Влияние больших данных на экономическую деятельность и проблемы их стоимостной оценки
The impact of big data on economic activity and the problems of its valuation
Авторы
Аннотация
В статье рассматривается новое и актуальное понятие «большие данные» (Big Data), исследуются различные аспекты его появления, содержания и развития в современном мире. Особое внимание уделено возможностям применения Big Data в экономической деятельности, а также в других сферах жизни, таких как медиа, цифровая гуманитаристика и инновационные технологии. Анализируются источники получения больших данных, их направления использования, а также проблемы и угрозы, связанные с их обработкой. Ключевым вопросом является стоимостная оценка потоков больших данных, что является важной проблемой для экономики и бизнеса в условиях быстро развивающейся цифровой среды. Статья также затрагивает этические вопросы, связанные с использованием и обработкой Big Data.
Ключевые слова
Большие данные, инновационная экономика, медиаисследования, цифровая гуманитаристика, терминология, цифровая среда, проблемы Big Data, цифровая инфраструктура, этическая проблема Big Data.
Рекомендуемая ссылка
Бузмакова Марина Валерьевна,Полушкина Ирина Николаевна. Влияние больших данных на экономическую деятельность и проблемы их стоимостной оценки // Современные технологии управления. ISSN 2226-9339. — №1 (109). Номер статьи: 10905. Дата публикации: 19.03.2025. Режим доступа: https://sovman.ru/article/10905/
Authors
Abstract
The article explores the relatively new concept of "Big Data" and investigates various aspects of its emergence, content, and development. The authors examine the modern opportunities for applying Big Data in various areas of life, focusing on its use in economic activities, media research, and digital humanities. The sources of Big Data, directions of its use, and related challenges and threats are analyzed. Special attention is given to the issue of the cost evaluation of Big Data streams, which is a significant problem for the economy and business in the rapidly evolving digital environment. The article also addresses ethical issues related to the use and processing of Big Data.
Keywords
Big Data, innovative economy, media research, digital humanities, terminology, digital environment, Big Data issues, digital infrastructure, ethical issues of Big Data.
Suggested citation
Buzmakova Marina Valerievna,Polushkina Irina Nikolaevna. The impact of big data on economic activity and the problems of its valuation // Modern Management Technology. ISSN 2226-9339. — №1 (109). Art. # 10905. Date issued: 19.03.2025. Available at: https://sovman.ru/article/10905/
Введение
Актуальность нашего исследования заключается в том, что экономика больших данных (Big Data) на современном этапе развития представляет собой перспективную и непредсказуемую область. В условиях глобальной цифровой трансформации и быстрого технологического прогресса сектор Big Data становится объектом внимания общества.
Целями статьи авторы ставят совершенствование научно-теоретических подходов и принципов к анализу цифрового экономического пространства, систематизацию структурных элементов цифровой экономики, определение характерных особенностей Big Data. Объект исследования — потоки Big Data цифрового пространства. Предметом выступает систематизация современных подходов к стоимостной оценке больших данных и анализ их влияния на экономические процессы.
Теоретико-методической основой исследования стало использование общих методов научно-теоретического анализа для рассмотрения исследуемых явлений и концепций. В статье использованы следующие методы: исторический – для анализа эволюции развития научного представления о Big Data и хронологии его развития; логический метод, на основании которого были установлены причинно-следственные связи между экономическими категориями и элементами цифровой экономике; метод научной абстракции, позволяющий, выявить сущность Big Data в цифровой экономики как экономического явления; методы анализа и синтеза, которые были использованы при рассмотрении и выявлении факторов, влияющих на этапы формирования цифровой экономики, а также раскрытии связей между элементами, их взаимодействие, противоречия.
Big Data — это не просто большие объёмы данных, это возможность глубокого и многогранного анализа, который может выявить закономерности, невидимые для человеческого глаза или традиционных методов обработки. Big Data — это междисциплинарное понятие, отражающее объект для исследования многих наук.
История вопроса
Экономика больших данных (Big Data) на современном этапе развития представляет собой перспективную и захватывающую область. В условиях глобальной цифровой трансформации и быстрого технологического прогресса сектор Big Data становится объектом внимания общества.
