019. - №36 (1). - P. 27-38.

9 Vydra, S., Klievink, B. Techno-optimism and policy-pessimism in the public sector big data debate / S. Vydra, B. Klievink // Government Information Quarterly. - 2019. -№36 (4). - P. 27-38.

администрациях. Преобразование «больших данных» в информацию для понимания также уже не является политически нейтральным процессом: разные заинтересованные стороны могут использовать выводы из этих «больших данных» по-разному в зависимости от более широких стратегических задач. В связи с этим актуальным кажется изучение роли «больших данных» в государственном управлении. Причем важно не только выявить, как именно государственные органы используют новые технологические решения, но и почему эти решения в каких-то случаях были внедрены своевременно, а в других - их применение затормаживается по определенным причинам.

«Большие данные» становятся важным дополнительным инструментом

для государственного управления. Опуская случаи, когда «большие данные»

используются непосредственно в политическом процессе, сфокусируемся на

их применении в процессе принятия решений в государственном управлении

- под принятием решений подразумеваем совокупность действий

определенных лиц, имеющих полномочия ставить цели и действовать для их

достижения в сфере государственной власти. «Большие данные» могут

являться руководством к принятию решений в разной степени - в зависимости

от сферы, в которой эти решения принимаются. В случае инфраструктурных

решений (например, строительство и ремонт инфраструктурных объектов)

«большие данные» служат основной для принятия решения, поскольку без них

выполнение решения невозможно. Однако в случае политических решений

«большие данные» отчасти отдаются в распоряжение политических акторов,

ответственных за принятие решения, и в таких ситуациях то, как будут

использоваться данные, зависит от политической воли и мотивации актора.

Мотивация политических акторов также может быть различной:

положительной, когда актор стремится принять лучшее решение, основываясь

на реальных данных; нейтральной, когда актор не способен принять решение

без данных; и отрицательной - в случаях, когда «большие данные»

используются для обоснования уже принятых по собственной воле актора

5

решений. В данной работе такая роль «больших данных», то есть то, как именно они используются органами власти, рассмотрена в формате кейсов применения «больших данных» в политико-управленческих решениях региональных администраций.

Важно отметить различия между исследованием «больших данных» на федеральном и региональном уровнях. Федеральный уровень характеризуется, прежде всего, реализацией политического процесса, в то время как на региональном уровне речь идет об операционном государственном управлении: правительства регионов сфокусированы на более «приземленных» аспектах, таких как инфраструктура региона, ЖКХ или организация образования. В этом случае «большие данные» будут служить инструментом управления, а не способом реализации политического процесса.

Пандемия COVID-19 ускорила внедрение управленческих решений на основе «больших данных». Ковид-паспорта, различные QR-коды стали обязательной частью государственного управления. Для данного исследования пандемия COVID-19 дает уникальную возможность для анализа потенциала управления на основе «больших данных» в России.

Возникает закономерный вопрос: какова роль «больших данных» в принятии политико-управленческих решений в различных регионах России? А также: что способствовало внедрению таких решений в определенных регионах?

В данной работе рассматривается региональный уровень государственного управления, что позволяет как сравнить регионы между собой, так и выявить роль федерального центра в продвижении управленческих решений на основе «больших данных».

В качестве теоретико-методологического основания автор

использует синтез теории множественных потоков и модели политического

цикла, а также применяет методологию Вурта для включения в

объяснительную модель акторов процесса использования больших данных:

«политиков», которые дают указания на решение проблем с помощью

6

использования больших данных; «предпринимателей», обладающих компетенциями для использования больших данных и предлагающих заранее решения по большому кругу социальных проблем; «аналитиков», рядовых сотрудников, программистов, экспертов в сфере больших данных (ИТ).

Кроме того, в результате анализа подходов к определению больших данных, автор предлагает собственный подход, базирующийся на аналитическом различии между цифровизацией и управлением на основе «больших данных». Похожий подход к разделению этапов развития информационных технологий используется и в других исследованиях10, однако в данной работе автор предлагает собственное видение различий между процессами цифровизации и принятием решений на основе «больших данных». Если в первом случае речь идет об автоматизации системы управления и ее интеграции с существующими информационными системами, то во втором - об изменчивых, разнообразных и постоянно поступающих11 данных, которые позволяют проводить комплексный анализ во времени и пространстве и, соответственно, предлагать новые решения. Управление на основе «больших данных» отличается фокусировкой на динамических изменениях, возможностью учитывать пространственное измерение и межсекторальное взаимодействие и представляет собой качественный рывок в предоставлении цифровых услуг населению и бизнесу, поскольку данная технология близка к использованию искусственного интеллекта для принятия решений.

Цифровизация в данном исследовании определяется как предшествующий управлению на основе «больших данных» этап, главным содержанием которого является необходимость перевода аналоговых услуг в

10 Fadler M., Legner C. Toward big data and analytics governance: redefining structural governance mechanisms / M. Falder, C. Legner [Electronic resource] // Proceedings of the 54th Hawaii International Conference on System Sciences. - 2021. Access: https://scholarspace.manoa.hawaii.edu/items/c23878e3-463d-4eac-92da 64261e8766a4; Rijmenam, M., Why The 3V's Are Not Sufficient To Describe Big Data [Electronic resource] / M. Rijmenam // Datafloq. - 2013. - Access: https://datafloq.com/read/3vs-sufficient-describe-big-data/166.

11 Fadler M., Legner C. Toward big data and analytics governance: redefining structural governance mechanisms / M. Falder, C. Legner [Electronic resource] // Proceedings of the 54th Hawaii International Conference on System Sciences. - 2021. Access: https://scholarspace.manoa.hawaii.edu/items/c23878e3-463d-4eac-92da 64261e8766a4

цифровые. На данном этапе преобладают «статичные» данные, получаемые из выборочных обследований, а сами данные, как правило, структурированы по отраслевому и/или региональному признаку. Цифровизации предшествует этап автоматизации, в ходе которого происходит замена ручных процессов на механические или электронные, улучшается эффективность и снижается уровень ручных ошибок. Внедрение на этом этапе программного обеспечения, машин и механизмов позволяют далее перейти к следующим этапам: цифровизации и управлению на основе «больших данных».

