Методология кросс-функционального анализа региональных и локальных рынков продукции арктической этноэкономики
Богданова Е.Н.1 
1 Северный (Арктический) федеральный университет им. М.В. Ломоносова, Архангельск, Россия
Статья в журнале
Экономика, предпринимательство и право (РИНЦ, ВАК)
опубликовать статью | оформить подписку
Том 16, Номер 9 (Сентябрь 2026)
Аннотация:
Автором предложена методология кросс-функционального анализа локальных и региональных рынков продукции этноэкономики, которая основана на системном подходе к исследованию социально-экономических явлений и процессов и включает три взаимодополняющих блока: статистический анализ эмпирических данных (количественные методы вторичного анализа официальной статистики), социологические методы исследования и эвристические методы интеллектуальной обработки информации, включая методы интеллектуального анализа данных. Описаны ее ключевые элементы: объект и предмет исследования, цели и задачи, методы и инструменты исследования, а также экономические агенты. Апробация методологии в практике регионального управления позволит разработать экономически обоснованную политику развития полиэтнического региона на основе динамического мониторинга рынков традиционной продукции и прогнозной аналитики с целью достижения сбалансированного устойчивого развития Российской Арктики. Дальнейшее развитие методологии будет способствовать как более глубокому пониманию процессов адаптации традиционного хозяйства, так и совершенствованию инструментов государственной поддержки этноэкономики в условиях цифровой трансформации экономики
Ключевые слова: локальные и региональные рынки, полиэтнический регион, Российская Арктика, социально-экономическая система, этноэкономика, кросс-функциональный анализ, интеллектуальный анализ данных
Финансирование:
Исследование выполнено при поддержке гранта РНФ № 25-28-03344 «Моделирование стратегий адаптации коренного населения Западной Арктики России с учетом природно-климатических рисков на основе интеллектуального анализа данных»
JEL-классификация: R10, R11, R12, Q54, L72
Введение
Государственная политика в области устойчивого развития коренных малочисленных народов Севера (КМНС), направленная на сохранение самобытной культуры, традиционного хозяйства (оленеводство, рыболовство, охота и пр.) и защиту арктических экосистем, стимулировала трансформацию потребительских предпочтений на локальных и региональных рынках и повысила интерес к продукции этноэкономик. Расширение инструментов поддержки этнокультурного наследия и традиционной хозяйственной деятельности КМНС создало предпосылки для формирования устойчивого тренда на «арктическую аутентичность», который закономерно экстраполировался на сегмент традиционных продуктов питания.
Возросшая популярность данной товарной категории спровоцировала повышение спроса, что, в свою очередь, стимулировало расширение предложения на локальных и региональных рынках. Эта динамика полностью согласуется с концепцией П. Кругмана (1979), связывающего перспективы свободной рыночной торговли с феноменом потребительского предпочтения брендового разнообразия [23]. Это объясняет и логику поведения производителей, стремящихся к формированию локальных этнобрендов. Условия для роста предпринимательской активности КМНС были также созданы за счет расширения мер государственной поддержки. Их представители вовлекаются в производство и сбыт продукции на глобальном, региональном и локальном уровнях, в том числе через интернет-каналы, что отражает адаптацию традиционных сообществ в условиях развития инициатив цифровой экономики.
Анализ локальных и региональных рынков продукции этноэкономики является достаточно сложным объектом научного изучения. Сбор и анализ статистических данных, а также проведение социологических опросов среди коренных народов сопряжены с рядом трудностей, обусловленных как объективными факторами (географическая изоляция, малочисленность популяций и пр.), так и субъективными причинами (исторически сложившееся недоверие, закрытость сообществ, иногда осознанный отказ от участия в исследованиях и пр.). Эти особенности формируют уникальный вызов для исследователей, работающих в области этноэкономики и социально-экономического развития арктических территорий.
Более того, изменение экономического поведения экономических агентов (в первую очередь, производителей и покупателей) на локальных и региональных рынках с учетом внедрения инновационных цифровых технологий актуализирует задачу по поиску новых подходов к методологии сбора и анализа данных.
Целью исследования является представление методологии кросс-функционального анализа локальных и региональных рынков продукции арктической этноэкономики.
