Введение. Несмотря на растущее количество научных трудов по проблематике обычного ранжирования, остаются нерешенными и дискуссионными важные в теоретическом, методическом и практическом планах вопросы, связанные с разработкой региональных стратегий и инструментов их реализации, которые влияют на задачи аналитика при аспектах ранжировании регионов, опираясь на изучаемые проблемы. Динамическое ранжирование является решением проблемы обычного ранжирования, но так же изучение проблем динамического ранжирования ставит перед исследователями новые задачи.

Материалы и методы.  Теоретическую и методологическую основу исследования составили научные труды отечественных и зарубежных исследователей по проблемам влияния экономических и институциональных факторов на социально-экономическое развитие регионов России, результаты фундаментальных и прикладных исследований в области формирования и реализации стратегий социально-экономического развития, стратегические документы органов государственной власти федерального и регионального уровней.

Результаты. Разработана авторское видение решения проблемы ранжирования регионов путем динамического ранжирования, через использование краткосрочных данных путем обработки разрозненных данных с веб-сайтов муниципалитетов в связке с обработкой данных собранных частными или государственными компаниями, через государственные ЦОД (центры обработки данных) (рис.2).

Обсуждение.

Исследование ранжирования регионов опирается на отечественных и зарубежных исследователей. К примеру Кожемякин Л.В., Осечкина Т.А. отмечают в своей работе, что ранжирование представляет собой процедуру упорядочивания наблюдаемых объектов для изучения связи между ординарными (порядковыми) переменными, измеренными в так называемой порядковой шкале. В этой шкале можно установить порядок, в котором объекты выстраиваются по степени проявления признака, что в таких случаях проблема оценки тесноты связи разрешима, если упорядочить, или ранжировать, объекты анализа по степени выраженности измеряемых признаков. Т.е. субъекты Российской Федерации ранжируются по указанным признакам, и находится разница рангов, которая варьируется в изучаемом промежутке. Ранжирование субъектов РФ по ВРП и ДПИ было ими рассмотрено [2]. Н. А. Бураков, Е. М. Бухвальд, А. В. Кольчугина подметили важность факт реализация стратегии пространственного развития как основы региональной политики государства имеет многочисленные проблемы. Одной из таких проблем, существенно снижающих результативность политики регионального развития, является отсутствие методических подходов к осуществлению этой политики на адресной основе с учетом специфики различных групп субъектов Федерации [3]. Р.В. Фаттаховa, М.М. Низамутдинов, В.В. Орешников провели группировку регионов Российской Федерации по совокупности параметров демографической ситуации и социально-экономических факторов [4] Важенина И.С., Важенин С.Г. подмечают анализ различных подходов к типологизации и ранжированию территорий. При этом в качестве основополагающих характеристик учитывают имидж и репутацию стран, регионов и городов. Внутристрановые различия территорий легли в основу типологии регионов Российской Федерации, разработанной Министерством регионального развития РФ в 2005г.. В типологии все субъекты России объединены в группы по основанию развития – степени включенности в масштабные процессы развития (глобализация, урбанизация и неоиндустриализация). Можно сказать, что данная типология в некоторой степени основана на учете репутационных характеристик территорий, которые были авторами сформулированы. Субъекты РФ, отнесенные к определенному типу, с одной стороны, имеют близкие значения показателей социально-экономического развития,а с другой – демонстрируют общие тенденции развития. Выделение типов осуществлено путем соединения экспертных оценок с анализом показателей социально-экономического развития субъектов России. [5]. С. Н. Митяков, О. И. Митякова, Н. А. Мурашова приведена апробация методики рейтингования для ранжирования регионов России по уровню инновационного развития. [6] Майорова В.В.. в своей роботе поднимает вопрос  о развитии теоретических и методических подходов к исследованию состояния и динамики регионов и их подсистем, обеспечивающих формирование региональных стратегий на основе сбалансированного сочетания экономических и институциональных факторов социально-экономического развития субъектов РФ [1]. А.Р. Бахтизин, Е.М. Бухвальд, А.В. Кольчугина сделали вывод о том, что только гибкие подходы в региональной политике федерального центра, учитывающие специфику потенциалов различных групп регионов, позволят преодолеть межрегиональную экономическую дифференциацию, в том числе и по показателям инновационного развития [7]. Щукина Н. А., Сибирская Е. В. подметили наличие существенной неоднородности субъектов РФ по уровню жизни населения, что доказывает необходимость применения дифференцированного подхода при разработке мер государственной социальной политики[8].