Управление на основе «больших данных» фокусируется на использовании практически безграничных по объему данных, собираемых в режиме реального времени, предлагая решения, учитывающие пространственную и временную вариацию объекта. Хотя внедрение управления на основе «больших данных» происходит постепенно, старые и новые подходы в управлении могут сосуществовать. Это аналитическое различие позволяет сфокусироваться на качественном изменении в использовании подходов. Таким образом, переход к решениям, принимаемым на основе «больших данных», - это своего рода «скачок» в государственном управлении. Соответственно, прежде всего, интересен как сам момент перехода от цифровизации к использованию «больших данных», так и факторы данного перехода, которые могли ему способствовать или же, наоборот, усложнять процесс, а также сама роль «больших данных» в региональном управлении. Довольно часто оба эти подхода могут выглядеть весьма схожими, и неискушенный наблюдатель может не делать различий между ними. Автор исследования ставит задачу выявления ключевых различий между цифровизацией и управлением на основе «больших данных», а также определения причин перехода от одного подхода к другому. Свой научный вклад в данное проблемное поле автор работы видит именно в

уточнении различия подходов к цифровому управлению и в объяснении

12

перехода от одного к другому12.

Исследовательский вопрос диссертации сформулирован так: каким образом инфраструктурные и политические факторы способствуют переходу от цифровизации к внедрению решений на основе «больших данных» в региональном государственном управлении в России? Рассматривается этот вопрос на примере поддержки малого и среднего бизнеса в период пандемии COVID-19. Соответственно, цель данной работы - описание процесса перехода от цифровизации к внедрению решений на основе «больших данных» на региональном уровне государственного управления в России на примере поддержки малого и среднего бизнеса в период пандемии COVID-19.

Исходя из цели работы ставится ряд задач:

1) Концептуальное определение термина большие данные.

2) Проведение обзора литературы с целью определения ключевых направлений исследований по выбранной тематике в отечественной и зарубежной литературе, и разработанности исследовательского поля.

3) Описание теоретических подходов, используемых для оценки влияния использования больших данных на принятие политических решений: методология Ван дер Вурта, теория множественных потоков, модель политического цикла.

4) Формирование собственной объяснительной модели, включение в модель описания ключевых акторов.

5) Определение аналитической разницы между цифровизацией и управлением на основе больших данных.

6) Описание контекста пандемии COVID-19 через призму теории множественных потоков.

12 Щербак А. Н., Шмелева С.А. Региональные программы поддержки бизнеса в СОУТО-19 как пример внедрения больших данных в государственном управлении // Вопросы государственного и муниципального управления. 2022. № 4. С. 156-157.

7) Выбор случаев внедрения цифровых сервисов помощи малому и среднему предпринимательству в ряде российских регионов.

8) Сбор данных для эмпирического анализа.

9) Проведение сравнительного анализа случаев с помощью метода кейс-стади.

10) Более подробное рассмотрение кейса внедрения системы QR-кодов для юридических лиц в Санкт-Петербурге в период пандемии СОУГО-19 с апреля 2020 года по ноябрь 2021.

11) Формулирование выводов и рекомендаций для дальнейших исследований.

Рассматривая случай пандемии СОУГО-19, можно как оценить роль использования решений на основе «больших данных» в региональном государственном управлении, так и выявить факторы, способствующие их успешному внедрению. Во время пандемии некоторые полномочия, касающиеся ограничительных мер, таких как: ограничение передвижения, установление нерабочих дней и введение масочного режима, были переложены с федерального Центра на региональные правительства. Кроме того, переход на дистанционный формат работы в большинстве организаций был вынужденным и проходил в срочном режиме, а международный опыт показал множество примеров введения типовых цифровых решений. Данные события допускают анализ периода пандемии как уникальной возможности для того, чтобы регионы смогли самостоятельно принимать решения.

Изучая роль «больших данных» в реализации политико-управленческих

решений региональных администраций, саму роль можно представить как

некоторое количество факторов, которые могут способствовать или, наоборот,

тормозить процесс перехода от цифровизации к более сложным

технологическим решениям. Важно уточнить, что в данной работе границы

исследования обозначены как качественное изучение роли «больших

данных» с помощью анализа кейсов внедрения «больших данных» в

отдельных регионах России, при этом количественный анализ факторов не

10

является фокусом исследования. Под факторами, следовательно, понимаются причины, условия, характеристики регионов, которые способны влиять на успех внедрения «больших данных» в процесс принятия политико-управленческих решений на региональном уровне в России в сфере поддержки малого и среднего бизнеса в период пандемии COVID-19.

К возможным факторам, способствующим внедрению решений, использующих «большие данные», могут относиться:

1) инфраструктурные факторы, в том числе а) наличие предыдущего опыта реализации решений и проектов на основе «больших данных»; б) наличие финансовых и экономических ресурсов на внедрение решений на основе «больших данных», в том числе инфраструктура, оборудование для разработки собственных решений, т. е. наличие и мощность центров обработки данных (ЦОД) и серверов, как виртуальных, так и физических, доступность технологий, позволяющих разрабатывать сложные технические решения, а также финансовые возможности приобретать и обслуживать данную инфраструктуру, и кроме того, сюда включены кадровые возможности, поскольку найм и содержание квалифицированных ИТ-специалистов требует больших экономических вложений;

2) политические факторы: в) наличие «окна возможностей» для реализации таких решений и проектов; г) политическая воля - желание политических акторов внедрять новые решения в ситуациях, которые еще или уже не требуют срочного внедрения данных решений.

