voprstatВопросы статистикиVoprosy Statistiki2313-63832658-549910.34023/2313-6383-2020-27-6-37-55voprstat-1214Research ArticleМАТЕМАТИКО-СТАТИСТИЧЕСКИЕ МЕТОДЫ В АНАЛИЗЕ И ПРОГНОЗИРОВАНИИMATHEMATICAL AND STATISTICAL METHODS IN ANALYSIS AND FORECASTINGМетод «случайный лес» в исследовании влияния макроэкономических показателей регионального развития на уровень неформальной занятостиThe Random Forest Method in Research of Impact of Macroeconomic Indicators of Regional Development on Informal Employment Ratehttps://orcid.org/0000-0003-0375-2534ЗароваЕ. В.ZarovaE. V.

Зарова Елена Викторовна - д-р экон. наук, профессор, заместитель руководителя проектного офиса, ГБУ «Аналитический центр» Правительства Москвы;

профессор кафедры статистики, РЭУ им. Г.В. Плеханова

119019, г. Москва, ул. Новый Арбат, д. 11, стр. 1;

117997, Москва, Стремянный пер., д. 36

Elena V. Zarova - Dr. Sci. (Econ.), Professor, Deputy Head, Project Office, Analytical Center by Moscow City Government;

Professor, Department of Statistics, Plekhanov Russian University of Economics

11, New Arbat Ave., Bldg. 1, Moscow, 119019;

6 Stremyanny Lane, Moscow, 117997

ZarovaEV@develop.mos.ruhttps://orcid.org/0000-0003-3029-8111ДубравскаяЭ. И.DubravskayaE. I.

Дубравская Эльвира Ивановна - главный эксперт

119019, г. Москва, ул. Новый Арбат, д. 11, стр. 1

Elvira I. Dubravskaya - Senior Analyst, Project Office

11, New Arbat Ave., Bldg. 1, Moscow, 119019

elvira.dubravskaya@yandex.ruГБУ «Аналитический центр» Правительства МосквыРоссияAnalytical Center by Moscow City GovernmentRussian Federation2020111220202763755Copyright © Зарова Е.В., Дубравская Э.И., 20202020Зарова Е.В., Дубравская Э.И.Zarova E.V., Dubravskaya E.I.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://voprstat.elpub.ru/jour/article/view/1214

Тематика количественных исследований неформальной занятости как в Российской Федерации, так и в других странах имеет стабильно высокую и при этом периодически резко возрастающую актуальность, что обусловлено характерностью этого явления для стран с любым уровнем экономического развития и его высокой зависимостью от цикличности и кризисных этапов в их экономической динамике. В теоретических и прикладных исследованиях особое внимание к оценке факторов и условий неформальной занятости в Российской Федерации связано с необходимостью выработки эффективных мер государственной политики по преодолению негативного влияния неформальной занятости, в том числе на региональном уровне. Среди отрицательных эффектов неформальной занятости, вызывающих обеспокоенность федеральных и региональных органов власти, можно выделить недополучение налогов, потенциальные потери, обусловленные снижением эффективности производства, негативные социальные последствия. Для их преодоления необходима разработка количественных индикаторов, определяющих уровень неформальной занятости в регионах с учетом их специфики в общей пространственно-экономической системе России. В статье предложены и апробированы методы решения задачи выявления и оценки влияния иерархической взаимосвязи макроэкономических показателей регионального развития на уровень неформальной занятости в субъектах Российской Федерации. Большинство работ, посвященных исследованию неформальной занятости, основано на базовых статистических методах пространственно-динамического анализа, а также на ставших «традиционными» методах кластерного и корреляционноре грессионного анализа. Не умаляя достоинств этих методов, необходимо отметить их определенную ограниченность в выявлении скрытых структурных связей и взаимозависимостей в таком сложном многомерном явлении, как неформальная занятость. С целью обоснования возможности преодоления этих ограничений в статье предложены показатели региональной статистики, прямо или косвенно характеризующие неформальную занятость, а также представлены результаты применения метода «случайный лес» для выделения групп субъектов Российской Федерации на основе сходных макроэкономических параметров, определяющих неформальную занятость. Новизна данного метода с точки зрения целей исследования состоит в том, что он позволяет оценить влияние макроэкономических показателей регионального развития на уровень неформальной занятости с учетом неявных, не предопределенных исходными гипотезами иерархических взаимосвязей факторных показателей. На основе обобщения исследований, представленных в литературных источниках, а также выполнения авторами статистических расчетов с использованием данных Росстата сделаны выводы о высокой значимости макроэкономических параметров регионального развития и системных связей макроэкономических показателей в обосновании дифференциации уровня неформальной занятости по субъектам Российской Федерации.

