The impact of big data on decision-making on business support measures during the COVID-19 pandemic: The case of St. Pet.pdf Введение Пандемия Covid-19 нанесла серьезный удар по мировой экономике, спровоцировав самую глубокую за последние восемь десятилетий глобальную рецессию. В странах, где запоздало вводились меры по ограничению распространения вирусной инфекции, массовые вспышки заболевания и резкий спад объемов производства, потребительского спроса, уровня инвестиционной активности наблюдались в большей степени, чем в экономиках стран, которые действовали оперативнее, поскольку им приходилось устанавливать более жесткие ограничения и вводить дополнительные меры поддержки населения и бизнеса. Распространение Covid-19 пришлось на активную фазу цифровой трансформации во многих странах мира и спровоцировало ускоренную реализацию накопленного потенциала использования информационных технологий. Одним из следствий пандемии Covid-19 оказался пересмотр действующей цифровой повестки, равно как и использование больших данных для принятия политических решений. Объем данных, полученных в результате наблюдения за общественным здоровьем и мониторинга вспышек эпидемий, позволил в короткие сроки принимать решения в области здравоохранения и государственного контроля распространения заболевания [1]. В статье ставится исследовательский вопрос: как большие данные использовались для разработки мер поддержки малого и среднего бизнеса в Санкт-Петербурге в период пандемии Covid-19. Новизна исследования заключается в демонстрации использования больших данных для борьбы с пандемией и ее последствиями на региональном уровне с фокусом на интересы акторов в процессе принятия решений. Речь идет о внедрении системы QR-кодов для предпринимаю -лей. В качестве исследуемого региона был выбран Санкт-Петербург, так как Москва тесно связана с федеральной властью и отражает региональные особенности борьбы с пандемией не в полной мере (хотя бы по причине избыточности ресурсов в столице). В свою очередь, другие регионы России не так технологически развиты для демонстрации использования больших данных в период пандемии Covid-19, как Санкт-Петербург. Уникальность случая Санкт-Петербурга заключается и в том, что это единственный регион России, где система QR-кодов была установлена Для юриДических лиц. В других регионах, в том числе Москве, система QR-кодов подразумевала присвоение уникального кода физическим лицам, а именно всем вакцинированным гражданам [2]. Для преодоления экономических последствий пандемии на федеральном уровне была создана специальная информационная платформа, агрегирующая 42 действующие меры поддержки бизнеса, которыми могли воспользоваться предприятия любого региона [3]. В Санкт-Петербурге помимо федеральных мер были предложены и собственные. Система QR-кодов в Санкт-Петербурге была направлена не только на контроль соблюдения предприятиями норм безопасности в период пандемии, но и на сбор данных для последующей разработки мер поддержки малого и среднего бизнеса города. В первой части статьи концептуализируется понятие «большие данные», рассматривается их использование в процессе принятия политических решений и детально описывается подход к анализу политического процесса, объединяющий теорию политического цикла Г. Лассуэлла и теорию множественных потоков Д. Кингдона [4]. Первая часть завершается некоторыми особенностями применения данного подхода к российским реалиям, в том числе на региональном уровне. Вторая часть статьи посвящена рассмотрению кейса Санкт-Петербурга по сбору и анализу данных через систему QR-кодов для предпринимателей, а также разработке на их основании мер поддержки малого и среднего бизнеса в период пандемии Covid-19. Роль больших данных в процессе принятия политических решений В этом разделе статьи дается определение понятию «большие данные», рассматривается их использование в процессе принятия политических решений и описываются подходы к анализу политического процесса. Первые попытки российского (советского) осмысления значимости «больших данных» существовали еще в 70-х гг. XX в., когда в 1971 г. была поставлена задача применения электронно-вычислительной техники для поиска оптимальных экономических решений. Планировалось за пятилетие ввести в действие боле 1 600 автоматизированных систем в разных сферах (сельское хозяйство, связь, торговля, транспорт) для создания «общегосударственной системы сбора и обработки информации для учета, планирования и управления народным хозяйством на базе государственной