При этом, как будет показано далее, факторы наличия опыта реализации

решений, использующих «большие данные», и наличия финансовых

возможностей имеют большее значение на региональном уровне, а фактор

наличия «окна возможностей» обязателен как на региональном, так и на

федеральном уровне. Но в случаях, когда фактор наличия предыдущего опыта

реализации решений на основе «больших данных» неприменим, «окно

возможностей» может быть использовано только при соблюдении фактора

наличия финансовых ресурсов. Кроме того, существуют и другие факторы

11

перехода от цифровизации к решениям на основе «больших данных», отмеченные в исследованиях. Например, считается немаловажным фактор организационных способностей, а именно способность менеджмента организаций согласовывать сбор, обработку и анализ данных13. Отмечается также важность используемых технологий и общая техническая и научная оснащенность организаций14. Однако данные факторы носят более частный характер и входят, в нашем случае, в факторы наличия финансовых и экономических ресурсов и предыдущего опыта реализации решений на основе «больших данных», а также в группу политических факторов.

Гипотеза автора диссертации выглядит следующим образом. После того как пандемия COVID-19 стала окном возможностей для «предпринимателей» в сфере предложений решений на основе больших данных, эти решения стали появляться только в тех регионах, где уже был достаточный потенциал, наработанный в «спокойном» режиме. Регионы, которые оказались способными предложить решения на основе больших данных, отличались следующими характеристиками: высокий доход, развитая технологическая инфраструктура, наличие большого числа ИТ-специалистов, успешный опыт реализации цифровых проектов, а также наличие политических акторов, ответственных за принятие решения о внедрении систем на основе больших данных, имеющих желание внедрить данные решения. Остальные регионы смогли предложить лишь простые цифровые решения, во многом навязанные Центром.

С использованием методов включенного наблюдения и экспертных интервью с лицами, непосредственно принимающими участие в реализации информационных систем для сбора данных, и метода case-study для их анализа, в качестве эмпирического случая анализируется создание цифровых сервисов для помощи бизнесу в российских регионах: Москве, Московской

13 https://cvberleninka.ru/article/n/raktor^-uspeha-v-ispol/ovanii-bolshih-dannvh-kak-novogo-ekonomicheskogo-

resursa/viewer

14 Там же

области, Санкт-Петербурге, Новгородской области. Роль «больших данных» в реализации политики региональных властей анализируется качественным методом case-study в формате выявления кейсов применения различных информационных систем по работе с юридическими лицами. Факторы, которые способствуют внедрению «больших данных», также анализируются качественно путем анализа описанных ранее инфраструктурных и политических факторов, данные о которых были собраны путями интервью, анализа открытых источников и включенного наблюдения. Респондентами выступали лица, непосредственно принимающие участие в реализации информационных систем (руководители органов исполнительной власти и подведомственных учреждений). Отбор источников данных происходил по принципу снежного кома, поскольку респонденты относятся к достаточно закрытой социальной группе представителей органов государственной власти. Всего было проведено 8 интервью: по 2 представителя органов государственной власти от каждого региона, которые непосредственно имели опыт работы над проектами цифровых сервисов, рассмотренных в работе.

Объект исследования - факторы, способствующие внедрению

управленческих решений на основе «больших данных». Предметом

исследования являются цифровые сервисы, предоставляющие меры

поддержки бизнесу, так как в работе с юридическими лицами есть

возможность увидеть более сложную модель развития таких сервисов, по

сравнению с сервисами по работе с физическими лицами. Взаимодействие

государственных органов с физическими лицами в большинстве случаев

регулируется на федеральном уровне, поскольку основным оператором

оказания цифровых услуг физическим лицам является ФГИС «Единый портал

государственных и муниципальных услуг (функций)» («Госуслуги»),

разработанный Министерством цифрового развития, связи и массовых

коммуникаций Российской Федерации. Регионы в таком случае являются

лишь провайдерами услуг федерального уровня. Однако на данный момент не

существует единых федеральных информационных систем, предоставляющих

13

цифровые услуги и сервисы юридическим лицам. К тому же, в 2023 году в федеральный закон о защите персональных данных было внесено несколько существенных изменений, например, о новой форме уведомления об утечке персональных данных и оценке вреда от нее, или о новом порядке уничтожения данных15. Следовательно, процесс внедрения, использования и хранения данных усложняется для юридических лиц, что делает особенно важным изучение этого процесса. Именно в этом автор видит новизну исследования цифровых сервисов для бизнеса.

Исследование состоит из двух глав. В первой главе рассматриваются теоретические подходы к определению «больших данных» и их отличие от цифровых решений, а также обсуждаются теории и модели, на основе которых построен анализ факторов, способствующих внедрению «больших данных» в государственном управлении. Вторая глава работы содержит эмпирический анализ кейсов регионов по использованию «больших данных» в управлении, выявление их роли в этом процессе, а также анализ факторов, повлиявших на данный процесс.

Положения, выносимые на защиту:

1. Необходимо проводить аналитическое различение между цифровизацией и управлением на основе больших данных. Такой подход позволяет сфокусироваться на качественном изменении в использовании подходов. Если в первом случае речь идет об автоматизации системы управления, то во втором - об изменчивых и разнообразных данных, которые позволяют проводить комплексный анализ во времени и пространстве и, соответственно, предлагать инновационные решения. Именно поэтому переход к решениям, принимаемым на основе больших данных, - своего рода «скачок» в государственном управлении.

2. Описание перехода от цифровизации к управлению на основе больших данных основано на собственной теоретической модели, которая

15 Федеральный закон от 27.07.2006 № 152-ФЗ «О персональных данных»

14

представляет собой синтез теории множественных потоков и модели политического цикла, а также учитывает различение цифровизации и решений на основе больших данных и методологию Ван дер Вурта. Новизна подхода базируется на добавлении в теорию акторов: «политики», «предприниматели» и «аналитики», которые показали себя как важные участники политического процесса, влияющие на возможность и скорость внедрения больших данных в управленческие процессы в сфере работы с юридическими лицами на региональном уровне.

3. Подтверждено наличие цифрового разрыва - ситуации, когда свои оригинальные решения могут проводить лишь богатые регионы, имеющие возможность заранее инвестировать в развитие цифровой инфраструктуры, подготовку кадров и оригинальные управленческие решения. Выявлено, что основными факторами, влияющими на внедрение больших данных, являются инфраструктурные (наличие экономических ресурсов и предшествующего опыта реализации решений на основе больших данных) и политические (наличие «окна возможностей» для реализации таких решений и политической воли акторов внедрять инновационные решения).

