Детали имеют значение: как навыки работников влияют на восстановление экономики
Содержание
Рынок труда долгое время изучался обособленно от других макроэкономических показателей. Это создало некоторый парадокс в современной экономической литературе: с одной стороны, мы довольно много знаем о процессах внутри рынка труда – как происходит наем сотрудников, как устанавливаются зарплаты, что происходит с навыками сотрудников во время безработицы, как устроен процесс адаптации новых сотрудников и многое другое. С другой стороны, наши знания о том, как специфические процессы на этом рынке влияют на другие макроэкономические показатели – например, ВВП или инфляцию, – весьма ограничены.
В больших макроэкономических моделях – DSGE-моделях, – которые обычно используются для поддержки принятия решений в центральных банках и министерствах по всему миру, рынок труда обычно состоит из среднестатистического работника и среднестатистического работодателя. Работник выполняет для работодателя некоторую работу и получает за это зарплату. Но из своего опыта мы понимаем, что на самом деле рынок труда устроен гораздо сложнее.
Мое новое исследование показало, что реалии рынка труда с его отраслевыми требованиями к навыкам, профессиональной мобильностью, эффектом потери компетенций во время безработицы способны оказывать долгосрочное негативное влияние на экономику. Игнорирование этих механизмов ведет к систематической недооценке последствий экономических кризисов. Учет отраслевых компетенций меняет прогнозы восстановления экономики. А также показывает, что целенаправленные программы переобучения могут восстановление ускорить.
Ключевая роль навыков на рынке труда
В DSGE-моделях предполагается, что на рынке труда работники взаимозаменяемы. Но в реальной жизни фирме вовсе не все равно, какого сотрудника нанимать. Если мы откроем HeadHunter или любой другой агрегатор вакансий, то для каждой позиции увидим список навыков, которые работодатель хотел бы видеть у будущего сотрудника. Причем интуитивно понятно, что навыки будут связаны с отраслью. Например, в сфере информационных технологий цифровые навыки будут очень важны, а в образовании никак не обойтись без взаимодействия с людьми.
Опросы работников подтверждают этот интуитивный вывод. Например, в Европейском исследовании навыков и рабочих мест (ESJS) используется 21 навык – от командной работы до подъема тяжелых грузов. Работников из 27 государств – членов EC спрашивали: «Как часто вы используете данный навык в своей работе?» Таким образом была численно определена потребность каждой отрасли в конкретном навыке – как процент ответивших «часто» или «очень часто» на этот вопрос.
Теперь мы можем отказаться от нереалистичной идеи о том, что все работники одинаковы для работодателя. На самом деле каждая фирма, в зависимости от отрасли, будет иметь определенный спрос на определенные навыки и нанимать сотрудника, который им соответствует. А с точки зрения работника это означает, что если он хочет поменять отрасль, в которой работает (это называется «профессиональная мобильность»), то чем больше его навыки соответствуют желаемой отрасли, тем выше шансы добиться желаемого. Таким образом, можно сформировать матрицу возможностей перехода из отрасли в отрасль, которая будет определять возможности для профессиональной мобильности.
В целом, как показывают исследования, на навыки «завязаны» многие процессы рынка труда (1, 2). Например, Джейкоб Минцер, один из основоположников современной экономики труда и теории человеческого капитала, с коллегой Хаимом Офеком в фундаментальной работе 1982 г. показывает, что реальная заработная плата при возвращении на работу после безработицы ниже, чем на момент увольнения, и это снижение тем сильнее, чем дольше перерыв. Этот эффект они связывают с потерей навыков во время безработицы.
Дальнейшие эмпирические исследования в подавляющем большинстве подтверждают наличие такой связи (например: 1, 2). И хотя, к примеру, одно из исследований на немецких и американских данных не обнаружило снижения навыков у безработных, это, вероятно, связано с тем, что данные, на которых основано исследование, включают достаточно базовые навыки – математические, беглость речи, добросовестность.