системы вычислительных центров и единой автоматической сети связи страны» [5]. Однако впоследствии проект претерпевал изменения и не был реализован по политическим и экономическим факторам ввиду своей дороговизны, а также ввиду бюрократических особенностей и сложностей внедрения технологий в государственную систему управления. Современные авторы продолжают осмысление новых обстоятельств ввиду появления больших массивов данных и способов их обработки и дальнейшей имплементации их в систему государственного управления. Однако если количество зарубежных работ по теме «больших данных» и государственного управления исчисляется тысячами, а в узкой интересующей нас сфере - сотнями, то количество отечественной научной литературы значительно ниже. По заданным нами в самом начале параметрам поиска было обнаружено 1 422 исследований, отвечающих требованиям, за последние 5 лет (см. рис. 1). Основной интерес вызывают вопросы о потенциальных угрозах конфиденциальности информации и о защите гражданских прав в цифровой среде [6]. К примеру, невозможно предугадать, каким образом полученная информация о пользователе (например, каким образом поставленный «л» в социальных сетях, данные GPS-навигатора или поисковые запросы в поисковых системах) может в дальнейшем отразиться на частной жизни пользователя. Когда пользователь соглашается с политикой конфиденциальности той или иной компании, с которой он взаимодействует, в силу наличия «подробных» договоров, отнимающих большее время на его прочтение, чем на саму операцию пользователя, и информации «под звездочкой», он не успевает в полной мере оценить возможные последствия использования вводимой им информации в своей частной жизни. Зарубежный и отечественный опыт внедрения использования «больших данных» позволяет рассматривать эволюцию современного государства в условиях развития новых цифровых технологий во взаимосвязи с электронными [7]. Существуют примеры использования «больших данных» для прогнозирования преступности на определенных территориях. В России, например, массив данных, поступающих с видеокамер комплексной системы «Безопасный город» (информационно-аналитическая система, введенная в Москве), позволил раскрыть около 70% от общего количества раскрытых преступлений в 2014 г. Система, состоящая из множества взаимосвязанных друг с другом систем (транспортная, электро- и водоснабжения, телекоммуникационная), позволяет собирать множество данных, чтобы на их основе принимать оперативные требуемые решения [8]. Несмотря на позитивную оценку работы данной системы, нельзя не предположить возможное использование тех же данных в собственных интересах всеми участниками сбора, обработки информации и лицами, принимающими решения. Общее количество публикаций (ед.) 500 487 Л Ь ■ Рис. 1. Количество статей по теме «большие данные» в государственном управлении в базе данных «Scopus» (1995-2022 гг.) S я t-с ф я н X о CZ Таким же важным вопросом является анализ изменения социально-экономических процессов, методологии анализа данных лицами, принимающими решения. В прошлом возникало много затруднений в анализе и применении данных: запаздывала официальная статистика, экспоненциальный рост объема информации и было невозможно в требуемом режиме охватить все с помощью наблюдения. Также присутствовали низкая частота измерения показателей и отсутствие возможности верификации данных. С появлением «больших данных» стало возможным не ориентироваться на официальные данные, собранные службами статистики, не ждать их результатов, а обрабатывать данные в режиме онлайн и использовать те показатели, которые необходимы самому исследователю [9]. Все принимаемые решения нуждаются в нормативно-правовом регулировании, создании правовой базы во избежание рисков оборота данных в государственном управлении [10]. Основным документом, на котором построено планирование стратегий развития оборотов данных, в России является Национальная программа «Цифровая экономика Российской Федерации» (2018 г.) [11]. Программа, кроме вопросов стратегического развития, затрагивает также вопросы регулирования рисков в связи с возросшим числом государственных организаций и коммерческих структур, которые собирают первичную информацию о юридических и физических лицах. Возрос также электронный документооборот между различными государственными ведомствами, увеличился «рынок данных». Выделяя частные и государственные данные, автор исследования обращает внимание на риски, связанные с нарушением прав частных лиц (как отдельных, физических, так и