Расширение инструментария изучения бедности: аналитический обзор исследовательских практик

Исследование выполнено за счет гранта Российского научного фонда № 25-28-01542,

Бедность относится к числу наиболее устойчивых и социально значимых проблем современного общества, затрагивающих не только распределение доходов, но и доступ к базовым общественным благам, качеству человеческого капитала, возможности социальной мобильности и степени включенности индивидов и домохозяйств в экономическую и общественную жизнь. Для России, даже в условиях сокращения абсолютной бедности, не снижается актуальность ее изучения в силу масштаба социально-экономического пространства, региональной дифференциации бедности, сложной структуры уязвимости населения и обусловленной этим потенциальной зависимостью результативности социальной политики от точности диагностики нуждаемости (Овчарова, 2012; Kartseva, 2020; Суринов, Луппов, 2022).

Традиционный инструментарий, основанный на официальной статистике и репрезентативных обследованиях домохозяйств, сохраняет ключевое значение для получения надежных и сопоставимых оценок масштабов, глубины и социально-демографической структуры бедности (Moatsos, 2025). Вместе с тем его возмож- ности оказываются ограниченными при решении задач оперативной и территориально дифференцированной настройки социальной политики. Периодичность обследований, недостаточный объем выборок для отдельных категорий населения и малых территорий, преимущественно поперечный характер данных и доминирование монетарного критерия затрудняют своевременное выявление изменений, анализ траекторий бедности и распознавание неоднородных форм нуждаемости (Елисеева, Раскина, 2017; Dang et al., 2019; Van der Weide et al., 2022). В этих условиях растет востребованность инструментария, способного работать с динамично обновляемой информацией, фиксировать неоднородность бедности и обеспечивать более раннее распознавание рисков ее возникновения, углубления и воспроизводства.

Новые возможности могут быть связаны с расширением информационной базы исследований и использованием цифровых данных. Так, в исследовательской практике последних лет усилился интерес к использованию спутниковых снимков, данных мобильной связи, транзакционной информации, цифровых сле- дов, платформенных данных для оценки благосостояния, картирования бедности, выявления уязвимых групп и совершенствования механизмов социальной помощи1 (Hall et al., 2023). Такие подходы позволяют получать регулярные пространственно детализированные оценки, а их практическая применимость показана в ряде эмпирических работ, основанных на сочетании мобильных, геопространственных и алгоритмических данных (Steele et al., 2017; Aiken et al., 2022).

В российских исследованиях отдельные элементы нового инструментария уже используются, однако их распространение и интеграция в сложившуюся систему изучения бедности происходят медленнее, чем в международной исследовательской практике. В отечественной литературе активнее анализируются абсолютные, относительные и многомерные подходы к измерению бедности (Тихонова, 2011; Kartseva, 2020; Slobodenyuk, Mareeva, 2020; Nazarbaeva et al., 2022), тогда как цифровые и гибридные методы представлены в основном общенаучными обзорами (Маркеева, Гавриленко, 2021; Константиновский и др., 2025). Несмотря на увеличение числа работ, посвященных отдельным цифровым источникам и аналитическим методам, сохраняется потребность в анализе исследовательских практик, понимании того, как они используют новые возможности изучения бедности и развивают традиционные исследовательские подходы. Цель статьи состоит в систематизации основных направлений расширения инструментария исследования бедности и оценке возникающих аналитических возможностей и ограничений. Такой ракурс позволяет рассматривать новые методы не как замену традиционным, а как основу их дополнения и комбинирования при решении исследовательских и практических задач политики преодоления бедности. Таким образом, в нашей статье предпринимается попытка дать ответ на исследовательский вопрос: как расширяется инструментарий изучения бедности за счет развития методов и источников данных и какие дополнительные возможности это создает для измерения, объяснения и мониторинга различных проявлений бедности?

