Работники какой отрасли имеют самые высокие заработные платы на российском рынке труда?
Беляков Егор, Кузовкова Владислава, Кургузов Николай, Попов Николай. БЭК192С
11 03 2021
- Аннотация
- Объект и Методы Исследования
- Введение
- Анализ Заработных Плат
- Методология и ход исследования
- Итоговые таблицы
- Интерпретация полученных результатов
- Химическая промышленность как ключевая отрасль российской экономики
- IT индустрия и цифровизация экономики
- Гендерное неравенство в трудовой сфере
- Выводы исследования
- Практическая польза выводов исследования
- Список использованной литературы
Аннотация
В последнее время во многих странах, в том числе и в России, наблюдается заметное расслоение по уровню заработных плат у работников. Довольно значимая разница в доходах наблюдается по отраслям работы. В данной статье мы производим анализ российского рынка труда для выявления среднего уровня заработных плат по индивидам в различных отраслях, а также для выявления факторов, оказывающих влияние на представленные тенденции.
Объект и Методы Исследования
Тип работы: исследование
Цель работы: с помощью статистических данных и приложенных научных статей выяснить, работники какой отрасли имеют самые высокие заработные платы на российском рынке труда и рассмотреть возможные интерпретации полученных результатов
Объект исследования: российский рынок труда, конкретно, данные по заработной плате работников
Методы исследования: анализ и синтез данных по заработным платам и отраслям, построение ящичковых диаграмм (графический метод), рассмотрение теоретических положений о возможных факторах, влияющих на заработную плату
Инструменты анализа: база данных РМЭЗ НИУ ВШЭ, язык программирования R
Конечный продукт: страница на сайте RPubs с выводами исследования
Введение
С начала становления рыночных отношений в 1990-е годы российский рынок труда стал приобретать всё более диверсифицированную форму как по отраслям деятельности (прежде всего, торговля розничная), так и по вознаграждению за труд, которые получают работники в той или иной сфере занятости. Заработная плата стала средством удовлетворения потребительских запросов работника и его семьи, поэтому главной мотивацией стало личное благополучие, в отличие от командно-административной модели, где в ранг было возведена максимальная отдача работника во благо страны с минимальными затратами. В нынешнее время появились новые (рыночные) факторы различия в заработной плате того или иного работника. Можно выделить три из них: уровень образования, квалификация (ранг), специализация. Кроме того, внутренняя культура работника (стремление добиться успеха, опытность) непосредственно влияет на оплату труда, так как влияет на конечный результат его труда (качество и количество проделанной работы). В этом плане, в нашем исследовании стоит делать акцент на работниках частных предприятий, так как они явным образом подчиняются модели спроса и предложения как на рынке труда, так и на потребительских рынках, в отличие от трудящихся на государственных предприятий, где стимулы к труду занижены в силу предопределенности карьерного роста работника, а конечный результат непосредственно связан с конкретным государственный заказом и даже, скорее, с волей заказчика, у которого нерыночная мотивационная культура.
Анализ Заработных Плат
В данной работе мы использовали базу данных РМЭЗ НИУ ВШЭ. Нами были выбраны данные по индивидам, так как целью является сравнение заработных плат отдельных работников по отраслям, а не сравнение целых домохозяйств.
