Прогнозирование обеспеченности кадровыми ресурсами Уральского федерального округа

Commons Attribution 4.0 International. Чтобы просмотреть копию этой лицензии, посетите

This work © 2025 by Nikulina, N. L. and Bychkova, A. A. is licensed under Creative Commons Attribution 4.0 International. To view a copy of this license, visit / licenses/by/4.0/

,

2 ,

В современных условиях исследования, затрагивающие вопросы обеспеченности кадровыми ресурсами различных территорий, являются весьма актуальными. Наблюдаемый в стране дефицит кадров, как отмечают А. А. Смирнов и И. А. Кулькова, вызван рядом причин: последствиями демографического кризиса 1990-х годов, увеличением смертности из-за пандемии, отвлечением трудовых ресурсов на специальную военную операцию, сокращением миграционных потоков, повышением спроса на рабочую силу из-за ускорения процессов импортозамещения и роста объемов продукции, выпускаемой военно-промышленным комплексом (Смирнов и Кулькова, 2023, с. 2).

Прогнозирование изменения обеспеченности кадровыми ресурсами позволяет выявлять дефицит данных ресурсов на конкретных территориях и принимать стратегические решения, направленные на снижение напряженности на рынке труда. Поэтому целью исследования стало проектирование прогнозных сценариев развития ситуации в сфере обеспеченности кадровыми ресурсами в муниципальных образованиях Уральского федерального округа (УрФО) для определения существующих тенденций. Задачи исследования – обзор теоретико-методических подходов к прогнозированию обеспеченности кадровыми ресурсами; анализ текущего состояния кадровых ресурсов; создание прогнозных сценариев обеспеченности кадровыми ресурсами в УрФО.

Гипотеза данного исследования заключается в том, что такое сценарное прогнозирование позволит оперативно выявлять дефицит кадровых ресурсов на той или иной территории и своевременно принимать решения по нормализации ситуации. Научная новизна исследования состоит в применении ARIMA/ARMA-моделирования для прогнозирования и формирования различных сценариев изменения численности работников предприятий в УрФО.

ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ИССЛЕДОВАНИЯ

Проблема обеспеченности кадровыми ресурсами рассматривается в современных исследованиях с разных позиций.

• А.    В. Попов подходит к ее изучению в контексте угроз национальной безопасности (Попов, 2017). Маркетинговую сторону данной проблемы исследуют А. Г. Мокроносов и А. А. Вершинин, определяя систему прогнозирования обеспеченности экономики региона кадрами как «важнейшую составную часть маркетинговой информации, необходимой для разработки мероприятий по регулированию и контролю за изменениями рынка образовательных услуг, по стратегическому планированию системы подготовки и переподготовки кадров, ориентированных на опережающее развитие» (Мокроносов и Вершинин, 2013, с. 10). По мнению Э. М. Сутанто, прогнозирование численности человеческих ресурсов играет важную роль в корпоративном стратегическом планировании (Sutanto, 2000). М. Н. Кузнецова и А. С. Васильева разработали и протестировали методологию прогнозирования уровней трудового потенциала в контексте цифровизации и технологического суверенитета с использованием данных по регионам Российской Арктики (Кузнецова и Васильева, 2024).

Методы статистического анализа использовались В. Л. Нестеровым для оценки устойчивости системы кадрового обеспечения отрасли, показатели которой определялись им «как мера удаления параметров текущего состояния системы от границ области устойчивости» (Нестеров, 2007, с. 96), и В. В. Павлиновым и Н. В. Карамновой – для анализа обеспеченности трудовыми ресурсами и кадрами сельского хозяйства Тамбовской области (Павлинов и Карамнова, 2025).