Приведём определение из IT-глоссария Gartner: «Большие данные — это большие объёмы, высокоскоростные и/или разнообразные информационные активы, которые требуют экономически эффективных, инновационных форм обработки информации, обеспечивающих более глубокое понимание, принятие решений и автоматизацию процессов» [4]. В этом определении «инновационность» форм обработки информации, на наш взгляд, является ключевой характеристикой при работе с Big Data в связи с их беспрецедентным объёмом и хаотичностью.
Возникновение термина Big Data связано с девяностыми годами прошлого века, когда появился первый интерес к этому новому сектору.
Исследователь Гил Пресс в публикации «Очень короткая история больших данных» на сайте Forbes.com ведёт отсчёт проблематики больших данных с появления термина «информационный взрыв» в Оксфордском английском словаре в 1941 году. Тогда появились первые попытки количественной оценки темпов роста объёмов данных.
Первая статья в цифровой библиотеке ACM, в которой используется термин «большие данные» в 1997 году, принадлежит учёным NASA Майклу Коксу и Дэвиду Эллсворту. Далее в апреле 1998 года Джон Р. Мэши, главный научный сотрудник SGI, представляет на встрече USENIX доклад под названием «Большие данные и следующая волна развития инфраструктуры». В 2001 году вышло основополагающее исследование Дуга Лейни для Meta Group «3D data management: controlling data Volume, Velocity & Variety», которое определило три ключевых параметра больших данных: объём, скорость, разнообразие [14].
В 2004 году Jeffrey Dean и Sanjay Ghemawat опубликовали статью «Simplified Data Processing on Large Cluster» (MapReduce).
В 2005 году начались широкие обсуждения в изданиях компании O’Reilly media в связи с необходимостью хоть как-то определить те данные, с которыми традиционные технологии управления и обработки данных больше не справлялись в силу их сложности и огромного объёма.
Четко понятие, проблематику и понятийный аппарат Big Data многие, особенно российские учёные, связывают с 2008 годом и выходом статьи профессора Школы информации Беркли Клиффорда Линча «Как могут повлиять на будущее науки технологии, открывающие возможности работы с большими объёмами данных?». Она была опубликована в специальном номере журнала Nature, посвящённом теме Big Data. В номере были собраны материалы о феномене взрывного роста объёмов и многообразия обрабатываемых данных. Там же обсуждались технологические перспективы в парадигме вероятного скачка «от количества к качеству».
Таким образом, новое понятие и его содержание рождалось стихийно, по мере роста масштабов явления.
В 2009 году термин «большие данные» (Big Data) стал широко использоваться в деловой прессе. К 2010 году появились первые продукты и решения, связанные с этой концепцией. К 2011 году большинство крупнейших поставщиков информационных технологий уже использовали понятие Big Data, включая IBM, Oracle, Microsoft, Hewlett-Packard и EMC.
Влияние Больших Данных на отдельные экономические аспекты
В 2011 году компания Gartner признала Big Data трендом номер два в информационно-технологической инфраструктуре (после виртуализации) и предсказала, что внедрение технологий Big Data окажет значительное влияние на подходы в области информационных технологий в производстве, здравоохранении, торговле и государственном управлении.
В том же 2011 году компания McKinsey опубликовала доклад «Big Data: The next frontier for innovation, competition, and productivity». В 2012 году Стив Лор из New York Times определил большие данные как «сокращение для продвижения тенденций в технологиях, которые открывают дверь в новый подход к пониманию мира и принятию решений».
С 2013 года большие данные как академический предмет появились в ведущих вузовских программах науки о данных (Data Science) и других областях. С 2014 года к сбору и анализу подключились IT-корпорации, такие как Microsoft, IBM, Oracle, EMC, а затем и Google, Apple, Facebook и Amazon. Сегодня большие данные используют крупные компании во всех отраслях, а также государственные органы.
