Цифровой капитал рабочей силы в России: региональная дифференциация

Капелюк С.Д.1,2, Карелин И.Н.1
1 Новосибирский государственный технический университет, Россия, Новосибирск
2 Новосибирский государственный университет экономики и управления

Статья в журнале

Экономика труда (РИНЦ, ВАК)
опубликовать статью | оформить подписку

Том 10, Номер 8 (Август 2023)

Цитировать:
Капелюк С.Д., Карелин И.Н. Цифровой капитал рабочей силы в России: региональная дифференциация // Экономика труда. – 2023. – Том 10. – № 8. – С. 1169-1184. – doi: 10.18334/et.10.8.118335.

Эта статья проиндексирована РИНЦ, см. https://elibrary.ru/item.asp?id=54383834

Аннотация:
В статье представлены результаты исследования цифрового капитала рабочей силы в регионах России. Проведя обзор литературы, посвященной цифровому капиталу, мы выделили два основных подхода в измерении цифрового капитала: монометрический и полиметрический. Мы утверждаем, что монометрический подход является более перспективным для измерения цифрового капитала рабочей силы. Данный подход предполагает использование единого показателя для измерения цифрового капитала, который должен быть достаточно всеобъемлющим, чтобы отразить многомерную сущность цифрового капитала. Разработанная нами методология основана на измерении цифровых навыков соискателей, находящихся в поиске работы на рынке труда региона. Методология апробирована на уровне регионов России. Информационной базой для проведения расчетов стали 5,5 миллионов резюме, размещенных соискателями на Единой цифровой платформе «Работа в России» в апреле 2022 года. Наши результаты показывают, что рабочая сила в регионах России существенно различается по цифровому капиталу. Наиболее высокие значения цифрового капитала рабочей силы выявлены в Москве и Санкт-Петербурге, Республике Хакасия, Красноярском, Пермском и Хабаровском краях, Калининградской и Тюменской областях. Мы ожидаем, что полученные нами результаты будут способствовать совершенствованию измерения цифрового капитала и разработке политики по преодолению цифрового разрыва.

Ключевые слова: цифровой капитал, резюме, цифровые навыки, цифровые компетенции, монометрический подход, цифровое неравенство, Работа в России

Финансирование:
Исследование выполнено при финансовой поддержке в рамках реализации программы развития НГТУ, научный проект № С22-19.

JEL-классификация: _J21, J24, L86



Введение

Расширение роли цифровых технологий в современной экономике обусловило появление новой концепции – цифровой капитал, под которым понимается совокупность цифровых навыков населения страны и наличие возможности эффективно их использовать. Цифровой капитал выступает не только фактором экономического роста, но и ресурсом преодоления цифрового неравенства.

Исследования цифрового капитала только начинают развиваться. В последние годы возрос интерес к измерению цифрового капитала. Несмотря на популярность концепции цифрового капитала, в академической литературе отсутствует консенсус в отношении того, как его измерять на уровне стран или регионов. Оценка цифрового капитала является сложной задачей, требующей многоаспектного подхода, позволяющего учесть разнообразные цифровые возможности территории. Цифровой капитал включает такие характеристики как цифровые технологии, цифровые навыки населения, цифровая инфраструктура [1, 13, 14] (Park, 2017; Ragnedda, 2018; Vartanova, Gladkova, 2021). Так, например, С. Парк, опираясь на теорию капитала П. Бурдье, отмечает, что цифровому капиталу присущи характеристики экономического, социального и культурного капитала [13] (Park, 2017). В то же время существующие показатели цифрового капитала часто ограничены по своему охвату и не в состоянии отразить его многомерный характер.

На основе изучения литературы мы выделили два подхода в измерении цифрового капитала: монометрический и полиметрический.

Монометрический подход заключается в использовании единственного показателя для измерения цифрового капитала. Показатель должен быть многоаспектным, результирующим, чтобы отразить наиболее важные характеристики цифрового капитала. Примером такого подхода является исследование П. Тамбе и соавторов, в котором для измерения цифрового капитала на уровне фирмы используется численность IT-специалистов [16] (Tambe et al., 2020). Недостатком подхода является то, что он не в состоянии учесть все составляющие цифрового капитала.

