Социально-экономическое районирование в эпоху больших данных

Â.È. ÁËÀÍÓÖÀ
СОЦИАЛЬНО-ЭКОНОМИЧЕСКОЕ 
РАЙОНИРОВАНИЕ 
В ЭПОХУ БОЛЬШИХ ДАННЫХ
МОНОГРАФИЯ
Москва
ИНФРА-М
201

УДК 911.6(075.4)
ББК 26.82
 
Б68
Монография обсуждена и рекомендована к изданию Ученым советом 
Института географии имени В.Б. Сочавы Сибирского отделения РАН
Р е ц е н з е н т ы: 
Л.А. Безруков, доктор географических наук;
А.Ф. Никольский, доктор географических наук;
А.Я. Якобсон, доктор географических наук, профессор
Блануца В.И.
Б68 
 
Социально-экономическое районирование в эпоху больших 
данных : монография / В.И. Блануца. — М. : ИНФРА-М, 2019. — 
194 с. — (Научная мысль). — www
.dx.doi.org/10.12737/monography_
59f81ac5ede918.09423566.
ISBN 978-5-16-013259-4 (print)
ISBN 978-5-16-105983-8 (online)
В монографии изложены результаты первого в мире исследования 
возможностей использования методов районирования для обработки 
больших объемов постоянно обновляемых эмпирических геоданных. 
Приведены основные виды таких данных, требования к методическому 
аппарату, векторы развития методологии, постсоветские тренды районирования, новые виды районов, комбинации смыслов районирования 
и сферы применения схем районирования. Представлены алгоритмы 
построения концептуальной модели, отбора информативных признаков, 
создания системы методов, выявления однородных, узловых и эволюционных районов, оценки качества дифференциации территории, верификации и интерпретации полученных результатов.
Издание предназначено для специалистов, студентов и аспирантов.
УДК 911.6(075.4)
ББК 26.82
ISBN 978-5-16-013259-4 (print)
ISBN 978-5-16-105983-8 (online)
©  Блануца В.И., 2017

Введение
Для ориентации среди разнообразных исследований по районированию территории целесообразно различать учение о районах (районологию), процесс формирования районов (районообразование), метод их
выявления (районирование) и конечный результат (схему районирования или систему районов). В монографии будет рассмотрено только
множество методов выявления районов, включая вспомогательные
и дополнительные методы. Схемы районирования будут учитываться
только в плане их использования для идентификации метода выявления
районов и оценки эффективности его использования. Учению о районах
[Блануца, 1992; Каганский, 2003; Родоман, 1999; Смирнягин, 2005] не
планируется посвящать отдельный раздел монографии, но оно будет
подразумеваться при анализе методов районирования. Что касается
районообразования, то этот процесс зависит от специфики районирования 
(например, 
самоорганизации
элементарных
информационнокоммуникационных сетей в магистральные сети, понимаемые как районы [Блануца, 2016а]) и также будет анализироваться только в связи
с методом выявления районов. 
Все разнообразие работ по выявлению районов можно свести к трем
классам – 
природному 
(физико-географическому), 
природнообщественному (природно-хозяйственному, эколого-экономическому) 
и общественному 
(социально-экономическому) 
районированию. 
В монографии будет рассмотрен только последний класс, который может делиться на подклассы (группы видов) и виды районирования
в зависимости от особенностей процесса районообразования. Поэтому
под социально-экономическим районированием будем понимать выявление всех видов районов, которое осуществляется в рамках социальноэкономической географии. В свою очередь, методы выявления социально-экономических районов с некоторой условностью можно разделить
на
количественные, 
использующие
цифровые
данные
и соответствующие способы их обработки, и качественные, основанные
на интуитивных, экспертно-индивидуальных способах принятия решений. Уделяя основное внимание количественным методам, надо иметь
в виду, что уже опубликованы монографические работы по применению
таких методов в физико-географическом [Куприянова, 1977] и экологоэкономическом [Блануца, 1993] районировании. Поэтому весьма актуально
появление
соответствующей
работы
по
социальноэкономическому районированию, которое в методологическом смысле
является наиболее сложным классом выявления районов и, соответственно, в большинстве случаев опирается на качественные методы.  
Разделение территории на районы возможно в рамках двух методологических подходов: путем объединения исходных операционных тер3 

