Везде
Forecasting the sectoral structure of population employment
Table of contents
Annotation Estimate Publication content
References Comments
Share
QR
Metrics
Forecasting the sectoral structure of population employment
Annotation
PII
S042473880024868-3-1
DOI
10.31857/S042473880024868-3
Publication type
Article
Status
Published
Authors
Michael Drobotenko 
Affiliation: Kuban State University
Address: Krasnodar, Russia
Artyom Nevecherya
ORCID: 0000-0001-6736-4691
Affiliation: Kuban State University
Address: Russian Federation
Edition
Volume 59 No. 1
Pages
22-29
Abstract

All the labor market subjects that can influence the labor resources dynamics are interested in employment forecasts by labor market sectors. Such subjects are state employees and municipal employees, employers and workers. The statistical data aggregation degree affects the quality of the labor resources dynamics forecasting. Each labor market indicator combines a set of detailed indicators in a high degree of aggregation case. When building the trends it is impossibile to take into account information on the detailed indicators trends. The labor market indicators for each specific year don’t contain information about the interaction with each other. This fact also negatively affects the forecast quality. The article discusses the use of a balance mathematical model of the labor resources dynamics, which relates the labor market sectoral indicators, to define the intersectoral movements indicators. The authors consider a calculating labor market indicators method that uses only statistical data on sectoral employment and unemployment. Thus, the statistical data on the labor resources dynamics provided by the Federal State Statistics Service is a sufficient condition for the Russian Federation labor market detailing using intersectoral movements’ indicators. The paper shows how a set of intersectoral movements indicators allows building the forecast values of these indicators and using them to calculate the forecast values of labor market indicators. The article considers examples of building employment estimates by Russian Federation economy sectors for 2011–2016 and 2019. The entry into force of the All-Russian classifier of types of economic activity second edition in 2017 is the reason for choosing such research intervals. The purpose of these examples was to determine the impact of the detailed labor market indicators of the sectoral employment estimates reliability. The authors compared the forecast obtained directly from labor market indicators with the forecasts obtained from intersectoral movements indicators. Intersectoral movements indicators are the results of applying balance models with varying degrees of detail. The reliability tables presented in this work to assess the forecasting quality indicate that the detailing of the sectoral employment indicators by using the balance model can increase reliability of the forecast.