А между тем, как следует из опроса ESJS, многие отрасли требуют более специфических навыков – например, внедрения новых подходов или использования цифровых механизмов на работе, и потеря этих навыков может быть основной причиной сложности повторного трудоустройства. Таким образом, можно сделать вывод, что важно не просто учитывать навыки в исследовании, но иметь данные по достаточно широкому их кругу.
Другие исследования больше сосредоточены не на потере, а на приобретении навыков. Во множестве работ демонстрируются успехи обучения на рабочем месте, а также программ стажировок и адаптации (1, 2, 3, 4). Пожалуй, самый интересный эксперимент был проведен в Уганде, где авторы исследования помогли организовать обучение с участием 1700 работников и 1500 фирм. Работники были случайно распределены в одну из трех групп: 1) контрольная; 2) проходящие обучение в фирме; 3) обучающиеся в рамках государственных программ. Профессиональные навыки работников оценивались с помощью специально разработанного теста, а данные собирались в течение четырех лет. Авторы обнаружили, что по сравнению с контрольной группой в среднем за три года после вмешательства работники, прошедшие обучение – вне зависимости от вида программы, – демонстрируют значительный и схожий рост отраслевых навыков и заметно улучшают показатели занятости.
«Все модели неправильны, но некоторые полезны»
Теряем ли мы важную информацию, пренебрегая в больших макроэкономических моделях этими знаниями? Конечно. Однако гораздо более важный и менее очевидный вопрос – важно ли это для ответов, которые мы получаем, используя DSGE-модели?
Британский статистик Джордж Бокс в 1970-х гг. сформулировал один из важнейших принципов построения моделей: «В сущности, все модели неправильны, но некоторые полезны». Он имел в виду, что любая модель – это упрощение, но некоторые, несмотря на это, обогащают наше понимание ситуации и помогают отвечать на конкретные вопросы.
На первый взгляд может показаться, что чем больше механизмов и данных в модели, тем лучше. На самом деле добавление все новых и новых компонент в модель сильно затрудняет интерпретацию результатов и понимание, какими именно механизмами и в каких пропорциях определяется полученный результат. Поэтому важно выборочно и осознанно добавлять механизмы в модель.
Я посвятила свое исследование тому, чтобы выяснить, важны ли все эти специфические процессы рынка труда для ответов на вопросы, на первый взгляд с ними не связанные. Например, если произошло временное массовое закрытие фабрик (в результате стихийных бедствий или эпидемий), какой уровень ВВП мы будем наблюдать через несколько лет? И будут ли отличаться выводы в зависимости от того, как устроен рынок труда в выбранной для этих расчетов модели?
Ответить на этот вопрос с помощью золотого стандарта макроэкономического моделирования – DSGE-моделей – затруднительно. Лежащие в их основе «среднестатистические» экономические агенты, рациональные ожидания и необходимость возвращения к равновесию после шока делают сложным, а иногда и невозможным, внедрение в них паттернов поведения.
В то же время все большую популярность в макроэкономике приобретают агентно-ориентированные (agent-based, AB) модели, способные учитывать микроданные и моделировать «несовершенных» и разнообразных агентов (1, 2, 3). Используя данные опросов и экспериментов о поведении реальных людей в экономике, эти модели позволяют отказаться от репрезентативного, среднего экономического агента в пользу синтетических популяций, с множеством гетерогенных (разнородных) агентов, обладающих характеристиками реальных людей. Благодаря этому можно моделировать население страны вплоть до масштаба 1:1.
Истоки двух подходов
Принципиальное различие DSGE-подхода и AB-подхода проистекает из истории их разработки.
DSGE-модели развились из идеи использования в экономике тех же формальных подходов, что и в физике. С одной стороны, выход фундаментальной работы основателя теории экономического равновесия Леона Вальраса «Элементы чистой политической экономии» в 1874 г. во многом ознаменовал начало экономики как настоящей науки, использующей строгий формальный математический аппарат, без которого и сейчас трудно представить любое хорошее исследование. С другой стороны, по мере развития экономическая наука пришла к пониманию, что механизмы, которые подходят для описания физических явлений и механизмов, далеко не всегда могут быть адекватно применимы к описанию уникальных, обладающих эмоциями и суждениями людей.
