Проблемы измерения влияния человеческого капитала на производительность

Коростелева В.В.¹
¹ Финансовый университет при Правительстве Российской Федерации

Статья в журнале

Лидерство и менеджмент ^{(РИНЦ, ВАК)}
опубликовать статью | оформить подписку

Том 12, Номер 5 (Май 2025)

Эта статья проиндексирована РИНЦ, см. https://elibrary.ru/item.asp?id=82647776

Аннотация:
В статье рассматриваются ключевые проблемы измерения влияния человеческого капитала на производительность. Несмотря на признание важности человеческого капитала как фактора экономического роста, его оценка сталкивается с методологическими сложностями. Автор анализирует основные подходы к измерению человеческого капитала (например, через уровень образования, профессиональные навыки, здоровье населения) и выделяют ограничения, связанные с учетом косвенных эффектов, динамикой накопления знаний и различиями в методологиях расчетов. Уделяется внимание проблемам агрегации данных, влиянию институциональных факторов и различиям в производительности между секторами экономики. Рассмотрен зарубежный опыт моделей измерения человеческого капитала и кейсы крупнейших корпораций. В статье также обсуждаются возможные пути совершенствования методик измерения, включая применение комплексных индексов и панельных данных

Ключевые слова: человеческий капитал, производительность, измерение человеческого капитала, автоматизация и искусственный интеллект

JEL-классификация: E24, J24, O15, O32, O33

Введение

Актуальность. Изучение взаимосвязи между человеческим капиталом (ЧК) и производительностью остается одним из ключевых направлений экономической науки и практики управления. В условиях глобальных вызовов, таких как цифровая трансформация, старение населения, рост неравенства и нестабильность рынков труда, эта тема приобретает особую значимость.

Исследования человеческого капитала и производительности критически важны для поддержания конкурентоспособности экономических субъектов в условиях технологических изменений, снижения неравенства через улучшение доступа к качественному образованию и для разработки эффективных стратегий развития бизнеса и государственной политики.

Человеческий капитал перестал быть «мягким» фактором. Сегодня это измеримый драйвер эффективности. Исследования в этой области помогают бизнесу оптимизировать ROI на персонал, странам – формировать образовательную политику, а обществу – снижать неравенство через доступ к знаниям [29].

Литературный обзор. В зарубежной и отечественной науке категория «человеческий капитал» впервые использовал Т. Шульц (в 1961 г.) [31, 32], а затем Г. Беккер (с 1965 г.) [15, 16, 17]. Этим выдающимся ученым были присуждены Нобелевские премии за вклад в развитие теории человеческого капитала — Т. Шульцу в 1979 г., Г. Беккеру — в 1992 г. Именно человеческий капитал выступает главным фактором формирования и развития инновационного менеджмента и экономики знаний. В настоящее время понятие «человеческий капитал» включает образованную часть трудовых ресурсов, инструментарий интеллектуального и управленческого труда, знания, умения и навыки для удовлетворения потребностей индивида и социума в целом [13].

Таблица 1 - Основные концепции человеческого капитала

Автор(ы)	Год	Подход
*Классические теория человеческого капитала*
Шульц Т. [31, 32] (1961), Беккер Г. [15-17] (1964)	1961-1964	Шульц [24-27] в 1961 г. впервые ввел термин "человеческий капитал", доказав, что инвестиции в образование и здоровье повышают производительность. Беккер [3-6] в 1964 г. разработал теорию инвестиций в ЧК, показав, что обучение и здоровье работников влияют на их доход и продуктивность. Возврат от инвестиций в человеческий капитал аналогичен инвестициям в физический капитал.
Модель Дж. Минцера [29]	1974	Заработная плата зависит от уровня образования и опыта (Mincer equation) [22]. Подтверждается положительная корреляция между образованием и производительностью.
Лукас Р. [28] (1988), Ромер Д. [30] (1990)	1988-1990	В эндогенных моделях роста человеческий капитал — драйвер инноваций и технологического прогресса. Лукас Р. [21] подчеркивает роль внешних эффектов (spillover effects), когда квалифицированные работники повышают общую производительность. Ромер Д. [23]: знания и навыки создают положительные экстерналии для всей экономики.
*Влияние человеческого капитала на производительность*
Норт Д. [3, 11]	1990	Подчеркивает, что институты (право, образование, здравоохранение) формируют условия для накопления человеческого капитала.
Bartel [21]	1994	Исследования показывают, что обучение сотрудников увеличивает их эффективность.
Black & Lynch [18, 19]	2001	Обнаружили, что комбинация образования и современных управленческих практик повышает производительность фирм.
Pritchett [23, 26]	2001	В странах с высоким уровнем коррупции или слабыми институтами отдача от человеческого капитала снижается.
Hanushek & Woessmann [24]	2012	Доказали, что качество образования значимо влияет на экономический рост.
Acemoglu & Autor [27]	2012	Отмечают, что в цифровой экономике когнитивные навыки становятся критически важными.
*Проблема измерения*
М. Хуселид [25]	1995	Исследование 968 фирм показало, что инвестиции в обучение повышают рыночную стоимость компании на 15-20 %.
Н. Блум, Д. Ван Ринен [20, 22]	2010	Анализ данных 4000 компаний показал, что хорошо управляемые фирмы с развитым ЧК на 30% продуктивнее.
Э. А. Ханушек [1]	2015	Традиционные метрики не всегда отражают реальные навыки. Растет интерес к альтернативным показателям: PIAAC, тесты когнитивных способностей. 50-летнее исследование 60 стран – качество образования объясняет 30% различий в темпах роста ВВП.
Дж. Псахаропулос, А. Патринос [2]	2018	В развитых странах человеческий капитал дает больший прирост производительности, чем в развивающихся.
Д. Эйсмоглу, П. Рестрепо [5]	2018	Автоматизация меняет спрос на навыки.
Пфеффер Дж. [6]	2018	Предупреждает о «мифологизации ЧК» – не все инвестиции окупаются (пример: Yahoo потратила 1 млрд. долл. на бесполезные тренинги).
McKinsey^* [9, 10]	2022	Корпорации из топ-10 по индексу ЧК имеют в 2,5 раза более высокую доходность акционерного капитала (ROE). Компании с этнически разнородными командами на 35% вероятнее превзойдут отраслевую рентабельность.
П. Капелли [7, 8]	2022	В fast-changing отраслях (IT) традиционные модели ЧК устаревают быстрее, чем окупаются.
Gartner^* [1]	2023	Организации с развитыми «цифровыми компетенциями» сохраняют 92% продуктивности в remote-режиме vs 67% у традиционных.