Предлагаемая методология основана на системном подходе к исследованию социально-экономических явлений и процессов и включает три взаимодополняющих блока: статистический анализ эмпирических данных (количественные методы вторичного анализа официальной статистики), социологические методы исследования и эвристические методы интеллектуальной обработки информации (методы интеллектуального анализа данных, именуемого Data Mining).
Материалы и методы
Теоретическими предпосылками для разработки методологии анализа локальных и региональных рынков продукции этнокономики стали положения «новой экономической географии» П. Кругмана [22], согласно которой развитие пространственной структуры экономики может иметь множество возможных состояний равновесия; теории потенциала рынка Дж. Харриса [19]; теории кластерного развития территорий М. Портера [29]; акторно-сетевой теории (Б. Латур [25], М. Каллон [15], Я.Х. Пассот и Н.Дж. Роуланд [28]) и исследований в области региональной этноэкономики (А.А. Быков, О.В. Борисова [3], С.В. Паникарова [7], Н.М. Римашевская, О.Н. Вершинская [9], Н.М. Сурнина, О.В. Печура [10], М.В. Рагулина [8], М.Н. Угрюмова, А.А. Пиковский [11], Т.Е. Хорольская [12]), в том числе арктической (Е.Н. Богданова [1–2], М.В. Иванова [4], О.П. Коломиец [5] и др.).
Интеллектуальный анализ данных рассматривается как передовой метод репрезентации реальности (Р. Китчин [21]). Он представляет собой процесс обнаружения в наборах больших данных скрытых, ранее неизвестных и потенциально полезных закономерностей, связей и тенденций с помощью специальных алгоритмов. Данный тип анализа сформировался на междисциплинарном стыке теории баз данных, искусственного интеллекта, машинного обучения и прикладной статистики. Этимологически термин «data mining» трактуется как «разработка» или «раскопка» данных. Его введение в научный оборот закреплено за В.Г. Пятецким-Шапиро [17]. Концептуальная платформа интеллектуального анализа данных базируется на аппарате математического моделирования, ориентированном на решение ключевых задач анализа: классификация, численное предсказание, кластеризация, выявление ассоциаций и прогнозирование временных рядов. Его методический инструментарий органично сочетает классические статистические методы (регрессионный и корреляционный анализ, метод главных компонент, байесовские классификаторы [6]) с самоорганизующимися алгоритмами (нейросетевые архитектуры, деревья решений, самоорганизующиеся карты Кохонена, ассоциативные правила и последовательные шаблоны [6]). Примечательно, что именно методы, наследуемые из области машинного обучения, традиционно позиционируются в качестве содержательного «ядра» интеллектуального анализа данных.
Появление больших данных, для обработки которых используется методический инструментарий интеллектуального анализа, ознаменовало сдвиг парадигмы от «теории-движимого» к «данным-движимому» методу познания (М. Пренский [30], Дж. Диче [16], М. Финк [18]).
Концепция больших массивов данных («big data»), лежащая в фундаменте предлагаемого методического подхода, демонстрирует универсальную применимость, и находит применение в разных научных дисциплинах – естественных, социальных и гуманитарных. Например, широкое использование интеллектуального анализа больших данных в социальных науках индуцировало появление ряда смежных дисциплин, включая вычислительную социальную науку – CSS (Д. Лазер и др. [26]), цифровые гуманитарные науки (Д.М. Берри [13]), географию, движимую (управляемую) данными, – геоинформатику (Х.Дж. Миллер и М.Ф. Гудчайлд [27]) и алгоритмическую географию (М.П. Кван [24]). Их общая цель – использовать аналитику больших данных для выявления предсказуемых паттернов при исследовании социально-экономических явлений и процессов.
В современной науке сформировалось несколько основных направлений интеллектуального анализа данных. Согласно (М. Брэдфорд [14]), большие данные рассматриваются как новая парадигма познания и составляют конечную цель исследований. Использование их для производства знаний о реальных событиях и условиях является центральной задачей исследователя. Второе направление (К.Х. Тим [33]) смещает фокус с внутренней структуры больших данных на их внешние эффекты. Оно исследует, как практики сбора, хранения, передачи, обработки и применения данных одновременно определяют динамику социальных, политических и пространственных процессов, включая трансформацию государственных систем. Другое направление исследований соответствует логике конструктивистской (интерпретативной) онтологии, которая предполагает, что существует множественность реальностей, создаваемых индивидами в группах, и эта реальность нуждается в интерпретации (Дж.А. Смит [31]). Более того, ряд исследователей (Дж.А. Джонсон [30], Л. Тейлор [32]) поднимают вопрос о «цифровых правах» и «информационной справедливости», которая достигается благодаря учету позиции представителей всех социальных групп. Растущая значимость аналитики «big data» для государственного управления (М. Чжан, Ц. Сюй и др. [34]) актуализирует дальнейшее совершенствование методологии интеллектуального анализа данных.
