МОДЕЛЬ БЕЗРАБОТНОГО НА ОСНОВЕ АНАЛИЗАСТАТИСТИЧЕСКИХ ДАННЫХ СЛУЖБЫ ЗАНЯТОСТИЗА 2020-2021 ГГ Текст научной статьи по специальности «Экономика и бизнес»

УДК 004.048:331.5 DOI 10.24147/2222-8772.2022.1 .39-50

МОДЕЛЬ БЕЗРАБОТНОГО НА ОСНОВЕ АНАЛИЗА СТАТИСТИЧЕСКИХ ДАННЫХ СЛУЖБЫ ЗАНЯТОСТИ

ЗА 2020-2021 ГГ.

Омский государственный университет им. Ф.М. Достоевского, Омск, Россия

Аннотация. В работе строится усреднённая модель безработного на основе статистических данных за 2020-2021 гг. Проверяется гипотеза: действительно ли типовой безработный, обратившийся в службу занятости, — это представитель малого бизнеса, потерявший его в период пандемии?

Ключевые слова: модель безработного, служба занятости, статистические данные.

Введение

В период пандемии 2020-2021 гг. ситуация на рынке труда резко изменилась. Локдаун привёл к уходу с рынка небольших фирм, сокращению сектора малого бизнеса, что в свою очередь привело к увеличению числа безработных. Пособия по безработице были подняты, что вывело из тени часть безработных, ранее не обращавшихся в службу занятости. Модели эффективности, построенные ранее [1,2], не предполагали наличие таких внешних обстоятельств, так существенно повлиявших на рынок занятости.

В сложившихся обстоятельствах представляет интерес модель безработного для этого сложного периода пандемии. Действительно ли разорившиеся представители малого бизнеса формируют большинство обратившихся в службу занятости? Проверка данной гипотезы и является главной целью настоящего исследования.

По-прежнему нам интересен вопрос эффективности работы службы занятости. Модель безработного строится на основе статистических данных службы занятости Омской области. Упор делается на выявление статистических зависимостей между параметрами безработного и длительностью нахождения его на учёте в службе занятости как одном из возможных показателей эффективности её работы.

Н.Ф. Богаченко

к.ф.-м.н., доцент, e-mail: nfbogachenko@mail.ru

Д.Н. Лавров к.т.н., доцент, e-mail: dmitry.lavrov72@gmail.com

1. Данные

В нашем распоряжении имелась база данных на 50950 записей о безработных, обратившихся в службу занятости. В это число входили безработные как находящиеся на учёте в службе занятости, так и завершившие взаимодействие со службой.

Интересно проанализировать наличие зависимости между характеристиками безработного и длительностью пребывания его на учёте в службе занятости.

2. Метод

Для анализа данных была использована библиотека pandas, написанная на языке python, а в качестве среды разработки — jupyter.

На первом шаге данные были загружены в датафрейм и продолжающие стоять на учёте были отфильтрованы.

xlsx = pd.ExcelFile('test3.xlsx') df = pd.read_excel(xlsx, 'test3')

df2=df.loc[df['Дата решения о снятии с учета']>'']

С завершённым периодом безработицы оказалось 49111 из общего числа обратившихся в службу занятости за представленный период наблюдений.

На втором шаге была вычислена продолжительность нахождения на учёте в днях (переменная delta), создан и присоединён столбец с этими данными к датафрейму:

a = df2['Дата первичного обращения'] b = df2['Дата решения о снятии с учета'] delta=[]

for i in list(a.index):

x = dt.datetime(*map(int,a[i].split('.')[::-1])) y = dt.datetime(*map(int,b[i].split('.')[::-1])) delta.append((y-x).days) dat = {'delta' : delta}

temp_df = pd.DataFrame(dat,columns=['delta'],index=a.index) df2 = df2.join(temp_df)

Аналогично был вычислен возраст в годах безработного на 1 сентября 2021 г.

