Спрос на навыки работников в сфере информационных технологий в России: методика идентификации и классификации тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Терников Андрей Александрович

• Терников Андрей Александрович
• кандидат наук
• 2024

Оглавление диссертации кандидат наук Терников Андрей Александрович

ВВЕДЕНИЕ

ГЛАВА 1. СОВРЕМЕННЫЕ ПРОБЛЕМЫ И ПОДХОДЫ МОДЕЛИРОВАНИЯ СПРОСА НА ЗНАНИЯ, УМЕНИЯ И НАВЫКИ РАБОТНИКОВ НА ОСНОВЕ ОНЛАЙН ДАННЫХ О ВАКАНСИЯХ

1.1 Проблемы моделирования спроса на знания, умения и навыки работников

1.2 Мировой опыт подходов и методов моделирования спроса на знания, умения и навыки работников на основе онлайн данных о вакансиях

1.3 Применение подходов и результаты моделирования спроса на знания, умения и навыки на основе онлайн данных о вакансиях

Выводы

ГЛАВА 2. РАЗРАБОТКА МЕТОДИКИ ИДЕНТИФИКАЦИИ И КЛАССИФИКАЦИИ СПРОСА НА ЗНАНИЯ, УМЕНИЯ И НАВЫКИ РАБОТНИКОВ

2.1 Общее описание инструментария

2.2 Методика идентификации и классификации спроса на знания, умения и навыки работников

2.3 Результаты применения разработанной методики для анализа востребованных знаний, умений и навыков

Выводы

ГЛАВА 3. АПРОБИРОВАНИЕ МЕТОДИКИ В КОНТЕКСТЕ СФЕРЫ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ В РОССИИ

3.1 Подготовка данных и использование методики идентификации и классификации для анализа зарплатных премий и спроса на знания, умения и навыки

3.2 Результаты использования методики идентификации и классификации для анализа зарплатных премий и спроса на знания, умения и навыки

в контексте сферы информационных технологий

3.3 Использование методики идентификации и классификации для анализа предпочтений по знаниям, умениям и навыкам

Выводы

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А

ПРИЛОЖЕНИЕ Б

ПРИЛОЖЕНИЕ В

ПРИЛОЖЕНИЕ Г

ПРИЛОЖЕНИЕ Д

Введение

Актуальность темы исследования

В последнее время всё большее количество исследований посвящено изучению внедрения информационных технологий (ИТ) на рынке труда. При этом исследователи в этой области зачастую связывают технологические изменения на рынке труда с изменениями к требованиям работодателей относительно навыков соискателей. Исследования стороны спроса отмечают, что подобная ситуация может объясняться поляризацией рабочих мест (Acemoglu, Restrepo, 2017; Acemoglu, Autor, Hazell, Restrepo, 2022; Autor, Dorn, 2013; Autor, Levy, Murnane, 2003) и изменением квалификации работников (Acemoglu, Autor, 2011; Deming, Kahn, 2018; Deming, Noray, 2020). Другими словами, количество новых рабочих задач растёт, а наборы требуемых знаний, умений и навыков (далее навыки; англ. skills) расширяются.

В разных странах разрабатываются оригинальные региональные и отраслевые системы классификаторов профессий и должностей, а также существует тенденция к переходу на компетентностную модель оценки спроса на навыки работников (Lester, Koniotaki, Religa, 2018; TUtlys, Spoettl, 2017). Другими словами, конкретные профессии могут быть оценены посредствам набора знаний, умений и навыков, обеспечивающих выполнение тех или иных трудовых функций работников. Однако полноценный переход к вышеупомянутой модели изучения спроса на навыки в настоящее время не осуществлён, что является актуальной задачей в рамках построения современной государственной политики в сфере труда и занятости.

Спрос на навыки работников становится более разнообразным и динамичным, что в особенности характерно для сферы информационных технологий.1 От ИТ-специалистов требуются не только технические («жёсткие»), но и нетехнические («мягкие») компетенции (навыки). Следует отметить, что вакансии, размещаемые работодателями на онлайн платформах по найму, представляют собой широкую палитру возможных комбинаций навыков, и зачастую не содержат единообразных описаний требований. Исследователи отмечают, что в силу существования раз-

ХВ диссертационном исследовании понятие «сфера ИТ» рассматривается в широком смысле, включая в себя аспекты, связанные как с ИТ-отраслью и ИТ-профессиями, так и с совокупностью отдельных ИТ навыков.

личного понятийного аппарата, используемого, например, при размещении вакансий различными компаниями и при организации образовательных программ, изучение спроса на навыки может быть затруднено (Botov и др., 2019; Nikolaev, Ryazanov, Botov, 2020; Sozykin и др., 2021; Белов, Джавадзаде, Кадочников, Кореньков, Зре-лов, 2020; Троицкая, 2019; Филоненко, Мосиенко, Магранов, 2020; Чередниченко, 2020). Несмотря на низкую структурированность записей в онлайн вакансиях, исследователи утверждают, что такие данные по-прежнему остаются наиболее актуальным источником информации, позволяющим сделать важный шаг в дешифровке спроса (Волгин, Гимпельсон, 2022).

Степень разработанности проблемы

Изучению спроса на навыки и анализу премий по заработной плате за них посвящены работы Волгина А.Д., Гимпельсона В.Е., Acemoglu D., Albandea I., Autor D.H., Balcar J., Busso M., Calanca F., Deming D., Murnane R.J., Neves E.C., Ramos J., Restrepo P., Stewart F., Ziegler L. В частности, при анализе объявлений о вакансиях было обнаружено, что «мягкие» навыки, связанные с руководством, такие как лидерство и управление командой, ассоциируются с более высокой заработной платой, при этом навыки подчинения (например, пунктуальность, готовность к обучению) связаны с более низкой заработной платой. В то же время, не все «мягкие» навыки являются значимыми в различных профессиях, а их наличие может быть сопряжено с более низкой предлагаемой заработной платой. Так, например, в работах Волгина А.Д., Гимпельсона В.Е., Капелюка С.Д., Карелина И.Н., Лищук Е.Н., Паклиной С.Н., Схведиани А.Е., Шакиной Е.А., посвящённых изучению спроса на навыки работников в России, обнаружена не только премия по заработной плате за когнитивные и управленческие навыки, но и за навыки использования искусственного интеллекта. При этом авторы подчёркивают, что премия по заработной плате за навыки может варьироваться в зависимости от их комбинаций и рассматриваемых укрупнённых профессиональных групп.

Зачастую в исследованиях, оценивающих спрос на навыки, наиболее распространённым критерием является относительная частота встречаемости навыков в

вакансиях (Borner и др., 2018; Gurcan, Cagiltay, 2019; Papoutsoglou, Mittas, Angelis, 2017; Wu, Shi, Yang, 2017). Особое внимание авторы уделяют процессу соотнесения неструктурированных текстовых полей из вакансий с эталонными наборами навыков, для чего широко применяются методы обработки естественного языка. Авторы идентифицируют в первую очередь существующие технические навыки и проводят численные эксперименты по установлению соответствия между полученными наборами навыков и профессиональной структурой рынка труда. Несмотря на значительное количество исследований в изучаемой области, взаимодействия и комбинации между техническими и нетехническими навыками в рамках различных групп профессий изучены недостаточно (Ahmed, Capretz, Campbell, 2012; Cao, Zhang, Ge, Chen, 2021; Florea, Stray, 2018; Papoutsoglou, Mittas, Angelis, 2017).

Идентификация навыков на основе данных об онлайн вакансиях исследуется в работах Alekseeva L., Botov D., Khaouja I., Litecky C.R., Matturro G., Papoutsoglou M. В частности отмечается, что технические навыки, связанные со сферой информационных технологий, легче поддаются структурированию, чем нетехнические, поскольку имеют ярко выраженную и единообразную структуру. Благодаря наличию точных формулировок языков программирования, технологических платформ и интерфейсных инструментов, технические навыки в сфере информационных технологий легче идентифицируются и классифицируются по укрупнённым профессиональным группам.

Отметим работы Borner K., De Mauro A., Colombo E., Gurcan F., Lovaglio P.G., Pejic-Bach M., Wu J., в которых значительное внимание уделяется вопросам классификации профессий с учётом навыков. Авторы исследований сходятся во мнении, что на основании неструктурированных записей из онлайн вакансий возможно выявлять ключевые темы и слова, позволяющие производить классификацию знаний, умений и навыков. Обнаружено, что выбор групп профессий и навыков в значительной степени обусловлен объёмом имеющихся данных и заданными характеристиками профессиональных групп. При этом, как правило, данные о вакансиях доступны за один год, а процесс идентификации ключевых навыков проводится по онлайн вакансиям, опубликованным на одном языке.

Несмотря на наличие накопленного опыта по идентификации и классификации навыков, исследователи по-прежнему отмечают, что автоматизация процесса идентификации и классификации навыков осложнена, а полученные группы навыков и профессий требуют дополнительной экспертной оценки, основанной на характеристиках исходных данных. Таким образом, существует разрыв в методиках анализа и классификации данных из онлайн вакансий, особенно в области определения и изучения спроса на навыки в сфере информационных технологий. Данные онлайн вакансий представляют собой детальный источник информации для изучения спроса на навыки на рынке труда. Однако низкая степень структурированности записей в онлайн вакансиях, и разнообразие используемых работодателями терминологий затрудняют изучение спроса на навыки работников. Настоящее диссертационное исследование посвящено разработке и апробированию методики, позволяющей систематизировать и классифицировать данные о навыках, извлечённых из неструктурированных записей онлайн вакансий, и тем самым дополнить существующие исследования спроса на навыки в сфере информационных технологий в России.

Цель и задачи исследования

Цель исследования состоит в разработке и апробации методики идентификации и классификации знаний, умений и навыков для изучения спроса на навыки работников в сфере информационных технологий в России.

Для достижения цели исследования в диссертационной работе решались следующие задачи:

1. Систематизировать принципы идентификации и классификации знаний, умений и навыков на основе неструктурированных записей в онлайн вакансиях для определения подхода по разработке методики, позволяющей изучать спрос на навыки работников.

2. Разработать методику идентификации и классификации знаний, умений и навыков для работы с неструктурированными записями в онлайн вакансиях, позволяющей изучать спрос на навыки работников.

3. Применить разработанную методику к онлайн вакансиям в сфере информационных технологий в России для изучения спроса на навыки работников.

4. Оценить взаимосвязь между спросом на навыки работников и предлагаемой работодателями заработной платой в сфере информационных технологий в России с использованием методики идентификации и классификации знаний, умений и навыков.

Объектом исследования являются онлайн вакансии, размещаемые работодателями в сфере информационных технологий в России.

Предметом исследования является спрос на знания, умения и навыки работников в сфере информационных технологий в России.

Научная новизна

Научная новизна диссертационного исследования заключается в следующем:

1. Систематизированы принципы идентификации и классификации знаний, умений и навыков на основе неструктурированных записей в онлайн вакансиях и сформулирован пул возможностей для выбора подхода к построению методики, позволяющей осуществить переход к анализу структурированных групп знаний, умений и навыков.

2. Разработана методика, позволяющая структурировать группы знаний, умений и навыков на основе неструктурированных записей в онлайн вакансиях. В отличие от существующих подходов методика позволила автоматизировать процесс получения укрупнённых и интерпретируемых с точки зрения профессий групп знаний, умений и навыков за счёт усовершенствования процедуры их идентификации и классификации, основанной на выявлении комбинаций их точных и единообразных формулировок.

3. Впервые на данных по России продемонстрирована возможность отслеживать спрос на структурированные группы знаний, умений и навыков в сфере информационных технологий при помощи разработанной методики, которая позволяет

получать сбалансированные и интерпретируемые группы знаний, умений и навыков, основываясь на комбинациях их точных и единообразных формулировок.

4. Впервые на данных по России в сфере информационных технологий проведена эмпирическая оценка взаимосвязи между заработной платой и структурированными группами знаний, умений и навыков, полученными при помощи разработанной методики, что позволило использовать более точные и единообразные формулировки знаний, умений и навыков для оценки премии по заработной плате по укрупнённым группам знаний, умений и навыков в профессиональном и отраслевом разрезах.

Практическая и теоретическая значимость исследования

Диссертационное исследование расширяет возможности применения эконо-метрического инструментария и методов машинного обучения для изучения спроса на рынке труда. В отличие от существующих алгоритмов, гибкость предложенной в диссертационном исследовании методики позволяет сочетать её с методами классификации и кластеризации данных, а также впервые напрямую апробировать её в экономических исследованиях спроса на навыки. Например, результаты исследования могут быть применены для совершенствования и обновления системы русскоязычных классификаторов профессий, знаний, умений и навыков. Разработанная методика позволяет выявлять и стандартизировать знания, умения и навыки по профессиональным группам, а также получать списки наиболее востребованных работодателями комбинаций навыков.

Полученные результаты также имеют высокий потенциал для внедрения в образовательный процесс и поддержания уже существующих стандартов обучения. Согласно результатам данного диссертационного исследования, обладание только техническими навыками в ИТ-профессиях не может гарантировать выпускникам успешное трудоустройство. Преимуществами обладают кандидаты, которые сочетают технические и нетехнические навыки.

Методология и методы диссертационного исследования

Для достижения поставленной цели в диссертационной работе используются:

1. Методы обработки естественного языка для формирования точных и единообразных групп знаний, умений и навыков;

2. Методы машинного обучения, основанные на кластерном анализе, используемые при поиске ассоциаций между группами знаний, умений и навыков;

3. Эконометрическое моделирование для оценивания взаимосвязи между спросом на навыки работников и предлагаемой работодателями заработной платой.

Информационную базу исследования составляют данные портала HeadHunter (www.hh.ru), одной из наиболее распространённых платформ найма в России. Типовая структура онлайн объявления о работе включает следующие основные поля: идентификатор вакансии, название вакансии, коды специализаций (от 1 до 6 кодов профессиональных областей), дата публикации, город (регион), описание (неструктурированный текст), навыки (наборы от 0 до 30 элементов из неструктурированных текстовых описаний, каждое из которых состоит не более чем из 100 символов), предлагаемая заработная плата. В данном исследовании использовались выборки вакансий (в том числе по специализации HeadHunter «ИТ, Интернет, Телеком») за 2007-2021 годы.

Общая логика стандартизации навыков следует этапам поиска схожих терминов (синонимов) и агрегации обобщённых терминов (общего термина для конкретного подмножества навыков) (Brooks, Greer, Morris, 2018; Gardiner, Aasheim, Rutner, Williams, 2018; Hiranrat, Harncharnchai, 2018; Hoang, Mahoney, Javed, McNair, 2018; Karakatsanis и др., 2017; Lovaglio, Cesarini, Mercorio, Mezzanzanica, 2018; Verma, Yurov, Lane, Yurova, 2019). Необработанные поля с навыками были стандартизованы следующим образом. Во-первых, наиболее частые термины были извлечены по отсечению порогового значения по кривой Ципфа. Во-вторых, были применены методы обработки естественного языка для поиска синонимов с учётом удаления избыточных пробельных символов и пунктуации. Использовался подход TF-iDF (англ. term

frequency — inverse document frequency) с уни-, би- и три-граммами. В-третьих, полученные термины были проверены вручную и разделены на две группы на основе логики существующих баз данных навыков: «жёсткие» и «мягкие» навыки (Calanca, Sayfullina, Minkus, Wagner, Malmi, 2019; Sayfullina, Malmi, Kannala, 2018).