{
library(devtools)
library(rlms)
library(dplyr)
library(tidyr)
library(ggplot2)
}
setwd("C:/Users/79211/Desktop/Project")
all_data <- rlms_read("r28i_os_32.sav")
#colnames(all_data)Методология и ход исследования
1 - Отобрали всех работающих респондентов, у которых есть основная работа 2 - Нашли их почасовую ставку заработной платы (мес.) 3 - Построили медианы для каждой из сфер и проранжировали их 4 - Проверили на статистическую значимость отличия средних по отраслям с общей средней 5 - Выявили, что заработная плата мужчин выше, чем заработная плата женщин 6 - Выявили, что заработная плата работников с качественным образованием выше, чем у работников с некачественным
Ключевой показатель: медианное значение заработной платы
# выбираем переменные интереса
data <- all_data %>% select(id_ind = idind, working = xj77,
job_1 = xj4.1, wage_1 = xj13.2, hours_1 = xj6.2,
working_2 = xj32, job_2 = xj35.1, wage_2 = xj40, hours_2 = xj36.1a,
edu = x_educ, diplom = x_diplom, exp = xj5a, age = x_age, sex = xh5 )
#summary(data)# убираем неработающих (это тестовый прогон)
data1 <- data %>% subset(working == 1)
#summary(data1) # по working нет NA
data2 <- data %>% subset(working == 1 | is.na(working) == TRUE)
#summary(data2) # по working есть NA
# проверим значения з/п у тех, у кого working == NA
View(subset(data2, is.na(working) == TRUE))
#summary(subset(data2, is.na(working) == TRUE)) # тут все NA => можем удалить data2
rm(data1, data2) # удаляем data1, data2
# убираем неработающих (это нормальный прогон)
data <- data %>%
subset(working == 1) %>%
drop_na(job_1, wage_1) # убираем пропуски по job_1, wage_1
#summary(data)
#summary(as.factor(data$job_1)) # пока заметим, что, начиная с 18-ой профессии, наблюдений мало
# создаем почасовую ставку
# data$wage_rate_1 <- data$wage_1 / data$hours_1 # первый вариант создания новой переменной
data <- data %>% # второй вариант создания новой переменной
mutate(wage_rate_1 = wage_1 / hours_1/4) %>%
subset(wage_1 != 0) # убираем тех, у кого ставка в месяц равна 0 (это ошибочне наблюдения)
#summary(data)
# убираем выбросы сверху
#nrow(subset(data, wage_rate_1 >= 2500)) # количество наблюдений, где з/п в час выше 2500
data <- data %>% subset(wage_rate_1 <= 2500)
#summary(data)
# возможные преобразования:
# 1) оставим тех, кого только основная (первая) работа
data_1 <- data %>% subset(working_2 == 2)
#summary(data_1)
#summary(as.factor(data_1$job_1))ggplot(data = data_1, aes(x = as.factor(job_1), y = wage_1)) + geom_boxplot() +
xlab('Индексы отраслей') + ylab('Заработная плата в месяц') +
ggtitle('Боксплот по месячной ставке заработной платы')# боксплот по месячной ставке з/п
ggplot(data = data_1, aes(x = as.factor(job_1), y = wage_rate_1)) + geom_boxplot() + xlab('Индексы отраслей') +
ylab('Заработная плата в час') +
ggtitle('Боксплот по часовой ставке заработной платы')
#summary(subset(data_1, job_1 == 1))
ggplot(data = subset(data_1, job_1 == 1), aes(x = wage_1)) + geom_histogram() +
xlab('Заработная плата в месяц') + ylab('Количество наблюдений') +
ggtitle('Частоты значений заработных плат')
Строим медианы и средние ставки з/п в час по отраслям
summary_table <- data_1 %>%
group_by(job_1) %>%
summarise(
median = median(wage_rate_1, na.rm = TRUE),
mean = mean(wage_rate_1, na.rm = TRUE)) #%>% arrange(desc(median))Добавим расшифровки к переменной job_1
job_label <- stack(attr(summary_table$job_1, "labels")) # расшифровки
summary_table <- merge(summary_table, job_label, by.x = "job_1", by.y = "values") %>%