коммерческих структур), и экономические потери государства от некорректного использования государственных данных, предлагает систему управления возникшими рисками. Основными рисками государственных данных называются: необходимое увеличение затрат на анализ данных в силу отсутствия их стандартизации (предложение авторов по нивелированию рисков -стандартизация представления, обработки и хранения данных в государственном управлении); замедление формирования потока данных (создание нормативноправового регулирования оперативного обновления и использования данных); киберугрозы для государственных информационных систем, риски потери либо пиратского использования конфиденциальных и секретных данных (предложения касаются участия в разработке норм международного права по соблюдению кибербезопасности информационной инфраструктуры, разработки учебных программ по информационной безопасности, обучения сотрудников госучреждений и населения, а также организации специальных информационных платформ для обмена актуальными данными о киберугрозах и их источниках всех участников информационных рынков) [10]. Отмечается, что многие недостатки в правовом регулировании могут являться следствием недостаточной комплексной (одновременно и экономической, и юридической) проработки данного вопроса. Таким образом, отечественные исследования также можно условно разделить по критериям имеющихся проблем и/или потенциальных угроз: технологическим, человеческим и юридическим. Стоит отметить, что фокус современных исследований, проведенных по теме «больших данных» и в государственном управлении смещен в плоскость юриспруденции. Такой феномен можно объяснить тем, что юриспруденция более развита, чем политическая наука, в силу сложившихся традиций. Большие данные и их использование в процессе принятия политических решений Наиболее часто термин «большие данные» определяется с использованием семи параметров, что называется теорией 7V. Первые три параметра, характеризующие большие данные, ввел Д. Лейни: разнообразие (variety), скорость (velocity), объем (volume) [12]. Впоследствии были добавлены еще четыре: ценность (value), достоверность (veracity), изменчивость (variability) и визуализация (visualization) [13]. Существует также понимание данных в зависимости от содержащейся в них информации или даже знания. В пирамиде Акоффа выделяются четыре уровня: данные как «сырье», получаемое из окружающей среды; информация - данные, имеющие смысловую нагрузку; знания - проверенная на практике и зафиксированная информация; мудрость - применение знаний (рис. 2) [10]. Wisdom Knowledge Wisdom ^(Knowledge Information Data Data Рис. 2. Пирамида Р. Акоффа (слева) и предложенная перевернутая пирамида Акоффа (справа) Учитывая особенности больших данных, Д. Двинских и Э. Талапина рекомендуют иное понимание этой концепции, предлагая «перевернуть» пирамиду так, чтобы информационно-аналитические системы (мудрость) стали фильтром для отбора данных [10]. Такое понимание подчеркивает, что большие данные как «сырье» уже невозможно обработать человеку самостоятельно. Для аналитики такого большого количества данных используются технологии и методы на основе уже имеющихся знаний и информации, которые в процессе принятия решений также дополняются принципами управления, где важно применять и человеческое участие, ту самую «мудрость». Увеличение доступной информации, включающее в себя понятие «больших данных», должно способствовать принятию лучших решений [14]. По сравнению с цифровизацией, управление на основе больших данных предполагает сбор и обработку качественно иных объемов данных, с более сложными характеристиками. Государственное управление, в свою очередь, претерпевает трансформацию с помощью автоматизации рутинных процессов, изменяющих систему предоставления общественных услуг [15]: незаменимы новые технологии и инфраструктурное развитие цифрового мира [16]. Цифровая трансформация в данном случае является неотъемлемой частью для возможности перехода к управлению на основании больших данных. Цифровизация в государственном управлении обычно понимается как способ повышения эффективности существующих органов государственного управления, оцифровки существующих документов, облегчения распространения информации и улучшения взаимодействия с гражданами. При этом задачей всегда является переход на новое качество управления, основанное на выстраивании процессов работы с теми данными, с которыми сталкиваются правительства [17]. В таблице представлено сравнение вышеописан -ных понятий. Таблица