Проблема взаимодействия официальной статистики и больших данных уже несколько лет серьёзно рассматривается в мире. В числе основных ведущих мировых центров, занимающихся этими вопросами, можно выделить следующие:
- Статистическая комиссия ООН [16];
- Big Data UN Working global group [1] — глобальная платформа ООН для сотрудничества и совместной работы в качестве глобального статистического сообщества и совместного обучения, обмена знаниями, данными и методами для всех стран мира. С 2014 г. на платформе функционирует Комитет экспертов ООН по большим данным и науке о данных для официальной статистики (UN-CEBD). В состав ООН-CEBD входят 31 государство-член и 16 международных организаций, сотрудничающих в различных группах.
- Global Pulse (Проект ООН) [8]. На сайте представлены проекты такие как: «Улучшение транспортного планирования с помощью анализа данных в реальном времени», «Изучение влияния экстремистского насилия на разжигание ненависти в интернете», «Информирование госструктур с помощью майнинга соцсетей» и т.д.
В России в 2017 году утверждена правительственная программа «Цифровая экономика Российской Федерации», большие данные входят в список 9 основных цифровых технологий, указанных в программе. На современном этапе главный агрегатор структурированных государственных данных — Портал открытых данных РФ [15].
Однако с огромным потенциалом Big Data для экономики возникают научные, технические, экономические и этические проблемы, проблемы безопасности, в том числе экономической, которые предстоит изучить и преодолеть. С позиции безопасности «экономика всегда работает в условиях внутренних и внешних угроз, но Big Data — это новое измерение в тренде современного развития, новые возможности построения и планирования в разных сферах жизни человечества.
Например, государство с помощью цифровых данных пытается регулировать все сферы жизни человека. На наших глазах свобода заменяется надзором со стороны силовых структур государства в целях увеличения безопасности граждан и предотвращения противоправных действий. Мы уже можем наблюдать, как в Китае внедряется Система Социального Кредита (доверия) — SCS [11].
Технологические достижения привели к быстрому росту важности данных в экономической деятельности, которая выражается в следующем:
- снижение затрат на обработку и хранение данных;
- рост активности и внедрения цифровых технологий; быстрые достижения в области искусственного интеллекта;
- снижение затрат на обработку и хранение данных
Достижения в области цифрового оборудования позволили снизить затраты на сбор, обработку и хранение данных (рис. 1).
Рис.1. Стоимость вычислительной стоимости компьютера и хранения данных.
Источник : Bureau of Economic Analysis (2022), “Nonresidential: Intellectual property products: Software”, Private Fixed Investment, Chain-type Price Index, Federal Reserve Bank of St. Louis (FRED), https://fred.stlouisfed.org/series/B985RG3A086NBEA (accessed on 11 January 2022)
Реальные затраты как на вычислительную мощность компьютеров, так и на хранение данных сокращались вдвое каждые 15 месяцев на протяжении второй половины прошлого столетия. Между тем, с начала 1980-х годов цены на программное обеспечение начали падать гораздо более умеренными темпами — примерно на 2% в год [2].
Число пользователей Интернета, создающих массивы данных, существенно выросло. В 2000 году в среднем только 25% населения стран ОЭСР пользовалось Интернетом, к 2020 году эта доля увеличилась почти до 90%. Возросло не только число пользователей, но и частота, и интенсивность использования Интернета.
Возможности подключения Интернета сначала смещаются от персональных компьютеров в офисах и домах к смартфонам. А в последнее время происходит подключение и других устройств со встроенными датчиками — развивается Интернет вещей (IoT). По ряду оценок, к 2019 году в мире насчитывалось 20 миллиардов подключённых устройств по сравнению с 8,8 миллиарда в 2010 году, половина этой суммы приходится на устройства Интернета вещей.
Особенности определения стоимостной оценки данных
Как экономический ресурс, данные часто сравнивают с нефтью или солнечным светом. Они также имеют некоторые общие характеристики с идеями или знаниями. Однако, несмотря на некоторое сходство, данные обладают специфическими характеристиками, которые отличают их от всего вышеперечисленного. Среди особенностей надо отметить следующие.