Затем были применены алгоритмы кластеризации, основанные на информации о навыках и профессиях. Дальнейший анализ был частично основан на двух-этапной модели, которая предполагает кластеризацию только по «жёстким» навыкам (Litecky, Arnett, Prabhakar, 2004). Каждый навык был представлен набором идентификаторов вакансий. Были рассчитаны индексы Жаккара для всех пар комбинаций технических навыков (Colace и др., 2019; Giabelli, Malandri, Mercorio, Mezzanzanica, 2022; Jia и др., 2018). Индекс Жаккара J представляет собой меру схожести между множествами А и В : J (А, В) = | А П 5|/|А U В |. Для расчёта этих мер схожести в пределах разумного вычислительного времени использовалась процедура «MinHash» (Broder, 1997). На основе расчётов была создана квадратная матрица различий для целей кластеризации. Каждый элемент матрицы соответствует расстоянию Жаккара dj (А, В) = 1 — J (А, В) между наборами идентификаторов вакансий для каждого навыка.

Наконец, упомянутые выше методы и подходы позволили провести дополнительный экономический анализ премии к заработной плате и спроса на навыки для всего российского рынка труда и сферы ИТ в частности, используя данные на уровне профессий, отраслей и фирм (на основе соотнесения фирм в соответствии с российским классификатором видов экономической деятельности)

Степень достоверности и апробация результатов исследования Список публикаций по теме диссертации

По теме исследования опубликовано 8 работ общим объёмом 10 а.л. (личный вклад автора составляет 9,3 а.л.). Из них 5 работ — в изданиях, рекомендованных ВАК для публикации результатов диссертационных исследований, 7 — в изданиях, индексируемых базой Scopus, 4 — в Web of Science (Emerging Sources Citation Index)

2Анализ был проведён на основе базовой регрессионной модели, представленной в работе Alekseeva [и др.] (2021).

и 1 — в Web of Science (Science Citation Index Expanded):

1. Терников А.А. Искусственный интеллект и спрос на навыки работников в России // Вопросы экономики. — 2023. — № 11. — С. 65-80. DOI: 10.32609/0042-87362023-11-65-80 [ВАК, Scopus (Q1), Web of Science (Q3 ESCI), 1,0 а.л.];

2. Ternikov A.A. Skill preferences in job postings [Предпочтения по навыкам в объявлениях о вакансиях] // Economics Bulletin. — 2023. — Vol. 43, No 4. P. 1928-1943. [Scopus (Q3), 1,0 а.л.];

3. Терников А.А., Александрова Е.А. Спрос на навыки на рынке труда в сфере информационных технологиий // Бизнес-информатика. — 2020. — Т. 14, №

— С. 64-83. DOI: 10.17323/2587-814X.2020.2.64.83 [ВАК, Scopus (Q3), Web of Science (Q4 ESCI), 1,6 а.л. (личный вклад: 1,4 а.л.)];

4. Ternikov A.A. Skill-based clustering algorithm for online job advertisements [Алгоритм кластеризации на основе навыков для онлайн-объявлений о вакансиях] // Известия Саратовского университета. Новая серия. Серия: Математика. Механика. Информатика. — 2022. — Т. 22, № 2. — С. 250-265. DOI: 10.18500/18169791-2022-22-2-250-265 [ВАК, Scopus (Q3), Web of Science (Q4 ESCI), 1,0 а.л.];

5. Ternikov A.A. Soft and hard skills identification: insights from IT job advertisements in the CIS region [Идентификация «мягких» и «жёстких» навыков: выводы на основе объявлений о вакансиях в сфере ИТ в СНГ] // PeerJ Computer Science.

— 2022. — Vol. e8, No 946. — P. 1-24. DOI: 10.7717/peerj-cs.946 [Scopus (Q2), Web of Science (Q2 SCIE), 1,7 а.л.];

6. Ternikov A.A. Wage premium for soft skills in IT sector [Зарплатная премия за «мягкие» навыки в сфере ИТ] // International Journal of Development Issues. — 2022. — Vol. 21, No 2. — P. 237-248. DOI: 10.1108/IJDI-12-2021-0257 [Scopus (Q3), 1,0 а.л.];

7. Терников А.А. Профессиональные стандарты и спрос на рынке труда в сфере высшего менеджмента в России // Вестник Санкт-Петербургского университета. Менеджмент. — 2022. — Т. 21, № 1. — С. 131-148. DOI: 10.21638/11701/spbu08.2022.106 [ВАК, 1,1 а.л.];

8. Терников А.А., Бляхер М.Л. Спрос на знания, умения и навыки в вакансиях: кого готовит университет? // Мир России. Социология. Этнология. — 2023. — Т. 32, № 2. — С. 74-96. DOI: 10.17323/1811-038X-2023-32-2-74-96 [ВАК, Scopus (Q2), Web of Science (Q3 ESCI), 1,6 а.л. (личный вклад: 1,1 а.л.)].

Доклады на конференциях

Апробация результатов исследования была проведена на следующих конференциях:

1. Analytics for Management and Economics Conference (27-28 сентября 2019), Санкт-Петербург, Россия. Доклад: "Skills demand forecasting on labour market";

2. Analytics for Management and Economics Conference (сентябрь-декабрь 2020), Санкт-Петербург, Россия. Доклад: "Key skills extraction on local labour market in IT sphere'';

3. IV Российский Экономический Конгресс (21-25 декабря 2020), Москва, Россия. Доклад: "Skill-based clustering algorithm for online job advertisements";

4. XII Международная научно-практическая конференция студентов и аспирантов «Статистические методы анализа экономики и общества». (11—14 мая 2021), Москва, Россия. Доклад: "Key skills extraction in labour market for IT sphere";

5. XXIV Ясинская международная научная конференция по проблемам развития экономики и общества (4-14 апреля 2023), Москва, Россия. Доклад: "Artificial intelligence and wage premium on Russian labor market: Evidence from, job advertisements";

6. Чтения по экономике и финансам памяти Е.Г. Ясина (23-26 апреля 2024), Москва, Россия. Доклад: "Skill preferences in job postings".

Структура диссертации

Диссертационная работа состоит из введения, трёх глав, заключения, списка литературы и пяти приложений. Общий объём работы составляет 117 страниц, включая 10 таблиц и 7 рисунков. Список литературы содержит 180 наименований.

В первой главе операционализированы основные понятия и термины, использующиеся в работе. Кроме того, определены и систематизированы основные теоретические и методологические подходы к изучению спроса на знания, умения и навыки работников. В результате получен полноценный аналитический инструмент, позволяющий на ранних этапах исследования определять потенциал применения существующих технических алгоритмов для решения конкретных исследовательских задач на основе имеющейся спецификации исходных данных.

Вторая глава посвящена разработке и апробации методики и алгоритмов структурирования знаний, умений и навыков для изучения спроса на навыки. В частности, при создании и верификации методики обсуждаются следующие вопросы. Во-первых, вопросы сбора и обработки данных на основе неструктурированных записей в онлайн вакансиях для структурирования групп знаний, умений и навыков. Во-вторых, обсуждаются преимущества и ограничения процедуры кластерного анализа на основе структурированных групп навыков для выявления укрупнённых профессиональных групп. В-третьих, рассматриваются вопросы нахождения востребованных работодателями комбинаций навыков на основе поиска ассоциаций. По результатам применения разработанной методики в сфере информационных технологий в России предоставлены наиболее востребованные комбинации знаний, умений и навыков по профессиональным группам.

Третья глава посвящена апробации разработанной методики для оценки взаимосвязи между спросом на навыки работников и предлагаемой работодателями заработной платой. С использованием регрессионного анализа был оценён вклад спроса на навыки по структурированным группам знаний, умений и навыков в предлагаемую работодателями заработную плату в сфере информационных технологий в России.

В заключении подведены итоги диссертационной работы и обозначены перспективы дальнейших исследований.

Глава 1. Современные проблемы и подходы моделирования спроса на знания, умения и навыки работников на основе онлайн данных о вакансиях3

1.1 Проблемы моделирования спроса на знания, умения и навыки

работников

Знания, умения и навыки (англ. skills, далее — ЗУН), которые требуются со стороны работодателей, являются одним из наиболее информативных индикаторов для оценки спроса на рынке труда, представляя собой описание компетенций, требуемых в различных профессиональных группах (англ. occupations). Однако комбинации требуемых ЗУН динамично меняются как с течением времени, так и в зависимости от специфики отрасли, организации, конкретной вакансии.

Данные изменения связаны с конъюнктурными колебаниями экономики и реструктуризацией рынка труда. Более того, список компетенций, формируемый на основе специфики системы образования и профессиональных стандартов, теряет свою гибкость к данным изменениям и весьма быстро устаревает. В связи с этим в научной литературе широко рассматривается проблематика идентификации и классификации навыков, спрос на которые предъявляет рынок труда. Авторы освещают как теоретические, так и эмпирические аспекты функционирования рынка труда, а также взаимодействие между фирмами, странами, отраслями и потенциальными работниками.

Ряд исследований рассматривает макроэкономический контекст и предлагает различные теоретические модели. Такие исследования, рассматривая спрос на рынке труда, оперируют понятиями безработицы и резервной заработной платы (Acemoglu, 2001; Hamermesh, 1989; Mortensen, Pissarides, 1994). Кроме того, традиция экономического моделирования предлагает также использовать теорию международной торговли и конкуренции между фирмами, учитывая процессы компьютеризации отраслей экономики и отдельных вакансий (Autor, Katz, Krueger, 1998; Autor, Katz, Kearney, 2008; Felbermayr, Larch, Lechthaler, 2012; Felbermayr, Prat, Schmerer,

3 Подробные результаты опубликованы в статьях: Ternikov (2022b); Ternikov (2022c); Терников (2022); Терников, Александрова (2020); Терников, Бляхер (2023).

2011; Helpman, Itskhoki, 2010; Helpman, Itskhoki, Redding, 2010).

Со стороны фирм, сталкивающихся с экзогенными шоками, представлен анализ спроса на труд и структуры затрат. Так, например, Hamermesh (1989) обнаруживает, что фирмы корректируют свои затраты на труд в присутствии относительно больших макроэкономических циклических изменений. В соответствии с ранее упомянутым эффектом, Autor, Katz, Krueger (1998) обнаруживают поляризацию структуры заработной платы вследствие технологических и квалификационных изменений в конкретных отраслях.

Кроме того, рассматривается роль информационных технологий. Acemoglu, Restrepo (2017) рассматривают феномен промышленного использования роботов в США и неравенство в оплате труда (в конце 20-го — начале 21-го века). Моделируется конкуренция роботов и человеческого труда и выявляется отрицательная связь между внедрением новых технологий и уровнем заработной платы. Autor, Katz, Kearney (2008) считают, что существуют технические изменения, не связанные с навыками. Авторы подкрепляют это доказательство тем, что неравенство в оплате труда на примере рынка США вводит разницу в спросе на навыки во временной перспективе и сдвиг в сторону технологических изменений, влияющих на уровень минимальной заработной платы. Последний эффект более чувствителен и значим для молодых работников, чем для пожилых. На примере малых и средних предприятий Европейского союза в начале 21-го века Avram [и др.] (2019) исследует вопрос о том, что технологические инновации генерируют высокий уровень производительности труда. Кроме того, спрос на ИТ навыки и уровень занятости связаны с экономическим ростом. Однако повышение резервной заработной платы создаёт низкооплачиваемые рабочие места, повышая тем самым разнообразие заработных плат.

В других смежных исследованиях, анализируя технологические изменения на рынке труда, затрагиваются как макроэкономический контекст, так и контекст на уровне отдельных фирм (Acemoglu, Restrepo, 2017; 2019a; Avram, Benvenuto, Avram, Gravili, 2019; Burger, Stavropoulos, Ramkumar, Dufourmont, van Oort, 2019; Spitz-Oener, 2006). В данном случае, в процесс адаптации к процессами цифровизации

вовлечены все стороны рынка труда. Таким образом, экономика в целом и фирмы, в частности, требуют от работников определённого уровня образования и квалификации для поддержания упомянутых тенденций.

Проблемы поляризации рабочих мест, в частности, на уровне квалификации работников, в рамках технологических изменений широко распространены. Autor, Levy, Murnane (2003) анализируют процесс компьютеризации и требования к рабочим навыкам в конце 20-го века. Основными недостатками являются следующие: преобладание компьютерного капитала и увеличение объёма нестандартных задач по мере технических изменений. Spitz-Oener (2006) также предоставляет эмпирические доказательства роста спроса на компьютерные навыки. На основе данных по Западной Германии установлено, что в настоящее время компаниям требуются более сложные навыки, особенно в компьютеризированных профессиях.

Помимо этого, Acemoglu, Autor (2011) рассматривают структуру замещения технологий в контексте фирмы, распространение технологий и различия в навыках. В исследовании Burger [и др.] (2019) также подразумеваются квалификационные рамки требований к рабочим местам и навыкам. Основным выводом для циркулярной экономики американского рынка промышленности является потребность в более комплексных когнитивных навыках, а не в технических. Однако Acemoglu, Restrepo (2019a) обобщают влияние использования искусственного интеллекта и автоматизации на рабочих местах на спрос на рабочую силу, заработную плату и занятость. Например, снижение трудозатрат на неавтоматизированные задачи происходит при одновременном увеличении автоматизированных. Появление новых трудоёмких задач поддерживается как производительностью труда, так и созданием дополнительного капитала. Однако несоответствие между требуемыми навыками и внедрением новых технологий всё ещё существует.

Ещё одна группа исследований рассматривает спрос на работников по отношению к их уровню образования, квалификации и навыкам, что относится к следующим экономическим явлениям: отраслевая специфичность (Ortego-Marti, 2017; Rudakov, Roshchin, Teixeira, Figueiredo, 2019), поляризация заработной платы (Guvenen, Kuruscu, Tanaka, Wiczer, 2018; Montt, 2017; Рожкова, Рощин, 2019;

Рощин, Солнцев, 2017) и производительность труда (McGowan, Andrews, 2017; van der Velden, Bijlsma, 2019). Например, некоторые авторы анализируют выпускников колледжей и университетов (Autor, Katz, Krueger, 1998; Blázquez, Herrarte, Llorente-Heras, 2018; Liu, Salvanes, S0rensen, 2016), другие — работников с опытом (Ferreira, KUnn-nelen, De Grip, 2017; Sparreboom, Tarvid, 2016; Vieira, 2005).

Все типы квалификационных несоответствий на рабочих местах, а также способы их измерения, упомянутые ранее, напрямую связаны с конкретными знаниями и компетенциями сотрудников. Последний из предложенных эффектов в настоящее время является очень волатильным, вызывающим изменения в макроэкономическом контексте. Он связан с проблемами поляризации рабочих мест и заработной платы, безработицей и компьютеризацией промышленности. Некоторые авторы обобщают эти эффекты в своих исследованиях. Например, McGowan, Andrews (2017) анализируют связь между производительностью труда и несоответствием квалификации на основе исследования PIAAC4. Выяснилось, что чем выше несоответствие навыков, тем ниже производительность труда, и наоборот. Кроме того, на несоответствие квалификации влияет цикличность экономики.

Используя данные переписи населения США, Autor, Dorn (2013) предлагают доказательства того, что для низкоквалифицированных профессий ожидается динамика снижение заработной платы и занятости. Авторы утверждают, что такая тенденция в последнее время поддерживается компьютеризацией рутинных задач в ряде отраслей. Вдобавок, Restrepo (2015), основываясь на данных США, анализирует структурную безработицу и несоответствие навыков во время рецессии. Выяснилось, что рутинные когнитивные профессии сокращаются. Неквалифицированные работники не влияют на поведение квалифицированных работников на рынке труда. Кроме того, такие эффекты различаются по зонам приезда в США. Важность последнего предположения о пространственном несоответствии также подтверждается L'Horty, Sari (2019) на основе французских данных. Выяснилось, что несоответствие навыков в крупных муниципалитетах больше, чем в небольших. Упомянутые выше исследования создают возможности для выработки политических решений на уровне

4Programme for the International Assessment of Adult Competencies, https://www.oecd.org/skills/piaac/.

