Методика прогнозирования эмиграционных установок молодежи по цифровым следам

Статья подготовлена по результатам исследований, выполненных за счет бюджетных средств по государственному заданию Финансовому университету при Правительстве РФ.

Введение и постановка проблемы. Среди основных задач современной молодежной политики особенно отмечается необходимость сохранения человеческого капитала молодежи в широком значении: это интеграция молодежи в рынок труда, вовлечение в процессы управления, использование молодежных инициатив в развитии коммерческих и общественных проектов, включение молодежи в волонтерское движение и др. Однако эффективная реализация данной задачи сталкивается с неопределенностью эмиграционного нарратива молодежи, который существует как в силу объективных причин, так и ввиду сетевой координации информационных кампаний на тему миграции и релокации. В этом контексте возникает проблема несоответствия между сложностью информационного поля на тему эмиграции и релокации, с одной стороны, и наличием моделей и инструментов управления факторами роста эмиграционных настроений, прежде всего молодежи, – с другой. В частности, отмечается, что молодежь является наиболее активным участником сообществ в социальных сетях и медиа [Бродовская и др. 2023], вследствие чего востребованы инструменты управления с фокусом на цифровую среду.

Управление факторами развития эмиграционных установок включает разные составляющие, базовая из которых – исследовательские методики, позволяющие предупреждать рост эмиграционных настроений. В данной статье предлагается вариант подобной методики прогнозирования эмиграционных установок молодежи, при этом методика основана на данных цифровых следов, которые играют ключевую роль в условиях роста значения информационных потоков в политических процессах [Дымова, Домбровская 2024].

Обзор методов прогнозирования эмиграционных установок . Прогнозирование эмиграционных установок предполагает моделирование различных состояний среды, которые лимитируют развитие темы эмиграции и релокации в информационной сети или благоприятствуют ему. При этом для прогнозирования могут применяться различные методы в зависимости от набора располагаемых данных и задач исследования. В этом отношении можно выделить несколько подходов, которые могут стать основой для моделирования и построения сценариев эмиграционных установок молодежи (см. табл. 1).

Таблица 1

Общие подходы и методы прогнозирования эмиграционных установок молодежи

Данные подходы и методы имеют обширный опыт применения в моделировании и прогнозировании политических процессов. В частности, временные ряды стали основой для анализа процессов формирования цифрового государства в группах стран с разным уровнем дохода [Мухаметов 2024]; агентоориентированное моделирование использовалось для построения сценариев социокультурной интеграции жителей ЛНР и ДНР [Бродовская, Азаров 2023]; для анализа процесса принятия кадровых решений в отношении руководителей субъектов РФ были апробированы деревья решений [Ерохина 2020]. Таким образом, моделирование и прогнозирование политических процессов не имеют строгих ограничений и могут быть реализованы на базе раз- личных подходов и методов в зависимости от изначальных представлений о взаимодействии агентов и среды в системе.

Выбор подхода и методов зависит от того, какие характеристики имеет моделируемая ситуация. В этом контексте необходимо отметить, что использование статистического моделирования целесообразно для анализа влияния факторов среды и наличия лонгитюдных данных; применение инструментов сценарного анализа предполагает исследование критических состояний системы; оптимизационные модели актуальны для решения задач с различными ограничениями; имитационное моделирование в наибольшей степени подходит для анализа сложных систем с большим числом каналов обратной связи и агентов разного уровня; методы анализа решений применимы для состояний системы с высоким уровнем неопределенности. Создание методики прогнозирования эмиграционных установок должно учитывать данные особенности.

В данной статье для создания методики прогнозирования эмиграционных установок молодежи выбран регрессионный анализ, т.к. регрессионные модели относительно универсальны для анализа различных сред, включая цифровую [Arkes 2023]. Кроме того, хотя в табл. 1 инструменты сценарного анализа выделены в отдельный подход, возможность построения и расчета сценариев имеются при использовании большинства перечисленных подходов и методов, включая регрессионный анализ [Кунин, Пешко 2023]. Поэтому дальнейший алгоритм исследования эмиграционных установок молодежи рассматривается на базе регрессионных моделей.

Методика прогнозирования эмиграционных установок на базе регрессионного анализа. Методика исследования предполагает алгоритм применения конкретных методов моделирования для выявления статистически значимых факторов развития эмиграционных установок, а также прогнозирования и построения сценариев изменения эмиграционных установок в зависимости от трансформации факторов среды.