Неконкурентность и исключаемость Данные неконкурентны: разные субъекты могут использовать их снова и снова без ограничений [12]. С другой стороны, данные, как правило, являются исключаемыми, и в большинстве случаев организации могут препятствовать доступу других людей или учреждений к своим данным. В то время как неконкурентность присуща данным, исключаемость зависит от правовой базы, которая регулирует доступ к данным и право собственности на них [13]
Переливы и внешние эффекты. Исключаемость тесно связана с понятием побочных эффектов, которые возникают, когда субъекты, не участвующие в сборе данных, могут извлечь из них выгоду или понести расходы. Если эти выгоды (расходы) не учитываются в ценах, они создают положительные (отрицательные) внешние эффекты. Хотя данные в принципе можно исключить, побочные эффекты всё равно могут возникать, например, в случае утечки данных. В сочетании с отсутствием конкуренции положительные внешние эффекты служат веским основанием для широкого распространения данных, например, для улучшения производственных процессов и повышения производительности. Однако в случае с персональными данными возможны негативные внешние эффекты. Например, публикация персональных данных может раскрыть информацию о других людях[10].
Экономия за счет масштаба. При производстве данных наблюдается экономия за счет масштаба, т.е. стоимость создания набора данных высока по сравнению с стоимостью создания дополнительных копий, которая незначительна. Эффект масштаба влияет на ценообразование: когда предельные издержки близки к нулю, цена полностью определяется спросом, то есть ценностью, которую пользователи приписывают данным. Поскольку потребители могут по-разному оценивать набор данных, ценообразование, основанное на ценности, естественно приводит к дифференцированному ценообразованию [7].
Увеличение отдачи от масштабирования Данные могут привести к увеличению отдачи от масштаба производства, т. е. увеличение экономической активности порождает больше данных, которые, в свою очередь, порождают больше экономической деятельности и так далее. Если данные будут передаваться между фирмами, то увеличение отдачи от масштаба может также действовать на уровне экономики, демонстрируя растущую отдачу от масштабирования в качестве вклада в машинное обучение [6].
Низкая специфичность. По сравнению с другими продуктами данные обладают меньшей степенью специфичности, т.е. их можно использовать в более широком диапазоне производственных операций. Часто данные повторно используются для целей, отличных от предполагаемых. Например, анонимизированные записи данных о мобильных звонках поставщиков телекоммуникационных услуг были повторно использованы для мониторинга и контроля во время распространения COVID-19.
Синергетический эффект. Данные демонстрируют синергию (или взаимодополняемость) тремя способами. Во-первых, ценность данных возрастает в присутствии других данных того же типа. Например, отдельные сведения о каком-либо человеке могут иметь неочевидную ценность. Однако в сочетании с данными об этом же человеке за длительный период или о других людях с теми же сведениями, можно выявить тенденции или закономерности. Во-вторых, ценность данных возрастает при наличии других данных с взаимодополняющими характеристиками. Например, официальная экономическая статистика репрезентативна на уровне экономики, но публикуется со значительным временным лагом. Когда эти статистические данные сочетаются с высокочастотными данными частного сектора с цифровых платформ, они могут выявить закономерности. В-третьих, ценность данных возрастает при наличии других, не связанных с данными, факторов, особенно нематериальных. В качестве примеров можно привести конкретные технологии, например, информационно-коммуникационные технологии, аппаратное и программное обеспечение, датчики и навыки. Кроме того, поскольку машинное обучение критически зависит от входных данных, рост популярности машинного обучения может значительно повысить ценность данных в будущем [5].
Оценка стоимость Больших Данных
Значительные объёмы данных, собранных частными организациями, не продаются на рынках. Например, в среднем 15% предприятий в Европе анализировали большие данные в 2019 году, однако только 1,3% из них покупали данные, а 0,6% продавали данные другим экономическим единицам (см.рис.2). Подчеркнем и тот факт, что крупные фирмы, как правило, чаще торгуют данными. Доли тех, кто покупает и продает данные, в среднем составляли менее 5% и 2% соответственно. Это справедливо даже для предприятий с численностью 250 сотрудников и более.