Проблемы и задачи ранжирования, также известные как задачи экономического развития территорий и определяют широко распространенный класс статистических задач со многими приложениями, включая обнаружение мошенничества, ранжирование документов, медицину, проверку кредитного риска. Хотя уже существуют обзоры, сосредоточенные на определенных типах проблем, такие как проблемы ранжирования регионов, похоже, еще не исчерпаны, они включают как разработки в области различных типов проблем, так и тщательные обсуждения их различий и применимости к ним существующих алгоритмов ранжирования. В ранжировании регионов одни явно принимают во внимание цель вывести функцию оценки, которая напрямую отображает векторы признаков в действительные оценки ранжирования, в отличие от задач ранжирования, где ранги задаются как информация о предпочтениях с целью изучения.

Ранжирование основывается на данных которые собираются органами статистики страны. В Российской статистике имеются «Краткосрочные экономические показатели Российской Федерации» содержащие длительные ряды помесячных, поквартальных и годовых данных по важнейшим социально-экономическим показателям в целом по Российской Федерации. Начиная с бюллетеня за I квартал 2019 года, публикуются динамические ряды по показателям денежных доходов и расходов населения, рассчитанным в соответствии с Методологическими положениями по расчету показателей денежных доходов и расходов населения, утвержденными приказом Росстата от 02.07.2014 № 465 (в редакции от 20.11.2018). Ретроспективные ряды пересчитаны, начиная с I квартала 2013 года [21]. К сожалению только эти показатели собираются по квартально, остальные показатели имеют годовой характер. Принципы эффективности ежедневной обработки динамической информации показала практика заболеваемости Covid-19.

Разница между динамическими рядами и годовыми рядами видна по официальной статистике Ростата по той же зарплате (рис.1).

Рисунок 1- Статистические показатели по зарплатам в регионах России.

Источник составлено автором на основе [22 - 28].

По данной таблице мы видим существенную разницу между аналитикой государственной и частной. Так как опираясь на частную аналитику на рынке труда человек делает выбор в сторону трудовой миграции между регионами. Данный факт приводит к выводу о возможности создания государственно-частной аналитики по краткосрочным показателям (рис.2)

Рисунок 2- Система взаимодействия государственной статистики и частных компаний по среднему показателю измеряемых величин. Источник: Составлено автором.

Подобная система взаимодействия выражена, через экономическую формулу в виде простой среднеарифметической.

P(гч)- государственно-частный краткосрочный или годовой показатель;

P(гос)- государственный краткосрочный показатель;

P(част) - частный показатель IT компаний по измеряемому государством краткосрочному или годовому показателю;

N- количество показателей.

Использования принципа простой среднеарифметической на данный момент используется для расчета показателей "Цифровая трансформация" в Министерстве цифрового развития, связи и массовых коммуникаций Российской Федерации [29].

Государственно-частный краткосрочный показатель, к примеру, по зарплате даст возможность включить в аналитику состояния регионов расчёты всех вакансий с любым типом занятости: стажировка, вахта, временная работа, полная занятость с предприятий, организаций, ип, частных лиц, учитывая тех кто нанимает официально или не официально в нашей стране или за рубежом (рис.3).

Рисунок 3- Результат взаимодействия государственной статистики и частных компаний для выведения государственно-частного краткосрочного показателя по зарплатам за июль месяц. Источник: Составлено автором на основе рис.2.

Отсутствие государственно-частной аналитики приводит к упущению прогнозных возможностей государственной политики, что приводит к основной проблеме ранжирования, как прогнозная вариативность от использования краткосрочных данных, которые прошли обработку, анализ специалистами Data Scientist частных компаний. Обработка вариативных данных влияет на скорость принятия решений в условиях невероятной скорости ввода санкций.