Сравнение цифровизации и управления на основе больших данных Критерии Цифровизация Управление на основе больших данных Объем Данных Ограниченные выборочные данные Данные, близкие к генеральной совокупности Тип сбора Данных Аналоговым и цифровым способами. Периодические выборочные обследования Только цифровым способом. В режиме реального времени Работа с данными Перевод аналоговых данных и услуг в цифровые сервисы. Повышение открытости и доступности гос-услуг, в том числе по скорости и удобству для пользователя Предоставление только цифровых услуг. Прирост информации об объекте управления. Использование при принятии более точных решений, с учетом временной и пространственной динамики Характеристики Данных Структурированные данные, по нужным отраслям, территориям. Статические временные срезы Неструктурированные комплексные данные Переход от цифровизации к управлению на основе больших данных требует выполнения нескольких условий. Во-первых, политики должны хотеть использовать большие данные в управлении. У них должно появиться желание сотрудничать с технологическими компаниями и перенимать практики использования больших данных в госуправлении. Во-вторых, правительства должны иметь большую базу накопленных данных. Как правило, большие данные изначально собирают компании из частного сектора (сотовая связь, финансы, соцсети). Соответственно, правительства должны получить к ним доступ. В-третьих, в госсекторе должны работать IT-специалисты необходимого уровня. Это условие предполагает как наличие конкурентных (по сравнению с частным сектором) зарплат, так и кадровой базы для рекрутирования (например, наличие топовых вузов по информатике, конкурентный рынок труда в IT-сфере). В-четвертых, у соответствующих правительственных структур должен быть успешный опыт реализации цифровых проектов. Иными словами, экспертиза, полученная на этапе циф-ровизации, оказывается востребованной и при переходе к управлению на основе больших данных. Использование больших данных в госуправлении является как источником новых возможностей для принятия более эффективных решений, так и вызовом для политиков. Когда речь идет о больших данных в процессе принятия решений, мы понимаем, что возникает необходимость во взаимодействии людей, обладающих, с одной стороны, навыками обработки и анализа данных и, с другой - навыками принятия политических решений. Ван дер Вурт определяет их как «аналитики» и «лица, принимающие решения». Стоит учитывать, что каждый участник процесса преследует собственные интересы и может повлиять на качество конечного решения, например, аналитики на этапе обработки данных принимают решения об их категоризации и источниках сбора данных. В свою очередь, лица, принимающие решения, могут по своему усмотрению отбирать нужную им информацию для легитимации уже принятого решения и так удовлетворять собственные интересы [18]. В процессе принятия решений важную роль играет экспертное знание, «агентами знаний» могут выступать внутренние исследователи, работающие внутри государственной структуры, личные советники политических лидеров, университетские преподаватели или ученые. В свою очередь, «агенты знаний» могут использовать большие данные в своих исследованиях. Выделают линейноавтономную модель взаимодействия экспертов и власти, когда научный и политический процессы происходят автономно, что обеспечивает непредвзятость научных фактов, использующихся в дальнейшем для принятия политических решений. Однако такая модель не учитывает существования пограничных структур между наукой и властью, поэтому предлагается иная модель «добродетельных оснований», которая подразумевает, что интеграция науки и политики поможет оптимальному достижению желаемой публичной цели [19]. В эпоху больших данных их использование становится очевидно выгодным и повсеместным, в том числе в государственном управлении на федеральном и региональном уровнях. Благодаря утвержденным стратегиям развития органы государственной власти применяют автоматизацию рутинных процессов и модифицируют систему предоставления общественных услуг. Происходит развитие цифровой инфраструктуры, позволяющей получать и анализировать всевозможного вида данные, что приводит к «удивительно положительным результатам для государственного управления с точки зрения его эффективности, результативности и общего удовлетворения клиента» [20]. Это также подтверждается тезисом о том, что чем больше качественной и точной информации будет доступно, тем лучше будут решения [21], что в свою очередь способствует