arrange(desc(median)) # сортировка по медианеТест Стьюдента на равенство средней з/п по отрасли средней з/п по всей выборке
mean_wage_rate <- mean(data_1$wage_rate_1) # средняя ставка з/п
summary_table$p_val <- 0Cоздадим колонку со значениями p-value
j <- 1
for (i in as.numeric(summary_table$job_1)) {
t_stat <- t.test(data_1[which(data_1$job_1 == i),]$wage_rate_1, mu = mean_wage_rate)
summary_table$p_val[j] <- t_stat$p.value
j <- j + 1
}
# сделаем индикатор принятой гипотезы
summary_table$hypothesis <- 0
summary_table$hypothesis[summary_table$p_val <= 0.05] <- 1 # принята альтернативная => различия значимы
#t_stat$conf.intsummary(data_1)## id_ind working job_1 wage_1 hours_1
## Min. : 3 Min. :1 Min. : 1.00 Min. : 700 Min. : 2.00
## 1st Qu.:26468 1st Qu.:1 1st Qu.: 7.00 1st Qu.: 17000 1st Qu.: 40.00
## Median :39494 Median :1 Median :10.00 Median : 25000 Median : 40.00
## Mean :37133 Mean :1 Mean :10.48 Mean : 29191 Mean : 43.69
## 3rd Qu.:50502 3rd Qu.:1 3rd Qu.:14.00 3rd Qu.: 35000 3rd Qu.: 48.00
## Max. :59410 Max. :1 Max. :31.00 Max. :200000 Max. :168.00
##
## working_2 job_2 wage_2 hours_2 edu
## Min. :2 Min. : 1 Min. : 4000 Min. : 1.00 Min. : 5.00
## 1st Qu.:2 1st Qu.:11 1st Qu.: 4000 1st Qu.: 1.00 1st Qu.:16.00
## Median :2 Median :16 Median : 5000 Median : 3.00 Median :18.00
## Mean :2 Mean :16 Mean : 6714 Mean : 4.25 Mean :17.75
## 3rd Qu.:2 3rd Qu.:17 3rd Qu.: 7500 3rd Qu.: 7.25 3rd Qu.:21.00
## Max. :2 Max. :31 Max. :15000 Max. :10.00 Max. :23.00
## NA's :3959 NA's :3961 NA's :3960 NA's :1
## diplom exp age sex
## Min. :1.000 Min. :1965 Min. :18.00 Min. :1.000
## 1st Qu.:4.000 1st Qu.:2007 1st Qu.:33.00 1st Qu.:1.000
## Median :5.000 Median :2013 Median :42.00 Median :2.000
## Mean :4.898 Mean :2010 Mean :42.99 Mean :1.539
## 3rd Qu.:6.000 3rd Qu.:2017 3rd Qu.:53.00 3rd Qu.:2.000
## Max. :6.000 Max. :2019 Max. :86.00 Max. :2.000
## NA's :1 NA's :20
## wage_rate_1
## Min. : 3.646
## 1st Qu.: 98.734
## Median : 145.833
## Mean : 172.471
## 3rd Qu.: 208.333
## Max. :1187.500
## data_1$exp <- 2019 - data_1$exp #Стаж работы
summary(data_1)## id_ind working job_1 wage_1 hours_1
## Min. : 3 Min. :1 Min. : 1.00 Min. : 700 Min. : 2.00
## 1st Qu.:26468 1st Qu.:1 1st Qu.: 7.00 1st Qu.: 17000 1st Qu.: 40.00
## Median :39494 Median :1 Median :10.00 Median : 25000 Median : 40.00
## Mean :37133 Mean :1 Mean :10.48 Mean : 29191 Mean : 43.69
## 3rd Qu.:50502 3rd Qu.:1 3rd Qu.:14.00 3rd Qu.: 35000 3rd Qu.: 48.00
## Max. :59410 Max. :1 Max. :31.00 Max. :200000 Max. :168.00
##
## working_2 job_2 wage_2 hours_2 edu
## Min. :2 Min. : 1 Min. : 4000 Min. : 1.00 Min. : 5.00
## 1st Qu.:2 1st Qu.:11 1st Qu.: 4000 1st Qu.: 1.00 1st Qu.:16.00
## Median :2 Median :16 Median : 5000 Median : 3.00 Median :18.00
## Mean :2 Mean :16 Mean : 6714 Mean : 4.25 Mean :17.75
## 3rd Qu.:2 3rd Qu.:17 3rd Qu.: 7500 3rd Qu.: 7.25 3rd Qu.:21.00
## Max. :2 Max. :31 Max. :15000 Max. :10.00 Max. :23.00
## NA's :3959 NA's :3961 NA's :3960 NA's :1
## diplom exp age sex
## Min. :1.000 Min. : 0.000 Min. :18.00 Min. :1.000
## 1st Qu.:4.000 1st Qu.: 2.000 1st Qu.:33.00 1st Qu.:1.000
## Median :5.000 Median : 6.000 Median :42.00 Median :2.000
## Mean :4.898 Mean : 8.755 Mean :42.99 Mean :1.539
## 3rd Qu.:6.000 3rd Qu.:12.000 3rd Qu.:53.00 3rd Qu.:2.000
## Max. :6.000 Max. :54.000 Max. :86.00 Max. :2.000
## NA's :1 NA's :20
## wage_rate_1
## Min. : 3.646
## 1st Qu.: 98.734
## Median : 145.833
## Mean : 172.471
## 3rd Qu.: 208.333
## Max. :1187.500
## summary(subset(data_1, job_1 %in% c(27, 23))) #IT and Chemical