4. Переход к управлению на основе больших данных осуществлен в полной мере только в случае Москвы, поскольку там были созданы все необходимые для этого условия: как инфраструктурные, так и политические.

Список литературы диссертационного исследования кандидат наук Шмелева Светлана Андреевна, 2024 год

Библиографический список

1. Ackoff R. L. From data to wisdom //Journal of applied systems analysis. - 1989. - Т. 16. - №. 1. - С. 3-9.

2. Androniceanu A., Georgescu I., Kinnunen J. Public administration digitalization and corruption in the EU member states. A comparative and correlative research analysis //Transylvanian Review of Administrative Sciences. - 2022. - Т. 18. -№. 65. - P. 5-22.

3. Androniceanu A., Georgescu I., Sabie O. M. The Impact of Digitalization on Public Administration, Economic Development, and Well-Being in the EU Countries //Central European Public Administration Review. - 2022. - Т. 20. -№. 2. - P. 9-31.

4. Bachechi C., Po L., Rollo F. Big data analytics and visualization in traffic monitoring //Big Data Research. - 2022. - Т. 27.

5. Boyd, D., Crawford, K. Critical Questions for Big Data/ D. Boyd, K. Crawford // Information, Communication & Society. - 2012 - №15(5). - P. 662-679.

6. Brady H. E. The challenge of big data and data science //Annual Review of Political Science. - 2019. - Т. 22. - С. 297-323.

7. Brayne, S. Big Data Surveillance: The Case of Policing/ S. Brayne // American Sociological Review. - 2017. - 82(5). - P. 977-1008.

8. Brynjolfsson, E., McAfee, A., The Second Machine Age: Work, Progress, and Prosperity in a Time of Brilliant Technologies / E. Brynjolfsson, A. McAfee // W. W. Norton & Company. - 2014.

9. Busygina, I., Filippov, M., COVID and Federal Relations in Russia. / I. Busygina, M. Filippov // Russian Politics - 2021. - №6. - P. 279-300

10.Cappa F., Franco S., Rosso F. Citizens and cities: Leveraging citizen science and big data for sustainable urban development //Business Strategy and the Environment. - 2022. - Т. 31. - №. 2. - P. 648-667.

11.Chaudhary, D., Bhushan, K., Gupta, B. B. Survey on DDoS Attacks and Defense Mechanisms in Cloud and Fog Computing / D. Chaudhary, K. Bhushan, B. B.

Gupta // International Journal of E-Services and Mobile Applications (IJESMA)

- 2018 - №10(3) - P. 61-83.

12.Coulthart S., Riccucci R. Putting big data to work in government: the case of the United States border patrol //Public Administration Review. - 2022. - Т. 82. -№. 2. - P. 280-289.

13.Dalton R. J. The potential of big data for the cross-national study of political behavior //International Journal of Sociology. - 2016. - Т. 46. - №. 1. - С. 820.

14.De Bruijn H., Ten Heuvelhof E. Policy analysis and decision making in a network: How to improve the quality of analysis and the impact on decision making./ H. De Bruijn, E. Ten Heuvelhof // Impact Assessment and Project Appraisal - 2002. -volume 20 - number 4 - P. 232-24.

15.Dijck J. Datafication, dataism and dataveillance: Big Data between scientific paradigm and ideology/ J. Dijck // Surveillance & Society - 2014 - №12(2) c P. 197-208.

16.d-russia. Президент России призвал активно использовать большие данные в бизнесе и госорганах. // Отдел новостей. - 16.03.2023. - [Электронный ресурс]. Режим доступа: https://d-russia.ru/prezident-rossii-prizval-aktivno-ispolzovat-bolshie-dannye-v-biznese-i-gosorganah.html

17.Eurostat Big Data Task Force. 22 nd meeting of the European statistical system committee. / Eurostat Big Data Task Force // Committee of Coordination of Statistical Activities (CCSA). - 2014.

18.Fadler M., Legner C. Toward big data and analytics governance: redefining structural governance mechanisms / M. Falder, C. Legner [Electronic resource] // Proceedings of the 54th Hawaii International Conference on System Sciences.

- 2021. Access: https://scholarspace.manoa.hawaii.edu/items/c23878e3-463d-4eac-92da 64261e8766a4

19.General Data Protection Regulation [Electronic resource] // The Diplomatic Service of the European Union. - 2019. - Access:

https://eeas.europa. eu/headquarters/headquarters-homepage/44163/node/44163 en.

20.Gómez E. J., Kucheryavenko O. Explaining Russia's struggle to eradicate HIV/AIDS: institutions, agenda setting and the limits to multiple-streams processes / E. J. Gómez, O. Kucheryavenko // Journal of Comparative Policy Analysis: Research and Practice. - 2021. - 23. - № 3. - P. 372-388.

21.Guo Y., Chen J., Liu Z. Government responsiveness and public acceptance of big-data technology in urban governance: Evidence from China during the COVID-19 pandemic //Cities. - 2022. - T. 122.

22.Hazen, B. T., Skipper, J. B., Boone, C. A. and Hill, R. R. Back in business: Operations research in support of big data analytics for operations and supply chain management / B. T. Hazen // Annals of Operations Research - 2018 -№270(1-2) - P. 201-211.

23.Helbig, N. et al, Stakeholder Engagement in policy development: observations and lessons from international experience / N. Helbig et al // Policy practice and digital science. - 2015. - Springer - Cham c P. 177-204.

24.Hesse, B. W., Moser, R. P., & Riley, W. T. (2015). From Big Data to Knowledge in the Social Sciences. [Electronic resource] / B. W. Hesse, R. P. // EBSCO. -2015. Access: http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.D7A9C217

25.Hochtl, J., Parycek, P., Schollhammer, R. Big data in the policy cycle: Policy decision making in the digital era / J. Hochtl, P. Paryce, R. Schollhammer // Journal of Organizational Computing and Electronic Commerce - 2016 - №26 (1-2) - P. 147-169.