С математической точки зрения система должна решать проблему ранжирования, через алгоритмы. Тем не менее матрица смежности и динамичные графические модели, включающей прямые ссылки, соединяющие различные статистические веб-сайты регионов не реализована до сих пор. Задача сегодняшних экономистов в институтах и на государственной службе состоит в том, чтобы предсказать новые ранжирование регионов для новых векторов признаков ранжирования информации, но присутствует кадровый голод по направлению экономисты-инженеры, которые могут настроить потоки больших данных для выявления закономерностей и по итогу новых методологий ранжирования. Задача ранжирования регионов в наше время уже ставится в её динамическом оформлении, если появилась новая информация, точнее, если задан вектор признаков ранжирование самой информации. Цель состоит в том, чтобы изучить модели, которые предсказывают порядок набора новых векторов признаков деления информации. Изучение функцию оценки с разработкой формулы, которая присваивает новые векторы признаков - это путь к ранжирующему по существующим показателям. Изучив такую функцию оценки, новые векторы признаков получают оценку ранжирования, которая напрямую приводит к их ранжированию, унаследованному от естественного упорядочения в реальной времени. Обратим внимание, что эти оценки ранжирования не обязательно должны совпадать с традиционными, как в регрессии, но их порядок должен быть как можно ближе к традиционному порядку.

Проблемы ранжирования — это вероятность того, что субъект принадлежит к интересующему классу по анализируемой информации. Хотя ранжирование обычно можно рассматривать как нечто среднее между классификацией и регрессией. Задачи непрерывного ранжирования вызывают непрерывные потоки данных с потенциальными приложениями в естественных науках и количественных финансах. Эта проблема непрерывного ранжирования может быть расположена на другом фланге спектра проблем ранжирования, наиболее близком к регрессии. Проблема непрерывного ранжирования особенно интересна при попытке ранжировать федеральные округа, показатели которых трудно измерить количественно в одном измерении. Распространенной техникой является введение переменных, которые используются, например, для измерения или количественной оценки. Проблема ранжирования непрерывной информации может решиться, если переменные, которые трудно измерить, аппроксимируется путем замены их некоторым единым показателем измерения, которая является гораздо более общей, чем ранжирование посредством их комплексной оценки различных показателей их измерения. Чтобы систематически классифицировать проблемы ранжирования, нужно ответить на три вопроса в следующем порядке:

- Какой набор данных у нас есть (пары характеристик, структура запроса)?

- Какой тип переменной у нас есть (непрерывная категории статистики)?

- Какова цель аналитика?

На верхнем уровне можно различать проблемы ранжирования измеримого пространства и интерпретируется в том смысле, что представляет наиболее предпочтительный вектор анализа. Цель такого подхода состоит в том, чтобы предсказать перестановку регионов в таблице и сделать прогноз для отдельного региона лидера. Что касается изучаемого пространства, оно обычно является подмножеством, но может отличаться в зависимости от структурированных данных.

Решения проблем ранжирования не обязательно должны основываться на действующих основ наблюдений. Одно из направлений состоит в том, чтобы предсказать правильный будущий порядок, хотя существуют некоторые послабления этой (жесткой) проблемы ранжирования, например, только первые результаты ранжирования должны создавать основу и быть более точны, в то время как предсказанное ранжирование должны показать экспериментальные вариации. Более слабой проблемой является локализованная проблема ранжирования, которая предназначена для нахождения правильного порядка лучших вариаций, поэтому неправильные ранжирования в нижней части списка не учитываются. Минимизация эмпирического риска происходит за счет использования существующих данных статистики сконцентрированные по определенному признаку, которые имеют динамику по годам, данный шаг позволяет снижение потери ценности прогноза. Таким образом, минимизация эмпирического риска направлена на поиск оптимального правила ранжирования путем решения задачи сведения различных показателей измерения к одному универсальному показателю.