В обзоре разграничиваются теоретический, методический и информационный уровни исследования. Подходы образуют теоретическую рамку изучения бедности и определяют понимание ее содержания и значимых проявлений; методы сбора, измерения и анализа образуют исследовательский инструментарий; источники данных составляют информационную базу для его применения. Под исследовательскими практиками понимаются представленные в научной литературе логическая связь теоретических подходов, исследовательского инструментария и информационной базы, ориентированные на решение конкретных задач изучения бедности. Соответственно, расширение инструментария рассматривается как развитие методов сбора, измерения и анализа, происходящее во взаимосвязи с появлением новых источников данных и формированием способов их комбинирования.

Материалы и методы

Исследование выполнено в логике научного обзора в базах Web of Science и РИНЦ (eLibrary) с опорой на многоэтапный поиск, отбор и сравнительный анализ отечественных и зарубежных публикаций за 2000–2025 гг. Выбор периода обусловлен задачей сравнения публикаций с традиционными инструментами и современными, которые появились уже после 2000 года.

На первом этапе формировался массив публикаций по запросам, связанным с бедностью. Поиск шел по ключевому слову poverty и ключевыми теоретическими рамками исследования бедности: social space, social exclusion, capability approach, welfare regimes, institutional theory, co-production (Klyuev et al., 2025). Отбор публикаций основывался на рассмотрении рецензируемых журналов, высоком уровне цитирования и наличию теоретической рамки исследования. Далее исключались работы, не содержавшие описания и обоснования методов исследования. На этапе полнотекстового анализа в итоговый список включались публикации, непосредственно посвященные измерению бедности с явным описанием исследовательского метода и процедуры измерения. Для анализа публикаций с традиционными инструментариями приоритет отдавался наи- более авторитетным и цитируемым публикациям, позволяющим реконструировать устойчивое методологическое ядро исследований бедности и сопоставить международное и российское исследовательские поля. Таким образом, был сформирован пул публикаций с традиционными инструментариями, включающий в себя 16 источников.

Для отбора публикаций, где для исследования бедности использовались цифровые инструментарии, использовалась иная стратегия отбора: в обзор включались релевантные работы последних лет, посвященные big data, спутниковым снимкам, цифровым следам и иным альтернативным источникам данных, при условии достаточной методической детализации. Использовались следующие ключевые слова: poverty prediction, poverty estimation, poverty analysis, big data, machine learning, svm, deep learning. Основная сложность в данном отборе публикаций заключалась в отсутствии явного списка исследовательских практик изучения бедности при помощи цифровых инструментариев. Таким образом, на основании изучения статей были выделены основные направления, в которых основным инструментом исследования бедности являются данные, полученные не ручным способом. Для отбора статей внутри выделенных направлений решающее значение имели не столько показатели цитируемости, сколько прозрачность описания данных, логика валидации результатов и возможность оценить аналитические преимущества и ограничения метода. Такой дифференцированный подход позволил, с одной стороны, опереться на устоявшиеся научные подходы, а с другой – охватить формирующийся цифровой инструментарий. В итоге были отобраны 22 публикации с цифровыми инструментариями исследования бедности.

Таким образом, в соответствии с аналитической рамкой были отобраны публикации с устойчивыми исследовательскими практиками со следующими признаками:

– наличие и обоснованность теоретической рамки, методов и информационной базы работы;

– повторяемость практики в корпусе наиболее цитируемых российских и зарубежных публикаций; принадлежность работ к высоко-цитируемому сегменту как показатель их науч- ного влияния, а доля публикаций соответствующей практики – воспроизводства внутри этого сегмента.

Для дальнейшей аналитической работы в отобранных публикациях были выявлены доминирующие исследовательские практики:

• 1)    традиционный инструментарий: монетарно-статистическое измерение; эконометрическое моделирование факторов и рисков; многомерное индексное измерение; институционально-сравнительный анализ; качественное изучение бедности и социальной эксклюзии; анализ общественных представлений о бедности;

• 2)    цифровыми инструментарий: оценка бедности по данным мобильной связи; спутниково-геопространственное картирование бедности; использование цифровых данных о ценах и потреблении, информации социальных сетей и цифровых платформ.

Такая структура позволяет избежать избыточной детализации и вместе с тем сохранить ключевые измерения, которые задают основу для последовательного сравнения традиционных и цифровых инструментариев, выявления их преимуществ и ограничений, а также определения возможностей их взаимодополнения в российском контексте.