26.Hoeren, T. Big data and the legal framework for data quality / T. Hoeren // International Journal of Law & Information Technology. - 2017. - 25(1). - P. 26-37.

27.Hofmann E. T. et al. Policy streams and immigration to Russia: Competing and complementary interests at the federal and local levels / E. T. Hofmann et al. // International Migration. - 2016.

28.Jain, A., & Bhatnagar, V. (2016). Crime Data Analysis Using Pig with Hadoop. [Electronic resource] / A. Jain, V. Bhatnagar // EBSCO. - 2016. Access: http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.F9E25199

29.Jann W., Wegrich K. Theories of the policy cycle / W. Jann, K. Wegrich // Handbook of public policy analysis: Routledge. - 2017. - P. 43-62.

30. Janssen, M. et al. Factors influencing big data decision-making quality / M. Janssen et al. // Journal of Business Research. - 2017.

31.Janssen, M., Kuk, G. The challenges and limits of big data algorithms in technocratic governance / M. Janssen, G. Kuk // Government Information Quarterly: an international journal of information technology management, policies, and practices. - 2016 - №33(3) - P. 371-377.

32.Kawashita I., Baptista A. A., Soares D. Open Government Data Use by the Public Sector-an Overview of its Benefits, Barriers, Drivers, and Enablers //HICSS. -2022. - P. 1-10.

33.Kim S., Andersen K. N., Lee J. Platform government in the era of smart technology //Public Administration Review. - 2022. - T. 82. - №. 2. - P. 362368.

34.Kingdon, W. John. Agendas, Alternatives, and Public Policies / W. John Kingdon - Boston: Little Brown, 1984.

35.Kitchin, R., The real-time city? Big data and smart urbanism / R. Kitchin // GeoJournal - 2014 - №79(1) - P. 1-14.

36.Klievink, B., Romijn, B-J.,Cunningham, S., Hans de Bruijn Big data in the public sector: Uncertainties and readiness. / B. Klievink, B.-J. Romijn, S. Cunningham // Information systems frontiers, Springer US c 2017 - №19 - P. 267-283.

37.Laney, D., 3D Data Management: Controlling Data Volume, Velocity and Variety / D. Laney // META Group Research Note -2001- №6.

38.Lim, C., Kim, K.-J., Maglio, P. P. Smart cities with big data: Reference models, challenges, and considerations / C. Lim, K.-J. Kim, P. P. Maglio // Cities. - 2018. -№82. - P. 86-99.

39.Maciejewski, M., To do more, better, faster and more cheaply: using big data in public administration / M. Maciejewski // International Review of Administrative Sciences - 2017 - №83(1S) - P. 120-135.

40.MacLean D., Titah R. A systematic literature review of empirical research on the impacts of e-government: a public value perspective //Public Administration Review. - 2022. - T. 82. - №. 1. - P. 23-38.

41.Manish, K., Singh, G. S., Baluja, Dinesh Prasad Sahu, Big data analytics through crowdsourcing / K. Manish, G. S. Singh, Baluja, Dinesh Prasad Sahu // COMPUSOFT, An international journal of advanced computer technology -2017 - №6 (5).

42.Manyika, J. et al. Big Data: The next frontier for innovation, competition, and productivity / J. Manyika // McKinsey Global Institute - 2011.

43.Mehta N., Shukla S. Pandemic analytics: how countries are leveraging big data analytics and artificial intelligence to fight COVID-19? //SN Computer Science. - 2022. - T. 3. - №. 1. - P. 1-20.

44.Mian, A., Rosenthal, H., Introduction: Big data in political economy / A. Mian, H. Rosenthal // The Russell Sage Foundation Journal of the Social Science -2016. - № 2(7). - P. 1-10.

45.Misuraca, G., Mureddu, F., Osimo, D. Policy-making 2.0: Unleashing the power of big data for public governance / G. Misuraca, F. Mureddu, D. Osimo // Open Government, New York, NY: Springer. - 2014 - P. 171-188.

46.Monroe B. L. et al. No! Formal theory, causal inference, and big data are not contradictory trends in political science //PS: Political Science & Politics. -2015. - T. 48. - №. 1. - C. 71-74.

47.Monroe B. L. The five Vs of big data political science introduction to the virtual issue on big data in political science political analysis //Political

Analysis. - 2013. - T. 21. - №. V5. - C. 1-9.

138

48.Moorthy, J., Ghosh, P., Big Data and Consumer Privacy / J. Moorthy, P. Ghosh // VIKALPA The Journal for Decision Makers - 2015. - №40(1). - P. 74-96.

49.Motupalli V. How Big Data is Changing Democracy / V. Motupalli // Journal of International Affairs - 2017. - №71(1). - P. 71-80.

50.Nagler J., Tucker J. A. Drawing inferences and testing theories with big data //PS: Political Science & Politics. - 2015. - T. 48. - №. 1. - C. 84-88.

51.Nickerson D. W., Rogers T. Political campaigns and big data //Journal of Economic Perspectives. - 2014. - T. 28. - №. 2. - C. 51-74.

52.Opening Government: Transparency and Engagement in the Information Age [Electronic resource]// Netherlands, Europe: ANU Press. - 2018. Access: http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas .16AB1 DBA

53.Pencheva, I., Esteve, M., Mikhaylov, S. J. Big Data and AI - A transformational shift for government: So, what next for research? / I. Pencheva, M. Esteve, S. J. Mikhaylov // Public Policy and Administration, SAGE Publications. - 2018 -№35 (1) - P. 24-44.

54.Repa, V., Digital Transformation of Public Administration / V. Repa // Architecting the Digital Transformation. Intelligent Systems Reference Library. - 2020 - vol 188 - P. 99-117.

55.Rieder G., Simon J. Datatrust: Or, the political quest for numerical evidence and the epistemologies of Big Data //Big Data & Society. - 2016. - T. 3. - №. 1. - C.2053951716649398.

