Информационные технологии обработки данных для анализа показателей рынка труда в разрезе по субъектам Российской Федерации

D D Vavilova; K V Ketova; K M Davletshina

doi:10.22213/2410-9304-2025-2-80-92

Authors

D. D. Vavilova Kalashnikov Izhevsk State Technical University
K. V. Ketova Kalashnikov Izhevsk State Technical University
K. M. Davletshina Kalashnikov Izhevsk State Technical University

DOI:

https://doi.org/10.22213/2410-9304-2025-2-80-92

Keywords:

region, labor market, clusterization, data analysis, information technologies

Abstract

The article is devoted to the study and classification of information technologies for statistical data processing being applied to labor market analysis. The methods that contribute to understanding the employment structure and other aspects of the labor market in the Russian Federation are considered. The emphasis is placed on the use of descriptive statistics, clusterization and geo-analytics of labor market indicators in the context of the regions of the Russian Federation. The result of the research is the analysis of the labor market characteristics of the regions, statistical and correlation data analysis, clustering of the Russian Federation regions according to labor market indicators, as well as the creation of an interactive map based on the employment level. The clustering identified groups of regions with similar labor market indicators in terms of employment and unemployment, labor force level, the ratio of per capita monetary incomes of the population to their national average, the ratio of average monthly wages to the subsistence minimum, the ratio of the specific gross regional product in the subject to its national average, as well as the structure of the employed population in the main types of economic activity. It was found that in 2023, 4 clusters are being formed in the Russian labor market with regions whose indicators within each cluster have similar values. The first cluster includes 22 regions of the Russian Federation with low employment (55.4%) and high unemployment (7.2%) of the population. The second cluster includes 3 regions and is characterized by a high employment rate (73.1%), a high share of labor force participation (75.4%), and the highest ratio of per capita monetary incomes of the population to their average value in the Russian Federation (281.8%). A significant part of the population in these regions is engaged in mining (23.4%). The third cluster includes 9 regions of the Russian Federation with higher employment rates (66.1%) and labor force participation (68.0%) compared to the average in the Russian Federation, as well as the lowest unemployment rate among the clusters. The fourth cluster is the most extensive: it includes the remaining 53 subjects of the RussianFederation. It can be characterized by low values of the considered indicators. The regions of this cluster also have the lowest unemployment rate (2.8%).

Author Biographies

D. D. Vavilova, Kalashnikov Izhevsk State Technical University

PhD in Engineering

K. V. Ketova, Kalashnikov Izhevsk State Technical University

Doctor of Physicsand Mathematics, Professor

K. M. Davletshina, Kalashnikov Izhevsk State Technical University

Student

References

Айвазян С. А., Мхитарян В. С. Прикладная статистика и основы эконометрики. М.: ЮНИТИ, 2008. 1005 с.

Баймуратов И. Р. Методы автоматизации машинного обучения. СПб.: Университет ИТМО. 2020. 40 с.

Созинова А. А., Ряттель А. В., Савельева Н. К. Кластерный подход к оценке показателей рынка труда: кросс-региональное сравнение // Экономика труда. 2022. Т. 9, № 10. С. 1509-1526. DOI: 10.18334/et.9.10.116372.

Вавилова Д. Д., Давлетшина К. М. Data-анализ уровня занятости населения в разрезе по субъектам Российской Федерации // Цифровая и отраслевая экономика. 2023. № 3 (31). С. 93-101.

Вавилова Д. Д., Кетова К. В. Информационно-аналитическая система анализа региональных социально-экономических процессов на основе комплексного использования динамических моделей различных типов // Прикладная информатика. 2023. Т. 18, № 4 (106). С. 97-110. DOI: 10.37791/2687-0649-2023-18-4-97-110.

Akhatov A. R., Renavikar A., Rashidov A. E. O., Nazarov F. M. Optimization of the number of databases in the big data processing // Проблемы информатики. 2023. № 1 (58). С. 33-47. DOI: 10.24412/2073-0667-2023-1-33-47.

Кондратьев Р. А. Влияние цифровых навыков на конкурентоспособность рабочей силы на региональных рынках труда в современных условиях // Вестник Российского нового университета. Серия: Человек и общество. 2025. № 1. С. 14-22. DOI: 10.18137/RNU.V9276.25.01.P.014.

Коржова О. С., Стукен Т. Ю., Лапина Т. А., Коржов Е. В. Влияние цифровизации бизнес-процессов предприятий на производительность труда персонала и занятость населения в Российской Федерации // Экономика труда. 2023. Т. 10, № 1. С. 171-180. DOI: 10.18334/et.10.1.116939.

Камарова Т. А., Маркова Т. Л., Тонких Н. В. Влияние цифровизации занятости на совмещение профессиональных и семейных обязанностей: субъективные оценки россиян // Экономические и социальные перемены: факты, тенденции, прогноз. 2023. Т. 16, № 6. С. 252-269. DOI: 10.15838/ esc.2023.6.90.15.

Koch M., Krohmer D., Naab M., Rost D., Trapp M. A matter of definition: Criteria for digital ecosystems // Digital Business. 2022. Vol. 2. 100027.DOI: 10.1016/j.digbus.2022.100027.

Ванкевич Е. В., Калиновская И. Н. Использование больших данных при анализе рынка труда: теоретические подходы и методические инструменты // Цифровая трансформация. 2024. Т. 30, № 4. С. 23-32. DOI: 10.35596/1729-7648-2024-30-4-23-32.

Речинский А. В., Семенов К. К., Сушников В. А., Черненькая Л. В. Инструментальные средства систем имитационного моделирования // Известия Тульского государственного университета. Технические науки. 2024. № 4. С. 122-129. DOI: 10.24412/2071-6168-2024-4-122-123.

Курятков В. А., Конюшевская К. О. Прогнозирование рынка труда региона методами системной динамики // Вестник Российского экономического университета имени Г. В. Плеханова. 2012. № 9 (51). С. 94-100.

Иванов М. Ю., Сыготина М. В. Технологии интеллектуального анализа данных в решении экономических задач // Baikal Research Journal. 2022. Т. 13, № 2. DOI: 10.17150/2411-6262.2022.13(2).27.

Менциев А. У., Айгумов Т. Г., Амирова Э. Ф. Методы и технологии сбора и анализа данных в цифровой экономике // Экономика: вчера, сегодня, завтра. 2022. Т. 12, № 11-1. С. 282-288. DOI: 10.34670/AR.2022.36.84.039.

Ясашин В. А., Болотоков А. С. Модель управления организацией: от статистики к информационным технологиям. Создание единого сквозного процесса обработки и контроля всех данных // Информационно-экономические аспекты стандартизации и технического регулирования. 2024. № 6 (81). С. 267-270.

Бирюков А. А., Терещенко И. А. Перспективы применения технологии обработки естественного языка в рамках цифровой трансформации экономики РФ и построения цифрового общества // Информационное общество. 2023. № 2. С. 105-120. DOI: 10.52605/16059921_2023_02_105.