Рис.2. Доля европейских предприятий, использующих большие данные о покупках и продажах за 2019 год
Источник: Digital Economy and Society (database), https://ec.europa.eu/eurostat/web/digitaleconomy-and-society/data/database (accessed 07 February 2025) .
Эти же статистические данные также свидетельствуют о том, что торговля данными неравномерно распределена по различным отраслям. Доля фирм, покупающих и продающих данные, выше в информационно-коммуникационном секторе и ниже в обрабатывающей промышленности и строительстве, а также в сфере услуг «синих воротничков», таких как гостиничный сектор [3].
Однако при ограниченности продаж массивов данных лишь небольшая часть их стоимости может быть измерена на основе рыночной статистики. Эта часть включает в себя доходы фирм, международную торговлю и рыночную оценку. В США доходы от прямых продаж данных в 2019 году оцениваются в 33,3 миллиарда долларов США. В том же году экспорт услуг по передаче данных из Европейского Союза и из США были равны 18,6 миллиарда долларов США и 6,7 миллиарда долларов США, соответственно.
Данные могут использоваться как разово при промежуточном потреблении, так и многократно в течение некоторого времени в качестве ресурса для производства товаров и услуг. Однако, в соответствии с Системой Национальных Счетов (СНС), данные явно не идентифицируются в качестве входного ресурса для производства или как самостоятельный актив в макроэкономической статистике [9]. Хотя в СНС-2008 существует актив, называемый «базы данных», затраты на приобретение или создание данных не учитываются явно при расчёте его стоимости. Кроме того, способ учёта затрат на активы в виде данных искажает, на наш взгляд, вклад данных в производство. Явное включение данных в СНС обеспечило бы сопоставимый подход к измерению данных в разных странах. Все страны могли бы единообразно составлять отчёты об инвестициях в данные и их запасах. Затем эти данные можно было бы использовать для различных целей, в том числе для анализа производительности.
Структура СНС сейчас обновляется и будет выпущена в 2025 году. Ключевым приоритетом этого обновления является явное включение производства и использования данных предприятиями в национальные счета. СНС 2025 будет содержать 39 глав (СНС 2008 – 29 глав). Одна из новых глав, предполагается, будет называться «Цифровизация». Также разрабатывается согласованная методология сбора данных в макроэкономической статистике и возможность учета данных в качестве актива. Однако пока среди разработчиков нет единства по методологии оценки стоимости данных.
В СНС-2008 разъясняется, что активы должны учитываться «по стоимости, по которой они могли бы быть куплены на рынках на момент проведения оценки» и что «в итоге следует использовать рыночную стоимость, наблюдаемую или рассчитанную исходя из наблюдаемой рыночной стоимости» [9]. Но несколько факторов ограничивают объем данных, которыми можно торговать на традиционном рынке. В результате большинство данных, используемых в производстве, создаются за собственный счет, то есть той же фирмой, которая их использует. Следовательно, часто требуются альтернативные методы оценки активов. Когда рыночные цены недоступны, СНС 2008 предоставляет два метода оценки стоимости актива: либо чистую приведенную стоимость актива, либо сумму производственных затрат.
Чистая приведенная стоимость (NPV) использует потенциальный будущий доход, который может быть получен от актива, в качестве альтернативного подхода к оценке текущей стоимости актива. Подход NPV уже используется в некоторых областях СНС, например, для оценки природных ресурсов. Теоретически NPV может служить точным показателем стоимости информационных активов. На практике повторное использование данных может быть выше, чем для других активов, из-за отсутствия физического износа. Поэтому подход NPV требует многочисленных допущений, которые может быть трудно обосновать.
Подход, основанный на сумме затрат, заключается в измерении ценности продукции путем суммирования издержек производства: промежуточное потребление, оплата труда работников, потребление основного капитала, используемого в производстве, чистая прибыль на основной капитал, используемый в производстве (также известная как «наценка»), и налоги (за вычетом субсидий) на производство.