c = df2['Дата рождения'] y = dt.datetime(2021,9,1) ages = []

for i in list(c.index):

x = dt.datetime(*map(int,c[i].split('.')[::-1])) ages.append((y-x).days/365) data = {'ages':ages}

temp_df = pd.DataFrame(data.copy(),columns=['ages'],index=a.index) df2 = df2.join(temp_df)

3. Обработка данных и результаты

Результат действия команды

df2.groupby(by=['Подразделение','Пол']).mean()

представлен в табл. 1. Из таблицы видно, что для города средний трудовой стаж безработного значительно меньше, чем для области. Гипотеза: в городе в основном на учёте находятся «профессиональные» безработные, это видно по среднему трудовому стажу, который не достигает и года для 39-летних мужчин и 37-летних женщин. При этом среднее пребывание на учёте превышает 6 месяцев. В области ситуация несколько иная, и по нашим предположениям связана с реальным отсутствием рабочих мест в сельской местности и малых городах Омской области. Для подтверждения гипотезы предоставленных данных недостаточно, требуется дополнительное исследование.

Таблица 1. Средний возраст, среднее время пребывания на учёте, средний общий трудовой стаж в зависимости от пола и места проживания

Место проживания Пол Возраст Пребывание на учёте Общий стаж

Город Женский 37,030527 195,072750 0,875303

Мужской 39,169425 190,030178 0,691833

Область Женский 37,845763 157,610605 3,713653

Мужской 42,101928 156,631347 6,726148

Для более наглядного представления результатов с помощью библиотеки ша1р1оШЬ были построены гистограммы.

fig1 = plt.figure(1)

ax1 = fig1.add_subplot(111)

ax1.set_title("Число обратившихся в зависимости^

от длительности пребывания на учёте") df2.loc[:,'delta'].plot.hist(bins=50)

На рис. 1 представлена гистограмма, отражающая распределение числа безработных в зависимости от длительности пребывания на учёте в службе занятости. Из гистограммы видно, что среднее время пребывания на учёте составляет 180 дней, или 6 месяцев.

Следующий фрагмент кода строит гистограммы, изображённые на рис. 2.

^2= plt.figure(2) ax2=fig2.add_subplot(111) ax2.set_title("Влияние трудового стажа^

на длительность пребывания на учёте")

df2[(df2['Трудовой стаж гражданина - Общий стаж']<3)]

.loc[:,'delta'].plot.hist(bins=15,alpha=0.5) df2[(df2['Трудовой стаж гражданина - Общий стаж']>=3) &(df2['Трудовой стаж гражданина - Общий стаж']<7)] .loc[:,'delta'].plot.hist(bins=15,alpha=0.5) df2[(df2['Трудовой стаж гражданина - Общий стаж']>=7)] .loc[:,'delta'].plot.hist(bins=15,alpha=0.5)

Здесь (см. рис. 2) представлена зависимость числа безработных (ось ординат) от длительности пребывания на учёте (ось абсцисс) в разрезе трудового стажа. Стаж был поделён на три категории: «1» — от трёх до семи лет (средний возраст от 34 до 40 лет); «2» — более семи лет (средний возраст от 40 до 60 лет); «3» — менее трёх лет, самая многочисленная группа безработных. Дополнительные расчёты показывают, что средний возраст этой категории 3035 лет.

Хотим акцентировать внимание на то, что большая часть обратившихся в службу занятости имеют стаж менее трёх лет и возраст от 30 до 35 лет. Данный факт требует отдельного исследования и сбора дополнительных данных, чтобы раскрыть сложившуюся картину происходящего.

Рассматривая зависимость числа безработных от длительности пребывания на учёте в разрезе места проживания (рис. 3), видим, что время пребывания на учёте в области составляет в среднем 150 дней, или 5 месяцев, что меньше этого показателя для города (180-210 дней, 6-7 месяцев).

В то же время пол безработного влияет на время пребывания на учёте незначительно, так что этим можно пренебречь (рис. 4).