Полиметрический подход предполагает комбинирование нескольких показателей для оценки цифрового капитала. В статье М. Рагнедды и соавторов предложен интегральный индекс цифрового капитала, включающий в себя две основные характеристики цифрового капитала: цифровой доступ и цифровые компетенции. Цифровой доступ измеряется с помощью четырех составляющих: используемые для подключения к Интернету цифровые устройства; место доступа в Интернет; затраты времени на работу в Интернете; необходимость помощи при работе в Интернете. Измерение цифровых компетенций основано на классификации DigComp, т.е. на 5 группах навыков: информация и умение работать с данными; коммуникация и сотрудничество; создание цифрового контента; безопасность; решение проблем. Итоговое значение индекса получено с помощью метода главных компонент. Апробация индекса на данных по Великобритании показала значительную корреляцию цифрового капитала с социальным неравенством [15] (Ragnedda, Ruiu, Addeo, 2020). Недостатком подхода является то, что композитные индексы, как правило, весьма чувствительны к используемым весовым коэффициентам, т.е. результат оценки во многом зависит от субъективного выбора методологии расчета индекса.

На российских данных к измерению цифрового капитала применялись оба подхода. Как пример монометрического подхода, в статье Н. Н. Ивашиненко и соавторов цифровой капитал определяется долей лиц, использующих домашний интернет для работы. В работе показано, что цифровой капитал изначально активно развивался в крупных городах, но в дальнейшем благодаря расширению интернет-покрытия данное развитие охватило и периферию [3] (Ivashinenko, Voryzgina, Mikhailova, 2022).

Примером полиметрического подхода является исследование, проведенное М. Рагнеддой совместно с А. Гладковой и Е. Вартановой, на основе индекса цифрового капитала, определенного на основе метода главных компонент. По итогам анализа выявлены различия в цифровом капитале между представителями разных национальностей и лицами, проживающими в населенных пунктах различного размера [12] (Gladkova, Vartanova, Ragnedda, 2020).

В нашем исследовании сделан выбор в пользу монометрического подхода. Мы предлагаем альтернативную методику измерения цифрового капитала на региональном уровне, основанную на совокупности цифровых навыков соискателей, находящихся в поиске работы на рынке труда. Информационной базой для расчета данного индикатора выступают резюме, размещенные соискателями на интернет-сайтах по поиску работы. В работе представлена апробация данной методики на уровне субъектов Российской Федерации.

Несмотря на то, что в разработанной нами методике для измерения цифрового капитала используется только один показатель, он позволяет получить многомерную картину состояния цифрового капитала в контексте обеспечения потенциала для экономического роста. Данные о наличии цифровых навыков, полученные на основе онлайн-баз резюме, позволяют не только измерить цифровые навыки экономически активной части населения России, но и охарактеризовать доступность цифровых технологий, поскольку отражают масштабы использования интернет-сайтов для поиска работы.

Классификация цифровых навыков

Результаты измерения цифрового капитала на основе цифровых навыков соискателей могут существенно отличаться в зависимости от того, какие именно цифровые навыки взяты для анализа. Отдельные цифровые навыки характерны для большинства экономически активных граждан (например, навыки использования электронной почты или работы в интернете). Другие цифровые навыки являются узкоспециализированными и приобретаются в ходе получения определенной профессии (например, навыки программирования или работы в профессиональных программных пакетах). Многие навыки предполагают различный уровень владения. В связи с этим целесообразно проводить анализ с учетом неоднородности цифровых навыков. В силу их многочисленности представляется целесообразным использовать группировку цифровых навыков по ограниченному числу групп.

Рассмотрим подходы к классификации цифровых навыков в исследованиях, использующих онлайн-базы вакансий и резюме.

В академической литературе важным вкладом в классификацию навыков стала работа Д. Деминга и Л. Кан, в которой выделено 10 групп навыков. Из них цифровые навыки характеризуют две группы:

· базовые компьютерные навыки (владение компьютером, Microsoft Excel, PowerPoint и т.п.);

· навыки использования профессиональных специализированных программ и навыки программирования (например, Java, SQL, Python) [11] (Deming, Kahn, 2018).