В данной статье представлена методика прогнозирования эмиграционных установок на базе регрессионного анализа, который позволяет установить зависимость между переменной интереса (эмиграционные установки молодежи) и различными объясняющими переменными, выраженными в данных об информационных потоках по теме эмиграции и релокации. Для регрессионного анализа выбраны статические модели панельных данных, оценка которых выполняется с использованием библиотек pandas и statsmodels на языке Python .

На первом этапе на базе сформированной выборки определяется влияние различных факторов на эмиграционные установки российской молодежи. Для этого оцениваются три модели: панельная сквозная линейная регрессия (уравнение 1), панельная регрессия с фиксированными эффектами (уравнение 2), панельная регрессия со случайными эффектами (уравнение 3):

MA = βX_it + α + ε_it , (1)

MA = βX_it + α_i + ε_it , (2)

MA = βX_it + α + u_it + ε_it , (3)

где MA – это переменная интереса, Xit – вектор объясняющих переменных, β – вектор коэффициентов при соответствующих объясняющих переменных, εit – случайная ошибка. При этом в уравнениях 1 и 3 в модель была включена также константа (α), а в уравнении 2 – фиксированные пространственные эффекты (αi). В уравнении 3 uit – случайная ошибка, наблюдаемая между разными объектами (between-entity error).

Для тестирования качества моделей используется R- квадрат (коэффициент детерминации), также проводятся тесты Бройша-Пагана, Вальда, Хаусмана для сравнения результатов оцениваемых моделей и выбора наилучшей из представленных трех (сквозная линейная регрессия, панельная регрессия с фиксированными эффектами, панельная регрессия со случайными эффектами).

Результат первого этапа исследования – выявление переменных, оказывающих влияние на развитие эмиграционных установок. Данные результаты позволяют спрогнозировать, какие факторы, связанные с информационными потоками об эмиграции, играют ключевую роль для развития эмиграционных установок на текущий момент и на краткосрочную перспективу.

На втором этапе выполняется расчет сценарных прогнозов развития эмиграционных установок российской молодежи. Если на первом этапе были выявлены статистически значимые объясняющие переменные, то на втором этапе в регрессионной модели, демонстрирующей наилучшие результаты, меняются значения некоторой части объясняющих переменных на их потенциальные значения в будущем и анализируются получаемые альтернативные значения переменной интереса (развитие эмиграционных установок). Для этого, например, в модели панельной регрессии с фиксированными эффектами последовательно изменяются значения отдельных объясняющих переменных:

^{MA = βX}it (change1,2,3,..n) ^{+ α}i ^{+ ε}it ^,(4)

где MA – это переменная интереса, X_{it (change123..n)} – вектор объясняющих переменных, часть из которых остается с из ^, н ^, ач ^, альными значениями, а часть имеет измененные потенциальные будущие значения, β – вектор коэффициентов при соответствующих объясняющих переменных, ε_it – случайная ошибка, α_i – фиксированные пространственные эффекты.

В данном случае в каждом уравнении меняется значение одной переменной или группы переменных, репрезентирующих информационные потоки на тему эмиграции и релокации: наиболее логичным представляется моделирование с поочередным изменением (1) масштаба информационных потоков, (2) уровня вовлеченности пользователей, (3) числа каналов в информационном потоке и т.д., что позволит рассмотреть сценарии с усилением или спадом интенсивности сетевых потоков по теме эмиграции и релокации. Таким образом, появляется возможность оценить, каким образом в рамках моделей трансформируется развитие эмиграционных установок молодежи в зависимости от изменения конкретных измерений информационных потоков, выраженных в цифровых следах. Каждое уравнение является расчетом отдельного сценария, которые в совокупности составляют дополнительные прогнозы развития эмиграционных установок молодежи.

В общем виде методика исследования базируется на регрессионном анализе и включает статистическое моделирование данных цифровых следов. Используемые модели статических панельных данных позволяют (1) выявить статистически значимые измерения информационных потоков, оказывающих влияние на эмиграционные установки молодежи, (2) рассчитать сценарные прогнозы (базовый и дополнительные) развития эмиграционных установок. Дальнейшая интерпретация сценарных прогнозов предполагает оценку вероятности их реализации в зависимости от изменения информационного потока по теме миграции и релокации.

Заключение. Таким образом, прогнозирование эмиграционных установок молодежи имеет политическое значение ввиду необходимости сохранения человеческого капитала в стране и управления рисками, возникающими в информационной среде ввиду стимулирования информационных потоков на тему эмиграции и релокации. В статье предложена методика прогнозирования эмиграционных установок молодежи с использованием цифровых следов; методика построена на базе регрессионного анализа (статические модели панельных данных) и применима для данных, репрезентирующих ключевые измерения информационных потоков. Будущая задача – апробация представленной методики на конкретных наборах данных.