CC BY
95
экономические науки
Туктамышева Лилия Мухаммадиевна МАТЕМАТИЧЕСКИЕ МОДЕЛИ ...
УДК 331.5.024.5
МАТЕМАТИЧЕСКИЕ МОДЕЛИ РЕГИОНАЛЬНОГО РЫНКА ТРУДА: ОПЕРАТИВНЫЙ МОНИТОРИНГ И ПРОГНОЗИРОВАНИЕ
© 2018
Туктамышева Лилия Мухаммадиевна, кандидат экономических наук, доцент доцент кафедры «Математические методы и модели в экономике» Оренбургский государственный университет (460018, Россия, Оренбург, проспект Победы, 13, e-mail: lmtuktamisheva@mail.ru)
Аннотация. Нахождение экономики страны в затяжном кризисе, начавшемся в 2008 году и получившем новые витки в результате снижения цен на нефть, ослабления курса рубля, санкций, обуславливает негативные тенденции на рынке труда. Показатели рынка труда, которые публикуются с частотой раз в месяц, отражают сложившуюся кризисную ситуацию с некоторым запаздыванием, а построенные на их основе модели, даже с учетом адаптации определяют перспективы лишь через три четыре месяца после кризиса, что не позволяет своевременно предпринять соответствующие меры органами власти. Кроме того, периодизация показателей рынка труда на основе методов многомерной классификации дает возможность установить характерные для развития рынка труда этапы, а получение прогнозных данных позволит определить к какому периоду развития будут свойственны будущие наблюдения. В этой связи является актуальной разработка методики оперативного мониторинга, позволяющей получать прогнозы изменения параметров рынка труда в первые дни после начала кризиса, когда наблюдаются существенные скачки курса доллара, ценных бумаг или других индикаторов, наблюдаемых с дневной частотой. Предлагаемая в статье усовершенствованная методика апробирована на данных по Оренбургской области, однако, может быть реализована для других регионов РФ.
Ключевые слова: рынок труда, многофакторные модели, мониторинг, модель регрессии на смешанных частотах, многомерная классификация, периодизация, адаптивные модели прогнозирования, методика оперативного мониторинга, показатели рынка труда
MATHEMATICAL MODELS OF THE REGIONAL LABOR MARKET: INSTANT MONITORING AND FORECASTING
© 2018
Tuktamisheva Liliya Muhammadievna, candidate of Economics sciences, associate professor reader in Mathematical Methods and Models in Economics Orenburg State University (460018, Russia, Orenburg, avenue Pobedy, 13, e-mail: lmtuktamisheva@mail.ru)
Abstract. The being of the country's economy in a protracted crisis, which began in 2008 and received new ways of development in lower oil prices, weakening the ruble, sanctions, causes negative trends in the labor market.The labor market indicators, which are published at a frequency of once a month, reflect the current crisis situation with some delay, and the models built on them, even taking into account adaptation, determine the prospects only three months after the crisis. It is preventing timely action by the authorities. The periodization of labor market indicators based on multidimensional classification methods makes it possible to establish the stages characteristic for the development of the labor market, and obtaining predictive data will allow to determine by what period of development future observations will be inherent. In this regard, it is urgent to develop a methodology for instant monitoring that allows you to receive forecasts of changes in the parameters of the labor market in the first days after the crisis begins, when there are significant jumps in the dollar, securities or other indicators observed at daily rates. The improved methodology proposed in the article is tested on data for the Orenburg region, however, it can be implemented for other regions of the Russian Federation.
Keywords: labor market, multi-factor models, monitoring, regression model on mixed frequencies, multidimensional classification, periodization, adaptive forecasting models, operational monitoring technique, labor market indicators
Экономика страны в последнее время находится, как принято сейчас говорить, на стадии турбулентности. Ослабление рубля, двусторонние санкции, нестабильность и напряженная политическая ситуация в странах-партнерах РФ привели к замедлению развития экономики, снижению доходов населения, росту социальной напряженности, связанной с падением занятости и ростом скрытой безработицы, снижением числа самозанятых. Такая ситуация требует непрерывного наблюдения и анализа состояния, то есть мониторинга для своевременного принятия соответствующих мер.
