ВЛИЯНИЕ ТРЕБУЕМЫХ РАБОТОДАТЕЛЕМ КОМПЕТЕНЦИЙ НА УРОВЕНЬ ПРЕДЛАГАЕМОЙ ЗАРАБОТНОЙ ПЛАТЫ НА РОССИЙСКОМ РЫНКЕ ТРУДА Текст научной статьи по специальности «Экономика и бизнес»

■

ОРИГИНАЛЬНАЯ СТАТЬЯ

DOI: 10.34022/2658-3712-2023-52-3-29-45 УДК 331.5 ^ ^3; ^4;

ВЛИЯНИЕ ТРЕБУЕМЫХ РАБОТОДАТЕЛЕМ КОМПЕТЕНЦИЙ НА УРОВЕНЬ ПРЕДЛАГАЕМОЙ ЗАРАБОТНОЙ ПЛАТЫ НА РОССИЙСКОМ РЫНКЕ ТРУДА

Т.О. Разумова, П.С. Лебедева

МГУ имени М.В. Ломоносова, Москва, Россия

АННОТАЦИЯ

Объект исследования - спрос на труд на российском рынке труда. Цель работы - определение наиболее часто предъявляемых работодателями образовательных, профессиональных, когнитивных, социальных и других требований и выявление наиболее высокооплачиваемых. В процессе работы были использованы современные методы исследования: «Латентное размещение Дирихле», «случайный лес», множественные регрессии и опорные векторы, а также текстовый анализ. На основе данных онлайн объявлений о вакансиях был представлен анализ спроса на компетенции работников со стороны работодателей, что позволило выявить наиболее часто требуемый набор компетенций и навыков, а также показать их влияние на размер предлагаемой заработной платы. Сделан вывод о сложном нелинейном характере связи между запрашиваемыми компетенциями и предлагаемой заработной платой. На основе полученных результатов было подтверждено существование проблемы «квалификационной ямы».

Ключевые слова: компетенции; прогнозирование заработной платы; квалификационная яма; структура спроса на труд.

Для цитирования: Разумова Т.О., Лебедева П.С. Влияние требуемых работодателем компетенций на уровень предлагаемой заработной платы на российском рынке труда. Социально-трудовые исследования. 2023;52(3):29-45. DOI: 10.34022/2658-3712-2023-52-3-29-45.

ORIGINAL PAPER

THE IMPACT OF THE COMPETENCIES REQUIRED BY THE EMPLOYER ON THE PROPOSED SALARY IN THE RUSSIAN LABOR MARKET

T.O. Razumova, P.S. Lebedeva

Lomonosov Moscow State University, Moscow, Russia

ABSTRACT

The object of the study is the labor demand in the Russian labor market. The purpose of the paper is to determine the educational, professional, cognitive, social, and other requirements that are most often imposed by employers and to identify those of them that are the most highly paid. The study uses methods such as Latent Dirichlet allocation, random forest multiple regressions, support vector machine, and text analysis. The study presents an analysis of employers' demand for workers' competencies based on data from online job advertisements. That allowed us to identify the most frequently required set of competencies and skills, as well as to show their impact on the proposed salary. The paper concludes that the relationship between required competencies and the proposed salary is of a complex and non-linear nature. In addition, based on the research results, the existence of the "skills mismatch" problem was confirmed.

Keywords: competencies; salary forecasting; skills mismatch; labor demand structure.

For titaHon: Razumova T.O., Lebedeva P.S. The impact of the competencies required by the employer on the proposed salary in the Russian labor market. Social and labor research. 2023;52(3):29-45. DOI: 10.34022/2658-3712-2023-52-3-29-45.

ВВЕДЕНИЕ

Сложившаяся экономическая ситуация в России представляет собой так называемые «ножницы», где одна траектория развития - высокий уровень накопленного человеческого капитала, который, как известно, представляет собой набор компетенций, знаний, умений и навыков, востребованных на рынке труда (52 место из 191 страны по индексу

© Разумова Т.О., Лебедева П.С., 2023

человеческого развития1), другая же - низкое качество институциональной среды, характеризующееся ее экстрактивной направленностью (защита прав собственности: 85 место из 129 стран2; восприятие

1 Human Development Index (HDI) // URL: https://hdr.undp.org/data-center/human-development-index#/indicies/HDI (дата обращения: 14.02.2023).

2 Международный индекс защиты прав собственности / International

Property Right Index 2022 // Международный Альянс прав собственности

/ Property Rights Alliance URL: http://internationalpropertyrightsindex.org/

(дата обращения: 14.02.2023).

коррупции: 136 место из 180 стран3). На данный момент есть свидетельства в пользу движения по второй траектории развития, при которой адаптация экономики страны, в виде ее сжатия и упрощения, становится причиной обесценивания человеческого капитала.

Во-первых, если рассмотреть непосредственные приоритеты развития по бюджетным расходам, то наблюдается стагнация и сокращение расходов на образование и здравоохранение, а также социальную политику при растущей доле расходов на национальную оборону и безопасность4. Для сравнения, расходы на образование в среднем по ОЭСР составляют почти 5% ВВП, в России - 3,7% ВВП. При этом стоит отметить, что недоинвести-рование в эту сферу может негативно сказаться на качестве и развитии человеческого капитала, являющемся одним из ключевых факторов экономического развития страны и повышения ее конкурентоспособности.

Во-вторых, в 2022 г. в России произошел большой отток квалифицированных специалистов в связи с геополитической ситуацией, повлекший за собой значительные потери человеческого капитала, восполнение которого займет не один год.5

В-третьих, потому, что до сих пор нет ясного понимания и достоверного знания в какой степени созданная структура спроса на рынке труда соответствует задачам формирования, развития и удержания человеческого капитала [1]. То есть, нет четкого представления: какие специалисты являются наиболее востребованными и к какой группе человеческого капитала они относятся с точки зрения задач, которые они должны выполнять на рабочем месте, и необходимых для этого компетенций? Таким образом, одной из целей настоящего исследования является поиск ответа на вопрос: «Предъявляет ли экономика страны спрос на высококачественный человеческий капитал?»

В-четверых, на сегодняшний день, по данным Индекса привлекательности рынка труда, в России не создана среда, необходимая для развития и самореализации человека (страна занимает 83 место из 133 стран по привлечению талантов, 77 из 133 - по созданию возможностей, 52 из 133 - по

3 Россия опустилась на 136 место в Индексе восприятия коррупции // ТАСС URL: https://tass.ru/ekonomika/13520635 (дата обращения: 14.02.2023).

4 Основные направления бюджетной, налоговой и таможенно-тарифной политики на 2023 год и плановый период 2024 и 2025 годов // Минфин России URL: https://minfin.gov.ru/common/upload/library/2022/11/ main/2023-2025.pdf

5 Аузан отвел 7-10 лет на замену уехавших из России в 2022 году специалистов. — Текст: электронный // Интерфакс : [сайт]. — URL: https:// www.interfax.ru/business/884415 (дата обращения: 12.02.2023).

доступу к возможностям роста).6 Согласно отчету BCG, почти половина занятых в стране попадают в «квалификационную яму» из-за проблемы несоответствия (избыточности или же недостаточности) их навыков требуемым работодателем компетен-циям7. Более того, существенная доля занятых из-за низких зарплат работает в условиях «трудовой бедности». При этом разница в оплате высококвалифицированного и низкоквалифицированного труда в стране весьма небольшая, что говорит о низкой ценности человеческого капитала. Например, разница в оплате труда водителя и врача в РФ - 20%, в то время как в Германии - 172%, в Бразилии - 174%, в США - 261%)8, что говорит о низкой ценности человеческого капитала. Это в свою очередь ожидаемо снижает мотивацию людей повышать свой уровень образования и компетенций, необходимых для высококвалифицированных профессий.

Вместе с тем сторона спроса в российской академической литературе исследована крайне слабо, при том, что существует много научных работ по предложению труда и его структуре. Стоит отметить, что в качестве показателя спроса на труд неслучайно выбран набор требуемых компетенций, предъявляемых работодателями в описаниях вакансий. Именно он является одним из наиболее информативных, поскольку работодатели напрямую прописывают свои ожидания от кандидатов в режиме реального времени.

Актуальность выбранной темы работы обусловлена также и тем, что важно учитывать, какие навыки и их сочетания имеют более значительный вклад в предлагаемую работодателем заработную плату. Так, например, время, затрачиваемое на приобретение того или иного дополнительного навыка, ограничено и, следовательно, потенциальный работник выбирает, каким конкретно навыком он может овладеть за счет другого. Помимо этого, работники могут изменять свои входные данные для выполнения задач, выбирая определенные рабочие места в соответствии со сравнительными преимуществами и перераспределяя свои трудовые затраты в промежутках изменений их рыночной стоимости [2].

6 The Global Talent Competitiveness Index 2022 // URL: https://www. insead.edu/sites/default/files/assets/dept/fr/gtci/GTCI-2022-report.pdf (дата обращения: 07.04.2023).

7 Исследование: почти половина россиян находятся в "квалификационной яме" // ТАСС URL: https://tass.ru/ekonomika/10256265 (дата обращения: 14.02.2023).