56.Rijmenam, M., Why The 3V's Are Not Sufficient To Describe Big Data [Electronic resource] / M. Rijmenam // Datafloq. - 2013. - Access: https://datafloq.com/read/3vs-sufficient-describe-big-data/166.

57.Sadik-Zada E. R., Gatto A., Niftiyev I. E-government and petty corruption in public sector service delivery //Technology Analysis & Strategic Management. -2022. - P. 1-17.

58.Starodubtsev A. Agency Matters: The Failure of Russian Regional Policy

Reforms / A. Starodubtsev // Demokratizatsiya. -2014. - 22. - №. 4.

139

59.Stewart, J., Value conflict and policy change / J. Stewart // Public Policy Values.

- 2006. - P. 33-46.

60.Sun Y., Wang W. Y. Governing with health code: Standardising China's data network systems during COVID-19 //Policy & Internet. - 2022. - T. 14. - №. 3.

- C. 673-689;

61.Tufekci, Z. Social Movements and Governments in the Digital Age: Evaluating a Complex Landscape / Z. Tufekci // Journal of International Affairs. - 2014. -68(1). - P. 1-18.

62.Unver, H. A. Digital Challenges to Democracy: Politics of Automation, Attention, and Engagement / H. A. Unver // Journal of International Affairs. -2017. - 71(1). - P. 127-146.

63.Van der Voort, H. G. et al. Rationality and politics of algorithms. Will the promise of big data survive the dynamics of public decision-making? / H. G. Van der Voort // Government Information Quarterly. - 2019. - №36 (1). - P. 27-38.

64.Vydra, S., Klievink, B. Techno-optimism and policy-pessimism in the public sector big data debate / S. Vydra, B. Klievink // Government Information Quarterly. - 2019. -№36 (4). - P. 27-38.

65.Whitelaw S. et al. Applications of digital technology in COVID-19 pandemic planning and response //The Lancet Digital Health. - 2020. - T. 2. - №. 8. - C. e435-e440

66.World Bank. Big data in action for government: big data innovation in public services, policy, and engagement. Washington, D.C.: World Bank: , 2017.

67.Zhang D. et al. Big data analytics, resource orchestration, and digital sustainability: A case study of smart city development //Government Information Quarterly. - 2022. - T. 39. - №. 1.

68.Mintrom, M. Policy Entrepreneurs and the Diffusion of Innovation / M. Mintrom. // American Journal of Political Science. — 1997. — 41 — № 3, — P. 738-770.

69.Авдеева И.А. Анализ зарубежного опыта использования глобальных технологий «BigData» / И. А. Авдеева // Вестник евразийской науки - 2016. - №6 (37) - С. 1-11.

70.Балашов Б. М. Большие данные и их применение в предвыборной борьбе / Б. М. // Международный журнал гуманитарных и естественных наук - 2017. -№ 11.

71.Бегтин И. и др. Оценка открытости государственных информационных систем в России: аналитический доклад //И. Бегтин, А. Бертяков. - 2020.

72.Бондарев В. Почему не заработал советский интернет? / В. Бондарев // Журнал «Родина» - 2007. - Москва, №7: 113-116.

73.Булгакова Е.В. Использование "больших данных" в системе государственного управления: условия, возможности, перспективы / Е. В. Булгакова // Юридическая наука и практика: вестник нижегородской академии МВД России, Нижегородская академия Министерства внутренних дел Российской Федерации - 2015. - С. 10-14.

74.Двинских Д.Ю., Талапина Э. Риски развития оборота данных в государственном управлении / Д. Ю. Двинских, Э. Талапина // Вопросы государственного и муниципального управления - 2019 - №3 - С. 7-30.

75.Кодачигов В. В России утвержден первый национальный стандарт в области больших данных. // Ведомости. - 15.07.2021. - [Электронный ресурс] - Режим доступа: https://www.vedomosti.ru/technology/articles/2021/07/15/878242-utverzhden-pervи-standart-v-oЫasti-bolsЫh-dannih

76.Кодачигов В. Минцифры предлагает создать госоператора больших данных. // Ведомости. - 17.05.2021. - [Электронный ресурс] - Режим доступа: https://www.vedomosti.ru/technology/artides/2021/05/17/870097-mintsifri-gosoperatora

77.Открытый бюджет города Москвы. Государственные программы [Электронный ресурс]. Режим доступа: https://budget.mos.ru/budget/gp/12.

78.Отчёт об использовании межбюджетных трансфертов из федерального бюджета субъектами Российской Федерации, муниципальными образованиями и территориальным государственным внебюджетным фондом на 1 января 2022 г. [Электронный ресурс] - Режим доступа -https://www.gov.spb.щ/static/writable/ckeditor/uploads/2022/01/24/27/Форма 0503324.pdf.

79.Министерство цифрового развития, связи и массовых коммуникаций Российской Федерации. В России появится новый нацпроект — «Экономика данных». // Министерство цифрового развития, связи и массовых коммуникаций Российской Федерации. - 13.07.2023. https://digital.gov.m/ru/events/45686/?utm referrer=https%3a%2f%2fwww.go ogle.ru%2f

80.0фициальные сетевые ресурсы Президента России. Встреча с мэром Москвы Сергеем Собяниным. // Новости. - 07.02.2023 - [Электронный ресурс]. Режим доступа: http://kremlin.ru/events/president/news/70467

81.Перцева Е. И. Загнать в укол: вакцинацию от COVID-19 предложили сделать обязательной для всех» [Электронный ресурс] / Е. И. Перцева // Известия. - 2021. - Режим доступа: https://iz.ru/1241174/evgeniia-pertceva/zagnat-v-ukol-vaktcinatcim-ot-covid-19-predlozhiH-sdelat-obiazatelnoi-dlia-vsekh

82.Полякова А. и др. Сетевой анализ организации социально-экономического процесса / А. Полякова // Журнал Санкт Петербуржского Государственного Политехнического Университета. Экономика - 2019 - №12 (3) - С. 60-73.