Значительная дифференциация регионов РФ, которая, на наш взгляд, не может быть преодолена в ближайшей перспективе, определяет разную степень влияния указанных факторов на их развитие. Специализация экономики Оренбургской области, ее приграничное расположение вносит свои коррективы в тенденции социально-экономического развития в целом и на рынок труда в частности, что требует уточнения перечня показателей обычно используемых для характеристики рынка труда.
Показатели рынка труда публикуются с помесячной частотой, а ряд индикаторов начавшегося кризиса наблюдаются с дневной частотой. Игнорирование при моделировании таких высокочастотных показателей приводит к тому, что прогнозы поступают с опозданием в несколько месяцев. Таким образом, уточненный для специфики региона перечень показателей должен учитывать и этот факт.
Однако удачно сформированный перечень показателей для оперативного мониторинга и прогнозирования не всегда гарантирует достижения поставленной цели. Корректность выбора метода, а значит, и успех прогнозирования зависит от четкого определения существования и характера тренда изучаемого ряда динамики. Зачастую исследователи не уделяют этому внимания, что приводит к негативным последствиям: прогнозы имеют невысокое качество и дают смещение в долгосрочном периоде. Значит, методика оперативного мониторинга и прогнозирования должна содержать рекомендации выбора соответствующего инструментария.
Проблемам функционирования рынка труда уделено значительное внимание, как в мировой, так и в отечественной экономической науке. В частности вопросам моделирования и прогнозирования процессов на рынке труда посвящены работы таких ученых как А.В. Гладышева, А.Г. Коровкин, М.Б. Ермолаев, А.П. Дарманян, Г.В. Горелова и др. [1-5].
Моделированию основных показателей рынка труда посвящены работы таких авторов как, например, А.П. Дарманян , А.В Качалкина, Т.В. Сарычевой , А.Г. Коровкина [4-6]. Для описания процессов на рынке труда используются изолированные регрессионные модели. На наш взгляд, при описании таких сложных систем, применение моделей в форме системы уравнений может дать более наглядное представление о процессах, протекающих на рынке труда, а также получать точные
Tuktamisheva Liliya Muhammadievna MATHEMATICAL MODELS ...
economic sceinces
прогнозы.
В современных условиях требуется разработка долгосрочных программ на рынке труда. Поэтому достаточно остро встает вопрос прогнозирования показателей, характеризующих рынок труда. Рассматриваемому вопросу посвятили свои труды такие авторы как, например, С.Г. Резинкина, Т.В. Сарычева, А.О. Голятин и др. [6-8]. Наиболее применимыми для прогнозирования рынка труда, с нашей точки зрения, являются адаптивные методы, в которых наиболее свежим данным присваивается больший вес, а это, в свою очередь, позволяет получать наиболее качественные прогнозы.
Такие авторы как С.Г. Резинкина, М.Ю. Карышев, А.О. Голятин, в своих работах проводили исследование различий на региональных рынках труда с помощью методов кластерного анализа, позволяющих строить типологические группировки регионов [7-9]. В своих исследованиях авторы часто обращаются к иерархическим методам многомерной классификации, хотя, на наш взгляд, наиболее целесообразно было бы использование итеративных методов, а изучение пространственной и временной неоднородности на основе моделей панельных данных дало бы возможность отследить дифференциацию с учетом времени.
В известных нам работах основное внимание уделяется моделированию отдельных характеристик рынка труда и применению методов прогнозирования, основанных в основном на одномерных временных рядах. На наш взгляд, применение многофакторных моделей прогнозирования, основанных на системе уравнений или векторных моделях авторегрессии, позволит более наглядно и всесторонне описать процессы на рынке труда.
Вопросам регионального рынка труда посвящены работы многих отечественных ученых. Используемый в работах М.Ю. Карышева, А.Г. Коровкина, Ю.А. Пере-каренкова математико-статистический инструментарий позволяет отвечать на широкий круг вопросов, связанных с функционированием региональных рынков труда, однако, не позволяет осуществлять прогнозирование изменения показателей, характеризующих рынок труда в первые дни после начала кризиса [9-11].
