Методы моделирования и анализа занятости населения в городах с учетом пространственного фактора

В статье представлены результаты статистического анализа и моделирования занятости населения в городах Российской Федерации с учетом фактора их территориального расположения. Обоснована сбалансированная система результативных и факторных показателей занятости населения, разработанная на основе базы данных показателей муниципальных образований Росстата.

С применением методов кластерного анализа пространственных данных, оценки значений индекса Морана на различных интервалах удаленности городов доказана статистическая неоднородность пространственной автокорреляции уровней занятости населения в городах. На основе построения моделей пространственной авторегрессии для всей совокупности городов и для городов, находящихся в зоне социально-экономического влияния г. Москвы, установлены общие и специфические факторы взаимного воздействия уровней занятости. Результаты получены с применением модели типа SAR – модели с линейной аддитивной спецификацией, в которой пространственная взаимосвязь между объектами задана экзогенно. Даны рекомендации по применению других типов моделей пространственной авторегрессии, различающихся признаком наличия связи фактора пространственной автокорреляции с определенными компонентами многофакторной регрессионной модели.

По результатам представленного в статье исследования сделаны выводы о направлениях регулирования уровня занятости населения в городах с учетом их удаленности от других городов, а также о возможностях дальнейшего развития моделирования занятости на муниципальном уровне с включением пространственного фактора.

1. Семерикова Е.В., Демидова О.А. Взаимодействие региональных рынков труда в России: анализ с помощью пространственных эконометрических моделей // Пространственная Экономика. 2016. № 3. С. 57–80. https://doi.org/10.14530/se.2016.3.057-080.

2. Семерикова Е.В. Безработица в Западной и Восточной Германии: пространственный анализ панельных данных // Прикладная эконометрика. 2014. № 35(3). С. 107–132.

3. Васильева Р.И., Ампенова Д.М. Оценка пространственной неоднородности занятости в российских регионах // Вестник университета. 2023. № 10. С. 105–114.https://doi.org/10.26425/1816-42772023-10-105-114.

4. Gamerman D., Moreira A.R.B. Multivariate Spatial Regression Models // Journal of Multivariate Analysis. 2004. Vol. 91. Iss. 2. P. 262–281. https://doi.org/10.1016/j.jmva.2004.02.016.

5. Иванова В.И. О динамике пространственного взаимодействия российских регионов // Экономика и география / науч. ред. А.П. Заостровцев, Л.Э. Лимонов. СПб.: Леонтьевский центр, 2013. С. 96–102. URL: https://publications.hse.ru/pubs/share/folder/535torc3no/115858427.pdf.

6. Soor S. et al. Extending K-means to Preserve Spatial Connectivity. IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Jul 2018, Valencia, Spain. URL: https://hal.science/hal-01686321.

7. Rey S., Arribas-Bel D., Wolf L.J. Geographic Data Science with Python. 1st ed. New York: Chapman & Hall, 2023. 410 p. https://doi.org/10.1201/9780429292507.

8. de Souza D.C., Taconeli C.A. Spatial and Non-Spatial Clustering Algorithms in the Analysis of Brazilian Educational Data // Communications in Statistics: Case Studies, Data Analysis and Applications. 2022. Vol. 8. Iss. 4. P. 588–606. https://doi.org/10.1080/23737484.2022.2117744.

9. Chocholatá M., Furková A. The Analysis of Employment Rates in the Context of Spatial Connectivity of the EU Regions // Equilibrium. Quarterly Journal of Economics and Economic Policy. 2018. Vol. 13. Iss. 2. P. 181–213. https://doi.org/10.24136/eq.2018.010.

10. Дубровская Ю., Козоногова Е. Влияние цифровизации на рынок труда в разрезе специальностей: пространственный анализ // Вестник Санкт-Петербургского университета. Экономика. 2021. Т. 37. № 3. С. 395–412. https://doi.org/10.21638/spbu05.2021.302.

11. Павлов Ю.В., Королева Е.Н. Пространственные взаимодействия: оценка на основе глобального и локального индексов Морана // Пространственная экономика. 2014. № 3. С. 95–110. https://doi.org/10.14530/se.2014.3.95-110.

12. Cheruiyot K. Detecting Spatial Economic Clusters Using Kernel Density and Global and Local Moran's I Analysis in Ekurhuleni Metropolitan Municipality, South Africa // Regional Science Policy & Practice. 2022. Vol. 14. Iss. 2. https://doi.org/10.1111/rsp3.12526.

13. Данчул А.Н. Парадокс Симпсона как проявление свойства эмерджентности // Системный анализ в проектировании и управлении: сб. науч. тр. XXVI Междун. научно-практ. конф., 13–14 октября 2022 г.: в 3 ч. Ч. 1. C. 92–100. CПб.: Политех-пресс, 2023. https://doi.org/10.18720/SPBPU/2/id23-39.

14. Gomez C., White J.C., Wulder M.A. Characterizing the State and Processes of Change in a Dynamic Forest Environment Using Hierarchical Spatio-Temporal Segmentation // Remote Sensing of Environment. 2011. Vol. 115. Iss. 7. P. 1665–1679. https://doi.org/10.1016/j.rse.2011.02.025.

15. Наумов И.В., Барыбина А.З. Пространственная регрессионная модель инновационного развития регионов России // Вестник Томского государственного университета. Экономика. 2020. № 52. С. 215–232. https://doi.org/10.17223/19988648/52/13.

16. Cellmer R. Use of Spatial Autocorrelation to Build Regression Models of Transaction Prices // Real Estate Management and Valuation. 2013. Vol. 21. No. 4. P. 65–74. https://doi.org/10.2478/remav-2013-0038.

17. Демидова О.А. Методы пространственной эконометрики и оценка эффективности государственных программ // Прикладная эконометрика. 2021. Т. 64. С. 107–134. https://doi.org/10.22394/1993-7601-202164-107-134.

18. Демидова О.А. Пространственно-авторегрессионная модель для двух групп взаимосвязанных регионов (на примере восточной и западной части России) // Прикладная эконометрика. 2014. № 34(2). С. 19–35.