Составлено автором

^*Исследовательские и консалтинговые компании

Исследования подтверждают значимость человеческого капитала для производительности, но его влияние зависит от институтов, технологий и качества образования. Человеческий капитал – критический фактор эффективности, но его воздействие нелинейно и зависит от: качества управления, адаптивности к технологическим изменениям, системности инвестиций. Современные работы смещаются в сторону анализа цифровых навыков и неравенства в доступе к образованию [41].

Несмотря на значительное количество научных трудов в изучении человеческого капитала, в этой области остаются нерешенные вопросы и методологические ограничения. Традиционные метрики для измерения человеческого капитала устарели – нужны композитные индексы, учитывающие цифровые навыки, креативность, адаптивность, здоровье и психологическое благополучие. Также следует отметить неравномерность влияния на разные сектора экономики – в IT и наукоемких отраслях человеческий капитал дает максимальную отдачу, но как измерить его вклад в традиционных отраслях?

Цель исследования заключается в систематизации методологических ограничений, связанных с оценкой воздействия человеческого капитала на производительность, отраслевую и макроэкономическую эффективность.

Научная новизна исследования заключается в комплексном сопоставлении различных методологий измерения, эмпирической верификации новых подходов на актуальных данных и учете современных вызовов (цифровая трансформация, нестандартная занятость). Таким образом, исследование направлено на преодоление разрыва между теоретическими моделями и реальными возможностями оценки человеческого капитала, что имеет значение для экономической политики и управления организациями.

Авторская гипотеза. В условиях цифровой экономики традиционные метрики человеческого капитала систематически недооценивают его влияние на производительность, тогда как комплексные показатели, включающие цифровую грамотность, адаптивность к технологиям и когнитивную гибкость, демонстрируют более сильную корреляцию с ростом эффективности.

Ограниченность традиционных метрик	В индустриальную эпоху годы обучения и дипломы адекватно отражали квалификацию, но в цифровой экономике навыки устаревают быстрее, а формальное образование не всегда поспевает за изменениями (Acemoglu & Restrepo, 2020).	Пример: Выпускник вуза с дипломом по маркетингу может не владеть цифровыми инструментами анализа данных (Google Analytics, Power BI), критически важными для современной производительности.
Ограниченность традиционных метрик

Роль цифровых и «мягких» навыков	Исследования (Deming, 2017; OECD, 2019) показывают, что в автоматизированных средах социальные навыки (коммуникация, управление проектами) и когнитивная гибкость важнее узкоспециализированных технических знаний.	Гипотеза предполагает, что индекс цифровой грамотности (например, способность работать с ИИ-инструментами) будет значимым предиктором производительности, особенно в IT, финансах и наукоемких отраслях.
Роль цифровых и «мягких» навыков

Технологическая адаптивность как ключевой фактор	В быстро меняющейся среде способность к переобучению становится критической составляющей человеческого капитала (World Bank, 2021).	Предполагается, что работники с высоким уровнем адаптивности (измеряемой через частоту прохождения курсов, освоение новых программ) будут показывать более устойчивую производительность.
Технологическая адаптивность как ключевой фактор

Рис. 1. Обоснование гипотезы о необходимости уточнения традиционных методик оценки человеческого капитала

Методология. В процессе исследования использовалась комбинация количественных и качественных методов, а также междисциплинарный подход. Важно учитывать как теоретические аспекты, так и практические данные, чтобы получить всестороннее понимание проблем применения традиционных метрик и перспектив новых индикаторов.

Основная часть

Люди – главная ценность любого бизнеса. Только эффективная команда способна привести его к глобальным целям. А чтобы команда была эффективной, в людей нужно вкладывать не только деньги, но и душу.

Изучение ЧК как ключевого фактора эффективности организаций остается крайне востребованным в условиях перехода к цифровой экономике, глобальной конкуренции и меняющихся моделей управления.

