КЛАСТЕРИЗАЦИЯ РЕГИОНАЛЬНЫХ РЫНКОВ ТРУДА С УЧЕТОМ ОЦЕНОК NAIRU

Дмитрий Александрович Орлов, Евгений Анатольевич Постников

Аннотация


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.


Ключевые слова


рынок труда, региональная разнородность, NAIRU, разрыв безработицы, денежно-кредитная политика, кластерный анализ, региональные кластеры рынков труда

Полный текст:

PDF

Литература


Tryon R.C. Cluster analysis. Ann Arbor: Ed-wards 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. Insti-tute of Economic Policy and Business Strategy: Com-petitiveness 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 c.

Рашка С. Python и машинное обучение / пер. с англ. А. В. Логунова. М.: ДМК Пресс, 2017. 418 c.

Steinhaus H. Sur la division des corps materiels 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. Elec-tronic Journal of Statistics. 2011. Vol. 5. Р. 1537–1587. DOI: 10.1214/11-EJS651

Ester M., Kriegel H., Sander J., Xu X. A densi-ty-based algorithm for discovering clusters in large spatial databases with noise // Proceedings of the Sec-ond 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 mes-sages 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 Sta-tistical Association. 1971. Vol. 66. Р. 846–850.

Vinh N.X., Epps J., Bailey J. Information the-oretic 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. 224–227. 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 recov-ery // NBER Working Paper. 2013. No. 19390. 57 p. DOI: 10.3386/w19390

Rusticelli E. Rescuing the Phillips curve: mak-ing use of long-term unemployment in the measure-ment of the NAIRU // OECD Journal: Economic Stud-ies. 2014. Vol. 2014/1. Р. 109–125. DOI: 10.1787/eco_studies-2014-5jxrcm2cdff6

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


Ссылки

  • На текущий момент ссылки отсутствуют.