Результаты и обсуждение
Ключевыми элементами предлагаемой методологии кросс-функционального анализа локальных и региональных рынков продукции этноэкономики являются: объект и предмет исследования, цели и задачи, принципы, методы и инструменты исследования, а также экономические агенты («поставщики» и «пользователи» данных).
В отличие от анализа стандартных товарных рынков, в данном случае ключевую роль играют нематериальные активы: культурный код, традиции, социальные связи и идентичность.
Ключевыми принципами кросс-функционального анализа локальных и региональных рынков продукции арктической этноэкономики являются:
– Принцип системной связанности. Элементы анализа – рынок, агент, институт – осмысляются исключительно в их сопряженности как часть социально-экономической системы, в частности, изменение институциональной среды рекурсивно влияет на емкость рынка.
– Принцип динамического равновесия. Оценка эффективности осуществляется не только на основании статических показателей, но и в контексте динамического мониторинга с учетом цикличности социально-экономических процессов и явлений и идентификации временных лагов.
– Принцип ценообразования «издержки + ценность». Анализ ценообразования выполняется одновременно в двух проекциях: «цена» / «себестоимость» и воспринимаемая ценность продукции для потребителя, обусловленная этнокультурными установками.
– Принцип адаптивного этномаркетинга. Маркетинговые стратегии должны опираться на локальную этнокультурную идентичность.
– Принцип альтернативных сценариев развития. Прогнозирование осуществляется с учетом трех базовых сценариев развития: инерционный вариант, оптимистичный / инвестиционный (ориентированный на рост) и пессимистичный / кризисный (акцентирующий риски).
Система элементов методологии кросс-функционального анализа региональных и локальных рынков представлена в таблице 1.
Таблица 1. Система элементов методологии кросс-функционального анализа региональных и локальных рынков
|
№
|
Наименование элемента
|
Уровни методологии кросс-функционального анализа данных
| ||
|
1
|
Наименование
группы методов анализа
|
Методы анализа данных государственной статистики
|
Социологические методы исследования
|
Интеллектуальный анализ данных
|
|
2
|
Источники
данных
|
Федеральная служба государственной статистики, ее
территориальные органы и подведомственные организации, Единая
межведомственная информационно-статистическая система (ЕМИМС), Банк России,
министерства, ведомства, ресурс БФО и др.
|
Респонденты,
эксперты, фокус-группы;
Единый архив экономических и социологических данных ВШЭ |
Корпоративные
источники, хранилища данных (базы данных предприятий, лог-файлы и
отчеты, системы мониторинга);
Веб данные и специализированные платформы – репозитории, облачные платформы с открытыми датасетами; социальные сети и интернет-платформы, веб-сайты, новостные порталы, блоги, маркетинговые и коммерческие базы, API и онлайн-сервисы; Интернет вещей (IoT); экспериментальные и исследовательские данные; мультимедийные источники |
|
3
|
Материалы
исследования
(тип данных) |
Структурированные,
количественные и качественные |
Структурированные,
полуструктурированные и неструктурированные, количественные и качественные
|
Структурированные
(данные в реляционных базах данных, электронных
таблицах и пр.);
полуструктурированные (XML-документы, JSON данные, базы данных NoSQL); неструктурированные (тексты, аудио, видео, изображения); количественные и качественные |
|
4
|
Методы
исследования
|
Методы
описательного (дескриптивного) анализа (сводка и группировка данных,
расчет обобщающих показателей, вариационный анализ, методы визуализации
данных);
методы оценки взаимосвязей (корреляционно-регрессионный анализ); методы снижения размерности и выявления латентных факторов (факторный и компонентный (PCA) анализы, многомерное шкалирование); методы классификации (кластерный и дискриминантный анализ); эконометрические методы анализа временных рядов (анализ временных рядов, одномерные и многомерные модели прогнозирования) и пр. |
Опрос (анкетирование, интервью, экспертный опрос);
контент-анализ; наблюдение (включенное / невключенное, полевое / лабораторное); эксперимент; социометрия (метод Дж. Морено); фокус-группы |
Методы
кластеризации и сегментации (алгоритм K-Means (RFM-кластеризация),
самоорганизующиеся нейронные сети (SOM) для построения моделей региональной