Результаты

Кодирование публикаций по доминирующей исследовательской практике позволило классифицировать публикации с традиционными инструментариями в три группы.

• 1.    Ядро, включающее монетарно-статистические и эконометрические практики. В корпусе наиболее цитируемых работ монетарностатистические и эконометрические практики составляют 38%; их концентрация выше в российском подкорпусе – свыше 50% против трети в зарубежном.

• 2.    Центр – практика многомерного индексного измерения, охватывающая 19% общего корпуса анализированных работ. Российских работ такого плана в три раза меньше, чем в зарубежном подкорпусе.

• 3.    Периферия, в которую вошли институционально-сравнительные, качественные и дискурсивные практики, в совокупности это свыше трети публикаций. При этом каждая отдельная практика представлена одинаковым количеством работ.

Результаты проведенного анализа традиционных исследовательских практик изучения бедности представлены в таблице 1 .

Таким образом, традиционные инструментарии оценки бедности сыграли в развитии ее исследований ключевую роль. Именно они обеспечили сопоставимость измерений, воспроизводимость результатов и связь анализа бедности с практикой поддержки бедных. Развитие инструментария было вызвано расширением теоретического понимания бедности: от дефицита доходов к многомерным лишениям, социальным рискам, институциональным меха- низмам и социальной эксклюзии (D’Attoma, Matteucci, 2024). В отобранных работах эти подходы реализуются посредством статистических, эконометрических, индексных, сравнительных и качественных методов, применяемых к официальной статистике, обследованиям домохозяйств, массовым опросам, документам и полевым материалам.

Как уже отмечалось, корпус исследований бедности, основанный на цифровых данных, формировался по иному принципу: в него включались все выявленные релевантные публикации, в которых описывалось фактическое

Таблица 1. Устойчивые исследовательские практики изучения бедности в корпусе наиболее цитируемых публикаций с традиционными инструментариями

Исследовательская практика	Теоретическая рамка	Основные методы	Данные	Публикации из обзора
Монетарностатистическое измерение (1)	Монетарный подход; абсолютная и относительная бедность; welfare-подход	Определение черты бедности; расчет уровня, глубины и динамики; статистические сопоставления	Официальная статистика; обследования доходов, расходов и бюджетов домохозяйств	Овчарова, Попова, 2013; Шайдуллина, Степанова, 2020; Ерохина, Джергения, 2020
Эконометрическое моделирование факторов и рисков (1)	Стратификационный подход; теория социальных рисков; welfare regimes	Регрессионный анализ; моделирование факторов риска; межгрупповые и территориальные сопоставления	Микроданные обследований; панельные данные; массовые опросы	Лежнина, 2010; Van Oorschot, 2006; Larsen, 2008
Многомерное индексное измерение (2)	Подход возможностей; депривационный и ресурсный подходы	Конструирование композитных индексов; пороговая идентификация; агрегирование; типологизация	Обследования домохозяйств и специализированные опросы; показатели здоровья, образования, занятости и условий жизни	Alkire, Foster, 2011; Alkire, Santos, 2014; Римашевская и др., 2013
Институциональносравнительный анализ (3)	Институциональная теория; теория прекаризации; подход социальных режимов	Анализ институтов, законодательства и документов; сравнительный и исторический анализ; case studies	Нормативные акты; документы социальной политики; исторические материалы; данные о занятости	Бобков и др., 2011; Ferraro et al., 2015; Smith et al., 2013; Lucas, 2012
Качественное изучение бедности и социальной эксклюзии (3)	Теория социальной эксклюзии; конструктивистский подход	Глубинные интервью; наблюдение; case studies; биографический и тематический анализ	Интервью; полевые материалы; истории жизни; материалы наблюдений	Bayat, 2000; Mosse, 2010; Шеремет, 2022
Анализ общественных представлений о бедности (3)	Субъективный и конструктивистский подходы; концепция «заслуженности» помощи	Массовые опросы; шкалирование; контент- и дискурс-анализ; анализ установок	Данные опросов; тексты СМИ и социальной политики; экспертные материалы	Мареева, Тихонова, 2016; Van Oorschot, 2006; Larsen, 2008
Составлено по: результаты анализа отобранного корпуса публикаций.

