Кластеризация региональных рынков труда с учетом оценок NAIRU
Автор: Орлов Дмитрий Александрович, Постников Евгений Анатольевич
Рубрика: Региональная экономика
Статья в выпуске: 3 т.15, 2021 года.
Бесплатный доступ
Изменения на рынке труда оказывают значимое влияние на экономические процессы, в том числе и на денежно-кредитную политику. Однако принятие решений данной политики усложняется существенной региональной разнородностью не только занятости населения, оплаты труда, миграционных потоков, но и инфляционных процессов. Целью проведенного исследования является анализ разнородности региональных рынков труда во взаимосвязи с бизнес-циклом. Оценки не ускоряющего инфляцию уровня безработицы (NAIRU), полученные с помощью моделей ненаблюдаемых компонент, являются неотъемлемой частью современной кривой Филлипса и позволяют установить эту взаимосвязь. В результате оценки моделей по ежеквартальным данным за период 2011-2018 гг. получены выводы о наличии существенной связи между разрывом безработицы и инфляцией для 52 российских регионов. С учетом оценок NAIRU применение современных алгоритмов кластерного анализа позволило выделить три группы региональных рынков труда, отчетливо различающихся по социально-экономическим показателям, что дало возможность выявить основные проблемы в социальной и демографической сферах территорий во взаимосвязи с их экономическим развитием. Наиболее подходящими для группировки регионов определены методы k-средних и спектральной кластеризации, давая основание предполагать, что полученные региональные кластеры имеют гиперсферическую форму. Полученные результаты могут быть полезны для поддержки принятия решений по денежно-кредитной политике в части повышении качества экономического анализа с учетом специфических особенностей региональных рынков труда.
Рынок труда, региональная разнородность, nairu, разрыв безработицы, денежно-кредитная политика, кластерный анализ, региональные кластеры рынков труда
Короткий адрес: https://sciup.org/147236443
IDR: 147236443 | DOI: 10.14529/em210304
Список литературы Кластеризация региональных рынков труда с учетом оценок NAIRU
- Tryon R.C. Cluster analysis. Ann Arbor: Edwards Bros, 1939. 122 p.
- Sokal R., Sneath P. Principles of numerical taxonomy. Freeman. W.H., San Francisco, 1963. 359 p.
- Porter M. Clusters and the new economic competition. Harvard Business Rev., 1998. 26 p.
- Enright M.J. Survey on the characterization of regional clusters: initial results. Working Paper. Institute of Economic Policy and Business Strategy: Competitiveness Program University of Hong Kong, 2000. 21 р.
- Локосов В.В., Рюмина Е.В., Ульянов В.В. Региональная дифференциация показателей человеческого потенциала // Экономика региона. 2015. № 4. С. 185-196. DOI: 10.17059/2015-4-15
- Гимпельсон В., Капелюшников Р., Рощин С. (ред.). Российский рынок труда: тенденции, институты, структурные изменения. Доклад Центра трудовых исследований и Лаборатории исследований рынка труда. М.: ЦСР, НИУ ВШЭ, 2017. 145 с.
- Аверина Д., Горшкова Т., Синельникова-Мурылева Е. Построение кривой Филлипса на региональных данных // Экономический журнал ВШЭ. 2018. Т. 22. № 4. С. 609-630.
- Рассадина А.К. Роль кластеров в современной экономике: зарубежный опыт // Вестн. Моск. ун-та. Сер. 6. Экономика. 2014. № 5. С. 85-101.
- Миркин Б.Г. Методы кластер-анализа для поддержки принятия решений: обзор (Препринт № WP7/2011/03). М.: НИУ ВШЭ. 88 с.
- Мюллер А., Гвидо С. Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными. М.: Вильямс. 2017. 393 с.
- Рашка С. Python и машинное обучение / пер. с англ. А. В. Логунова. М.: ДМК Пресс, 2017. 418 с.
- Steinhaus H. Sur la division des corps matériels en parties. Bulletin de l'academie Polonaise des Sciences. 1956. Cl. III, Vol. IV. pp. 801-804.
- Arias-Castro E., Chen G., Lerman G. Spectral clustering based on local linear approximations. Electronic Journal of Statistics. 2011. Vol. 5. Р. 15371587. DOI: 10.1214/11-EJS651
- Ester M., Kriegel H., Sander J., Xu X. A density-based algorithm for discovering clusters in large spatial databases with noise // Proceedings of the Second International Conf. on Cnowledge Discovery and Data Mining (KDD-96). 1996. Р. 226-231.
- Ankerst M., Breunig M., Kriegel H., Sander J. OPTICS: Ordering points to identify the clustering structure. ACM SIGMOD International Conference on Management of Data. ACM Press, 1999. Р. 49-60.
- Frey B., Dueck D. Clustering by passing messages between data points. Science. 2007. Vol. 315. Р. 972-976. DOI: 10.1126/science.1136800
- Rand W. Objective criteria for the tvaluation of clustering methods // Journal of the American Statistical Association. 1971. Vol. 66. Р. 846-850.
- Vinh N.X., Epps J., Bailey J. Information theoretic measures for clusterings comparison: variants, properties, normalization and correction for chance // Journal of Machine Learning Research. 2010. Vol. 11 (95), Р. 2837-2854.
- Rosenberg A., Hirschberg J. V-Measure: A conditional entropy-based external cluster evaluation measure // Joint Conference on Empirical Methods in Natural Language Processing and Computational Natural Language Learning. 2007. Р. 410-420.
- Fowlkes E.B., Mallows C.L. A method for comparing two hierarchical clusterings // Journal of the American Statistical Association. 1983. Vol. 78 (383). Р. 553-569. DOI: 10.2307 %2F2288117
- Rousseeuw P. Silhouettes: A graphical aid to the interpretation and validation of cluster analysis // Journal of Comp. and Appl. Math. 1987. Vol. 20. pp. 53-65. DOI: 10.1016/0377-0427(87)90125-7
- Calinski T., Harabasz J. A dendrite method for cluster analysis // Communications in Statistics. 1974. Vol 3. pp. 1-27.
- Davies D., Bouldin D. A cluster separation measure // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1979. Vol. PAMI-1 (2). Р. 224227. DOI: 10.1109/TPAMI.1979.4766909
- Gordon R.J. The time-varying NAIRU and its implications for economic policy // NBER Working Paper. 1996. No. 5735. 54 p. DOI: 10.3386/w5735
- Gordon R.J. The Phillips curve is alive and well: inflation and the NAIRU during the slow recovery // NBER Working Paper. 2013. No. 19390. 57 p. DOI: 10.3386/w19390
- Rusticelli E. Rescuing the Phillips curve: making use of long-term unemployment in the measurement of the NAIRU // OECD Journal: Economic Studies. 2014. Vol. 2014/1. Р. 109-125. DOI: 10.1787/eco_studies-2014-5j xrcm2cdff6
- Орлов Д., Постников Е. Кривая Филлипса: инфляция и NAIRU в российских регионах // Серия докладов об экономических исследованиях Банка России. 2020. 31 с. http://cbr.ru/ Content/Do-cument/File/115690/pc_reg.pdf