Взаимосвязь неформальной занятости и социально-экономического развития регионов России

Неформальная занятость охватывает значительную часть трудового населения страны. Согласно данным исследовательского центра компании «Зарплата.ру», в 2022 году зарплату в конверте частично получали 21% респондентов, полностью – 6% опрошенных1. Данные Росстата свидетельствуют о том, что фонд «скрытой» оплаты труда в 2022 году составил более 19% от общего объема оплаты труда наемных работников2. Это по-прежнему высокий показатель, несмотря на его снижение по сравнению с предыдущими периодами (в 2019 году – 25,9%)3. Данные РГГУ (Тощенко, 2018) подтверждают, что почти половина (49,6%) работающего населения постоянно или периодически ищет источники дополнительного заработка, при этом доход от вторичной занятости чаще всего является неофициальным. Отмеченные показатели сигнализируют о системном сбое в сфере регулирования рынка труда и социально-трудовых отношений.

Вместе с тем неформальная занятость может восприниматься работниками как благо (От прекарной занятости…, 2022). Например, в рамках двух исследований в России с разницей в 10 лет получены одинаковые результаты: работники, оформленные по Трудовому кодексу РФ, чаще испытывают неуверенность в стабильности и надежности работы, чем занятые без такого оформления; при этом работники, имеющие опыт неформальной и неустойчивой занятости, адаптируются к неопределенности и приобретают некий «иммунитет» к страху потери работы (Синявская, 2005; Авдеев др., 2021). Более того, неформальная занятость может дать работнику некоторые ценные субъективно значимые для него преимущества, которые сложно получить в условиях формальной занятости (Баймурзина, Туракаев, 2021; Бурханова и др., 2018). Таким образом, отмечается противоречие между выгодами (и возможностями) для одних субъектов трудовых отношений и рисками (и упущенными выгодами) для других. Вместе с тем эксперты единодушны в мнении о том, что в долгосрочном периоде неформальная занятость имеет неблагоприятные последствия, среди которых отчуждение людей от государства и общества, снижение уровня доверия к институтам, дегуманизация и деинтеллектуализация населения и др.

Отмечается и неоднозначность взаимосвязи неформальной занятости с уровнем развития территорий. Во-первых, в той или иной мере она существует во всех странах и регионах. Если в менее развитых обществах она проявляется преимущественно в традиционных формах мелкой домашней и сельской занятости, в кустарных промыслах, то в развитых – в более продвинутых видах деятельности, в том числе использующих современные цифровые технологии (Кубишин, 2022, с. 522). Неформальная занятость может выполнять функцию переходного состояния для новых видов занятости, профессий, быть полем для апробации новых режимов труда, которые, институционализируясь в социальных практиках, постепенно переходят в разряд правовых норм (например, дистанционная занятость, гибкие режимы труда, платформенный труд). Во-вторых, нет «достаточного основания считать, что формализация однозначно улучшает или ухудшает социальноэкономическое положение страны [региона]» (Барсукова, 2017, с. 22). Как будет показано далее, в одних случаях неформальная занятость может стимулировать развитие, а в других – сдерживать его. В-третьих, известно, что региональные рынки труда существенно дифференцированы (Ощепков, Капелюшников, 2015), что обусловлено различным сочетанием комплекса факторов: социально-экономических, природно-климатических, социокультурных и др. Это, в свою очередь, не может не отражаться на специфике неформальной занятости.

В условиях распространенности и укорененности социального феномена неформальной занятости, появления ее новых форм и видов в условиях цифровизации экономики и трудовых отношений и одновременно дефицита актуальных данных о ней важными направлениями исследований становятся изучение многообразия и структуры неформальной занятости (профессионально-квалификационной, социальнодемографической, отраслевой и т. д.), а также факторов ее развития (объективных и субъективных; общих и специфических) в регионах России; актуализация системы индикаторов для мониторинга изменений неформального рынка труда, выявления региональной специфики и более эффективного управления занятостью населения; развитие подходов к оценке социальных и экономических эффектов.

В статье представлены результаты факторного анализа социально-экономических процессов в регионах России за 2018 и 2020 гг.; в качестве одной из главных компонент выделен интегральный показатель вовлеченности населения в неформальную занятость, охарактеризованы взаимосвязи выделенного фактора с ключевыми макропоказателями развития регионов.