Потери прогнозного потенциала из-за только государственной регрессии или классификации отражают глобальный характер проблем жесткого ранжирования. В настройке ранжирования правила ранжирования, вызванные правилами подсчета, самоочевидны из-за естественного порядка анализа. В частном случае параметрической оценочной функции рассматривается некоторое пространство параметров, что означает, что достаточно эмпирически найти наилучшую параметрическую оценочную функцию для данной ситуации в экономике. Поскольку количество потенциальных информационных групп растет факторно, они предлагают выборку, чтобы аппроксимировать агрегированные индивидуальные оценки. Хочу подчеркнуть, что общей проблемой при рассмотрении потерь данных при ранжировании или критериев качества для ранжирования являются вычислительные затраты, поскольку обычно приходится выполнять какое-то упорядочение вручную самостоятельно с муниципальных сайтов. Сокращение информации приводит к тому, что ценная информация, которая предоставляется, в частности, в виде непрерывных данных, будет потеряна так же и из-за изменения параметров сбора. Из-за разнообразия различных задач ранжирования не всегда очевидно, какая из этих задач подходит для какого-то получения результата (табл.1).

Таблица 1- Основные типы ошибок при сборе данных с федеральных округов государственными служащими на местах.

Источник: составлено автором

Как уже упоминалось, такие вопросы, как решение сложной или локализованной проблемы ранжирования, должны решаться аналитиком и зависят от предметной области. Например, локализованная задача ранжирования кажется более подходящей, поскольку предсказанный порядок может иметь значения и возникает закономерный вопрос «является ли проблема ранжирования непрерывных данных очевидной».

В отличие от условий налогового аудита, где можно наблюдать размер ущерба, разработка ранжирования на основе анализа проблемы становится намного сложнее в моделях, где сами непрерывные (краткосрочные) данные представлены различными измерениями. Существующие подходы относятся к стратегии, позволяющей представить проблему ранжирования как проблему классификации или регрессии. В принципе сюда может входить любой алгоритм классификации или регрессии, в зависимости от выбранной функции. Однако если диапазон прогнозируемых оценок ранжирования сильно различается по областям, общая потеря прогнозов ранжирования действительно может быть высокой, хотя потери ранжирования для конкретной области невелики. В принципе в экспериментальном анализе, нет ограничений, запрещающих применение алгоритмов классификации, выполняющих выбор модели, что, однако, привело бы к вопросу о том, как получить подходящий агрегированный набор прединдикаторов.

Проблемы порядковой регрессии действительно очень тесно связаны с задачами ранжирования. Дискретизация задач порядковой регрессии может быть решением для проблем ранжирования. Задачу ранжирования непрерывных (краткосрочных) данных можно рассматривать как особый случай, поскольку исходная информация уже являются реальными значениями, но опять же, вместо оптимизации некоторой функции потерь регрессии цель состоит в том, чтобы фактически оптимизировать функцию потерь ранжирования. С этой точки зрения можем выделить три комбинированные проблемы для сбора непрерывной информации, а именно слабая, жесткая и локализованная задача ранжирования информации.

В разных системах муниципального управления в федеральных округах накапливаются большие объемы данных (Big data) (табл.2).

Таблица 2- Объем информации, переданной при доступе к сети Интернет, петабайт по федеральным округам

Источник составлено автором на основе [9], [10].

Все эти данные можно использовать: искать закономерности и делать полезные прогнозные выводы. К примеру банки анализирует кредитную историю клиентов, а мобильный оператор с помощью данных разрабатывает новые тарифы. Все это возможно с точки зрения государственной динамичной аналитики при соединении разрозненных и разнообразных данных по округам, через регионы.

Существует три основных типа ранжирования данных в Big data: стандартное соревновательное ранжирование, порядковое ранжирование и дробное ранжирование.

-Стандартное соревновательное — это система ранжирования, в которой людям или командам в таблице лидеров присваиваются позиции с учетом возможности возникновения ничьих.

-Порядковое ранжирование — это система ранжирования, в которой элементы ранжируются/упорядочиваются и могут быть классифицированы только как более высокие или более низкие, чем другие элементы в наборе.

-Дробное ранжирование похоже на стандартное соревновательное ранжирование, но в случае ничьей вместо того, чтобы предметы получали один и тот же ранг, рассматриваемые ранги усредняются вместе [19].

При такой работе с данными возникнет множество гипотез. Проверить их можно с помощью статистических методов.