8 BCG Россия 2025: от кадров к талантам / BCG. — Текст: электронный // URL: https://d-russia.ru/wp-content/uploads/2017/11/Skills_0utline_web_ tcm26-175469.pdf (дата обращения: 12.02.2023).

■

ТЕОРЕТИЧЕСКИЕ АСПЕКТЫ СПРОСА НА КОМПЕТЕНЦИИ СО СТОРОНЫ РАБОТОДАТЕЛЕЙ

Используя в качестве синонимов такие термины, как «квалификации», «компетенции», «компетентность» в качестве синонимов, ряд зарубежных и отечественных авторов определяют их как совокупность навыков, знаний и умений, необходимых для профессиональной деятельности [3]. При этом в трактовке ряда исследователей «квалификации» являются составной частью «компетенций» [4] и определяются в результате освоения работником определенной образовательной программы и/или приобретения им практического опыта. Вместе с тем, под компетенциями понимают также и личностные качества и способности, которые используются сотрудником в рамках своих должностных обязанностей [5].

Проблема, связанная с отсутствием единого подхода к классификации и формулировке компетенций, не такая простая, как кажется, поскольку может привести к искажению полученных результатов исследования. Например, компетенции можно классифицировать следующим образом:

• согласно классификации компетенций ФГОС (Федеральный государственный образовательный стандарт) СПО (среднего профессионального образования) компетентность будущего специалиста включает в себя общие и профессиональные компетенции, а ВО (высшего образования) - универсальные, общепрофессиональные и профессиональные;

• профессиональные и социально-психологические, обе группы в свою очередь подразделяются на общие (базовые, ключевые) и специальные;

• личностные, социальные, технические, организационные и административные (модель профессиональных компетенций) [6];

• когнитивные, некогнитивные и технические (программа STEP Мирового банка) [7];

• общепрофессиональные, коммуникационные, поведенческие, связанные с работой в команде, аналитические и инновационные [8].

Также зачастую в исследованиях, анализирующих требования, предъявляемые работодателями к компетенциям работников, используется компе-тентностный подход в качестве методологической базы. В рамках исследования BCG «Россия 2025: от кадров к талантам» была разработана целевая модель компетенций, состоящих из знаний, умений и навыков, необходимых для эффективного функционирования экономики.

Знания - это определенная информация, усвоенная в процессе изучения действительности. Способность же применять ее на практике переводит ее в категорию умений, которые доведенные до автоматизма в процессе выполнения соответствующих действий становятся навыками - врожденной или же приобретенной способностью выполнять определенные профессиональные или рабочие задачи.

Deming, D.J, Laker, D.R. and Powell, J.L., Wenjing Lyu, Jin Liu Навыки классифицируют навыки на две основные группы [9; 10; 11]:

1) «мягкие» навыки: личностные (ответственность, креативность, стрессоустойчивость) и социальные (коммуникабельность, грамотная речь и ведение переговоров), которые являются базовыми или общими, поскольку они востребованы вне зависимости от профессии; 2) «жесткие» профессиональные навыки, специфические для конкретных профессий, например, компьютерные (знание ПО, программирование) или финансовые (расчет заработной платы, бухгалтерский учет).

Deming, Kahn на основе изучения ключевых слов по онлайн-площадкам рынка труда в США предложили свой вариант классификации, которая используется во многих исследованиях на тему влияния навыков на заработные платы [12]. А.Д. Волгин и В.Е. Гимпельсон выделили еще и дополнительные группы, опираясь на ключевые слова в онлайн-объявлениях о вакансиях по российскому рынку труда [13].

С точки зрения психологии одной из распространенных классификаций навыков является их разделение на когнитивные и некогнитивные [14]. Когнитивные навыки, подразделяемые на врожденные и приобретенные, представляют собой совокупность умственных (интеллектуальных) способностей, которые необходимы для человеческой деятельности, например, умение читать, писать и анализировать информацию. Некогнитивные навыки, как врожденные, так и приобретенные, представляют собой устойчивые во времени модели поведения и мышления, «которые отражают склонность реагировать на обстоятельства конкретным образом». Одной из самых распространенных классификацией некогнитивных навыков является «Большая пятерка»: добросовестность, экстраверсия, невротизм, открытость и дружелюбие. Иногда выделяют и квазикогнитивные навыки (эмоциональный интеллект).

Что формирует спрос на навыки? В первую очередь, безусловно, структура экономики и соответствующие ей профессии. Например, в индустриальной экономике превалирует спрос на фи-

зические и относящиеся к профессиям низкой и средней квалификации навыки, в экономике знаний - напротив, велик спрос на когнитивные и социально-поведенческие навыки. В свою очередь, цифровая экономика требует как общей компьютерной грамотности, так и специальных навыков.

Последние несколько лет в России в структуре общей занятости наибольшая доля принадлежит сфере торговли и услуг (около 15%), при этом около 80% занятых приходится на сектор услуг9. При такой профессионально-отраслевой структуре экономики растет спрос на универсальные навыки, а рабочие места, как правило, требуют решения кросс-функциональных задач и соответствующих наборов навыков. Причем существующая структура экономики (промышленность и сфера услуг - отрасли, преобладающие по вкладу в ВВП и по доле занятых) не требует дополнительного роста человеческого капитала работников [15].

КОМПЕТЕНЦИИ, НАИБОЛЕЕ ВОСТРЕБОВАННЫЕ И «ПРИВЯЗАННЫЕ» РАБОТОДАТЕЛЯМИ К ОПРЕДЕЛЕННЫМ РАЗМЕРАМ ПРЕДЛАГАЕМОЙ ЗАРПЛАТЫ

Среди факторов, которые могут потенциально влиять на предлагаемую оплату труда, выделим следующие:

• необходимый опыт работы;

• уровень образования, который является сигналом знаний и умений, которыми должен обладать потенциальный работник;

• определенный набор навыков: физических, когнитивных, технических, социальных и других;

• должностные обязанности, связанные с ответственностью, возлагаемой на данного сотрудника;

• предлагаемые условия труда, в том числе социальный пакет;

• социально-демографические характеристики (пол, возраст, семейный статус).

Часть исследований структуры спроса на труд связана с определением важности требования образования и опыта работы. Помимо частоты упо-минаемости интересен анализ требования данных компетенций при прогнозировании заработной платы потенциального работника. Так, например, исследование ВеЫа^, М. et а1. [16] объявлений о вакансиях, опубликованных работодателями из США, продемонстрировало, что наличие высшего образования является наиболее важным критерием для большинства работодателей. При этом опыт работы упоминается намного реже, хотя и является также

9 Рабочая сила, занятость и безработица в России (по результатам выбо-

рочных обследований рабочей силы). 2022. Стат.сб./Росстат. М., 2022. 151 с.

одним из ключевых критериев при отборе кандидатов на работу.

Анализ же испанского сектора информационных технологий (ИТ) показал: опыт работы здесь ценится и, соответственно, вознаграждается существенно выше чем наличие профильного образования. Помимо этого, на размер заработной платы влияет и занимаемая претендентом на предыдущем месте работы должность со всеми обязанностями, рабочими задачами и квалификациями [17].

Превалирующее влияние опыта на размер предлагаемой заработной платы также отмечают в своем исследовании Kulkarni, M. [18]. Проведя череду глубинных интервью с менеджерами по подбору персонала, авторы пришли к выводу, что работодатели готовы нанимать сотрудников с уровнем образования и опытом работы выше требуемых, то есть сверхквалифицированных работников. Причем, порой отсутствие необходимого образования не является препятствием для найма того или иного специалиста, потому что компенсируется его опытом.

В контексте стремления стран к конкурентному положению в экономике знаний, где знания и компетенции являются краеугольным камнем, было проведено не одно исследование по выявлению ключевых навыков и компетенций. Существует пласт работ, подтверждающих востребованность нерутинных когнитивных навыков и рост их влияния на заработную плату в последние годы в контексте цифровизации экономики, требующей выполнения сложных когнитивных задач и абстрактного мышления [19]. Цифровизация и автоматизация подразумевают замещение работников, выполняющих преимущественно рутинные, а также физические задачи, машинами и искусственным интеллектом. При этом при выполнении задач, связанных с социальными взаимодействиями, коммуникацией и решением нестандартных проблем, требующих креативного подхода, эмоционального интеллекта, высокого уровня квалификации, компьютерный капитал лишь успешно дополняет работников. И в данном случае можно говорить об обратной зависимости заработной платы от уровня рутинности выполняемых должностных обязанностей [20].

Помимо этого, результаты исследования, проведенного на данных онлайн-вакансий, размещенных в США с 2010 по 2015 гг., Deming D, Kahn LB показывают, что неоднородность в спросе на когнитивные и социальные навыки может объяснить до 12% различий в заработной плате. Причем требование более высокого уровня владения данными навыками присуще более высокооплачиваемым рабочим местам и

■

фирмам на рынке труда [12]. Также немаловажным выводом этой работы стало выявление корреляции между заработной платой и требованием одновременно как когнитивных, так и социальных навыков, что говорит о важности взаимодополняемости обоих типов навыков на рынке труда.