Научная проблема, решаемая в рамках данной работы, состоит в попытке найти скрытые закономерности и особенности проявления неформальной занятости в регионах и оценить их устойчивость во времени. Ценность полученных результатов закючается в уточнении характера взаимосвязей между спецификой социально-экономического развития территорий и моделями неформальной занятости населения;

развитии подходов к оценке ее социальных и экономических эффектов, выявлению региональной специфики.

Современное состояние исследований

Проблема изучения неформальных экономических отношений начала формироваться в середине ХХ века. Дж. Бойк в начале 1950-х гг. отметил феномен «дуальной экономики» (Boeke, 1953). Чуть позднее К. Гиртц предложил разделение на «базарную» и «ориентированную на фирменное устройство» экономику («bazaar-economy» и «firm-centred economy») (Geertz, 1963). Первая характеризовалась им как трудоемкая, низкопроизводительная, маломасштабная и низкодоходная, в то время как вторая – более эффективная, капиталоемкая, с более высокой производительностью труда. Проблема «неформальности» постепенно созревала в научном сообществе, приобретая все более четкие контуры.

Авторами-классиками современных подходов к исследованию неформальной занятости считаются К. Харт, который ввел в научный оборот термин «неформальный сектор» (структурный подход) (Hart, 1973), и Д. Норт – автор институционального подхода, выделивший формальные и неформальные институты-регуляторы экономических отношений (Дуглас, 1997). К числу фундаментальных работ относят также труды перуанского ученого и политика Э. де Сото (Soto, 1989), объяснившего причины роста теневого сектора излишней бюрократической заорганизованностью легального сектора, в связи с чем некоторые исследователи называют его подход легалистским.

Постепенно неформальная экономика, изначально ассоциированная с отсталостью, расширяла свои концептуальные рамки и трансформировалась в «базовый компонент» как развивающихся, так и развитых экономик мира, различающийся по странам «не только масштабом, но и формой, причинностью, социальным составом вовлеченных» (Барсукова, 2012). В современной российской литературе по неформальной занятости наиболее известны исследования В.Е. Гимпельсона и Р.И. Капе-люшникова (Нестандартная занятость…, 2006), С.Ю. Барсуковой (Барсукова, 2017), В.В. Радаева (Барсукова, Радаев, 2012), Д.О. Стребкова, А.В. Шевчука и др.

Изучение взаимовлияния показателей неформальной занятости и социально-экономического развития территорий

Анализ научной литературы, в которой исследуется взаимосвязь показателей неформальной занятости и социально-экономического развития территорий, свидетельствует, что результаты зависят от многих причин: социально-экономического контекста, уровня развития, институциональных и социокультурных особенностей изучаемого общества (страны, региона). Так, исследование, проведённое на панельных данных по 20 развивающимся странам за 2011–2019 гг., показало, что занятость в неформальном секторе положительно влияет на экономический рост (Sultana et al., 2022). Однако с точки зрения производительности труда неформально занятые работники уступают корпоративному сектору на 22–25% (Uzyakova, 2022).

Значительный экономический рост Китая также во многом связывается с дерегулированием рынка труда и увеличением масштабов неформальной занятости, в частности самозанятости, случайной и временной работы, почасовой оплаты труда и т. д. (Meng, 2012). Однако влияние неформальных трудовых отношений на работников приводит не к таким позитивным последствиям. Исследования показывают, что, к примеру, в Китае это влечет за собой штраф в размере 44% заработной платы для горожан и 33% – для сельских жителей (Wang et al., 2016).

В рамках исследований выявлено положительное воздействие неформальной занятости на социально-экономическое неравенство: подтверждена способность ее влияния на снижение значений коэффициента Джини и, соответственно, неравенства в доходах (Bhattacharya, 2011; Costas и др., 2015). Многочисленные исследования подтверждают отрицательную взаимосвязь между показателями инфляции и неформальной занятости: рост последней приводит к снижению инфляции и наоборот (Зубайдуллина, Акчурина, 2023; Qelik и др., 2021).

Вместе с тем отмечено негативное влияние неформальной занятости на субъективное благополучие и здоровье работников (Aronsson et al., 2023; Batool et al., 2015; Hurtado et al., 2017), что во многих случаях обусловлено отсутствием социальных гарантий. Существует статистически значимая взаимосвязь между вовлеченностью в неформальный рынок труда и рисками бедности (Biryukova et al., 2022).