Создание государственно-частной аналитики успешно применяется на практике КНР. В течение многих лет Китай, как и другие страны, изучал способы использования и обеспечения безопасности огромных массивов данных, хранящихся в компаниях и правительственных учреждениях. В июле, когда он начал расследование кибербезопасности в отношении гиганта Didi Chuxing, многие восприняли это как начало новой эры государственного контроля над данными в Китае.. Два закона Китая о безопасности данных — “Закон о безопасности данных” (DSL) и “Закон о защите личной информации” (PIPL) — вступили в силу в конце 2021 года. Основываясь на Законе о кибербезопасности 2017 года, они включают новые руководящие принципы обработки данных, обновленные принудительные меры и дополнительные ограничения на передачу данных за пределы Китая. Примечательно, что DSL широко расширяет экстерриториальный охват существующих правил обработки данных в Китае, создавая критически важный новый набор руководящих принципов для компаний, ведущих бизнес с гражданами Китая — как внутри, так и за пределами границ страны — для навигации. Вместе они рисуют гораздо более четкую картину видения Пекином частных данных: управлять ими как ключевым национальным достоянием в пределах своих границ, одновременно пытаясь еще больше раскрыть потенциал данных, рассматриваемых Пекином как вклад в бизнес, столь же важный, как земля и капитал. Надежда Пекина состоит в том, чтобы раскрыть потенциал данных 1,4 миллиарда потребителей, производителей и новаторов, а также горы промышленных данных, которые производит страна, и увидеть, как это принесет экономические плоды. Фирмы сталкиваются с более высокими расходами на соблюдение требований законодательства и рискуют получить штрафы в размере миллионов долларов или приостановить бизнес—операции из—за обработки критически важных типов данных.

К примеру после проверки службами кибербезопасности КНР, начатой в Didi после листинга популярного гиганта в США, правительство Китая заявило общественности, что потребует, чтобы фирмы, владеющие данными 1 миллиона пользователей или более, прошли проверку безопасности перед листингом за рубежом. В знак твёрдости своих намерений КНР оштрафовала гиганта такси Didi на 8,026 млрд юаней (1,2 млрд долларов) за нарушение законов о кибербезопасности. КНР  рассматривает возможность потребовать от компаний, желающих провести IPO в США, не передавать свои данные сторонним платформам - или даже может полностью запретить фирмам, которые, как считается, имеют значительные и значимые хранилища данных, регистрироваться за рубежом [11].

Разработка подобных законопроектов в Российской Федерации говорящие о том, что любые данные, которые собираются различными приложениями,  платформы, работающих на цифровом пространстве страны, должны передаваться в Единый центр обработки данных при правительстве. Даже если эти облачные сервисы арендуются заграничными дата-центрами информация должна проходить через ЦОД (центр обработки данных). Несанкционированный (негосударственный) сбор информации должен приравниваться как кража ресурса страны в цифровом пространстве. Так как на сегодняшний день люди производящие информацию - это ресурс, который в скором времени или уже встал наравне с обычными традиционными ресурсами.

Ошибки которые совершаются работниками муниципалитетов и государственных предприятий на местах происходят в виду некомпетентности по сбору данных. Данные проблемы ранее присутствовали и в бизнесе, но были решены благодаря встраиванию систем имитирующих искусственный интеллект. Поэтому сбор данных более квалифицированный встречается у бизнеса и у частного характера, по этой причине необходимо использовать эти данные для анализа, тем более для динамического анализа. Предложение по созданию системы базируется на принципах управления и трансформации китайской экономики. В КНР стремятся, что бы все данные, которые собираются частной компании проходили через оборудование и центры обработки данных с использованием государственных технологических средств.

Заключение

Предоставлен обзор различных проблем ранжирования касающихся как типа, так и цели аналитика. Подчеркнуто, что обычно не так просто выбрать тип задачи ранжирования, наиболее подходящий для экспериментального динамичного анализа. Несмотря на огромное разнообразие подходов к решению задач ранжирования субъектов, большинство современных подходов предназначены либо для дискретных, либо для краткосрочных данных. Исследование показало, что экономическая политика субъектов и задачи аналитика существенно влияют на ранжирование регионов.