использование цифровых данных для изучения бедности и достаточно подробно раскрывалась методическая процедура. Поэтому в эту часть обзора ожидаемо попали публикации с разным исследовательским дизайном, включая эмпирические работы, ориентированные на апробацию источников данных, построение прогнозных моделей и пространственное картирование. Неоднородность исследовательского дизайна обусловила более сложный подход к оценке концептуальности этих практик, и нами выделены три типа концептуализации: теоретически обоснованные исследования, в которых рамка определяет выбор измерений, цифровых признаков и интерпретацию (1); исследования с фоновой теоретической рамкой, где теории бедности упоминаются без анализа их связи с инструментарием (2); инструментально ориентированные исследования, где основное вни- мание сосредоточено на данных (3). В итоге работы, включенные в первую группу, составили 18% (4 из 22), исследования с фоновой теоретической рамкой – 32% (7 из 22), инструментально ориентированные – 59% (13 из 22) (две публикации (Geng et al., 2023; Marty, Duhaut, 2024) включены сразу в две практики). Наиболее выраженная инструментальная ориентация обнаружена в работах на основе мобильных данных. Более явная связь с концепциями многомерной и территориальной депривации представлена в спутниково-геопространственных исследованиях, а с монетарной и относительной бедностью – в работах о цифровых ценах и потреблении.

В целом анализ публикаций позволил выделить четыре исследовательские практики работы с цифровыми данными, которые представлены в таблице 2 .

Таблица 2. Исследовательские практики изучения бедности с использованием цифровых инструментариев

Цифровая исследовательская практика	Теоретическая рамка и степень ее интеграции	Основные методы	Информационная база	Публикации из обзора
Оценка бедности по данным мобильной связи (n = 7)	1 – 0%. 2 – 28,6% (2 из 7): монетарный и ресурсный подходы, социальная уязвимость; 3 – 71,4% (5 из 7): доход, потребление, активы или статус бедности задаются как внешняя переменная	Конструирование цифровых признаков; регрессия; машинное обучение; пространственное прогнозирование	Записи мобильных соединений; мобильность и коммуникации; геоданные; обследовательские показатели доходов, потребления и активов	Soto et al., 2011; Fr i as-Mart i nez, Virseda, 2012; Pokhriyal, Jacques, 2017; Steele et al., 2017; Njuguna, McSharry, 2017; Aiken et al., 2022; Aiken et al., 2023
Спутниково-геопространственное картирование бедности (n = 8)	1 – 25,0% (2 из 8): многомерная бедность, пространственная и инфраструктурная депривация; 2 – 25,0% (2 из 8): многомерность и пространственная неоднородность задают контекст; 3 – 50,0% (4 из 8): спутниковые данные используются в прогнозных целях	Компьютерное зрение; машинное обучение; геопространственное моделирование; анализ освещенности и инфраструктуры	Дневные и ночные снимки; карты дорог, землепользования, застройки и инфраструктуры	Jean et al., 2016; Tingzon et al., 2019; Yeh et al., 2020; Smythe, Blumenstock, 2022; Hall et al., 2023; Nzelibe, 2024; Geng et al., 2023; Marty, Duhaut, 2024
Использование цифровых данных о ценах и потреблении (n = 3)	1 – 33,3% (1 из 3): относительная и монетарная бедность, локальная стоимость жизни; 2 – 33,3% (1 из 3): потребление рассматривается как проявление материального благосостояния; 3 – 33,3% (1 из 3): транзакции используются для прогнозирования	Локальные индексы цен; анализ транзакций; конструирование потребительских признаков; прогнозное моделирование	Ценовые массивы; данные розничных сетей, электронной торговли, маркетплейсов и транзакций; показатели доходов и расходов	Marchetti et al., 2024; Wijaya et al., 2022; Wijaya et al., 2024