рациональному использованию ресурсов и сокращению расходов. Таким образом, положительное влияние использования больших данных на процесс принятия решений не ставится под сомнение, что подтверждается применением этой практики повсеместно. Однако при определении степени влияния больших данных стоит помнить о том, что они проходят через своеобразную «воронку» ценностей и интересов тех, кто принимает как промежуточные, так и конечные решения. Подходы к анализу процесса политических решений В академическом сообществе используются несколько подходов для анализа процесса политических решений. Мы воспользуемся консолидированным подходом, связывающим теорию политического цикла Г. Лассуэлла и теорию множественных потоков Д. Кингдона [4]. Политический цикл в различных интерпретациях имеет от пяти до семи дискретных этапов: от определения повестки дня и разработки политики (policy) через принятие решения к его реализации и оценке. В рамках этапа оценки может потребоваться пересборка или корректировка принятого решения, в результате чего запускается новый цикл. [22] На рис. 3 наглядно представлен цикл политических решений. Рис. 3. Цикл политических решений [23] Модель политического цикла имеет свою критику и признается упрощенной: в реальности процесс принятия решений часто не соответствует строгой последовательности фаз, также данная модель не дает причинно-следственных объяснений переходам между этапами и не рассматривает участников процесса [24]. Для устранения этих ограничений М. Хоулетт предлагает объединить модель политического цикла с теорией множественных потоков [25]. Теория множественных потоков Д. Кингдона изначально была создана для более глубокого анализа первого этапа политического цикла - определения повестки дня. Д. Кингтон различает три независимых потока: поток проблем (problem stream), поток решений (policy stream) и поток политики (politics stream). Поток проблем включает в себя мнения членов общественного и политического сообщества о разного рода проблемах и необходимости вмешательства государства для их решения. Поток решений содержит рекомендации исследователей, аналитиков и других членов политического сообщества по решению имеющихся проблем. Поток политики - это политический и институциональный контекст, который характеризуется национальными настроениями, результатами выборов, перестановками в правительстве и другими факторами. При определенных обстоятельствах (focus events) происходит слияние этих трех потоков и открывается «окно возможностей» (policy window), во время которого политические предприниматели (policy entrepreneurs) могут инициировать включение предпочитаемых ими проблем и решений в повестку правительства [4]. Как мы покажем далее, пандемия Covid-19 оказалась именно таким «окном возможностей» для «предпринимателей» в области использования больших данных, в том числе и на региональном уровне. После определения повестки дня синергия трех потоков дополняется потоком политических процессов (policy process stream), что свидетельствует о переходе на следующую фазу политического процесса - формулирование альтернативных решений. Далее поток политики (politics) отделяется от общего процесса и происходит фаза принятия решения, где главную роль играет поток решений (policy). На этапе реализации, наоборот, поток решений отделяется, и вступает поток политики, дополняемый новым потоком программы (program stream), который наиболее тесно связывает проблему и решение. Наконец, на этапе оценки все потоки снова воссоединяются [4]. Такой подход, объединяющий модели политического цикла и множественных потоков, позволяет учитывать акторов и их модели поведения в политическом процессе и объяснить логику переходов между фазами цикла. Для обоснования применения данного подхода в контексте российских реалий приведем пример исследования, анализирующего миграционную политику России на федеральном и региональном уровнях. Благодаря концепции множественных потоков Э. Хофманн упорядочивает процессы, связанные с принятием мер в отношении международной миграции, и рассматривает их как сочетание потоков проблем, решений и политики. Например, с 2010 по 2014 г., в связи с малым количеством национальных мер в отношении миграции, открывается окно возможностей для возобновления ограничительной политики в Краснодаре. В 2014 г. открывается новое окно возможностей уже для национальной миграционной политики, как последствие экономического кризиса в России [24]. Тем не менее несколько исследований свидетельствуют о том, что