Как представлено в исследовании Всемирной организации здравоохранения, основными методами и инструментами планирования и прогнозирования кадровых ресурсов для принятия решений в целях разработки политики и программ являются следующие: методика определения кадровых потребностей с учетом индикаторов рабочей нагрузки, анализ тенденции изменения, использование наблюдаемых тенденций в качестве допущений для прогнозирования будущего; регрессионный анализ; эконометрический анализ и др.1

М. И. Дроботенко и А. П. Невечеря рассмотрели задачу прогнозирования количества занятых и безработных многоотраслевого рынка труда на основе балансовой математической модели межотраслевых перемещений трудовых ресурсов и сравнили несколько подходов к прогнозированию: наивный прогноз, в рамках которого прогнозирование показателей рынка труда осуществлялось только на основе константного тренда; прогнозирование на основе балансовой модели с использованием только константного тренда для всех показателей, определяющих межотраслевые перемещения трудовых ресурсов; прогноз непосредственно по количеству занятых в отраслях экономики с помощью рассматриваемых в работе видов трендов; прогнозирование на основе балансовой модели с выбором тренда для каждого показателя, определяющего межотраслевые перемещения трудовых ресурсов (Дробо-тенко и Невечеря, 2021).

• В.    А. Гуртов и Е. А. Питухин предложили авторскую концепцию прогнозирования, которая заключается в унифицированном для всех регионов Российской Федерации подходе, базирующемся на прогнозных оценках темпов роста экономики, производительности труда и инвестиций по видам экономической деятельности и необходимой численности трудовых ресурсов для достижения запланированных показателей. Эта концепция «положена в основу макроэкономической методики прогнозирования потребностей экономики в кадрах» (Гуртов и Питухин, 2017, с. 151–152).

В исследовании (Akhtayeva et al., 2023) посредством регрессионного анализа были определены изменения численности медицинского персонала, выпускников медицинских образовательных программ и потребность в специалистах, а также рассчитан прогноз потребности до 2025 года.

Для моделирования сценарных условий при прогнозировании кадровой потребности экономики А. Н. Русиной и О. В. Карпычевой использованы такие методы статистического моделирования, как метод однофакторной линейной регрессии, однофакторной логарифмической регрессии, экспоненциального сглаживания (Русина и Карпычева, 2017).

Анализ основных показателей рынка труда позволил M. С. Шейховой, С. Г. Сафоновой и Я. П. Сердюковой выявить проблемы, способствующие оттоку рабочей силы из сельской местности в городские агломерации. С помощью когнитивного моделирования сложных систем ими был построен адаптивный сценарный прогноз трудовых ресурсов региона с учетом влияния на него благоприятных факторов (Шейхова и др., 2025; Сафонова и Шейхова, 2024).

Модель прогнозирования кадровой обеспеченности региона на основе имитационного агент-ориентированного подхода, рассматривающего взаимодействие агентов-предприятий, формирующих кадровые потребности, и популяции агентов, удовлетворяющей эти потребности в конкурентной среде, предложена Л. И. Миграновой и А. И. Минязевым. Применение этой модели дает возможность прогнозировать кадровую обеспеченность региона при различных сценариях государственного воздействия на поведение агентов и оценивать их эффективность (Мигранова и Минязев, 2022). Также метод агентного имитационного моделирования для отражения динамики кадрового потенциала региона в разработанной системе информационной поддержки управления был выбран А. В. Маматовым (Маматов, 2020).

• Х. Трипати и ее коллеги спрогнозировали потребности в человеческих ресурсах в сельском хозяйстве и садоводстве Индии на ближайшие двадцать лет. Авторы применили интегрированную модель прогнозирования. Важным аспектом прогноза спроса было использование цепей Маркова для анализа динамики спроса в секторах, включая отраслевые сдвиги (Tripathi et al., 2024).