Результаты этой работы также согласуются и с исследованием Börner et al. [21], одним из основных выводов которого является выявление тесной взаимосвязи технических и социальных навыков.

Помимо взаимодополнения и влияния этих типов навыков друг на друга, требование некоторых «жестких» навыков в объявлениях вакансий может предсказывать требования определенных «мягких» навыков и наоборот.

Важность различных сочетаний навыков демонстрирует в своей работе Katharine A. Anderson [22]. Используя сетевой метод, автор приходит к выводу, что у работников с более разнообразными навыками, которые можно использовать в разных областях, зарплата значительно выше чем у специалистов, обладающих навыками, применимыми строго в рамках какой-то одной сферы.

Переходя к отечественным исследованиям, можно отметить, что при существующем разнообразии работ, посвященных стороне предложения труда, а также анализу детерминант заработных плат работников, недостаточно изучен вопрос спроса на навыки, в том числе при анализе онлайн-данных о вакансиях. Вместе с тем результаты РМЭЗ показывают, что наличие некогнитивных навыков положительно связано с заработной платой на российском рынке труда [14]. Интересно, что некогнитивные навыки объясняют в целом примерно ту же долю вариации оплаты труда, что и наличие высшего образования индивида (5%). Однако несмотря на столь высокую ценность некогнитивных навыков, далеко не все работники ими обладают: их нехватка весьма заметна, она велика даже по сравнению с довольно большим дефицитом профессиональных навыков.10

Используя данные из объявлений о вакансиях, опубликованных на HeadHunter (hh.ru), крупнейшей платформы онлайн-рекрутинга в России, А.Д. Волгин и В.Е. Гимпельсон провели исследование со стороны спроса на рабочую силу и пришли к выводу, который согласуется и с результатами зарубежных исследований: работодатели ценят прежде всего развитые социальные навыки [13]. Еще одним немаловажным результатом, полученным в рамках данной работы, стало определение факторов, влия-

ющих на рост предлагаемой заработной платы. Так, например, при наличии сильной комплементарно-сти навыков их сочетание повышает размер оплаты труда, чего не происходит при слабой комплемен-тарности или ее отсутствии. Помимо прочего, при определении структуры спроса российской экономики исследователи относят ее к достаточно простой.

Интерес представляет также ряд работ, связанных с изучением гендерных стереотипов в объявлениях о вакансиях и их влияния на ген-дерный разрыв в оплате труда. Так, например, по результатам проведенного анализа рынка труда Мексики в вакансиях, в которых упоминались компетенции и характеристики, стереотипно ассоциирующиеся с мужчинами (например, ответственность, целеустремленность, принятие решений), предлагаемая заработная плата была выше по сравнению с теми, где было упоминание «женских» характеристик (например, вежливость, коммуникабельность). В результате, скрытая дискриминация в объявлениях о вакансиях позволяет объяснить до 35% в гендерном разрыве оплаты труда [23].

Таким образом, в соответствии с выбранной целью работы, а также учитывая опыт предыдущих исследований в рамках данной темы, возможны следующие гипотезы:

• требование наличия опыта работы сильнее влияет на предлагаемую заработную плату, по сравнению с высшим образованием [18];

• самыми востребованными навыками являются универсальные (социальные и личностные) [13];

• запрашиваемые в вакансиях навыки имеют значимое влияние на предлагаемую заработную плату;

• влияние на заработную плату некогнитивных навыков сильнее, чем когнитивных [24];

• принадлежность вакансии к определенной сфере деятельности оказывает значимое влияние на предлагаемую заработную плату.

ПРЕДВАРИТЕЛЬНЫЙ АНАЛИЗ ДАННЫХ

Для достижения поставленной цели и эмпирической проверки выдвинутых гипотез в настоящем исследовании используются данные о вакансиях, размещенные на портале Роструда «Работа России» в период с 01.01.2018 по 30.10.2021 11.

10 BCG Россия 2025: от кадров к талантам / BCG. Текст: электронный // URL: https://d-russia.ru/wp-content/uploads/2017/11/Skills_Outline_web_ tcm26-175469.pdf (дата обращения: 12.02.2023).

11 «Работа в России»: обработанные и объединенные сведения о вакансиях, резюме, откликах и приглашениях портала trudvsem.ru // Роструд; обработка: Бабушкина В.О., Тимошенко А.Ш., Инфраструктура научно-исследовательских данных, АНО «ЦПУР», 2021. Доступ: Лицензия СС BY-SA. Размещено: 02.12.2021. (Ссылка на набор данных: http://Www. data-in.ru/data-catalog/datasets/186/).

В качестве базы исследования выбраны именно вакансии, поскольку они являются реальным источником данных о спросе на рабочую силу, а также дают возможность отследить возникающие тенденции на рынке труда, в том числе связанные с поляризацией. Вместе с тем, стоит отметить, что зачастую вакансии ориентированы именно на скрининг универсальных навыков, являющихся латентными (ненаблюдаемыми), нежели профессиональных, о наличии которых сигнализируют дипломы, сертификаты и соответствующий опыт работы.

Переходя к описанию набора данных, надо сказать, что каждое объявление о вакансии содержит набор характеристик. Среди них название позиции, предлагаемая заработная плата, дополнительная информация о вакансии, преимущества данной вакансии, предлагаемый тип занятости и график работы, требуемые квалификации, уровень образования, опыт работы и должностные обязанности.

Большая часть требований в вакансиях со стороны работодателей представляет собой текстовые поля, которые анализируются с помощью ключевых слов. После этого вакансии и их характеристики можно классифицировать, а уже затем оценивать уровень спроса на отдельные навыки и группы навыков по отдельным сферам деятельности, а также исследовать меняющиеся тренды на рынке труда. Причем точность результатов будет выше по сравнению с опросными данными работодателей благодаря большому количеству наблюдений.

Следует отметить и потенциальные проблемы, связанные с используемым набором данных. Прежде всего, это возможное смещение в сторону более квалифицированных работников в описаниях вакансии, что может искажать общую ситуацию в спросе на труд. Помимо этого, в подобного рода исследованиях отмечается недостаток, связанный с необязательным указанием предлагаемой заработной платы. Однако в используемом наборе менее чем в 5% вакансий отсутствуют данные об оплате труда (табл. 1). Также стоит отметить, что в тексте объявлений вакансий зачастую отсутствует единообразие в описании требований работодателей, что затрудняет обработку информации. Еще одним ограничением исследования является то, что предлагаемая в вакансии заработная плата не является фактическим размером оплаты труда работника, который в свою очередь будет определен скорее всего по результатам собеседования.

Для проведения нашего исследования по Москве набор данных был ограничен 200 144 -я наблюдениями по 32 переменным. Было установлено, что объ-

Таблица 1 / Table 1

Некоторые описательные статистики предлагаемой заработной платы / Some descriptive statistics of proposed salary

Показатели заработной платы / Salary indicators 2018-2021 гг. / 2018-2021

Средняя (ст. откл.), руб. 40 733,56 (21 095,87)

Процент вакансий с указанием зарплаты 95,45

Коэффициент Джини 0,25

Децильный коэффициент дифференциации 2,95

Р25, руб. 27 500

Р50 медиана, руб. 36 870

Р75, руб. 50 000

Источник/Source: составлено авторами / compiled by the authors.

явление о вакансии включает в себя предлагаемую зарплату (в 95,5% случаев). Среди них в 42% вакансий указан диапазон зарплат, 57,7% - фиксированный размер. Если зарплата в вакансии задавалась в виде интервала, то рассчитывалось среднее значение. В табл. 1 приведены некоторые описательные статистики предлагаемой зарплаты. Большая часть вакансий относится к сфере производства (32,7%), далее идут консалтинг и управление (12,5%), строительство (8,7%), продажи и бытовое обслуживание (8,6%). При этом самые высокие размеры предлагаемых зарплат в среднем зафиксированы в сфере сервиса, управления персоналом, информационных технологий, финансов, электроэнергетике и металлургии.

Интересно, что показатели неравенства на исследуемом рынке труда являются довольно невысокими по сравнению с данными, публикуемыми, например, Росстатом по обследованию домохозяйств. Так, по данным, размещенным на портале Роструда, коэффициент Джини равен 0,25, тогда как для рынка труда России и в том числе Москвы он варьируется на уровне 0,4. То же касается децильного коэффициента дифференциации, равного 2,95, тогда как обычно он равен примерно 6. Значение зарплаты в 75 перцентиле всего в 1,8 раза выше, чем в 25-м, а медиана лишь на 9,5% ниже средней. Такое расхождение в оценках может быть связано с тем, что на портале Роструда недостаточно представлены вакансии со сверхвысокими заработными платами.

Анализируя обозначенные выше факторы, потенциально влияющие на предлагаемый уровень оплаты труда, рассмотрим требования, которые содержатся в вакансиях:

1. Необходимый опыт работы. 44% вакансий требуют наличие опыта работы от 1 до 3 лет, 14% - от 3 до 5 лет, доля вакансий, в которых нет требования к наличию какого-либо опыта работы, составляет 37%. Симптоматично, что требования к опыту работников никак не связаны с их уровнем

■

образования: высшим, средним или средним профессиональным - они одинаковы для всех. Можно предположить, что данный результат говорит о своеобразном барьере при выходе на рынок труда молодых дипломированных специалистов, у которых еще нет соответствующего опыта работы, и необходимости его приобретения еще до выпуска из университета. Несмотря на наличие диплома и владение определенными компетенциями работодателям важно, чтобы у выпускников были и практические навыки.