Классификацией Всемирной организации здравоохранения установлено: 1844 года — молодой возраст, 45-59 лет — средний возраст; 60-74 года — пожилой возраст, 75-90 лет — старческий возраст; старше 90 лет — долгожители [3]. Очевидно, что трудоспособный возраст безработного до 60 лет у женщин и до 65 лет у мужчин. В наше рассмотрение попадают три возрастных категории: молодой возраст, средний возраст и часть пожилого возраста.

На рис. 5 видно, что основная категория, состоящая на учёте в службе занятости, это молодые люди до 45 лет. Вторая по численности категория — безработные среднего возраста. Какой-либо зависимости времени пребывания на учёте от принадлежности этим категориям не выявлено.

Исследуя зависимость длительности пребывания на учёте и сам факт трудоустройства от наличия образования (см. табл. 2 и рис. 6), отметим, что людям с основным общим или средним общим образованием сложно предложить вакансии в связи с отсутствием у них специальности, а также большой конкуренции на вакансию. С профильным и высшим образованием трудоустраиваются 40 % всех обратившихся, а без профобразования — всего лишь 28 %.

Вместе с тем на учёте меньше находятся безработные со средним профессиональным образованием и основным общим (9 кл.) — 3-4 месяца, в то время как со средним общим образованием (11 кл.) и высшим образованием средняя продолжительность пребывания на учёте составляет 6 месяцев.

Число безработных в зависимости от длительности пребывания на учёте

3500

0 100 200 300 400 500 600

Рис. 1. Гистограмма зависимости числа безработных от длительности пребывания на учёте в

службе занятости

Зависимость числа безработных от длительности пребывания на учёте в разрезе трудового стажа

Рис. 2. Трудовой стаж гражданина: 1 — от 3 до 7 лет; 2 — более 7 лет; 3 — менее 3 лет

Число безработных в зависимости от возраста в разрезе места проживания

5000-

4000-

3000-

2000-

1000-

0

5000-

4000-

3000-

2000-

1000-

Рис. 4. Пол: 1 — мужчины; 2 — женщины

1

2

0 100 200 300 400 500 600

Рис. 3. Место проживания: 1 — город; 2 — село

Число безработных в зависимости от длительности пребывания на учете в разрезе пола

2 1

0 100 200 300 400 500 600

Число безработных в зависимости от длительности пребывания

7000600050004000300020001000-о-

Рис. 5. Возрастные категории: 1 — от 60 до 65 лет; 2 — от 45 до 60 лет; 3 — менее 45 лет Число безработных в зависимости от длительности пребывания

500040003000200010000-

Рис. 6. Образование: 1 — высшее; 2 — среднее профессиональное (в т. ч. начальное профессиональное); 3 — основное общее (9 кл.); 4 — среднее общее (11 кл.)

на учете в разрезе возрастных категории

3

2

_1_

и-1-1-1-1-1-1—

О 100 200 300 400 500 600

на учёте в разрезе полученного ими образования

4

3

2

1

О 100 200 300 400 500 600

Таблица 2. Образование трудоустроенных

Образование Количество безработных Трудоустроенных СЗ Процент трудоустроенных СЗ, % Трудоустроенных самостоятельно Процент трудоустроенных самостоятельно, %

Высшее 2229 179 8,03 732 32,84

Высшее, бакалавр 166 25 0,15 40 24,10

Высшее, дипломированный специалист 58 4 6,90 16 27,59

Высшее, магистр 10 3 30,00 4 40,00

Не имеющие основного общего 530 73 13,77 111 20,94

Основное общее (9 кл.) 15335 1148 7,49 3377 22,02

Послевузовское профессиональное 1 0 0,00 0 0,00

Среднее общее (11 кл.) 26675 1439 5,39 5902 22,13

Среднее профессиональное (в т. ч. начальное профессиональное) 5946 835 14,04 1497 25,18

Отметим также, что в сравнении с количеством людей, которые смогли трудоустроиться самостоятельно, количество трудоустроенных с помощью службы занятости (СЗ) в разы ниже.