слияния трех потоков для открытия «окна возможностей» может и не произойти. Например, несмотря на широкое признание проблемы эпидемии ВИЧ/СПИДа в России, из-за отсутствия конвергенции потоков и эффективного «политического предпринимателя» автономия государства в политическом процессе возрастает и интересы гражданского общества не принимаются во внимание [26]. Провал реформ региональной политики в России также демонстрирует сложность достижения совокупности нужных факторов, так как региональные реформы не признаются федеральным правительством как первостепенно важные [27]. Федерализм в России характеризуется слабой степенью децентрализации и сильной властью центра, в связи с чем автономия регионов ограниченна и многие решения не могут быть приняты на региональном уровне [28]. Помимо этого, наличие неформальных институтов, таких как коррупция, «кумовство», блокируют попытки изменений и открытие «окон возможностей» для проведения реформ [29]. Применительно к нашему кейсу также интересной представляется идея лояльности региональных губернаторов к федеральным властям. В период пандемии Covid-19 она проявилась во внедрении непопулярных ограничительных мер на региональном уровне, несмотря на репутационные издержки, которые несли действующие губернаторы. Политическая ответственность за меры, связанные с пандемией, ложилась при этом не на федеральные, а на региональные власти [30]. Более подробно к описанию выбранного кейса переходим в следующем разделе. Теорию множественных потоков совместно с моделью политического цикла мы используем главным образом для определения роли пандемии Covid-19 в ускорении внедрения больших данных в процесс политических решений. Для изучения самого процесса использования больших данных мы сделаем акцент на акторах данного процесса и их интересах, а именно на «аналитиках данных» и «лицах, принимающих решения». Таким образом, наша модель рассматривает кейс с точки зрения динамичного процесса с причинно-следственными связями и с точки зрения акторов, принимающих участие в этом процессе. Влияние больших данных на решение о мерах поддержки предприятий Санкт-Петербурга в период пандемии Covid-19 В данном разделе будет подробно рассмотрен кейс внедрения системы QR-кодов для юридических лиц в Санкт-Петербурге в период пандемии Covid-19 с апреля 2020 по ноябрь 2021 г. Для анализа кейса использовался метод включенного наблюдения, подразумевающий участие в ежемесячных совещаниях по разработке мер поддержки предприятий в период апреля - октября 2020 г., проводимых в рамках рабочих групп Оперативного штаба по профилактике и контролю за распространением короновирусной инфекции в Санкт-Петербурге, а также изучение документов - постановлений правительства Санкт-Петербурга, внутренних отчетных документов и официальных сайтов в период с апреля 2020 по ноябрь 2021 г. В состав рабочих групп оперативного штаба входили представители Комитета по здравоохранению, Комитета по промышленной политике, инновациям и торговле, Главного управления МВД по г. Санкт-Петербургу и Ленинградской области, Росгвардии, МЧС, Управления на транспорте МВД России в Северо-Западном федеральном округе, представители подведомственных организаций. Совещания проводились в закрытом и открытом формате на регулярной основе, фиксировались ключевые решения в протокольном формате и их дальнейшая реализация в нормативноправовых актах, а также результаты мониторингов короновирусной ситуации, в том числе опирающиеся на принятую в начале апреля 2020 г. систему QR-кодов по соблюдению стандартов безопасной деятельности. Основные результаты и мониторинги публиковались на сайте «Петербург против короновируса». Следует обратить внимание, что мы не рассматриваем систему QR-кодов о вакцинации для физических лиц, так как она была введена на год позже и территориально не ограничилась лишь Санкт-Петербургом. Интересной представляется именно система QR-кодов для предпринимателей, так как она была предложена только в Санкт-Петербурге: предпосылки внедрения такого подхода в борьбе с пандемией именно в Санкт-Петербурге, участие в этом решении региональных акторов разного уровня. На примере данного кейса мы рассмотрим, как пандемия Covid-19 стимулировала использование больших данных для принятия решений в кризисной ситуации, а также попробуем ответить на вопрос, как использование больших данных повлияло на процесс принятия решений о мерах поддержки предприятий Санкт-Петербурга в период пандемии. Контекст и определение повестки дня: влияние пандемии В связи со