Например, во многих физических моделях механизм находится в покое, и требуется шок извне для его «запуска». А в биологических системах катализатор изменений часто рождается внутри самой системы.
Представим себе гипотетический эксперимент. Допустим, у нас есть комната, полностью изолированная от внешнего воздействия. Что будет, если закрыть в этой комнате пять станков? Открыв дверь через неделю, мы увидим их на том же месте, а в помещении ничего не поменяется. Но если мы оставим в комнате на неделю пять человек, результат будет куда менее очевидным. Через неделю изменения будут видны и в самих людях, и в помещении. Кроме того, эти изменения будут зависеть от того, что именно за люди выбраны для эксперимента. Более того, если мы повторим этот эксперимент даже с теми же самыми людьми, вряд ли будет получен идентичный результат.
Другой важный результат: итог (например, состояние комнаты) будет являться следствием действий всех людей, но не будет таким же, как если оставлять этих людей в комнате по очереди. Например, они могут объединить свои знания и усилия и сделать перестановку для собственного удобства или вовсе найти способ выбраться из комнаты. Это свойство системы называется эмерджентностью – когда агенты системы (в данном случае люди), объединяясь, могут создавать новое, то, что не способны создать по отдельности.
По сути, экономика и представляет собой такую систему: много-много людей действуют в своих интересах, периодически объединяясь и договариваясь, а итоговые показатели (например, ВВП) собираются из действий отдельных агентов. Понимание этого приводит экономистов к поиску моделей, способных адекватно описать такие системы. И поэтому агентно-ориентированные модели, как раз созданные для описания сложных систем, все больше применяются в экономической науке.
Идея агентно-ориентированного подхода берет свое начало в 1940-х гг. из работ математика, физика и среди прочего одного из создателей теории игр Джона фон Неймана о клеточных автоматах. По сути, клеточный автомат представляет собой некоторое пространство (например, шахматное поле), разделенное на одинаковые клетки. Каждой клетке задается значение 0 или 1. На каждом шаге алгоритм «смотрит» на «соседей» определенной клетки и на основании этого определяет для нее новое значение. И так для каждой клетки. Хотя эта концепция может показаться немного оторванной от реальности, на самом деле она помогает описывать многие практические вопросы.
В 1970-х гг. Томас Шеллинг, позднее ставший нобелевским лауреатом, использовал эту простую идею для объяснения сегрегации населения в городах США. Он показал: если предположить, что люди предпочитают, чтобы некоторый процент (обычно 30–50%) их соседей были той же этнической группы, что и они, и готовы менять место жительства ради этого, то постепенно это приводит к формированию «черных» и «белых» районов. Таким образом, возникновение афроамериканских гетто объясняется не решениями «сверху», а совокупностью действий отдельных людей, действующих исключительно в своих интересах.
В экономике эти модели начинают активно использоваться в 1990-х гг., а последнее десятилетие знаменуется все более широким применением их для целей макроэкономики. Например, уже сейчас Банк Канады использует AB-модели для поддержки принятия решений по ставке наравне с DSGE-моделями.
Еще на эту тему
Чем экономика похожа на медицину: почему «не срабатывают» экономические модели
Экономические модели позволяют во многом автоматизировать решение однотипных проблем, чем похожи на стандартные медицинские рецепты. Но, в отличие от структуры человеческого организма, экономические системы постоянно усложняются, и моделям приходится «догонять» реальность.
Практическая реализация
В своем исследовании я использую именно AB-модель. Она содержит около 13000 агентов, включая индивидов, фирмы, центральный банк, государство, коммерческий банк, экспортеров и импортеров. Каждый индивид обладает определенным набором навыков, которые позволяют работать в определенной отрасли. И, конечно, модель откалибрована на микроданных: сколько людей и фирм работает в каждой отрасли, какие навыки нужны в отрасли и какими обладают сотрудники и так далее.