Keywords
balance model, labor force dynamics, intersectoral relations detailing, forecasting, labor market.
Received
27.07.2022
Date of publication
29.03.2023
Number of purchasers
15
Views
331
Readers community rating
0.0 (0 votes)
Cite   Download pdf
1 1. Введение
2 На качество прогноза динамики трудовых ресурсов влияет уровень агрегирования статистических показателей рынка труда (Key indicators ..., 2016). Прогнозируемый показатель рынка труда может объединять несколько факторов, тренды которых различны, вследствие чего модель динамики агрегированного показателя может не обладать достаточным уровнем предсказательной способности (Невечеря, 2021).
3 Один из подходов повышения надежности прогноза направлен на устранение эффекта агрегированности с помощью сегментирования отраслевых показателей. Обычно под сегментированием национального рынка труда подразумевается его разделение на два непересекающихся кластера (сегмента): первичный рынок с низким уровнем текучести кадров, высоким уровнем заработных плат и вторичный рынок с высоким уровнем текучести кадров и низким уровнем заработных плат (Wilkinson, 1981). В общем случае возможно определение сегментирования как групп непересекающихся кластеров трудовых ресурсов, каждый из которых обладает уникальным набором свойств по одному или группе признаков (Scott, Marshall, 2009). Например, можно осуществлять сегментирование трудовых ресурсов по территориальному и отраслевому признакам (Единак, Коровкин, 2014; Коровкин, 2001; Коровкин, Единак, Королев, 2017; Knobel, Kriechel, Schmid, 2008), по видам профессиональной деятельности, квалификации, роду занятий и образованию (Borghans, Grip, Heijke, 1996; Bakens, Fouarge, Peeters, 2018; Cörvers, Heijke, 2005) или по уровню сбора статистики. Например, в качестве сегментирования трудовых ресурсов можно рассматривать уточнение Росстандартом общероссийского классификатора видов экономической деятельности1, в результате которого отраслевая структура рынка труда стала включать 20 укрупненных отраслей вместо 12. При переходе к большей детализации показателей экономической деятельности ожидается повышение надежности прогноза агрегированных показателей (Tsakalozos, Konstantinos, Scott, 2011).
1. О принятии и введении в действие общероссийского классификатора видов экономической деятельности (ОКВЭД2) ОК 029-2014 (КДЕС ред. 2) и общероссийского классификатора продукции по видам экономической деятельности (ОКПД2) ОК 034-2014 (КПЕС 2008). (2014). Приказ Росстандарта от 31.01.2014 № 14-ст (ред. от 16.10.2018).
4 Увеличение числа сегментов на уровне модели трудовых ресурсов приводит к оценке большого числа факторов, по которым объективная регулярная статистика может отсутствовать. Для прогнозирования таких факторов могут использоваться экспертные оценки (Armstrong, 1984).
5 Надежность прогнозирования агрегированных показателей рынка труда можно повысить за счет детализации показателей межотраслевых перемещений на основе имеющейся статистики.
6 В работе (Дроботенко, Невечеря, 2021) предложена детализация трудовых ресурсов с помощью балансовой математической модели. Показано, что прогнозирование детализированных показателей (с последующим вычислением прогнозных агрегированных показателей на основе найденных детализированных) обеспечивает лучшую надежность прогноза по сравнению с подходом к прогнозированию экстраполяцией трендов показателей трудовых ресурсов.
7 В настоящей работе рассмотрена задача прогнозирования показателей рынка труда на основе балансовой модели с большей детализацией.
8 2. Прогнозирование отраслевой структуры рынка труда с помощью балансовой математической модели
9 2.1. Балансовая модель динамики трудовых ресурсов
10 Статистические данные, характеризующие состояние рынка труда, можно использовать для прогноза, построив тренды для каждого исследуемого показателя. Вычисление прогнозных значений таких показателей на основе статистики было рассмотрено в работе (Дроботенко, Невечеря, 2021). При таком подходе существующие связи между показателями рынка труда не учитываются. Однако они детализируют процессы исследуемого рынка, содержат информацию, которая отсутствует в статистике занятости и безработицы. Таким образом, учет этих связей за счет модели динамики может способствовать повышению надежности прогноза показателей рынка труда.