Таблица 2 – Значимость человеческого капитала в условиях цифровой экономики

Тренды, повышающие значимость ЧК	Значение
Цифровая трансформация	Требует новых навыков: 85% профессий к 2030 году будут нуждаться в переобучении [7]. Внедрение ИИ в Amazon сократило 10% низкоквалифицированных рабочих, но повысило спрос на data-специалистов (+30% зарплат) [30].
Дематериализация экономики	70% стоимости S&P 500 – нематериальные активы (бренд, знания сотрудников) против 20% в 1980-х (Ocean Tomo, 2024) [14]
Гибридная работа	Компании с развитым ЧК показывают на 25% более высокую продуктивность в remote-режиме (Gartner, 2023) [12]
Рентабельность инвестиций в ЧК	Для бизнеса: - каждый 1 долл., вложенный в обучение, дает 4,3 долл. дохода (ATD, 2022) [14], - Google тратит 10000 долл. в год на развитие каждого сотрудника – ROI 300% [34], - компании с программами mentorship теряют на 40% меньше персонала (LinkedIn, 2024) [12]. Для государства: - связь между расходами на образование и ВВП: +1% бюджета на образование → +0.3% роста ВВП в долгосрочной перспективе (ВБ, 2023) [14].
Новые методы оценки ЧК	Анализ данных LinkedIn: корреляция между количеством сертификатов у сотрудников и доходом компании (+15% для IT-сектора) [14]. Нейроэкономика: сотрудники с высоким эмоциональным интеллектом на 50% эффективнее в кризис.
Кейсы эффективного управления ЧК	Microsoft (2014-2024) перешел от «фиксированных навыков» к «культуре обучения»: 20 млрд. долл. инвестиций в переобучение → рост капитализации с 300 млрд. долл. до 3 трлн. долл. [14] Samsung применяет систему пожизненного найма + ежегодное обучение: 95% инженеров проходят курсы по ИИ – доля на рынке чипов 45% [30]. Boeing: сокращение затрат на подготовку пилотов в 2010-х → убытки 20 млрд. долл. после аварий 737 MAX [30].
Влияние ИИ на ЧК	Автоматизация 30% задач → перераспределение времени на креативность. Гиперперсонализация обучения: использование big data для индивидуальных треков развития. ЧК в виртуальных организациях: управление мотивацией в метавселенных. Автоматизация и искусственный интеллект меняют структуру занятости, повышая спрос на высококвалифицированные кадры (Acemoglu & Restrepo, 2020) [14]. Какие именно компетенции (технические, когнитивные, социальные) будут наиболее востребованы?
Здоровье сотрудников → продуктивность	Компании с wellness-программами имеют на 18% более высокие показатели EPS (Harvard, 2023) [1].
Демографические изменения и гендерное разнообразие в руководстве	Старение населения в развитых странах требует повышения производительности меньшего числа работников. В развивающихся странах сохраняется «демографический дивиденд», но его реализация зависит от инвестиций в образование и здравоохранение. Фирмы с >30% женщин в топ-менеджменте на 15% прибыльнее (MSCI, 2024) [1].

Составлено автором

Исследование традиционных показателей для измерения человеческого капитала позволило выявить проблемы, общие для всех методов. Во-первых, нет метрик для оценки влияния автоматизации и ИИ на ценность человеческого капитала. Например, навык программирования на устаревшем языке (Pascal) может формально учитываться, но не иметь рыночной ценности. Во-вторых, в подходах происходит игнорирование здоровья и ментального благополучия - даже высококвалифицированные работники теряют продуктивность из-за выгорания, однако это редко включается в индексы. В-третьих, можно обозначить проблему причинности, то есть корреляция между образованием и зарплатой не всегда имеет причинно-следственную связь (возможна обратная зависимость: богатые семьи больше инвестируют в детей). В-четвертых, стоит помнить о важности культурных и институциональных различиях.

Таблица 3 – Традиционные метрики измерения человеческого капитала

Подход	Исследуемые показатели в рамках подхода	Достоинства/ Недостатки
Методы, основанные на образовательных показателях	Годы обучения (минцеровский подход)	Простота расчета, сопоставимость между странами. Формальный подход - учитываются только продолжительность обучения и полученные дипломы. Предполагают линейную зависимость между годами обучения и производительностью. Не учитывает качество образования (год обучения в Финляндии ≠ году обучения в развивающейся стране). Игнорирует неформальное обучение (онлайн-курсы, самообразование). Не отражает актуальность знаний (устаревание навыков в цифровую эпоху, важно особенно в быстро меняющихся отраслях). Не учитывают различия в отдаче от образования на разных уровнях. Устаревают в условиях необходимости непрерывного образования.
Методы, основанные на образовательных показателях	Уровень образования	Дипломы ≠ реальным компетенциям (в 90-е появилось большое количество частных ВУЗов, которые «раздавали» дипломы за деньги). Не отражают специализацию и востребованность навыков (бакалавр гуманитарий vs инженер). Не отражают качество образования (разница между вузами и программами). Не показывают реальный уровень компетенций выпускников
Финансовый подход	Затратные метрики (инвестиции в образование/ здравоохранение)	Не показывает реальную отдачу (например, коррупция в распределении бюджетных средств). Не учитывают эффективность использования ресурсов. Зависят от институциональных особенностей стран. Не отражают индивидуальные траектории развития.
Финансовый подход	Доходные метрики (дисконтирование будущих заработков)	Зависит от рыночных искажений (гендерный разрыв в оплате труда, дискриминация). Ключевые ограничения: на зарплату влияют рыночные искажения (дискриминация, профсоюзы), не учитывает нематериальные аспекты занятости, зависит от макроэкономической конъюнктуры, не отражает потенциальную продуктивность, а только рыночную оценку.
Альтернативные методы	Тестирование навыков	Позволяет измерить фактические когнитивные способности. Охватывают лишь базовые навыки, но не креативность или digital-компетенции. Имеют культурные и языковые ограничения.
	Индексы человеческого капитала (Всемирный банк)	Агрегирование разнородных показателей в единый индекс маскирует дисбалансы (страна с высоким HCI может иметь дефицит IT-специалистов). Не учитывает некогнитивные навыки (эмоциональный интеллект, лидерство).
	Корпоративные метрики	Затраты на обучение сотрудников не отражают эффективность программ. KPI производительности зависят от внешних факторов (автоматизация, экономические кризисы).