риториальных единиц (ОТЕ) в районы с учетом заранее заданного, эталонного описания искомых территориальных образований («распознавание образов с учителем») и через обнаружение априори не заданного
количества, структуры и сущности районов («распознавание образов без
учителя»). При этом районы могут как выделяться (за счет статистического разбиения множества ОТЕ на подмножества), так и выявляться (в
плане отыскания объективно сложившихся территориальных образований). В монографии предпочтение отдается способам выявления заранее неизвестных и объективно формирующихся районов, что соответствует традициям отечественной районной школы экономической географии [Баранский, 1980; Колосовский, 1969].   
Общее представление о социально-экономическом районировании
было бы неполным без перечисления основных проблем. Согласно
В.Г. Шувалову, в первую очередь необходимо решить проблемы изменения роли районообразующих факторов, соотношения экономических
и социальных факторов, понимания объективности и субъективности
районов, сочетания критериев специализации и комплексности, соответствия основных принципов госплановского районирования современным условиям, возможности и целесообразности проведения интегрального
районирования, 
соотношения
районирования
с административно-территориальным делением, практической значимости районирования [Шувалов, 2005]. По Л.В. Смирнягину перед социально-экономическим районированием стоят десять «проклятых вопросов»: об объективности, комплексности, однородности, границах, формационности, динамике, соразмерности, модусе, иерархии и наборе
признаков [Смирнягин, 2004]. Здесь также можно отметить ранее выявленные [Блануца, 1992] четыре ограничения и шесть направлений расширения
районологического
знания, 
актуальные
до
сих
пор. 
К ограничениям были отнесены: ориентация только на модель объекта
районирования, завершение работ по районированию характеристикой
выделенных районов, понимание районирования как заключительной
стадии
комплексного
географического
изучения
территории
и отнесение районирования к уникальным способам познания. Для решения этих и других проблем были намечены следующие направления: 
усложнение представления о процессе районообразования, пересмотр
основных
принципов
районирования, 
расширение
требований
к исходной информации, комплексирование отдельных методов районирования, расширение существующих и появление новых функций
районирования, вторжение в новые области познания.  
Для понимания сущности районирования важны еще два уточнения. 
Первое из них связано с разделением всех способов выявления районов
на индивидуальное и типологическое районирование. В первом случае
каждый район является не только целостным, но еще и специфичным
4 

(уникальным) территориальным образованием, а во втором – типичным
образованием, допускающим
существование
однотипных
районов
в разных частях исследуемой территории. Типологическое районирование, по сути, представляет собой обычную классификацию ОТЕ
и рассматривается далее только как вспомогательная процедура собственно районирования (см., например, типологию элементарных сетей
для последующего выявления сетевых районов [Блануца, 2014а, 2016а]), 
которое
является
индивидуальным. 
Второе
уточнение
связано
с выделением однородного, узлового (коннекционного, функционального) и эволюционного районирования. Первые два метода (группы методов) являются традиционными [Родоман, 1999; Смирнягин, 2005] 
и призваны обнаруживать районы по сходству (однородности) заданного набора показателей или по интенсивности взаимодействия неоднородных ОТЕ. Третья группа методов социально-экономического районирования была предложена относительно недавно и нацелена на выявление районов по подобию траекторий развития (темпоральной идентичности) смежных ОТЕ [Блануца, 2016б].  
Первые публикации по социально-экономическому районированию
появились в XVIII веке. Д.Н. Замятин провел наукометрический анализ
отечественных
работ
в данной
области, опубликованных
в 1761–
1941 гг., и выделил четыре периода [Замятин, 1993, с. 123–124]: «создание “зародышевых” работ» (до 1910 г.), «начального развития идей» 
(1910–1922 гг.), «экспансии идей» (1923–1929 гг.) и «падения числа
публикаций» (1930–1941 гг.). При этом в 1870–1941 гг. им были выявлены три научные парадигмы экономического районирования – «отраслевая эмпирическая», «образно-интуитивная описательная» и «системно-энергетическая» [Замятин, 2000, с. 7]. В послевоенный период развитие районирования было связано с двумя научными революциями
в географии – количественной и радикальной [Barnes, 2004; Berry, 1993; 
Burton, 1963; Harvey, 1972; Peet, 1977; Radical Geography…, 1978], приведшим к появлению новых количественных и качественных методов
идентификации районов. С некоторой условностью можно выделить
следующие активные периоды обоих революций:  1949–1970 гг. (ориентируясь на работу Т. Барнса [Barnes, 2014], будем считать от выхода
в свет монографии Г. Ципфа [Zipf, 1949] до формулировки У. Тоблером
первого закона географии [Tobler, 1970]) и 1969–1982 гг. (от выхода
первого номера журнала радикальной географии «Антипод» до публикации монографии Д. Харви «Пределы капитала» [Harvey, 1982]). Что
касается постсоветского времени, то о состоянии дел в России можно
судить по материалам Всероссийской конференции по социальноэкономическому районированию, которая была проведена в Ростове-наДону в 2004 г. [Районирование…, 2004], и анализу 12 ведущих россий5 