(Elkholosy et al., 2024) предложили рассчитывать потребности в трудовых ресурсах для предстоящих проектов с помощью методов интеллектуального анализа данных. Структура состоит из двух компонентов: модели сбора данных и модели прогнозирования. Модель сбора данных обеспечивает структурированный подход для отслеживания и хранения данных проекта, в то время как модель прогнозирования использует сохраненные данные проекта и применяет алгоритмы машинного обучения для прогнозирования потребностей в рабочей силе. Также данные методы применили Х. Голабчи и А. Хаммад, создавшие новую модель машинного обучения для прогнозирования временного ряда коэффициента использования трудовых ресурсов (Golabchi and Hammad, 2024). Х. Лу разработал модель прогнозирования спроса на человеческие ресурсы, основанную на развитии бизнеса и экономических выгодах и руководствующуюся интенсивным развитием человеческих ресурсов, которая использует улучшенную нейронную сеть BP (Lu, 2022).

• У. Гирлингс и его соавторы для прогнозирования человеческих ресурсов использовали имитационные модели (Geerlings et al., 2001).

В исследовании С. П. Калининой отмечено, что прогностическая парадигма служит основой для применения программно-целевого подхода к регулированию рынка труда на всех уровнях, в основе которого лежит определение долгосрочных целевых ориентиров социально-экономического развития государств в соответствии с мировыми стандартами. Учитывая разницу подходов в мировой практике к необходимости анализа и прогнозирования рабочей силы, автор делает вывод о необходимости разработки многосценарных прогнозов, опирающихся на систематический мониторинг текущих и перспективных объемов спроса и предложения рабочей силы (Kalinina, 2022).

Для прогнозирования динамики занятости в Шри-Ланке (Konarasinghe, 2017) использовал различные трендовые модели занятости, в том числе модель авторегрессионного интегрированного скользящего среднего ( ARIMA ).

Теоретический обзор подходов к прогнозированию обеспеченности кадровыми ресурсами показал, что в основном применяются балансовые и регрессионные модели. Методы ARIMA/ARMA-прогнозирования используются современными исследователями для оценки потребности в кадровых ресурсах на национальном и региональном уровнях, но данный подход не получил широкого применения на муниципальном уровне.

МЕТОДОЛОГИЯ ИССЛЕДОВАНИЯ

Метод ARIMA (AutoRegressive Integrated Moving Average) – это один из подходов к моделированию и прогнозированию временных рядов. Он сочетает в себе три компонента: авторегрессию (AR), интегрирование (I) и скользящее среднее (MA) – и используется для анализа и прогнозирования данных, которые зависят от времени и могут содержать тренды, сезонность и другие закономерности. Основными этапами ARIMA-моделирования являются подготовка данных, идентификация, оценка, проверка модели, прогнозирование. В отличие от балансовых методов или подходов машинного обучения, ARIMA/ARMA обладает рядом преимуществ. Во-первых, он позволяет учитывать авторегрессионные зависимости и скользящие средние, что особенно необходимо при анализе данных с высокой волатильностью. Во-вторых, включает интегрирование нестационарных данных, приводя их к стационарному виду, что повышает точность прогнозирования. В-третьих, обеспечивает прозрачность интерпретации результатов, что позволяет четко идентифицировать влияние различных факторов на динамику кадровых ресурсов. ARIMA-моделирование имеет и недостатки: необходимость стационарности данных; сложность подбора оптимальных параметров pp, dd, qq. Использование ARIMA/ARMA дает возможность не только выявлять текущие тенденции, но и формировать многовариантные сценарии развития ситуации, что крайне важно для стратегического планирования.

РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ

Текущее состояние обеспеченности кадровыми ресурсами в муниципалитетах УрФО

Среднесписочная численность работников в муниципальных образованиях демонстрирует разнонаправленные тенденции в зависимости от уровня урбанизации и экономической активности территории (табл. 1).