Составлено автором [4, 12, 14]

Перспективным направлением в исследовании метрик человеческого капитала и его влияния на производительность, представляется разработка динамических многофакторных моделей, сочетающих количественные и качественные показатели с учетом отраслевой специфики и индивидуальных характеристик работников.

Таблица 4 - Альтернативные подходы к измерению влияния человеческого капитала на производительность

Подход	Методы	Примечание
Компетентностные модели. Фокус на конкретных профессиональных и надпрофессиональных компетенциях, необходимых для выполнения трудовых функций.	- Модель Skills-Task Matching - Анализ соответствия навыков работников выполняемым задачам - Использование матриц компетенций для конкретных должностей - Стандарты WorldSkills - Отраслевые рамки квалификаций - Оценка через практические кейсы и симуляции	Прямая связь с производственными процессами. Учет специфики отраслей и профессий. Возможность выявления дефицитов навыков. Примеры: в Германии - система дуального образования, в Сингапуре - SkillsFuture для оценки компетенций взрослого населения.
Оценка когнитивных навыков	Тесты динамических способностей: - Оценка скорости обучения новым навыкам, - Измерение когнитивной гибкости (пример: тесты переключения задач).	Практические решения: - Компьютерная адаптивная диагностика, - Оценка цифровой грамотности в рабочих ситуациях, - Cognitive Atlas - картирование профессиональных когнитивных профилей
Оценка когнитивных навыков	Нейроэкономические методы: - fMRI-исследования при решении профессиональных задач, - Оценка когнитивной нагрузки (eye-tracking, ЭЭГ).
Измерение некогнитивных навыков	Психодиагностические методики: - Оценка эмоционального интеллекта (MSCEIT), - Тесты на стрессоустойчивость и копинг-стратегии, - Профиль Big Five (OCEAN) - оценка личностных характеристик.	Современные исследования выделяют 5 основных групп навыков, влияющих на производительность: 1. Эмоциональный интеллект (способность распознавать и управлять эмоциями). 2. Коммуникативные компетенции (устные и письменные навыки общения). 3. Критическое мышление (анализ информации, решение проблем). 4. Самоконтроль и дисциплина (управление временем, рабочей нагрузкой). 5. Адаптивность (гибкость в меняющихся условиях). Современные подходы к измерению некогнитивных навыков трансформируют управление человеческим капиталом, позволяя: - Выявлять скрытый потенциал сотрудников, - Точнее прогнозировать успешность в конкретных ролях, - Персонализировать программы развития, - Создавать психологически устойчивые команды.
	Поведенческий анализ: - Ассессмент-центры - оценка через симуляции рабочих ситуаций, - Метод "360 градусов" для комплексной оценки, - Анализ цифрового следа - поведение в корпоративных чатах, системах управления проектами.
	Биометрические данные: - Анализ вариабельности сердечного ритма, - Оценка уровня стресса через wearable-устройства, - Eye-tracking системы - анализ фокуса внимания, - AI-анализ речи и мимики в видеоконференциях.
	Big Five профессиональная адаптация: - Добросовестность как предиктор производительности, - Открытость опыту для инновационных отраслей.
	GRIT-шкала (Angela Duckworth): - Упорство в достижении целей, - Страсть к долгосрочным проектам.
Комплексные системы оценки	Human Capital ROI 2.0: - Сочетание: технических навыков (40%), когнитивных способностей (30%), некогнитивных характеристик (20%), физического состояния (10%). Динамический паспорт компетенций: - Блокчейн-реестры сертификатов, - Система микро-кредитования навыков, - Адаптивные траектории развития. Технологические решения: - AI-ассистенты оценки навыков, - VR-симуляции для комплексной диагностики, - People Analytics на основе цифрового следа.	Проблемы и ограничения 1. Субъективность оценок - Риск когнитивных искажений при самооценке - Культурные различия в проявлении навыков 2. Конфиденциальность данных - Этические вопросы использования биометрии - Правовое регулирование обработки персональных данных 3. Динамичность навыков - Необходимость частого пересмотра критериев - Влияние внешних факторов (стресс, усталость)
Отраслеспецифичные подходы	Для IT-сектора: оценка через решение реальных задач на платформах типа LeetCode, анализ кода на GitHub, скорость освоения новых фреймворков. Для креативных индустрий: портфолио-оценка, краудсорсинговые рейтинги, экспертные советы по инновационности. Для промышленности: система "цифровых двойников" рабочих, оценка эффективности операций через IoT, анализ ошибок в производственных процессах.	Примеры 1. IBM: Cognitive Ability Assessment - система оценки 12 "мягких" навыков для IT-специалистов, включает анализ: - способности к коллаборации (по данным коммуникаций в Slack), - эмоциональной устойчивости (через анализ реакции на критику кода). Результат: на 27% повысилась эффективность командной работы. 2. McKinsey: Leadership Signature - оценка 9 параметров лидерского потенциала через: кейс-стади, групповые дискуссии, психомоторные тесты. Выявлены 3 критических некогнитивных навыка для консультантов: когнитивная гибкость, эмпатическое слушание, устойчивость к неопределенности. 3. Walmart: Emotional Resilience Index - шкала оценки стрессоустойчивости сотрудников. Используются: опросники Well-Being, данные с wearables-устройств, анализ поведения в кризисных ситуациях. Эффект: снижение текучести кадров на 18%.