2. Уровень образования. Доля вакансий, требующих наличие высшего образования, составляет 37%, среднее профессиональное - 37%, среднее -24%, в 7 вакансиях был запрос на специалистов с незаконченным высшим.

3. Предлагаемые условия труда, в том числе социальный пакет.

• Тип занятости: 93,5% вакансий - полная занятость. 4,8% - временная, доли остальных типов занятости - пренебрежительно малы.

• График работы: 62% вакансий предлагают полный рабочий день, 22,5% - сменный график, 5,5% -вахтовый метод, 3,8% - гибкий график, 2,7% - неполный рабочий день и 2,5% - ненормированный рабочий день.

• Преимущества вакансии: 64% вакансий предлагают социальный пакет, 16,5% - предоставляют спецодежду, 14,3% - дополнительное медицинское страхование, 10% - инфраструктурную доступность, 9,9% - жилье.

ТЕКСТОВЫЙ АНАЛИЗ

Для анализа требований, которые представляют собой текстовые поля, с точки зрения анализа ключевых слов, на первом этапе необходимо провести предобработку текста, токенизацию - разделение текста на предложения, сочетания слов или отдельные слова. Поскольку русский язык является сегментированным языком, где слова разделены между собой пробелами и знаками препинания, то можно использовать алгоритм, который будет разделять текст. Следующий шаг - удаление стоп-слов: частиц, союзов, предлогов, местоимений, междометий и вводных слов, т.е. часто встречающихся в тексте слов, не несущих смысловой нагрузки. Одномоментно необходимо очистить текст и от знаков препинания. Удаление стоп-слов и очистка пунктуации, во-первых, уменьшает векторное пространство и, во-вторых, повышает производительность и точность проводимых вычислений. После этого проводится стемминг, который заключается в переходе от слов к стеммам, то есть грамматическим

формам слов. Это делается для того, чтобы не возникало проблемы со словоформами при анализе частотности употребления ключевых слов, и анализ был более релевантным. Затем можно рассмотреть наиболее часто встречающиеся стеммы и их сочетания, построив, соответственно, униграммы и би-граммы.

Среди основных требований к потенциальному работнику - опыт работы на аналогичной должности, а также стаж в 5, 3 и 1 год, причем со значительным отрывом от других требований (рис. 1, рис. 2). Помимо этого, чаще всего упоминаются общие законодательные требования: соблюдение техники безопасности, производственной санитарии и трудового распорядка, наличие медицинской книжки и т.п. Нередко упоминается и образование. Требуется, как правило, техническое, а также высшее и профессиональное. Довольно распространенным требованием является знание английского языка. Велик также спрос и на универсальные компетенции. Из ключевых «мягких» навыков, которыми должен обладать будущий работник, наиболее востребованы ответственность, аккуратность, внимательность и исполнительность.

Следует отметить, что согласно определению, приведенному ранее, требуемые квалификации относятся к опыту работы и наличию определенного уровня образования. Помимо этого, существует реестр профессиональных стандартов Минтруда РФ, на который, вообще говоря, работодатели должны ориентироваться при заполнении поля «требуемые квалификации». Однако предъявляемые работодателями требования, касающиеся личностных качеств кандидата на должность, фактически переводят данное поле скорее в категорию требуемых компетенций, а не квалификаций.

Что касается наиболее часто встречающихся в тексте вакансий должностных обязанностей, то в основном превалируют общие формулировки (рис. 3, рис. 4). Тем не менее, анализ частоты упо-минаемости тех или иных рабочих задач говорит о том, что в объявлениях о вакансиях, например, продавцов, мерчандайзеров (где подавляющее большинство должностных обязанностей - рутинные и относятся преимущество к физическому труду) превалируют категория «Умение», а в текстах вакансий бухгалтеров, инженерно-технического персонала, медсестер (где преобладает техническая, рутинная работа) - категория «Правило»12. Спрос же на знания, можно сказать, отсутствует.

2 Классификация Йенса Расмуссена.

90000 80000 70000 60000 50000 40000 30000 20000 10000 0

llllllllllll

I I I I I I I I I I

SS

/>V

V

^ #

«й- <# „о-

' ^ / w

^ -¡^ С

Рис. 1 / Fig. 1. Визуализация частоты упоминаний требуемых квалификаций в объявлениях вакансий для униграм (топ-25) / Visualization of the frequency of mentions of required qualifications in job ads for unigrams (Top 25) Источник/ Source: составлено авторами / compiled by the authors.

60000

50000

40000

30000

20000

10000

I I I I I I I I I I I I I..........

-O

j-

& <£■ J& °> ^ О2, ^ J? ^

V A*0

<?> ^ об

/У

//

JS V ¿p

ff <sr

ль ¿J-

Рис. 2 / Fig. 2. Визуализация частоты упоминаний требуемых квалификаций в объявлениях вакансий для биграм (топ-25) / Visualization of the frequency of mentions of required qualifications in job ads for bigram (Top 25) Источник / Source: составлено авторами / compiled by the authors.

0

Стоит отметить, что нередко, сопоставляя наиболее часто встречающиеся требуемые компетенции и должностные обязанности, приходишь к выводу о их несоответствии. Дело в том, что при довольно высоких требованиях, предъявляемых работодателями в объявлениях вакансий, часть рабочих мест не способствует самореализации сотрудников и приводит к упомянутой ранее «квалификационной яме» из-за избыточности существующих компетенций для выполняемой работы.

Основные требования к кандидатам (помимо уже рассмотренных) также упоминаются в графе «дополнительная информация», которая имеет много пересечений с основными «требуемыми квалификациями» (рис. 5, рис. 6). Лидирующие позиции по частоте упоминаний здесь занимают ответственность, дисциплинированность, коммуникабельность, работа в команде, пунктуальность, обучаемость, инициативность и целеустремленность, т.е. основные требования базовых компетен-

ций. Работодатели также чаще всего хотят, чтобы кандидат на должность имел навыки работы с компьютером (на уровне уверенного пользователя), имел водительское удостоверение и владел английским языком. Помимо перечисленных требований, в объявлениях также нередко сообщается о возможности командировок и условиях труда, в том числе, тяжелых и вредных.

Проведенный текстовый анализ подтверждает гипотезу о том, что для работодателей наиболее ценными и востребованными являются социальные и личностные качества потенциального работника - ответственность, дисциплинированность, коммуникабельность, а также, безусловно, опыт работы в профильной сфере. Кроме того, в топ-25 наиболее запрашиваемых требований, хоть и с большим отрывом, входят наличие образования (чаще всего профессионального), технические навыки, в том числе компьютерные (пользование ПК и MS Office) и знание иностранного языка. Описан-

■

50000 45000 40000 35000 30000 25000 20000 15000 10000 5000 0

cf ^ ^ / ¿Р / Л^

Г ^

(V .СУ

Л

SA

V

г

Рис. 3 / Fig. 3. Визуализация частоты упоминаний должностных обязанностей в объявлениях вакансий для униграм (топ-25) / Visualization of the frequency of job descriptions in job ads for unigrams (Top 25) Источник/Source: составлено авторами / compiled by the authors.

3500 3000

2000

1000

////////////////

г ^ *

/V у /ур

Рис. 4 / Fig. 4. Визуализация частоты упоминаний должностных обязанностей в объявлениях вакансий для биграм (топ-25) / Visualization of the frequency of job descriptions in job ads for bigram (Top 25)

Источник / Source: составлено авторами / compiled by the authors.

ная структура спроса на компетенции согласуется со структурой экономики, в которой большую долю занимает торговля и сектор услуг.

КЛАСТЕРИЗАЦИЯ ТРЕБУЕМЫХ РАБОТОДАТЕЛЕМ КВАЛИФИКАЦИЙ

Для кластеризации требуемых работодателями квалификаций и извлечения знаний, умений и навыков в онлайн-объявлениях вакансий в подобного рода исследованиях [25; 26] используют Латентное размещение Дирихле (LDA).

Данный алгоритм тематического моделирования рассматривает текст как набор определенных словарей (тем/топиков), а каждый словарь (тема/ топик) в качестве набора слов. Словари, обнаруженные с помощью LDA, являются фактически семантическими кластерами, которые созданы из часто используемых вместе слов в тексте [27].

Таким образом, LDA одновременно ищет ключевые слова в каждой теме и определяет набор тем, характеризующих данный документ. Стоит отметить, что у словарей могут быть общие слова, что означа-

ет: данное слово не имеет специфической окраски, а является скорее нейтральным или общим13.