В крупнейших городах региона, таких как Тюмень и Екатеринбург, численность работников остается высокой, хотя и переживает незначительные колебания. В Тюмени в 2014 году численность работников составляла 201282человека,ак2023годуувеличиласьдо210984человек,чтосвидетельствует о стабильном росте занятости в городе. В Екатеринбурге численность работников за этот период колебалась, но также сохранялась на высоком уровне: с 447 767 человек в 2014 году до 459 281 человека в 2023-м, несмотря на снижение в 2017 году до 431 045 человек. В Челябинском городском округе наблюдается

к	со ГМ О 04	3 «3 со со >3 «3 со со £• У з ^	^ 00 04 О 04	00 04 04 LOj ^
	04 04 О 04		04 О LOj О 04	04 О 00 LOj
	04 О 04		40 04 04 О 04	00 04 04 LOj ^
	О 04 О 04		О 00 о о 04	00 00 LOj
	□4 О 04		40 00 о 04	о 40
	00 о 04		О 00 00 2	LO ^
	О 04		04 40 О 00 2	LO ^ О 5
	чо о 04		40 04 04 40 2	04 ^ О 5 ^
	Ю О 04		2 04 О 04	5 О 04 ^
	^ О 04		04 00 04 О 04	40
4) 5 s а и & и с « S см к ю S °			Л к <и	СМ 40 к S см Ct

LO 00 00 СО	3 © У 3 У Ct 3 ct 3 3 3 >3 3 3 3 © © ct 3 £• © 3 А 3 3 3 S' 3 3 I4 3 3 3 £	04 04	о Ln	Й 40
04 04		00 04	40 LO LO)	00 40
5 00 04		00 04	40 LO)	2
2 04		04 04	00 Ln	5
^ LO LO СО		40 LO 04	^ 00 Ln
40 04 04 СО		40 ^ 04	^ Ln	04
00 о ш 04 СО		04 04 04	^ Ln	04 04 00
о 40 СО		00 04	Ln 04 LO)	s
LT) ?0 Ln сП		04 04	40 40 40	о 04 00
ГО S		04	О Ln	04
о ’S S к S 40 0? R <и		О о о й И <и К й	О « s g o' CM Ct и	О ’S s CM Ct

постепенное сокращение численности работников: если в 2014 году она составляла 347 138 человек, то к 2023-му снизилась до 323 885, что может быть связано с изменениями в промышленности и структурной трансформацией экономики.

В небольших муниципальных образованиях с низкими значениями среднесписочной численности отмечается устойчивая тенденция к снижению. В Махневском муниципальном образовании численность работников увеличилась с 231 человека в 2014 году до 272 в 2023-м, что может свидетельствовать о незначительном росте занятости или миграционных процессах. В Староуткинске численность работников сократилась с 750 человек в 2014 году до 540 в 2023-м, а в Частоозерском муниципальном округе – с 933 до 653 человек за тот же период. Такое снижение может быть обусловлено оттоком населения, недостатком экономической активности и ограниченными возможностями для трудоустройства.

Таким образом, динамика численности работников отражает процессы урбанизации, экономического развития крупных центров и снижение занятости в малых населенных пунктах.

ARIMA-моделирование кадровой обеспеченности в УрФО

Метод ARIMA апробирован для прогнозирования динамики изменения численности работников в 198 муниципальных образованиях УрФО за период с 2010 по 2023 год. Результаты моделирования позволяют органам власти и бизнесу заранее прогнозировать дефицит кадров, разрабатывать меры по его устранению и оптимизировать политику в сфере занятости. В исследовании использованы данные списочной численности сотрудников организаций и построена оптимальная ARIMA-модель, представленная в таблице 2.

Оптимальная модель ARIMA за 2010–2023 годы построена на основе данных о списочной численности сотрудников организаций в УрФО. Результаты демонстрируют значительное снижение численности работников, подтверждаемое отрицательным значением константы const = -22732,7 при высокой степени значимости p < 0,0001. Это свидетельствует о стабильной тенденции к уменьшению кадрового потенциала в округе.

Коэффициенты MA модели ( theta _1 – theta _5) не являются статистически значимыми, что указывает на ограниченную роль краткосрочных колебаний в динамике кадровой обеспеченности. Высокий коэффициент детерминации R 2 = 0,96 говорит о хорошей описательной способности модели, что подтверждает надежность выявленных закономерностей. Средние значения зависимой переменной и инноваций отрицательны, что также указывает на спад кадрового потенциала.