Составлено автором [2, 4, 6, 7, 10, 13]

Ключевым трендом в современных условиях является интеграция технологических решений с доказательной психологией для создания комплексных систем оценки, где «мягкие» навыки учитываются наравне с техническими компетенциями.

Рассмотрим международные кейсы управления человеческим капиталом. И начнем с Сингапурской системы. Skills Benchmarking — это национальная система оценки и стандартизации профессиональных навыков, разработанная Сингапурским советом по развитию рабочей силы (WSG) и Агентством по развитию навыков (SkillsFuture Singapore).

Ключевые задачи:

- создание единой системы измерения актуальных навыков для разных профессий,

- выявление дефицитов компетенций на рынке труда,

- оптимизация программ обучения под потребности экономики,

- стимулирование lifelong learning (непрерывного образования).

Национальная рамка компетенций (Skills Framework) включает 34 ключевых отрасли (от IT до здравоохранения) с детализированными профессиональными ролями (например, Data Scientist, UX Designer), техническими/профессиональными (hard) и гибкими (soft) навыками, а также уровнями владения (от базового до экспертного).

Таблица 5 - Пример для IT-сектора

Навык	Уровень 1 (Junior)	Уровень 2 (Mid)	Уровень 3 (Senior)
Программирование (Python)	Базовый синтаксис	Разработка API	Архитектура систем
Критическое мышление	Решение типовых задач	Оптимизация кода	Прогнозирование трендов

Составлено автором [2, 14]

Этой системой предусмотрены индивидуальные «Skills Passports». Каждый гражданин имеет персональный аккаунт в SkillsFuture, где фиксируются пройденные курсы, оценивается уровень навыков (через тесты и сертификации) и даются рекомендации по развитию (на основе AI-анализа рынка). Предприятия могут сравнить навыки своих сотрудников с отраслевыми стандартами, лучшими практиками конкурентов, прогнозируемыми требованиями (например, влияние AI на профессии) [6].

Система Skills Benchmarking Tests предполагает онлайн-тестирование по отраслевым стандартам, геймифицированные задания (например, симуляции переговоров) и анализ когнитивных способностей (логика, адаптивность) [6]. Используются данные с рынка труда: агрегация вакансий (анализ Top 10 востребованных навыков) и мониторинг зарплатных трендов в зависимости от уровня компетенций.

Результаты внедрения:

- для экономики: снижение skills mismatch (несоответствия навыков вакансиям) на 40% (2020–2023), рост производительности труда на 5,2% годовых (с 2015 года),

- для работников: 85% сотрудников прошли хотя бы 1 курс за 5 лет, увеличилась на 23% зарплата у тех, кто освоил «перспективные» навыки (Data Analytics, Green Tech),

- для бизнеса: компании, использующие бенчмаркинг, на 30% быстрее адаптируются к технологическим изменениям.

Сингапурская модель адаптируется в странах ЕС (программа «European Skills Agenda»), Канаде («Future Skills Centre») и ОАЭ («National Skills Framework»).

Ключевыми условиями успеха являются господдержка и участие бизнеса, развитая цифровая инфраструктура (e-Government) и гибкость системы (быстрое обновление стандартов). Сингапурский Skills Benchmarking стала первой в мире системой, которая связала образование, рынок труда и экономическую политику, измеряя не дипломы, а реальные навыки. Также система «прогнозирует» с помощью ИИ будущие потребности в компетенциях. Это образец для стран, ориентированных на цифровую экономику, где человеческий капитал — главный ресурс развития.

В Швейцарии применяют модель «Upskilling Passport». Это цифровой инструмент, разработанный Швейцарской конфедерацией и отраслевыми ассоциациями для фиксации профессиональных компетенций (включая неформальное обучение), сопоставления навыков с требованиями рынка труда и персонального планирования карьеры в условиях цифровой трансформации [1]. Модель не привязана к дипломам, однако учитывает курсы, стажировки и самое важное - проектный опыт. Предусмотрена межотраслевая совместимость (навыки переводятся между профессиями) и blockchain-верификация (защита от фальсификаций). Процесс оценки навыков осуществляется в трех направлениях: самооценка (через платформу SwissSkills+), валидация работодателем (подтверждение реальных компетенций) и тестирование в авторизованных центрах (например, Швейцарские ассоциации инженеров). Через AI-алгоритмы автоматически сопоставляются вакансии и навыки, выдаются рекомендации по обучению. Используемые технологические платформы: цифровой ID (интеграция с государственной системой SwissID), мобильное приложение с push-уведомлениями о новых курсах, API для HR-систем компаний (автоматический импорт данных), NFT-сертификаты для подтверждения уникальных навыков.

Результаты пилотных проектов (2021–2023) [1, 2, 4, 14, 30]:

- для работников: увеличилась на 37% скорость трудоустройства после переквалификации, а рост размеров зарплат при подтверждении новых компетенций составил 28%,

- для компаний: снижение cost-to-hire на 40% за счет точного matching’а навыков, уменьшение периода адаптации новых сотрудников с 3 месяцев до 3 недель,

- для экономики: 85% участников программы продолжили обучение через 1 год, сокращение «skills gap» в IT и здравоохранении на 25%.