страны и региона.

Академические исследования, анализирующие профессиональную структуру рынка труда, дают представление о несоответствии квалификации и влиянии такого несоответствия на заработную плату работников. Несоответствие навыков определяется различными представлениями работодателей об идеальном кандидате на должность (Brunello, Wruuck, 2021). Например, компании, принимающие на работу специалистов, требуют от них не только соответствующего образования и опыта работы, но и различных сочетаний двух основных типов навыков, а именно «мягких» (когнитивные способности, работа в команде, общение и т.д.) и «жёстких» (технических) (Samek, Squicciarini, Cammeraat, 2021).

Недавние исследования, в которых анализируются объявления о вакансиях, утверждают, что оба типа навыков являются важными факторами, определяющими предлагаемую работнику заработную плату (Balcar, 2014; Deming, Kahn, 2018; Deming, Noray, 2020). Некоторые авторы предлагают уделять больше внимания «мягким» навыкам в образовательных программах, чтобы удовлетворить спрос на рабочую силу (Balcar, 2016; Deming, 2021; Loyalka и др., 2021). Хотя заявленные в образовательных программах компетенции могут не подкрепляться реальными способностями личности, образование кандидата является одним из важных сигналов, дающих потенциальному работодателю информацию о знаниях и умениях (Heckman, Rubinstein, 2001). Таким образом, спрос на навыки призван покрыть информационный разрыв между представлениями работодателей о рабочих задачах и представлениями работников о конкретных должностях.

Последние исследования отмечают, что рынок труда становится вовлечённым в процессы цифровой трансформации, при которой компании стремятся адаптировать свою кадровую политику, предъявляя спрос на навыки работников, связанные с информационными технологиями и, в частности, искусственным интеллектом (ИИ) (Alekseeva, Azar, Gine, Samila, Taska, 2021; Graetz, Restrepo, Skans, 2022; Napierala, Kvetan, 2023). Исследователи отмечают, что ИИ в широком смысле — это новая технология общего назначения, которая обеспечивает положительный шок производительности для всей экономики (Goldfarb, Taska, Teodoridis, 2023; Shakina,

Parshakov, Alsufiev, 2021).

Среди исследований выделяется группа, определяющая ИИ как одну из самых перспективных технологий нашего времени и изучают влияние её быстрого распространения на рынке труда (Acemoglu, Autor, 2011; Acemoglu, Restrepo, 2020; Acemoglu, Autor, Hazell, Restrepo, 2022). Например, Acemoglu, Autor (2011), проанализировав взаимосвязь с различными навыками, сформулировали феномен поляризации рабочих мест, описывающий изменения требований к человеческому капиталу и рабочим задачам. Более того, Acemoglu, Restrepo (2019b) обозначили значимое влияние автоматизации с точки зрения замещения труда искусственным интеллектом. Авторы подняли проблему несоответствия между требованиями к навыкам владения современными информационными технологиями и динамикой внедрения ИИ. Используя доступные массивы больших данных, учёные проанализировали онлайн вакансии, сосредоточившись на цифровой трансформации рынка труда, спросе на навыки и заработной плате (Acemoglu, Autor, Hazell, Restrepo, 2022; Alekseeva, Azar, Gine, Samila, Taska, 2021; Babina, Fedyk, He, Hodson, 2023; Deming, Kahn, 2018; Deming, Noray, 2020).

Авторы обнаружили значительную премию к заработной плате за навыки ИИ в различных вакансиях, фирмах, профессиях и отраслях. Например, Deming, Noray (2020), проанализировавшие изменение требований к навыкам и динамику заработной платы выпускников американских колледжей, обнаружили, что выпускники, специализирующиеся в области науки, технологии, инженерии и математики (англ. STEM), получают более высокую заработную плату в начале своей карьеры. Alekseeva [и др.] (2021) использовали объявления о вакансиях в США, чтобы исследовать рост спроса на навыки ИИ и повышение оплаты за них в разрезе профессий, не связанных с ИИ. Acemoglu [и др.] (2022) также отметили недавний стремительный рост ИИ, однако этот рост, по мнению исследователей, не оказал существенного влияния на предлагаемую работодателями заработную плату на уровне профессий и отраслей. При этом, учитывая растущее значение трансформации рынка труда под влиянием ИИ, анализ взаимодополняемости цифровых навыков и зарплатных премий на основе данных онлайн вакансий всё ещё недостаточно изучен, особенно

в неамериканском контексте (Ao, Horvath, Sheng, Song, Sun, 2023; Arendt, Galecka-Burdziak, Núñez, Pater, Usabiaga, 2023; Eggenberger, Backes-Gellner, 2023; Taniguchi, Yamada, 2022).

1.2 Мировой опыт подходов и методов моделирования спроса на знания, умения и навыки работников на основе онлайн данных о вакансиях

Рынок труда формирует спрос на квалифицированные кадры, а установление соответствия между работником и работодателем подразумевает наличие схожих компетенций, которые заявлены в вакансиях и получены выпускниками. При этом выбор определённой траектории, направления обучения, заранее предопределяет набор знаний, умений и навыков, которыми может обладать выпускник, а значит и его потенциальную успешность на рынке труда (Емелина, Рожкова, Рощин, Солнцев, Травкин, 2022).

Исследователи уделяют вопросам анализа несоответствий в навыках значительное внимание (Deming, Kahn, 2018; Paklina, Shakina, 2022; Rudakov, Roshchin, Teixeira, Figueiredo, 2019; Варшавская, Котырло, 2019; Гимпельсон, Капелюшни-ков, Карабчук, Рыжикова, Биляк, 2009; Колосова, Рудаков, Рощин, 2020; Мальцева, 2019), отмечая, что дисбаланс спроса и предложения на рынке труда относительно полученной квалификации негативно отражается на заработной плате работников, а также создаёт ситуацию дефицита квалифицированных кадров (особенно для инженерно-технических и экономических специальностей). Вместе с тем авторы заявляют, что количественная оценка спроса на навыки является одним из наиболее объективных подходов к измерению исследуемого феномена.

Ряд исследований, посвящённых анализу спроса на навыки, использует в качестве исходной информации объявления о вакансиях, полученных из открытых интернет-источников (Amato и др., 2015; Boselli, Cesarini, Mercorio, Mezzanzanica, 2018; Colombo, Mercorio, Mezzanzanica, 2019; De Mauro, Greco, Grimaldi, Ritala, 2018; Gurcan, Cagiltay, 2019; Karakatsanis и др., 2017; Lovaglio, Cesarini, Mercorio, Mezzanzanica, 2018; Pejic-Bach, Bertoncel, Mesko, Krstic, 2020; Radovilsky, Hegde, Acharya, Uma, 2018). Данные источники предоставляют собой достаточно обшир-

ную информацию о ЗУН и их комбинациях, но, зачастую содержат информацию в неструктурированном виде. Такие поля заполняются вручную представителями компаний, поэтому требуется применение процедур подготовки данных и алгоритмических методов для извлечения соответствующей информации в стандартизированной форме. Основные методы обработки такой информации базируются на техниках обработки естественного языка (англ. Natural Language Processing), в частности — на анализе меры TF-iDF (англ. term frequency — inverse document frequency) и n-грамм (последовательности из п элементов), а также использовании алгоритмов классификации и кластеризации.

Некоторые исследования решают задачу классификации профессиональных должностей по их описанию из онлайн-вакансий по широко используемым классификаторам профессий и ЗУН, таких как ISCO5, ESCO6 и O*NET7 (Boselli, Cesarini, Mercorio, Mezzanzanica, 2018; Colombo, Mercorio, Mezzanzanica, 2019; Karakatsanis и др., 2017; Lovaglio, Cesarini, Mercorio, Mezzanzanica, 2018). Такие классификаторы характеризуют наименования должностей, профессий, основные обязанности и трудовые функции работников. Использование этих систем позволяет проводить мониторинг ситуации на региональных рынках труда, прогнозировать потребность в кадрах и корректировать региональные стандарты занятости.

Для корректировки могут быть использованы данные официальной статистики, опросов профсоюзных организаций работников, экспертных оценок и онлайн вакансий (Chulanova [и др.], 2019). Однако в исследованиях Atolagbe, Floyd (2020); Poba-Nzaou, Uwizeyemungu, Clarke (2020), анализирующих онлайн вакансии, авторы подчёркивают, что в описаниях вакансий работодатели склонны указывать ключевые обязанности и задачи, что затрудняет их сопоставление с официальными классификаторами профессиональных должностей и навыков.

Другие исследования применяют модели классификации на основе данных, размеченных экспертами (Amato и др., 2015; Bensberg, Buscher, Czarnecki, 2019; Brooks, Greer, Morris, 2018; Florea, Stray, 2018; Wowczko, 2015). Другими словами, выборка анализируется и размечается экспертами в конкретной области, а затем эта

5International Standard Classification of Occupations, https://www.ilo.org/public/english/bureau/stat/isco/.

6European Skills/Competences, Qualifications and Occupations, https://ec.europa.eu/esco/portal/home/.

7The Occupational Information Network, https://www.onetonline.org/.

информация используется для корректировки алгоритмов классификации. Кроме того, исследователи используют подходы кластеризации для определения профессий и навыков в процессе подготовки данных, что позволяет сформировать и разделить профессиональные группы (Amato и др., 2015; De Mauro, Greco, Grimaldi, Ritala, 2018; Gurcan, Cagiltay, 2019; Karakatsanis и др., 2017; Pejic-Bach, Bertoncel, Mesko, Krstic, 2020; Radovilsky, Hegde, Acharya, Uma, 2018). Таким образом, сочетание различных подходов и алгоритмов подготовки и стандартизации данных позволяет заложить основу для анализа спроса на навыки.

В то же время дополнительные трудности при соотнесении специалистов с конкретной профессиональной областью возникают с развитием информационных технологий и автоматизацией рабочего процесса (Acemoglu, Autor, 2011; Acemoglu, Restrepo, 2019a; Autor, Levy, Murnane, 2003; Лукьянова, 2021). В целом это обусловлено цифровизацией многих трудовых функций работников. Теперь от квалифицированного специалиста всё чаще требуется минимальное обладание навыками, связанными с цифровой грамотностью и информационными технологиями. Таким образом, трансформируются как трудовые функции работников, так и требуемые работодателями навыки.

Существуют работы, в которых авторы также подчёркивают роль цифровой трансформации в процессе проникновения ИТ-навыков во многие профессии (Alekseeva, Azar, Gine, Samila, Taska, 2021; Li, Yuan, Kamarthi, Moghaddam, Jin, 2021; Ozkiziltan, Hassel, 2021). Соответственно, это отражается и на рынке труда (Bana, 2021; Lovaglio, Cesarini, Mercorio, Mezzanzanica, 2018; Vooren, Haelermans, Groot, Maassen van den Brink, 2019; Wikle, Fagin, 2015). Некоторые авторы предлагают уделять больше внимания «мягким» навыкам в учебных программах, чтобы удовлетворить спрос на рабочую силу (Balcar, 2016; Deming, 2021; Loyalka и др., 2021). Отмечая, что компетенции, заявленные в образовательных программах, могут быть не подкреплены реальными личными способностями, образование потенциального работника является одним из важных сигналов, который предоставляет потенциальному работодателю информацию о его знаниях и умениях (Heckman, Rubinstein, 2001).

Например, при анализе объявлений о вакансиях в Великобритании Calanca [и др.] (2019) обнаружили, что такие «мягкие» навыки, связанные с руководством, как лидерство и создание команды, ассоциируются с более высокой зарплатой, а навыки подчинения (например, пунктуальность, готовность к обучению) — с понижением зарплаты. В то же время не все «мягкие» навыки являются значимыми в различных профессиях, и их наличие может приводить к снижению заработной платы. Другие авторы получили похожие результаты, используя регрессионный анализ на основе данных объявлений о работе (Deming, Kahn, 2018; Ziegler [и др.], 2020; Волгин, Гим-пельсон, 2022). Авторы подчёркивают, что премия к зарплате за «мягкие» навыки может варьироваться в зависимости от сочетания навыков, узких профессиональных групп и требуемого опыта работы.

Исследования, основанные на данных опросов в разных странах, показывают, что премия к заработной плате за «мягкие» навыки существует как среди выпускников, так и уже трудоустроенных. Описание основных результатов смежных работ, в которых применялся традиционный эконометрический анализ, представлено в таблице 1.1. Несмотря на большое количество работ, анализирующих связь между ЗУН и заработной платой, в них не учитывается использование детальной идентификации навыков на основе методов обработки естественного языка. Это позволяет не только обогатить базу данных навыков по сравнению со стандартным использованием только извлечения ключевых слов из поисковых запросов, но и агрегировать профессии, используя информацию о навыках. Кроме того, это позволяет использовать различные классификации профессий для проверки надёжности, что упускается из виду в существующих исследованиях.

Отдельный интерес представляет собой проблема выявления ключевых наборов ЗУН на рынке труда для различных профессиональных групп в сфере ИТ. Исследования в области идентификации комбинаций ЗУН, востребованных на рынке труда, интересны применительно к сфере ИТ по нескольким причинам. Во-первых, сфера ИТ крайне динамична, и требования, предъявляемые к ЗУН интенсивно меняются с течением времени (Autor, Levy, Murnane, 2003; Bensberg, Buscher, Czarnecki, 2019; Christoforaki, Ipeirotis, 2015; Florea, Stray, 2018; Goles, Hawk, Kaiser, 2008; Johnson,

Таблица

Систематический обзор результатов исследований взаимосвязи спроса на ЗУН и заработной

Источник

Основные результаты

Ю

сл

Основные контрольные переменные

Источник данных Единица наблюдения

платы

Страна, регион

Волгин, Гимпель-сон (2022)

Deming, Kahn (2018)

Ziegler [и

др.] (2020) Albandea, Giret (2018)

Busso, Muñoz,

Montaño (2020)

Murnane, Willett, Levy [и др.] (1995)

Ramos [и

др.] (2013)

Buchmueller, Walker (2020)

Balcar,

Dokoupilova (2021)

Neves, Azzoni,

Chagas (2017)

Stewart, Yeom,

Stewart (2020)

Barone, Van de Werfhorst (2011)

Fernandez, Liu (2019) Palczyñska (2020)

Carbonaro (2007)

Salahodjaev, Malikova (2020)

Положительная и отрицательная связь между сочетанием определённых навыков и заработной платой

Когнитивные навыки положительно связаны с заработком в узких профессиональных группах

Больше навыков — выше зарплата (в зависимости от навыков)

Положительная связь между когнитивными навыками и доходом

Положительная связь между «мягкими» навыками и заработной платой

Премия к заработной плате за когнитивные навыки увеличивается после окончания университета через 2 и 6 лет

Нелинейная зависимость между спросом на когнитивные навыки и заработной платой

Нет связи между когнитивными навыками и заработной платой

Спрос на навыки коммуникации положительно связан с заработной платой

Положительная связь между когнитивными навыками и заработной платой

Спрос на «мягкие» навыки и навыки в сфере науки, технологий, инженерии и математики положительно связан с заработной платой в разных регионах

Положительная связь между когнитивными навыками и заработной платой

Положительная связь между когнитивными навыками и заработной платой

Положительная и отрицательная связь между различными когнитивными навыками и заработной платой

Образование и когнитивные навыки положительно связаны с заработной платой в узких профессиональных группах

Положительная связь между когнитивными навыками и доходом

Образование, Стаж работы, Регион,

Год

Образование,

Введение диссертации (часть автореферата) на тему «Спрос на навыки работников в сфере информационных технологий в России: методика идентификации и классификации»

Стаж работы,

Профессия

Образование,

Стаж работы,

Профессия

Образование

Образование, Стаж работы, Профессия Образование, Стаж работы, Год

Образование, Стаж работы, Профессия Образование, Регион

Образование, Стаж работы, Отрасль, Профессия Регион

Образование,

Профессия,

Регион

Образование, Регион

Образование, Стаж работы

Стаж работы

Профессия,

Образование,

Регион

Образование, Регион

Платформа найма Вакансия

Платформа найма Вакансия

Платформа найма Вакансия

Выпускник

Опрос

Опрос

Опрос

Опрос Опрос

Опрос Опрос

Опрос

Опрос

Опрос Опрос

Опрос Опрос

Выпускник

Выпускник

Выпускник Выпускник

Работник Работник

Работник

Индивид

Индивид Индивид

Индивид Домохозяйство

Россия

США

Австрия Франция

Колумбия

США

Чили Англия

Чехия Бразилия

США

Германия, Нидерланды, Великобритания, США

США

Польша

США

Таджикистан

2016; Kappelman, Jones, Johnson, McLean, Boonme, 2016; Litecky, Arnett, Prabhakar, 2004). Во-вторых, ЗУН достаточно ясно и просто классифицируются по профессиональным областям вследствие наличия точных формулировок наименований языков программирования, стека технологий, графических интерфейсов пользователя, и т.п. (Havelka, Merhout, 2009; Hussain, Clear, MacDonell, 2017; Wowczko, 2015). В-третьих, внедрение новых технологий сопровождается появлением новых рабочих задач, что требует изменений в части комбинаций ЗУН работников (Bailey, Mitchell, 2006; Brooks, Greer, Morris, 2018; Casado-Lumbreras, Colomo-Palacios, Soto-Acosta, 2015; Foll, Thiesse, 2017; Stal, Paliwoda-Pekosz, 2019).