Что касается будущих исследований, желательной целью был бы единый подход, который не зависит от того, является ли исследуемый показатель категориальным или непрерывным, и который обеспечивает разреженную, надежную, стабильную и хорошо интерпретируемую модель. За последнее десятилетие глубокие исследование привлекли большое внимание, поскольку они способны давать отличные прогнозы, но интерпретируемость модели все еще остается предметом постоянных исследований. Есть много исследований ситуаций, когда имеется частичное ранжирование и цель получить подходящее комбинированное ранжирование на основе этих частичных ранжирований. Такие ситуации варьируются от ранжирования статистических показателей с веб-сайтов регионов с различными данными. Универсальный подход заключается в вычислении рейтинга  по единому показателю. Однако, если требуется дополнительно разреженный (и стабильный) выбор модели, необходимо найти подходящий набор предикторов для выполнения аналитической задачи.

1. Mayorova V. V. “Formation of regional strategies based on economic and institutional factors of development of the constituent entities of the Russian Federation” [Electronic resource] - Access mode: https://www.dissercat.com/content/formirovanie-regionalnykh-strategii-na- osnove-ekonomicheskikh-i-institutionalnykh-faktorov

2. Kozhemyakin L.V., Osechkina T.A. "Ranking of subjects of the Russian Federation according to the defining indicators of the resource curse" [Electronic resource] - Access mode: https://science-education.ru/ru/article/view?id=14202

3. N. A. Burakov, E. M. Bukhvald, A. V. Kolchugina "Ranking of subjects of the Russian Federation based on the regional index of economic development" [Electronic resource] - Access mode: https://federalizm.rea.ru/jour /article/view/39

4. R.V. Fattakhova, M.M. Nizamutdinov, V.V. Oreshnikov «Ranking of Russian regions by demographic situation, taking into account the level of development of social infrastructure» [Electronic resource] - Access mode: https://wne.fa.ru/jour/article/download/300/290

5. Vazhenina I.S., Vazhenin S.G. "Typologization and ranking of territories based on the characteristics of image and reputation" [Electronic resource] - Access mode: https://cyberleninka.ru/article/n/tipologizatsiya-i-ranzhirovanie-territoriy-na-osnove-harakteristik-imidzha-i- reputatsii/viewer

6. S. N. Mityakov, O. I. Mityakova, N. A. Murashova Innovative development of Russian regions: ranking of regions [Electronic resource] - Access mode: https://cyberleninka.ru/article/n/innovatsionnoe-razvitie-regionov-rossii-ranzhirovanie-regionov/viewer

7. A.R. Bakhtizin, E.M. Buchwald, A.V. Kolchugin "Ranking of the subjects of the Russian Federation by potential and pace of socio-economic development" [Electronic resource] - Access mode: https://www.sibran.ru/upload/iblock/d55/d559e49f5b17d81d83cd75f050b3f837.pdf

8. Shchukina N.A., Sibirskaya E.V., Oveshnikova L.V., Tenetova E.P. “Stratification of the constituent entities of the Russian Federation according to the standard of living of the population” [Electronic resource] - Access mode:http://rseu.vrn.ranepa.ru/jfiles/20201711/23.pdf

9. Russian regions socio-economic indicators 2020 [Electronic resource] Access mode: https://rosstat.gov.ru/storage/mediabank/LkooETqG/Region_Pokaz_2020.pdf

10. Russian regions socio-economic indicators 2021 [Electronic resource] - Access mode: https://rosstat.gov.ru/storage/mediabank/Region_Pokaz_2021.pdf

11. China fines Didi $1.2bn after year-long probe into service [Electronic resource] Access mode: https://incrussia.ru/news/kitaj-oshtrafoval-didi/

12. Mayorova V.V. Strategy in the management of regional development / V.V. Mayorova // Problems and prospects of the modern economy: collection of articles. Third issue / scientific. ed. Yu.I. Treshchevsky, G.V. Golikov. - Voronezh: Voronezh State Pedagogical University, 2017. - S. 25 - 38.

13. Franovsky, G.N. Small business and socio-economic development of regions - is there any dependence? [Text] / G.N. Franovsky, A.N. Duva-nova // Bulletin of the Voronezh State University. Series: Economics and Management. - 2015. - No. 3. - S. 151-155.

