Цифровые следы населения как источник данных о миграционных потоках в российской Арктике
Аннотация
Благодаря цифровизации экономики и общественной жизни расширяются возможности изучения населения с использованием цифровых следов – информации, которая накапливается в цифровой среде. В статье с помощью цифровых следов исследуется миграция населения российской Арктики – огромного макрорегиона, который на протяжении последних десятилетий испытывает значительный отток населения. Обобщен опыт применения цифровых следов в демографических исследованиях, названы их преимущества и ограничения. Для изучения населения российской Арктики использовали данные нескольких цифровых платформ. Анализ профилей пользователей социальной сети «ВКонтакте» позволил изучить миграционное движение, а данные сервиса по продаже билетов Туту.ру дали сведения об авиационных и железнодорожных перемещениях. С применением методов сетевого анализа изучены миграционные и транспортные потоки в российской Арктике на муниципальном уровне, выявлены хабы и кластеры в сетях перемещений. Определены особенности миграционных и транспортных сетей Арктики: низкая плотность, большие расстояния между узлами, высокая относительная подвижность при малом числе перемещений в абсолютном выражении, высокий удельный вес хабов в миграционном обмене. Миграционные потоки классифицированы по направлениям перемещений и типам муниципальных образований. Показано, что связность арктических территорий остается низкой, а положительный миграционный баланс имеют в основном региональные столицы, либо города за пределами Арктики. Полученные результаты позволят улучшить понимание миграционных процессов на Севере и в Арктике, повысить качество демографических прогнозов благодаря более точному моделированию миграционных потоков.
Скачивания
Литература
Дудина В.И. (2021). «Пересборка социологии»: цифровой поворот и поиски новой теоретической оптики. Социологические исследования, 11, 3-11. https://doi.org/10.31857/S013216250016829-4.
Замятина Н.Ю., Яшунский А.Д. (2018.). Виртуальная география виртуального населения. Мониторинг общественного мнения. Экономические и социальные перемены, 1, 117-137. https://doi.org/10.14515/monitoring.2018.1.07.
Калабихина И.Е., Лукашевпич Н.В., Банин Е.П., Алибаева К.В., Реблей С.М. (2021). Автоматическое извлечение мнений пользователей социальных сетей по вопросам репродуктивного поведения. Программные системы: теория и приложения, 12:4(51), 33-63. https://doi.org/10.25209/2079-3316-2021-12-4-33-63.
Китчин Р. (2021). Сетевой урбанизм, основанный на данных. В Е. Лапина-Кратасюк, О. Запорожец, А. Возьянов (Ред.), Сети города: Люди. Технологии. Власти (сс. 58-80). Москва: Новое литературное обозрение.
Смирнов А.В. (2021). Цифровое общество: теоретическая модель и российская действительность. Мониторинг общественного мнения: экономические и социальные перемены, 1(161), 129-153. https://doi.org/10.14515/monitoring.2021.1.1790.
Смирнов А.В. (2022). Прогнозирование миграционных процессов методами цифровой демографии. Экономика региона, 18(1), 133-145. https://doi.org/10.17059/ekon.reg.2022-1-10.
Срничек Н. (2020). Капитализм платформ. Москва: Издательский дом Высшей школы экономики.
Судакова А.Е. (2020). Миграция ученых: цифровой след и наукометрия. Перспективы науки и образования, 3(45), 544-557. https://doi.org/10.32744/pse.2020.3.39.
Тард Г. (2016). Монадология и социология. Пермь: Гиле Пресс.
Фаузер В.В., Лыткина Т.С. (2017). Миграционные процессы на российском Севере Социальная политика и социология. 16:1 (120), 141-149. https://doi.org/10.17922/2071-3665-2017-16-1-141-149.
Фаузер В.В., Смирнов А.В. (2020). Миграции населения российской Арктики: модели, маршруты, результаты. Арктика: экология и экономика, 4(40), 4-18. https://doi.org/10.25283/2223-4594-2020-4-4-18.
Ahmad I., Flanagan R., Staller K. (2020). Increased internet search interest for GI symptoms may predict COVID-19 cases in US hotspots. Clinical Gastroenterology and Hepatology, 18(12), 2833-2834. https://doi.org/10.1016/j.cgh.2020.06.058.
Alburez-Gutierrez D., Aref S., Gil-Clavel S., Grow A., Negraia D.V., Zagheni E. (2019). Demography in the Digital Era: New data sources for population research. In: SIS2019. Smart statistics for smart applications. Milano: Pearson. https://doi.org/10.31235/osf.io/24jp7.
Billari F.C., D’Amuri F., Marcucci J. (2013). Forecasting births using Google. Population Association of America Annual Meeting. https://paa2013.princeton.edu/papers/131393.
Boullier D. (2017). Big data challenges for the social sciences: from society and opinion to replications. In eSymposium, 7(2), 1-17. https://www.boullier.bzh/wp-content/uploads/EBul-Boullier-Jul2017.pdf
Cesare N., Lee H., McCormick T., Spiro E., Zagheni E. (2018). Promises and pitfalls of using digital traces for demographic research. Demography, 55, 1979-99. https://doi.org/10.1007/s13524-018-0715-2.
