Аннотация результатов, полученных в 2019 году
В рамках работы первого года работы над проектом выполнены все поставленные задачи, полученный научный результат вносит вклад в расширение теоретико-методологического подхода к исследованию миграции ученых. Одним из важных выводов, полученных по итогу решения поставленных задач, заключается в том, что в последнее десятилетие наблюдается смена характера миграции – ее переход от brain drain к drain sharing. Специфика научной миграции перешла от безвозвратной миграции и потери интеллектуального капитала к его распределению между организациями, вовлеченными в процессы миграции. Среди частных результатов, полученных на 1-ом году работы над проектом отметим следующие. 1. Уточнено понятие мобильности ученого, которое трактуется как перемещение интеллектуальное капитала актора любым способом (с физическим перемещением или без, очное, заочное или онлайн), при этом не всегда происходит генерация нового продукта, идеи, возможен обмен результатами и знаниями; при этом понятие мобильность ученого шире понятия миграции. 2. Разработан алгоритм генерации библиометрических данных. Основным инструментом реализации распределенной обработки данных является Spark, взаимодействие с которым осуществляется через специализированные пакеты языка сценариев R. Анализ научной мобильности осуществляется с помощью программы поиска и обработки данных, созданной на основе оригинальных алгоритмов, разработанных авторами проекта. Для разработки алгоритма обработки базы использовался язык программирования Ruby. После сбора статистических данных проведена алгоритмизированная очистка данных (удаление и проверка омонимов, проверка авторов, имеющих единую публикацию и другие параметры). На первом этапе производится майнинг статей, аффилированных к выбранной организации, по наукометрическим базам данных. Исходный массив данных для статей представлен в виде столбцовой матрицы As1=(as1)r×1, s=1,...,r, где столбец рассматриваемой организации, является строкой с названием статьи, r-общее количество статей, аффилированных к рассматриваемой организации. На втором этапе матрица As1 расширяется путем добавления новых столбцов характеристик к анализируемому набору данных: идентификатор автора, имя, страна аффиляции, дополнительные аффиляции и количество цитирований для анализируемой статьи. Для этого производится, в том числе, майнинг личных профилей авторов статей с использованием ID автора. На третьем этапе производится сопоставление собранных данных для получения обобщенной информации о всех статьях, аффилированных с выбранной организации, и информации о всех авторах, участвовавших в работе над статьями. Результатом работы данного алгоритма является матрица ученых, указывающая основные индивидуальные характеристики, в том числе направление работы, количество и качество научных работ, а также текущие и предыдущие места работы ученого. Итоговая матрица X=(xij)c×d отражает количество статей, написанных автором i=1,...,c от академической организации j=1,...,d. В общем случае решение задачи можно представить следующим образом: при майнинге данных с помощью API производится скрутка базы по статьям, авторам и научным организациям; производится чистка полученного массива с использованием ID авторов, статей и организаций; выполняется проверка аффиляций в статьях и в профилях авторов; по результатам проверки получаются статистические массивы по академической активности и разреженная матрица, отражающая взаимодействие авторов работ и научных организаций. 3. Сформирована база статистических данных профилей учебных Уральского федерального университета, сменивших аффиляцию в профиле. С помощью алгоритма была сгенерирована информация об ученых Уральского федерального университета. Задача на данном этапе – проанализировать количественные данные по процессу миграции, отождествляемой с «brain drain». Алгоритм настроен таким образом, чтобы выявить, кто из сотрудников университета имел в анализируемый период аффиляцию в профиле УрФУ, и сменил ее на момент 2018 года (т.