11 Балансовая модель была рассмотрена в работах (Невечеря, 2016a; Дроботенко, Невечеря, 2021). Моделируется динамика следующих показателей по n отраслям рынка труда: N1it — число занятых в отрасли i на конец года t ; N2it — число безработных на конец года t ; последнее место работы которых было в отрасли i ; N20t — число безработных на конец года t , которые ранее не имели занятости на исследуемом рынке; i=1,  ...,  n.
12 Для описания взаимодействия моделируемого рынка с внешней средой вводится экзогенный параметр ΔN20t — приток трудовых ресурсов на рынок труда в течение года t+1. Значение ΔN20t вычисляется на основе показателей Федеральной службы государственной статистики (Россия в цифрах ..., 2021). Формула, применяемая для вычисления ΔN20t , рассмотрена в работе (Дроботенко, Невечеря, 2021).
13 Балансовая модель динамики трудовых ресурсов включает уравнения связи между показателями рынка труда за годы t и t+1:
14 N1it+1=N1it+∑j=1n‍N2jtP1j,it+ΔN20t+N20tP10,it--N1itP2it+P3it+∑j=1,j≠in‍N1jtP4j,it-∑j=1,j≠in‍N1itP4i,jt,    i=1,  ...,  n, (1)
15 N2it+1=N2it+N1itP2it-N2it∑j=1n+1‍P1i,jt,    i=1,  ...,  n, (2)
16 N20t+1=N20t+ΔN20t-ΔN20t+N20t∑j=1n+1‍P10,jt,   —(3)
17 и ограничения:
18 P1j,it,  P1j,n+1t,  P2it,  P3it,    j=0,  ...,  n;    i=1,  ...,  n, (4)
19 P4j,it≥0,    j,i=1,  ...,  n,    j≠i, (5)
20 ∑i=1n+1‍P1j,it≤1,  P2jt+P3jt+∑i=1,i≠jnP4j,it≤1,    j=1,  ...,  n. (6)
21 Здесь P1j,it — вероятность того что безработный (с последним местом работы в отрасли j) в течение t+1 года найдет работу в отрасли i; P10,it — вероятность того что безработный, не имевший занятости с момента появления на данном рынке, в течение года t+1 найдет работу в отрасли i; P1j,n+1t — вероятность того что безработный, с последним местом работы в отрасли j, покинет рынок труда в течение t+1 года; P10,n+1t — вероятность того что ранее не занятый безработный в течение t+1 года покинет рынок; P2it — вероятность того что специалист, работающий в отрасли i, к концу t+1 года станет безработным; P3it  — вероятность того что специалист, работающий в отрасли i, покинет рынок труда в течение t+1 года; P4j,it — вероятность того что специалист, работающий в отрасли j, в течение t+1 года перейдет в отрасль i.
22 Таким образом, в балансовой модели появляются величины, связывающие показатели рынка труда — вероятности, которые характеризуют потоки межотраслевых перемещений трудовых ресурсов. Совокупность этих вероятностей в дальнейшем будем называть показателями межотраслевых перемещений.
23 Балансовая модель связывает 2n+1 показатель рынка труда с помощью 2n2+3n+1 показателей межотраслевых перемещений.
24 2.2. Нахождение показателей межотраслевых перемещений
25 Введем сопряженные переменные: P*it=1-∑k=1n+1‍P1i,kt,    i=0,  ...,  n, (7)
26 P**it=1-P2it-P3it-∑k=1,k≠inP4i,kt,    i=1,  ...,  n. (8)
27 Равенства (1)–(3) и неравенства (4)–(6) можно записать в матричном виде:
28 Nt,t+1=AtPt, (9)
29 Pt≥0. (10)
30 Здесь Nt,t+1 — вектор, компоненты которого зависят от показателей рынка труда за годы t и t+1. Его размерность равняется 4n+2, т.е. числу уравнений (1)–(3), (7), (8). Матрица At зависит от показателей рынка труда за год t и от экзогенного параметра ΔN20t. Размерность матрицы At равняется 4n+2×2n2+3n+1. Вектор Pt состоит из значений показателей межотраслевых перемещений трудовых ресурсов в течение года t+1. Размерность вектора Pt равняется 2n2+3n+1, т.е. числу показателей межотраслевых перемещений.
31 Задача отыскания вектора Pt, удовлетворяющего условиям (9), (10), является некорректной, ее решение с применением метода регуляризации (Тихонов, Арсенин, 1979) рассмотрено в (Невечеря, 2016a, 2016b).
32 2.3. Прогнозирование динамики трудовых ресурсов
33 Зная показатели рынка труда за годы t и t+1, с помощью (9), (10) можно найти вектор показателя межотраслевых перемещений Pt. Таким образом, знание совокупности показателей рынка труда за годы t-k, t-k+1,  …, t+1 позволяет найти вектора Pt-k,  …,Pt. Если для каждой компоненты вектора Pt построить тренд и на его основе вычислить прогнозное значение на t+1 год, можно составить прогнозный вектор межотраслевых перемещений Pпрt+1. Тогда с помощью равенства Nпрt+1,t+2=At+1Pпрt+1 можно вычислить прогнозные значения показателей рынка труда за год t+2.