Выводы
Снижение затрат на обработку и хранение данных, расширение возможностей подключения и внедрение цифровых технологий, а также недавние достижения в области искусственного интеллекта привели к быстрому повышению важности данных в экономической деятельности. Данные обладают определенной комбинацией экономических характеристик, которые отличают их от других производственных ресурсов и влияют на измерение их стоимости. Неконкурентоспособность данных и их потенциальная исключаемость подразумевают, что создание ценности на основе данных зависит от той степени, в которой данные передаются, используются первично и повторно во всей экономике, т. е. от набора инструментов и институтов, регулирующих открытость данных и их совместное использование. Негативные внешние эффекты, связанные с персональными данными, могут привести к слишком широкому обмену данными по слишком низкой цене. Следовательно, информация о ценах и объемах может неадекватно отражать оценку пользователями своих данных. В целом, характеристики данных подразумевают, что затраты и цены могут не обеспечивать полностью точной оценки их экономической ценности. Тем не менее, они необходимы для получения надежных и сопоставимых оценок, которые могут быть дополнительно улучшены с помощью экономического или эконометрического анализа. Также обновленная СНС-2025 предоставит более точную, а главное, общеустановленную методику оценки больших данных для экономики.
Читайте также
Библиографический список
- Big Data UN Working global group – Режим доступа: https://www.unglobalpulse.org/our-work/ (дата обращения: 21.03.2024)
- Bureau of Economic Analysis (2022), “Nonresidential: Intellectual property products: Software”, Private Fixed Investment, Chain-type Price Index, Federal Reserve Bank of St. Louis (FRED), https://fred.stlouisfed.org/series/B985RG3A086NBEA (accessed on 11 January 2022)
- Digital Economy and Society (database), – Режим доступа: https://ec.europa.eu/eurostat/web/digitaleconomy-and-society/data/database (дата обращения 07 февраля 2025) .
- IT Глоссарий Garther – Режим доступа: https://www.gartner.com/en/information-technology/glossary/big-data (дата обращения: 15.03.2024)
- OECD (2022), “Data shaping firms and markets”, OECD Digital Economy Papers, No. 344, OECD Publishing, Paris, — Режим доступа: https://doi.org/10.1787/7b1a2d70-en (дата обращения: 15.02.2025).
- Posner, E. and G. Weyl (2018), Radical Markets, Princeton University Press, Princeton & Oxford.
- Shapiro, C. and H. Varian (1999), Information Rules: A Strategic Guide to the Network Economy, Harvard Business Review Press, Boston, MA.
- UN Global Pulse (Глобальный импульс ООН) — Режим доступа: https://www.unglobalpulse.org/ (дата обращения: 15.02.2025)
- UNSD, W. et al. (2009), 2008 System of National Accounts, United Nations Statistcs Division, Eurostat, International Monetary Fund, OECD, World Bank.
- Асемоглу, Д. и др. (2019), «Слишком много данных: цены и неэффективность на рынках данных», NBER Рабочий документ, № 26296, Национальное бюро экономических исследований, Кембридж, Массачусетс, — Режим доступа: https://doi.org/10.3386/w26296 (дата обращения: 21.02.2025).
- Бузмакова, М. В. Некоторые аспекты роли государства в условиях цифровой экономики / М. В. Бузмакова, А. А. Былинская, Н. Г. Глушич // Инновации и инвестиции. – 2020. – № 12. – С. 266-269.
- Чарльз И., и Тонетти, К. «Неконкурентность и экономика данных». Американский экономический журнал 110 (9): с. 2819–2858. Режим доступа: https://doi.org/10.1257/aer.20191330 (дата обращения: 21.02.2025)
- Остром, Э. «За пределами рынков и государств: полицентрическое управление сложными экономическими системами». American Economic Review 100 (3): с. 641-672, Режим доступа: http://www.aeaweb.org/articles.php?doi=10.1257/aer.100.3.641 (дата обращения: 21.02.2025).
- Полушкина, И. Н. К вопросу о возникновении и содержании понятия Big Data / И. Н. Полушкина // Социально-экономические предпосылки и результаты развития новых технологий в современной экономике : Материалы VI Международной научной конференции, Нижний Новгород, 14 февраля 2024 года. – Нижний Новгород: Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского, 2024. – С. 149-153.