Окончание таблицы 2

Цифровая исследовательская практика	Теоретическая рамка и степень ее интеграции	Основные методы	Информационная база	Публикации из обзора
Опора на данные социальных сетей и цифровых платформ (n = 6)	1    – 16,7% (1 из 6): социальная и цифровая включенность связаны с выбором признаков; 2    – 33,3% (2 из 6): социальная эксклюзия, цифровое неравенство и пространственная неоднородность задают контекст; 3 – 50,0% (3 из 6): платформенные характеристики выступают косвенными характеристиками	Конструирование цифровых признаков; анализ аудиторий; машинное обучение; пространственное прогнозирование; слияние данных	Данные социальных сетей, рекламных кабинетов и аудиторий; интересы и цифровое присутствие; геоинформация; внешние показатели бедности	Fatehkia et al., 2020; Fatehkia et al., 2022; Giurgola et al., 2022; Ledesma et al., 2020; Geng et al., 2023; Marty, Duhaut, 2024
Составлено по: результаты анализа отобранного корпуса публикаций.

Таким образом, две части обзора выявляют различную организацию исследовательских практик. В высокоцитируемом корпусе традиционных исследований устойчивые практики реконструируются через повторяющиеся связи теоретической рамки, методов и информационной базы. В цифровом корпусе более чем в половине работ доминирует инструментальная постановка, а теоретическая рамка чаще выражена опосредованно – через показатель бедности, используемый для обучения или проверки модели. Полученное распределение характеризует состав отобранного массива и должно интерпретироваться с учетом различий процедур отбора двух корпусов.

Обсуждение

Результаты обзора показывают, что расширение инструментария изучения бедности происходит не как линейный, а как сложный и многоуровневый процесс:

• –    инструментарий расширяется быстрее на методическом и информационном уровнях, чем на теоретическом;

• –    происходит существенный прирост методов сбора и анализа данных, прежде всего в сфере пространственной детализации и прогнозного моделирования;

  – возникают принципиально новые возможности в развитии информационной базы и данных.

При этом традиционные инструментарии сохраняют ключевую роль в определении границ и содержания бедности, обеспечении сопоставимости измерений и выявлении фак- торов ее воспроизводства. Цифровые инструментарии дополняют их возможностями более детализированного пространственного анализа и прогнозирования, а регулярность формирования цифровых данных создает предпосылки для более оперативного наблюдения за изменениями. Поэтому основным результатом развития инструментария становится не замена одного типа данных другим, а расширение круга исследовательских задач, которые могут решаться за счет функционального сочетания теоретических подходов, методов и информационных источников. Такой вывод согласуется с исследованиями, показывающими, что монетарные показатели сохраняют базовое значение для измерения масштабов бедности, но нуждаются в дополнении многомерными характеристиками для выявления различий в составе и формах нуждаемости (Елисеева, Раскина, 2017; Kartseva, 2020). Вместе с тем результаты обзора выявили неодинаковую степень согласованности теоретического, методического и информационного уровней исследования. В корпусе наиболее цитируемых публикаций с традиционными инструментариями устойчивые практики образованы повторяющимися связями теоретической рамки, методов и информационной базы. В цифровом корпусе обнаружена иная конфигурация. Только ограниченное число публикаций демонстрирует выраженную связь теоретической рамки с выбором измерений, цифровых признаков и интерпретацией результатов. Это распределение необходимо трактовать с учетом различий формирования двух частей обзора, однако оно показывает, что в рассмотренном корпусе инструментальное освоение новых источников данных развивается быстрее, чем формирование устойчивых связей между теоретическими рамками бедности, цифровыми признаками и интерпретацией результатов. Выявленная асимметрия позволяет сформулировать исследовательскую проблему – обеспечение теоретически точной опера-ционализации бедности в цифровых данных. Мобильные соединения, спутниковые изображения, транзакции, цифровые цены и характеристики платформ предполагает построение логической связи между теоретическим пониманием бедности, измеряемым проявлением, цифровым признаком и итоговым показателем.