Влияние неформальной занятости на показатели рынка труда в России исследовано на данных по 83 регионам за 2006–2020 гг. (Karpushkina et al., 2021). Выявлено, что нестабильность рынка труда обусловлена более высоким уровнем занятости в неформальном секторе. Изучение влияния этого параметра на государственные финансы показало, что в регионах с высокой долей неформальной занятости (свыше 50%) бюджеты субъектов РФ получают практически в 25 раз меньше налогов, сборов и иных платежей (Салин, Нарбут, 2017).

Выявлена более низкая вероятность того, что работник будет занят неформально, в регионах с лучшей эффективностью государственного управления и более высоким средним уровнем образования населения (Jonasson, 2012).

Методология исследования

В целом оценка неформальной занятости – достаточно сложная задача. В первую очередь это связано с трудностями фиксации процессов неформальной занятости, слабо поддающихся государственному, статистическому учету. Тем не менее в настоящее время накоплен большой массив данных на основе статистических замеров, так или иначе характеризующих неформальную занятость. Среди них можно выделить непосредственно статистические показатели (уровень безработицы, коэффициент напряженности на рынке труда и др.), а также данные, полученные с помощью выборочных наблюдений, отражающие качественные характеристики такого типа занятости (форма, условия занятости и другие индикаторы). Однако эти индикаторы характеризуют отдельные аспекты неформальной занятости и не позволяют оценить ее комплексно.

В рамках реализации исследовательской задачи – выявление влияния социально-экономических показателей, характеризующих различные экономические, демографические процессы, показателей развитости социальной инфраструктуры и рынка труда на распространенность (выраженность) неформальной занятости в регионах России – сформирована база статистических данных и социальных индика- торов Росстата по всем субъектам Российской Федерации в статистическом пакете для анализа данных IBM SPSS Statistics.

Итоговая база данных включала макроэкономические показатели, характеризующие уровень социально-экономического развития регионов (38 показателей); показатели рынка труда (54), в том числе характеристики неформальной занятости; показатели человеческого капитала и демографического развития регионов (18) за 2018, 2020 гг. Система показателей по рынку труда содержит данные официальной статистики Росстата, итоги выборочного обследования рабочей силы (ОРС), а также результаты комплексного наблюдения условий жизни населения (КОУЖ), которые рассматриваются нами как субъективные оценки качества занятости в регионах. Отбор показателей осуществлен экспертным путем с учетом их прямого или косвенного влияния и предполагаемой значимости для комплексного анализа неформальной занятости.

В исследовании предпринята попытка разработать интегральную оценку такой занятости на данных последнего наиболее стабильного статистического периода – 2018 года. Выбор года обусловлен полнотой системы индикаторов – статистических (макроэкономических) и социологических (субъективных). КОУЖ реализуется Росстатом раз в два года. Несмотря на наличие данных КОУЖ за 2022 год, целый ряд региональных статистических показателей на момент сбора и анализа данных был недоступен. В связи с этим факторная модель рассчитана за 2018 и 2020 гг. (для проверки ее устойчивости во времени и в условиях пандемии).

Факторный анализ позволяет снизить размерность данных и получить более удобные для интерпретации и дальнейшего анализа переменные. Кроме того, апробирована гипотеза о выявлении факторов, которые бы являлись структурными компонентами неформальной занятости. Для построения модели из сформированной базы статистических данных были отобраны показатели, характеризующие рынок труда и занятость в регионах России. В итоге модель содержит перечень из 18 переменных, на основе которых выделены три фактора, включающие:

• 1)    социологические индикаторы по данным выборочных наблюдений: удовлетворенность различными аспектами работы;

• 2)    статистические показатели, характеризующие неформальный рынок труда и безработицу;

• 3)    характеристики рынка труда в целом.

Получены следующие характеристики модели: КМО и критерий Бартлета = 0,701, значим на уровне р < 0,000, объясненная совокупная дисперсия = 56%.

Мы убедились, что показатели безработицы и неформальной занятости выделяются в отдельную группу и характеризуются некоторым скрытым фактором, причем с достаточно высокой факторной нагрузкой (21%).

Для дальнейшей работы были отобраны показатели, формируюшие этот фактор, и дополнены статистическими показателями, характеризующими занятость и неформальный рынок труда, чтобы выделить скрытые структурные факторы неформальной занятости отдельно от данных, связанных с безработицей.