В целом модель отражает устойчивую отрицательную тенденцию в кадровом обеспечении федерального округа, что может быть связано с экономическими, демографическими и структурными изменениями, влияющими на рынок труда.

В результате данного моделирования спрогнозировано, что к 2026 году по трем видам сценариев будут следующие значения (табл. 3). Для 95 % доверительных интервалов z (0,025) = 1,96.

см 04 £ CM 03 X 40 D 2 CD CD Ll_ 2 5 CD C 05 05 X 4= 05 to 'o О E о Q. CO s о X CD CD X О CD О О >s о co о Q. 05 < CD < О < <

ее Я ее й 0 ее я я ее S S ее Он S ю S о нм ее И Я ее 5 я я 2 Я S а ее СО со II h

й S я я ее я со

2 ^ 04

4© 04 00

04 o'

о 00 сП

40 04 й

ее 0 ее

04 o'

04 o'

о о o'

04 o'

о 04 o'

<3 40 1-0 44 45 <3 X Л £ й <3 СО С? <3 44 У £ £ <3 £ 40 04 о 44 <3 X £ й <3 СО С? <3 44 У £ £ <3 £ <3 44 й

4) я я я ее я м ^

О о о o' V

Г? o'

СО o'

o'

О o'

40 o'

0 S

04 О'

04 О'

о О'

А.

04

К о S о о К Я Ct со Е * О и

’Я Я Ct Я о к к я Е Й о о

Й Ом ЕС Ct я ¥ ’Я к к о Е я Ct Ом я 2

<14 * я Ct й < ’Я я Ом о я Ом X

Ct я я я ^ 1 Ct я Ct я я о X ’Я я Ом о я Ом X

о

о LH

СО o'

О 7

СО o'

сП o'

7 o'

Я ее sr к ее S S к

о Ln o'

о Ln o'

о о o'

2 7

04

04 04 04 04

in 00 o' о 1

40 04 o'

тГ о^ ^ 1

О' 7

ее 4© Я с § я Он ее К я ее и

40 04 со СО

40 o'

СО o'

co 04 o'

04 o'

o'

я со 04 О 04 О § я 04 2 ю ее Я я ее Я « 5 I 5 к S

й ее sr к я я =s «

<

40 04 o'

04 o'

о О'

СП o'

сП o'

и Я Я" я ^ 0

о я 04 04

о 04 o'

о -я o'

04 о o'

2 o'

LO o'

’Я о к к о S о Ом о к ’Я о S я я я Ct со о Я К о Ct К со о я $ и

’Я я я Ct я о к к я о о к я о Ом и

Й Ом я Ct я ¥ С<

<14 я 40 о к о я о к я Ct Ом я <14 с о я я с

Ct яг Ом Ct я 3 ’Я я Ом о я Ом

§ я я и 2 и Он и К

О

04

2

LT)

я я о Ом о

04 Л я о Ом о

Л я о Ом о

Л я о Ом о

Ln Л я о Ом о

Источник: табл. 2 и 3 составлены авторами по результатам исследования.

Таблица 3 / Table 3

Прогнозные сценарии кадровой обеспеченности / Forecast scenarios of staffing availability

Год	Сценарий
	инерционный	пессимистичный	оптимистичный
2024	3 161 720	3 121 610	3 201 820
2025	3 154 650	3 099 080	3 210 210
2026	3 142 420	3 084 300	3 200 550

Прогноз численности сотрудников организаций в УрФО на 2024–2026 годы представлен в трех сценариях: инерционном, пессимистичном и оптимистичном. Согласно инерционному сценарию, численность работников будет постепенно снижаться, что указывает на сохранение текущих тенденций без значительных внешних воздействий. В 2025 году ожидаемая численность составит 3 154 650 человек, а в 2026-м – 3 142 420. Пессимистичный сценарий демонстрирует более выраженное сокращение кадрового потенциала. В данном случае численность сотрудников организаций будет снижаться более быстрыми темпами: с 3 121 610 в 2024 году до 3 084 300 в 2026-м. Этот вариант может реализоваться при ухудшении экономической ситуации, снижении инвестиций в кадровый сектор или усилении миграционного оттока. Оптимистичный сценарий предполагает наименьшее сокращение численности работников и даже небольшую стабилизацию. Согласно этому прогнозу, численность составит 3 210 210 человек в 2025 году и 3 200 550 в 2026-м. Данный вариант возможен при благоприятных экономических условиях, активной государственной поддержке рынка труда и внедрении мер по удержанию и привлечению кадров.