ских журналов географического профиля за 2005–2014 гг. [Шувалов, 
2015].  
Не
вдаваясь
в сущность
прошлых
научных
революций
и доминировавших тогда парадигм, отметим основной вектор современности (второго десятилетия XXI в.) – стремительное увеличение
объема и общественной значимости «больших данных» («Big Data»), 
которое может привести к новой революции. Судя по ряду публикаций, 
такая революция
уже началась [Kitchin, 2014; Mayer-Schönberger, 
Cukier, 2013] и затронула социально-экономическую географию [Graham, Shelton, 2013; Kitchin, 2013; Miller, Goodchild, 2015; Wyly, 2014]. 
Даже если трактовать этот процесс как эволюционное вхождение
в эпоху больших объемов эмпирической информации или продолжение
распространения количественных методов в географии [Barnes, 2013; 
2014; Cresswell, 2014], все равно возникает проблема определения основных векторов развития методологии районирования, задаваемых новыми условиями.         
«Большие данные» как бы противопоставляются «малым данным» 
и граница между ними является условной и подвижной – то, что сегодня
относится к «большим данным», завтра может рассматриваться уже как
незначительный объем. Если обратиться к открытому ресурсу Google 
Ngram Viewer, отслеживающему встречаемость слов и словосочетаний
в оцифрованных книгах 1800–2000 гг., то  термин «big data» встречался
в публикациях 1930 и 1936 гг., а с 1956 г. частота его встречаемости постоянно росла. Однако только в XXI в. «большие данные» стали социально значимым феноменом. Возможно, одним из первых исследователей, обратившим внимание именно на феномен, был Д. Лейни [Laney, 
2001], но бурное обсуждение этой проблематики в некомпьютерных
сферах началось в 2008 г. с подачи редактора журнала «Nature» К. Линча [Lynch, 2008].         
Наиболее
простая
трактовка «больших
данных» заключается
в невозможности поместить эти данные в одну таблицу Excel [Strom, 
2012]. Отсюда вся количественная информация, объем которой может
быть размещен в такой таблице, будет считаться «малыми данными». 
Размер таблицы Excel 2003 составлял 65 536 строк на 256 столбцов
(16 777 216 ячеек с определенной длиной записи). В последующих версиях (Excel 2007, 2010, 2013) размер таблицы составил 1 048 577 ൈ
 16 385 = 17 180 934 145 ячеек, т.е. вырос примерно в тысячу раз. Согласно другому пониманию, «большие данные» должны соответствовать трем «V» – «Volume, Velocity, Variety» [Laney, 2001]. Третью – 
обобщающую – трактовку предложил ирландский географ Роб Китчин, 
которого можно считать одним из главных идеологов новой научной
революции (как автора монографии «The Data Revolution» [Kitchin, 
2014]). В его понимании [Kitchin, 2013, p. 262] большие данные харак6 