В построенной нами четырехтематической14 модели LDA (рис. 7) наиболее распространенными словами первой темы словаря являются «аккуратность», «исполнительность», «внимательность», «дисциплинированность» и «пунктуальность», т.е. некогнитивные («мягкие») навыки. В теме №2 превалируют слова, словосочетания и термины: «владение ПК», «excel», «ms office», «1с», «word», «английский», т.е. технические («жесткие») навыки. В теме №3 (назовем ее «охрана труда») часто встречаются такие слова, как «нормы», «охрана», «порядок», «санитария», «охрана труда». И, наконец, самыми распространенными словами в четвертой теме (которая объединяет профессиональные навыки, относящиеся к средней квалификации) являются следующие: «оборудование»,

13 Topic modeling // Text Mining with R: A Tidy Approach URL: https:// www.tidytextmining.com/topicmodeling.html#topicmodeling (дата обращения: 12.04.2023).

14 Данное количество словарей было выбрано, исходя из содержательных рассмотрений.

140000 120000 100000 80000

lililí..............- -

y

Рис. 5 / Fig. 5. Визуализация частоты упоминаний дополнительной информации о вакансии для униграм (топ-25)/ Visualization of the frequency of mentions of additional information about a vacancy for unigram (Top 25) Источник/ Source: составлено авторами / compiled by the authors.

20000

lililí

I I I I I I I

.............................

c& xXJ A & <0 <0 О Jb A Sb -vO & íA x-O ^ ле-

v»/

¿S

У5/

X

J* vV

Рис. 6/ Fig. 6. Визуализация частоты упоминаний дополнительной информации о вакансии для биграм (топ-25) / Visualization of the frequency of mentions of additional information about a vacancy for bigram (Top 25) Источник/ Source: составлено авторами / compiled by the authors.

«устройство», «эксплуатации», «приборов», «приспособлений».

ЭКОНОМЕТРИЧЕСКИЙ АНАЛИЗ ВЛИЯНИЯ КОМПЕТЕНЦИЙ И ИХ ГРУПП НА ПРЕДЛАГАЕМУЮ ЗАРАБОТНУЮ ПЛАТУ

При описании влияния на заработную плату стандартных факторов, как опыт и образование, большая доля различий в предлагаемой заработной плате остается все еще необъясненной. Поэтому теперь после кластеризации требуемых квалификаций можно добавить выделенные группы навыков в уравнение, описывающее зависимость предлагаемой заработной платы от различных факторов, а затем оценить его при помощи стандартного метода наименьших квадратов:

lnW = а + вjHig hEducation + в2 SecondaryProfessional+ + в3 Experi e nce+в4 Experience2+в5 topic 1 + в6 topic 2 + +в7 topic 4 + j+5 +y + £

где: lnW - натуральный логарифм предлагаемой заработной платы работника (руб.); а- константа; HighEducation - дамми-переменная, принимающая значение 1, если требуется наличие высшего образования и 0 иначе; SecondaryProfessional -дамми-переменная, принимающая значение 1, если требуется наличие среднего профессионального образования и 0 иначе; Experience - требуемый опыт работы (количество лет); topicl - вероятность отнесение текста вакансии к группе «мягкие навыки»; topic2 - вероятность отнесение текста вакансии к группе «технические навыки»; topic4 - вероятность отнесение текста вакансии к группе «профессиональные навыки, средняя квалификация»; р - фиксированный эффект сферы деятельности; 5 - фиксированный эффект режима работы; у - фиксированный эффект типа занятости; е - случайная ошибка модели15.

15 В модель добавляются три из четырех топиков во избежание проблемы мультиколлинеарности.

■

Рис. 7/ Fig. 7. Термины, наиболее распространенные в рамках каждого из четырех словарей, выделенных в требуемых квалификациях (топ-15) / Terms most common within each of the four topics highlighted in the required qualifications (Top 15)

Источник/Source: составлено авторами / compiled by the authors.

Регрессоры были проверены на мультиколлине-арность. Все коэффициенты VIF меньше 5, что говорит о ее отсутствии.

Согласно полученным МНК-оценкам (результаты оценивания уравнения представлены в табл. 2):

• в среднем при прочих равных в вакансиях, требующих наличие высшего образования, предлагаемая заработная плата выше на 31% по сравнению с теми, где есть требование только среднего образования;

• в среднем при прочих равных в вакансиях, требующих наличие среднего профессионального образования, предлагаемая заработная плата выше на 10,5% по сравнению с теми, где есть требование только среднего образования;

• в среднем при прочих равных с увеличением требуемого опыта работы на 1 год предлагаемая заработная плата растет на 1,8%;

• наличие в вакансии требований к определенным группам навыков также значимо влияет на предлагаемую заработную плату;

• преобладание в требуемых квалификациях вакансии словаря с техническими навыками сильнее влияет на предлагаемую заработную плату по сравнению с мягкими, что было подтверждено проведенным тестом на равенство коэффициентов при соответствующих переменных;

• наличие технических и мягких навыков сопоставимо по своему влиянию на заработную плату с наличием высшего образования;

• принадлежность вакансии к определенным сферам деятельности оказывает значимое влияние на предлагаемую заработную плату. Так, например, «сервисное обслуживание» (в среднем при прочих равных предлагаемая зарплата выше на 80,4%) и «металлургия» (в среднем при прочих равных предлагаемая зарплата выше на 27,1%), при этом наибольший штраф получают вакансии в сферах «искусство и культура» (в среднем при прочих равных предлагаемая зарплата ниже на 25,9%) и «высший менеджмент» (в среднем при прочих равных предлагаемая зарплата ниже на 69,9%);

• график работы не оказывает значимого влияния на предлагаемую заработную плату;

• что касается типа занятости, то при частичной занятости предлагаемая зарплата в среднем при прочих равных условиях будет ниже на 11,6%; полная, сезонная занятость и стажировка дают небольшую прибавку к зарплате (5%, 3% и 6%, соответственно); удаленная занятость не влияет при прочих равных на предлагаемую оплату труда.

Если рассматривать, какие компетенции являются самыми высокооплачиваемыми, то на первом месте - высшее образование, затем технические навыки, среднее профессиональное образование, мягкие навыки, профессиональные навыки средней квалификации и замыкает рейтинг опыт работы.

Таблица 2/ Table 2

Модель / Model

Зависимая переменная: / Dependent variable:

Логарифм заработной платы

Высшее образование 0.27*** (0.003)

Среднее профессиональное 0.10*** (0.003)

Опыт работы 0.02*** (0.001)

Квадрат опыта работы -0.001*** (0.0001)

Мягкие навыки 0.06*** (0.003)

Технические навыки 0.14*** (0.004)

Профессиональные навыки, средняя квалификация 0.03*** (0.004)

Сфера деятельности вакансии / Scope of activity of the vacancy

Строительство 0.09*** (0.02)

Химическая и топливно-энергетическая промышленность 0.04 (0.03)

Жилищно-коммунальное хозяйство -0.08*** (0.02)

Консалтинг, стратегическое развитие, управление -0.03 (0.02)

Культура и искусство -0.23*** (0.02)

Административно-управленческая и офисная деятельность -0.24** (0.09)

Образование и наука -0.12*** (0.02)

Электроэнергетика 0.14*** (0.03)

Финансы и экономика 0.02 (0.02)

Пищевая промышленность -0.08*** (0.02)

Лесное хозяйство 0.05* (0.03)

Домашний персонал 0.28 (0.24)

Производство -0.05** (0.02)

Информационные технологии 0.06** (0.02)

Юриспруденция 0.08*** (0.02)

Высший менеджмент -0.53*** (0.09)

Маркетинг, реклама, PR -0.04* (0.02)

Производство машин и оборудования O.l5*** (0.05)

Здравоохранение 0.07*** (0.02)

Металлургическое производство 0.24*** (0.02)

Работы, не требующие квалификации -0.37 (0.24)

Добывающая промышленность -0.01 (0.03)

Рестораны -0.24** (0.12)

Легкая и текстильная промышленность 0.06** (0.03)

Обеспечение безопасности -0.20*** (0.03)

Продажи и бытовое обслуживание -0.09*** (0.02)

Сервисное обслуживание 0.59** (0.24)

Государственная служба, некоммерческие организации -0.01 (0.02)

Транспорт 0.13*** (0.02)

Рабочие специальности -0.003 (0.21)

Тип занятости / Employment type

Полная занятость 0.05*** (0.005)

Сезонная 0.03** (0.01)

Стажировка 0.06*** (0.02)

Удаленная -0.63 (0.41)

Частичная занятость -O.ll*** (0.01)

График работы / Working schedule

Вахтовый метод 0.43 (0.41)

Гибкий график 0.11 (0.41)

Ненормированный рабочий день 0.20 (0.41)

Неполный рабочий день -0.42 (0.41)

Полный рабочий день 0.10 (0.41)

Сменный график 0.18 (0.41)

Константа 10.13*** (0.41)

Число наблюдений 182,295

R2 0.18

Adjusted R2 0.18

Residual Std. Error 0.41 (df = 182245)

F Statistic 822.62^" (df = 49; 182245)

Примечание: ■p<0.1; ■■p<0.05; "■p<0.0l

Источник/Source: составлено авторами / compiled by the authors.

Стоит также отметить, что общее уравнение регрессии является значимым, поскольку F-статистика составляет 822,6, а соответствующее значение р-значение равно 2,2е-16, что указывает на то, что общая модель регрессии является значимой. Помимо этого, в модели согласно тесту Бреу-ша-Пагана присутствует гетероскедастичность, поэтому были использованы робастные стандартные ошибки.