Удачной классификацией нам представляется классификация М. Беблавы, Б. Фабо и К. Ленартс, описанная в аналитическом отчете Центра европейских политических исследований (CEPS), в соответствии с которой цифровые навыки делятся на три группы:

1) базовые (basic): владение компьютером на базовом уровне, навыки использования Интернета и электронной почты;

2) промежуточные (intermediate): редактирование документов в текстовом редакторе, работа с электронными таблицами, составление презентаций;

3) продвинутые (advanced): программирование, анализ данных, создание и управление базами данных, веб-дизайн, ведение цифровых медиа и блогов, работа с CRM-системами, настольными издательскими системами, системами управления контентом [9] (Beblavý, Fabo, Lenaerts, 2016).

Общим для описанных классификаций является то, что в их основе – уровень владения цифровыми навыками. Для классификации цифровых навыков используется и другой подход, основанный на области применения навыков. В частности, на такой подход опирается Структура цифровых компетенций для граждан ЕС DigComp, разработанная Европейской комиссией. Последней версией классификации стала DigComp 2.2, представленная в марте 2022 года [17] (Vuorikari, Kluzer, Punie, 2022). В рамках данной классификации выделены 5 групп и 21 подгруппа цифровых навыков:

1. Информация и умение работать с данными.

1.1. Просмотр, поиск и фильтрация данных, информации и цифрового контента.

1.2. Анализ данных, информации и цифрового контента.

1.3. Управление данными, информацией и цифровым контентом.

2. Коммуникация и сотрудничество.

2.1. Взаимодействие с другими людьми с помощью цифровых технологий.

2.2. Обмен данными с помощью цифровых технологий.

2.3. Участие в общественной жизни с помощью цифровых технологий.

2.4. Участие в совместных проектах с помощью цифровых технологий.

2.5. Знание сетевого этикета.

2.6. Управление цифровой идентичностью.

3. Создание цифрового контента.

3.1. Разработка цифрового контента.

3.2. Модификация и интеграция цифрового контента.

3.3. Знание ограничений, связанных с авторскими правами в области данных, информации и цифрового контента.

3.4. Программирование.

4. Безопасность.

4.1. Защита устройств.

4.2. Защита персональных данных и обеспечение приватности.

4.3. Защита здоровья при использовании цифровых технологий.

4.4. Знание о воздействие цифровых технологий на окружающую среду.

5. Решение проблем.

5.1. Умение решать технические проблемы при использовании цифровых устройств и работе в цифровой среде.

5.2. Определение потребностей пользователей и знание технологических мер реагирования.

5.3. Творческое использование цифровых технологий для создания новых знаний и инноваций.

5.4. Выявление пробелов в цифровой компетентности [1].

Кроме того, каждая подгруппа предполагает четыре уровня владения навыками: базовый, промежуточный, продвинутый и высокоспециализированный. Таким образом, рассмотренная классификация фактически комбинирует оба подхода, однако основным в ней выступает подход на основе области применения навыков.

В 2017 году Генеральным директоратом Европейской комиссии по занятости, социальным вопросам и инклюзивности разработано руководство ESCO. Руководство ESCO (аббревиатура от European Skills, Competences, and Occupations) представляет собой масштабную классификацию профессий, навыков и компетенций. Согласно данной классификации, цифровые навыки входят в состав трансверсальных (сквозных) навыков и включают следующие группы:

1) программирование,

2) защита персональных данных и цифровых устройств,

3) поиск информации,

4) создание цифрового контента,

5) использование компьютерной техники,

6) коммуникация,

7) управление цифровой идентичностью [18] (ESCO, 2022).

В работе Д. Деминга и К. Норея, как и в классификации компетенций DigComp, использованы оба подхода. К цифровым навыкам в их классификации можно отнести следующие группы навыков:

· владение офисными программами,

· способность оказать техническую поддержку,

· анализ данных,

· владение специализированными программами,

· машинное обучение и искусственный интеллект [10] (Deming, Noray, 2020).