sphere## id_ind working job_1 wage_1 hours_1
## Min. : 776 Min. :1 Min. :23.00 Min. : 15000 Min. :20.00
## 1st Qu.:26295 1st Qu.:1 1st Qu.:23.00 1st Qu.: 27500 1st Qu.:40.00
## Median :33843 Median :1 Median :27.00 Median : 37000 Median :40.00
## Mean :34900 Mean :1 Mean :25.58 Mean : 49710 Mean :39.84
## 3rd Qu.:48417 3rd Qu.:1 3rd Qu.:27.00 3rd Qu.: 58500 3rd Qu.:40.00
## Max. :59156 Max. :1 Max. :27.00 Max. :150000 Max. :50.00
##
## working_2 job_2 wage_2 hours_2 edu
## Min. :2 Min. : NA Min. : NA Min. : NA Min. : 9.00
## 1st Qu.:2 1st Qu.: NA 1st Qu.: NA 1st Qu.: NA 1st Qu.:18.00
## Median :2 Median : NA Median : NA Median : NA Median :21.00
## Mean :2 Mean :NaN Mean :NaN Mean :NaN Mean :18.77
## 3rd Qu.:2 3rd Qu.: NA 3rd Qu.: NA 3rd Qu.: NA 3rd Qu.:21.00
## Max. :2 Max. : NA Max. : NA Max. : NA Max. :22.00
## NA's :31 NA's :31 NA's :31
## diplom exp age sex
## Min. :3.000 Min. : 0.000 Min. :22.00 Min. :1.00
## 1st Qu.:5.000 1st Qu.: 1.000 1st Qu.:29.00 1st Qu.:1.00
## Median :6.000 Median : 3.000 Median :34.00 Median :1.00
## Mean :5.226 Mean : 5.774 Mean :36.48 Mean :1.29
## 3rd Qu.:6.000 3rd Qu.: 8.500 3rd Qu.:41.00 3rd Qu.:2.00
## Max. :6.000 Max. :42.000 Max. :66.00 Max. :2.00
##
## wage_rate_1
## Min. : 93.75
## 1st Qu.:156.70
## Median :250.00
## Mean :309.31
## 3rd Qu.:365.62
## Max. :937.50
## summary(subset(data_1, !job_1 %in% c(27, 23))) #NOT IT and Chemical sphere## id_ind working job_1 wage_1 hours_1
## Min. : 3 Min. :1 Min. : 1.00 Min. : 700 Min. : 2.00
## 1st Qu.:26484 1st Qu.:1 1st Qu.: 7.00 1st Qu.: 17000 1st Qu.: 40.00
## Median :39513 Median :1 Median :10.00 Median : 25000 Median : 40.00
## Mean :37150 Mean :1 Mean :10.36 Mean : 29029 Mean : 43.72
## 3rd Qu.:50524 3rd Qu.:1 3rd Qu.:14.00 3rd Qu.: 35000 3rd Qu.: 48.00
## Max. :59410 Max. :1 Max. :31.00 Max. :200000 Max. :168.00
##
## working_2 job_2 wage_2 hours_2 edu
## Min. :2 Min. : 1 Min. : 4000 Min. : 1.00 Min. : 5.00
## 1st Qu.:2 1st Qu.:11 1st Qu.: 4000 1st Qu.: 1.00 1st Qu.:16.00
## Median :2 Median :16 Median : 5000 Median : 3.00 Median :18.00
## Mean :2 Mean :16 Mean : 6714 Mean : 4.25 Mean :17.74
## 3rd Qu.:2 3rd Qu.:17 3rd Qu.: 7500 3rd Qu.: 7.25 3rd Qu.:21.00
## Max. :2 Max. :31 Max. :15000 Max. :10.00 Max. :23.00
## NA's :3928 NA's :3930 NA's :3929 NA's :1
## diplom exp age sex
## Min. :1.000 Min. : 0.000 Min. :18.00 Min. :1.000
## 1st Qu.:4.000 1st Qu.: 2.000 1st Qu.:33.00 1st Qu.:1.000
## Median :5.000 Median : 6.000 Median :42.00 Median :2.000
## Mean :4.895 Mean : 8.779 Mean :43.04 Mean :1.541
## 3rd Qu.:6.000 3rd Qu.:12.000 3rd Qu.:53.00 3rd Qu.:2.000
## Max. :6.000 Max. :54.000 Max. :86.00 Max. :2.000
## NA's :1 NA's :20
## wage_rate_1
## Min. : 3.646
## 1st Qu.: 98.142
## Median : 143.750
## Mean : 171.393
## 3rd Qu.: 208.333
## Max. :1187.500
## summary(subset(data_1, job_1 %in% c(23))) # Chemical sphere## id_ind working job_1 wage_1 hours_1
## Min. : 776 Min. :1 Min. :23 Min. :21000 Min. :28.00
## 1st Qu.:11136 1st Qu.:1 1st Qu.:23 1st Qu.:27500 1st Qu.:38.50
## Median :25133 Median :1 Median :23 Median :35000 Median :40.00
## Mean :23601 Mean :1 Mean :23 Mean :34091 Mean :39.27
## 3rd Qu.:33111 3rd Qu.:1 3rd Qu.:23 3rd Qu.:40000 3rd Qu.:40.00
## Max. :54146 Max. :1 Max. :23 Max. :55000 Max. :48.00
##
## working_2 job_2 wage_2 hours_2 edu
## Min. :2 Min. : NA Min. : NA Min. : NA Min. : 9.00
## 1st Qu.:2 1st Qu.: NA 1st Qu.: NA 1st Qu.: NA 1st Qu.:14.00
## Median :2 Median : NA Median : NA Median : NA Median :16.00
## Mean :2 Mean :NaN Mean :NaN Mean :NaN Mean :15.73
## 3rd Qu.:2 3rd Qu.: NA 3rd Qu.: NA 3rd Qu.: NA 3rd Qu.:18.00
## Max. :2 Max. : NA Max. : NA Max. : NA Max. :21.00
## NA's :11 NA's :11 NA's :11
## diplom exp age sex
## Min. :3.000 Min. : 0.000 Min. :22.00 Min. :1.000
## 1st Qu.:4.000 1st Qu.: 2.500 1st Qu.:34.50 1st Qu.:1.000
## Median :4.000 Median : 7.000 Median :40.00 Median :1.000
## Mean :4.364 Mean : 9.818 Mean :42.45 Mean :1.455
## 3rd Qu.:5.000 3rd Qu.:11.500 3rd Qu.:54.00 3rd Qu.:2.000
## Max. :6.000 Max. :42.000 Max. :66.00 Max. :2.000
##
## wage_rate_1
## Min. :141.9
## 1st Qu.:156.7
## Median :231.2
## Mean :218.7
## 3rd Qu.:250.0
## Max. :312.5
## summary(subset(data_1, job_1 %in% c(27))) #IT## id_ind working job_1 wage_1 hours_1
## Min. :15100 Min. :1 Min. :27 Min. : 15000 Min. :20.00
## 1st Qu.:31030 1st Qu.:1 1st Qu.:27 1st Qu.: 28750 1st Qu.:40.00
## Median :40763 Median :1 Median :27 Median : 47500 Median :40.00
## Mean :41115 Mean :1 Mean :27 Mean : 58300 Mean :40.15
## 3rd Qu.:52018 3rd Qu.:1 3rd Qu.:27 3rd Qu.: 70000 3rd Qu.:40.00
## Max. :59156 Max. :1 Max. :27 Max. :150000 Max. :50.00
##
## working_2 job_2 wage_2 hours_2 edu
## Min. :2 Min. : NA Min. : NA Min. : NA Min. :16.00
## 1st Qu.:2 1st Qu.: NA 1st Qu.: NA 1st Qu.: NA 1st Qu.:20.75
## Median :2 Median : NA Median : NA Median : NA Median :21.00
## Mean :2 Mean :NaN Mean :NaN Mean :NaN Mean :20.45
## 3rd Qu.:2 3rd Qu.: NA 3rd Qu.: NA 3rd Qu.: NA 3rd Qu.:21.00
## Max. :2 Max. : NA Max. : NA Max. : NA Max. :22.00
## NA's :20 NA's :20 NA's :20
## diplom exp age sex wage_rate_1
## Min. :4.00 Min. : 0.00 Min. :22.0 Min. :1.0 Min. : 93.75
## 1st Qu.:5.75 1st Qu.: 1.00 1st Qu.:29.0 1st Qu.:1.0 1st Qu.:179.69
## Median :6.00 Median : 1.50 Median :33.0 Median :1.0 Median :265.62
## Mean :5.70 Mean : 3.55 Mean :33.2 Mean :1.2 Mean :359.17
## 3rd Qu.:6.00 3rd Qu.: 5.00 3rd Qu.:35.0 3rd Qu.:1.0 3rd Qu.:437.50
## Max. :6.00 Max. :15.00 Max. :49.0 Max. :2.0 Max. :937.50
## Проверка гипотезы о том, что з/п мужчин больше, чем з/п женщин
Cтроим медианы и средние ставки з/п в час по полу
summary_table_2 <- data_1 %>%
group_by(sex) %>%
summarise(
median = median(wage_rate_1, na.rm = TRUE),
mean = mean(wage_rate_1, na.rm = TRUE)) #%>% arrange(desc(median))
# добавим расшифровки к переменной job_1
sex_label <- stack(attr(summary_table_2$sex, "labels")) # расшифровки
summary_table_2 <- merge(summary_table_2, sex_label, by.x = "sex", by.y = "values") %>%
arrange(desc(median)) # сортировка по медиане
#subset(data_1, sex==1)$wage_rate_1 #З/п мужчин
#subset(data_1, sex==2)$wage_rate_1 #з/п женщин
t.test(subset(data_1, sex==1)$wage_rate_1, subset(data_1, sex==2)$wage_rate_1)# Статиститеская значимость различий з.п мужчин и женщин##
## Welch Two Sample t-test
##
## data: subset(data_1, sex == 1)$wage_rate_1 and subset(data_1, sex == 2)$wage_rate_1
## t = 9.0082, df = 3619.4, p-value < 2.2e-16
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## 25.51703 39.71457
## sample estimates:
## mean of x mean of y
## 190.0445 157.4287Итоговые таблицы
summary_table_3 <- data_1 %>%
mutate(industry = case_when(
job_1 %in% c(23,27) ~ "IT and Chemical ind.",
!job_1 %in% c(23,27) ~ "Not IT and Chem."))%>%
group_by(industry) %>%
summarise(
median_wage = median(wage_rate_1, na.rm = TRUE),
mean_wage = mean(wage_rate_1, na.rm = TRUE),
education = mean(edu, na.rm = TRUE)) #%>% arrange(desc(median))| job_1 | median | mean | ind | p_val | hypothesis |
|---|---|---|---|---|---|
| 27 | 265.62500 | 359.16667 | IT, ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ | 0.0032471 | 1 |