Известно, что динамика социально-экономических явлений и процессов могут находиться как в краткосрочном, так и в долгосрочном равновесии, для учета таких связей используют простые и векторные модели корректировки ошибок, что в известных нам работах в области рынка труда не применялось. Кроме того, существенным препятствием для ряда исследований до недавнего времени являлось то, что информация по ряду макроэкономических показателей, в том числе показателей рынка труда публикуются по месяцам, а ряд показателей, одними из первых реагирующих на кризис (курс доллара, котировки ценных бумаг, цена на нефть и т.п.) по неделям, дням и даже часам. Использование моделей на смешанных частотах позволит преодолеть эти трудности, к сожалению в трудах отечественных ученых такой подход при анализе рынка труда практически не реализуется. Модели на смешанных частотах (Mixed Data Sampling) представляют собой многофакторные модели прогнозирования, где результативный показатель наблюдается реже, чем факторный показатель [12-15].
Экономика и социальная сфера Оренбургской области развиваются под влиянием ряда специфических характеристик такие как территориальное расположение, природно-климатические, социо- культурные условия, специализация на добыче нефти и газа. Эти особенности должны накладывать отпечаток на перечне показателей, отобранных для оперативного мониторинга и прогнозирования регионального рынка труда, а существующие методики такого мониторинга и прогнозирования должны быть усовершенствованы с учетом вышесказанного.
Имеющийся у автора задел в исследовании регионального рынка труда не учитывает пространственную и временную неоднородность, а разработанные модели
прогнозирования используют только данные с одинаковой частотой, использование же моделей на разных частотах (так называемые модели MIDAS) позволит существенно расширить имеющийся инструментарий, а также задействовать большое число показателей в рамках прогнозирования.
Цель исследования состоит в совершенствовании методики мониторинга, анализа и прогнозирования развития регионального рынка труда.
Предлагаемая нами методика оперативного мониторинга, анализа и прогнозирования регионального рынка труда должна включает ряд этапов. Рассмотрим их подробнее.
На первом этапе необходимо четко определить особенности Оренбургской области, которые следует учесть при исследовании рынка труда региона. Для этого основные показатели, характеризующие прямо или косвенно региональный рынок труда следует дополнить показателями, являющиеся значимыми именно для Оренбургской области, как приграничному региону с большим весом сельского хозяйства, добывающих отраслей для экономики и рынка труда.
На втором этапе дается общая характеристика показателей рынка труда региона. Рассчитываются и анализируются показатели состояния, вариации, динамики, структуры [16]. Уровни показателей за последний год сравниваются со средними значениями по стране, Приволжскому Федеральному Округу (ПФО). Делаются выводы и первые предположения относительно развития рынка труда региона.
Также на этом этапе осуществляется предварительный анализ рядов динамики для оперативного мониторинга и прогнозирования. Для решения этих задач используются непараметрические методы тестирования стационарности временных рядов и критерии проверки гипотезы о стохастическом тренде. При этом выбор критериев будет зависеть от того повлияли ли кризисные явления на тенденцию изучаемых показателей, так как при наличии структурных скачков критерии Дики-Фуллера для определения типа тренда неприменимы. На этом этапе необходимо четко определить есть ли в исследуемых рядах тренд среднего или дисперсии, есть ли сезонность и структурные скачки. Правильность выводов сделанных на первом этапе определяют корректность методов прогнозирования выбранных на других этапах [17].
Третий этап методики основан на изучении дифференциации муниципальных образований региона по показателям, характеризующим рынок труда. Для исследования дифференциации можно применить ряд методов, в частности это кластерный анализ, использование нейронных сетей. Разбиение муниципальных образований на однородные группы выступает не единственным вариантом изучения дифференциации. Ранжирование муниципальных показателей, например, на основе построения интегрального латентного показателя также решает поставленную задачу [17].
Анализ дифференциации муниципальных образований по показателям рынка труда дает не только возможность получить объективную информацию и выявить проблемные или наоборот успешные муниципальные образования, но и определить для последующего моделирования неоднородность данных в пространстве. Подобный анализ дифференциации проводят за ряд лет, что позволит точнее определить положение муниципальных образований региона по уровню развития рынка труда.
Четвертый этап исследования наиболее объемный по используемому инструментарию, а также является наиболее информативным. Осуществляется разработка математических, в том числе адаптивных, моделей краткосрочного прогнозирования показателей, характеризующих региональный рынок труда на основе одномерных временных рядов [18]. Использование адаптивных мо-
экономические науки
Туктамышева Лилия Мухаммадиевна МАТЕМАТИЧЕСКИЕ МОДЕЛИ ...