34 2.4. Особенности предложенного подхода
35 Балансовые модели динамики структур занятости применялись ранее для исследования движения населения и трудовых ресурсов (Единак, Коровкин, 2014; Коровкин, 2001; Коровкин и др., 2017). Значения параметров движения населения и трудовых ресурсов (вероятностей pij перехода из состояния i в состояние j) данные Федеральной службы государственной статистики не содержат, поэтому для их оценки рассматривались различные теоретические схемы движения. При этом возникали трудности, связанные со «слабой изученностью социально-экономического механизма процесса движения населения и трудовых ресурсов, неразработанностью методов учета этого процесса, межотраслевых перемещений работников» (Коровкин, 2001, глава 3.3).
36 В предложенной в настоящей работе балансовой модели используются только показатели рынка труда, полученные на основе статистических данных Федеральной службы государственной статистики (кроме одной экзогенной величины — притока трудовых ресурсов на рынок труда). Параметры движения трудовых ресурсов2 вычисляются как решение уравнений балансовой модели (1)–(6). Для построения прогноза показателей рынка труда применяются только уравнения балансовой модели. Такой подход позволяет повысить объективность процесса прогнозирования.
2. В статье они названы «показателями межотраслевых перемещений».
37 3. Примеры прогнозирования динамики трудовых ресурсов на рынке труда Российской Федерации
38 До конца 2016 г. рынок труда Российской Федерации, согласно «Общероссийскому классификатору видов экономической деятельности» подразделялся на 12 отраслей. С 2017 г. действует вторая редакция общероссийского классификатора видов экономической деятельности, согласно которой рынок труда Российской Федерации разделялся на 20 отраслей (и деятельность экстерриториальных организаций).
39 Рассмотрим примеры прогнозирования динамики трудовых ресурсов до и после 2016 г., используя для вычисления показателей рынка статистические данные Федеральной службы государственной статистики, имеющиеся в открытом доступе3: численность занятых по видам экономической деятельности — для вычисления отраслевой структуры занятости. Способ приближенного вычисления отраслевой структуры безработицы по численности выбывших работников списочного состава по видам экономической деятельности см. в (Дроботенко, Невечеря, 2021).
3. Трудовые ресурсы, занятость и безработица. (2022 г.). Федеральная служба государственной статистики ( >>>>
40 3.1. Прогнозирование на 2011–2016 гг.
41 Для прогнозирования динамики рынка труда на 2011–2016 гг. привлечем статистические данные по 12 отраслям: 1) сельское и лесное хозяйство, охота, рыболовство и рыбоводство; 2) добыча полезных ископаемых; 3) обрабатывающие производства; 4) производство и распределение электроэнергии, газа и воды; 5) строительство; 6) оптовая и розничная торговля, ремонт автотранспортных средств, мотоциклов, бытовых изделий и предметов личного пользования, гостиницы и рестораны; 7) транспорт и связь; 8) финансовая деятельность, операции с недвижимым имуществом, аренда и предоставление услуг; 9) государственное управление и обеспечение военной безопасности, социальное обеспечение; 10) образование; 11) здравоохранение и предоставление социальных услуг; 12) другие виды экономической деятельности.
42 Приведем таблицу надежности прогнозов показателей рынка труда (табл. 1), полученных непосредственно по показателям рынка труда (столбцы I), балансовой модели из (Дроботенко, Невечеря, 2021) (столбцы II) и балансовой модели (1)–(6) (столбцы III). При прогнозировании показателей рынка труда и показателей межотраслевых перемещений выбирается один из трендов: константный, линейный или нелинейный (Дроботенко, Невечеря, 2021). Прогноз считается надежным, если его погрешность не превосходит 2%. В этом случае в соответствующем столбце стоит «0», в противном случае — «1». В строке «Итог» приведено число ненадежных прогнозов в текущем году. Таким образом, прогнозирование непосредственно по показателям рынка труда дает 30 ненадежных прогнозов; по балансовой модели из (Дроботенко, Невечеря, 2021) — 13; по балансовой модели (1)–(6) — 11.