Подробная классификация по области применения цифровых навыков использована в работе Р.В. Карапетяна, И.Л. Сизовой и М.А. Бакаева. В частности, выделены следующие классы цифровых навыков:

1) знание гаджетов, фурнитуры,

2) офисное ПО,

3) социальные сети и мессенджеры,

4) данные, источники информации (справочно-правовые системы, сводные таблицы, большие массивы данных),

5) техники (передача голосовой информации, e-mail рассылки),

6) мультимедиа дизайн, графические программы (Adobe Photoshop, CorelDRAW),

7) игровое ПО,

8) электронная коммерция,

9) ПО управления предприятием (1С, ЕГАИС, SAP, Project Expert),

10) технологическое ПО и САПР (Компас, AutoCAD),

11) сетевое администрирование,

12) облачные сервисы,

13) WEB-технологии (HTML, SEO, PHP, JavaScript),

14) прикладное и системное программирование (API, C++, MSAccess, iOS, Android),

15) программирование встраиваемых систем,

16) компьютерная безопасность [7] (Karapetyan, Sizova, Bakaev, 2020).

Наши предшествующие работы, использовавшие онлайн-базы вакансий для анализа спроса на цифровые навыки, основаны на классификации цифровых навыков по уровню их владения [5, 6] (Kapelyuk, Karelin, 2023a; Kapelyuk, Karelin, 2023b). В данной работе мы используем аналогичный подход. Для поставленных целей данный подход представляется наиболее результативным, поскольку предполагает выделение сравнительно небольшого числа групп.

Методика измерения цифрового капитала рабочей силы в регионах России

Разработанная нами методика измерения цифрового капитала рабочей силы в регионах России включает следующие этапы:

1. Идентификация цифровых навыков в резюме.

2. Классификация цифровых навыков.

3. Определение количества резюме, в которых указано наличие цифровых навыков (отдельно по каждой из выделенных групп). Расчет индикаторов цифрового капитала на региональном уровне.

I этап. Апробация методики проведена на основе общероссийских баз резюме Единой цифровой платформы (ЕЦП) «Работа в России», представленных на сайте https://trudvsem.ru, который поддерживается Федеральной службой по труду и занятости. С 2022 года на данном портале обязаны размещать резюме все соискатели, претендующие на постановку на учет в государственных службах занятости [8] (Lishchuk, Kapelyuk, 2022). Массивы данных, содержащих резюме, размещены в открытом доступе по адресу https://trudvsem.ru/opendata в виде xml-файлов. Для анализа взяты данные за апрель 2022 года. Общее количество резюме, использованных для анализа, – 5 579 867.

Для выявления и группировки цифровых навыков, указанных в резюме, использованы методы машинной обработки текста. В обработку были включены данные 4 разделов резюме: профессиональные навыки, гибкие навыки, свидетельства и сертификаты, дополнительная информация.

II этап. Мы выделяем три группы цифровых навыков: базовые, продвинутые и профессиональные. При анализе навыков, указанных в резюме, выявлено, что соискатели редко отмечают базовые цифровые навыки при наличии продвинутых и профессиональных цифровых навыков. Поэтому было принято решение указать наличие базовых цифровых навыков тем соискателям, в резюме которых упомянут хотя бы один навык, относящийся к группе продвинутых или профессиональных цифровых навыков.

III этап. В рамках нашей методики индикатором цифрового капитала рабочей силы на любом уровне, в том числе региональном, может выступать только относительный показатель. В качестве таких показателей нами были рассмотрены следующие:

1) доля резюме, в которых указаны цифровые навыки, в общем количестве резюме;

2) соотношение числа резюме, в которых указаны цифровые навыки, и численности рабочей силы в регионе;

3) соотношение числа резюме, в которых указаны цифровые навыки, и численности безработных в регионе.

Первый показатель не может быть корректным индикатором цифрового капитала, который должен характеризовать не только цифровые навыки, но и уровень доступности цифровых технологий. В регионах с низким уровнем их доступности общее число размещенных резюме на интернет-сайтах ниже потенциально возможного, при этом в первую очередь недостаточно представлены резюме соискателей, не имеющих цифровых навыков. В таком случае доля резюме соискателей с цифровыми навыками искусственно завышается.

Для измерения цифрового капитала следует сопоставить число резюме, в которых указаны цифровые навыки, и численность соискателей в регионе. Выбирая между вторым и третьим показателем, мы отдаем предпочтение третьему показателю. Рабочая сила включает в основном занятых граждан, большинство которых не намерены искать новое место работы и, в связи с этим, не имеют стимулов к размещению своих резюме на интернет-сайтах. Более корректным представляется сопоставление с численностью лиц, находящихся в поиске работы, т.е. из всех возможных индикаторов трудовых ресурсов наиболее подходящим является численность безработных.

В силу вышеуказанных причин в качестве индикатора цифрового капитала рабочей силы в регионе мы используем соотношение числа резюме, в которых указаны цифровые навыки, и численности безработных в регионе. В качестве индикатора численности безработных мы используем данные Росстата, полученные на основе выборочных обследований рабочей силы с использованием методологии Международной организации труда (МОТ). Данные по численности зарегистрированных безработных в службах занятости представляются менее подходящими, поскольку значительная доля безработных ищет работу, не обращаясь в данные учреждения. Росстат не рекомендует использовать месячные данные обследования рабочей силы при анализе на уровне регионов, поэтому для расчета индикатора мы привлекаем квартальные данные (за II квартал 2022 года).

Региональные различия в цифровом капитале рабочей силы в регионах России

Анализ региональных различий в цифровом капитале рабочей силы выявил значительную региональную дифференциацию. Так, значения используемого индикатора в каждой группе цифровых навыков в регионах-лидерах превышают среднероссийские значения в 5–6 раз (табл. 1).

Таблица 1

Регионы с наибольшим соотношением между числом резюме с упоминанием цифровых навыков и численностью безработных

в апреле 2022 года (на 1000 чел. безработных)

Ранг
Базовые
Продвинутые
Профессиональные
Регион
Соотно-шение
Регион
Соотно-шение
Регион
Соотно-шение
1.
Ямало-Ненецкий АО
649,4
Ямало-Ненецкий АО
409,8
Ямало-Ненецкий АО
226,4
2.
Ханты-Мансийский АО
452,9
Ханты-Мансийский АО
317,2
Санкт-Петербург
166,7
3.
Хакасия
360,5
Санкт-Петербург
238,1
Ханты-Мансийский АО
164,4
4.
Санкт-Петербург
349,8
Хакасия
167,6
Хакасия
132,0
5.
Красноярский край
279,5
Красноярский край
163,0
Красноярский край
103,3
6.
Калининград-ская область
258,7
Тюменская область (юг)
138,3
Хабаровский край
88,4
7.
Владимирская область
257,1
Хабаровский край
132,6
Тюменская область (юг)
85,4
8.
Новгородская область
230,9
Пермский край
126,7
Москва
81,3
9.
Хабаровский край
215,2
Москва
122,9
Калининград-ская область
81,1
10.
Тюменская область (юг)
202,1
Калининград-ская область
121,9
Пермский край
74,3

Россия в целом
117,2
Россия в целом
70,0
Россия в целом
43,2
Источник: рассчитано авторами на основе данных ЕЦП «Работа в России». Данные по безработице взяты из бюллетеня Росстата «Обследование рабочей силы» за II квартал 2022 года и соответствуют определению МОТ.

Наибольшие значения индикатора наблюдаются в Ямало-Ненецком и Ханты-Мансийском автономных округах, Красноярском крае, Республике Хакасия и Санкт-Петербурге. В Ямало-Ненецком автономном округе на 1000 безработных граждан приходится 649 размещенных на Интернет-сайтах резюме, в которых указано наличие базовых цифровых навыков. Высокие значения индикатора также отмечены в Москве, Калининградской области, Пермском и Хабаровском краях, на юге Тюменской области.