пространственной кластеризации, пространственная кластеризация на основе
геоданных);
регрессионные методы и прогнозные модели (автоматизированное машинное обучение (AutoML), ансамблевые методы (Random Forest, Gradient Boosting), многослойный перцептрон (MLP); анализ ассоциативных правил (Market Basket Analysis); пространственно-временное моделирование и геоаналитика (полу-контролируемое графовое обучение (Semi-supervised Graph Learning) для экономического картографирования, модели на основе больших данных отзывов (Review Big Data, клеточное автоматы (CA) и пространственная автокорреляция); методы снижения размерности (PCA, SVD, LSA, NMF) |
|
5
|
Продукты
процесса (анализа)
|
Структурированные
наборы данных по утвержденным формам статистического наблюдения;
индикаторы и аналитические показатели (агрегированные отраслевые показатели, пространственные индикаторы, композитные индексы и пр.); пространственно-экономические модели; сценарные прогнозы и пр. |
Первичные
и синдикативные исследовательские продукты (например, панели
данных, готовые отраслевые отчеты и пр.);
сегментационные и аналитические модели; интегральные оценочные показатели; оценочные решения для бизнеса (B2B-продукты) и пр. |
Аналитические
дашборды и сервисы мониторинга;
Data Mining-платформы; предиктивные и аналитические системы; прогнозные и факторные модели; кластеризация, сегментация, матрицы (например, карта сегментов потребителей с портретами и поведенческими паттернами, ассортиментная матрица) и пр. |
|
6
|
Экономические
агенты – информанты («поставщики данных»)
|
Институциональные
единицы, обязанные предоставлять данные в соответствии с законодательством
(органы государственной власти и местного самоуправления и пр.), организации,
учреждения, ФТС России, ФНС России и пр.
|
Эксперты
(аналитики, представители ассоциаций и пр.), L-уровень (руководители)
организаций, домохозяйства и конечные потребители, исследовательские
агентства, онлайн-панели
|
Телекоммуникационные
операторы, картографические и геоинформационные сервисы,
платформы электронной коммерции и агрегаторы данных, социальные сети, маркетплейсы, банки и процессинговые центры, поставщики специализированных аналитических платформ (B2B), платформы открытых данных и др. |
|
7
|
Экономические
агенты – реципиенты (клиенты)
|
Макроуровень: органы государственной
власти и управления
Мезо- и микроуровень: бизнес-сектор (коммерческие компании – B2C и B2B секторы); общественные и профессиональные ассоциации, образовательные и научные учреждения и пр. | ||
Алгоритм применения методологии кросс-функционального анализа локальных и региональных рынков продукции этноэкономики включает трехуровневое последовательное исследование различных типов данных с применением методов (рис. 1):
на уровне 1 – сбор эмпирических данных и статистический анализ данных государственной статистики;
на уровне 2 – проведение и анализ данных социологических исследований;
на уровне 3 – интеллектуальный анализ данных.
Рис. 1. Уровни анализа региональных и локальных рынков продукции этноэкономики (составлено автором)
Анализ данных официальной статистики позволяет получить панельные данные о состоянии и динамике социально-экономических процессов на локальных и региональных рынках этноэкономики (состояние рынка труда, отраслевая структура, инфраструктурные показатели и пр.); социологические методы помогают повысить детализацию агрегированных данных и учесть индивидуальные особенности (за счет проведения опросов производителей и потребителей продукции этноэкономики). В то время как в рамках интеллектуального анализа данных открывается возможность не только увеличить объем данных для анализа, но и уточнить, детализировать ответ на исследовательский вопрос, благодаря использованию широкого спектра данных – из социальных сетей и интернет-платформ, СМИ, научных и официальных источников, геоинформационных и транзакционных данных и специализированных отраслевых данных. Переход от одного уровня к другому комплементарен и зависит от задачи, которая стоит перед исследователем, а также от доступности ресурсов (например, возможность проведения полевых исследований для реализации программы социологических исследований; наличие доступа к специализированным аналитическим платформам для сбора и обработки больших данных, а также компетенций, необходимых для выполнения аналитики данных и пр.) для применения всего ассортимента методов анализа.