стремительным распространением коро-навирусной инфекции в России указом Президента РФ от 25 марта 2020 г. № 206 были установлены нерабочие дни с сохранением за работниками заработной платы с 30 марта по 3 апреля 2020 г. [31]. Впоследствии еще двумя указами они были продлены до 11 мая 2020 г. В период нерабочих дней работа многих предприятий, за исключением прописанных в указе, приостанавливалась, в связи с чем экономическая обстановка в стране стала ухудшаться. То же происходило и во многих странах мира, где карантинные меры спровоцировали экономический кризис, так как компании столкнулись со сбоями в работе, введенными ограничениями и изменением потребительского спроса [32]. Применяя концепцию множественных потоков, можно сказать, что пандемия Covid-19 и первые карантинные меры, введенные в ответ на распространение инфекции, стали фокусирующим событием (focusing event), которое запустило процесс принятия политических решений и выделило среди потока проблем необходимость устранения экономических последствий пандемии. В потоке политики (politics stream) в этот момент происходит передача в регионы некоторых полномочий для введения мер по борьбе с коронавирусом [33]. С одной стороны, такой элемент децентрализации в условиях пандемии был необходим для учитывания скорости и особенностей распространения коронавируса в регионах. С другой стороны, ответственность за внедрение непопулярных ограничительных мер была возложена на региональных губернаторов [30]. В свою очередь, в Санкт-Петербурге на основе переданных полномочий был запущен проект по введению системы QR-кодов, прямое назначение которого было связано с контролем за соблюдением стандартов безопасной деятельности предприятий города. Запуск системы пришелся на апрель 2020 г. - период нерабочих дней, когда большинство предприятий приостановили свою деятельность. Почему же эта система была запущена только в Санкт-Петербурге? В соответствии с постановлением правительства Санкт-Петербурга от 13.03.2020 № 121 для возобновления деятельности компаниям Санкт-Петербурга необходимо было внедрить установленные стандарты безопасности и после соблюдения всех требований уведомить об этом через личный кабинет предпринимателя на сайте Санкт-Петербургского государственного бюджетного учреждения (СПб ГБУ) «Центр развития и поддержки предпринимательства Санкт-Петербурга» (ЦРПП) [34]. ЦРПП - это актор «среднего уровня», подведомственное учреждение Комитета по промышленной политике, инновациям и торговле Санкт-Петербурга (КИПИТ), оказывающее поддержку субъектам малого и среднего предпринимательства. При заполнении необходимой формы в личном кабинете предприниматели получали «уникальный знак» (QR-код), необходимый для размещения на своем сайте и при входе в заведение. Стоит отметить, что внедрение системы QR-кодов для предпринимателей стало возможным благодаря тому, что в потоке решений (policy stream) на сайте ЦРПП уже существовал личный кабинет, через который происходила коммуникация с предпринимателями. По внутренним данным ЦРПП, до пандемии личным кабинетом предпринимателя пользовалось около 3 200 компаний Санкт-Петербурга. В данном случае личный кабинет послужил инструментом для внедрения системы QR-кодов, так как в него оставалось только добавить нужный функционал. Таким образом, в результате слияния трех потоков открылось «окно возможностей», которое позволило внедрить систему QR-кодов для сбора данных о предприятиях Санкт-Петербурга. Цель этой системы в первую очередь - обеспечить соблюдение требований безопасной деятельности предприятий Санкт-Петербурга. Кроме того, именно сбор актуальной информации о предприятиях стал главным преимуществом внедрения данной системы. Не исключено, что данная мера была одобрена потому, что воспринималась региональной администрацией и как дополнительный инструмент контроля. При этом обеспечивающим инструментом агрегированной оценки уровня обследования объектов потребительского рынка выступал индекс соблюдения стандартов безопасной деятельности организаций. Показатель принимал шкалу от «0» до «1» с разбивкой на одну сотую: < 0,50 - красный уровень: в городе низкий уровень соблюдения стандартов; 0,50-0,75 - желтый уровень: в городе средний уровень соблюдения стандартов; 0,75-1 - зеленый уровень: в городе высокий уровень соблюдения стандартов, где 1 - все организации по итогам обследования имеют QR-код и не имеют нарушений, являющихся основанием для его отзыва. Методика построения индекса стандартов безопасной деятельности построена на необходимости