The topic of quantitative research on informal employment has a consistently high relevance both in the Russian Federation and in other countries due to its high dependence on cyclicality and crisis stages in economic dynamics of countries with any level of economic development. Developing effective government policy measures to overcome the negative impact of informal employment requires special attention in theoretical and applied research to assessing the factors and conditions of informal employment in the Russian Federation including at the regional level. Such effects of informal employment as a shortfall in taxes, potential losses in production efficiency, and negative social consequences are a concern for the authorities of the federal and regional levels. Development of quantitative indicators to determine the level of informal employment in the regions, taking into account their specifics in the general spatial and economic system of Russia are necessary to overcome these negative effects. The article proposes and tests methods for solving the problem of assessing the impact of hierarchical relationships on macroeconomic factors at the regional level of informal employment in constituent entities of the Russian Federation. Majority of the works on the study of informal employment are based on basic statistical methods of spatial-dynamic analysis, as well as on the now «traditional» methods of cluster and correlation-regression analysis. Without diminishing the merits of these methods, it should be noted that they are somewhat limited in identifying hidden structural connections and interdependencies in such a complex multidimensional phenomenon as informal employment. In order to substantiate the possibility of overcoming these limitations, the article proposes indicators of regional statistics that directly and indirectly characterize informal employment and also presents the possibilities of using the «random forest» method to identify groups of constituent entities of the Russian Federation that have similar macroeconomic factors of informal employment. The novelty of this method in terms of research objectives is that it allows one to assess the impact of macroeconomic indicators of regional development on the level of informal employment, taking into account the implicit, not predetermined by the initial hypotheses, hierarchical relationships of factor indicators. Based on the generalization of the studies presented in the literature, as well as the authors’ statistical calculations using Rosstat data, the authors came to the conclusion about the high importance of macroeconomic parameters of regional development and systemic relationships of macroeconomic indicators in substantiating the differentiation of the informal level across the constituent entities of the Russian Federation.