Безусловно, помимо потенциальных проблем, связанных с используемым набором данных, стоит отметить, что недостатком линейной модели является ее невысокая точность, что обусловлено пропуском значимых переменных таких, например, как размер компании.

ПРОГНОЗИРОВАНИЕ ЗАРАБОТНОЙ ПЛАТЫ НА ОСНОВЕ ТЕКСТОВОГО ОПИСАНИЯ ТРЕБУЕМЫХ КВАЛИФИКАЦИЙ

Как было отмечено в предыдущем параграфе, недостатком линейной модели является ее невысокая точность. Поэтому далее будет рассмотрен ряд методов машинного обучения, направленных на прогнозирование заработной платы по текстовому описанию требуемых в вакансии компетенций. В настоящем исследовании сравниваются две модели: метод опорных векторов для задачи регрессии или регрессии опорных векторов16 (SVR) и «случайный лес» (RF), именно эти методы наиболее часто встречаются в подобного рода исследованиях с аналогичными исследовательскими задачами и также с использованием онлайн-объявлений вакансий в качестве эмпирической базы [17; 28; 29].

SVR - алгоритм машинного обучения, используемый для прогнозирования значений, в данном случае предлагаемой заработной платы, в результате решения задачи оптимизации функции потерь. Преимущества данного метода состоят в том, что SVR учитывает нелинейность в данных, устойчив к переобучению и обладает сравнительно высокой точностью предсказывания.

Для оценки качества работы модели и оптимизации ее параметров также использовалась десятикратная кросс-валидация. Полученный результат прогноза представлен на рис. 8, где по оси абсцисс -истинные значения предлагаемой заработной платы, а по оси ординат - предсказанные значения. Стоит отметить, что показатели полученного прогноза не отличаются высокой точностью. Так среднеквадратичная ошибка модели (RMSE) составляет 20 315, а R2 равен 0,057. При этом модель неплохо

16 Метод опорных векторов (SVM) используется для задач классификации и регрессии, в данном случае рассматривается второй тип задач.

20МЙ-

о 20000 40000 60000

Truth

F0M01 Рис. 8 / Fig. 8. Прогнозируе-

fmo2 мая и истинная заработная

Fowl плата с использованием

рыли модели SVM (десятикратная

кросс-валидация) / Terms most common within each of the four topics highlighted F«oa in the required qualifications

(Top 15)

Источник/Source: составлено авторами / compiled by the authors.

предсказывает низкие заработные платы, однако, чем выше предлагаемая оплата труда, тем хуже ее прогноз по текстовому описанию вакансий.

«Случайный лес» - еще один алгоритм машинного обучения, который используется в том числе для задачи регрессии. Идея заключается в использовании ансамбля решающих деревьев, а результат задачи регрессии - усреднение прогнозов множества деревьев. В настоящей работе используется 1 000 деревьев. Стоит отметить, что, в отличие от SVR, случайный лес лучше справляется с анализом больших наборов данных.

Полученный результат прогноза представлен на рис. 9, где по оси абсцисс - истинные значения предлагаемой заработной платы, а по оси ординат - предсказанные значения. Случайный лес лучше справился с задачей прогнозирования заработной платы по текстовому описанию требуемых компетенций, чем SVR. Здесь среднеквадратичная ошибка модели (RMSE) составляет 13 740, а R2 равен 0,584. Другими словами, только по тексту поля, где прописаны требуемые работодателями компетенции, можно предсказать предлагаемую в вакансии заработную плату с точностью почти 60%. Тем не менее, этот алгоритм неплохо предсказывает низкие заработные платы, однако с ростом предлагаемой оплаты труда, прогноз становится все менее точным, как и в случае с SVR.

Использование алгоритма SVM, результаты которого представлены на рис. 10, позволяет нам уточнить: какие конкретно компетенции помогают «перешагнуть» среднюю заработную плату, а какие, наоборот, присущи вакансиям с оплатой труда

ниже средней. Для работодателя основными компетенциями, за которые он готов платить больше, являются опыт работы, и диплом об окончании вуза по необходимой специальности. Эти компетенции являются сигналом о наличии латентных характеристик (знаний, умений и навыков), которыми овладевает потенциальный сотрудник в процессе их получения. А также они выступают некой гарантией, что кандидат сможет справиться с должностными обязанностями, которые свойственны той или иной вакансии. Вместе с тем есть и конкретные компетенции, владение которыми, ценится выше среднего: навыки управления, работы с документацией, уверенное пользование офисными приложениями, знание иностранного языка, умение работать в команде.

Среди компетенций, которые характеризуют вакансии с оплатой труда ниже среднего, выделяется набор мягких навыков: аккуратность, дисциплинированность, исполнительность, ответственность, внимательность. Можно предположить, что это связано с их универсальностью (они требуются во всех сферах деятельности и во всех профессиях), отчего и вознаграждение за них меньше. К тому же в чистом виде, без соответствующих комплементарных жестких навыков, мягкие - зачастую не являются достаточными для выполнения должностных обязанностей. Помимо этого, как уже не раз упоминалось, данный тип навыков присущ вакансиям в сфере торговли и услуг, где предлагаемые заработные платы ниже средней. Наравне с мягкими навыками, к числу компетенций, оплачиваемых ниже среднего, относится пользование ПК, тогда как вла-

■_

РЫНОК ТРУДА И ЗАНЯТОСТЬ / LABOR MARKET AND EMPLOYMENT

Рис. 9/ Fig. 9. Прогнозируемая и истинная заработная плата с использованием модели случайного леса (десятикратная кросс-валидация) / Predicted and true salary using a random forest model (tenfold cross-validation)

Источник / Source: составлено авторами / compiled by the authors.

дение им на более высоком уровне (уверенный/ опытный пользователь), как было описано ранее, оплачивается выше, что вполне понятно. Требование к среднему образованию также является той компетенцией, за которую платят ниже среднего, ожидая от кандидатов, претендующих на высокую оплату труда, наличие высшего образования. Еще одной группой компетенций, которые ожидаемо являются оплачиваемыми ниже среднего, это законодательно требуемые - наличие медицинской книжки, отсутствие судимости и соблюдение норм санитарии.

ВЫВОДЫ

Изучение спроса на компетенции и в том числе навыки - широкая область исследований, которая помогает приблизиться к пониманию структуры спроса на труд и человеческий капитал. Во многих исследованиях с этой целью используют данные онлайн-вакансий, где работодатели прописывают свои эксплицитные ожидания от кандидатов на конкретную должность с указанием того вознаграждения, которое они готовы платить за требуемые компетенции. Однако для российского рынка труда подобных работ крайне мало, поэтому настоящее исследование нацелено на восполнение этого пробела в академической литературе. Вместе с тем, был использован ряд методов, которые также не были ранее применены для анализа выбранного набора данных: LDA, SVR, RF.

В процессе исследования были выявлены наиболее часто запрашиваемые работодателями компетенции, выделены группы требуемых навыков и определено их влияние на предлагаемую заработную плату. Результаты исследования показали, что наиболее частое требование со стороны работодателей предъявляется к опыту работы кандидатов.

Однако, несмотря на значимость данной компетенции, работодатели готовы платить за нее сравнительно мало. Стоит также отметить, что с увеличением требуемого стажа, темпы роста заработной платы начинают уменьшаться. Высшее образование, в свою очередь, является самой высокооплачиваемой компетенцией на рассматриваемом рынке труда.

Помимо технических, мягкие навыки, относящиеся к группам социальных и личностных, являются довольно распространенным требованием, выдвигаемым работодателями. Это согласуется со структурой экономики, которая характеризуется достаточной простотой. Однако за технические навыки работодатели платят в настоящее время больше чем за мягкие.

Еще одним результатом работы является достижение точности предсказания предлагаемой заработной платы почти в 60% по текстовому описанию требуемых компетенций в вакансии. Причем модель RF справилась со своей задачей значительно лучше, чем SVR и линейная регрессия. Таким образом, можно предположить, что скорее всего существующая связь между запрашиваемыми компетенциями и предлагаемой заработной платой носит сложный нелинейный характер.

Полученные в данной работе результаты также дают возможность говорить о существующей проблеме несоответствия требуемых компетенций и тех рабочих задач, которые предлагаются сотрудникам. Это в свою очередь ведет к усугублению «квалификационной ямы» и проблеме невозможности реализации себя на рабочем месте, что подтверждается данными рейтингов привлекательности рынка труда. Помимо прочего, такая ситуация может привести к возможному снижению мотивации

■

Рис. 10/ Fig. 10. Важность компетенций для прогнозирования заработной платы. Эти компетенции наиболее важны при прогнозировании заработной платы в объявлении вакансии / The importance of competencies for salary forecasting. These competencies are most important when predicting salary in a job advertisement

Источник/Source: составлено авторами / compiled by the authors.

работников повышать свой уровень квалификации и вымыванию человеческого капитала из-за отсутствия спроса на знания.

