Цифровая модель прогнозирования трудоустройства выпускника вуза с учетом поведенческих аспектов

Трудовые ресурсы являются важным фактором в развитии цифровой экономики. В настоящее время региональные власти часто сталкиваются с проблемой регулирования рынка труда из-за дисбаланса спроса и предложения квалифицированных кадров. Это неравновесие объясняется целым рядом факторов: несоответствием предлагаемых вузами образовательных программ потребностям регионального рынка труда, нежеланием выпускников работать по полученной специальности, миграция в другие регионы (Мигранова, 2021; Мигранова и Атнабаева, 2021) и прочие особенности поведения молодежи на рынке труда (Атаева и Уляева, 2018; Гайнанов и Климентьева, 2019; Гайнанов и Мигранова, 2020).

Проблема несоответствия приема и выпуска в вузах востребованным на рынке труда направлениям обучения существует уже не первый год и заключается в том, что многие студенты выбирают профессии, не имеющие на рынке труда высокого спроса. Отчасти это обусловлено более простым и быстрым получением образования по таким профессиям. В этом убеждают и результаты выбора предметов ЕГЭ для поступления в вуз: наибольший процент выпускников школ отдают предпочтение предмету «Обществознание», который является вступительным экзаменом на экономические и гуманитарные специальности. Данный поведенческий аспект порождает еще одну проблему: согласно официальной статистике, многие трудоустроенные выпускники работают не по специальности1 (рис. 1).

Очевидно, что выявление факторов, формирующих поведение человека / соискателя на рынке труда, для корректировки такого поведения посредством государственного воздействия и удовлетворения перспективных кадровых потребностей является актуальной управленческой задачей. Сложность выявления указанных факторов предопределяет необходимость использования научного подхода, который бы учитывал индивидуальные характеристики человека, его желания и мотивы.

Цель настоящей работы – построение цифровой модели прогнозирования трудоустройства человека на рынке труда с учетом его поведенческих аспектов. Авторы предлагают использовать агент-ориентированный подход для создания цифровой модели прогноза трудоустройства человека / соискателя на рынке труда.

ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ИССЛЕДОВАНИЯ

Имитационное моделирование на основе агент-ориентированного подхода позволяет получать сценарные варианты поведенческих аспектов трудоустройства выпускника. Также имитационное моделирование дает возможность прогнозировать потребности рынка труда с учетом перспектив развития видов экономической деятельности (ВЭД) и сценарных вариантов экономической и кадровой политики.

Рис. 1. Структура выпускников 2018–2020 годов выпуска, работающих не по специальности, полученной в вузе / Fig. 1. Breakdown for 2018–2020 graduates working not in the specialty obtained at the university

Источник: составлено авторами на основе данных Федеральной службы государственной статистики.

Одним из основных преимуществ агент-ориентированного моделирования является его способность отражать сложное, нелинейное и эмерджентное поведение в системах, которые не могут быть легко поняты или предсказаны с помощью традиционных математических моделей. Большой вклад в развитие моделирования экономических и социальных процессов с применением агент-ориентированного подхода внесли (Бурилина и Евдокимов, 2020; Абрамов, 2018; Швецов и Дианов, 2019).

Среди зарубежных исследований по данному направлению одним из последних значимых результатов является система WorkSim – комплексная агентная модель французского рынка труда, разработанная Ж. Кантом и его коллегами, которая реализует многочисленные экономические механизмы, такие как поиск по обе стороны рынка, принятие решений при ограниченной рациональности, прогноз шоков спроса, обучение, эндогенный выбор трудового контракта, а также различные виды человеческого капитала (Kant et al., 2020). Модель калибруется с помощью мощного эволюционного алгоритма и проверяется на большом количестве целей. Авторы проводят несколько анализов и оценок политик на рынке труда, подчеркивая важность институтов и определяя некоторые основные механизмы на французском рынке труда, такие как сегментация, отбор и буферная роль срочных трудовых контрактов. Модель позволяет выявить новые механизмы и эффекты государственного влияния, которые не были освещены ранее, что делает ее ценным инструментом для разработки политики на рынке труда. WorkSim воспроизводит основные механизмы реального рынка труда и их взаимодействия, что делает ее важным вкладом в данную область.

Работыроссийскихисследователей,применяющихагент-ориентированный подход при прогнозировании рынка труда, появились относительно недавно.