теризуются огромным объемом (в терабайтах или петабайтах), высокой
скоростью (соответствует или приближается к реальному времени), разнообразием (наличием
структурированных
и неструктурированных
данных), исчерпывающим свойством (стремлением охватить все население мира и все технические системы), «мелкой зернистостью» (максимальной детальностью описания объектов), реляционностью (возможностью управления различными таблицами) и гибкостью (быстрым
изменением размера, масштабируемостью). 
«Большие
данные» 
используются
в основном
в коммерческих
и государственных организациях [Доклад…, 2015; Карпова, Суринов, 
Ульянов, 2016; Миловидов, 2016; Ференец, 2016; Batty, 2013; Kitchin, 
2014; Mayer-Schönberger, Cukier, 2013]. На данный момент времени это
применение в целом носит эпизодический характер, что не позволяет
говорить о всеобъемлющем вступлении человечества в эпоху «больших
данных». Однако бурный рост технологий в данной области (геолокация, интернет вещей, беспроводные сенсоры, компактные спутники дистанционного зондирования Земли, «умные дома», «умные города», обработка всей информации из социальных сетей в режиме реального
времени, облачные вычислительные ресурсы и др.) позволяет предвидеть
значительное
расширение
использования «больших
данных» 
в ближайшие годы. Согласно корпорации «Cisco», в конце 2016 г. человечество вступило в «эру зеттабайт» («The Zettabyte Era»), т.е. 12месячный мировой IP-трафик преодолел рубеж в 1 ZB или 1021 байт
[White paper…, 2016]. В преддверии широкого распространения «больших
данных» во
многих
научных
дисциплинах (в
том
числе
в общественных науках; см. [Берроуз, Севидж, 2016; Бородкин, 2015; 
Волков, Скугаревский, Титаев, 2016; Смирнов, 2015; Bearman, 2015; 
Bohloudi et al., 2015; Dalton, Thatcher, 2015; Hesse, Moser, Riley, 2015; 
Metcalf, Crawford, 2016] и др.) начались
дискуссии
и подготовка
к новым исследовательским возможностям.   
Для
приблизительной
оценки
доли
географических
работ
в отечественных исследованиях по рассматриваемой проблематике на
основе веб-сайта eLIBRARY.RU было подсчитано число журнальных
статей с ключевым словом «большие данные» для разных групп научных дисциплин (табл. 1). Получилось, что из 481 статьи 129 относились
к экономическим, социологическим и политическим наукам и только
6 – к географическим дисциплинам (все они были по картографии). Из
этого следует, что в отечественной социально-экономической географии
не было ни одной статьи (до 2017 г.) по использованию больших объемов постоянно обновляемой эмпирической информации, в то время как
за рубежом географы-обществоведы активно обсуждали новые возможности ([Barnes, 2013; 2014; Cresswell, 2014; Graham, Shelton, 2013; 
Kitchin, 2013; Miller, Goodchild, 2015; Wyly, 2014] и др.). 
7 

Таблица 1 
Распределение количества отечественных журнальных статей, в которых
«большие данные» были одним из ключевых слов, по группам научных
дисциплин и году публикации (рассчитано по материалам веб-сайта
eLIBRARY.RU на 1 марта 2017 г.) 
  
  
  
  
  
  
Группы
научных
дисциплин
  
  
Годы 
  
  
  
Всего
  
  
2011 
2012 
2013 
2014 
2015 
2016 
Информатика 
6 
14 
29 
57 
54 
49 
209 
Экономические
науки
0 
0 
4 
15 
28 
41 
88 
Социологические
и политические
науки
0 
0 
4 
7 
16 
14 
41 
Географические
науки
0 
0 
0 
2 
3 
1 
6 
Остальные   науки 
0 
0 
9 
21 
46 
61 
137 
Итого 
6 
14 
46 
102 
147 
166 
481 
Генеральный список всех видов «больших данных» еще не составлен
и даже не разработаны соответствующие принципы классификации. Поэтому имеет смысл кратко перечислить только отдельные нечеткие (неклассифицированные) виды, которые потенциально могут использоваться в социально-экономическом районировании территории (обозначены аббревиатурой BDfR – «Big Data for Regionalization»). К таковым
в первом приближении могут быть отнесены следующие виды данных: 
Ɣ BDfR(a) – траектории перемещения в пространстве в реальном
времени каждого отдельно взятого человека, получаемые от устройств
мобильной связи через глобальные системы позиционирования;  
Ɣ BDfR(b) – аналогичные сведения о перемещении всех транспортных средств (через метки радиочастотной идентификации);  
Ɣ BDfR(c) – территориально распределенные постоянно обновляемые данные об экономической активности всех промышленных производств, генерируемые космическими системами дистанционного зондирования (проекты, подобные «China Satellite Manufacturing Index» 
[Chine…, 2017]);  
Ɣ BDfR(d) – поток данных из социальных сетей о политических, 
культурных, рекреационных и иных предпочтениях каждого человека
с указанием его местоположения по геолокации;  
8 