83.Распопов В.В. ГИСП - революционный инструмент цифрового производства // Экономические стратегии. 2019. №2. С. 10 - 19. URL: https://www.inesnet.ru/wp-content/mag_archive/2019_02/es-2019-02-010-19_Vladimir_Raspopov.pdf (дата обращения: 08.01.2023)

84.Реестр информационных систем Московской области - информационный

бюллетень. [Электронный ресурс]. - 2022. - Режим доступа:

https://mits.mosreg.ru/dokumenty/mmisterstvo/vzaimodeystvie-

142

mmisterstva/mformacionnye-sistemy-moskovskoy-oblasti/21-06-2022-14-38-34-reestr-informatsionnykh-sistem-moskovskoy-oblasti

85.Савельев А. Проблемы применения законодательства о персональных данных в эпоху «Больших данных» (Big Data) / А. Савельев // Право. Журнал Высшей школы экономики - 2015 - №1 - С. 43-66.

86.Сидорова А. Электронное правительство: повышение общественного участия в управлении государством / А. Сидорова // Государственное управление. Электронный вестник - 2017 - №62(3) - С. 87-103.

87.Филатов А. В. Высокого уровня цифровой зрелости достигли 9 регионов — Минцифры [Электронный ресурс] / А. В. Филатов // DRUSSIA.RU. - 2021 -Режим доступа: https://d-russia.ru/vysokogo-urovnja-cifrovoj-zrelosti-dostigli-9-regionov-mincifry.html.

88.Хайдеггер М. Вопрос о технике. Время и бытие: Статьи и выступления / М. Хайдеггер // М.: Республика, 1993. - 221 -238 с.

89.Шмелева С. А. Большие данные в процессе принятия политических решений: от анализа теорий к оценке эффективности практик // Вестник Пермского университета. Политология. 2021. 15(3). С. 40-51. https://doi.org/10.17072/2218-1067-2021-3-40-51

90.Шмелева С.А. Влияние больших данных на принятие решения о мерах поддержки бизнеса в период пандемии Covid-19: кейс Санкт-Петербурга // Вестник Томского государственного университета. 2022. № 482. С. 5-17. Doi:10.17223/15617793/482/1

91.Щербак А. Н., Шмелева С.А. Региональные программы поддержки бизнеса в COVID-19 как пример внедрения больших данных в государственном управлении // Вопросы государственного и муниципального управления. 2022. № 4. C. 154-175. DOI: 10.17323/1999-5431-2022-0-4-154-175

Приложения

Приложение 1.

гЬои 02017) Ни Й^019)

Ьао гфО!7)

Ьег«по% (20 пе!5Ь цр(2015)

уака|| ф(2014)

• _ • лЛ ~~ И1.11Л12019) .

$опкл 5. (2014) ро|уакоуаа.<м2Л91. ф.-,2вН)

• а. 12017) ¡апячд. (¿О^Т

сИаЛИаг^. (2018) Ьоопе с«. (2018)

а)$и<1«игу п*ал (2014) >

Ы*М капт

де15$ЬиЬ||

• (2013*5

(ее п.^2014)

\мдап ф.г. (2013)

уаЬуа п* (2017)

||ф(2014)

Рисунок 1. Карта библиографического сходства документов по теме Большие данные в государственном управлении в России: сравнительный анализ влияния на процесс принятия политико-управленческих решений (Общий вид). Источник: VosViewer

о *Ц2017)

ika ф(2014)

vakall ф(2014)

gardner л. (2018)

mltete ф (2016)

thorh.ldi^j. (2013)

n«ih i%(i01S) ward р»(201«Г

chen^e(Ä7) (OblH« (гомь < ^Ло 16)

к vnilfl «12014) b*1h**w» (2014) polyakSvW.,.(201*9> \ «016)

»• \ X

2hang и*2018а) . -lirumllai^. (2016) •_

^jao j$016) /hang »(2014)

light r.0(2014)

boon« <« (2011

asm j 4(2019)

v leon.ta ^(2018^ Im c.«2019) * ^

marty^OH) ^»»епф. (2014)

*а1тапф(2018)

kim j.hQ<2017)

а michov^f. (20IS) iimt.Muioa/ nuMgauuiTr

» . У""*«01» ^ansseo^Oli! # W^20l« • • ^ • . , #

• - - •• 0s.(2016) -pn^Jl.,2013) -2hang^i2(il^kengh^i2016) -

beriot J^ (2014) «П'"*«« (2014) ^ ^ ^ yfc!daw($.l5oi4) dub«y^2019)# ___„^^„.u-Ton!^ * go«fly»<2017) osimn a.n^s. (201$)

kshetrij^(2014) . bteta vi» (2014) giest *4?017)

oplt m*201* ^201^

шЦрф. (2014)

lim сф018а>

2017) o'donov^p. ?2015) uaag J(201^

schut tsianos

hffith kejlMt (2017a) ф ^llang Щ2018)

pramanlk^m.i (2017)

cturftlid 4.1 (2018) *

• " -----"|0Ш .-fS—' »u „«0161 »•' «<>">

*ang»2017) *

hunj Ь^ф. (2016)

llyas <02015) *

long (2015)

• kMhnamuriiy ^2014) v .

ba il ^2014) >ano n»<2018)

van dijck j. (2014)

g у ДО»

lupton d. (2014)

ajana ф20«5)

Jeti^pOlj) тощеШф. (2046) * "-"<''#<"14)

eroci« г/. (20x5^" !(Aftlyj(2012) jos.phj^ (2013) * ,

—-„•Л.Г.Г boy^012)

Wü b 420ф

wyboj-CUOli)

Л

XU I <^2019) yuan <ф(20п

wang%(2014) •

«hu j.v*2016)f * reyes (2015) 'wan9^2016)

xuJ.^lS)^

«"У л *..(2019l • *

•nonteith j, (2016ai zhQU Zijfr(2014) -

chiang^(2017) ^ЗввиТ^, -v • J««a q«W16)

(2016) • «

pop f.4201S)

philip chpn C.I. ftOJ4).*

рпШрх1|ел c.l.