43 Таблица 1. Таблица надежности прогнозов показателей рынка труда на 2011–2016 гг.
44
Отрасль 2011 2012 2013 2014 2015 2016
I II III I II III I II III I II III I II III I II III
1 0 1 1 1 0 1 1 0 0 1 0 0 0 1 0 0 0 0
2 0 0 0 0 0 0 1 1 1 1 1 1 0 0 0 1 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 1 0 1 1 1 1 0 0 0 1 1 0 0 1 1 0 0
5 0 0 0 1 1 0 1 0 0 0 0 0 0 0 0 0 1 0
6 1 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0
7 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0
8 1 0 0 0 0 0 1 1 0 1 1 0 1 0 0 0 0 0
9 1 0 0 0 0 0 1 0 0 0 0 0 1 1 0 1 0 0
10 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0
11 1 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0
12 1 0 0 0 0 0 1 1 1 1 0 0 1 0 1 0 0 0
Итог 6 2 1 4 2 3 8 3 3 4 3 2 3 2 2 5 1 0
45 3.2. Прогнозирование на 2019 г.
46 С 2017 г. народное хозяйство Российской Федерации разделяется на 20 отраслей:
47
  1. сельское и лесное хозяйство, охота, рыболовство и рыбоводство;
  2. добыча полезных ископаемых;
  3. обрабатывающие производства;
  4. обеспечение электрической энергией, газом и паром; кондиционирование воздуха;
  5. водоснабжение; водоотведение, организация сбора и утилизации отходов, деятельность по ликвидации загрязнений;
  6. строительство;
  7. торговля оптовая и розничная; ремонт автотранспортных средств и мотоциклов;
  8. транспортировка и хранение;
  9. деятельность гостиниц и предприятий общественного питания;
  10. деятельность в области информации и связи;
  11. деятельность финансовая и страховая;
  12. деятельность по операциям с недвижимым имуществом;
  13. деятельность профессиональная, научная и техническая (исключая научные исследования и разработки);
  14. научные исследования и разработки;
  15. деятельность административная и сопутствующие дополнительные услуги;
  16. государственное управление и обеспечение военной безопасности; социальное обеспечение;
  17. образование;
  18. деятельность в области здравоохранения и социальных услуг;
  19. деятельность в области культуры, спорта, организации досуга и развлечений;
  20. предоставление прочих видов услуг.
48 Возможность использования для прогнозирования данных лишь за 2017–2019 гг. ограничивает выбор прогнозного тренда константным. В табл. 2 приведены погрешности (в %) прогноза занятых. Цифрой «1» отмечены ненадежные прогнозы. В строке «Итог» в столбцах I, III, V показаны средние значения погрешностей прогнозов, а в ст. II, IV, VI — число ненадежных прогнозов. В столбцах I, II отражены результаты прогнозирования непосредственно по показателям рынка труда; в столбцах III, IV — результаты, полученные с помощью балансовой модели из (Дроботенко, Невечеря, 2021); в столбцах V, VI — с помощью модели (1)–(6). Таким образом, прогнозирование непосредственно по показателям рынка труда, прогнозирование показателей рынка труда с помощью балансовой модели из (Дроботенко, Невечеря, 2021) и с помощью балансовой модели (1)–(6) дают на 2019 г. 5, 2 и 2 ненадежных прогнозов соответственно.
49 Таблица 2. Таблица погрешностей и надежности прогнозов занятых в отраслях рынка труда Российской Федерации 2019 г.
50
Отрасль Прогноз на 2019 г.
I II III IV V VI
1 3,25 1 0,36 0 0,24 0
2 0,97 0 1,43 0 0,95 0
3 1,04 0 0,08 0 0,16 0
4 0,95 0 0,42 0 0,52 0
5 2,87 1 1,44 0 1,35 0
6 0,40 0 0,41 0 0,42 0
7 1,28 0 1,07 0 1,04 0
8 0,37 0 1,40 0 1,35 0
9 2,34 1 0,41 0 0,07 0
10 0,71 0 0,78 0 0,62 0
11 1,26 0 2,08 1 2,04 1
12 0,20 0 0,70 0 0,90 0
13 1,20 0 0,36 0 0,62 0
14 3,87 1 0,92 0 1,18 0
15 3,22 1 3,18 1 2,73 1
16 0,68 0 0,80 0 1,07 0
17 1,16 0 0,17 0 0,37 0
18 0,09 0 1,03 0 1,27 0
19 1,13 0 0,64 0 0,42 0
20 1,09 0 0,43 0 0,52 0
Итог 1,40 5 0,90 2 0,89 2
51 Рассмотренные примеры прогнозирования занятости по 12 и 20 отраслям свидетельствуют о том, что детализация показателей трудовых ресурсов является эффективным подходом для повышения надежности прогноза отраслевой занятости.