делей основанных на экспоненциальном сглаживании, а также моделей авторегрессии проинтегрированного скользящего среднего позволяет получать прогнозы на краткосрочную перспективу, а при поступлении новых данных по показателям рынка труда дает возможность уточнить полученные прогнозы. Автором в рамках реализации этого этапа методики показано преимущество использования моделей ARIMA с интервенцией, которые позволяют учитывать структурные сдвиги в результате воздействия кризиса на рынок труда региона.
Строятся модели регрессии, учитывающие пространственную и временную неоднородность данных, позволяющие осуществлять прогнозирование на среднесрочную перспективу [19; 20].
Для оперативного прогнозирования строятся модели регрессии на смешанных частотах (MIDAS), которые позволяют на основе изменения высокочастотных показателей, таких как курс доллара или цены на нефть, определять ожидаемые значения показателей рынка труда региона на ближайшую перспективу. В частности, автором разработаны авторегрессионные модели MIDAS для рядов динамики среднемесячной заработной платы и уровня безработицы, позволяющие осуществлять оперативное прогнозирование их уровней на основе добавления в модель дневных данных по курсу доллара. В частности, на основе моделей можно предсказать, как изменятся значения этих показателей при резких скачках курса доллара по отношению к рублю.
Инструментарий выявления однородных групп во времени составляет основу пятого этапа, в котором на основе использования методов кластерного анализа выделяются схожие периоды развития рынка труда. Установление характерных периодов и переход их из одного этапа в другой на основе прогнозов, полученных на предыдущем этапе, позволяет делать выводы о перспективах состояния рынка труда региона [21]. В частности нами установлено, что за период с 2010 года для рынка труда региона характерны три фазы развития. Первой фазе характерно благоприятное состояние рынка труда региона, которое выражается в высокой заработной плате и занятости, низких показателях безработицы. Во второй фазе средние значения таких показателей, как потребность в работниках, численность занятых и среднемесячная заработная плата самые низкие. Средние значения численности незанятых и безработных выше по сравнению с другими фазами. Эта фаза соответствуют периоду валютного кризиса 2014-2015 гг., вызванного снижением мировых цен на нефть и введением западными странами первых санкций по отношению к РФ. Для периодов времени, которые характеризуют третью фазу, характерны высокая потребность в работниках, высокая среднемесячная заработная плата и большой процент незанятых. В периоды с одной сторона наблюдается вынужденная незанятость, с другой стороны - дефицит кадров, что выступает как характерное противоречие регионального рынка труда.
Таким образом, реализация всех этапов предлагаемой методики требует данных как пространственного так и временного характера. Схема методики представлена на рисунке 1.
Полученные на основе методики результаты и прогнозы могут быть использованы органами управления Оренбургской области при разработке региональных программ развития экономики и социальной сферы.
Таким образом, реализация предлагаемой методики позволит проводить мониторинг и оперативное прогнозирование регионального рынка труда. Расширение числа факторов влияющих на развитие показателей рынка труда за счет включения курса доллара, позволяет получать прогнозы их изменения в первые дни после существенного скачка курса доллара, который выступает индикатором ухудшения экономики страны, последствий введения новых санкций или других значимых внешнеполитических ситуаций._
Рисунок 1 - Схема методики оперативного мониторинга рынка труда региона
Предлагаемая в статье усовершенствованная методика апробирована на данных по Оренбургской области, однако, может быть реализована для других регионов РФ.
СПИСОК ЛИТЕРАТУРЫ:
1. Гладышева А.В. Математическое моделирование как инструмент исследования рынка труда // Вопросы статистики. 2010. № 8. С. 53-62.
2. Ермолаев М.Б. Экономико-математические модели анализа и прогнозирования регионального рынка труда // автореферат диссертации на соискание ученой степени доктора экономических наук / Ивановский государственный химико-технологический университет. Иваново, 2005. 16 с.
3. Горелова Г.В. Моделирование рынка труда: комплексный подход // Вестник Адыгейского государственного университета. 2012. № 3. С. 35-41.
4. Дарманян А.П., Качалкина А.В. Эконометрическое моделирование уровня занятости населения в России // Экономические науки. 2013. № 6. С. 673-675.
5. Коровкин, А.Г. Макроэкономический анализ и прогнозирование динамики занятости населения и рынка труда в РФ // автореферат диссертации на соискание ученой степени доктора экономических наук / Институт народнохозяйственного прогнозирования. Москва, 2002. 23 с.