Результаты

Анализ факторной модели. Таким образом, построены модели на основе данных за 2018 и 2020 гг. В каждой модели выделено два фактора (табл. 1, 2), совокупность показателей в кото- рых условно можно интерпретировать как выраженность «неформальной занятости» (НЗ) и «безработицы» (Б).

В целом показатели качества полученных моделей достаточно высоки, вариативность структуры факторов за исследуемый период незначительна, что говорит о воспроизводимости результатов для этих периодов.

В системе координат XOY пара факторов представляет собой две перпендикулярные прямые. На основе пересечения факторов выделены четыре группы регионов, в каждой из которых факторы ведут себя по-разному (табл. 3) .

• 1.    Оба фактора сильно выражены (значения положительные).

• 2.    Фактор «безработица» (Б) имеет сильную выраженность (значения положительные), фактор «неформальная занятость» (НЗ) выражен слабо (значения отрицательные).

• 3.    Фактор «неформальная занятость» имеет сильную выраженность (значения положительные), фактор «безработица» выражен слабо (значения отрицательные).

• 4.    Оба фактора слабо выражены (значения отрицательные).

Таблица 1. Факторная модель по статистическим данным за 2018 год, коэффициенты факторной нагрузки

Статистический показатель	Безработица (Б)	Неформальная занятость (НЗ)
Коэффициент напряженности на рынке труда, по данным ОРС	0,803
Занятые в неформальном секторе, % к общей численности занятого населения	0,788
Безработные в возрасте 15–72 лет в сельской местности, тыс. человек	0,692
Уровень безработицы, по данным ОРС, %	0,659
Доля безработных со средним профессиональным образованием по программам подготовки рабочих, по данным ОРС, % к итогу	-0,773
Доля респондентов, работающих полный рабочий день (смену) или полную рабочую неделю, %		-0,511
Удельный вес безработных, ищущих работу 12 месяцев и более, по данным ОРС, %		0,968
Среднее время поиска работы безработными, по данным ОРС, месяцев		0,954
Доля респондентов, работающих на основе устной договоренности, без оформления, %		0,633
Доля работающих на основе трудового договора (служебного контракта) на неопределенный срок, %		-0,679
Примечание: КМО и критерий Бартлета = 0,712, значим на уровне р < 0,000, объясненная совокупная дисперсия = 67%, корреляция факторов = 0,238, метод вращения – прямой облимин. Рассчитано по: Регионы России. Социально-экономические показатели. 2022: стат. сб. / Росстат. М., 2022; база данных КОУЖ за 2018 год.

Таблица 2. Факторная модель по статистическим данным за 2020 год, коэффициенты факторной нагрузки

Статистический показатель	Безработица (Б)	Неформальная занятость (НЗ)
Занятые в неформальном секторе, % к общей численности занятого населения	0,819
Коэффициент напряженности на рынке труда, по данным ОРС	0,800
Безработные в возрасте 15–72 лет в сельской местности, тыс. человек	0,776
Уровень безработицы, по данным ОРС, %	0,674
Доля респондентов, работающих полный рабочий день (смену) или полную рабочую неделю, %	-0,644
Доля безработных со средним профессиональным образованием по программам подготовки рабочих, по данным ОРС, % к итогу	-0,600
Удельный вес безработных, ищущих работу 12 месяцев и более, по данным ОРС, %		0,956
Среднее время поиска работы безработными, по данным ОРС, месяцев		0,940
Доля респондентов, работающих на основе устной договоренности, без оформления, %		0,659
Доля работающих на основе трудового договора (служебного контракта) на неопределенный срок, %		-0,574
Примечание: КМО и критерий Бартлета = 0,749, значим на уровне р < 0,000, объясненная совокупная дисперсия = 67%, корреляция факторов = 0,330, метод вращения – прямой облимин. Рассчитано по: Регионы России. Социально-экономические показатели. 2022: стат. сб. / Росстат. М., 2022; база данных КОУЖ за 2020 год.

Таблица 3. Распределение групп регионов по результатам факторного анализа на основе статистических данных за 2018 и 2020 гг., %

Группа регионов	2018	2020
Значения Б и НЗ положительные	30,5	16,9
Значения Б положительные, НЗ отрицательные	19,5	20,8
Значения Б отрицательные, НЗ положительные	31,7	24,7
Значения Б и НЗ отрицательные	18,3	37,7
Всего	100,0	100,0
Источник: составлено авторами.