Сценарный анализ позволяет оценить возможные траектории изменения численности работников в УрФО, где ключевую роль будут играть экономические условия, инвестиционная активность и демографические изменения. Основная ценность исследования заключается не только в полученных прогнозных значениях, но и в подтверждении эффективности метода ARIMA/ ARMA для анализа кадровых ресурсов. Это открывает перспективы для его дальнейшего применения в аналогичных региональных и отраслевых исследованиях, а также для разработки более точных моделей прогнозирования в будущем.

ЗАКЛЮЧЕНИЕ

Анализ прогнозных сценариев кадровой обеспеченности в УрФО на три года демонстрирует разнонаправленные тенденции, обусловленные комплексом экономических, демографических и социальных факторов. В инерционном сценарии сохраняется устойчивая динамика сокращения занятости, что может быть связано с естественной демографической убылью, изменениями в структуре экономики и постепенной автоматизацией производства. Пессимистичный вариант развития предполагает ускоренное снижение численности работников, что может быть вызвано неблагоприятными 702

Никулина Н. Л., Бычкова А. А. Прогнозирование обеспеченности кадровыми ресурсами Уральского федерального округа макроэкономическими условиями, снижением инвестиционной активности, кризисными явлениями на рынке труда, а также миграционным оттоком населения в другие регионы или за границу. Усиление тенденции сокращения численности занятых также может быть следствием изменения структуры занятости, когда все больше людей переходят в неформальный или самозанятый сектор, что снижает официальные показатели. Оптимистичный сценарий, напротив, отражает возможное восстановление и рост экономики, приток инвестиций, создание новых рабочих мест и повышение привлекательности УрФО для мигрантов. В этом случае ожидается стабилизация численности сотрудников организаций, и даже ее увеличение за счет появления новых отраслей, повышения спроса на квалифицированные кадры и проведения активной политики по удержанию населения в округе.

Прогнозные данные подтверждают, что ключевыми факторами изменения численности занятых в УрФО выступают экономическая ситуация, инвестиционная привлекательность региона, уровень технологического развития, демографические процессы и миграционные потоки. Для стабилизации численности работников необходим комплексный подход, включающий развитие новых направлений в экономике, поддержку бизнеса, улучшение условий труда и создание стимулов для удержания и привлечения рабочей силы.

Результаты исследования могут быть эффективно интегрированы в систему государственного и муниципального управления для решения задач, связанных с регулированием рынка труда и обеспечением кадровыми ресурсами. Прогнозные сценарии, разработанные на основе ARIMA-моделирования, позволяют органам власти заблаговременно оценивать динамику численности работников в УрФО и принимать превентивные меры для предотвращения возможного дефицита кадров. В частности, полученные данные могут быть использованы для разработки долгосрочных стратегий социально-экономического развития муниципальных образований. Прогнозы также способствуют оптимизации региональной политики в сфере подготовки кадров. Кроме того, результаты исследования могут служить основой для разработки мер по поддержке внутренней миграции: создание льготных условий для переезда специалистов в депрессивные территории или предоставление жилищных субсидий способны смягчить негативные последствия оттока населения. Таким образом, исследование предоставляет органам государственной власти и местного самоуправления не только инструмент для анализа текущей ситуации, но и основу для стратегического планирования. В условиях экономической нестабильности данные прогнозы дают возможность для принятия обоснованных управленческих решений и обеспечения устойчивого развития регионов УрФО.