Анализируя последнюю гистограмму на рис. 7, можем завершить построение описательной характеристики типичного безработного:

- возраст от 30 до 45 лет;

- образование среднее общее (11 классов);

- пол: вероятнее женский;

- место проживания: вероятнее городской житель;

- трудовой стаж менее 3 лет;

- продолжительность пребывания на учёте в службе занятости от 180 до 210 дней (6-7 месяцев).

Заключение

Нужно сказать, что наша гипотеза о том, что разорившиеся представители малого бизнеса формируют большинство обратившихся в службу занятости, не подтверждается. Это не значит, что таковых нет. Это означает, что они массово не обращаются в службу занятости.

3500300025002000150010005000-

Рис. 7. Образование: 1 — высшее; 2 — среднее профессиональное (в т. ч. начальное профессиональное); 3 — основное общее (9 кл.); 4 — среднее общее (11 кл.)

Второй важный вывод исследования — среднее профессиональное образование позволяет быстрее найти работу. Безработные с незаконченным средним образованием (9 кл.) также относительно быстро находят работу. Средняя длительность пребывания на учёте этих двух категорий 3-4 месяца, в отличие от других категорий, где этот срок составляет в среднем около 6 месяцев. Общий вывод, тем не менее, таков: с профильным и высшим образованием трудоустроиться проще.

Благодарности

Работа выполнена при финансовой поддержке РФФИ в рамках научного проекта № 20-010-00489.

Литература

1. Bogachenko N.F., Lavrov D.N., Stuken T.Y. Evaluating the Performance of Employment Services: Experience of Building a Model // The 14th International Days of Statistics and Economics. Conference Proceedings. 2020. С. 1174-1183. URL: https://msed.vse.cz/msed_2020/article/ 371-Stuken-Tatiana-paper.pdf

2. Богаченко Н.Ф., Лавров Д.Н. Об особенностях реализации интервального метода анализа иерархий в задаче оценки эффективности работы службы занятости // Математические структуры и моделирование. 2020. № 4(56). С. 41-48.

Число безработных в зависимости от возраста в разрезе полученного образования

4

3

2

1

20 30 40 50 60

3. Васильева Ю.В., Шуралева С.В. Возраст как фактор уязвимости работника в трудовом праве // Вестник Пермского университета. Юридические науки. 2020. № 3.

MODEL OF THE UNEMPLOYED BASED ON THE ANALYSIS OF STATISTICS FROM THE EMPLOYMENT SERVICE FOR 2020-2021

N.F. Bogachenko

Ph.D.(Phys.-Math.), Associate Professor, e-mail: nfbogachenko@mail.ru

D.N. Lavrov

Ph.D.(Eng.), Associate Professor, e-mail: dmitry.lavrov72@gmail.com Dostoevsky Omsk State University, Omsk, Russia

Abstract. The work builds an average model of the unemployed based on statistical data for 2020-2021. The hypothesis is being tested: is the typical unemployed person who applied to the employment service really a small business representative who lost it during the pandemic?

Keywords: unemployed model, employment service, statistics data.

References

1. Bogachenko N.F., Lavrov D.N., and Stuken T.Y. Evaluating the Performance of Employment Services: Experience of Building a Model. The 14th International Days of Statistics and Economics, Conference Proceedings, 2020, pp. 1174-1183. URL: https://msed.vse.cz/msed_2020/article/ 371-Stuken-Tatiana-paper.pdf

2. Bogachenko N.F. and Lavrov D.N. Ob osobennostyakh realizatsii interval'nogo metoda analiza ierarkhii v zadache otsenki effektivnosti raboty sluzhby zanyatosti. Matematich-eskie struktury i modelirovanie, 2020, no. 4(56), pp. 41-48. (in Russian)

3. Vasil'eva Yu.V. and Shuraleva S.V. Vozrast kak faktor uyazvimosti rabotnika v tru-dovom prave. Vestnik Permskogo universiteta. Yuridicheskie nauki, 2020, no. 3. (in Russian)

Дата поступления в редакцию: 05.12.2021