Заметны довольно логичные изменения в распределении групп: группа регионов, для которых показатели неформальной занятости и безработицы были выражены достаточно интенсивно, существенно сократилась: с 30,5% в 2018 году до 16,9% в 2020 года. Группа регионов, для которой интенсивность этих процессов достаточно низкая, значительно выросла: с 18,3% в 2018 году до 37,7% в 2020 году. Эти результаты, на наш взгляд, обусловлены одновременным ростом (хотя и не сильным) безработицы и сокращением неустойчивых и негарантированных рабочих мест в неформальном секторе экономики в связи с пандемическим кризисом.

Коэффициент постоянства состава I группы регионов – 61%, II группы – 58%, III группы – 65%, IV группы – 73%. В то же время необходимо помнить, что 2020 год является пандемий-ным, кризисным и нестабильным, поэтому показатели могли измениться, на первый взгляд, неожиданно. Все зависело от комбинации факторов: управленческих возможностей, структуры экономики, объема господдеркжи и др. В связи с этим переходы регионов из одной группы в другую в некоторых случаях сложно объяснить изменением определенных социальноэкономических показателей. В отдельных случаях, напротив, их легко объяснить изменением статистических показателей, но кажущиеся улучшения на самом деле могут отражать негативные явления. Это свидетельствует о необходимости учитывать специфику как исследуемого периода, так и самого объекта при интерпретации результатов.

За период 2018–2020 гг. положение 14 российских регионов в рамках полученной модели улучшилось (Рязанская обл., Тверская обл., Ярославская обл., Вологодская обл., Волгоградская обл., Кировская обл., Пензенская обл., Саратовская обл., Ульяновская обл., Иркутская обл., Новосибирская обл., Томская обл.,

Республика Башкортостан, Чувашская Республика); 10 – ухудшилось (Московская обл., Орловская обл., Республика Ингушетия, Чеченская Республика, Республика Мордовия, Удмуртская Республика, Самарская обл., Красноярский край, Магаданская обл., Чукотский автономный округ). Состав срединных групп (II, III группы) практически не изменился. Вместе с тем можно увидеть, что в этих регионах наблюдается тот или иной негативный сценарий, связанный с безработицей или неформальной занятостью (рис. 1).

Рис. 1. Группировка регионов РФ по главным компонентам факторной модели: «безработица» и «неформальная занятость»

• II    группа: Б+, НЗ-

• Воронежская обл., Краснодарский край, Оренбургская обл., Респ. Крым, Респ. Саха (Якутия), Ростовская обл., Ставропольский край

«Неформальная занятость»

• IV    группа: Б-, НЗ-

• Белгородская обл., Брянская обл., Владимирская обл., г. Москва, г. Санкт-Петербург., Калининградская обл., Калужская обл., Камчатский край, Кемеровская обл., Костромская обл., Ленинградская обл., Липецкая обл., Мурманская обл., Нижегородская обл., Приморский край, Респ. Татарстан, Сахалинская обл., Свердловская обл., Смоленская обл., Тульская обл., Хабаровский край, Челябинская обл.

I группа: Б+, НЗ+

Астраханская обл., Забайкальский край, Кабардино-Балкарская Респ., Карачаево-Черкесская Респ., Респ. Адыгея, Респ. Алтай, Респ. Бурятия, Респ. Дагестан, Респ. Калмыкия, Респ. Северная Осетия - Алания, Респ. Тыва --------------------------►

• III    группа: Б-, НЗ+

Амурская обл., Еврейская авт. обл., Ивановская обл., Курганская обл., Курская обл., Новгородская обл., Пермский край, Псковская обл., Респ. Карелия, Респ. Коми, Респ. Марий Эл, Респ. Хакасия, Тамбовская обл.

Изменения в группах за 2018–2020 гг.

I группа

Б+, НЗ+

Ингушетия (из гр. II)

Чеченская Респ. (из гр. II)

II группа Б+, НЗ-

Алтайский край " (из гр. I), Волгоградская обл.

(из гр. III), Красноярский край (из гр. IV), Московская обл.

(из гр. IV), Новосибирская обл.

(из гр. III), Омская обл.

(из гр. I), Самарская обл. (из гр. IV), Саратовская обл.