Следует еще раз подчеркнуть возможные ограничения исследования. Прежде всего это ограничения, связанные с используемым набором данных:

• возможное смещение в пользу более квалифицированных кадров в описаниях вакансий, что в свою очередь может привести к искажению общей ситуации в спросе на труд;

• возможный недоучет эффекта профессиональных навыков, поскольку в вакансиях скрининг нацелен прежде всего на ненаблюдаемые универсальные навыки. О наличии же профессиональных свидельствуют дипломы, сертификаты и соответствующий опыт работы;

• еще одним ограничением исследования является отсутствие единообразия в описании требований работодателей, что затрудняет обработку информации;

• предлагаемая в вакансии заработная плата не является фактическим размером оплаты труда, поскольку она может как увеличиться, так и уменьшиться после проведения собеседования с кандидатом.

Ограничением является и возможный пропуск значимых переменных при проведении анализа, также влияющих на предлагаемую заработную плату, из-за чего показатели точности в полученных моделях дают существенный сбой.

Таким образом, актуальность и дискуссион-ность данной темы так же, как и улучшение качества и точности предложенных в работе моделей, являются мотивацией дальнейших исследований, которые могут рассматривать следующие направления:

• исследование тенденций на рынке труда в более широких временных рамках; рассмотрение изменений в требованиях работодателей и готовности платить за них в разные периоды;

• составление словарей со стереотипными тендерными словами, используемыми в объявлениях вакансий, и использование их в аналитической работе с целью исследования гендерного неравенства на рынке труда;

• составление словарей со стереотипными гендер-ными словами, используемыми в объявлениях вакансий, и включение их в анализ с целью исследования гендерного неравенства на рынке труда;

• выявление региональных особенностей. Результаты исследования могут быть практически использованы всеми участниками рынка труда: работником, работодателем и государством. Выявление взаимосвязи необходимых компетенций и предлагаемой заработной платы может помочь работнику определиться с оптимальным набором навыков, необходимых для траектории профессионального развития. Полученные данные и разработанные нами рекомендации помогут работодателю: в создании производительных, но вместе с тем и комфортных, достойно оплачиваемых рабочих мест, которые будут соответствовать требуемым компетенциям работников, способствовать развитию человеческого капитала и его удержанию. Что касается государства, то с его стороны необходимы: увеличение инвестиций в сферы образования и здравоохранения, формирование и поддержка системы подготовки и переквалификации кадров с набором ключевых компетенций, повышение гибкости образовательной системы и укрепление сотрудничества с работодателями для удовлетворения их спроса на компетенции.

СПИСОК ИСТОЧНИКОВ

1. Гимпельсон В. Нужен ли российской экономике человеческий капитал? Десять сомнений // Вопросы экономики. 2016; (10):129-143.

2. Autor, D.H., & Handel, M.J. (2013). Putting Tasks to the Test: Human Capital, Job Tasks, and Wages. Journal of Labor Economics, 2013;31(2):59-96. URL: https://doi.org/10.1086/669332

3. Ильязова М.Д. Компетентность, компетенция, квалификация основные направления современных исследований // Научные исследования в образовании. 2008;(1). URL: https://cyberleninka.ru/article/n/kompetentnost-kompetentsiya-kvalifikatsiya-osnovnye-napravleniya-sovremennyh-issledovaniy (дата обращения: 27.03.2023).

4. Пищулин В.Г. Модель выпускника университета // Педагогика, 2002;(9):22-27.

5. Апенько С.Н. Формирование профессиональных компетенций человеческих ресурсов с помощью командообразования проектов предприятия // Вестник ОмГУ. Серия: Экономика. 2016;(2). URL: https://cyberleninka.ru/article/n/formirovanie-professionalnyh-kompetentsiy-chelovecheskih-resursov-s-pomoschyu-komandoobrazovaniya-proektov-predpriyatiya (дата обращения: 27.03.2023).

6. Овчинников А.В. Универсальная модель профессиональных компетенций // Вестник евразийской науки. 2014;4(23). URL: https://cyberleninka.ru/article/n/universalnaya-model-professionalnyh-kompetentsiy (дата обращения: 23.04.2023).

7. Васильев К., Рощин С., Мальцева И., Травкин П., Лукьянова А., Чугунов Д., Шульга И., Рутковски Я., Каху П.М., Неллеманн С. Развитие навыков для инновационного роста в России. М.: Алекс, 2015.

8. Беленов О.Н., Шилова И.В. Какие компетенции выпускников вузов востребованны на региональном рынке труда // Вестник ВГУ. Серия: Экономика и управление. 2017;(1). URL: https://cyberleninka.ru/artide/n/kakie-kompetentsii-vypusknikov-vuzov-vostrebovanny-na-regionalnom-rynke-truda (дата обращения: 28.03.2023).

9. Deming, D.J.: The value of soft skills in the labor market. NBER Rep. 42, 2017;7-11.

10. Laker D.R. and Powell J.L. The differences between hard and soft skills and their relative impact on training transfer. Human Resource Development Quarterly, 2011;(22):111-122. https://doi.org/10.1002/hrdq.20063

11. Wenjing Lyu, Jin Liu, Soft skills, hard skills: What matters most? Evidence from job postings, Applied Energy, Volume 300, 2021, 117307, ISSN 0306-2619, https://doi.org/10.1016/j.apenergy.2021.117307

12. Deming D., Kahn L.B. Skill Requirements across Firms and Labor Markets: Evidence from Job Postings for Professionals. J Law Econ 2018;(36)6(S1):337-369. https://doi.org/10.1086/694106

13. Волгин А.Д., Гимпельсон В.Е. Спрос на навыки: анализ на основе онлайн данных о вакансиях // Экономический журнал ВШЭ. 2022;(3). URL: https://cyberleninka.ru/article/n/spros-na-navyki-analiz-na-osnove-onlayn-dannyh-o-vakansiyah (дата обращения: 26.02.2023).

14. Рожкова К.В. Отдача от некогнитивных характеристик на российском рынке труда // Вопросы экономики. 2019;(11):81-107.

15. Каравай А.В. Институциональные барьеры роста человеческого капитала высококвалифицированных специалистов/ДК. 2021;(3). URL: https://cyberleninka.ru/article/n/institutsionalnye-bariery-rosta-chelovecheskogo-kapitala-vysokokvalifitsirovan-nyh-spetsialistov (дата обращения: 15.04.2023).

16. Beblavy Miroslav and Fabo, Brian and Lenaerts, Karolien, Skills Requirements for the 30 Most-Frequently Advertised Occupations in the United States: An Analysis Based on Online Vacancy Data (March 17, 2016). CEPS Special Report, Available at SSRN: https://ssrn. com/abstract=2749549

17. Martín, Nacho & Mariello, Andrea & Battiti, Roberto & Hernández, José. (2018). Salary Prediction in the IT Job Market with Few High-Dimensional Samples: A Spanish Case Study. International Journal of Computational Intelligence Systems. 11. 1192. 10.2991/ ijcis.11.1.90

18. Kulkarni M., Lengnick-Hall M.L. and Martinez P.G. "Overqualification, mismatched qualification, and hiring decisions: Perceptions of employers", Personnel Review, Vol. 44 2015; No. 4, pp. 529-549. https://doi.org/10.1108/PR-11-2013-0204)

19. Autor, David H., Frank Levy, and Richard J. Murnane. The skill content of recent technological change: An empirical exploration. Quarterly Journal of Economics 118, 2003; no. 4:1279-1333.

20. Гимпельсон В.Е., Капелюшников Р.И. Рутинность и риски автоматизации на российском рынке труда. Вопросы экономики. 2022;(8):68-94. https://doi.org/10.32609/0042-8736-2022-8-68-94.

21. Borner, K., Scrivner, O., Gallant, M., Ma, S., Liu, X., Chewning, K., Wu, L., & Evans, J. A. (2018). Skill discrepancies between research, education, and jobs reveal the critical need to supply soft skills for the data economy. Proceedings of the National Academy of Sciences of the United States of America, 2018;115(50):12630-12637. https://doi.org/10.1073/pnas.1804247115

22. Anderson K.A. Skill networks and measures of complex human capital. Proc. Natl. Acad. Sci. 2017;114(48):12720-12724.

23. Arceo-Gomez E.O., Campos-Vazquez R.M., Badillo R.Y. et al. Gender stereotypes in job advertisements: What do they imply for the gender salary gap? J Labor Res 2022;(43):65-102. https://doi.org/10.1007/s12122-022-09331-4

24. Paula Protsch, Heike Solga, How Employers Use Signals of Cognitive and Noncognitive Skills at Labour Market Entry: Insights from Field Experiments, European Sociological Review, Volume 31, Issue 5, October 2015, Pages 521-532, https://doi.org/10.1093/esr/jcv056

25. De Mauro A., Greco M., Grimaldi M., Ritala P. (2018) Human resources for Big Data professions: A systematic classification of job roles and required skill sets. Information Processing & Management, vol. 54, no 5, pp. 807-817. DOI: 10.1016/j.ipm.2017.05.004.

26. Gurcan F., Cagiltay N.E. (2019) Big data software engineering: Analysis of knowledge domains and skill sets using LDA-based topic modeling. IEEE Access, no 7, pp. 82541-82552.