Швейцарскую модель «Upskilling Passport» применяют в Германии (проект «Qualifizierungspass»), Финляндии («Open Badges») и Канаде («Skills Passport» от RBC). Швейцарский "Upskilling Passport" решает 3 ключевые проблемы современного рынка труда: невидимость неформальных навыков, жесткость традиционных образовательных траекторий и медленную адаптацию к технологическим изменениям. Это образец для стран с высокоразвитой экономикой, где гибкость рабочей силы — критический фактор конкурентоспособности.

Японская система «Gemba Assessment» — это практико-ориентированный подход к оценке человеческого капитала [6]. «Gemba» в переводе с японского означает «реальное место» — производственный цех, офис, больничная палата. Философия подхода заключается в следующем: чтобы понять навыки работника, нужно наблюдать за ним непосредственно на рабочем месте. В отличие от западных моделей делается акцент на практическое применение знаний, то есть оценка в реальных рабочих условиях, а не в тестовой среде. Также важен учет корпоративной культуры и философии (например, Kaizen).

Таблица 6 - Трехуровневая система анализа

Уровень	Методы	Пример
Технические навыки	Наблюдение за операциями + хронометраж	Время сборки узла на конвейере Toyota
Поведенческие компетенции	Анализ взаимодействия в команде	Участие в кружках качества
Ценностное соответствие	Оценка соблюдения стандартов компании	Следование принципам 5S

Составлено автором [2, 14]

Применяются такие инструменты оценки: «Kamishibai Board» для визуального контроля выполнения операций, «Skill Matrix» как матрица компетенций для каждой должности и «Mieruka» для визуализации показателей в реальном времени. Например, в Toyota работник получает оценку «5 звезд» только после демонстрации навыка настоящему мастеру, обучения 3-х коллег этому навыку и улучшению процесса (Kaizen-предложение). Таком образом, важна оценка не только индивидуальных навыков, но и вклада в общий поток создания ценности: делает ли работник процесс лучше?

Системой предусмотрены три уровня эффективности: «Takumi Mastery» - уровень мастерства, «Muda Reduction» - сокращение потерь, «Jidoka Contribution» - вклад в автономизацию качества. В 2020-е гг. произошла технологическая модернизация и были внедрены IoT-датчики на оборудовании для анализа действий оператора, для распознавания ошибок проводится AI-анализ видео, а для мгновенной оценки и коррекции используются AR-инструкции. Например, на заводе Panasonic система «Smart Gemba» автоматически фиксирует время выполнения операций, точность движений и соблюдение стандартов безопасности.

Результаты внедрения [14, 30]:

- для работников: прозрачная система карьерного роста, 70% сотрудников получают ежегодный апгрейд навыков, снижение стресса за счет четких стандартов,

- для компаний: снижение количества дефектов на 30-50%, рост производительности труда на 15-25%, уменьшение времени адаптации новичков в 2 раза.

Можно отметить наличие культурной специфики, поэтому система эффективна в японской корпоративной среде, но сложно переносится на Запад. Применение за пределами Японии можно зафиксировать в BMW — модифицированная версия в производственных цехах, в GE Aviation — внедрение элементов для оценки инженеров и в Samsung — гибрид с корейской системой «Jeong-Do». Таким образом, японская система «Gemba Assessment» - идеальная модель для производственных секторов и сервисов с жесткими стандартами качества, где практические навыки важнее теоретических знаний.

Крупные корпорации (Google, Microsoft, Amazon, Unilever и др.) являются пионерами в разработке и применении передовых методов оценки человеческого капитала. Их опыт критически важен по нескольким причинам:

- они задают стандарты для всей экономики (HR-практики Google или Microsoft становятся образцом для среднего бизнеса и стартапов),

- экспериментируют с инновационными метриками (вместо традиционных KPI используют показатели вовлеченности, прогнозную аналитику, ROI инвестиций в сотрудников - связь между обучением и ростом прибыли),

- разрабатывают технологии для оценки человеческого капитала (AI в рекрутинге, HR-аналитика на основе Big Data и т.д.),

- доказывают экономическую ценность человеческого капитала,

- влияют на государственную политику (например, корпоративные стандарты ESG-отчетность становятся нормой для регулирования).

Таблица 7 - Кейсы крупнейших компаний по измерению человеческого капитала и его влияния на производительность