Ряд исследований рассматривает сферу ИТ в связи с однозначностью описания используемых технологий и простотой обобщения навыков. Смежные работы, исследующие вопросы о стороне спроса на навыки работников в сфере ИТ, используют онлайн-объявления о вакансиях (Khaouja, Kassou, Ghogho, 2021; Papoutsoglou, Ampatzoglou, Mittas, Angelis, 2019). Во-первых, исследования подчёркивают важность онлайн-платформ для размещения объявлений о работе при мониторинге рынка труда. Во-вторых, данные из вакансий используются для кластеризации вакансий по группам профессий (De Mauro, Greco, Grimaldi, Ritala, 2018; Gurcan, Cagiltay, 2019; Pejic-Bach, Bertoncel, Mesko, Krstic, 2020). Неструктурированные текстовые поля из наименований вакансий и их описаний помогают выделить ключевые темы и слова, позволяя при этом производить кластеризацию вакансий. Соответственно, методы обработки естественного языка широко применяются для выявления востребованных навыков. В-третьих, данные, полученные с платформ по найму, сопоставляются с официальными классификаторами профессий и навыков, а затем обобщаются на весь рынка труда (Amato и др., 2015; Boselli, Cesarini, Mercorio, Mezzanzanica, 2018; Botov и др., 2019; Colombo, Mercorio, Mezzanzanica, 2019; Lovaglio, Cesarini, Mercorio, Mezzanzanica, 2018).

Существующие исследования используют различные базы данных с открытым исходным кодом с предобработанными «мягкими» и «жёсткими» навыками для решения упомянутых задач. Авторы отмечают, что нетехнические навыки остаются востребованными наряду с техническими, но их взаимосвязь недоста-

точно изучена (Aken, Litecky, Ahmad, Nelson, 2010; Fareri, Fantoni, Chiarello, Coli, Binda, 2020; Pejic-Bach, Bertoncel, Mesko, Krstic, 2020; Poonnawat, Pacharawongsakda, Henchareonlert, 2017; Radovilsky, Hegde, Acharya, Uma, 2018; Verma, Yurov, Lane, Yurova, 2019).

Выбор групп профессий и навыков сильно зависит от официальных классификаций и объёма используемых данных. Таким образом, уровень агрегирования таких групп требует также экспертной верификации, основанной на характеристиках исходных данных. Как правило, данные о вакансиях доступны за один год, а поиск ключевых тенденций зачастую применяется к объявлениям, опубликованным на одном языке.

Исследователи используют различные метрики оценки моделей классификации и кластеризации. Особое внимание уделяется процессу сопоставления необработанных текстовых полей с эталонными наборами навыков. Авторы используют токенизацию и n-граммы для выявления ключевых формулировок. Сходство обнаруживается путём применения индексов схожести. Например, в случае сохранения очерёдности слов используется расстояние Левенштейна, но если учитывается только пересечение общих терминов — предпочтение отдаётся индексу Жаккара.

Некоторые авторы используют только один тип навыков («мягкие» или «жёсткие») без уточнения их взаимного упоминания в тексте вакансий. В частности, исследования, использующие только «мягкие» навыки в сфере ИТ, как правило сводятся к решению задач создания словарей навыков и подсчёта частот встречаемости (Ahmed, Capretz, Campbell, 2012; Calanca, Sayfullina, Minkus, Wagner, Malmi, 2019; Chaibate, Hadek, Ajana, Bakkali, Faraj, 2019; Daneva, Wang, Hoener, 2017; Florea, Stray, 2018; Matturro, 2013; Sayfullina, Malmi, Kannala, 2018; Steinmann, Voigt, Schaeffler, 2013). Другие исследования, анализирующие только «жёсткие» навыки, сосредоточены на характеристиках групп профессий, связанных с наборами ключевых навыков (De Mauro, Greco, Grimaldi, Ritala, 2018; Debortoli, Muller, vom Brocke, 2014).

В других существующих исследованиях используются как «мягкие», так и «жёсткие» навыки. Некоторые авторы анализируют смешанные наборы таких на-

выков, не различая их по типам (Aken, Litecky, Ahmad, Nelson, 2010; Amato и др., 2015; Bensberg, Buscher, Czarnecki, 2019; Borner и др., 2018; Boselli, Cesarini, Mercorio, Mezzanzanica, 2018; Botov и др., 2019; Colace и др., 2019; Fareri, Fantoni, Chiarello, Coli, Binda, 2020; Jia и др., 2018; Karakatsanis и др., 2017; Lovaglio, Cesarini, Mercorio, Mezzanzanica, 2018; Pejic-Bach, Bertoncel, Mesko, Krstic, 2020; Poonnawat, Pacharawongsakda, Henchareonlert, 2017; Verma, Yurov, Lane, Yurova, 2019; Wowczko, 2015; Xu, Zhu, Zhu, Li, Xiong, 2018). Другие исследования предлагают два основных способа анализа навыков. Во-первых, авторы используют ручную разметку данных и готовые базы навыков до этапа идентификации (Cao, Zhang, Ge, Chen, 2021; Cegielski, Jones-Farmer, 2016; Hiranrat, Harncharnchai, 2018; Hoang, Mahoney, Javed, McNair, 2018; Papoutsoglou, Mittas, Angelis, 2017; Skhvediani, Sosnovskikh, Rudskaia, Kudryavtseva, 2021). Во-вторых, исследователи соотносят «мягкие» навыки при помощи экспертных корректировок групп навыков, полученных после классификации или кластеризации объявлений о вакансиях (Brooks, Greer, Morris, 2018; Colombo, Mercorio, Mezzanzanica, 2019; Gardiner, Aasheim, Rutner, Williams, 2018; Giabelli, Malandri, Mercorio, Mezzanzanica, 2022; Gurcan, Cagiltay, 2019; Hussain, Clear, MacDonell, 2017; Litecky, Igou, Aken, 2012; Radovilsky, Hegde, Acharya, Uma, 2018; Sodhi, Son, 2010; Wu, Shi, Yang, 2017).

Как правило, процесс определения навыков по объявлениям о работе состоит из трёх этапов: обработка текста, составление единой базы навыков и сбор наборов навыков, связанных с профессиями. Соответственно, выбор подходов к идентификации и агрегированию навыков зависит от размера выборки, типа навыков и направленности исследования.

1.3 Применение подходов и результаты моделирования спроса на

знания, умения и навыки на основе онлайн данных о вакансиях

В данном разделе представлен обзор исследований с точки зрения принципов моделирования спроса на знаний, умения и навыки и результатов их использования. Сводка соответствующих работ приведена в таблице 1.2. Таблица построена следующим образом: в первых четырёх столбцах указаны группы связанных работ в

привязке к контексту извлечения и стандартизации навыков (размер выборки, подход к извлечению навыков и типы навыков, используемые в анализе). Следующие два столбца объединяют родственные работы, связанные с методами определения наборов навыков и профессий. Последние три столбца указывают на основную направленность работ из предыдущих двух столбцов.

В соответствующих исследованиях выделяются четыре основных подхода к извлечению и стандартизации навыков из объявлений о работе в зависимости от степени участия человека: контент-анализ, подсчёт частот, тематическое моделирование и классификация. Ниже приводится подробное описание каждого подхода применительно к сфере ИТ.

Контент-анализ. Контент-анализ основан на полуручном обобщении качественных данных. Он позволяет структурировать исходные данные по темам группы и присваивать каждой единице наблюдения (описание объявления о работе) соответствующие темы. Как правило, контент-анализ состоит из двух этапов. Первый этап — извлечение часто встречающихся терминов, второй этап — ручная разметка и выделение заранее заданных тем (концептов). Зачастую объём выборки для этого метода не превышает 1000 записей данных из-за ограниченного количества полученных для исследования объявлений о вакансиях.

В контексте стандартизации навыков контент-анализ даёт более точные результаты по сравнению с другими автоматическими алгоритмами (Cegielski, JonesFarmer, 2016). Преимуществом является корректная классификация навыков с разными формулировками и одинаковым смыслом, и наоборот. Однако этот метод требует больших затрат времени и не применим к большим наборам данных. Соответственно, в смежных исследованиях, где применяется контент-анализ, изучается только подсчёт частоты встречаемости извлечённых навыков (Chaibate, Hadek, Ajana, Bakkali, Faraj, 2019; Chang, Wang, Hawamdeh, 2019; Hussain, Clear, MacDonell, 2017; Matturro, 2013; Sodhi, Son, 2010; Steinmann, Voigt, Schaeffler, 2013). Таким образом, вопросы взаимосвязи навыков и их соотнесения с профессиями остаются недостаточно изученными.

Систематический обзор методик идентификации и классификации ЗУН и профессий

Таблица 1.2

со о

Извлечение и стандартизация ЗУН Источник

Идентификация профессий Результаты

Размер выборки Подход Навыки (ЗУН) Соотнесение баз данных ЗУН Кластеризация Подсчёт частот ЗУН Взаимное упоминание ЗУН Соотнесение ЗУН и профессий

Жёсткие Мягкие

<103 Контент- анализ + + Cegielski, JonesFarmer (2016); Chang, Wang, Hawamdeh (2019); Hussain, Clear, MacDonell (2017); Sodhi, Son (2010) Chang, Wang, Hawamdeh (2019); Hussain, Clear, MacDonell (2017); Sodhi, Son (2010)

+ Chaibate [и др.] (2019); Matturro (2013); Steinmann, Voigt, Schaeffler (2013) Chaibate [и др.] (2019); Matturro (2013); Steinmann, Voigt, Schaeffler (2013)

102-105 Подсчёт частот + + Bensberg, Buscher, Czarnecki (2019); Brooks, Greer, Morris (2018); Fareri [и др.] (2020); Gardiner [и др.] (2018); Hiranrat, Harncharnchai (2018); Papoutsoglou, Mittas, Angelis (2017); Skhvediani [и др.] (2021); Verma [и др.] (2019); Wowczko (2015) Bensberg, Buscher, Czarnecki (2019); Brooks, Greer, Morris (2018); Gardiner [и др.] (2018); Hiranrat, Harncharnchai (2018); Papoutsoglou, Mittas, Angelis (2017); Skhvediani [и др.] (2021); Verma [и др.] (2019); Wowczko (2015) Papoutsoglou, Mittas, Angelis (2017) Brooks, Greer, Morris (2018); Fareri [и др.] (2020); Verma [и др.] (2019)

+ Ahmed, Capretz, Campbell (2012); Daneva, Wang, Hoener (2017); Florea, Stray (2018) Daneva, Wang, Hoener (2017); Florea, Stray (2018) Ahmed, Capretz, Campbell (2012)

103-106 Тематическое моделирование + + Litecky, Igou, Aken (2012) Aken [и др.] (2010); Gurcan, Cagiltay (2019); Pejic-Bach [и др.] (2020); Poonnawat, Pacharawongsakda, Henchareonlert (2017); Radovilsky [и др.] (2018); Wu, Shi, Yang (2017); Xu [и др.] (2018) Litecky, Igou, Aken (2012); Xu [и др.] (2018) Gurcan, Cagiltay (2019); Wu, Shi, Yang (2017) Aken [и др.] (2010); Pejic-Bach [и др.] (2020); Poonnawat, Pacharawongsakda, Henchareonlert (2017); Radovilsky [и др.] (2018)

+ De Mauro [и др.] (2018); Debortoli, Müller, vom Brocke (2014) De Mauro [и др.] (2018); Debortoli, Muüller, vom Brocke (2014)

>104 Классификация + + Amato [и др.] (2015) Boselli [и др.](201в) Botov [и др.] (2019) Cao [и др.] (2021) Colace [и др.] (2019) Colombo, Mercorio Mezzanzanica (2019) Giabelli [и др.] (2022) Hoang [и др.] (2018) Karakatsanis [и др.] (2017) Lovaglio [и др.] (2018) Borner [и др.] (2018); Jia [и др.] (2018) Cao [и др.] (2021); Giabelli [и др.] (2022); Jia [и др.] (2018) Börner [и др.] (2018)

- + Sayfullina, Malmi, Kannala (2018) Calanca [и др.] (2019) Calanca [и др.] (2019) - -

Подсчёт частот. Подсчёт частот и ручная обработка текстовых данных обычно используются как часть общей методологии исследования. Однако в ряде работ этот подход представлен отдельно на этапе стандартизации навыков. При этом можно выделить два основных направления его использования.

Во-первых, извлечение навыков и сокращение количества неоднозначно интерпретируемых терминов (Ahmed, Capretz, Campbell, 2012; Bensberg, Buscher, Czarnecki, 2019; Daneva, Wang, Hoener, 2017; Gardiner, Aasheim, Rutner, Williams, 2018). Исследователи используют стандартные методы предобработки текста, такие как удаление знаков препинания, приведение текста к строчному регистру, токениза-ция. Затем авторы вручную извлекают или удаляют часто встречающиеся элементы, полученные в результате процедуры TF-iDF.

Во-вторых, выполняется категоризация и маркировка записей данных (Brooks, Greer, Morris, 2018; De Mauro, Greco, Grimaldi, Ritala, 2018; Fareri, Fantoni, Chiarello, Coli, Binda, 2020; Florea, Stray, 2018; Papoutsoglou, Mittas, Angelis, 2017; Skhvediani, Sosnovskikh, Rudskaia, Kudryavtseva, 2021; Verma, Yurov, Lane, Yurova, 2019; Wowczko, 2015). Авторы токенизируют текстовые данные и используют варианты последовательностей из п слов (n-граммы). Затем исследователи вручную проверяют полученные записи, сравнивая частоту их встречаемости в исходном массиве данных, объединяя их в группы навыков с одинаковым значением (группы синонимов).