| 23 | 231.25000 | 218.66225 | ХИМИЧЕСКАЯ ПРОМЫШЛЕННОСТЬ | 0.0343587 | 1 |
| 4 | 187.50000 | 257.87175 | НЕФТЕГАЗОВАЯ ПРОМЫШЛЕННОСТЬ | 0.0000045 | 1 |
| 18 | 187.50000 | 193.57600 | ОПЕРАЦИИ С НЕДВИЖИМОСТЬЮ | 0.4048090 | 0 |
| 21 | 187.50000 | 223.28518 | ЮРИСПРУДЕНЦИЯ | 0.0667665 | 0 |
| 28 | 187.50000 | 184.37500 | ЭКОЛОГИЯ, ЗАЩИТА ОКРУЖАЮЩЕЙ СРЕДЫ | 0.0318018 | 1 |
| 31 | 187.50000 | 225.50154 | РЕКЛАМА, МАРКЕТИНГ | 0.3116617 | 0 |
| 25 | 183.03571 | 196.20573 | СПОРТ, ТУРИЗМ, РАЗВЛЕЧЕНИЯ | 0.2437611 | 0 |
| 15 | 182.29167 | 227.52322 | ФИНАНСЫ | 0.0027851 | 1 |
| 16 | 182.29167 | 202.27625 | ЭНЕРГЕТИЧЕСКАЯ ПРОМЫШЛЕННОСТЬ | 0.0096779 | 1 |
| 3 | 181.77083 | 194.47334 | ВОЕННО-ПРОМЫШЛЕННЫЙ КОМПЛЕКС | 0.0140916 | 1 |
| 6 | 168.75000 | 194.70715 | СТРОИТЕЛЬСТВО | 0.0027074 | 1 |
| 2 | 156.25000 | 179.41926 | ГРАЖДАНСКОЕ МАШИНОСТРОЕНИЕ | 0.4843840 | 0 |
| 5 | 156.25000 | 178.81213 | ДРУГАЯ ОТРАСЛЬ ТЯЖЕЛОЙ ПРОМЫШЛЕННОСТИ | 0.3484106 | 0 |
| 7 | 156.25000 | 181.81752 | ТРАНСПОРТ, СВЯЗЬ | 0.1291637 | 0 |
| 11 | 146.42857 | 177.58880 | НАУКА, КУЛЬТУРА | 0.6387181 | 0 |
| 9 | 143.75000 | 171.83873 | ОРГАНЫ УПРАВЛЕНИЯ | 0.9512819 | 0 |
| 13 | 138.19444 | 164.31966 | АРМИЯ, МВД, ОРГАНЫ БЕЗОПАСНОСТИ | 0.2479182 | 0 |
| 1 | 133.33333 | 156.36041 | ЛЕГКАЯ, ПИЩЕВАЯ ПРОМЫШЛЕННОСТЬ | 0.0036741 | 1 |
| 14 | 132.58929 | 160.48522 | ТОРГОВЛЯ, БЫТОВОЕ ОБСЛУЖИВАНИЕ | 0.0008400 | 1 |
| 26 | 132.50000 | 163.82211 | УСЛУГИ НАСЕЛЕНИЮ | 0.7179180 | 0 |
| 30 | 131.25000 | 173.99700 | СМИ, ИЗДАТЕЛЬСТВО, ПЕЧАТЬ, ТЕЛЕКОММУНИКАЦИИ | 0.9535676 | 0 |
| 12 | 130.20833 | 158.21410 | ЗДРАВООХРАНЕНИЕ | 0.0138526 | 1 |
| 10 | 125.00000 | 157.71235 | ОБРАЗОВАНИЕ | 0.0041808 | 1 |
| 17 | 125.00000 | 154.78788 | ЖИЛИЩНО-КОММУНАЛЬНОЕ ХОЗЯЙСТВО | 0.0266331 | 1 |
| 20 | 125.00000 | 147.77240 | СОЦИАЛЬНОЕ ОБСЛУЖИВАНИЕ | 0.1885886 | 0 |
| 8 | 104.16667 | 118.87755 | СЕЛЬСКОЕ ХОЗЯЙСТВО | 0.0000000 | 1 |
| 24 | 104.16667 | 109.08120 | ДЕРЕВООБРАБАТЫВАЮЩАЯ ПРОМЫШЛЕННОСТЬ, ЛЕСНОЕ ХОЗЯЙСТВО | 0.0004759 | 1 |
| 29 | 76.56250 | 76.04167 | ОРГАНИЗАЦИЯ ОБЩЕСТВЕННОГО ПИТАНИЯ | 0.0001271 | 1 |
| 22 | 52.08333 | 79.86111 | ЦЕРКОВЬ | 0.1076561 | 0 |
##
## =================================================================================================
## job_1 median mean ind p_val hypothesis
## -------------------------------------------------------------------------------------------------
## 1 27 265.625 359.167 IT, ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ 0.003 1
## 2 23 231.250 218.662 ХИМИЧЕСКАЯ ПРОМЫШЛЕННОСТЬ 0.034 1
## 3 4 187.500 257.872 НЕФТЕГАЗОВАЯ ПРОМЫШЛЕННОСТЬ 0.00000 1
## 4 18 187.500 193.576 ОПЕРАЦИИ С НЕДВИЖИМОСТЬЮ 0.405 0
## 5 21 187.500 223.285 ЮРИСПРУДЕНЦИЯ 0.067 0
## 6 28 187.500 184.375 ЭКОЛОГИЯ, ЗАЩИТА ОКРУЖАЮЩЕЙ СРЕДЫ 0.032 1
## 7 31 187.500 225.502 РЕКЛАМА, МАРКЕТИНГ 0.312 0
## 8 25 183.036 196.206 СПОРТ, ТУРИЗМ, РАЗВЛЕЧЕНИЯ 0.244 0
## 9 15 182.292 227.523 ФИНАНСЫ 0.003 1
## 10 16 182.292 202.276 ЭНЕРГЕТИЧЕСКАЯ ПРОМЫШЛЕННОСТЬ 0.010 1
## 11 3 181.771 194.473 ВОЕННО-ПРОМЫШЛЕННЫЙ КОМПЛЕКС 0.014 1
## 12 6 168.750 194.707 СТРОИТЕЛЬСТВО 0.003 1
## 13 2 156.250 179.419 ГРАЖДАНСКОЕ МАШИНОСТРОЕНИЕ 0.484 0
## 14 5 156.250 178.812 ДРУГАЯ ОТРАСЛЬ ТЯЖЕЛОЙ ПРОМЫШЛЕННОСТИ 0.348 0
## 15 7 156.250 181.818 ТРАНСПОРТ, СВЯЗЬ 0.129 0
## 16 11 146.429 177.589 НАУКА, КУЛЬТУРА 0.639 0
## 17 9 143.750 171.839 ОРГАНЫ УПРАВЛЕНИЯ 0.951 0
## 18 13 138.194 164.320 АРМИЯ, МВД, ОРГАНЫ БЕЗОПАСНОСТИ 0.248 0
## 19 1 133.333 156.360 ЛЕГКАЯ, ПИЩЕВАЯ ПРОМЫШЛЕННОСТЬ 0.004 1
## 20 14 132.589 160.485 ТОРГОВЛЯ, БЫТОВОЕ ОБСЛУЖИВАНИЕ 0.001 1
## 21 26 132.500 163.822 УСЛУГИ НАСЕЛЕНИЮ 0.718 0
## 22 30 131.250 173.997 СМИ, ИЗДАТЕЛЬСТВО, ПЕЧАТЬ, ТЕЛЕКОММУНИКАЦИИ 0.954 0
## 23 12 130.208 158.214 ЗДРАВООХРАНЕНИЕ 0.014 1
## 24 10 125 157.712 ОБРАЗОВАНИЕ 0.004 1
## 25 17 125 154.788 ЖИЛИЩНО-КОММУНАЛЬНОЕ ХОЗЯЙСТВО 0.027 1
## 26 20 125 147.772 СОЦИАЛЬНОЕ ОБСЛУЖИВАНИЕ 0.189 0
## 27 8 104.167 118.878 СЕЛЬСКОЕ ХОЗЯЙСТВО 0 1
## 28 24 104.167 109.081 ДЕРЕВООБРАБАТЫВАЮЩАЯ ПРОМЫШЛЕННОСТЬ, ЛЕСНОЕ ХОЗЯЙСТВО 0.0005 1
## 29 29 76.562 76.042 ОРГАНИЗАЦИЯ ОБЩЕСТВЕННОГО ПИТАНИЯ 0.0001 1
## 30 22 52.083 79.861 ЦЕРКОВЬ 0.108 0
## -------------------------------------------------------------------------------------------------##
## ===============================================================================================
## industry median_wage mean_wage p_val hypothesis
## -----------------------------------------------------------------------------------------------
## 1 IT, ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ 265.6 359.2 0.003 1
## 2 ХИМИЧЕСКАЯ ПРОМЫШЛЕННОСТЬ 231.2 218.7 0.03 1
## 3 НЕФТЕГАЗОВАЯ ПРОМЫШЛЕННОСТЬ 187.5 257.9 0.000 1
## 4 ОПЕРАЦИИ С НЕДВИЖИМОСТЬЮ 187.5 193.6 0.4 0
## 5 ЮРИСПРУДЕНЦИЯ 187.5 223.3 0.1 0
## 6 ЭКОЛОГИЯ, ЗАЩИТА ОКРУЖАЮЩЕЙ СРЕДЫ 187.5 184.4 0.03 1
## 7 РЕКЛАМА, МАРКЕТИНГ 187.5 225.5 0.3 0
## 8 СПОРТ, ТУРИЗМ, РАЗВЛЕЧЕНИЯ 183.0 196.2 0.2 0
## 9 ФИНАНСЫ 182.3 227.5 0.003 1
## 10 ЭНЕРГЕТИЧЕСКАЯ ПРОМЫШЛЕННОСТЬ 182.3 202.3 0.01 1
## 11 ВОЕННО-ПРОМЫШЛЕННЫЙ КОМПЛЕКС 181.8 194.5 0.01 1
## 12 СТРОИТЕЛЬСТВО 168.8 194.7 0.003 1
## 13 ГРАЖДАНСКОЕ МАШИНОСТРОЕНИЕ 156.2 179.4 0.5 0
## 14 ДРУГАЯ ОТРАСЛЬ ТЯЖЕЛОЙ ПРОМЫШЛЕННОСТИ 156.2 178.8 0.3 0
## 15 ТРАНСПОРТ, СВЯЗЬ 156.2 181.8 0.1 0
## 16 НАУКА, КУЛЬТУРА 146.4 177.6 0.6 0
## 17 ОРГАНЫ УПРАВЛЕНИЯ 143.8 171.8 1.0 0
## 18 АРМИЯ, МВД, ОРГАНЫ БЕЗОПАСНОСТИ 138.2 164.3 0.2 0
## 19 ЛЕГКАЯ, ПИЩЕВАЯ ПРОМЫШЛЕННОСТЬ 133.3 156.4 0.004 1
## 20 ТОРГОВЛЯ, БЫТОВОЕ ОБСЛУЖИВАНИЕ 132.6 160.5 0.001 1
## 21 УСЛУГИ НАСЕЛЕНИЮ 132.5 163.8 0.7 0
## 22 СМИ, ИЗДАТЕЛЬСТВО, ПЕЧАТЬ, ТЕЛЕКОММУНИКАЦИИ 131.2 174.0 1.0 0
## 23 ЗДРАВООХРАНЕНИЕ 130.2 158.2 0.01 1
## 24 ОБРАЗОВАНИЕ 125 157.7 0.004 1
## 25 ЖИЛИЩНО-КОММУНАЛЬНОЕ ХОЗЯЙСТВО 125 154.8 0.03 1
## 26 СОЦИАЛЬНОЕ ОБСЛУЖИВАНИЕ 125 147.8 0.2 0
## 27 СЕЛЬСКОЕ ХОЗЯЙСТВО 104.2 118.9 0 1
## 28 ДЕРЕВООБРАБАТЫВАЮЩАЯ ПРОМЫШЛЕННОСТЬ, ЛЕСНОЕ ХОЗЯЙСТВО 104.2 109.1 0.000 1
## 29 ОРГАНИЗАЦИЯ ОБЩЕСТВЕННОГО ПИТАНИЯ 76.6 76.0 0.000 1
## 30 ЦЕРКОВЬ 52.1 79.9 0.1 0
## -----------------------------------------------------------------------------------------------##
## =============================
## sex median_wage mean_wage
## -----------------------------
## МУЖСКОЙ 156.2 190.0
## ЖЕНСКИЙ 130.2 157.4
## -----------------------------##
## =========================================================
## industry median_wage mean_wage mean_education
## ---------------------------------------------------------
## IT and Chemical ind. 250 309.31 18.77
## Not IT and Chem. 143.75 171.39 17.74
## ---------------------------------------------------------Интерпретация полученных результатов
Химическая промышленность как ключевая отрасль российской экономики
Крупнейшие предприятия химической промышленности в России находятся в частных руках («СИБУР Холдинг», «Еврохим», «Газпром нефтехим Салават», «Нижнекамскнефтехим», «Акрон», «Казаньоргсинтез», «Уралкалий», «ТольяттиАзот»). Некоторые из них являются лидерами в Европе и во всем мире по объему производства.