е. в профиле ученного не имеются публикации, аффилированные с УрФУ в 2018 г.). В итоге было обработано около 9 тысяч профилей сотрудников вуза (временной промежуток ограничен только последним годом 2018, начальный период не ограничен), из них автоматически было выделено 372 ученых, которые сменили аффиляцию. Таким образом, сформировано две базы данных: (1) 9 тысяч профилей сотрудников вуза, (2) 372 профиля сотрудников вузов, которые сменили аффиляцию (профили данной проверялась и база была уменьшена, описание далее), 372 профиля были уточнены по дополнительным параметрам. Посредством инструментов Excel, была осуществлена чистка базы: (*) убраны повторяющиеся фамилии (их оказалось 5), (*) не учитывались авторы, которые имели менее 2-х публикаций, таких оказалось еще 59 человек, (*) из анализа были исключены еще 34 профиля, т.к. данные авторы сменили профиль на другое российское учреждение (т.к. под миграцией ученого в трактовке brain drain понимается переезд в другую страну), (*) кроме того в дальнейшей обработке не учитывались данные за 2018 и 2019 г., т.к. мы предполагаем, что существует некоторый временной лаг для публикации (от принятия к печати до ее печати в журнале, и дальнейшее размещение в базе SCOPUS). Таким образом, на конец 2019 г. (без учета изменения данных в профиле за 2018 и 2019 г.) 204 ученых сменили аффиляцию УрФУ на другую страну. 4. Проведена количественная оценка сгенерированных профилей. Наибольший отток ученых из УрФУ, как и по всей России, пришелся на период 90-х годов до 2002 гг. Кроме того, следует отметить некоторую особенность в процессе миграции, если до начала 2000-х гг. миграция наблюдалась в числе ученых, которые были трудоустроены в УрФУ продолжительный период, то после, миграция имеет несколько иную картину. Её можно описать как миграция за счет ученых, которые были привлечены в рамках какого-либо проект (гранта), т.к. учёные, которые сменили аффиляцию после 2003 г. трудоустроены в УрФУ непродолжительный период времени (1-2 года) и, как правило, имели аффиляцию с зарубежным вузом, что позволяет нам сделать вывод о смене характера миграции: ее переход от brain drain к drain sharing, т.е. от безвозвратной миграции и потери интеллектуального капитала к его совместному использованию. Трансграничная миграция представлена зарубежными странами и странами постсоветского пространства. Среди лидеров принимающих стран обозначились США, Израиль, Англия, Канада и европейские страны (Германия, Франция, Чехия), также присутствуют страны постсоветского пространства – Беларусия, Украина, Молдавия, Узбекистан, всего 37 стран. Трансграничная миграция представлена следующими областями знаний: 20% – наука о материалах, 19% – физика и астрономия 15% – инженерия, 8% – биохимия и молекулярная биология, в структуре с долей 5% и менее присутствуют такие области знаний как компьютерные науки, математика, наука о земле, энергетика и др. Средний IF мигрирующего ученого составил 14, при этом детальный анализ можно представить следующим образом: IF более 26 у 16% эмигрированных ученых, IF 2 – 14%, IF 3 – 10%, IF 4 – 8%. 5. Создана многофакторная динамическая модель прогнозирования высококвалифицированной миграции с элементами теории игр, основанная на построении теории позиционных игр с учетом реализации равновесных условий Нэша для рынка труда. Данная модель позволяет отслеживать и прогнозировать миграцию ученых в зависимости от наличия вакансий, уровня заработной платы и уровня развития социально-экономических систем регионов и стран, в которых расположены центры притяжения научной миграции. Соответственно, модель позволяет учесть "утечку мозгов" (Brain drain and brain gain). Модель основана на положениях теории человеческого капитала, поведенческой экономики, новой экономики миграции, неоклассической теории миграции и синтетической теории миграции. Разработанная модель динамики научных миграционных потоков между крупными центрами притяжения основана на принципе разности потенциалов относительно основных параметров движения (драйверов) модели. Предложенная модель используется для прогнозирования миграционных процессов в зависимости от уровня заработной платы и степени развития региональных социально-экономических систем, которые расположены в центрах притяжения научной миграции. Таким образом, при изменении структуры объекта притяжения в ходе модельных расчетов миграционные потоки переориентируются на вновь возникающие центры притяжения в процессе моделирования. 6. Представлен набор показателей для оценки влияния миграции на научную деятельность: общее количество цитирований, количество соавторов, h-индекс, CiteScore, количество публикаций. Собраны данные для 204 анализируемых профилей по общему количеству цитирований автора, количеству соавторов, h-индекс, количество публикаций.

