Везде
Прогнозирование отраслевой структуры занятости населения
Оглавление
Аннотация Оценить Содержание публикации
Библиография Комментарии
Поделиться
QR
Метрика
Прогнозирование отраслевой структуры занятости населения
Аннотация
Код статьи
S042473880024868-3-1
DOI
10.31857/S042473880024868-3
Тип публикации
Статья
Статус публикации
Опубликовано
Авторы
Дроботенко Михаил Иванович 
Аффилиация: ФГБОУ ВО «Кубанский государственный университет»
Адрес: Краснодар, Россия
Невечеря Артём Павлович
ORCID: 0000-0001-6736-4691
Аффилиация: ФГБОУ ВО «Кубанский государственный университет»
Адрес: Российская Федерация
Выпуск
Том 59 № 1
Страницы
22-29
Аннотация

Прогнозирование отраслевой занятости представляет интерес для всех субъектов рынка труда, способных влиять на динамику трудовых ресурсов (государственных и муниципальных служб, работодателей, работников). Качество прогнозирования динамики трудовых ресурсов зависит от степени агрегации используемых для этого статистических данных. При высокой степени агрегации каждый показатель рынка труда объединяет совокупность детализированных показателей, из-за чего информацию о трендах детализированных показателей невозможно учесть при построении трендов отраслевой занятости, что отрицательно сказывается на качестве прогноза. Негативно влияет на качество прогноза отсутствие информации о взаимодействии показателей рынка труда за каждый конкретный год. В работе предлагается с помощью балансовой математической модели динамики трудовых ресурсов, связывающей отраслевые показатели рынка труда, определить показатели межотраслевых перемещений. Для вычисления показателей рынка труда используются только статистические данные о структуре отраслевой занятости и безработице. Таким образом, для детализации рынка труда Российской Федерации с помощью показателей межотраслевых перемещений достаточно данных о динамике трудовых ресурсов, предоставляемых Федеральной службой государственной статистики. Показано, как с помощью показателей межотраслевых перемещений построить прогнозные значения этих показателей и вычислить прогнозные значения показателей рынка труда. Для установления влияния детализации показателей рынка труда на надежность прогноза отраслевой занятости рассмотрены примеры построения прогноза занятости в отраслях экономики Российской Федерации на 2011–2016 гг. и на 2019 г. Выбор интервала исследования вызван вступлением в силу в 2017 г. второй редакции «Общероссийского классификатора видов экономической деятельности». Для анализа использовались результаты прогнозирования непосредственно по показателям рынка труда и по показателям межотраслевых перемещений, полученные с помощью балансовых моделей различной степени детализации. Для оценки качества прогнозирования приведены таблицы надежности прогнозов, которые свидетельствуют о том, что детализация параметров отраслевой занятости при помощи балансовой модели способна повысить надежность их прогноза.

Ключевые слова
балансовая модель, динамика трудовых ресурсов, детализация межотраслевых связей, прогнозирование, рынок труда.
Классификатор
Получено
27.07.2022
Дата публикации
29.03.2023
Всего подписок
15
Всего просмотров
332
Оценка читателей
0.0 (0 голосов)
Цитировать   Скачать 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.

Библиография

1. Дроботенко М.И., Невечеря А.П. (2021). Прогнозирование динамики трудовых ресурсов на многоотраслевом рынке труда // Компьютерные исследование и моделирование. Т. 13. Вып. 1. С. 235–250.

2. Единак Е.А., Коровкин А.Г. (2014). Построение баланса территориального движения занятого населения (на примере федеральных округов РФ) // Проблемы прогнозирования. № 3 (144). С. 72–85.

3. Коровкин А.Г. (2001). Динамика занятости и рынка труда: вопросы макроэкономического анализа и прогнозирования. М.: МАКС Пресс.

4. Коровкин А.Г., Единак Е.А., Королев И.Б. (2017). Прогнозирование численности и структуры населения на базе балансового подхода. В сб.: Демографический потенциал стран ЕАЭС. Екатеринбург: Институт экономики УрО РАН. С. 297–303.

5. Невечеря А.П. (2016a). Исследование динамики трудовых ресурсов на основе многоотраслевой математической модели рынка труда // Экономика и математические методы Т. 52. Вып. 2. С. 129–140

6. Невечеря А.П. (2016b). Численный алгоритм в задаче самоорганизации трудовых ресурсов // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ). № 04(118). С. 1333–1349.

7. Невечеря А.П. (2021). Задача прогнозирования динамики трудовых ресурсов // Наука. Новое поколение. Успех. Т. 2. С. 24–26.

8. Россия в цифрах. 2021: Краткий статистический сборник (2021). М.: Федеральная служба государственной статистики.

9. Тихонов А. Н., Арсенин В. Я. (1979). Методы решения некорректных задач. М: Наука.

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

11. 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.

12. 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.

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

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

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

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

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.

Комментарии

Сообщения не найдены

Написать отзыв
Перевести