Ɣ BDfR(e) – аналогичные данные, получаемые от автоматических
систем фиксации всех действий каждого человека во Всемирной паутине (интернет-серфинг, email-контакты и др.);  
Ɣ BDfR(f) – интернет-трафик и другие виды трафика в сетях электросвязи, привязанные к каждому человеку и/или каждой точке пространства;  
Ɣ BDfR(g) – геоданные от сенсоров и веб-камер, работающих по
технологии M2M («machine-to-machine»).   
В
настоящий
момент
времени
эти
данные
собираются
в относительно ограниченном (не всеобщем) объеме и в большинстве
случаев являются закрытыми (еще не реализована идея «Open Data» 
[Kitchin, 2014]). Помимо этого, не решены некоторые проблемы этики
[Metcalf, Crawford, 2016], конфиденциальности
личных
сведений
[Mayer-Schönberger, Cukier, 2013] и контроля над использованием данных [Kitchin, 2014; Mayer-Schönberger, Cukier, 2013], а также ряд онтологических и методологических проблем [Boyd, Crawford, 2012; Kwan, 
2016; Wagner-Pacifici, Mohr, Breiger. 2015]. Однако со временем они будут решены, и в 2020-х гг. ожидается повсеместное использование
«больших данных», в том числе и в общественно-географических исследованиях. Затем примерно с 2030 г. вполне может начаться, по мнению автора, вторая радикальная научная революция в географии (по
аналогии с радикальной революцией прошлого века), к чему уже складываются определенные предпосылки [Cresswell, 2014; Kitchin, 2013].                           
Для оценки возможности перехода существующих методов районирования с «малых» на «большие данные» был проведен специальный
анализ мирового опыта. Особенности анализа научных публикаций по
социально-экономическому районированию будут подробно рассмотрены в первой главе, а здесь лишь констатируем, что в 1992–2016 гг. было
выявлено 467 работ (журнальных статей и монографий). Далее из них
были удалены публикации, посвященные исключительно вопросам истории, теории и практической значимости социально-экономического
районирования, чтобы в анализируемом массиве остались только результаты конкретного опыта выявления районов и/или разработки методики районирования. Таковых осталось 268. Среди них максимальный размер исходной таблицы данных составил 929 ൈ 1620 = 1 504 980 
ячеек [Блануца, 2016а], а производной таблицы, в которой отражалась
интенсивность связи между ОТЕ, – 6258 ൈ 6258 = 39 162 564 ячеек
[Klapka et al., 2014]. Эти размеры не превышали пределы таблицы Excel 
2013, что позволяет отнести все анализируемые практики районирования к категории «малых данных». Помимо объема, в отобранных работах отсутствовали (по [Kitchin, 2013]) потоки данных, неструктурированные, детализированные (до уровня каждого конкретного человека) 
9 

и всеохватывающие данные, что лишь подчеркивало невозможность их
отнесения к «большим данным».    
Существующие методы районирования, оперирующие «малыми
данными», тем не менее, при определенных условиях могут использоваться и для обработки «больших данных» (далее эти методы будут
обозначаться соответственно REGSD и REGBD). Для проверки потенциальных возможностей постсоветских методик выявления районов были
сформулированы
семь
требований 
(обозначены
литерой 
«Т» 
с порядковым номером), основанных на обобщении свойств больших
объемов
количественной
информации – от BDfR(a) до BDfR(g) – 
и особенностей алгоритмов районирования [Блануца, 1993; Duque, Ramos, Surinach, 2007; Karlsson, Olsson, 2006]. Затем по каждому требованию было подсчитано количество публикаций, методика районирования
в которых удовлетворяла заявленному требованию. Получились следующие результаты.    
Т1. Квантифицируемость: возможность применения метода для обработки количественных данных, а также преобразования качественного способа выделения районов в количественный метод районирования. 
Анализ 268 постсоветских публикаций по социально-экономическому
районированию показал, что в 48 работах использовались количественные методы, в 83 – допускающие формализацию качественные способы
анализа количественных данных и в 66 – потенциально формализуемые
качественные методы обобщения качественных данных, которые можно
оцифровать. В остальных работах описание методики районирования
и форма представления выявленной системы районов были таковыми, 
что не позволили сделать однозначное заключение о возможности их
«цифрового поворота» [Ash, Kitchin, Leszczynski, 2017].             
Т2. Масштабируемость: способность алгоритма районирования обрабатывать разные объемы исходных данных. Установлено, что в 27 
публикациях представлены методики районирования, допускающие
возможность перехода с «малых» на «большие данные».  
Т3. Хронологизируемость: методическая возможность обработки потока «больших данных» в режиме реального времени. В 6 работах присутствовали способы районирования, допускающие данную возможность.     
Т4. Оптимизируемость: наличие количественных операций по поиску оптимального набора наиболее информативных признаков для районирования территории. Результат анализа массива публикаций: такие
работы отсутствуют.      
Т5. Структурируемость: одновременная обработка структурированных (цифровых) и неструктурированных данных (видео и др.) без
ухудшения качества районирования. По этому требованию работы не
обнаружены.     
10