6. Сарычева Т.В. Статистический анализ и прогнозирование состояния рынка труда Республики Марий Эл // автореферат диссертации на соискание ученой степени кандидата экономических наук / Марийский государственный университет. Москва, 2006. 25 с.
7. Резинкина С.Г. Модели анализа занятости и безработицы в России // автореферат диссертации на соискание ученой степени кандидата экономических наук / Южно-Российский государственный технический университет. Новочеркасск, 2014. 19 с.
8. Голятин А.О. Математическое моделирование и прогнозирование организованного рынка труда региона // автореферат диссертации на соискание ученой степени кандидата экономических наук / Ивановский государственный химико-технологический университет. Иваново, 2007. 19 с.
9. Карышев, М.Ю. Методология статистического
Tuktamisheva Liliya Muhammadievna MATHEMATICAL MODELS ...
economic sceinces
исследования территориальной дифференциации индикаторов состояния рынка труда в Российской Федерации // автореферат диссертации на соискание ученой степени доктора экономических наук / Самарская государственная экономическая академия. Самара, 2001. 22 c.
10. Перекаренкова Ю.А. [и др.] Региональный рынок труда: анализ, моделирование, прогноз // Вестник алтайской науки. 2014. № 1. С. 57-65.
11. Коровкин А. Г., Долгова И. Н., Единак Е. А., Королев И. Б. Согласование спроса на рабочую силу и ее предложения на региональных рынках труда: опыт анализа и моделирования // Научные труды: Институт народнохозяйственного прогнозирования РАН. 2012. № 10. С. 319-343.
12. Armesto, Engemann, Owyang. "Forecasting with Mixed Frequencies". Federal Reserve Bank of St. Louis Review, November/December 2010. № 92 (6). pp. 521-36.
13. Ghysels, Eric. Predicting Volatility: Getting the Most Out of Return Data Sampled at Different Frequencies // Journal of Econometrics. March/April 2006. № 131 (1/2). pp. 59-95.
14. Ghysels Eric. MIDAS Regressions: Further Results and New Directions // Econometric Reviews. 2007. № 26 (1). pp. 53-90.
15. Clements, Michael P. Macroeconomic Forecasting with Mixed-Frequency Data: Forecasting Output Growth in the United States / Michael P. Clements and Galvao, Ana Beatriz // Journal of Business and Economic Statistics. -October 2008. - №26 (4). - pp. 546-554
16. Реннер А.Г., Туктамышева Л.М. Анализ и прогнозирование динамики структуры показателей, характеризующих рынок труда Оренбургской области // Экономика и предпринимательство: Научно-информационный журнал. 2014. № 8. С. 183-187.
17. Математическое моделирование социально-экономических, демографических, миграционных процессов региона в условиях ВТО / О. И. Бантикова [и др.]; под ред. А. Г. Реннера; М-во образования и науки Рос. Федерации, Федер. гос. бюджет. образоват. учреждение высш. проф. образования «Оренбург. гос. ун-т». -Оренбург: Университет, 2015. - 196 с.
18. Туктамышева Л.М. Анализ и моделирование показателей спроса на рабочую силу (на примере Оренбургской области) В сборнике: Развитие территориальных социально-экономических систем: вопросы теории и практики. Сборник научных статей XV Международной научно-практической конференции молодых учёных. Ответственный редактор Ю.Г. Лаврикова. 2017. С. 187-190.
19. Реннер А.Г., Бравичева О.С. Моделирование рынка труда с учетом неоднородности данных // Вестник ОГУ. 2005. № 10. С. 128-134.
20. Туктамышева Л.М. Моделирование уровня занятости в Оренбургской области на основе панельных данных. Исследования и разработки в перспективных научных областях: сборник материалов IV Международной научно-практической конференции: в 2-х частях. Часть 2 / Под общ. ред. С.С. Чернова. - Новосибирск: Издательство ЦРНС, 2018. С. 228-232.
21. Туктамышева Л.М. Рынок труда Оренбургской области: анализ состояния и периодизация развития // Современная экономика: проблемы и решения. 2017. № 11 (95). С. 31-40.
Статья поступила в редакцию 23.04.2018
Статья принята к публикации 25.06.2018