Значительные масштабы региональной дифференциации подтверждаются тем, что значения индикатора в регионах-аутсайдерах во много раз ниже среднероссийских (табл. 2). Среди таких регионов – отдельные национальные республики и Забайкальский край. Наиболее низкие значения индикатора отмечены в Республике Ингушетия.

Таблица 2

Регионы с наименьшим соотношением между числом резюме с упоминанием цифровых навыков и численностью безработных в апреле 2022 года (на 1000 чел. безработных)

Ранг
Базовые
Продвинутые
Профессиональные
Регион
Соотно-шение
Регион
Соотно-шение
Регион
Соотно-шение
85.
Ингушетия
2,4
Ингушетия
1,0
Ингушетия
0,3
84.
Чеченская Республика
6,5
Дагестан
3,2
Чеченская Республика
1,5
83.
Дагестан
6,7
Чеченская Республика
4,0
Дагестан
1,8
82.
Кабардино-Балкарская Республика
11,1
Кабардино-Балкарская Республика
6,3
Кабардино-Балкарская Республика
2,6
81.
Северная Осетия – Алания
13,7
Северная Осетия – Алания
9,0
Северная Осетия – Алания
4,0
80.
Карачаево-Черкесская Республика
35,7
Карачаево-Черкесская Республика
13,7
Карачаево-Черкесская Республика
7,4
79.
Забайкальский край
38,3
Адыгея
19,1
Калмыкия
12,8
78.
Калмыкия
47,8
Забайкальский край
21,5
Забайкальский край
13,5
77.
Магаданская область
50,5
Калмыкия
24,2
Тыва
13,7
76.
Тыва
51,8
Алтай
30,1
Еврейская АО
15,3
Источник: рассчитано авторами на основе данных ЕЦП «Работа в России». Данные по безработице взяты из бюллетеня Росстата «Обследование рабочей силы» за II квартал 2022 года и соответствуют определению МОТ.

Как показано на рисунке 1, более высокие значения цифрового капитала наблюдаются в регионах Урала и Сибири, во многих северных, восточных и поволжских регионах. Более низкие значения индикатора отмечены в южных регионах и отдельных регионах центральной части России. Выявленные различия частично отражают различный уровень урбанизации в регионах. Так, рассчитанное значение коэффициента корреляции Пирсона между используемым индикатором цифрового капитала (по профессиональным цифровым навыкам) и долей городского населения в регионе составило 0,493.

Рисунок 1. Соотношение между числом резюме с упоминанием профессиональных цифровых навыков и численностью безработных в апреле 2022 года

(на 1000 чел. безработных)

Источник: рассчитано авторами на основе данных ЕЦП «Работа в России». Данные по безработице взяты из бюллетеня Росстата «Обследование рабочей силы» за II квартал 2022 года и соответствуют определению МОТ.

Целесообразно сравнить рассчитанные значения цифрового капитала рабочей силы с другими показателями, характеризующими вовлеченность населения регионов России в цифровую экономику. С этой целью мы сопоставили полученные нами результаты с данными, представленными в статистическом сборнике «Индикаторы цифровой экономики», который издается НИУ ВШЭ [4] (Digital Economy Indicators, 2023). Мы привлекли данные по двум показателям, которые представлены в сборнике в региональном разрезе: (1) доля владеющих цифровыми навыками на уровне выше базового в общей численности населения в возрасте 15 лет и старше и (2) доля домашних хозяйств, имеющих широкополосный доступ к Интернету, в общем числе домашних хозяйств. Второй показатель характеризует развитие цифровой инфраструктуры.

Ранжирование регионов по уровню владения цифровыми навыками населением значительно отличается от ранжирования по уровню развития цифровой инфраструктуры. Например, Чеченская Республика по первому показателю находится на 84 месте (из 85 регионов) по первому показателю и на 2 месте по второму показателю. Значение рассчитанного нами коэффициента корреляции Пирсона между данными показателями составило всего 0,178 (табл. 3). Таким образом, выбранные нами показатели из указанного сборника характеризуют различные, слабо коррелируемые между собой аспекты цифрового капитала.

