IT Job Market Forecasting in East Africa: An ML Approach
Автор: Rebeccah Ndungi, Ivan Stanislavovich Blekanov
Журнал: Вестник Пермского университета. Математика. Механика. Информатика @vestnik-psu-mmi
Рубрика: Компьютерные науки и информатика
Статья в выпуске: 1 (72), 2026 года.
Бесплатный доступ
This study focuses on forecasting the Information Technology (IT) job market in East Africa (specifically Kenya, Uganda, and Tanzania) using machine learning (ML) models. The research utilizes a dataset of 1,048,576 job postings collected from online platforms, including LinkedIn and Indeed. A comparative analysis of forecasting models Autoregressive Integrated Moving Average (ARIMA), Seasonal ARIMA (SARIMA), Long Short-Term Memory (LSTM), and Holt's linear trend was conducted to predict employment trends, seasonality, and residual patterns. The models were evaluated using Mean Absolute Error (MAE), Mean Squared Error (MSE), and Root Mean Squared Error (RMSE). The LSTM model demonstrated superior performance with an MAE of 2.75, MSE of 15.90, and RMSE of 3.99. The RMSE value of 3.99 indicates that the model's predictions are, on average, within approximately 4 job postings of the actual values. The findings confirm the applicability of ML models for reliable labor market forecasting in the region, providing valuable insights for stakeholders in education, policy, and industry to align strategies with market demands.
IT Industry, workforce strategy, job market analysis, technology demand forecasting, technological innovation demand forecasting, machine learning, Artificial Neural Network
Короткий адрес: https://sciup.org/147253755
IDR: 147253755 | УДК: 004.8 | DOI: 10.17072/1993-0550-2026-1-92-99
Прогнозирование рынка IT-вакансий в Восточной Африке: подход с использованием ML
В данном исследовании разрабатывается подход к прогнозированию рынка вакансий в сфере информационных технологий (ИТ) в Восточной Африке (на примере Кении, Уганды и Танзании) с применением моделей машинного обучения. В основе анализа лежит набор данных, содержащий 1 048 576 записей о вакансиях, собранных с онлайн-платформ, включая LinkedIn и Indeed. Проведено сравнительное исследование прогнозных моделей авторегрессионной интегрированной скользящей средней (ARIMA), сезонной ARIMA (SARIMA), сети с долгой краткосрочной памятью (LSTM) и линейного тренда Холта с целью прогнозирования динамики занятости, сезонных колебаний и остаточных паттернов. Для оценки эффективности моделей использовались метрики средней абсолютной ошибки (MAE), средней квадратичной ошибки (MSE) и среднеквадратической ошибки (RMSE). Наилучшие результаты показала модель LSTM, продемонстрировавшая значения MAE 2.75, MSE 15.90 и RMSE 3.99. Значение RMSE, равное 3.99, свидетельствует о том, что расхождения между прогнозируемыми и фактическими значениями в среднем составляют приблизительно 4 вакансии. Полученные результаты подтверждают применимость методов машинного обучения для достоверного прогнозирования регионального рынка труда и предоставляют стейкхолдерам в сфере образования, государственного управления и бизнеса ценную информацию для согласования стратегий с рыночными тенденциями.