Я сравниваю результаты симуляций по этой модели с моделью-бенчмарком, где отсутствует понятие навыков и индивиды могут работать только в той отрасли, в которой они изначально были трудоустроены. Мои результаты показывают, что способ моделирования рынка труда качественно меняет выводы.
Если в модели-бенчмарке происходит шок предложения (то есть внезапное сокращение производства в экономике), то через пять лет ВВП полностью восстанавливается. При этом в симуляциях по модели с навыками ВВП не может восстановиться после такого же шока, и разница между симуляциями с шоком и симуляциями по той же модели без шока сохраняется даже через пять лет после него.
Механизм этого результата следующий. Во время шока происходит увольнение части сотрудников. В модели-бенчмарке после окончания шока фирмы нанимают тех же сотрудников, что были уволены, и это обеспечивает быстрое восстановление ВВП до докризисного уровня.
Если же процесс найма «завязан» на навыки, то, во-первых, за время кризиса часть навыков будет потеряна и работники могут не быть трудоустроены на предыдущие рабочие места. Во-вторых, в модели с навыками появляется профессиональная мобильность. И это означает, что часть уволенных сотрудников могут найти работу в других отраслях. Таким образом, после кризиса структура рынка труда поменяется, и это будет препятствовать возвращению ВВП на докризисную траекторию.
Более того, детальный анализ показывает, что влияние шока не одинаково для разных отраслей. Там, где требуются навыки более высокого уровня, сложнее нанять сотрудников, поскольку, во-первых, количество сотрудников, которые достаточно квалифицированны для выполнения работы этих отраслей, ограничено, а во-вторых, потому что на этих работников претендуют и отрасли, где требования к навыкам ниже, что создает дополнительную конкуренцию за них.
Таким образом, становится понятно, что, во-первых, существуют механизмы рынка труда, препятствующие восстановлению ВВП после кризиса, а во-вторых, что по крайней мере частично эти механизмы обусловлены навыками.
Поэтому встает вопрос: можно ли повысить навыки работников за счет программ обучения так, чтобы ВВП мог вернуться на докризисную траекторию?
Я проверяю, насколько с этой целью могут справиться две различные программы обучения – общая, без привязки к конкретной отрасли, и точечная, направленная на стимулирование определенных отраслей.
Первая программа – это обучение случайно выбранных безработных случайным навыкам. На практике существуют различные государственные курсы переподготовки и безработные могут посещать их, приобретая навыки. Мои эксперименты показывают, что, будучи сконструированными определенным образом, такие программы могут быть эффективны для возвращения ВВП к докризисному уровню. Между тем, хотя я не оцениваю стоимость и сложность организации такого обучения, вероятно, оно требует значительных усилий и затрат.
При этом, как я указывала выше, основные сложности с наймом испытывают лишь некоторые отрасли – с очень высокими навыками. Поэтому вторая рассматриваемая программа – целевое обучение студентов для двух отраслей. Предполагается, что институты выпускают на рынок труда студентов с навыками, точно соответствующими этим отраслям, и фирмы из этих отраслей первыми получают право нанять этих студентов. Если часть таких студентов не будет нанята в первый раунд, то они на общих основаниях могут попытаться трудоустроиться в любую фирму любой другой отрасли.
Согласно моделированию, результат работы такой программы – полное возвращение ВВП на докризисную траекторию, так же как и в предыдущей, более масштабной программе обучения.
Итак, главный вывод моего исследования состоит в том, что стандартные для больших макроэкономических моделей упрощения процессов на рынке труда могут привести к недооценке негативных последствий шоков для экономики. В то же время моделирование более реалистичного рынка труда может не только предсказать негативный эффект шока на экономику, но и позволить разработать программы обучения, способные нивелировать этот эффект.
.webp)