14. Rating of innovative development of subjects of the Russian Federation. Issue 7 / V. L. Abashkin, G. I. Abdrakhmanova, S. V. Bredikhin and others; ed. L. M. Gokhberg; National research University "Higher School of Economics". - M.: NRU HSE, 2021. - 274 p. - 60 copies. - ISBN 978-5-7598-2390-2 (reg.). - ISBN 978-5-7598-2292-9 (e-book).

15. Kleiner, G. B. Intelligent economy of the new century: post-knowledge economy / G. B. Kleiner // Production, science and education in the era of transformations: Russia in the [de]globalizing world (PNO-VI): Proceedings of the VI International Congress, Moscow , December 04, 2019 / Under the general editorship of S.D. Bodrunov. - Moscow: Association "Non-commercial Partnership for Assistance in Conducting Scientific Research" Institute of New Industrial Development. S.Yu. Witte", 2020. - S. 44-56.

16. Chuldum A.E. Forecast of the development of human potential in the post-Soviet space in a strategic perspective // Technological entrepreneurship and commercialization of innovations in the investment and construction sector: materials of the XX scientific and practical conference St. Petersburg: ANO IPEV Publishing House, 2018

17. Samedzade E.Z. On the essence, principles and indicators of sustainable development // Technological entrepreneurship and commercialization of innovations in the investment and construction sector: materials of the XX scientific and practical conference St. Petersburg: ANO IPEV Publishing House, 2018

18. Kalashnikov A.A. Organizational and economic support of management processes (smoothing) of regional socio-economic differentiation at the regional and subfederal levels // Economics of sustainable development. 2019. №3. pp. 15-19.

19. An intr An introduction t oduction to the analysis of r o the analysis of ranked response data esponse service [Electronic resource] Access mode: https://scholarworks.umass.edu/cgi/viewcontent.cgi?article=1589&context=pare

20. Ismikhanov Z., Magomedbekov G. Research of modern environmental, social and economic problems of sustainable development of the region: cognitive approach // South of Russia: Ecology, development. 2017. Volume 12. No. 4. pp. 46-56.

21. Short-term economic indicators of the Russian Federation [Electronic resource] - Access mode: https://rosstat.gov.ru/compendium/document/50802

22. Rating of cities and regions by average salary 2022 [Electronic resource] - Access mode: https://top-rf.ru/places/166-rejting-regionov.html

23. The average salary in Moscow in 2022 from Rosstat [Electronic resource] - Access mode: https://gogov.ru/average-salary/msk

24. Salary statistics in Moscow for 2022. CityWork.ru [Electronic resource] Access mode: https://gorodrabot.ru/salary?l=%D0%BC%D0%BE%D1%81%D0%BA%D0%B2%D0%B0

25. The average salary in the Chukotka Autonomous Okrug in 2022 from Rosstat [Electronic resource] - Access mode: https://gogov.ru/average-salary/chuk

26. According to the database of vacancies hh.ru [Electronic resource] - Access mode: https://ura.news/news/1052594703

27. The average salary in Russia in 2022 from Rosstat [Electronic resource] - Access mode: https://gogov.ru/articles/average-salary

28. Short-term economic indicators - 2022 [Electronic resource] - Access mode: https://gks.ru/bgd/regl/b22_02/Main.htm

29. Order of the Ministry of Digital Development of the Russian Federation dated 11/18/2020 n 600 "on approval of methods for calculating target indicators of the national development goal of the Russian Federation "digital transformation" (together with the "method for calculating the indicator" achieving "digital maturity" of key sectors of the economy and the social sphere, including health care and education, as well as public administration", "method of calculating the indicator "achieving" digital maturity" of key sectors of the economy and social sphere, including health care and education, as well as public administration" for the subject of the Russian Federation", "method of calculating the indicator" increase in the share of mass socially significant services available in electronic form up to 95%", "the method for calculating the indicator "the share of households that are provided with the possibility of broadband access to the Internet", "the method for calculating the indicator "increase in investments in domestic solutions in the field of information technology" , "method of calculating the indicator" increase in investment [Electronic resource] - Access mode: https://rulaws.ru/acts/Prikaz-Mintsifry-Rossii-ot-18.11.2020-N-600/