Аннотация результатов, полученных в 2020 году
Работа в отчетном периоде направлена на уточнение теоретико-методологического подхода к исследованию миграции ученых, создание математических моделей, позволяющих прогнозировать потоки миграции ученых. Расширение теоретико-методологического подхода к исследованию миграции ученых в рамках проведенного исследования можно представить через исследование частных и общих вопросов. К частным вопросам можно отнести то, что способствовало решению основной задачи проекта и формирование основной идеи (проверки гипотез): уточнение определения миграции ученых через выявление трендов, анализ способов исследования миграции и создание алгоритма генерации наукометрических данных; систематизация факторов, способствующих принятию решению о миграции. К общим вопросам, расширяющим теоретико-методологический подход к исследованию миграции ученых можно отнести итоговые выводы, сформированные на основе количественного анализа, о характере (тенденции) миграции, о специфики влиянии разных видов миграции на качество научной деятельности ученого; о масштабе миграции. 1. Уточнено определение миграции ученых, через выявление трендов, характерных для данной области: физическое и интеллектуальное, временное и постоянное перемещение – переход от braid drain к brain circulation и exchange, в первоначальных трактовках подразумевающие физическое перемещение высококвалифицированных кадров и последующий переход к brain sharing – совместное использование интеллектуального капитала. 2. Обозначены тенденции научной миграции в региональном разрезе. Внимание в работе смещено к региональному аспекту миграции ученых, такой выбор обусловлен следующими причинами: (1) развитие и тенденции регионов отличаются от столичных, (2) важность территориального развития и сохранение его интеллектуального потенциала значимо для целостного развития страны, (3) при понимании особенностей региональных миграционных потоков ученых возможно формирование своевременных превентивных мер. Результаты анализа миграции уральских ученых показывают, что в целом тренд с некоторым временным лагом повторяет мировой и общероссийский – переход от «утечки мозгов» к его совместному использованию: сходство в перечне принимающих стран и стран для сотрудничества, с мировым трендом в перечне мобильных «отраслей знаний»; ключевые различия – регион имеет более позитивные цифры миграции в трактовке «утечки мозгов», чем страна в целом. 2.1. Оценки влияния разных видов миграции на научную деятельность и развитие отечественной науки осуществлена через сравнительный анализ данных, сгенерированных по видам миграции ученых (brain brain и brain sharing). Результат обработки данных позволяет сделать вывод о том, что ученые, участвовавшие в процессе миграции являются более продуктивными. Однако показатели тех, кто является участниками процессов Brain sharing имеют более высокие значения эффективности своей деятельности. Например, 94% высокоцитируемых публикаций по анализируемому объекту приходиться на ученых, участвовавших в процессе Brain sharing, при этом средний квартиль журнала 1.5, против 2.2 среди тех, кто не участвует в этом процессе. 3. Обозначены драйверы, определяющие направления миграции, для последующей их количественной интерпретации и использования в модели прогнозирования миграции. Систематизация факторов осуществлялась на основе обработки кейсов по опросам высококвалифицированных мигрантов из разных стран (всего обработано около 20 кейсов, охватывающие более 15 стран). По итогу выделено 6 групп факторов, влияющих на принятие решение мигрировать, которые в свою очередь можно укрупнить в 2 группы: эндогенные, зависящие от личности потенциального мигранта и его ближайшего окружения, и экзогенные, внешние причины: сравнительные характеристики стран, удовлетворенность своим материальным положением и другими параметрами, толкающими индивида к мысли и принятию решения мигрировать. В целом можно отметить консервативность причин миграции не зависимо от страны проживания, основное отличие их сочетаемость и иерархичность. Среди наиболее частых причин отмечаются: ожидание увеличения дохода, улучшение качества жизни, важность профессиональных составляющих (научное сообщество, оснащенность рабочего места, карьерные возможности). Но вместе с тем наблюдается некоторая закономерность: достигая определенного материального, экономического блага (удовлетворенность уровнем дохода в стране-отправления) мигрант начинает уделять большее внимание нематериальным/неэкономическим благам (качество жизни, инфраструктура, профессиональное сообщество). 4. Разработана динамическая модель прогнозирования научной миграции, основанная на положениях теории позиционных игр, проведена количественная оценка прогнозирования миграционных потоков. Динамические модели трудовой миграции позволяют описать изменение объема и направленности миграционных потоков за счет описания поведения рационального индивида, стремящего максимизировать свои выгоды от процесса миграции. Основными драйверами в моделях данного типа могут выступать разности между уровнями благополучия в странах отправления и притяжения миграции, заданные методом разности потенциалов. В основе предлагаемого модельного уравнения прогнозирования научной миграции находиться экономический подход, а именно выделены основные экономические факторы, являющиеся стимулами к передвижению ученых. Одним из постулатов уравнения является то, что актор, принимающий решение мигрировать, ведет себя рационально. В рамках предлагаемого подхода для получения модельных драйверов производится оценка и сопоставление ключевых параметров, характеризующих привлекательность стран для научной миграции. Общая оценка и прогнозирование научной миграции производятся за счет основного модельного уравнения, в основе которого находятся такие показатели как ВВП на человека, расходы на науку на 1 ученого, а также показатели, позволяющие сопоставить уровень доходов (т.