Таблица 3

Коэффициенты корреляции Пирсона между индикаторами цифровой экономики в регионах России

Индикаторы
Доля домохозяйств, имеющих широкополосный доступ к Интернету
Доля населения, владеющего цифровыми навыками на уровне выше базового
Соотношение числа резюме с профессиональными цифровыми навыками и численности безработных
0,278**
0,341***
Доля резюме с профессиональными цифровыми навыками
0,067
0,297**
Соотношение числа резюме с профессиональными цифровыми навыками и численности рабочей силы
-0,018
0,242**
Доля домохозяйств, имеющих широкополосный доступ к Интернету

0,178*
Источник: рассчитано авторами. Данные по доле домохозяйств, имеющих широкополосный доступ, и доле населения, владеющих цифровыми навыками, взяты из сборника «Индикаторы цифровой экономики» [4] (Digital Economy Indicators, 2023).

Примечание: * – значимо на уровне 10 процентов, ** – на уровне 5 процентов, *** – на уровне 1 процента.

При сопоставлении нашего индикатора цифрового капитала рабочей силы, рассчитанного по профессиональным цифровым навыкам, с индикаторами из сборника «Индикаторы цифровой экономики» выявлено, что наш индикатор отражает региональную дифференциацию как по уровню владения населением цифровыми навыками, так и по уровню развития цифровой инфраструктуры. Оба индикатора имеет статистически значимую корреляцию с нашим индикатором цифрового капитала при значении около 0,3. Такие значения свидетельствуют, конечно, о невысокой корреляции. Однако, учитывая очень слабую корреляцию между исходными индикаторами, можно считать выполненной задачу выбора показателя, который наилучшим образом отражает многоаспектную сущность цифрового капитала.

Отметим также, что альтернативные индикаторы, рассмотренные в предыдущем разделе – доля резюме с цифровыми навыками и соотношение числа резюме с цифровыми навыками и численности рабочей силы в регионе – хуже справляются с данной задачей, показывая более низкие значения коэффициентов корреляции (особенно с индикатором развития цифровой инфраструктуры).

Продолжая сопоставление результатов расчета предложенного нами индикатора с показателями из сборника «Индикаторы цифровой экономики», отметим, что в перечне лидеров по обоим показателям сборника находятся четыре региона: Ямало-Ненецкий автономный округ, Мурманская область, Москва и Санкт-Петербург. Три из этих регионов также являются лидерами по цифровому капиталу рабочей силы, за исключением Мурманской области, которая характеризуется более низким показателем цифрового капитала. Среди регионов с наименьшими значениями показателей из сборника Рязанская область и Еврейская автономная область, Забайкальский край. Эти регионы вошли и в число регионов с низким значением цифрового капитала.

Таким образом, мы считаем, что предложенный нами способ измерения цифрового показателя рабочей силы, основанный на соотношении числа резюме с указанием цифровых навыков и численности безработных, адекватно отражает региональные различия в цифровом капитале.

Заключение

В статье проведено сравнение регионов России по уровню цифрового капитала рабочей силы. На основе проведенного анализа литературы мы сделали выбор в пользу монометрического подхода, который предполагает использование единственного показателя для измерения цифрового капитала. Используя данный подход, мы разработали методику измерения цифрового капитала на региональном уровне, основанную на совокупности цифровых навыков соискателей, находящихся в поиске работы на рынке труда. Для расчета данного индикатора мы использовали информацию, содержащуюся в резюме, размещенных соискателями на Единой цифровой платформе «Работа в России». Апробация методики на уровне субъектов Российской Федерации показала, что по состоянию на 2022 год российские регионы существенно различаются по величине цифрового капитала рабочей силы.

Полученные результаты представляют ценность для совершенствования региональных стратегий социально-экономического развития и формирования программ повышения квалификации, направленных на развитие цифровых компетенций граждан. Дальнейшие исследования в данной области могут быть направлены на расширение методики и ее апробацию на материалах других стран или категорий населения.

[1] Перевод названий групп и подгрупп в данной классификации на русский язык основан на переводе DigComp 2.0, представленном в статье А. Горяинова [2] (Goryainov, 2019), с авторскими дополнениями и уточнениями.