метод «случайный лес»интеллектуальный анализ данныхдерево решенийклассификациярегрессиянеформальная занятостьрегионализацияrandom forest methoddata miningdecision treeclassificationregressioninformal employmentregionalizationReferencesСанги А., Фрейхе-Родригес С., Пошарац А. Проблема неформальной занятости в России. Причины и варианты решения. Группа Всемирного банка, 2019. URL: http://documents1.worldbank.org/curated/en/835091559937396870/pdf/Stemming-Russia-s-Informality-Unearthing-Causes-andDeveloping-Solutions.pdf.Sanghi A., Freije-Rodriguez S., Posarac A. Stemming Russia’s Informality: Unearthing Causes and Developing Solutions. The World Bank Group; 2019. (In Russ.) Available from: http://documents1.worldbank.org/curated/en/835091559937396870/pdf/Stemming-Russia-s-Informality-Unearthing-Causes-and-Developing-Solutions.pdf.Cohen J.E. Macroeconomic and Microeconomic Determinants of Informal Employment: The Case of Clothing Traders in Johannesburg, South Africa. PhD Diss. (Econ.), Amherst, University of Massachusetts, 2012. URL: https://scholarworks.umass.edu/dissertations/AAI3545913.Cohen J.E. Macroeconomic and Microeconomic Determinants of Informal Employment: The Case of Clothing Traders in Johannesburg, South Africa. PhD Diss. (Econ.), Amherst: University of Massachusetts; 2012. Available from: https://scholarworks.umass.edu/dissertations/AAI3545913.Huang G., Xue D., Wang B. Integrating Theories on Informal Economies: An Examination of Causes of Urban Informal Economies in China // Sustainability. 2020. Vol. 12. Iss. 7. P. 2738. doi: https://doi.org/10.3390/su12072738.Huang G., Xue D., Wang B. Integrating Theories on Informal Economies: An Examination of Causes of Urban Informal Economies in China. Sustainability. 2020;12(7):2738. Available from: https://doi.org/10.3390/su12072738.Maddah M., Sobhani B. The Effective Factors on Informal Economy in Developing Countries (Panel Data Model) // International Journal of Regional Development. 2014. Vol. 1. No. 1. P. 12-25. doi: https://doi.org/10.5296/ijrd.v1i1.6437.Maddah M., Sobhani B. The Effective Factors on Informal Economy in Developing Countries (Panel Data Model). International Journal of Regional Development. 2014;1(1):12-25. Available from: https://doi.org/10.5296/ijrd.v1i1.6437.Kucera D., Roncolato L. Informal Employment: Two Contested Policy Issues // International Labour Review. 2008. Vol. 147. Iss. 4. P. 321-348. doi: https://doi.org/10.1111/j.1564-913X.2008.00039.x.Kucera D., Roncolato L. Informal Employment: Two Contested Policy Issues. International Labour Review. 2008;147(4):321-348. Available from: https://doi.org/10.1111/j.1564-913X.2008.00039.x.Lavoie M., Stockhammer E. Wage-led Growth: Concept, Theories and Policies // M. Lavoie, E. Stockhammer (eds). Wage-led Growth. Advances in Labour Studies. London: Palgrave Macmillan, 2013. URL: https://www.ilo.org/wcmsp5/groups/public/@dgreports/@dcomm/@publ/documents/genericdocument/wcms_234602.pdf.Lavoie M., Stockhammer E. Wage-led Growth: Concept, Theories and Policies. In: M. Lavoie, E. Stockhammer (eds). Wage-led Growth. Advances in Labour Studies. London: Palgrave Macmillan; 2013. Available from: https://www.ilo.org/wcmsp5/groups/public/@dgreports/@dcomm/@publ/documents/genericdocument/wcms_234602.pdf.ILO Department of Statistics. Statistical Update on Employment in the Informal Economy. ILO, June 2011. URL: https://www.ilo.org/wcmsp5/groups/public/---dgreports/---stat/documents/presentation/wcms_157467.pdf.ILO Department of Statistics. Statistical Update on Employment in the Informal Economy. ILO; 2011. Available from: https://www.ilo.org/wcmsp5/groups/public/---dgreports/---stat/documents/presentation/wcms_157467.pdf.OECD/ILO. Tackling Vulnerability in the Informal Economy. Paris: OECD Publ., 2019. doi: https://doi.org/10.1787/939b7bcd-en.OECD/ILO. Tackling Vulnerability in the Informal Economy. Paris: OECD Publ.; 2019. Available from: https://doi.org/10.1787/939b7bcd-en.Benjamin N., Mbaye A.A. The Informal Sector in Francophone Africa: Firm Size, Productivity, and Institutions. Washington, DC: World Bank, 2012. doi: https://doi.org/10.1596/978-0-8213-9537-0.Benjamin N., Mbaye A.A. The Informal Sector in Francophone Africa: Firm Size, Productivity, and Institutions. Washington, DC: World Bank; 2012. Available from: https://doi.org/10.1596/978-0-8213-9537-0.Чистяков С.П. Случайные леса: обзор // Труды Карельского научного центра РАН. 2013. № 1. С. 117-136. URL: http://resources.krc.karelia.ru/transactions/doc/trudy2013/trudy_2013_1_117-136.pdf.Chistiakov S.P. Random Forests: An Overview. Transactions of the Karelian Research Centre of the Russian Academy of Sciences. 2013;(1):117-136. (In Russ.) Available from: http://resources.krc.karelia.ru/transactions/doc/trudy2013/trudy_2013_1_117-136.pdf.Ho T.K. The Random Subspace Method for Constructing Decision Forests // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1998. Vol. 20. No. 8. P. 832-844. doi: https://doi.org/10.1109/34.709601.Ho T.K. The Random Subspace Method for Constructing Decision Forests. IEEE Transactions on Pattern Analysis and Machine Intelligence. 1998;20(8):832-844. Available from: https://doi.org/10.1109/34.709601.Breiman L. et al. Classification and Regression Trees. Wadsworth, New York: Chapman and Hall, 1984.Breiman L. et al. Classification and Regression Trees. Wadsworth, New York: Chapman and Hall; 1984.Breiman L. Bagging Predictors // Machine Learning. 1996. Vol. 24. Iss. 2. P. 123-140. doi: https://doi.org/10.1023/A:1018054314350.Breiman L. Bagging Predictors. Machine Learning. 1996;24(2):123-140. Available from: https://doi.org/10.1023/A:1018054314350.Breiman L. Random Forests // Machine Learning. 2001. Vol. 45. Iss. 1. P. 5-32. doi: https://doi.org/10.1023/A:1010933404324.Breiman L. Random Forests. Machine Learning. 2001;45(1):5-32. Available from: https://doi.org/10.1023/A:1010933404324.Cutler A., Cutler R.D., Stevens J.R. Random Forests // C. Zhang, Y. Ma (eds). Ensemble Machine Learning: Methods and Applications. Boston, MA: Springer, 2011. P. 157-175. doi: https://doi.org/10.1007/978-1-4419-9326-7_5.Cutler A., Cutler R.D., Stevens J.R. Random Forests. In: Zhang C., Ma Y. (eds). Ensemble Machine Learning: Methods and Applications. Boston, MA: Springer; 2011. P. 157-175. Available from: https://doi.org/10.1007/978-1-4419-9326-7_5.Михальченко Г.Е., Михальченко А.Г. Дискретная математика: учеб. пособие / Сиб. федер. ун-т, Ин-т космич. и информ. технологий, Ин-т математики и фундамент. информатики. Красноярск: СФУ, 2011. 127 с.Mikhalchenko G.E., Mikhalchenko A.G. Discrete Mathematics: Textbook. Siberian Federal University, SibFU Institute of Space and Information Technologies, Institute of Mathematics and Fundamental Informatics. Krasnoyarsk: Siberian Federal University Publ.; 2011. 127 p. (In Russ.)

The authors declare that there are no conflicts of interest present.