получения QR-кода каждым юридическим лицом, продолжающим вести свою деятельность на территории города и подтверждающим соответствие деятельности требованиям такого стандарта. Стандарт содержит основные требования, предъявляемые к санитарному режиму организаций (индивидуальных предпринимателей) и личной гигиене работников, к особенностям режимов доступа в организации, к организации питания работников, санитарной обработке помещений, обеспечению работников средствами защиты. В части организации общепита и общественных мест установлены требования: количество посадочных мест, предельно допустимое количество посетителей на квадратный метр. Подобного рода данные, полученные по значительному числу организаций, отражают наиболее полное представление о том, как фактически ведется экономическая деятельность в Санкт-Петербурге. На 10 июля 2021 г. в Санкт-Петербурге было присвоено более 130 тыс. QR-кодов. Индекс соблюдения стандартов безопасной деятельности в организациях Санкт-Петербурга составил 0,75 [34]. цышевскии ьаказник Агалатово Токсово Кузьмо л веский Старая Новосел] '/шары Отрадное Никольское Центральный L Новая: 7 Одобрено: 9697 {Отклонено: 147 Отозвано: 21 * Нажмите для подробностей Парголово Лебяжье Гсктилицы Рис. 4. Карта выданных QR-кодов по районам Санкт-Петербурга, в частности Центрального района [34] Пандемия Covid-19, делегация ряда полномочий регионам и наличие инструмента в виде личного кабинета предпринимателя позволили обосновать и произвести сбор данных о предприятиях Санкт-Петербурга. В «добровольно-принудительном» порядке эти данные были собраны за довольно короткий срок, и на их основе стало возможным разработать меры поддержки малого и среднего бизнеса города. Использование больших данных в процессе разработки меры поддержки При рассмотрении следующего этапа политического процесса важно выделить его ключевых акторов: КИПИТ и ЦРПП. КИПИТ находится в потоке политики (politics), а по теории Ван дер Вурта является структурой, принимающей политические решения. Здесь был согласован проект по внедрению QR-кодов и выпущено постановление, обязующее их получение, также здесь согласовываются и вводятся меры поддержки предпринимателей. ЦРПП, в свою очередь, выступает в качестве держателя данных о предприятиях Санкт-Петербурга и рассматривается нами как «аналитик» (по Ван дер Вурту), находящийся в потоке решений (policy). Кроме того, ЦРПП является «агентом знаний», пограничной структурой в модели взаимодействия между властью и экспертами. По словам главы Центра развития и поддержки предпринимательства Санкт-Петербурга Л.А. Кузнецова, формирование первичных датасетов за счет регистрации в личном кабинете предпринимателя позволило властям судить о текущем состоянии бизнеса, сравнивая фактические данные с данными предыдущих лет [35]. Интересным представляется факт, что в данной ситуации ЦРПП как «аналитик» выступил с инициативой поддержки предпринимателей по предоплаченным сервисам и предоставления бизнесу доступа к актуальным цифровым сервисам. Как «агент знаний» и актор среднего уровня ЦРПП мог отчасти повлиять на принятие решения и преследовать собственные интересы для продвижения нужных сервисов. КИПИТ данную инициативу поддержал. Таким образом, правительство Санкт-Петербурга на этапе утверждения цикла политических решений сфокусировало свое внимание на предоставлении предприятиям предоплаченных цифровых сервисов. Данная мера поддержки была обусловлена, с одной стороны, более широким охватом субъектов предпринимательства, а с другой - адресностью (индивидуальностью) поддержки для каждого отдельного бизнеса [36]. Для предоставления меры поддержки в виде предоплаченных цифровых сервисов требовалась дальнейшая работа с данными и дополнение личного кабинета предпринимателя новыми функциями. На основе собранных ранее датасетов была произведена сегментация бизнеса на четыре направления: сфера услуг, производственный и технологический бизнес, креативные индустрии и социальное предпринимательство. Для каждого направления при участии экспертов отрасли были выделены стратегии развития, а также сформированы «коробки» решений, предоплаченных городом частных цифровых сервисов. Стоит отметить, что описанная выше практика основывается не только на анализе больших данных, но и на методе экспертных оценок. Как итог, данная политическая мера была реализована в формате программы «Городского акселератора», запущенной в марте 2021 г. В период пандемии Covid-19 Санкт-Петербург был единственны

Скачать электронную версию публикации