Другим важным выводом обзора является перспективность гибридных дизайнов, сочетающих традиционные и цифровые источники данных. При анализе публикаций мы выделили два взаимосвязанных измерения гибридизации. Первое характеризует конфигурацию взаимодействия данных: взаимопроверку оценок (Van der Weide et al. (2022), в которой сопоставляется карта бедности, построенная на основе обследования домохозяйств и дистанционных данных, с эталонной картой, объединявшей обследование и перепись); взаимоуглубление за счет повышения их детализации (Jean et al., 2016; Yeh et al., 2020; Chi et al., 2022); дополнение информационной базы новыми признаками (например, включение мобильных, платформенных, ценовых и транзакционных данных, фиксирующих характеристики, отсутствующие в традиционной информационной базе (Steele et al., 2017; Fatehkia et al., 2020; Marty, Duhaut, 2024)).

В тематическом отношении наиболее развито пространственное направление. Спутниковые изображения, ночная освещенность, данные о застройке, дорожной сети, землепользовании и инфраструктуре позволяют распространять обследовательские оценки на малые территории и выявлять внутритерриториальную неоднородность бедности (Jean et al., 2016; Yeh et al., 2020; Chi et al., 2022). Темпоральное направление связано с использованием регулярно формирующихся данных о ценах, транзакциях, мобильности и цифровой активности. Однако такие источники пока преимущественно при- меняются для оценки текущего состояния, а их способность надежно отражать изменения бедности подтверждена значительно слабее (Wijaya et al., 2022; Marchetti et al., 2024; Marty, Duhaut, 2024). Поведенческое направление представлено мобильными, транзакционными и платформенными признаками, характеризующими мобильность, коммуникации, потребительскую активность и цифровую включенность населения (Pokhriyal, Jacques, 2017; Steele et al., 2017; Fatehkia et al., 2020; Aiken et al., 2022). Эти данные расширяют наблюдаемое пространство бедности, но в большинстве работ используются для прогнозирования внешнего показателя, а не для объяснения поведения и стратегий населения.

Таким образом, гибридизация развивается неравномерно: наиболее последовательно представлены взаимоуглубление и пространственная детализация; поведенческое дополнение уже сформировалось как эмпирическое направление, но остается слабо интегрированным в теорию бедности; темпоральная гибридизация пока не образует устойчивой практики изучения динамики и траекторий. Поэтому значение гибридного дизайна определяется не числом объединяемых источников, а их функциями, тематическим содержанием и связью с общей теоретической рамкой.

В целом сопоставление исследовательских практик показывает, что эволюция методов исследования бедности не сводится к последовательной смене одного доминирующего подхода другим. Напротив, наблюдается наслоение исследовательских стратегий, при котором новые методы не вытесняют старые, а компенсируют их ограничения и расширяют аналитический инструментарий.

Результаты обзора позволяют улучшить понимание процесса развития исследовательских практик в оперативности выявления изменений в положении отдельных категорий населения и территорий. Запрос социальной политики на исследовательский инструментарий, способный работать с динамично обновляемой информацией, фиксировать неоднородность бедности и обеспечивать раннее распознавание рисков ее возникновения, углубления и воспроизводства, отмеченный нами выше, в целом, как показывают материалы обзора, получает поддержку (Aiken et al., 2022; Marty, Duhaut, 2024). Вместе с тем нельзя не отметить, что новые данные не могут автоматически преобразовываться в управленческие решения и их целесообразно использовать прежде всего как инструменты мониторинга бедности: предварительной диагностики, территориального профилирования и выбора объектов углубленного исследования. Такой подход позволяет преодолеть ограниченный мониторинговый потенциал традиционных исследовательских практик, обусловленный их зависимостью от периодичности обследований, обновления статистики и доступности массивов данных. Цифровые же данные, включая мобильную связь и иные цифровые следы, предоставляют больше возможностей для мониторинга бедности, т. к. они позволяют получать оперативные и пространственно детализированные оценки.