Основными сильными сторонами предлагаемого подхода к сбору и анализу данных о состоянии и динамике локальных и региональных рынков продукции этноэкономики является возможность восполнения «пробелов» в данных государственной статистики (в том числе о латентных рыночных процессах, неформальных, сетевых и реципрокных практиках коренных народов и пр.) и нивелирования проблемы недостаточной репрезентативности выборки.
Вместе с тем, предложенная методология имеет и ряд ограничений, в первую очередь, связанных с применением интеллектуального анализа больших данных, который следует использовать только в качестве комплементарного инструмента, позволяющего восполнить недостающие статистические данные. Это принципиально иная исследовательская перспектива, обеспечивающая доступ к информации о динамике социально-экономических явлений и процессов, но требующая осторожной интерпретации результатов. Следует отметить и сложность интеллектуального анализа данных применительно к изучению локальных и региональных рынков, который находится в стадии активного становления, поэтому отсутствуют универсальные алгоритмические решения. Каждая научная задача и исследовательский вопрос требуют индивидуального подбора инструментария. Эта ситуация, с одной стороны, накладывает ограничения на воспроизводимость результатов, а с другой – открывает пространство для методологической рефлексии и накопления эмпирически обоснованных практик. Именно отмеченная выше нестабильность и неполнота методологического аппарата делает представленное исследование научно значимым и своевременным.
Заключение
Анализ локальных и региональных рынков продукции этноэкономики является важным инструментом для анализа и управления социально-экономическими процессами в арктическом макрорегионе. Адаптация к цифровым инновациям и активное включение представителей КМНС в современные рыночные коммуникации, в том числе использование интернет-ресурсов для продвижения и сбыта продукции (оленина, рыба, морепродукты) является проявлением трансформации традиционного образа жизни и открывает возможности для исследователей по использованию инструментов интеллектуального анализа данных для изучения состояния и динамики этноэкономик и их локальных и региональных рынков.
Основным научным результатом исследования является разработка методологии кросс-функционального анализа локальных и региональных рынков продукции этноэкономики с применением системного подхода к анализу социально-экономических явлений и процессов и использованием комплекса различных методов, средств и инструментов статистического анализа эмпирических данных, социологических методов исследования и эвристических методов интеллектуальной обработки информации.
Апробация предлагаемой методологии в практике регионального управления позволит разработать экономически обоснованную политику развития полиэтнического региона на основе динамического мониторинга рынков традиционной продукции и прогнозной аналитики с целью достижения сбалансированного устойчивого развития Российской Арктики. Дальнейшее развитие методологии будет способствовать как более глубокому пониманию процессов адаптации традиционного хозяйства, так и совершенствованию инструментов государственной поддержки этноэкономики в условиях цифровой трансформации экономики.
Источники:
2. Богданова Е.Н., Иванова М.В., Симашко Т.В. Анализ рынка продукции северного оленеводства России на основе анализа массивов больших данных // Север и рынок: формирование экономического порядка. – 2023. – № 2. – c. 55–73. – doi: 10.37614/2220-802X.2.2023.80.004.
3. Быков А.А., Борисова О.В. Неотрадиционный сектор региональной этноэкономики как фактор устойчивого развития сельской местности // Экономический обзор. – 2020. – № 3. – c. 4-9.
4. Иванова М.В. Этническая экономика: подходы к определению // Труды Кольского научного центра РАН. – 2018. – № 7-14. – c. 6-13. – doi: 10.25702/KSC.2307-5252.2018.7.7-13.
5. Коломиец О.П. Этноэкономика морского зверобойного промысла: деятельность территориально-соседских общин Чукотского района Чукотского автономного округа // Oriental Studies. – 2024. – № 5. – c. 1005-1020. – doi: 10.22162/2619-0990-2024-75-5-1005-1020.