Модель динамики трудового потенциала региона, разработанная А. В. Маматовым, А. Л. Машковой и О. А. Савиной, учитывает множество факторов, в том числе демографические процессы, миграцию, экономику, образование и региональное управление (Маматов и др., 2019; Mamatov et al., 2020). Она используется для оценки воздействия мероприятий, прописанных в программах развития трудового потенциала в регионе, и динамики рынка труда в целом, а также для прогнозирования и оценки эффективности управленческих решений. Для этого на вход подаются данные о демографических процессах, миграции, экономической структуре и образовании, а также планы мероприятий и оценка их воздействия на целевые группы.

Другая модель, разработанная Т. Е. Быковой, основана на агент-ориентированном подходе и описывает состояние рынка труда Алтайского края (Быкова, 2019). В этой модели каждый агент – человек трудоспособного возраста – находится в одном из трех состояний: «занятый», «безработный» или «хронически безработный». Вероятность перехода агента из одного состояния в другое зависит от численности занятых и безработных на рынке труда, а также от официальных статистических данных о количестве безработных, находящихся в поиске работы больше года.

Г. А. Агарков и Т. В. Тарасьева описали исследовательский подход, который объединяет агент-ориентированную модель с эконометрической моделью для максимизации заработной платы студентов (Агарков и Тарасьева, 2022). На первом уровне построения авторской модели используется эконометрическая модель, позволяющая адаптировать образовательные программы к интересам студентов. На втором уровне агент-ориентированная модель описывает поведение студентов в общей выборке. Преимущества данного подхода – в возможности расчета оптимальных вариантов и сценариев обучения студентов с учетом успешности выпускников на региональном рынке труда.

М. Ю. Хавинсон и А. Н. Колобов провели исследование, в рамках которого изучили колебания численности занятых по разным видам экономической деятельности в Еврейской автономной области за период с 2008 по 2016 год (Хавинсон и Колобов, 2018a, 2018b). Исследование показывает, что решающую роль в распределении работников в рыночной экономике играют личные стратегии экономических агентов, что приводит к нелинейным колебаниям численности занятого населения. В статье выдвинута гипотеза о том, что агент на рынке труда при выборе работы руководствуется стратегией, характерной для его возрастной группы, что в конечном итоге непосред- ственно влияет на распределение занятости различных когорт и общее число занятых в секторах экономики. Для проверки гипотезы, согласно которой наличие различных стратегий выбора отрасли вместе с возрастными предпочтениями работодателей внутри отрасли приводит к периодическим и сложным режимам динамики разновозрастной занятости, авторы использовали базовую агентную модель.

И все же в исследованиях, проводимых в этой области, не до конца изучены как поведение экономических субъектов на рынке труда, так и потенциальные изменения, которые могут произойти на рынке по мере цифровой трансформации экономики.

В рамках данного исследования использован агент-ориентированный подход для создания цифровой модели прогноза трудоустройства человека / соискателя на рынке труда. Модель позволит анализировать различия между спросом и предложением на рынке труда, имитировать влияние мер государственной политики на поведение конкретных индивидов и оценить их эффективность. Авторами выбран агент-ориентированный подход, поскольку он позволяет задавать среду взаимодействия и устанавливать правила (Макаров и др., 2018; Axtell and Farmer, 2022; Bertani et al., 2021). Для моделирования используется система Anylogic.

МЕТОДОЛОГИЯ ИССЛЕДОВАНИЯ

Основная концепция разрабатываемой авторами агент-ориентированной модели заключается в том, что обеспеченность кадровых потребностей определяется тремя типами модулей: 1) модуль «Человек», в котором агенты наделяются компетенциями в зависимости от принадлежности к группам «Выпускник», «Безработный», «Мигрант». Входные данные задаются на основе официальной статистической информации и социологических опросов. В данной статье представлены результаты апробации модели на выпускниках вузов Республики Башкортостан; 2) модуль «Рынок труда» (экономика) состоит из популяции агентов «Предприятия», соответствующих определенному виду экономической деятельности и описанных такими характеристиками, как потребность в трудовых ресурсах по качественному составу и среднемесячная заработная плата; 3) модуль «Орган власти» формирует среду взаимодействия вышеописанных агентов (рис. 2).

Описание агентов, их характеристик и стратегий поведения представлено в приведенной ниже таблице.

Взаимоотношения агента-человека и агента-предприятия рассматриваются в упрощенном виде и со стороны человека сводятся к возможности устроиться на работу, пройти переобучение или мигрировать, а со стороны предприятия – к принятию решения о приеме на работу претендентов на вакансии, увеличению / снижению заработной платы, вводу дополнительных рабочих мест.

Желаемая заработная плата определяется с помощью значения функции усеченного нормального распределения в зависимости от направления подго-

Рис. 2. Концептуальная схема цифровой модели поведения человека на рынке труда / Fig. 2. Conceptual diagram of the digital model of human behavior in the labor market

Источник: разработано и составлено авторами.