(из гр. I), Чукотский авт. округ (из гр. IV)

III группа Б-, НЗ+

Иркутская обл. (из гр. I), Магаданская обл. (из гр. IV), Орловская обл. (из гр. IV), Респ. Мордовия (из гр. IV), Удмуртская Респ. (из гр. IV), Чувашская Респ. (из гр. I)

IV группа Б-, НЗ-

Вологодская обл. (из гр. III), Кировская обл. (из гр. II), Пензенская обл. (из гр. II), Респ. Башкортостан (из гр. I), Рязанская обл. (из гр. III), Тверская обл. (из гр. III), Томская обл. (из гр. I), Ульяновская обл. (из гр. III), Ярославская обл. (из гр. III)

Примечание: в верхней части рисунка (четыре сегмента, разделяемые осями) показаны постоянные представители групп; ниже по ячейкам распределены регионы, пополнившие соответствующие группы в 2020 году (в скобках указано их положение в 2018 году).

Источник: составлено авторами.

Таблица 4. Динамика показателей, характеризующих уровень безработицы и неформальную занятость в Республике Башкортостан и Вологодской области, 2018 и 2020 гг.

Наименование показателя	Республика Башкортостан		Вологодская область
	2018	2020	2018	2020
Группа регионов по факторной модели	I	IV	III	IV
Коэффициент напряженности на рынке труда	2,1	2,6	2,1	2,6
Занятые в неформальном секторе, % к общей численности занятого населения	23,9	24,2	24,0	24,6
Доля безработных со средним профессиональным образованием по программам подготовки рабочих, по данным ОРС, % к итогу	29,6	27,3	30,7	24,6
Безработные в возрасте 15–72 лет в сельской местности, тыс. человек	53	40	13	12
Уровень безработицы, %	4,9	5,9	5,1	6,1
Удельный вес безработных, ищущих работу 12 месяцев и более, по данным ОРС, %	31,9	19,9	37,3	19,2
Среднее время поиска работы безработными, по данным ОРС, месяцев	7,5	6,6	8,3	6,5
Доля работающих на основе трудового договора на неопределенный срок, %	82,1	84,5	90,2	86,6 ↓
Доля респондентов, работающих на основе устной договоренности, без оформления, %	7,4	5,3	4,9	5,8 ↑
Доля респондентов, работающих полный рабочий день (смену) или полную рабочую неделю, %	89,6	88,5	90,4	87,5

Рассчитано по: Регионы России. Социально-экономические показатели. 2022: стат. сб. / Росстат. М., 2022; базы данных КОУЖ за 2018, 2020 гг.

На примере Республики Башкортостан и Вологодской области (табл. 4) можно видеть, какой именно показатель в структуре компоненты оказал наиболее сильное влияние на тренды изменений – переход региона из групп с менее благоприятными характеристиками в группу с наиболее благоприятными. Сильное сокращение доли безработных в сельской местности значительно повлияло на ситуацию с неформальной занятостью в Республике Башкортостан. В обоих случаях в улучшении позиций регионов сыграло роль сокращение среднего времени поиска работы безработными и удельного веса безработных, ищущих работу 12 месяцев и более, что объясняется регистрацией большого числа новых безработных, учет которых привел к таким статистическим эффектам (если разобраться, они не являются позитивными). Вместе с тем модель интерпретируема, перетоки регионов между выделенными группами объяснимы.

Корреляционный анализ. Для изучения характера взаимосвязи неформальной занятости и особенностей социально-экономического развития российских регионов был реализован корреляционный анализ компоненты фактор- ной модели, интерпретируемой как «неформальная занятость», и показателей, характеризующих социально-экономическое развитие территорий (табл. 5). Попытка использования интегрального, комплексного показателя в качестве одной из переменных анализа составляет методическую новизну исследования.

Результаты корреляционного анализа подтверждают наличие связи интегрального показателя неформальной занятости и показателей социально-экономического развития российских регионов – уровня доходов и потребления населения, экономических показателей роста и бюджетных трансфертов, при этом важно отметить обратный характер этой связи.

Таким образом, последствия неформальной занятости и безработицы по-разному отражаются в разных социально-экономических условиях и социокультурных средах. К примеру, в одну группу объединились условно однородные менее урбанизированные регионы с сильной этнической компонентой (I группа), регионы со слабой социально-экономической динамикой (II–III группы). Регионы с развитой экономикой, финансовые, научные и промышленные центры составили основу IV группы.