Подводя итог, можно сказать, что ручная обработка часто упоминаемых терминов позволяет собрать больший объём информации по сравнению с контент-анализом. Обработка производится на основе текстов вакансий, состоящих из нескольких лексем текстовых последовательностей. Кроме того, эта процедура не зависит от заранее заданных терминов (словарей). Последнее позволяет использовать компьютерные подходы для сопоставления навыков и профессий (Ahmed, Capretz, Campbell, 2012; Brooks, Greer, Morris, 2018; Fareri, Fantoni, Chiarello, Coli, Binda, 2020; Papoutsoglou, Mittas, Angelis, 2017; Verma, Yurov, Lane, Yurova, 2019).

Тематическое моделирование. Тематическое моделирование — это автоматический подход к распределению неструктурированной информации по группам, име-

ющим общие семантические паттерны. В контексте извлечения навыков этот метод оперирует словами (последовательностями слов) и их встречаемостью в объявлениях о работе. Существующие исследования по моделированию тем не предусматривают ручной коррекции полученных терминов по сравнению с уже упомянутыми подходами. Однако описание полученных тем проходит ручную верификацию отраслевыми экспертами.

Тематическое моделирование является гибким и охватывает различные исследовательские задачи. Например, одни авторы анализируют популярность профессиональных навыков (Litecky, Igou, Aken, 2012; Xu, Zhu, Zhu, Li, Xiong, 2018). Другие авторы выявляют взаимосвязь компетенций (Gurcan, Cagiltay, 2019; Wu, Shi, Yang, 2017). Более того, использование тематического моделирования помогает соотнести наборы навыков и профессии (Aken, Litecky, Ahmad, Nelson, 2010; De Mauro, Greco, Grimaldi, Ritala, 2018; Debortoli, Muller, vom Brocke, 2014; Pejic-Bach, Bertoncel, Mesko, Krstic, 2020; Poonnawat, Pacharawongsakda, Henchareonlert, 2017; Radovilsky, Hegde, Acharya, Uma, 2018).

Классификация. Задачи классификации для извлечения навыков поднимаются в более поздних исследованиях. Авторы используют алгоритмы машинного обучения с учителем для сопоставления конкретных описаний вакансий с уже размеченными базами данных компетенций. Такой подход применяется в основном при работе с большими массивами данных. Соответственно, часть данных размечается вручную, а затем результаты перепроверяются.

Первичной задачей указанных работ является сопоставление описаний объявлений о работе со стандартизированной базой данных навыков или профессий. Таким образом, алгоритмическая реализация исследования зависит от структуры используемого для анализа классификатора для соотнесения навыков. Например, некоторые авторы используют графы знаний, указывающие на совместную встречаемость исходных терминов (Börner и др., 2018; Boselli, Cesarini, Mercorio, Mezzanzanica, 2018; Colace и др., 2019; Giabelli, Malandri, Mercorio, Mezzanzanica, 2022; Jia и др., 2018). Остальные используют описания навыков из национальных классификаторов профессий (Amato и др., 2015; Botov и др., 2019; Cao, Zhang, Ge, Chen, 2021;

Colombo, Mercorio, Mezzanzanica, 2019; Karakatsanis и др., 2017; Lovaglio, Cesarini, Mercorio, Mezzanzanica, 2018), а также ручную разметку для извлечённых групп навыков (Calanca, Sayfullina, Minkus, Wagner, Malmi, 2019; Hoang, Mahoney, Javed, McNair, 2018; Sayfullina, Malmi, Kannala, 2018).

Анализ применения алгоритмов идентификации навыков включает в себя этап агрегирования профессиональных групп (наборов навыков, связанных с профессиями). Последние исследования можно разделить в соответствии с используемыми подходами к обработке данных. В первой группе исследований используются методы сопоставления баз навыков, которые позволяют сопоставить информацию из объявлений о вакансиях с описаниями, полученными из официальных классификаторов профессий и навыков. Вторая группа включает методы кластеризации, позволяющие объединять похожие вакансии, содержащие одинаковые наборы требуемых навыков.

Соотнесение баз данных знаний, умений и навыков. Наличие официальных классификаторов позволяет распределить исходные данные из объявлений о вакансиях по группам, созданным экспертами в соответствующей области. Некоторые авторы используют названия должностей и их описания из вакансий для сопоставления с классификаторами ESCO, ISCO) или O*NET (Boselli, Cesarini, Mercorio, Mezzanzanica, 2018; Cao, Zhang, Ge, Chen, 2021; Colace и др., 2019; Colombo, Mercorio, Mezzanzanica, 2019; Giabelli, Malandri, Mercorio, Mezzanzanica, 2022; Lovaglio, Cesarini, Mercorio, Mezzanzanica, 2018; Papoutsoglou, Mittas, Angelis, 2017).

Некоторые другие исследователи используют структуру объявлений о работе, размещённых на платформах по найму, и проверяют её на соответствие разметке экспертов в данной области и профессиональным стандартам (Amato и др., 2015; Botov и др., 2019; Brooks, Greer, Morris, 2018; Chang, Wang, Hawamdeh, 2019; Hiranrat, Harncharnchai, 2018; Hoang, Mahoney, Javed, McNair, 2018; Litecky, Igou, Aken, 2012; Sayfullina, Malmi, Kannala, 2018). Таким образом, используются такие методы интеллектуального анализа текста, как TF-iDF и n-граммы, которые применяются для выделения специфических слов и фраз. Реализуя алгоритмы классификации, авторы выделяют несколько групп ИТ-профессий, в которых наиболее часто встречаются

технические и нетехнические навыки. Такое разделение навыков получается на основе заданного классификатора и ручной обработки.

В другой группе смежных работ используются ключевые слова, полученные вручную экспертным путём, контент-анализ или классификация вакансий и выделение наиболее часто встречающихся навыков (Ahmed, Capretz, Campbell, 2012; Bensberg, Buscher, Czarnecki, 2019; Cegielski, Jones-Farmer, 2016; Chaibate, Hadek, Ajana, Bakkali, Faraj, 2019; Daneva, Wang, Hoener, 2017; Fareri, Fantoni, Chiarello, Coli, Binda, 2020; Florea, Stray, 2018; Gardiner, Aasheim, Rutner, Williams, 2018; Hussain, Clear, MacDonell, 2017; Matturro, 2013; Skhvediani, Sosnovskikh, Rudskaia, Kudryavtseva, 2021; Sodhi, Son, 2010; Steinmann, Voigt, Schaeffler, 2013; Verma, Yurov, Lane, Yurova, 2019; Wowczko, 2015). Авторы рассматривают вакансии, ориентированные на цифровые технологии, и структурируют компетенции на качественной основе. Например, выбираются вакансии в интернете и фильтруются по названиям должностей. После применения анализа текста, ключевые навыки группируются в несколько категорий с помощью официальных классификаторов.

Кластеризация. Структура объявлений о вакансиях в интернете не во всех случаях похожа на официальные классификаторы. Некоторые авторы получают категоризацию вакансий на основе кластеризации и подходов, основанных на извлечении информации из исходных данных. При этом выбор подходящего алгоритма кластеризации зависит от структуры данных и имеющейся информации. Например, исследователи используют латентное размещение Дирихле (De Mauro, Greco, Grimaldi, Ritala, 2018; Gurcan, Cagiltay, 2019) и иерархическую кластеризацию (Aken, Litecky, Ahmad, Nelson, 2010; Pejic-Bach, Bertoncel, Mesko, Krstic, 2020).

Процесс определения востребованных навыков в большинстве случаев определяется извлечением ключевых слов (конкретных наборов навыков). Кроме того, количество кластеров устанавливается экспериментальным путём, а конкретные группы навыков корректируются вручную. Обычно количество групп варьируется от 8 до 10. Соответственно, можно выделить два направления исследований.

Первое направление включает в себя создание групп вакансий на основе слов, полученных из описаний должностей (Aken, Litecky, Ahmad, Nelson, 2010; Börner

и др., 2018; De Mauro, Greco, Grimaldi, Ritala, 2018; Pejic-Bach, Bertoncel, Mesko, Krstic, 2020; Xu, Zhu, Zhu, Li, Xiong, 2018). Например, некоторые ключевые слова объединяются в наборы навыков и перераспределяются между кластерами.

Второе направление использует представление наборов навыков в виде векторов слов (Calanca, Sayfullina, Minkus, Wagner, Malmi, 2019; Debortoli, Möller, vom Brocke, 2014; Gurcan, Cagiltay, 2019; Jia и др., 2018; Poonnawat, Pacharawongsakda, Henchareonlert, 2017; Radovilsky, Hegde, Acharya, Uma, 2018; Wu, Shi, Yang, 2017). Однако авторы также извлекают группы навыков на основе алгоритмов кластеризации по определённым группам профессий.

В соответствии с упомянутыми направлениями исследований, анализируются следующие составляющие спроса на навыки работников: профессиональная группа (Flisi, Goglio, Meroni, Rodrigues, Vera-Toscano, 2017; Restrepo, 2015), квалификационные требования (Budría, Moro-Egido, 2018; Ortego-Marti, 2017), уровень образования (Chevalier, 2003; Sparreboom, Tarvid, 2016; Wen, Maani, 2019), навыки (Allen, van der Velden, 2001; Autor, Dorn, 2013; Pater, Szkola, Kozak, 2019; Pusterla, Oswald-egg, Bolli, Renold, 2018).

Для анализа востребованности навыков и зарплатных премий используется подход, описывающий спрос на труд на основе задач (Acemoglu, Autor, 2011; Acemoglu, Autor, Hazell, Restrepo, 2022; Alekseeva, Azar, Gine, Samila, Taska, 2021; Deming, Kahn, 2018; Deming, Noray, 2020). При этом существующие исследования извлекают знания из объявлений о вакансиях, используя различные методологические схемы. В частности, анализируется взаимосвязь частоты встречаемости компетенций и наборов навыков. Кроме того, в некоторых работах приводится поиск соответствия между профессиями и компетенциями. Исследователи выделяют и объединяют навыки в наборы, связанные с профессиями, и проводят ряд численных экспериментов, например, численные эксперименты по установлению соответствия между полученными наборами навыков и профессиональной структурой рынка труда. Авторы отмечают, что нетехнические навыки востребованы наряду с техническими, но не исследуют их взаимосвязь (Aken, Litecky, Ahmad, Nelson, 2010; Fareri, Fantoni, Chiarello, Coli, Binda, 2020; Pejic-Bach, Bertoncel, Mesko, Krstic, 2020; Poonnawat, Pacharawongsakda,

Henchareonlert, 2017; Radovilsky, Hegde, Acharya, Uma, 2018; Verma, Yurov, Lane, Yurova, 2019).

Выводы

В первой главе проведён систематический обзор подходов и результатов моделирования спроса на знания, умения и навыки работников. В результате было выявлено, что существующие алгоритмы и методы, широко применяемые для решения задач по классификации и систематизации текстового описания содержания работ из онлайн данных о вакансиях, имеют ряд особенностей, не позволяющих использовать их в чистом виде для решения комплексных задач идентификации и классификации спроса на знания, умения и навыки. На основе впервые разработанной автором диссертационного исследования категоризации, был определён процесс идентификации знаний, умений и навыков из текстовых описаний онлайн вакансий, состоящий из трёх этапов, а именно, обработки исходного текста, составления словаря (базы) ЗУН, а также классификации навыков по группам, связанных с конкретными профессиями. Кроме того, автором был структурирован выбор подходов к идентификации и агрегированию ЗУН в зависимости от объёма выборки, типов ЗУН, а также целей исследования. В результате впервые был получен полноценный аналитический инструмент, позволяющий на ранних этапах систематизировать потенциал применения существующих технических алгоритмов для решения конкретных исследовательских задач на основе имеющейся спецификации исходных данных.

Несмотря на существование множества различных подходов к классификации и идентификации ЗУН, доказавшие свою применимость к сфере информационных технологий, автором диссертационного исследования было отмечено, что в большинстве смежных научных работ используются лишь сведения об относительной частоте встречаемости отдельных ЗУН. В частности, сочетая количественный и качественный анализ, авторы выявляют декларируемые работодателями ЗУН в сфере информационных технологий без упоминания возможности полноценного качественного перехода к комплексному анализу рынка труда. Кроме того, в существующих исследованиях приводятся списки технических и нетехнических ЗУН, а также

анализируются их сочетания при том, что анализ совместного упоминания ЗУН различного типа не проводится. Все вышеперечисленные особенности моделирования спроса на ЗУН позволяют сделать вывод о том, что для комплексного анализа рынка труда необходима более гибкая и качественная методика, для разработки которой требуются более точные методы и алгоритмы идентификации и классификации ЗУН.

Глава 2. Разработка методики идентификации и классификации спроса на знания, умения и навыки

работников8

При разработке и апробации методики следует учитывать особенности и ограничения данных, представленных в онлайн вакансиях. В частности, в диссертационном исследовании используются вакансии платформы найма HeadHunter.9 Например, платформа размещения вакансий позволяет специалистам по кадрам не заполнять поле с ЗУН, которое используется для анализа. Соответственно, некоторые вакансии могут содержат только базовые навыки или чрезмерно обширные перечни навыков.

Однако отметим, что в диссертационном исследовании основной акцент делается на знаниях, умениях и навыках как таковых, а также рассматриваются вакансии для квалифицированных кандидатов, поэтому при интерпретации результатов следует иметь в виду возможное не указание в описании вакансии базовых навыков, которые могут не прописываться явным образом (см., например, Волгин, Гимпельсон, 2022). Кроме того, на используемой платформе найме не существует единого принципа отнесения конкретных профессий к той или иной вакансии. Таким образом, специалисты по кадрам зачастую не имеют возможности точно определить профессию с помощью специализированного классификатора профессиональных областей HeadHunter (см. Приложение А).

В смежных исследованиях отмечается, что на многих рынках труда разрабатываются собственные региональные системы классификаторов профессий и должностей, а также существует тенденция к переходу на компетентностную модель оценки рабочей силы (Lester, Koniotaki, Religa, 2018; TUtlys, Spoettl, 2017). Другими словами, конкретные профессии могут быть оценены посредствам набора знаний, умений и навыков, обеспечивающих выполнение тех или иных трудовых функций работников. Однако полноценный переход к вышеупомянутой модели в настоящее время не осуществлён, что является актуальной задачей в рамках построения современной

8 Подробные результаты опубликованы в статьях: Ternikov (2022a); Ternikov (2022b); Терников (2022); Терников, Александрова (2020); Терников, Бляхер (2023).

9HeadHunter, www.hh.ru.

государственной политики в сфере труда и занятости. Более того, исследователи отмечают, что существующие национальные стандартизованные классификаторы не в полной мере отражают реальные запросы рынка труда из-за отсутствия координации требований, предъявляемых работодателями, и ЗУН, декларируемых профессиональными организациями и системой образования (Atolagbe, Floyd, 2020; Lester, Koniotaki, Religa, 2018; Litecky, Igou, Aken, 2012; Poba-Nzaou, Uwizeyemungu, Clarke, 2020; Shah, Naza [и др.], 2021; Tutlys, Spoettl, 2017). Например, в данном случае могут подниматься вопросы о своевременном обновлении образовательных программ в ответ на изменения квалификационных требований к работникам, об улучшении координации между образовательными организациями и профессиональными сообществами для обеспечения согласованности требований к работникам. Одно из решений существующей проблемы — создание системы своевременного мониторинга рынка труда на основе различных рекрутинговых площадок на базе региональных комитетов по труду и занятости населения.