Стоит добавить то, что химическая промышленность в России напрямую связана с другими промышленными сферами, так как, кроме бытовой и сельскохозяйственной продукции, она снабжает машиностроительный комплекс, металлургию, сырьевой комплекс (один из ключевых составляющих экспорта России), оборонную промышленность, медицинскую и фармакологическую индустрию, добывающие предприятия. Отсюда, химическая промышленность остается одним из приоритетных направлений развития российской экономики, так как национальная конкурентоспособность напрямую зависит именно от неё. Более того, страна не испытывает дефицита ресурсов, которые идут на развитие этой отрасли (богатство источников сырья в Сибири и т.д.). Вклад в экономику (2012-2013) составил 10%, и именно в те годы она оказалась устойчивой к начинающейся стагнации экономики.
Немаловажным фактором высокой оплаты труда в этой сфере является повышенный риск для здоровья, который, с одной стороны, отрицательно влияет на спрос на данную профессию, что приводит к дефициту кадров (отсюда, широта предложения на рынке труда), с другой стороны, требует огромных финансовых вложений со стороны руководства в обеспечение безопасности работников, чтобы последние могли быть уверены, что риски для их здоровья сведены к нулю.
В дополнение, заработные платы в химической промышленности (как составляющей обрабатывающей промышленности в целом) имеют низкий коэффициент Джини (2013 год), что подтверждает факт своеобразной однородности труда в этой сфере промышленности.
Однако речь идёт не только об однородности, но и о степени ответственности, которую несет конкретный работник: так, по данным исследования, проведенного в Соединенных Штатах Америки, работники химической индустрии находятся под частыми проверками со стороны начальства. Это сказывается на качестве работы и, соответственно, высокой заработной плате. Хотя «синие воротнички» в этой же сфере подвержены разительно меньшему контролю. Из последнего можно сделать вывод о том, что высшая квалификация влияет на заработную плату (об этом мы говорили во вступительном параграфе).
IT индустрия и цифровизация экономики
Сейчас происходит постепенная цифровизация всей экономики, которая, с одной стороны, увеличивает скорость обработки данных и позволяет работать с большими массивами данных, с другой стороны, меняет рынок труда, обостряя проблему структурной безработицы: так всё больше говорится о «рутинизации» производства. Имеется ввиду, что машинное оборудование заменяет труд «синего воротничка». Растёт потребность в квалифицированном IT-специалисте, в то время как класс «middle-skilled» исчезает с рынка труда. Отсюда, происходит поляризация по уровню дохода (заработной плате). Стоит подчеркнуть, что мы говорим об общемировой тенденции, а, так как Россия вносит свой вклад в развитие ИКТ-технологий и, в целом, продолжает конкурировать с ведущими развитыми экономиками на мировом уровне, IT-специалист становится востребованной и высокооплачиваемой профессией.
Стоит отметить, что когда заходит речь об IT-специалисте, мы, прежде всего, имеем в виду профессию, которая находит платформу для реализации во всех областях экономики: от промышленности до сферы услуг (реже, сельское хозяйство). Факт того, что цифровизация будет продолжаться, «айтишник» не перестанет быть востребованным работником в мире, конкретно, в России.
Ссылая на тот факт, что IT-услуги достаточно недавно были представлены на потребительских рынках, мы можем сделать предположение, что молодой возраст работников (в силу новизны профессии) может вполне быть основанием для более высокой оплаты труда. У молодых работников более высокие стимулы к труду (в первую очередь, карьерный рост), они также остаются более мобильными.
Гендерное неравенство в трудовой сфере
Гендерное неравенство является тем фактором, который снижает общий уровень заработной платы работников (в совокупности). Ежегодно эта разница в оплате становится меньше, хоть и незначительно (около 0.2 процентов). Поэтому гендерная принадлежность может являться одним из основных факторов, влияющих на заработную плату, независимо от уровня образования, квалификации и специализации.
Выводы исследования
В отрасли, которая является драйвером других отраслей, у работников наблюдается повышенная заработная плата, что отражает динамический характер рынка труда.
Цифровизация, как продолжающийся и показывающий экономическую эффективость процесс, повышает спрос на новых высококлассных специалистов в сфере IT, что расширяет предложение со стороны работодателей на рынке труда
Гендерное неравество в сфере оплаты труда работников стабильно сохраняется.
Практическая польза выводов исследования
Во-первых, подтверждение суждения и гипотезы о гендерном неравенстве на основе эмпирического опыта (в сфере оплаты труда в различных отраслях на российском рынке труда)
Во-вторых, данные можно использовать для направления развития IT-Индустрии в России
В-третьих, почва для проведения дальнейших исследований о том, как взаимозависимые отрасли (хим - другие) влияют на общее (коалиционное) благосостояние.
Список использованной литературы
I. Различия в оплате труда работников разных профессий (Л. Г. Зубова)
Job Polarization and Structural Change (ZsÓfia L. Bárány and Christian Siegel)
Supervision and Wages Across Industries (Derek Neal)
Влияние цифровизации экономики на рынок труда (С.В. Климовицкий, Г.В. Осипов)
V. Отраслевые сдвиги и межотраслевое неравенство (В.Е. Гимпельсон)
Профессиональный риск для здоровья работников химической промышленности (Э.Т. Валеева, А.Б. Бакиров, Л.К. Каримова)
Химическая промышленность и современные проблемы её развития в Российской Федерации (А.А. Шерстобитова, Э.Т. Феткуллова)
Химическая промышленность России: современное состояние и проблемы развития (Е.В. Кулясова)
A Meta-analysis of the international gender wage gap (Doris Weichselbaumer, Rudolf Winter-Ebmer)