27. D. M. Blei, "Probabilistic topic models," Commun. ACM, vol. 55, no. 4, pp. 77-84, 2012.

28. Jackman, S., & Reid, G. (2013, April 16). Predicting Job Salaries from Text Descriptions [A]. doi:http://dx.doi.org/10.14288/1.0075767

29. Lovaglio P.G., Cesarini M., Mercorio F., Mezzanzanica M. (2018) Skills in demand for ICT and statistical occupations: Evidence from web-based job vacancies. Statistical Analysis and Data Mining, vol. 11, no 2, pp. 78-91. DOI: doi.org/10.1002/sam.11372

REFERENCE

1. Gimpelson V. Does the Russian economy need human capital? Ten doubts. Voprosy Ekonomiki. 2016;(10):129-143. (In Russ.).

2. Autor, D.H., Handel, M.J. Putting Tasks to the Test: Human Capital, Job Tasks, and Wages. Journal of Labor Economics. 2013;31(2):59-96. URL: https://doi.org/10.1086/669332

3. Ilyazova M.D. Competence, competence, qualification main directions of modern research. Scientific Research in Education. 2008;(1). URL: https://cyberleninka.ru/article/n/kompetentnost-kompetentsiya-kvalifikatsiya-osnovnye-napravleniya-sovremen- nyh-issledovaniy (accessed on 27.03.2023).

4. Pischulin, V.G. Model of a university graduate. Pedagogy. 2002;(9):22-27. (In Russ.).

5. Apenko S.N. Formation of professional competencies of human resources with the help of team building projects of the enterprise. Vestnik OmSU. Series: Economics. 2016;(2). URL: https://cyberleninka.ru/article/n/formirovanie-professionalnyh-kompetentsiy-chelovecheskih-resursov-s-pomoschyu-komandoobrazovaniya-proektov-predpriyatiya (accessed on 27.03.2023).

6. Ovchinnikov A.V. Universal model of professional competencies. Bulletin of Eurasian Science. 2014;4(23). URL: https://cyberleninka. ru/article/n/universalnaya-model-professionalnyh-kompetentsiy (accessed on 23.04.2023).

7. Vasiliev K., Roshchin S., Maltseva I., Travkin P., Lukyanova A., Chugunov D., Shulga I., Rutkowski J., Kahu P.M., Nellemann S. Skills Development for Innovative Growth in Russia. Moscow: Alex, 2015.

8. Belenov O.N., Shilova I.V. What competencies of university graduates are in demand in the regional labor market. Vestnik VSU. Series: Economics and Management. 2017;(1). URL: https://cyberleninka.ru/article/n/kakie-kompetentsii-vypusknikov-vuzov-vostre-bovanny-na-regionalnom-rynke-truda (accessed on 28.03.2023).

9. Deming, D.J.: The value of soft skills in the labor market. NBER Rep. 42, 2017;7-11.

10. Laker D.R., Powell J.L. The differences between hard and soft skills and their relative impact on training transfer. Human Resource Development Quarterly. 2011;(22):111-122. URL: https://doi.org/10.1002/hrdq.20063

11. Wenjing Lyu, Jin Liu, Soft skills, hard skills: What matters most? Evidence from job postings, Applied Energy, Volume 300, 2021, 117307, ISSN 0306-2619, https://doi.org/10.1016/j.apenergy.2021.117307

12. Deming D., Kahn L.B. Skill Requirements across Firms and Labor Markets: Evidence from Job Postings for Professionals. J Law Econ. 2018;(36)6(S1):337-369. https://doi.org/10.1086/694106

13. Volgin A.D., Gimpelson V.E. Demand for skills: an analysis based on online data on job postings. Economic Journal of Higher School of Economics. 2022;(3). URL: https://cyberleninka.ru/article/n/spros-na-navyki-analiz-na-osnove-onlayn-dannyh-o-vakansiyah (accessed on 26.02.2023).

14. Rozhkova K.V. Backlash from non-cognitive characteristics in the Russian labor market. Voprosy Ekonomiki. 2019;(11):81-107. (In Russ.).

15. Karavay, A.V. Institutional barriers to the growth of human capital of highly qualified specialists. JIS. 2021;(3). URL: https://cyber-leninka.ru/article/n/institutsionalnye-bariery-rosta-chelovecheskogo-kapitala-vysokokvalifitsirovannyh-spetsialistov (accessed on 15.04.2023).

16. Beblavy Miroslav and Fabo, Brian and Lenaerts, Karolien, Skills Requirements for the 30 Most-Frequently Advertised Occupations in the United States: An Analysis Based on Online Vacancy Data (March 17, 2016). CEPS Special Report, Available at SSRN: https://ssrn. com/abstract=2749549

17. Martín, Nacho & Mariello, Andrea & Battiti, Roberto & Hernández, José. (2018). Forecasting wages in the IT labor market with a small number of high-dimensional samples: A Spanish Case Study. International Journal of Computational Intelligence Systems. 11. 1192. 10.2991/ijcis.11.1.90.

18. Kulkarni M., Lengnick-Hall M.L. and Martinez P.G. "Overqualification, mismatched qualification, and hiring decisions: Perceptions of employers". Personnel Review. 2015; 44(4):529-549. URL: https://doi.org/10.1108/PR-11-2013-0204)

19. Autor, David H., Frank Levy, and Richard J. Murnane.Skill content in recent technological change: An empirical study. Quarterly Journal of Economics. 118, 2003;(4):1279-1333.

20. Gimpelson V.E., Kapelyushnikov R.I. Routine and risks of automation in the Russian labor market. Voprosy Ekonomiki. 2022;(8):68-94. URL: https://doi.org/10.32609/0042-8736-2022-8-68-94.

21. Borner, K., Scrivner, O., Gallant, M., Ma, S., Liu, X., Chewning, K., Wu, L., & Evans, J. A. Skill discrepancies between research, education, and jobs reveal the critical need to supply soft skills for the data economy. Proceedings of the National Academy of Sciences of the United States of America. 2018;115(50):12630-12637. URL: https://doi.org/10.1073/pnas.1804247115

22. Anderson K.A. Skill networks and measures of integrated human capital. Proc. Natl. Acad. Sci. 2017;114(48):12720-12724.

23. Arceo-Gomez E.O., Campos-Vazquez R.M., Badillo R.Y. et al. Gender stereotypes in job advertisements: How do they affect the gender wage gap? J Labor Res. 2022;(43):65-102. URL: https://doi.org/10.1007/s12122-022-09331-4

24. Paula Protsch, Heike Solga, How Employers Use Signals of Cognitive and Noncognitive Skills at Labour Market Entry: Insights from Field Experiments, European Sociological Review. October 2015;31(5):521-532. URL: https://doi.org/10.1093/esr/jcv056

25. De Mauro A., Greco M., Grimaldi M., Ritala P. (2018) Human resources for Big Data professions: Systematic classification of job roles and required skill sets. Information Processing & Management. 2018;54(5):807-817. DOI: 10.1016/j.ipm.2017.05.004.

26. Gurcan F., Cagiltay N.E. Software engineering of big data: Analyzing knowledge domains and skill sets using topic based mod eling LDA. IEEE Access. 2019;(7):82541-82552.

27. Blei B.M. Probabilistic Topic Models. Commun. ACM. 2012;55(4):77-84, 2012.

28. Jackman S., Reid G. (2013, April 16). Predicting Job Salaries from Text Descriptions [A]. DOI:http://dx.doi.org/10.14288/1.0075767

29. Lovaglio P.G., Cesarini M., Mercorio F., Mezzanzanica M. Skills in demand for ICT and statistical occupations: Evidence from web-based job vacancies. Statistical Analysis and Data Mining. 2018;11(2):78-91. DOI: doi.org/10.1002/sam.11372.

ИНФОРМАЦИЯ ОБ АВТОРАХ / ABOUT THE AUTHORS

Татьяна Олеговна Разумова - доктор экономических наук, профессор, заведующая кафедрой экономики труда

и персонала. Экономический факультет МГУ имени М.В. Ломоносова, Москва, Россия

Tat'yana O. Razumova - Dr. Sci. (Econ.), Professor, Head of the Department of Labor and Personnel Economics,

Faculty of Economics, Lomonosov Moscow State University, Moscow, Russia

https://orcid.org/0000-0001-5726-4136

tatiana.razumova.new@yandex.ru

Полина Сергеевна Лебедева - бакалавр экономики, Экономический факультет МГУ имени М.В. Ломоносова, Москва, Россия

Polina Sergeevna Lebedeva - Bachelor of Economics, Faculty of Economics, Lomonosov Moscow State University, Moscow, Russia

https://orcid.org/0009-0009-4445-3013 poljalebedeva@yandex.ru

Конфликт интересов: авторы заявляют об отсутствии конфликта интересов. Conflicts of Interest Statement: The authors have no conflicts of interest to declare.

Статья поступила в редакцию 06.07.2023; после рецензирования 17.07.2023, принята к публикации 26.07.2023. Авторы прочитали и одобрили окончательный вариант рукописи.

The article was submitted on 06.07.2023; revised on 17.07.2023 and accepted for publication on 26.07.2023. The authors read and approved the final version of the manuscript.

il Jla