6. Паклин Н.Б., Орешков В.И. Бизнес-аналитика: от данных к знаниям (+CD). / 2-е изд., перераб. и доп. - СПб.: Питер, 2010. – 700 c.
7. Паникарова С.В. Этноэкономика региона: тенденции, проблемы и перспективы. - Абакан, 2012. – 148 c.
8. Рагулина М.В. Культурные аспекты этноэкономики и продовольственная безопасность коренных народов Севера: подходы к исследованию // Вестник евразийской науки. – 2018. – № 4. – c. 43.
9. Римашевская Н.М., Вершинская О.Н. Этноэкономика – новая старая наука // Народонаселение. – 1999. – № 3-4(5-6). – c. 6-15.
10. Сурнина Н.М., Печура О.В. Научно-методические аспекты региональной этноэкономики // Научно-технические ведомости Санкт-Петербургского государственного политехнического университета. Экономические науки. – 2010. – № 1. – c. 48-53.
11. Угрюмова М.Н., Пиковский А.А. Автохтонная и аллохтонная региональные этноэкономики // Российское предпринимательство. – 2012. – № 4. – c. 175-180.
12. Хорольская Т.Е. Концептуальные аспекты развития теории этноэкономики // Финансовая экономика. – 2019. – № 9. – c. 566–569.
13. Berry D.M. Introduction: Understanding the Digital Humanities. / Understanding Digital Humanities. - London: Palgrave Macmillan, 2012.
14. Bradford M. Education, Attainment and the Geography of Choice // Geography. – 1990. – p. 3-16.
15. Callon M. Actor-network theory – the market test // Special Issue Sociological Review Monograph Series: Actor Network Theory and after. – 1999. – p. 181–195. – doi: 10.1111/j.1467-954X.1999.tb03488.x.
16. Dyche J. Big Data \Eurekas!\» Don\'t Just Happen // Harvard Business Review Blog. – November 20, 2012
17. Fayyad U.M., Piatetsky-Shapiro G., Smyth P., Uthurusamy R. Advances in Knowledge Discovery and Data Mining. - Cambridge, MA: MIT Press, 1996. – 625 p.
18. Finck M. Blockchain Regulation and Governance in Europe. - Cambridge: Cambridge University Press, 2018. – 200 p.
19. Harris C.D. The market as a factor in the localization of industry // Annals of the Association of American Geographers. – 1954. – № 4. – p. 315–348. – doi: 10.1080/00045605409352140.
20. Johnson J.A. From Open Data to Information Justice // Ethics and Information Technology. – 2014. – p. 263–274. – doi: 10.1007/s10676-014-9351-9.
21. Kitchin R. Big Data, new epistemologies and paradigm shifts // Big Data & Society. – 2014. – p. 1-12. – doi: 10.1177/2053951714528481.
22. Krugman P. Geography and Trade. - Leuven: Leuven University Press / MIT Press, 1991. – 142 p.
23. Krugman P. R. Increasing returns, monopolistic competition, and international trade // Journal of International Economics. – 1979. – № 9(4). – p. 469–479. – doi: 10.1016/0022-1996(79)90017-5.
24. Kwan M.P. Algorithmic Geographies: Big Data, Algorithmic Uncertainty, and the Production of Geographic Knowledge // Annals of the American Association of Geographers. – 2016. – № 2. – p. 274–282. – doi: 10.1080/00045608.2015.1117937.
25. Latour B. Reassembling the Social: An Introduction to Actor-Network-Theory. - Oxford: Oxford University Press, 2005. – 66 p.
26. Lazer D., Kennedy R., King G., Vespignani A. The Parable of Google Flu: Traps in Big Data Analysis // Science. – 2014. – p. 1203-1205. – doi: 10.1126/science.1248506.
27. Miller H.J., Goodchild M.F. Data-driven geography // GeoJournal. – 2015. – p. 449-461. – doi: 10.1007/s10708-014-9602-6.
28. Passoth J.-H., Rowland N.J. Actor-Network State: Integrating Actor-Network Theory and State Theory // International Sociology. – 2010. – № 6. – p. 818–841. – doi: 10.1177/0268580909351325.