Список литературы диссертационного исследования кандидат наук Терников Андрей Александрович, 2024 год

Список литературы

1. Белов С.Д. [и др.]. Методы больших данных для изучения рынка труда и связанных с ним областей // Системный анализ в науке и образовании. — 2020. — № 4. — С. 147—154.

2. Варшавская Е.Я. Стратегии поиска работы выпускниками вузов: распространенность и эффективность // Социологические исследования. — 2019. — № 7. — С. 56—66.

3. Варшавская Е.Я., Котырло Е.С. Выпускники инженерно-технических и экономических специальностей: между спросом и предложением // Вопросы образования. — 2019. — № 2. — С. 98—128.

4. Волгин А.Д., Гимпельсон В.Е. Спрос на навыки: анализ на основе онлайн данных о вакансиях // Экономический журнал Высшей школы экономики. — 2022. — Т. 26, № 3. — С. 343—374.

5. Гимпельсон В.Е. [и др.]. Выбор профессии: чему учились и где пригодились? // Экономический журнал Высшей школы экономики. — 2009. — Т. 13, № 2. — С. 172—216.

6. Дудырев Ф.Ф. [и др.]. Новые возможности WorldSkills для сопоставимой оценки результатов в профессиональном образовании // Современная аналитика образования. — 2019. — S7. — С. 5—47.

7. Емелина Н.К. [и др.]. Выпускники высшего образования на российском рынке труда: тренды и вызовы. — М. : изд. дом Высшей школы экономики, 2022.

8. Капелюк С.Д., Карелин И.Н. Спрос на цифровые навыки в России: региональные различия // Пространственная экономика. — 2023. — Т. 19, № 1. — С. 70— 92.

9. Колосова А.И., Рудаков В.Н., Рощин С.Ю. Влияние работы по профилю полученной специальности на заработную плату и удовлетворенность работой выпускников вузов // Вопросы экономики. — 2020. — № 11. — С. 113—132.

10. Лукьянова А.Л. Цифровизация и гендерный разрыв в оплате труда // Экономическая политика. — 2021. — Т. 16, № 2. — С. 88—117.

11. Мальцева В.А. Концепция skill mismatch и проблема оценки несоответствия когнитивных навыков в межстрановых исследованиях // Вопросы образования. — 2019. — № 3. — С. 43—76.

12. Рожкова К.В., Рощин С.Ю. Вознаграждается ли знание иностранного языка на российском рынке труда? // Вопросы экономики. — 2019. — № 6. — С. 122—141.

13. Рощин С.Ю., Солнцев С.А., Васильев Д. Технологии рекрутинга и поиска работы в эпоху интернета // Форсайт. — 2017. — Т. 11, № 4. — С. 33—43.

14. Рощин С.Ю., Солнцев С.А. Как компании ищут работников: эмпирические оценки по российским предприятиям // Российский журнал менеджмента. — 2017. — Т. 15, № 2. — С. 173—192.

15. Сандлер Д.Г. [и др.]. Трудоустройство выпускников и его связь с качеством высшего образования // Университетское управление: практика и анализ. — 2018. — Т. 22, 3 (115). — С. 73—85.

16. Терников А.А. Профессиональные стандарты и спрос на рынке труда в сфере высшего менеджмента в России // Вестник Санкт-Петербургского университета. Менеджмент. — 2022. — Т. 21, № 1. — С. 131—148.

17. Терников А.А. Искусственный интеллект и спрос на навыки работников в России // Вопросы экономики. — 2023. — № 11. — С. 65—80.

18. Терников А.А., Александрова Е.А. Спрос на навыки на рынке труда в сфере информационных технологий // Бизнес-информатика. — 2020. — Т. 14, № 2. — С. 64— 83.

19. Терников А.А., Бляхер М.Л. Спрос на знания, умения и навыки в вакансиях: кого готовит университет? // Мир России. Социология. Этнология. — 2023. — Т. 32, № 2. — С. 74—96.

20. Троицкая А.А. Конкурентоспособный человеческий капитал работника: проблемы формирования и реализации // Экономика труда. — 2019. — Т. 6, № 2. — С. 647—658.

21. Филоненко В.И., Мосиенко О.С., Магранов А.С. Представления студенческой молодежи о профессиональном выборе // Вопросы образования. — 2020. — № 1. — С. 283—301.

22. Чередниченко Г.А. Положение на рынке труда выпускников системы высшего и среднего профессионального образования // Вопросы образования. — 2020. — № 1. — С. 256—282.

23. Acemoglu D. Good jobs versus bad jobs // Journal of Labor Economics. — 2001. — Vol. 19, No 1. — P. 1-21.

24. Acemoglu D., Autor D.H. Skills, tasks and technologies: Implications for employment and earnings. — 2011.

25. Acemoglu D., Restrepo P. Robots and jobs: Evidence from US labor markets : NBER Working Paper. — 2017. — P. 89. — No 23285.

26. Acemoglu D., Restrepo P. Artificial Intelligence, Automation, and Work // The Economics of Artificial Intelligence. — University of Chicago Press, 2019a. — C. 197—236.

27. Acemoglu D., Restrepo P. Automation and new tasks: How technology displaces and reinstates labor // Journal of Economic Perspectives. — 2019b. — Vol. 33, No 2. — P. 3-30.

28. Acemoglu D., Restrepo P. The wrong kind of AI? Artificial intelligence and the future of labour demand // Cambridge Journal of Regions, Economy and Society. — 2020. — Vol. 13, No 1. — P. 25-35.

29. Acemoglu D. [et al.]. Artificial intelligence and jobs: Evidence from online vacancies // Journal of Labor Economics. — 2022. — Vol. 40, S1. — S293-S340.

30. Ahmed F., Capretz L.F., Campbell P. Evaluating the demand for soft skills in software development //IT Professional. — 2012. — Vol. 14, No 1. — P. 44-49.

31. Aken A. [et al.]. Mining for computing jobs // IEEE software. — 2010. — Vol. 27, No 1. — P. 78-85.

32. Albandea I., Giret J.-F. The effect of soft skills on French post-secondary graduates' earnings // International Journal of Manpower. — 2018. — Vol. 39, No 6. — P. 782-799.

33. Alekseeva L. [et al.]. The demand for AI skills in the labor market // Labour Economics. — 2021. — Vol. 71. — P. 102002.

34. Allen J., van der Velden R. Educational mismatches versus skill mismatches: Effects on wages, job satisfaction, and on-the-job search // Oxford Economic Papers. — 2001. — Vol. 53, No 3. — P. 434-452.

35. Amato F. [etal.]. Challenge: Processing web texts for classifying job offers//Proceedings of the 2015 IEEE 9th International Conference on Semantic Computing (IEEE ICSC 2015). — IEEE. 2015. — P. 460-463.

36. Ao Z. [et al.]. Skill requirements in job advertisements: A comparison of skill-categorization methods based on wage regressions // Information Processing & Management. — 2023. — Vol. 60, No 2. — P. 103185.

37. Arendt L. [etal.]. Skills requirements across task-content groups in Poland: What online job offers tell us // Technological Forecasting and Social Change. — 2023. — Vol. 187. — P. 122245.

38. Atolagbe A., Floyd S. Diversifying the next generation of project managers: Skills project managers must have in the digital age // Sustainable Digital Communities: 15th International Conference, iConference 2020, Boras, Sweden, March 23-26, 2020, Proceedings 15. — Springer. 2020. — P. 665-676.

39. Autor D.H., Dorn D. The growth of low-skill service jobs and the polarization of the US Labor Market // American Economic Review. — 2013. — Vol. 103, No 5. — P. 1553-1597.

40. Autor D.H., Katz L.F., Krueger A.B. Computing inequality: Have computers changed the labor market? // The Quarterly Journal of Economics. — 1998. — Vol. 113, No 4. — P. 1169-1213.

41. Autor D.H., Katz L.F., Kearney M.S. Trends in US wage inequality: Re-assessing the revisionists // Review of Economics and Statistics. — 2008. — Vol. 90, No 2. — P. 300-323.

42. Autor D.H., Levy F., Murnane R.J. The skill content of recent technological change: An empirical exploration // The Quarterly Journal of Economics. — 2003. — Vol. 118, No 4. — P. 1279-1333.

43. Avram A. [et al.]. Assuring SME's sustainable competitiveness in the digital era: A labor policy between guaranteed minimum wage and ICT skill mismatch // Sustain-ability. — 2019. — Vol. 11, No 2918. — P. 1-20.

44. Babina T. [et al.]. Firm investments in artificial intelligence technologies and changes in workforce composition : tech. rep. / National Bureau of Economic Research. — 2023.

45. Bailey J., Mitchell R.B. Industry perceptions of the competencies needed by computer programmers: Technical, business, and soft skills // Journal of Computer Information Systems. — 2006. — Vol. 47, No 2. — P. 28-33.

46. Balcar J. Soft skills and their wage returns: Overview of empirical literature // Review of Economic Perspectives. — 2014. — Vol. 14, No 1. — P. 3-15.

47. Balcar J. Is it better to invest in hard or soft skills? // The Economic and Labour Relations Review. — 2016. — Vol. 27, No 4. — P. 453-470.

48. Balcar J., Dokoupilova L. Communication and language skills pay off, but not everybody needs them // International Journal of the Sociology of Language. — 2021. — Vol. 2021, No 270. — P. 59-93.

49. Bana S.H. job2vec: Using language models to understand wage premia. — 2021.

50. Banfi S., Villena-Roldan B. Do high-wage jobs attract more applicants? Directed search evidence from the online labor market // Journal of Labor Economics. — 2019. — Vol. 37, No 3. — P. 715-746.

51. Barone C., Van de Werfhorst H.G. Education, cognitive skills and earnings in comparative perspective // International Sociology. — 2011. — Vol. 26, No 4. — P. 483502.

52. Bensberg F., Buscher G., Czarnecki C. Digital transformation and IT topics in the consulting industry: A labor market perspective // Advances in Consulting Research: Recent Findings and Practical Cases. — Springer, 2019. — P. 341-357.

53. Bhola A. [et al.]. Retrieving Skills from Job Descriptions: A Language Model Based Extreme Multi-label Classification Framework // Proceedings of the 28th International Conference on Computational Linguistics. — Barcelona, Spain (Online) : International Committee on Computational Linguistics, 2020. — P. 5832-5842.

54. Blazquez M., Herrarte A., Llorente-Heras R. Competencies, occupational status, and earnings among European university graduates // Economics of Education Review. — 2018. — Vol. 62, October 2017. — P. 16-34.

55. Borner K. [et al.]. Skill discrepancies between research, education, and jobs reveal the critical need to supply soft skills for the data economy // Proceedings of the National Academy of Sciences. — 2018. — Vol. 115, No 50. — P. 12630-12637.

56. Boselli R. [et al.]. Classifying online job advertisements through machine learning // Future Generation Computer Systems. — 2018. — Vol. 86. — P. 319-328.

57. Botov D. [et al.]. Mining labor market requirements using distributional semantic models and deep learning // International Conference on Business Information Systems. — Springer. 2019. — P. 177-190.

58. Broder A.Z. On the resemblance and containment of documents // Proceedings. Compression and Complexity of Sequences 1997 (Cat. No. 97TB100171). — IEEE. 1997. — P. 21-29.

59. Brooks N.G., Greer T.H., Morris S.A. Information systems security job advertisement analysis: Skills review and implications for information systems curriculum // Journal of Education for Business. — 2018. — Vol. 93, No 5. — P. 213-221.

60. Brunello G., Wruuck P. Skill shortages and skill mismatch: A review of the literature // Journal of Economic Surveys. — 2021. — Vol. 35, No 4. — P. 1145-1167.

61. Buchmueller G., Walker I. The graduate wage and earnings premia and the role of non-cognitive skills : tech. rep. / IZA Discussion Papers. — 2020. — No 13248.

62. Budría S., Moro-Egido A.I. Qualification and skill mismatches: Europe in a cross-national perspective // Cuadernos Económicos de ICE. — 2018. — No 95. — P. 151-188.

63. Burger M. [et al.]. The heterogeneous skill-base of circular economy employment // Research Policy. — 2019. — Vol. 48, No 1. — P. 248-261.

64. Busso M., Muñoz J.S., Montaño S. Unbundling returns to degrees and skills: Evidence from postsecondary education in Colombia : tech. rep. / Inter-American Development Bank. — 2020. — No 10069.

65. Calanca F. [et al.]. Responsible team players wanted: An analysis of soft skill requirements in job advertisements // EPJ Data Science. — 2019. — Vol. 8, No 13. — P. 1-20.

66. Cao L. [etal.]. Occupational profiling driven by online job advertisements: Taking the data analysis and processing engineering technicians as an example // PloS one. — 2021. — Vol. 16, No 6. — e0253308.

67. Carbonaro W. The effects of education and cognitive skill on earnings: How much do occupations and jobs matter? // Research in Social Stratification and Mobility. — 2007. — Vol. 25, No 1. — P. 57-71.

68. Casado-Lumbreras C., Colomo-Palacios R., Soto-Acosta P. A vision on the evolution of perceptions of professional practice // International Journal of Human Capital and Information Technology Professionals. — 2015. — Vol. 6, No 2. — P. 65-78.

69. Cegielski C.G., Jones-Farmer L.A. Knowledge, skills, and abilities for entry-level business analytics positions: A multi-method study // Decision Sciences Journal of Innovative Education. — 2016. — Vol. 14, No 1. — P. 91-118.

70. Chaibate H. [et al.]. Analyzing the engineering soft skills required by Moroccan job market // 2019 5th International Conference on Optimization and Applications (ICOA). — IEEE. 2019. — P. 1-6.

71. Chang H.-C., Wang C.-Y., Hawamdeh S. Emerging trends in data analytics and knowledge management job market: Extending KSA framework // Journal of Knowledge Management. — 2019. — Vol. 23, No 4. — P. 664-686.

72. Chevalier A. Measuring over-education // Economica. — 2003. — Vol. 70, No 279. — P. 509-531.

73. Christoforaki M., Ipeirotis P.G. A system for scalable and reliable technical-skill testing in online labor markets // Computer Networks. — 2015. — Vol. 90. — P. 110120.

74. Chulanova Z. [et al.]. Professional standards as a factor of adaptation of human resources to the industry 4.0: approaches to development and implementation // Journal of Human Resource Management. — 2019. — Vol. 22, No 1. — P. 12-20.

75. Cleuziou G. [et al.]. CoFKM: A centralized method for multiple-view clustering // ICDM 2009 9th IEEE International Conference on Data Mining, Miami, USA. — IEEE. 2009. — P. 752-757.

76. Colace F. [et al.]. Towards labour market intelligence through topic modelling // Proceedings of the 52nd Hawaii International Conference on System Sciences. — 2019. — P. 1-10.

77. Colombo E., Mercorio F., Mezzanzanica M. AI meets labor market: Exploring the link between automation and skills // Information Economics and Policy. — 2019. — Vol. 47. — P. 27-37.

78. Daneva M., Wang C., Hoener P. What the job market wants from requirements engineers? An empirical analysis of online job ads from the Netherlands // 2017 ACM/IEEE International Symposium on Empirical Software Engineering and Measurement (ESEM). — IEEE. 2017. — P. 448-453.

79. De Carvalho F., Lechevallier Y., De Melo F. Partitioning hard clustering algorithms based on multiple dissimilarity matrices // Pattern Recognition. — 2012. — Vol. 45, No 1. — P. 447-464.