Источники:

1. Вартанова Е.Л., Гладкова А.А. Цифровое неравенство, цифровой капитал, цифровая включенность: динамика теоретических подходов и политических решений // Вестник Московского университета. Серия 10. Журналистика. – 2021. – № 1. – c. 3–29. – doi: 10.30547/vestnik.journ.1.2021.329.
2. Горяинов А.Н. Коллекция кейсов и инструментов для оценки цифровых компетенций в рамках программы DigComp // Цифровая трансформация образования: сб. мат. 2-й Межд. науч.-практ. конф., Минск, 27 марта 2019 г. – Минск: ГИАЦ Минобразования. Минск, 2019. – c. 329–331.
3. Ивашиненко Н.Н., Варызгина А.А., Михайлова В.В. Формирование цифрового капитала у населения России // Гуманитарные, социально-экономические и общественные науки. – 2022. – № 5. – c. 50–54. – doi: 10.23672/Y6341-3933-5752-C.
4. Индикаторы цифровой экономики: 2022. / под ред. Н. Анисимов [и др.]. - М.: Национальный исследовательский университет «Высшая школа экономики», 2023. – 332 c.
5. Капелюк С.Д., Карелин И.Н. Спрос на цифровые навыки в России: региональные различия // Пространственная экономика. – 2023. – № 1. – c. 70–92. – doi: 10.14530.
6. Капелюк С.Д., Карелин И.Н. Динамика востребованности цифровых навыков на рынке труда регионов России // Π-Economy. – 2023. – № 1 (16). – c. 51–61. – doi: 10.18721/JE.16104.
7. Карапетян Р.В., Сизова И.Л., Бакаев М.А. Текущие и ожидаемые параметры прироста цифровых компетенций у занятого населения (пример Санкт-Петербурга) // Вестник Института социологии. – 2020. – № 1. – c. 113–136. – doi: 10.19181/vis.2020.11.1.629.
8. Лищук Е.Н., Капелюк С.Д. Легко ли стать безработным? // Экономика труда. – 2022. – № 8. – c. 1263-1280. – doi: 10.18334/et.9.8.114905.
9. Beblavý M., Fabo B., Lenaerts K. Demand for digital skills in the US labour market: the IT skills pyramid. / CEPS Special Report No. 154/December 2016., 2016.
10. Deming D.J., Noray K. Earnings dynamics, changing job skills, and STEM careers // The Quarterly Journal of Economics. – 2020. – № 4 (135). – p. 1965–2005. – doi: 10.1093/qje/qjaa021.
11. Deming D., Kahn L.B. Skill requirements across firms and labor markets: Evidence from job postings for professionals // Journal of Labor Economics. – 2018. – p. S337–S369. – doi: 10.1086/694106.
12. Gladkova A., Vartanova E., Ragnedda M. Digital divide and digital capital in multiethnic Russian society // Journal of Multicultural Discourses. – 2020. – № 2. – p. 126–147. – doi: 10.1080/17447143.2020.1745212.
13. Park S. Digital capital. - London: Palgrave Macmillan, 2017. – 247 p.
14. Ragnedda M. Conceptualizing Digital Capital // Telematics and Informatics. – 2018. – № 8. – p. 2366–2375. – doi: 10.1016/j.tele.2018.10.006.
15. Ragnedda M., Ruiu M.L., Addeo F. Measuring digital capital: An empirical investigation // New Media & Society. – 2020. – № 5 (22). – p. 793–816. – doi: 10.1177/1461444819869604.
16. Tambe P., Hitt L., Rock D., Brynjolfsson E. Digital capital and superstar firms. - Cambridge, MA: National Bureau of Economic Research, 2020.
17. Vuorikari R., Kluzer S., Punie Y. DigComp 2.2: The Digital Competence Framework for Citizens-With new examples of knowledge, skills and attitudes. - Joint Research Centre (Seville site), 2022.
18. ESCO v1.1.0. European Commission, 2022. [Электронный ресурс]. URL: https://esco.ec.europa.eu/en/classification/skill_main (дата обращения: 24.02.2023).

Страница обновлена: 14.07.2024 в 21:32:20