29. Porter M.E. Clusters and the New Economics of Competition // Harvard Business Review. – 1998. – № 6. – p. 77-90.
30. Prensky M. H. Sapiens Digital: From Digital Immigrants and Digital Natives to Digital Wisdom // Innovate: Journal of Online Education. – 2009. – № 3.
31. Smith J.A. Interpretative Phenomenological Analysis: A Reply to Amedeo Giorgi // Existential Analysis. – 2010. – № 2. – p. 86-192. – doi: 10.31234/osf.io/kf6zq.
32. Taylor L. What is data justice? The case for connecting digital rights and freedoms globally // Big Data & Society. – 2017. – № 2. – p. 1–14. – doi: 10.1177/2053951717736335.
33. Thiem C.H. Thinking through education: the geographies of contemporary educational restructuring // Progress in Human Geography. – 2009. – № 2. – p. 154–173. – doi: 10.1177/0309132508093475.
34. Zhang M., Xu J., Zhao P., Chung C.K.L. Thinking Through the Materiality of Big Data: An Outward-Looking Approach to Data Infrastructure // Tijdschrift voor Economische en Sociale Geografie. – 2025. – № 3. – p. 242–264. – doi: 10.1111/tesg.70005.
Страница обновлена: 10.08.2026 в 17:02:46
Methodology for cross-functional analysis of regional and local markets for Arctic ethno-economy products
Bogdanova E.N.Journal paper
Journal of Economics, Entrepreneurship and Law
Volume 16, Number 9 (September 2026)
Abstract:
The author proposes a methodology for cross-functional analysis of local and regional markets of ethno-economy products, which is based on a systematic approach to the study of socio-economic phenomena and processes and includes three complementary blocks: statistical analysis of empirical data (quantitative methods of secondary analysis of official statistics), sociological research methods and heuristic methods of intelligent information processing, including methods of intellectual analysis data. Its key elements are described.
They are: the object and subject of research, goals and objectives, research methods and tools, as well as economic agents. The testing of the methodology in the practice of regional management will make it possible to develop an economically sound policy for the development of a multiethnic region based on dynamic monitoring of traditional product markets and predictive analytics in order to achieve balanced sustainable development of the Russian Arctic. Further development of the methodology will contribute both to a deeper understanding of the processes of adaptation of the traditional economy and to the improvement of tools for state support of ethno-economy amid the digital transformation of the economy.
Keywords: local and regional markets, polyethnic region, Russian Arctic, socio-economic system, ethno-economy, cross-functional analysis, data mining
Funding:
JEL-classification: R10, R11, R12, Q54, L72
References:
Berry D.M. (2012). Introduction: Understanding the Digital Humanities
Bogdanova E.N., Ivanova M.V., Simashko T.V. (2023). Big Data Analysis as a Tool for Analyzing the Market of Reindeer Products Made in the North of Russia. Sever i rynok: formirovanie ekonomicheskogo poryadka. (2). 55–73. doi: 10.37614/2220-802X.2.2023.80.004.
Bogdanova E.N., Voronina L.V., Timushev E.N., Petrov E.Yu. (2023). The Market of Traditional Food Products of Indigenous Minorities of the European North of Russia: Big Data Analysis. Arktika i Sever. (50). 80-95. doi: 10.37482/issn2221-2698.2023.53.155.
Bradford M. (1990). Education, Attainment and the Geography of Choice Geography. 75 3-16.
Bykov A.A., Borisova O.V. (2020). Non-traditional Sector of Regional Economy Ethnoeconomics as a Factor of Sustainable Rural Development. Ekonomicheskiy obzor. (3). 4-9.
Callon M. (1999). Actor-network theory – the market test Special Issue Sociological Review Monograph Series: Actor Network Theory and after. 181–195. doi: 10.1111/j.1467-954X.1999.tb03488.x.
Dyche J. Big Data \Eurekas!\» Don\'t Just Happen // Harvard Business Review Blog. – November 20, 2012
Fayyad U.M., Piatetsky-Shapiro G., Smyth P., Uthurusamy R. (1996). Advances in Knowledge Discovery and Data Mining
Finck M. (2018). Blockchain Regulation and Governance in Europe
Harris C.D. (1954). The market as a factor in the localization of industry Annals of the Association of American Geographers. 44 (4). 315–348. doi: 10.1080/00045605409352140.