Компания	Подход, метрики	Результат
Google (Alphabet Inc.)	Проект «Project Oxygen»: - анализ данных более 10000 менеджеров (оценки подчиненных, KPI команд), - выделение 8 ключевых поведенческих компетенций успешных лидеров. Инновация: использование People Analytics для выявления «микро-навыков», влияющих на эффективность.	Внедрение программ развития менеджмента повысило продуктивность команд на 15%. Снижение текучести кадров среди подчиненных «прокачанных» менеджеров на 25%
Amazon	Система «Career Choice»: - инвестиции в переобучение сотрудников (до 95% стоимости курсов), - связь между освоением цифровых навыков и карьерным ростом, - внедрение AI-рекомендаций по индивидуальным траекториям обучения.	Сокращение времени адаптации к новым ролям на 40%. ROI программ: 1,3 млрд. долл. вложений → 300% рост производительности участвовавших сотрудников.
Siemens	Цифровая платформа «My Learning World»: - VR-тренажеры для инженеров, - система оценки навыков в реальном времени через IoT-оборудование.	30% сокращение времени на освоение сложных операций. Снижение ошибок на производстве на 22%. Ключевой показатель - индекс "Digital Readiness" сотрудников как предиктор успешности цифровой трансформации.
Unilever	Глобальная система оценки талантов: - игровые симуляции (Pymetrics) для оценки 60+ когнитивных и эмоциональных параметров, - анализ данных более 250 000 кандидатов ежегодно.	Сокращение времени найма на 75% при улучшении качества персонала. Сотрудники с высокими показателями адаптивности на 35% эффективнее в кризисных ситуациях. Некогнитивные навыки предсказывают 43% вариативности в карьерном росте.
Microsoft	Программа «Skills Graph»: - динамическое картирование более 10 млн. навыков сотрудников, - AI-анализ взаимосвязей между компетенциями и проектной эффективностью.	Выявление 127 критически важных «гибридных навыков» (например: "Data Storytelling"). Персонализированные рекомендации обучения повысили вовлеченность на 28%. Индекс «Skills Velocity» (скорость освоения новых компетенций) коррелирует с инновационностью (r=0,71).
Tesla	Фабричная академия «Tesla Manufacturing Academy»: - оценка производительности через интеграцию данных: рабочие показатели (кол-во операций/час), качество (данные с сенсоров продукции), скорость освоения новых станков.	Снижение времени обучения для новых сотрудников с 3 месяцев до 3 недель. Прямая корреляция между баллами в академии и выходом годной продукции (R²=0,82).
Alibaba	Система «360-Degree Digital Talent Assessment»: - анализ цифрового следа (активность во внутренних системах), - оценка когнитивной нагрузки при работе с big data, - геймифицированные тесты на креативность.	Выявление «скрытых талантов» - 12% сотрудников с нераскрытым потенциалом. Модель предсказывает успешность в цифровых проектах с точностью 89%.

Составлено автором

Заключение

Зарубежный опыт и кейсы крупнейших компаний демонстрируют эволюцию от «кадрового учета» к «предиктивной аналитике человеческого капитала», где инвестиции в навыки напрямую связаны с измеримыми бизнес-результатами. Главные тренды последних лет – это биометрическая аналитика (например, Walmart проводит оценку усталости сотрудников через камеры), NFT для сертификации навыков (Accenture: цифровые портфолио) и метавселенные для оценки (PwC: виртуальные assessment centers). Лидеры в измерении человеческого капитала сочетают 3 подхода: Data-driven (анализ больших данных), Skills-based (оценка конкретных компетенций), Experience-focused (учет реального рабочего опыта). Новые метрики заменяют дипломы: скорость обучения говорит об адаптивности, качество решений свидетельствует о когнитивной гибкости, а коллаборация дает (трансформируется) цифровую синергию. Исследования в области измерения человеческого капитала остаются критически важными для экономики, управления и социальной политики. Перспективные направления включают разработку новых метрик, учет цифровой трансформации и применение big data. Однако следует помнить о риске «цифрового фаворитизма», то есть о возможной предвзятости алгоритмов при оценке персонала (например, когда алгоритмы могут дискриминировать по возрасту или полу). Кроме того, когда речь идет о «человеческом» капитале, следует ставить во главу угла эмоциональный интеллект, который не подвластен искусственному.

Источники:

1. Алиев Т. Г. Важность и измерение человеческого капитала // Проблемы современной науки и образования. – 2025. – № 1. – c. 24-28. – doi: 10.24411/2304-2338-2025-10104.
2. Андросова И.В., Ершова И.Г. Исследование зарубежного опыта измерения интеллектуального капитала в условиях экономики знаний // Вектор науки ТГУ. – 2014. – № 4. – c. 108-109.
3. Бондаренко М. С. Социальная сфера как институциональная среда производства человеческого капитала и сфера осуществления инвестиций в человеческий капитал // Актуальные проблемы гражданского права. – 2022. – № 1. – c. 165-179.
4. Галоян Д., Едигарян К. Индексы человеческого капитала и человеческого развития как инструменты измерения человеческого капитала // Вестник Армянского государственного экономического университета. – 2022. – № 3. – c. 9-28. – doi: 10.52174/1829-0280_2022.3-9.
5. Гиматудинова Р. Ф. Особенности и содержание управления человеческим капиталом, проблемы современных методик оценки человеческого капитала // Финансовая экономика. – 2022. – № 4. – c. 196-198.
6. Долгушев Н. В. Подходы к измерению человеческого капитала - особенности расчёта величин // Экономические науки. – 2024. – № 234. – c. 188-192. – doi: 10.14451/1.234.188.
7. Карташова Л.В., Савочкин А.В. Совершенствование измерения и оценки человеческого капитала как фактора развития организации // Лидерство и менеджмент. – 2023. – № 1. – c. 311-330. – doi: 10.18334/lim.10.1.117349.
8. Максимов А.Н., Максимова С.И. Формирование человеческого капитала при использовании компетентностного подхода и показателей динамики органического строения производства // Вестник Алтайской академии экономики и права. – 2020. – № 2. – c. 54-60.
9. Методы оценки человеческого капитала. [Электронный ресурс]. URL: http: //ibusiness.ru/blog/ekspyertiza/29728 (дата обращения: 02.05.2025).
10. Мореева Е. В., Ананченкова П. И. Некоторые аспекты теоретических подходов к проблематизации измерения человеческого капитала: расходы или инвестиции // Ученые записки Российской Академии предпринимательства. – 2023. – № 3. – c. 131-135. – doi: 10.24182/2073-6258-2023-22-3-131-135.
11. Нуреев Р.М. Человеческий капитал и проблемы его развития в современной России // Общественные науки и современность. – 2009. – № 4. – c. 4-33.
12. Раздроков Е.Н., Коростелева В.В., Елькина Я.Д. Оценка развития человеческого капитала северных ресурсодобывающих регионов в условиях цифровой трансформации экономики // Вестник Алтайской академии экономики и права. – 2024. – № 4-1. – c. 142-149. – doi: 10.17513/vaael.3343.
13. Скипин Д.Л., Сапожникова А.В., Юхтанова Ю.А. Измерение и оценка человеческого капитала для рынка труда региона // Экономика региона. – 2024. – № 1. – c. 163-175. – doi: 10.17059/ekon.reg.2024-1-11.
14. Управление человеческим капиталом: цели, методы, результаты. Институт политической психологии. [Электронный ресурс]. URL: http://www.inspp.ru/index.php?option=com_content&task=view&id=82&Itemid=33 (дата обращения: 02.05.2025).
15. Becker B., Gerhart B. The impact of human resource management on organizational performance: Progress and prospects // Journal of Academy of Management. – 1996. – № 4. – p. 779-801.
16. Becker B., Huselid M. Strategic Human Resources Management: Where Do We Go from Here // Journal of Management. – 2006. – № 6. – p. 898-925.
17. Becker G.S. Investment in Human Capital: A Theoretical Analysis // Journal of Political Economy. – 1962. – № 5-2. – p. 9-49. – doi: 10.1086/258724.
18. Chadwick C., Dabu A. Human resources, human resource management, and the competitive advantage of firms: towards a more comprehensive model of casual linkages // Organization Science. – 2009. – № 1. – p. 253-272.
19. Chatzkel J.L. Human capital: the rules of engagement are changing // Lifelong learning in Europe. – 2004. – № 3. – p. 139-145.
20. CORPA: Human Capital Value Added (HCVA). [Электронный ресурс]. URL: https://medium.com/true-enterprise-mobility/human-capital-value-added-hcva-cd526f5b7be2 (дата обращения: 02.05.2025).
21. Davenport T.H., Prusak L. Working Knowledge How Organizations Manage What They Know. - Boston: Harvard Business School Press, 1988. – 199 p.
22. Difference between Human Resources and Human Capital. [Электронный ресурс]. URL: https://www.hrinasia.com/management/%EF%BB%BFdifference-between-human-resources-and-human-capital (дата обращения: 02.05.2025).
23. Evans G. ROI: Measuring the Contribution of Human Capital. - Network, 2007. – 33-35 p.
24. Goldin C., Haupert M. Human Capital. - Germany: SpringerVerlag, 2016. – 55-86 p.
25. Hall B. The New Human Capital Strategy: Improving the Value of your Most Important Investment-Year After Year. - New York: AMACOM, 2008.
26. Hayton J.C. Strategic human capital management in SMEs: An empirical study of entrepreneurial performance // Human Resource Management. – 2003. – № 4. – p. 375-391.
27. Human Development Report. [Электронный ресурс]. URL: http : //hdr. undp,org (дата обращения: 03.05.2025).
28. Lucas R. E. On the Mechanics of Economic Development // Journal of Monetary Economics. – 1988. – № 1.
29. Mincer J. The Distribution of Labor Incomes: A Survey with Special Reference to the Human Capital Approach // Journal of Economic Literature. – 1970. – № 1. – p. 1-26.
30. Romer P.M. Endogenous Technological Change // The Journal of Political Economy. – 1990. – № 5. – p. 71-102.
31. Schulz T. Investment in Human Capital // America Economic Revien. – 1961. – № 1. – p. 1-17.
32. Schultz T.W. The Economic Importance of Human Capital in Modernization // Education Economics. – 1993. – № 1. – p. 13-19.
33. The ROI of Human Capital: Measuring the Economic Value of Employee Performance. [Электронный ресурс]. URL: http://bookfi.org/book/1086883 (дата обращения: 02.05.2025).
34. The World Bank: Gross National Income per Capita 2019. [Электронный ресурс]. URL: http://www.worldbank.org/ (дата обращения: 02.05.2025).

Страница обновлена: 09.09.2025 в 11:39:06

Download PDF | Downloads: 12

Problems of measuring the impact of human capital on productivity

Korosteleva V.V.

Journal paper

Leadership and Management ^{(РИНЦ, ВАК)}
опубликовать статью | оформить подписку

Volume 12, Number 5 (May 2025)

Citation:

Abstract:
The article discusses key issues in measuring the impact of human capital on productivity. Although human capital is recognized as an important factor in economic growth, assessing it is difficult. The author analyzes the main approaches to measuring human capital, such as through education level, professional skills, and public health, and identifies limitations related to indirect effects, knowledge accumulation dynamics, and differences in calculation methodologies. The author pays attention to the problems of data aggregation and the influence of institutional factors, as well as differences in productivity between sectors of the economy. The article considers the foreign experience of human capital measurement models and cases of the largest corporations. The article discusses ways to improve measurement techniques, such as using complex indexes and panel data.

Keywords: human capital, productivity, human capital assessment, automation and artificial intelligence

JEL-classification: E24, J24, O15, O32, O33

Подробнее об авторе:

Problems of measuring the impact of human capital on productivity