- Портал открытых данных РФ. – Режим доступа: https://data.gov.ru/ (дата обращения: 05.12.2024).
- Статистическая комиссия ООН – Режим доступа: https://unstats.un.org/UNSDWebsite/statcom/ https://unstats.un.org/bigdata/(дата обращения: 21.03.2024).
References
- Big Data UN Working global group – Режим доступа: https://www.unglobalpulse.org/our-work/ (дата обращения: 21.03.2024)
- Bureau of Economic Analysis (2022), “Nonresidential: Intellectual property products: Software”, Private Fixed Investment, Chain-type Price Index, Federal Reserve Bank of St. Louis (FRED), https://fred.stlouisfed.org/series/B985RG3A086NBEA (accessed on 11 January 2022)
- Digital Economy and Society (database), – Режим доступа: https://ec.europa.eu/eurostat/web/digitaleconomy-and-society/data/database (дата обращения 07 февраля 2025) .
- IT Глоссарий Garther – Режим доступа: https://www.gartner.com/en/information-technology/glossary/big-data (дата обращения: 15.03.2024)
- OECD (2022), “Data shaping firms and markets”, OECD Digital Economy Papers, No. 344, OECD Publishing, Paris, — Режим доступа: https://doi.org/10.1787/7b1a2d70-en (дата обращения: 15.02.2025).
- Posner, E. and G. Weyl (2018), Radical Markets, Princeton University Press, Princeton & Oxford.
- Shapiro, C. and H. Varian (1999), Information Rules: A Strategic Guide to the Network Economy, Harvard Business Review Press, Boston, MA.
- UN Global Pulse (Глобальный импульс ООН) — Режим доступа: https://www.unglobalpulse.org/ (дата обращения: 15.02.2025)
- UNSD, W. et al. (2009), 2008 System of National Accounts, United Nations Statistcs Division, Eurostat, International Monetary Fund, OECD, World Bank.
- Acemoglu, D., et al. (2019), “Too Much Data: Prices and Inefficiencies in Data Markets”, NBER Working Paper, No. 26296, National Bureau of Economic Research, Cambridge, Massachusetts, — Available at: https://doi.org/10.3386/w26296(Accessed: 21.02.2025).
- Buzmakova, M. V., Bylinskaya, A. A., Glushich, N. G. Some Aspects of the Role of the State in the Digital Economy [Nekotorye aspekty roli gosudarstva v usloviyakh tsifrovoi ekonomiki]. // Innovations and Investments, 2020, No. 12, pp. 266-269.
- Charles I., and Tonetti, C. 2020. “Non-Competitiveness and the Economics of Data.” American Economic Journal 110 (9): pp. 2819–2858. Available at: https://doi.org/10.1257/aer.20191330(Accessed: 21.02.2025)
- Ostrom, E. 2010. “Beyond Markets and States: Polycentric Governance of Complex Economic Systems.” American Economic Review 100 (3): pp. 641-672. Available at: http://www.aeaweb.org/articles.php?doi=10.1257/aer.100.3.641(Accessed: 21.02.2025).
- Polushkina, I. N. On the Question of the Emergence and Content of the Concept of Big Data [K voprosu o vozniknovenii i soderzhanii ponyatiya Big Data]. // Socio-Economic Prerequisites and Results of the Development of New Technologies in the Modern Economy : Materials of the VI International Scientific Conference, Nizhny Novgorod, February 14, 2024. – Nizhny Novgorod: National Research Lobachevsky State University of Nizhny Novgorod, 2024. – pp. 149-153.
- Portal of Open Data of the Russian Federation [Portal otkrytykh dannykh RF]. – Available at: https://data.gov.ru/(Accessed: 05.12.2024).
- UN Statistical Commission [Statisticheskaya komissiya OON] – Available at: https://unstats.un.org/UNSDWebsite/statcom/https://unstats.un.org/bigdata/(Accessed: 21.03.2024).