References

1. Armstrong J.S. (1984). Forecasting by extrapolation: Conclusions from 25 years of research. Interfacess. No. 003. 20 p.

2. Bakens J., Fouarge D., Peeters T. (2018). Labour market forecasts by education and occupation up to 2022. ROA. ROA Technical Reports, 14, 6, 52–66.

3. Borghans L., De Grip A., Heijke H. (1996). Labor market information and the choice of vocational specialization. Economics of Education Review, 15 (1), 59–74.

4. Cörvers F., Heijke H. (2005). Forecasting the labour market by occupation and education: Some key issues. Maastricht: Research centrum voor Onderwijs en Arbeidsmarkt.

5. Drobotenko M.I., Nevecherya A.P. (2021). Forecasting the labour force dynamics in a multisectoral labor market. Computer Research and Modeling, 13, 1, 235–250 (in Russian).

6. Edinak E.A., Korovkin A.G. (2014). Construction of balance of territorial mobility of employed population: Case study of federal districts of the Russian federation. Studies on Russian Economic Development, 3 (144), 72–85 (in Russian).

7. Key indicators of the labour market. Ninth edition. (2016). Geneva: International labour office.

8. Knobel C., Kriechel B., Schmid A. (2008). Regional forecasting on labour markets. Munich: Rainer Hampp Verlag.

9. Korovkin A.G. (2001). Employment and labor market dynamics: Issues of macroeconomic analysis and forecasting. Moscow: MAКS Press (in Russian).

10. Korovkin A.G., Edinak E.A., Korolev I.B. (2017). The number and population structure forecasting on the base of the balance approach. In: Demographic potential of the EAEU countries. Yekaterinburg: Institute of Economics UrB RAS, 297–303 (in Russian).

11. Nevecherya A.P. (2016a). Analysis of labor force dynamics in intersectoral mathematical model of the labor market. Economics and Mathematical Methods, 52, 2, 129–140 (in Russian).

12. Nevecherya A.P. (2016b). A numerical algorithm in the problem of self-organization of labor resources. Polythematic network electronic scientific journal of the Kuban State Agrarian University (Scientific Journal of KubSAU), 04 (118), 1333–1349 (in Russian).

13. Nevecherya A.P. (2021). Labour resources dynamics forecasting problem. Science. A new generation. Success, 2, 24–26 (in Russian).

14. Russia in figures. 2021: Brief Statistical Compilation (2021). Moscow: Federal State Statistics Service (in Russian).

15. Scott J., Marshall G. (2009). A dictionary of sociology. Oxford: Oxford University Press.

16. Tikhonov A.N., Arsenin V.Ya. (1979). Methods for solving ill-posed problems. Moscow: Nauka (in Russian).

17. Tsakalozos N., Konstantinos D., Scott R. (2011). Signal extrapolationusing empirical mode decomposition with financial applications. CASSP, IEEE International Conference on Acoustics, Speech and Signal Processing, 5744–5747.

18. Wilkinson F. (1981). The dynamics of labour market segmentation. NYC: Academic press.

Comments

No posts found

Write a review
Translate