товки: f (α, β, μ, σ) – усеченное нормальное распределение, где α – минимальное значение (0), β – максимальное значение (100 000), μ – математическое ожидание или среднее значение желаемой зарплаты выпускников по направлению подготовки, σ – среднее квадратическое отклонение. Параметры распределения рассчитываются на основе результатов опроса о минимальной оплате труда, на которую согласен человек по своему направлению подготовки.

Готовность к переобучению и готовность к миграции у каждого агента-человека определяется на основе доли α от численности выпускников, готовых переобучиться или мигрировать, если не получится трудоустроиться по своему направлению подготовки, путем генерации случайных чисел от 0 до 1: при генерации числа ниже или равно α переменная примет значение «да», при генерации числа больше α переменная примет значение «нет». Данный показатель получен также в результате опроса выпускников вузов Республики Башкортостан.

Таблица / Table

Описание агентов цифровой модели прогнозирования трудоустройства человека на рынке труда / Description of the agents of the digital model for predicting human employment in the labor market

Наименование агента	Характеристики агента	Доступное поведение
Человек / соискатель	Направление подготовки, желаемая зарплата, готовность к переобучению, готовность к миграции, статус	Устройство на работу, прохождение переобучения, миграция
Предприятие	ВЭД, дополнительная потребность по направлениям подготовки, средняя заработная плата	Создание дополнительных рабочих мест, увеличение / снижение заработной платы
Орган власти	Представлены в виде среды	Поведение задается на основе управляемых параметров модели

Источник: разработано авторами.

Показатель среднегодовой заработной платы получен из официальной статистики по ВЭД и на прогнозные годы индексируется исходя из прогнозного увеличения средней заработной платы согласно Прогнозу социальноэкономического развития Республики Башкортостан2.

Для определения дополнительной потребности в кадрах для каждой экономической деятельности по различным направлениям подготовки используется прогноз прироста численности занятых и освобождения мест в результате естественного возрастного выбытия. Декомпозиция прогноза дополнительной кадровой потребности региона базируется на матрице профессиональноквалификационного соответствия, где каждая ячейка матрицы соответствует процентной доле специалистов с определенным уровнем образования и направлением подготовки, которые традиционно привлекаются к работе в определенной экономической деятельности. Вес каждой ячейки присваивается экспертно, чтобы сумма весов в столбце (в ВЭД) равнялась 1 (или 100 %), и основывается на официальной статистике и оценке относительной потребности ВЭД в специальностях (Гуртов и Питухин, 2017; Мигранова и Минязев, 2022).

Основные методологические допущения модели:

• 1.    Обеспеченность кадровых потребностей определяется физическими лицами (агенты-люди), предприятиями (ВЭД), органами власти (агенты-управленцы).

• 2.    Местом жительства агентов считается Республика Башкортостан в целом.

• 3.    Характеристика человека включает в себя следующие параметры: направление подготовки (НП), желаемая зарплата, готовность к переобучению, готовность к миграции, статус.

• 4.    Характеристика предприятия включает в себя следующие параметры: дополнительная потребность по направлениям подготовки, средняя заработная плата.

• 5.    Органы власти могут влиять на обеспеченность кадровых потребностей путем регулирования заработной платы, введения дополнительных рабочих мест, а также на регулирование структуры выпуска образовательных организаций посредством использования интерактивных элементов управления.

• 6.    Агенты-люди могут трудоустраиваться только по своему направлению подготовки.

На рисунке 3 представлен алгоритм работы цифровой модели прогнозирования трудоустройства человека на рынке труда.

Перед началом компьютерных симуляций в модели инициализируются переменные. Все агенты-люди создаются со статусом «Безработный». Затем происходит перебор каждого агента в популяции «Человек». В состоянии «Формирование списка предприятий...» каждый человек создает список предприятий, где он может найти работу в соответствии с квалификацией. При реализации данного этапа происходит сравнение направления подготовки человека с потребностью агентов популяции «Предприятие» в работниках с такой же квалификацией. Если потребность превышает ноль, то предприятие добавляется в список. Затем список сортируется по уровню заработной платы предприятий по убыванию.

На следующем этапе происходит сортировка предприятий из списка. Для каждого предприятия осуществляется сопоставление уровня зарплаты на предприятии и минимального размера зарплаты, которую желает соискатель n . Если размер заработной платы на предприятии k не соответствует желаемому, то агент осуществляет переход к следующему предприятию из списка. Если уровень зарплаты равен или выше желаемого, то проверяется дополнительная потребность предприятия k в работниках с такой же квалификацией, как у соискателя n . Если значение этого параметра равно 0, осуществляется переход к следующему предприятию из списка. Если же значение параметра превышает 0, то человек n устраивается на работу на предприятие k и ему присваивается статус «Трудоустроен», а дополнительная потребность предприятия k уменьшается на единицу. Затем происходит переход к следующему агенту в популяции «Человек».