Таблица 5. Результаты корреляционного анализа зависимости компоненты «неформальная занятость» от индикаторов социально-экономического развития регионов

№	Наименование показателя	Корреляция Пирсона / значимость
		2018	2020
1	Доходы консолидированных бюджетов на душу населения, всего, млн рублей (РФ – млрд рублей) на 1000 человек	-0,429** 0,000	-0,073 0,527
2	Валовой региональный продукт на душу населения; валовая добавленная стоимость, данные из архива за текущий год, с 2008 года в текущих основных ценах, рублей	-0,466** 0,000	-0,261* 0,022
3	Инвестиции в основной капитал на душу населения, данные из архива за текущий год (в фактически действовавших ценах), рублей	-0,395** 0,000	-0,209 0,069
4	Стоимость основных фондов на душу населения (на конец года; по полной учетной стоимости), млн рублей	-0,375** 0,001	-0,181 0,116
5	Оборот розничной торговли на душу населения (архив за соответствующий год), в фактически действовавших ценах, рублей	-0,504** 0,000	-0,497** 0,000
6	Объем платных услуг на душу населения (архив за соответствующий год), рублей	-0,582** 0,000	-0,393** 0,000
7	Реальные денежные доходы населения, % к предыдущему году	-0,259* 0,020	0,121 0,293
8	Медианный среднедушевой денежный доход населения, рублей в месяц	-0,561** 0,000	-0,313** 0,006
9	Оплата труда в структуре денежных доходов населения, %	-0,354** 0,001	-0,279* 0,014
10	Величина прожиточного минимума, установленная в субъектах Российской Федерации за IV квартал года (в среднем на душу населения), рублей в месяц	-0,352** 0,001	-0,077 0,507
11	Общая площадь жилых помещений, приходящаяся в среднем на одного жителя (данные из текущего архива, на конец года), кв. м	-0,237* 0,034	-0,366** 0,001
12	Заболеваемость на 1000 человек населения (зарегистрировано больных с диагнозом, установленным впервые в жизни), человек	-0,103 0,362	-0,165 0,152
13	Численность студентов, обучающихся по программам бакалавриата, специалитета, магистратуры, на 10 000 человек населения	-0,128 0,257	0,034 0,767

* Корреляция значима на уровне 0,01 (2-сторон.).

** Корреляция значима на уровне 0,05 (2-сторон.).

Рассчитано по: Регионы России. Социально-экономические показатели. 2022: стат. сб. / Росстат. М., 2022; базы данных КОУЖ за 2018, 2020 гг.

Заключение

Эмпирическую основу исследования составила сформированная авторами база с использованием статистических данных Росстата. Протестировано более 100 переменных, характеризующих состояние регионов: макроэкономические условия, рынок труда, уровень и качество жизни населения, человеческий капитал, демографическое развитие. На основе многомерного статистического анализа рассчитана факторная модель за 2018 и 2020 гг., состоящая из двух ключевых компонент. Факторы интерпретированы нами как интегральные показатели, характеризующие интенсивность различных проявлений безработицы и неформальной занятости в регионах России. Далее осуществлен корреляционный анализ фактора «неформальная занятость» и макропоказателей эконо- мического и социального развития российских регионов, который выявил тесную связь неформальной занятости с показателями экономического роста, инвестиций, уровня потребления и доходов населения, отсутствие связи с показателями, характеризующими социальную сферу.

Таким образом, важным практическим результатом является выделение в качестве некоего значимого фактора социально-экономического развития региона, который характеризуется показателями неформальной занятости и безработицы. Исследование позволяет предположить, что степень проявления (выраженности) этого скрытого фактора и показатели социально-экономического развития региона взаимосвязаны, причем связь носит обратный характер. Попытка группировки регионов по степени выраженности безработицы и нефор- мальной занятости привела к удовлетворительным результатам. Вместе с тем для утвердительных выводов необходимо осуществить подобные тестирования как в перспективе, так и в ретроспективе.

Основными методологическими результатами работы являются использование микроданных наряду с показателями макроэкономики для построения многомерного анализа неформальной занятости в субъектах РФ (регионах) и России в целом; расчет и выделение интегрального показателя неформальной занятости для российских регионов; осуществление типологизации регионов по показателям неформальной занятости; анализ (не)устойчиво-сти состава групп во времени и их взаимосвязи с динамикой социально-экономического развития территорий.