80. De Mauro A. [et al.]. Human resources for Big Data professions: A systematic classification of job roles and required skill sets // Information Processing & Management. — 2018. — Vol. 54, No 5. — P. 807-817.

81. Debortoli S., Müller O., vom Brocke J. Comparing business intelligence and big data skills // Business & Information Systems Engineering. — 2014. — Vol. 6, No 5. — P. 289-300.

82. Deming D. The growing importance of decision-making on the job : tech. rep. / National Bureau of Economic Research. — 2021. — No 28733.

83. Deming D., Kahn L.B. Skill requirements across firms and labor markets: Evidence from job postings for professionals // Journal of Labor Economics. — 2018. — Vol. 36, S1. — S337-S369.

84. Deming D., Noray K. Earnings dynamics, changing job skills, and STEM careers // The Quarterly Journal of Economics. — 2020. — Vol. 135, No 4. — P. 19652005.

85. Dubey R.S., Tiwari V. Operationalisation of soft skill attributes and determining the existing gap in novice ICT professionals // International Journal of Information Management. — 2020. — Vol. 50. — P. 375-386.

86. Eggenberger C., Backes-Gellner U. IT skills, occupation specificity and job separations // Economics of Education Review. — 2023. — Vol. 92. — P. 102333.

87. Fareri S. [et al.]. Estimating Industry 4.0 impact on job profiles and skills using text mining // Computers in Industry. — 2020. — Vol. 118, No 103222. — P. 1-19.

88. Felbermayr G., Larch M., Lechthaler W. Endogenous labor market insitutions in an open economy // International Review of Economics & Finance. — 2012. — Vol. 23. — P. 30-45.

89. Felbermayr G., Prat J., Schmerer H.-J. Globalization and labor market outcomes: Wage bargaining, search frictions, and firm heterogeneity // Journal of Economic theory. — 2011. — Vol. 146, No 1. — P. 39-73.

90. Fernandez F., Liu H. Examining relationships between soft skills and occupational outcomes among US adults with—and without—university degrees // Journal of Education and Work. — 2019. — Vol. 32, No 8. — P. 650-664.

91. Ferreira M., Kunn-nelen A., De Grip A. Work-related learning and skill development in Europe: Does initial skill mismatch matter? // Skill Mismatch in Labor Markets. Vol 45. — Emerald Publishing Limited, 2017. — P. 345-407.

92. Flisi S. [et al.]. Measuring occupational mismatch: Overeducation and overskill in Europe — evidence from PIAAC // Social Indicators Research. — 2017. — Vol. 131, No 3. — P. 1211-1249.

93. Florea R., Stray V. Software tester, we want to hire you! an analysis of the demand for soft skills // Agile Processes in Software Engineering and Extreme Programming. — 2018. — P. 54-67.

94. Föll P., Thiesse F. Aligning is curriculum with industry skill expectations: A text mining approach // Proceedings of the 25th European Conference on Information Systems (ECIS). —2017. — P. 2949-2959.

95. Gardiner A. [et al.]. Skill requirements in big data: A content analysis of job advertisements // Journal of Computer Information Systems. — 2018. — Vol. 58, No 4. — P. 374-384.

96. Giabelli A. [et al.]. GraphLMI: A data driven system for exploring labor market information through graph databases // Multimedia Tools and Applications. — 2022. — Vol. 81. — P. 3061-3090.

97. Girvan M., Newman M.E. Community structure in social and biological networks // Proceedings of the National Academy of Sciences. — 2002. — Vol. 99, No 12. — P. 7821-7826.

98. Goldfarb A., Taska B., Teodoridis F. Could machine learning be a general purpose technology? A comparison of emerging technologies using data from online job postings // Research Policy. — 2023. — Vol. 52, No 1. — P. 104653.

99. Goles T., Hawk S., Kaiser K.M. Information technology workforce skills: The software and IT services provider perspective // Information Systems Frontiers. — 2008. — Vol. 10, No 2. — P. 179-194.

100. Graetz G., Restrepo P., Skans O.N. Technology and the labor market. — 2022

101. Gurcan F., Cagiltay N.E. Big data software engineering: Analysis of knowledge domains and skill sets using LDA-based topic modeling // IEEE Access. — 2019. — Vol. 7. — P. 82541-82552.

102. Guvenen F. [et al.]. Multidimensional skill mismatch : tech. rep. / Stony Brook University, Department of Economics. — 03/2018. — P. 90. — No 18-02.

103. Hamermesh D.S. Labor demand and the structure of adjustment costs // The American Economic Review. — 1989. — Vol. 79. — P. 674-689.

104. Havelka D., Merhout J.W. Toward a theory of information technology professional competence // Journal of Computer Information Systems. — 2009. — Vol. 50, No 2. — P. 106-116.

105. Heckman J.J., Rubinstein Y. The importance of noncognitive skills: Lessons from the GED testing program // American Economic Review. — 2001. — Vol. 91, No 2. — P. 145-149.

106. Helpman E., Itskhoki O. Labour market rigidities, trade and unemployment // The Review of Economic Studies. — 2010. — Vol. 77, No 3. — P. 1100-1137.

107. Helpman E., Itskhoki O., Redding S. Inequality and unemployment in a global economy // Econometrica. — 2010. — Vol. 78, No 4. — P. 1239-128.

108. Hiranrat C., Harncharnchai A. Using text mining to discover skills demanded in software development jobs in Thailand // Proceedings of the 2nd International Conference on Education and Multimedia Technology. — 2018. — P. 112-116.

109. Hoang P. [et al.]. Large-scale occupational skills normalization for online recruitment //AI Magazine. — 2018. — Vol. 39, No 1. — P. 5-14.

110. Hussain W., Clear T., MacDonell S. Emerging trends for global DevOps: A New Zealand perspective // IEEE 12th International Conference on Global Software Engineering, ICGSE 2017. Vol 1. — 2017. — P. 21-30.

111. Jia S. [et al.]. Representation of job-skill in artificial intelligence with Knowledge Graph Analysis // 2018 IEEE Symposium on Product Compliance Engineering-Asia (ISPCE-CN). — IEEE. 2018. — P. 1-6.

112. Johnson K.M. Non-technical skills for IT professionals in the landscape of social media // American Journal of Business and Management. — 2016. — Vol. 4, No 3. — P. 102-122.

113. Kappelman L. [et al.]. Skills for success at different stages of an IT professional's career // Communications of the ACM. — 2016. — Vol. 59, No 8. — P. 64-70.

114. Karakatsanis I. [et al.]. Data mining approach to monitoring the requirements of the job market: A case study // Information Systems. — 2017. — Vol. 65. — P. 1-6.

115. Khaouja I., Kassou I., Ghogho M. A survey on skill identification from online job ads // IEEE Access. — 2021. — Vol. 9. — P. 118134-118153.

116. L'Horty Y., Sari F. The role of spatial and skill mismatches: Explaining long-term unemployment in Paris // Regional Studies. — 2019. — Vol. 53, No 2. — P. 283-296.

117. Lester S., Koniotaki A., Religa J. ComProCom: a revised model of occupational competence // Education+ Training. — 2018. — Vol. 60, No 4. — P. 290-302.

118. Li G. [et al.]. Data science skills and domain knowledge requirements in the manufacturing industry: A gap analysis// Journal of Manufacturing Systems. —2021. — Vol. 60. — P. 692-706.

119. Litecky C.R., Arnett K.P., Prabhakar B. The paradox of soft skills versus technical skills in IS hiring // Journal of Computer Information Systems. — 2004. — Vol. 45, No 1. — P. 69-76.

120. Litecky C.R., Igou A.J., Aken A. Skills in the management oriented IS and enterprise system job markets // Proceedings of the 50th annual conference on Computers and People Research. — 2012. — P. 35-44.

121. Liu K., Salvanes K.G., S0rensen E. Good skills in bad times: Cyclical skill mismatch and the long-term effects of graduating in a recession // European Economic Review. — 2016. — Vol. 84. — P. 3-17.

122. Lovaglio P.G. [et al.]. Skills in demand for ICT and statistical occupations: Evidence from web-based job vacancies // Statistical Analysis and Data Mining. — 2018. — Vol. 11, No 2. — P. 78-91.

123. Loyalka P. [et al.]. Skill levels and gains in university STEM education in China, India, Russia and the United States // Nature Human Behaviour. — 2021. — Vol. 5, No 7. — P. 892-904.

124. Matturro G. Soft skills in software engineering: A study of its demand by software companies in Uruguay // 2013 6th international workshop on cooperative and human aspects of software engineering (CHASE). — IEEE. 2013. — P. 133-136.

125. Matturro G., Raschetti F., Fontan C. A systematic mapping study on soft skills in software engineering // JUCS-Journal of Universal Computer Science. — 2019. — Vol. 25. — P. 16-41.

126. McGowan M.A., Andrews D. Skill mismatch in labor markets // Research in Labor Economics. — 2017. — Vol. 45. — P. 199-241.

127. Montt G. Field-of-study mismatch and overqualification: Labour market correlates and their wage penalty // IZA Journal of Labor Economics. — 2017. — Vol. 6, No 1. — P. 1-20.

128. Mortensen D.T., Pissarides C.A. Job creation the and job destruction in theory of unemployment // The Review of Economic Studies. — 1994. — Vol. 61, No 3. — P. 397-415.

129. Murnane R.J., Willett J.B., Levy F., [et al.]. The growing importance of cognitive skills in wage determination // The Review of Economics and Statistics. — 1995. — Vol. 77, No 2. — P. 251-266.

130. Murtagh F., Legendre P. Ward's hierarchical agglomerative clustering method: Which algorithms implement Ward's criterion? // Journal of Classification. — 2014. — Vol. 31, No 3. — P. 274-295.

131. Napierala J., Kvetan V. Changing job skills in a changing world // Handbook of Computational Social Science for Policy. — Springer International Publishing Cham, 2023. — P. 243-259.

132. Neves E.C., Azzoni C.R., Chagas A. Skill wage premium and city size : tech. rep. / University of Sao Paulo (FEA-USP). — 2017.

133. Newman M.E., Girvan M. Finding and evaluating community structure in networks // Physical Review E. — 2004. — Vol. 69, No 2. — P. 026113.

134. Nikolaev I., Ryazanov I., Botov D. The Comparison of Distributive Semantics Models Applied to the Task of Short Job Requirements Clustering for the Russian Labor Market // 8th Scientific Conference on Information Technologies for Intelligent Decision Making Support (ITIDS 2020). — Atlantis Press. 2020. — P. 295-301.

135. Ortego-Marti V. Differences in skill loss during unemployment across industries and occupations // Economics Letters. — 2017. — Vol. 161. — P. 31-33.

136. Ozkiziltan D., Hassel A. Artificial intelligence at work: An overview of the literature : tech. rep. / SSRN. — 2021. — No 3796746.

137. Paklina S., Shakina E. Which professional skills value more under digital transformation? // Journal of Economic Studies. — 2022. — Vol. 49, No 8. — P. 1524-1547.

138. Palczynska M. Wage premia for skills: The complementarity of cognitive and non-cognitive skills // International Journal of Manpower. — 2020. — Vol. 42, No 4. — P. 556-580.

139. Papoutsoglou M., Mittas N., Angelis L. Mining people analytics from StackOver-flow job advertisements // 2017 43rd Euromicro Conference on Software Engineering and Advanced Applications (SEAA). — IEEE. 2017. — P. 108-115.

140. Papoutsoglou M. [et al.]. Extracting knowledge from on-line sources for software engineering labor market: A mapping study // IEEE Access. — 2019. — Vol. 7. — P. 157595-157613.

141. Pater R., Szkola J., Kozak M. A method for measuring detailed demand for workers' competences // Economics: The Open-Access, Open-Assessment E-Journal. — 2019. — Vol. 13. — P. 1-29.

142. Pedrycz W. Collaborative fuzzy clustering // Pattern Recognition Letters. — 2002. — Vol. 23, No 14. — P. 1675-1686.

143. Pejic-Bach M. [et al.]. Text mining of industry 4.0 job advertisements // International Journal of Information Management. — 2020. — Vol. 50. — P. 416-431.

144. Poba-Nzaou P., Uwizeyemungu S., Clarke C. Patterns underlying required HR and IT competencies: A content and cluster analysis of advertisements of HR manager positions // The International Journal of Human Resource Management. — 2020. — Vol. 31, No 16. — P. 2065-2088.

145. Poonnawat W., Pacharawongsakda E., Henchareonlert N. Jobs analysis for business intelligence skills requirements in the ASEAN region: A text mining study // The Joint International Symposium on Artificial Intelligence and Natural Language Processing. — Springer. 2017. — P. 187-195.

146. Pusterla F. [et al.]. Disentangling skills mismatch. Fifth release of the KOF Youth Labour Market Index // KOF Studies. — 2018. — No 123. — P. 1-19.

147. Radovilsky Z. [et al.]. Skills requirements of business data analytics and data science jobs: A comparative analysis // Journal of Supply Chain and Operations Management. — 2018. — Vol. 16, No 1. — P. 82-101.

148. Ramos J. [et al.]. The impact of cognitive and noncognitive skills on professional salaries in an emerging economy, Chile // The Developing Economies. — 2013. — Vol. 51, No 1. — P. 1-33.

149. Restrepo P. Skill mismatch and structural unemployment // SSRN Electronic Journal. — 2015. — P. 1-59.

150. Rudakov V. [et al.]. The impact of horizontal job-education mismatches on the earnings of recent university graduates in Russia // Discussion Paper. IZA DP. Institute for the Study of Labor. — 2019. — No 12407. — P. 1-31.

151. Salahodjaev R., Malikova Z. Cognitive abilities and income: Preliminary evidence from a developing country // International Journal of Development Issues. — 2020. — Vol. 20, No 1. — P. 62-73.

152. Samek L., Squicciarini M., Cammeraat E. The human capital behind AI: Jobs and skills demand from online job postings : tech. rep. / OECD Publishing. — 2021. — No 120.

153. Sayfullina L., Malmi E., Kannala J. Learning representations for soft skill matching // International Conference on Analysis of Images, Social Networks and Texts. — Springer. 2018. — P. 141-152.

154. Shah S.M.S.A., Nazá M., [et al.]. The trend of big data in workforce frameworks and occupational standards towards an educational intelligent economy // Journal of Technical Education and Training. — 2021. — Vol. 13, No 1. — P. 176-184.

155. Shakina E., Parshakov P., Alsufiev A. Rethinking the corporate digital divide: The complementarity of technologies and the demand for digital skills // Technological Forecasting and Social Change. — 2021. — Vol. 162. — P. 120405.

156. Skhvediani A. [et al.]. Identification and comparative analysis of the skills structure of the data analyst profession in Russia // Journal of Education for Business. — 2021. — P. 1-10.

157. Sodhi M., Son B.-G. Content analysis of OR job advertisements to infer required skills // Journal of the Operational Research Society. — 2010. — Vol. 61, No 9. — P. 1315-1327.

158. Sozykin A. [et al.]. Developing Educational Programs Using Russian IT Job Market Analysis // 2021 Ural Symposium on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT). — IEEE. 2021. — P. 0391-0394.

159. Sparreboom T., Tarvid A. Imbalanced job polarization and skills mismatch in Europe // Journal for Labour Market Research. — 2016. — Vol. 49, No 1. — P. 15-42.

160. Spitz-Oener A. Technical change, job tasks, and rising educational demands: Looking outside the wage structure // Journal of Labor Economics. — 2006. — Vol. 24, No 2. — P. 235-270.

161. Stal J., Paliwoda-Pekosz G. Fostering development of soft skills in ICT curricula: A case of a transition economy // Information Technology for Development. — 2019. — Vol. 25, No 2. — P. 250-274.