wang (0*2017) # dutta ¡¡5Ц1) chuj k<

дири * (2 j'

а ».42018)

babu Ш

woolley^). (2016)

. (201 j)

»ohn >«(2017) vay«na^U017^

ihorpej*. (2015) o'brlen <fci (2016) ф. (2012)

^ VOSviewer

jin (2015)

f.hns^2014) ^^

mehta^ (2018) •auTfrayc. Ü16)

капкапЬфъ. (2016)

kch h.-* (2014) zhao j«42016) *

«J« cnir«. (2013) tee d 42016) zhang » (2017)

clark 402016)«

# khan 02017) Md<,i,u j.f. (2018

chandolfy. (2013) ko.ker#(2012), ^ •

nbarsky^. (2014) fadiya S« (2014* ^«rnind«*. (JpiS)

Ьмк h«(201S)

12017) мотто* (2019)

• zhang ^(20^3) «2<

' letal ф2017)

/rnindc^. ( * J<agla^(2019) Höh n%201S)

cutinx* K01S)

baröhan* (2013) duan^Ol?

kepne*J^014)

daih i ь (2019) ha»an^^2016)

Рисунок 2. Карта библиографического сходства документов по теме Большие данные в государственном управлении в России: сравнительный анализ влияния на процесс принятия политико-управленческих решений (Ядро цитирований). Источник: Vosviewer

Общее количество публикаций (ед.)

500

400

=г лз

| 300

VO >.

с

о ш к

о

CD

х 200 §

100

298

-О

03

сЗ

а\

0

X

1

со

к

I

о IZ

0 1_ 1 J_ JL 11ИШии

ослслслоооооооот-'-'^'г-'-т-т-т-^т-смсмсм 01050505000000000000000000000 т-т-r— T-CNCNrxCMCNCNCMCNCNCMCNCNCMCMCNCMCNCMCNCNCN

Рисунок 3. Количество статей по теме «Большие данные» в государственном управлении (1995-2022 гг., ед.). Данные взяты из базы данных «Scopus».

Кейс Цель трансформации Дата начала Исполнитель Регионы внедрения Планируемый результат

Социально-политические Аналитическая платформа о населении и бизнесе (ситуационный центр) Повышение качества управления социально- экономическим развитием региона посредством анализа и прогнозирования на основании социально- демографических, финансовых и поведенческих характеристик, определяемым исходя их данных клиентов Сбербанка 2019 ООО «Технологии отраслевой трансформации» Москва, Московская обл., Свердловская обл., Магаданская обл. Доступность актуальных достоверных данных, возможность подсчета и анализа социально-экономических показателей, возможность анализа организаций, возможность анализа показателей туризма на территории региона/города

Активный горожанин Улучшение качества диалога органов власти и населения, а также вовлечение жителей в управление своим городом 2017 ПАО «МегаФон» Хабаровский край, Владивосток, Сахалинская обл. Возможность изучения общественного мнения, быстрое информирование жителей города, повышение качества и удобства работы с обращениями граждан.

Активный гражданин Повышение эффективности коммуникаций с местным сообществом 2014 АО «Электронная Москва» Москва Учет мнения населения в процессе принятия управленческих решений, повышение доверия населения к власти Снижение расходов.

Система поддержки принятия решений Повышение эффективности государственного управления социально- экономическим развитием региона 2010 АО «Барс Груп» (система Барс.Web-Аналитика) Челябинская обл., респ. Татарстан Формирование статистической отчетности на муниципальном уровне, удобство мониторинга индикаторов, создание единого хранилища показателей отчетности.

Центр компетенций по мониторингу и анализу социальных медиа Повышение эффективности информационного сопровождения деятельности органов власти 2014 АО «Крибрум» Москва, Санкт-Петербург, Сургут Отслеживание показателей имиджа власти, удовлетворенности населения решениями руководства региона, выявление актуальных проблем населения, предупреждение беспорядков и деятельности деструктивных групп.

Приложение 5.

Список респондентов (анонимизированный). Москва.

Респондент №1 - средний менеджмент Департамента предпринимательства и инновационного развития города Москвы.

Респондент №2 - средний менеджмент Государственного бюджетного учреждения «Малый бизнес Москвы».

Московская область.

Респондент №1 - средний менеджмент Министерства государственного управления, информационных технологий и связи Московской области.

Респондент №2 - средний менеджмент Московского областного центра информационно-коммуникационных технологий.

Санкт-Петербург.

Респондент №1 - высший менеджмент Санкт-Петербургского государственного бюджетного учреждения "Центр развития и поддержки предпринимательства".

Респондент №2 - высший менеджмент Комитета по промышленной политике, инновациям и торговле Санкт-Петербурга.

Новгородская область.

Респондент №1 - средний менеджмент Новгородского Центра Поддержки Предпринимательства.

Респондент №2 - средний менеджмент Новгородского Фонда Поддержки Малого Предпринимательства.

Приложение 6.

Гайд неструктурированных интервью.

Блок 1. Приветствие и общие данные о респонденте. Расскажите о себе: имя, должность, опыт работы на этой должности и в сфере государственного управления в целом, опыт работы над проектами информационных систем.

Блок 2. История реализации/внедрения систем. Какие существуют информационные системы по работе с юридическими лицами малого и среднего бизнеса в [регионе]? Расскажите, как был реализован/внедрен проект [информационной системы по работе с юридическими лицами малого и среднего бизнеса в конкретном регионе]: • с чего он начинался, в какой период, • кто был инициатором и главными участниками процесса реализации/внедрения?

Блок 3. Общий функционал системы. Расскажите о функционале [информационной системы по работе с юридическими лицами малого и среднего бизнеса в конкретном регионе]: • чем он полезен юридическим лицам, а чем - органам государственного управления, • какие функции реализуются полностью онлайн, а какие - требуют оффлайн действий, • как построена архитектура системы, • какие данные проходят через [систему]?

Блок 4. Развитие системы. Расскажите, развивается ли [информационная система по работе с юридическими лицами малого и среднего бизнеса в конкретном регионе] сейчас, и если да, то в каком направлении?