Углубление анализа результатов обзора показывает, что развитие исследовательских практик ведет к различению измерений и мониторинга, т. к. для последнего необходимо доказать временную устойчивость признаков, учитывать изменение поведения пользователей, состава платформ, алгоритмов формирования данных и цифровой инфраструктуры. Изменение цифрового признака может отражать как трансформацию материального положения, так и изменение технологии либо практики использования сервиса. В этом контексте проведенный обзор позволяет выделить новую крупную исследовательскую проблему – использование новых данных для изучения динамики и совершенствования политики преодоления бедности.

Таким образом, обобщение полученных данных позволяет сделать вывод о целесообразности перехода от конкурирующей логики сопоставления методов к логике их функциональной взаимодополняемости. Для современных исследований бедности принципиально важным становится не поиск одного универсального инструмента, а выстраивание таких аналитических комбинаций, которые были бы одновременно чувствительны к многомерной природе бедности, объясняли механизмы ее воспроизводства, обеспечивали регулярный мониторинг и оставались институционально применимыми в практике социальной политики.

Заключение

Проведенный обзор позволил систематизировать сложившиеся и формирующиеся исследовательские практики изучения бедности и определить основные направления расширения используемого инструментария. Полученные результаты показывают, что его развитие происходит за счет расширения методов и информационной базы, усложнения исследовательских задач и постепенного формирования гибридных дизайнов.

Научная значимость работы состоит в том, что нами предложен подход к анализу исследований бедности, основанный на оценке взаимосвязанности теоретической рамки, методов и информационной базы. В отличие от систематизаций, рассматривающих эти элементы раздельно, данный подход позволяет оценить целостность исследовательского дизайна. Его применение показало, что быстрое освоение цифровых источников и методов не всегда сопровождается сопоставимым развитием их теоретического обоснования.

Обзор позволил уточнить проблемное поле современных исследований бедности и выявить недостаточно разработанные области. Первая связана с вопросом о том, как обеспечить теоретически обоснованную операционализацию бедности в цифровых данных. Вторая проблемная область связана с вопросом о том, как использовать новые данные для изучения динамики бедности и совершенствования политики ее преодоления. Регулярность формирования цифровых данных создает предпосылки для более частого наблюдения, однако сама по себе не доказывает их пригодности для мониторинга.

Статья вносит вклад в обсуждение границ доказанных возможностей цифровых инструментариев для решения практических и управленческих задач. Возможности цифровых данных обеспечивать надежный оперативный мониторинг, выявлять индивидуальные траектории бедности, персонализировать социальную поддержку и повышать качество управленческих решений нуждаются в дальнейших исследованиях, включая изучение направления гибридизации методов и данных. Предложена двухмерная систематизация форм гибридизации данных в исследованиях бедности. По конфигурации взаимодействия традици- онных и цифровых источников выделены взаимопроверка, взаимоуглубление и дополнение; по тематике добавляемой информации – пространственное, темпоральное и поведенческое направления. Предлагаемая схема не претендует на исчерпывающую классификацию, но позволяет систематизировать основные направления развития гибридных исследовательских дизайнов и определить степень их представленности в рассмотренном корпусе. Полученные выводы имеют ряд ограничений. Две части обзора формировались по различным принципам: корпус сложившихся практик включал преимущественно наиболее цитируемые публикации, тогда как цифровой корпус был ориентирован на работы, описывающие фактическое применение новых данных. Поэтому их сопоставление позволяет выявить различия в конфигурации исследовательских практик, но не дает оснований утверждать, что цифровая литература в целом теоретически слабее традиционной.

Перспективы продолжения исследования связаны прежде всего с развитием предложенной рамки анализа и ее применением к более широкому корпусу публикаций на основе единой процедуры отбора и кодирования. Это позволит точнее оценить связь между теоретическими подходами, методами и источниками данных в различных типах исследований бедности.

Второе направление предполагает разработку и проверку гибридных дизайнов. В них традиционные инструментарии должны обеспечивать определение и внешнюю валидацию бедности, цифровые данные – территориальную детализацию и дополнительные признаки, а качественные методы – содержательное объяснение механизмов и стратегий населения. Их преимущество должно подтверждаться сравнением не только прогнозной точности, но и временной устойчивости, интерпретируемости, стоимости, охвата уязвимых групп и пригодности для конкретных управленческих задач.