Preview

Вопросы статистики

Расширенный поиск
Доступ открыт Открытый доступ  Доступ закрыт Только для подписчиков

Метод «случайный лес» в исследовании влияния макроэкономических показателей регионального развития на уровень неформальной занятости

https://doi.org/10.34023/2313-6383-2020-27-6-37-55

Полный текст:

Аннотация

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.

Об авторах

Е. В. Зарова
ГБУ «Аналитический центр» Правительства Москвы
Россия

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



Э. И. Дубравская
ГБУ «Аналитический центр» Правительства Москвы
Россия

Дубравская Эльвира Ивановна - главный эксперт

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



Список литературы

1. Санги 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.

2. 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.

3. 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.

4. 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.

5. 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.

6. 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.

7. 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.

8. OECD/ILO. Tackling Vulnerability in the Informal Economy. Paris: OECD Publ., 2019. doi: https://doi.org/10.1787/939b7bcd-en.

9. 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.

10. 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.

11. 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.

12. Breiman L. et al. Classification and Regression Trees. Wadsworth, New York: Chapman and Hall, 1984.

13. Breiman L. Bagging Predictors // Machine Learning. 1996. Vol. 24. Iss. 2. P. 123-140. doi: https://doi.org/10.1023/A:1018054314350.

14. Breiman L. Random Forests // Machine Learning. 2001. Vol. 45. Iss. 1. P. 5-32. doi: https://doi.org/10.1023/A:1010933404324.

15. 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.

16. 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.


Для цитирования:


Зарова Е.В., Дубравская Э.И. Метод «случайный лес» в исследовании влияния макроэкономических показателей регионального развития на уровень неформальной занятости. Вопросы статистики. 2020;27(6):37-55. https://doi.org/10.34023/2313-6383-2020-27-6-37-55

For citation:


Zarova E.V., Dubravskaya E.I. The Random Forest Method in Research of Impact of Macroeconomic Indicators of Regional Development on Informal Employment Rate. Voprosy statistiki. 2020;27(6):37-55. (In Russ.) https://doi.org/10.34023/2313-6383-2020-27-6-37-55

Просмотров: 92


ISSN 2313-6383 (Print)
ISSN 2658-5499 (Online)