е. представить их в приведенном виде), для этого мы выбрали такие расходы как расходов на жилищные услуги и здравоохранение. Результатом моделирования является краткосрочный прогноз развития трендов научной миграции Свердловской области в ключевые страны притяжения миграции. В ходе прогнозирования выявлено изменение трендов в распределении научной миграции по странам притяжения. Основное изменение касается интенсификации потока ведущих стран Азии, и выравнивание его с потоками в Америку, данная динамика может объясняться конкурентоспособным финансированием науки, активным вовлечением иностранных ученых через дополнительное финансирование (например, совместные и индивидуальные грантовые программы). Вторая тенденция заключается в снижении темпов миграционного потока в европейские страны, объяснить такую динамику мы можем через распределение миграционных поток, направленных в Азию, опять же связанных с изменением финансовых показателей. 5. Разработана модифицированная динамическая модель пропорционального экономического роста, адаптированная для описания крупных фирм и организаций за счет получения обобщенного финансово-научного портрета организации и выявления наиболее предпочтительных для миграции организаций. Получена модельная конструкция, позволяющая произвести моделирование динамики развития научных организаций с несколькими режимами управления и описать миграционные потоки научных кадров между ними за счет интеграции конструкции динамических моделей миграции в уравнения, описывающие динамику человеческого капитала, трудовых ресурсов и научного потенциала. Производственная функция обладает рядом свойств, которые следует учитывать при создании модели пропорционального роста: выпуск равен нулю при условии, что не используется хотя бы один из производственных факторов. Динамическая оптимизация экономических показателей осуществляется на втором уровне с помощью принципа максимума Понтрягина. Данная задача характеризуется максимизацией функции полезности в управляемой системе на траекториях, полученных в результате описания динамики затрат. Решением этой задачи в рамках принципа максимума Понтрягина является оптимальный уровень инвестиций, который связывает все блоки модели. Выражения, полученные для задачи оптимального управления, определяют в модели структуру максимизированного гамильтониана, заданного тремя путями. Первый путь соответствует нулевому экстремальному режиму управления, второй путь представляет собой обычный режим управления, третий путь определяется экстремальным режимом максимально возможного уровня управления. Получены аналитические соотношения для оптимального управления, подставляя решения уравнений гамильтоновой динамики в структуру оптимального управления. При получении оптимальных инвестиций возможно произвести обратный переход со второго уровня оптимизации на первый уровень, а также определить структуру оптимальных инвестиционных потоков, направленных на обеспечение трудовыми ресурсами в соответствии с условиями исходной системы. Разработанная модель позволяет описать динамику развития социально-экономических систем с несколькими режимами управления и миграционными потоками научных кадров между системами. 6. С целью разработки частных мероприятий, способствующих развитию российской науки, был проведен комплексный анализ и сформирована SWOT-матрица. Среди ключевых пробелов российской научной сферы можно отметить: (*) снижение численности ученых на протяжении 20 лет, при этом как показывает наш анализ и исследования российских коллег, это не связано с массовым оттоком ученых, современный тренд сместился к синхронной занятости, скорее всего связано с непривлекательностью сферы среди молодого поколения и выбытием действующих ученых в другие отрасли экономики, (*) не высокое значение и отрицательная динамика по показателю количества ученых на 10 000 занятых, (*) не высокая доля расходов на исследования и разработки относительно ВВП, (*) низкие расходы на 1 ученого, (*) невысокая продуктивность ученых, (*) низкая привлекательность науки со стороны частного инвестор. Однако РФ имеет научный потенциал, который может отобразиться кардинально противоположно при разной политике: входит в ТОП-10 по абсолютному значению численности ученых, в ТОП-10 стран по абсолютному значению количества патентов, представлена публикациями в ТОП-30 отраслях знаний по высокоцитируемым публикациям, имеет конкурентоспособную производительность по расходам ИР на 1 патент. Выявленные угрозы, проблемы и окна возможности позволит нам описать сценарии реализации мероприятия и предложить частные мероприятия. Реализация мероприятий может осуществляться по трем сценариям: инерционный; сценарий удержания ведущих ученых; интеграция в мировую науку.