По завершении перебора предприятий из списка проверяется параметр «Готовность переобучаться» у человека n . Когда значение параметра становится «да», статус человека n не изменяется и происходит переход к следующему агенту популяции «Человек». Если значение параметра «нет», то у человека n проверяется параметр «Готовность мигрировать в другой регион». При значении параметра «да» человек n становится мигрантом, ему присваивается соответствующий статус и происходит переход к следующему агенту популяции «Человек». Значение параметра «нет» переводит модель к первому перебору предприятий из списка, желаемая зарплата человека n уменьшается на 40 %, и сортировка предприятий начинается заново. Если это не первый перебор предприятий, то человек n остается с прежним статусом и происходит переход к следующему агенту популяции «Человек».

Рис. 3. Алгоритм работы цифровой модели прогнозирования трудоустройства человека на рынке труда / Fig. 3. The algorithm of the digital model for predicting human employment in the labor market

Источник: разработано и составлено авторами.

После того как перебор всех агентов в популяции «Человек» закончился, модель выводит результаты и завершает свою работу. Выходными данными модели являются следующие показатели: число трудоустроенных агентов, численность безработных и мигрировавших на работу в другой регион. Число трудоустроенных агентов определяется количеством агентов в популяции «Человек» со статусом «Рабочий», число безработных – количеством агентов со статусом «Без работы», а число мигрировавших – количеством агентов со статусом «Уехал». Возможна детализация этих показателей по направлениям подготовки и уровням образования в отдельных популяциях «Выпускники», «Безработные» и «Мигранты».

РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ И ОБСУЖДЕНИЕ

На основе разработанной цифровой модели трудоустройства выпускников вузов на рынке труда был осуществлен прогноз на 2025 год по численности трудоустроившихся выпускников вузов, численности мигрировавших выпускников и численности выпускников, оставшихся без работы, а также определено количество незакрытых вакантных мест, то есть неудовлетворенные потребности рынка труда. Достоинством данной модели является то, что в программном комплексе заложена опция учета изменения факторов, входных параметров и внешних условий, позволяющая проследить возможные сценарии поведения выпускников на рынке труда. В качестве исходных для агентов-людей были использованы данные опроса выпускников вузов Республики Башкортостан в 2022 году по желаемой зарплате, их готовности переобучиться и мигрировать в зависимости от направления обучения (Гайнанов и др., 2022).

Численность выпускников по направлениям подготовки на 2025 год рассчитывалась исходя из данных по приему на 2021 год и доли завершивших обучение за предыдущие годы3 по следующим формулам:

FGr_kt = App_kt_₄ * Drop_k ,                       (1)

Dropk = Grk t / Appk,t_4 ,                         (2)

где FGr – численность выпускников на прогнозный период;

App – прием абитуриентов в вуз за прошлый период;

Drop – средняя доля доучившихся студентов за предыдущий год;

Gr – фактический выпуск за прошлый период;

t – год;

k – направление подготовки.

Структура и численность дополнительной потребности в кадрах с высшим образованием по ВЭД в разрезе направлений подготовки на 2025 год рассчитывались с использованием существующей методики (Гуртов и Питу-хин, 2017; Мигранова и Минязев, 2022) и на основе данных об изменении числа занятых в экономике в 2025 году, содержащихся в Прогнозе социальноэкономического развития Республики Башкортостан4.

Среднегодовая зарплата по видам экономической деятельности на 2025 год рассчитывалась исходя из статистических данных по среднему уровню заработной платы по ВЭД за 2021 год5, индексированной с учетом увеличения средней заработной платы к 2025 году по Прогнозу социально-экономического развития Республики Башкортостан.

Результаты моделирования показали, что по таким ВЭД, как «Сельское хозяйство, охота и лесное хозяйство», «Оптовая и розничная торговля; ремонт автотранспортных средств, мотоциклов, бытовых изделий и предметов личного пользования», «Транспортировка и хранение», «Деятельность гостиниц и предприятий общественного питания», «Деятельность административная и сопутствующие дополнительные услуги», в 2025 году потребности в квалифицированных кадрах останутся неудовлетворенными при сохраняющихся тенденциях развития экономики Республики Башкортостан, а по некоторым ВЭД ожидается переизбыток специалистов, особенно по такому, как «Государственное управление и обеспечение военной безопасности; социальное обеспечение» (рис. 4).