Danchev V., Porter M.A. (2018). Neither global nor local: Heterogeneous connectivity in spatial network structures of World migration. Social Networks, 53, 4-19. https://doi.org/10.1016/j.socnet.2017.06.003
Danchev V., Porter M.A. (2021). Migration networks: applications of network analysis to macroscale migration patterns. In M. McAuliffe (Ed.), Research handbook on international migration and digital technology (pp. 70-90). Cheltenham: Edward Elgar Publishing. https://doi.org/10.4337/9781839100611.
Gansner E., Koren Y., North S. (2004). Graph Drawing by Stress Majorization. Lecture Notes in Computer Science, 3383, 239-250. https://doi.org/10.1007/978-3-540-31843-9_25.
Gebru R., Krause J., Wang Y., Chen D., Deng J. Aiden E.L., Fei-Fei L. (2017). Using deep learning and Google street view to estimate the demographic makeup of neighborhoods across the United States. PNAS, 114(50), 13108-13113. https://doi.org/10.1073/pnas.1700035114.
Golder S.A., Macy M.W. (2014). Digital footprints: opportunities and challenges for online social research. Annual Review of Sociology, 40(1), 129-152. https://doi.org/10.1146/annurev-soc-071913-043145.
Edelmann A., Wolff T., Montagne D., Bail C. (2020). Computational Social Science and Sociology. Annual Review of Sociology, 46, 61-81. https://doi.org/10.1146/annurev-soc-121919-054621.
Fruchterman T.M.J., Reingold E.M. (1991). Graph drawing by force-directed placement. Software: Practice and Experience, 21(11), 1129-1164. https://doi.org/10.1002/spe.4380211102.
Heleniak T., Bogoyavlenskiy D. (2014). Arctic Populations and Migration. In Larsen J.N., Fondahl G., Rasmussen H. (Eds.), Arctic Human Development Report. Regional Processes and Global Linkages (pp. 53-104). Copenhagen: Nordic Council of Ministers. https://doi.org/10.6027/TN2014-567.
Hughes C., Zagheni E., Abel G., Wi´sniowski A., Sorichetta A., Weber I., Tatem A.J. (2016). Inferring migrations: Traditional methods and new approaches based on mobile phone, social media, and other big data. Luxembourg: Publications Office of the European Union. https://doi.org/10.2767/61617.
Igntatow G. (2016). Theoretical foundations for digital text analysis. Journal for the Theory of Social Behaviour, 46(1), 104-120. https://doi.org/10.1111/jtsb.12086.
Katzenbach C., Bächle T.C. (2019). Defining concepts of the digital society. Internet Policy Review, 8(4). https://doi.org/10.14763/2019.4.1430.
Kitchin R. (2014). Big Data, New Epistemologies and Paradigm Shifts. Big Data & Society, 1(1), 1-12. https://doi.org/10.1177/2053951714528481.
Lazer D., Radford J. (2017). Data ex Machina: introduction to big data. Annual Review of Sociology, 43(1), 19-39. https://doi.org/10.1146/annurev-soc-060116-053457.
Ledford H. (2020). How Facebook, Twitter and other data troves are revolutionizing social science. Nature, 582, 328-330. https://doi.org/10.1038/d41586-020-01747-1.
Maier G., Vyborny M. (2008). Internal migration between US States: A social network analysis. In J. Poot, B. Waldorf, L.W. Wissen (Eds.), Migration and Human Capital. Cheltenham, UK: Edward Elgar Publishing. URL: https://www.econstor.eu/handle/10419/117573.
McCormick T.H., Lee H., Cesare N., Shojaie A., Spiro E.S. (2017). Using Twitter for demographic and social science research: tools for data collection and processing. Sociological Methods & Research, 46(3), 390-421. https://doi.org/10.1177/0049124115605339.
Petrov A.N., Welford M., Golosov N., DeGroote J., Degai T., Savelyev A. (2021). The “second wave” of the COVID-19 pandemic in the Arctic: regional and temporal dynamics. International Journal of Circumpolar Health, 80(1). https://doi.org/10.1080/22423982.2021.19254461.
Raghavan U.N., Albert R., Kumara S. (2007). Near linear time algorithm to detect community structures in large-scale networks. Physical Review E, 76(3). https://doi.org/10.1103/physreve.76.036106.
Taylor L., Floridi L., van der Sloot L. (Eds.). (2017). Group privacy: New challenges of data technologies. Cham, Switzerland: Springer. https://doi.org/10.1007/978-3-319-46608-8.
Zagheni E., Weber I., Gummadi K. (2017). Leveraging Facebook’s advertising platform to monitor stocks of migrants. Population and Development Review, 43(6178), 721-734. https://doi.org/10.1111/padr.12102.
Zamyatina N., Yashunsky A. (2017). Migration cycles, social capital and networks. A new way to look at Arctic mobility. In M. Laruelle (Ed.), New Mobilities and Social Changes in Russia’s Arctic Regions (pp. 59-84). London and New York, Routledge.