Ivanova M.V. (2018). Ethnic Economy: Approaches to the Definition. Trudy Kolskogo nauchnogo tsentra RAN. 9 (7-14). 6-13. doi: 10.25702/KSC.2307-5252.2018.7.7-13.
Johnson J.A. (2014). From Open Data to Information Justice Ethics and Information Technology. 16 263–274. doi: 10.1007/s10676-014-9351-9.
Khorolskaya T.E. (2019). Conceptual Aspects of Development of the Theory of Ethnoeconomics. Financial economics. (9). 566–569.
Kitchin R. (2014). Big Data, new epistemologies and paradigm shifts Big Data & Society. 1 1-12. doi: 10.1177/2053951714528481.
Kolomiets O.P. (2024). Ethnic economy of sea mammal hunting in Chukotsky District (Chukotka autonomous okrug, Russia): activities of territorial neighboring groups. Oriental Studies. 17 (5). 1005-1020. doi: 10.22162/2619-0990-2024-75-5-1005-1020.
Krugman P. (1991). Geography and Trade
Krugman P. R. (1979). Increasing returns, monopolistic competition, and international trade Journal of International Economics. 9 (9(4)). 469–479. doi: 10.1016/0022-1996(79)90017-5.
Kwan M.P. (2016). Algorithmic Geographies: Big Data, Algorithmic Uncertainty, and the Production of Geographic Knowledge Annals of the American Association of Geographers. 106 (2). 274–282. doi: 10.1080/00045608.2015.1117937.
Latour B. (2005). Reassembling the Social: An Introduction to Actor-Network-Theory
Lazer D., Kennedy R., King G., Vespignani A. (2014). The Parable of Google Flu: Traps in Big Data Analysis Science. 343 1203-1205. doi: 10.1126/science.1248506.
Miller H.J., Goodchild M.F. (2015). Data-driven geography GeoJournal. 80 449-461. doi: 10.1007/s10708-014-9602-6.
Paklin N.B., Oreshkov V.I. (2010). Business Analytics: from Data to Knowledge (+CD)
Panikarova S.V. (2012). Ethnoeconomics of the region: trends, problems and prospects
Passoth J.-H., Rowland N.J. (2010). Actor-Network State: Integrating Actor-Network Theory and State Theory International Sociology. 25 (6). 818–841. doi: 10.1177/0268580909351325.
Porter M.E. (1998). Clusters and the New Economics of Competition Harvard Business Review. 76 (6). 77-90.
Prensky M. H. (2009). Sapiens Digital: From Digital Immigrants and Digital Natives to Digital Wisdom Innovate: Journal of Online Education. 5 (3).
Ragulina M.V. (2018). Cultural Aspects of the Ethnic Economy and Food Security of the Indigenous Peoples of the North: Approaches to Research. Bulletin of Eurasian Science. 10 (4). 43.
Rimashevskaya N.M., Vershinskaya O.N. (1999). Ethnoeconomics — A New Old Science. Population. (3-4(5-6)). 6-15.
Smith J.A. (2010). Interpretative Phenomenological Analysis: A Reply to Amedeo Giorgi Existential Analysis. 21 (2). 86-192. doi: 10.31234/osf.io/kf6zq.
Surnina N.M., Pechura O.V. (2010). Scientific and methodological aspects of regional ethnoeconomics. St. Petersburg Polytechnic University Journal of Engineering Science and Technology. (1). 48-53.
Taylor L. (2017). What is data justice? The case for connecting digital rights and freedoms globally Big Data & Society. 4 (2). 1–14. doi: 10.1177/2053951717736335.
Thiem C.H. (2009). Thinking through education: the geographies of contemporary educational restructuring Progress in Human Geography. 33 (2). 154–173. doi: 10.1177/0309132508093475.
Ugryumova M.N., Pikovskiy A.A. (2012). Autochthonous and allochthonous regional etnoeconomies. Russian Journal of Entrepreneurship. (4). 175-180.
Zhang M., Xu J., Zhao P., Chung C.K.L. (2025). Thinking Through the Materiality of Big Data: An Outward-Looking Approach to Data Infrastructure Tijdschrift voor Economische en Sociale Geografie. 116 (3). 242–264. doi: 10.1111/tesg.70005.