Сельское, лесное хозяйство, охота, рыболовство и рыбоводство

Добыча полезных ископаемых

Обрабатывающие производства

Обеспечение электрической энергией, газом, паром; кондиционирование воздуха

Водоснабжение; водоотведение, организация сбора и утилизация отходов, деятельность по ликвидации... Строительство

Торговля оптовая и розничная; ремонт автотранспортных средств и мотоциклов

Транспортировка и хранение

Деятельность гостиниц и предприятий общественного питания

Деятельность в области информации и связи

Деятельность финансовая и страховая

Деятельность по операциям с недвижимым имуществом

Деятельность профессиональная, научная техническая

Деятельность административная сопутствующие дополнительные услуги

Государственное управление и обеспечение военной безопасности; социальное обеспечение

Образование

Деятельность в области здравоохранения социальных услуг Деятельность в области культуры, спорта организации досуга и развлечений

Предоставление прочих видов услуг

Удовлетворенная потребность

Неудовлетворенная потребность

Рис. 4. Прогноз обеспеченности кадровых потребностей по ВЭД на 2025 год / Fig. 4. Forecast of staffing needs by type of economic activity for 2025

Источник: собственные расчеты авторов.

Математика и механика

Компьютерные и информационные науки

Физика и астрономия

Химия

Науки о земле

Биологические науки

Архитектура

Техника и технологии строительства

Информатика и вычислительная техника

Информационная безопасность

Электроника, радиотехника и системы связи Фотоника, приборостроение, оптические...

Электро-и теплоэнергетика

Машиностроение

Химические технологии

Промышленная экология и биотехнологии Техносферная безопасность природообустройство Прикладная геология, горное дело, нефтегазовое...

Технологии материалов

Техника и технологии наземного транспорта

Управление в технических системах

Клиническая медицина

Сельское, лесное и рыбное хозяйство

Ветеринария и зоотехния

Психологические науки

Экономика и управление

Социология и социальная работа

Юриспруденция

Средства массовой информации...

Образование и педагогические науки

Языкознание и литературоведение

Безработные

В Трудоустроенные

Мигрировавшие

Рис. 5. Прогноз численности трудоустроившихся выпускников вузов, численности мигрировавших выпускников, выпускников, оставшихся без работы, на 2025 год / Fig. 5. Forecast for university graduates in employment, the number of migrated graduates, graduates left without work for 2025

Источник: собственные расчеты авторов.

На рисунке 5 представлены результаты модели по численности трудоустроившихся выпускников, мигрировавших и безработных. Прогноз показал, что в 2025 году больше всего безработных выпускников будет со специальностью «Юриспруденция», ожидается высокий процент мигрировавших выпускников со специальностью «Клиническая медицина». Число трудоустроенных выше всего будет по направлениям подготовки «Экономика и управление» и «Образование и наука», что вполне объяснимо: по данным направлениям выпускается больше всего специалистов.

ЗАКЛЮЧЕНИЕ

Результаты моделирования показали, что текущие тенденции поведения выпускников вузов на пути к построению трудовой карьеры в условиях современных демографических процессов будут усиливать профессиональноквалификационный дисбаланс. Выбор вуза, специальности, места обучения, дальнейшее трудоустройство, зачастую не по специальности, – все это не способствует повышению индивидуальной конкурентоспособности индивида на рынке труда. К тому же, подобное поведение значительной массы молодежи противоречит глобальной цели региона и страны по решению проблем рынка труда через рынок образовательных услуг.

Для того чтобы корректировать региональную образовательную и трудовую политику, необходимо выявлять «проблемные» места в поведении человека на ключевых стадиях его жизненного цикла. В этой связи возрастает актуальность разработки предложенной в исследовании агент-ориентированной модели поведения человека. Модель представляет собой рабочий инструмент для оценки и прогнозирования ситуации на рынке труда, отражающий поведение людей при поиске и устройстве на работу и учитывающий как количественные, так и качественные аспекты принятия того или иного решения.

В дальнейших работах планируется расширить возможности модели. Представляется перспективным исследовать поведение индивидов на рынке труда по различным видам экономической деятельности, где в качестве агентов можно выделить блок системообразующих предприятий по каждой отрасли. Это позволит корректировать образовательную политику региона для обеспечения кадровой потребности по отдельным видам производств, являющихся для него приоритетными.

Кроме того, определенный интерес вызывает расширение спектра сценариев и анализируемых инструментов управленческого воздействия на поведение агентов, возможно с выделением этих инструментов как по уровням власти (федеральный, региональный), так и по сферам (образовательная, демографическая, жилищная и др.).