162. Steinmann F., Voigt K.-I., Schaeffler T. Engineering competences: A content analysis of job advertisements // 2013 Proceedings of PICMET'13: Technology Management in the IT-Driven Services (PICMET). — IEEE. 2013. — P. 1925-1929.

163. Stewart F., Yeom M., Stewart A. STEM and soft occupational competencies: Analyzing the value of strategic regional human capital // Economic Development Quarterly. — 2020. — Vol. 34, No 4. — P. 356-371.

164. Taniguchi H., Yamada K. ICT capital-skill complementarity and wage inequality: Evidence from OECD countries // Labour Economics. — 2022. — Vol. 76. — P. 102151.

165. Ternikov A.A. Skill-based clustering algorithm for online job advertisements // Izvestiya of Saratov University. Mathematics. Mechanics. Informatics. — 2022a. — Vol. 22, No 2. — P. 250-265.

166. Ternikov A.A. Soft and hard skills identification: Insights from IT job advertisements in the CIS region // PeerJ Computer Science. — 2022b. — Vol. e8, No 946.

167. Ternikov A.A. Wage premium for soft skills in IT sector // International Journal of Development Issues. — 2022c. — Vol. 21, No 2. — P. 237-248.

168. Ternikov A.A. Skill preferences in job postings // Economics Bulletin. — 2023. — Vol. 43, No 4. — P. 1928-1943.

169. Tutlys V., Spoettl G. From the analysis of work-processes to designing competence-based occupational standards and vocational curricula // European Journal of Training and Development. — 2017. — Vol. 41, No 1. — P. 50-66.

170. Van der Velden R., Bijlsma I. Effective skill: A new theoretical perspective on the relation between skills, skill use, mismatches, and wages // Oxford Economic Papers. — 2019. — Vol. 71, No 1. — P. 145-165.

171. Verma A. [et al.]. An investigation of skill requirements for business and data analytics positions: A content analysis of job advertisements // Journal of Education for Business. — 2019. — Vol. 94, No 4. — P. 243-250.

172. Vieira J.A.C. Skill mismatches and job satisfaction // Economics Letters. — 2005. — Vol. 89, No 1. — P. 39-47.

173. Vooren M. [et al.]. Employers' preferences for IT-retrainees: Evidence from a discrete choice experiment // International Journal of Manpower. — 2019. — Vol. 40, No 7. — P. 1273-1287.

174. Wen L., Maani S.A. Job mismatches and career mobility // Applied Economics. — 2019. — Vol. 51, No 10. — P. 1010-1024.

175. Wikle T.A., Fagin T.D. Hard and soft skills in preparing GIS professionals: Comparing perceptions of employers and educators // Transactions in GIS. — 2015. — Vol. 19, No 5. — P. 641-652.

176. Wowczko I. Skills and vacancy analysis with data mining techniques // Informatics. — 2015. — Vol. 2, No 4. — P. 31-49.

177. Wu J., Shi H., Yang J. Are big data talents different from business intelligence expertise?: Evidence from text mining using job recruitment advertisements // 2017 International Conference on Service Systems and Service Management. —IEEE. 2017. — P. 1-6.

178. Xu T. [et al.]. Measuring the popularity of job skills in recruitment market: A multi-criteria approach // Proceedings of the AAAI Conference on Artificial Intelligence. 32(1). — 2018. — P. 2572-2579.

179. Zhang M. [et al.]. SkillSpan: Hard and Soft Skill Extraction from English Job Postings // 2022 Annual Conference of the North American Chapter of the Association for Computational Linguistics. — Association for Computational Linguistics. 2022.

180. Ziegler L. [et al.]. Skill demand and posted wages. Evidence from online job ads in Austria : tech. rep. / University of Vienna, Department of Economics. — 2020.

Укрупнённые группы профессий по классификации специализаций

HeadHunter

Таблица А.1

Укрупнённые группы профессий по классификации специализаций HeadHunter Идентификационный номер Наименование по классификатору HeadHunter

1 Информационные технологии, интернет, телеком

20 Строительство, недвижимость

17 Продажи

13 Медицина, фармацевтика

5 Банки, инвестиции, лизинг

21 Транспорт, логистика

18 Производство, сельское хозяйство

26 Закупки

19 Страхование

23 Юристы

3 Маркетинг, реклама, РИ

2 Бухгалтерия, управленческий учет, финансы предприятия

4 Административный персонал

16 Государственная служба, некоммерческие организации

11 Искусство, развлечения, масс-медиа

9 Высший менеджмент

7 Автомобильный бизнес

8 Безопасность

10 Добыча сырья

22 Туризм, гостиницы, рестораны

24 Спортивные клубы, фитнес, салоны красоты

29 Рабочий персонал

27 Домашний персонал

15 Начало карьеры, студенты

25 Инсталляция и сервис

12 Консультирование

14 Наука, образование

6 Управление персоналом, тренинги

Алгоритм извлечения ЗУН из неструктурированных онлайн-вакансий

Алгоритм Извлечение ЗУН из неструктурированных онлайн-вакансий Вход: онлайн-вакансия ИТ (J) Выход: набор стандартизированных ЗУН (К) 1: Пусть S С S набор уникальных текстовых описаний ЗУН из J

2: Пусть В 2-элементный кортеж: текстовое описание ЗУН и его частота встречаемости в J 3: for Hi € S do

4: bi ^ частота встречаемости si в J 5: B[i] = (Si,bi) 6: end for

7: сортируем В в убывающем порядке по b 8: procedure FrequentTerms^, t) 9: h ^ подмножество h, если hi > t, yhi € h 10: return h 11: end procedure 12: вводим пороговое значение t 13: В ^ FrequentTerms(B(6), t)

14: T ^ 3-элементный кортеж ЗУН после ручной разметки Т = (u,x,xs), где и — идентификатор стандартизированного ЗУН, х — наименование в текстовом формате, xs — набор синонимов в текстовом формате для пары (и, х) 15: procedure NGrams( J, п) 16: for j in J do

17: G ^ n-граммы размера n для нормализованной строки j {нормализация пробельных символов, удаление знаков пунктуации, строчный регистр, стемминг (на английском и русском языках), удаление стоп-слов (на английском и русском языках)} 18: положим G в ngramterms 19: end for 20: return ngramterms 21: end procedure

22: вводим пороговые значения ti,t2,t3 23: ngrami := FrequentTerms(NGrams(B(s), 1),ii) 24: ngram2 := FrequentTerms(NGrams(b(s), 2),t2) 25: ngram3 := FrequentTerms(NGrams(b(s), 3),t3)

26: для полученных баз n-грамм проводится ручная разметка (чистка неинформативных терминов) 27: каждое наблюдение в данных базах n-грамм имеет набор идентификаторов (i,s) 28: procedure MatohTerms(X, Y)

29: Пусть L набор уникальных комбинаций из X и Y, где L = {li | /i € X, I2 | 12 € Y}; li,l2

наборы идентификаторов (i,s) 30: for l1, l2 in L do 31: M ^ индекс Жаккара: |^(i)¡]^(i)| 32: if M > 0.5 then ' 2

33: положим (li,h) в termsmatched

34: end if 35: end for

36: return termsmatched 37: end procedure

38: для каждой комбинации из: ngrami, ngram2,ngrams проводим MatohTerms(X, Y) ^ Mi,M2,M3

39: для каждой комбинации из: T,Mi,M2,M3 проводим MatohTerms(X,Y), где X := Т, Y :=

{Mi,M2,M3} 40: К ^ X left-join Y

41: К — полученная база данных со стандартизированными ЗУН, их синонимами и наборами п-

грамм 42: return К

Алгоритм кластеризации онлайн-вакансий на основе ЗУН

Алгоритм Кластеризация онлайн-вакансий на основе ЗУН Вход: Н = (Л, С1, С2) — набор матриц различий, Ь — пороговое значение Выход: С — полученные кластеры

1

2

3

4

5

6

7

8 9

10 11 12

13

14

15

16

17

18

19

20 21 22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

Пусть D = (dl, d2, d3); U — упорядоченный набор терминов (индексы входных матриц) for г in H do j := t + l, m := l while j > t do

s ^ НАС(Hj) с двумя кластерами: s = (si, S2)

Sk = (nk,Uk), к = {l, 2}, где n^ — число элементов, Uk — набор элементов Di[m] ^ ug, где g = argmin(n1,n2) m := m + l, j := max(ni,П2)

Hj ^ субматрица Hj без строк и столбцов по терминам ид end while

Di[то] ^ ид, где д = argmax(ni,«.2) end for for г in D do

|d| — среднее число элементов среди di G Di, где I G [l, |А|] Di ^ {dk с Di : |41 < Щ,к G [l, IDil - l]} end for

D ^ jclust(^2, D3,0) U ^ CClust(JDupl(z) 1), JDupl(z)2), 0) U ^ jclust(^,l»i, 0) S ^ CClust(jdupl(?7i), jdupl^), 0) A ^ JCLUST(U, S, l) В ^ CClust(JDupl(ai), JDupl(^), l) Bl ^ Bi(l): Bi(2) = l,i G [l, |B|] B2 ^ Bi(l) : Bi(2) = 2,i G [l, |B|] С ^ SBClust(b2,bI, 3)

while |C| = |SBCLUST({Cj(l) G C® : Ci(2) = l}, {Ci(l) GСW : Ci(2) = 2}, i)| do

С ^ SBCLUST({Cj(l) G СM: Cj(2) = l}, {Ci(l) G СM: Ci(2) = 2}, i) end while

F ^ {U \ {cj(l) G С[*]}} — набор терминов, не имеющих совпадений С ^ TMatoh(f, С) - := 1

while {ci(l) G СW : q(2) = l}G 0 do

while |C| = |SBCLUST({Cj(l) G СW: Ci(2) = l}, {Ci(l) G СW : Ci(2) = 2},v^ do

С ^ SBCLUST({Cj(l) G СW : Cj(2) = l}, {Ci(l) G СW : Ci(2) = 2},v) end while

v := 2

end while

С ^{cj(l) G СW: Cj(2) = 2} return С

Описание процедур, используемых в алгоритме, представлено далее.

Процедура JClust агрегирует кластеры на основе алгоритма Гирвана-Ньюмана (Girvan, Newman, 2002; Newman, Girvan, 2004) и индексов сходства; возвращает укрупненные кластеры:

JClust(X, Y, switcher) i: Let S = X x Y; M — вектор весов рёбер для алгоритма Гирвана-Ньюмана 2: if switcher = 0 then

3: for s in S do

4 M , IS. (x)ns.(y)l 4: Ms ^ IS. (x)USs(y)I

5: end for

6: M ^ Ms : Ms > 1.5 ■ IQR(M)

7: else

8: for S in S do

9: Ms ^ ma^ |ЗД| , Is.(y)I )

10: end for

11: M ^ Ms : Ms > §

12: end if

13: Пусть l количество групп (сообществ), полученных при помощи алгоритма

Гирвана-Ньюмана на М 14: СИ ^ множество элементов сообщества, N — кластеры, не входящие в сообщества 15: М ^ (С, Я) 16: return М

Процедура TMatch берёт на входе набор терминов и добавляет их в заданные кластеры, используя метрику сходства; возвращает кластеры, заполненные новыми терминами:

TMatch(F, С) 1: while FG 0 do

2: for f in F do

3: C2 ^ подматрица C2, строки которой обозначают термин Ff

4: Пусть к — вектор, где |fc| = |Сга := 1

5: for С in С do

6: C2 ^ подматрица C2, столбцы которой обозначают термины Сс

7: if С2у G 0 V G [1, |F/|], j G [1, |Cc|] then

8: k[ra] ^ Й5' C2y

9: else

10: к[т\ ^ 0

ii: end if

12: га := га +1

13: end for

14: if | argmaxk[m\l = 1 then

15: ^argmaxfc[m](1) ^ ^argmaxfc[m](1) ^ Ff

16: end if

17: end for

18: F U \{C*(1) G СM }}

19: end while 20: return С

Процедура JDupl переставляет дублирующиеся элементы из множества пересекающихся кластеров и возвращает непересекающиеся:

JDupl(X ) 1: га := 1

2: while га > 0 do

з: Let Н = {(Xi, к, г)| хг G Xh 1г = |Хг|, г G [1, |Х|]} 4: Н1 = {(хг, I(argminЩ L С Нг(2), I С Нг(3) : хг G Нг} 5: X ^ множество новых сообществ, полученных в Н1 6: if $ i,j : Яг(1) = Hj(1), i = j then 7: га := 0 8: end if 9: end while 10: return X

Процедура SBClust берёт на входе малые и большие кластеры (по числу элементов), объединяет малые кластеры в большие по порогу сходства; возвращает кластеры большего размера:

SBClust(X, Y, threshold) i: t :=1,s := 1 2: for X in X do

3: C1 ^ подматрица C1, строки которой обозначают термины Хх 4: Пусть к — вектор, где |fc| = \Y|; т := 1

5: for у in Y do

6: C1 ^ подматрица C1, столбцы которой обозначают термины Yy 7: if C1y £ 0 У е [1, IXx\\,j £ [1, |Уу |] then

8: к[т\ ^ maxi<i<lxx\,i<3<\Yy| C1y

9: else

i0: к[т\ ^ 0

ii: end if

i2: т := т +1

i3: end for

i4: if max к > threshold then

i5: Rs ^ (t, argmax k[m\)

16: s := s + 1

i7: end if

i8: t := t +1

i9: end for

20: for Г in R do

2i: Yr(2) ^ Yr(2) U Xr(1)

22: end for

23: X ^ Хг : г £ [R3(1) £ R : j £ [1, |Д|\}

24: J ^ {{(ж, 1) : x £ X} U {(у, 2) : у £ Y}} — множество наборов элементов

25: return J

Процедура CClust принимает на вход наборы элементов и возвращает кла-

стеры на основе пересчитанных метрик сходства:

CClust(X, Y, switcher) 1: Let S = X x Y 2: for S in S do

3: Ms ^ IS.(y)l 4: end for

5: G = {(г ,Тг) : Тг = «G [1, |X |], j G [1, |X |] |X С S}

6: G = {<7 G Gi| г G [fc]}, где [fc] — индексы G^(2), отсортированные по возрастанию

7: for in G do

8: S= Уг^ХдЩ СS, i = д(1)}

9: for S in S? do

10: MS ^

S (x)nSf(y)|

IS MI ii: end for

12: S = (S G Sil i G [fc]}, где [fc] — индексы из M§, отсортированные по возрастанию

13: for s in S? do

14: A := s(;r), В := S(y)

15: if |s(;r)| < |S(y)| then

16: A := s(y), В := s(;r)

17: end if

18: Q := A n В

19: if Ms < 3 then

2°: Ss(y) ^ Ss(y) \ Q

21: else

22: S?s(;r) ^ Ss(x) \ Q

23: end if

24: end for

25: S ^ S: повторно кластеризованные элементы

26: end for

27: if swгtcher = 0 then

28: J ^ {{X С S} U {Y С S}} — множество наборов элементов по перегруппированным кластерам 29: else

30: J ^ {{(ж, 1) : ж £ X С 5} U {(у, 2) : у £ Y С 5}}

3i: end if

32: return J

Описательные статистики по базе данных HeadHunter для вакансий российского рынка труда с указанной заработной платой

Таблица Г.1

Распределение вакансий по группам навыков в динамике (в %)

8 - а

се 0 м С

IV

о

00 о о

IV

о о

и

§

3 и св я св С

С

>у

а

Еч

ч се 8 Я О

о

л я и

8

^

8