Дифференциация региональной политики снижения теневой занятости населения на основе альтернативных индикаторов оценки

Киреенко А.П.¹ , Колбягина Л.А.² , Бережных М.В.¹
¹ Иркутский национальный исследовательский технический университет, Иркутск, Россия
² Байкальский государственный университет, Иркутск, Россия

Скачать PDF | Загрузок: 2

Статья в журнале

Теневая экономика ^{(РИНЦ, ВАК)}
опубликовать статью | оформить подписку

Том 10, Номер 2 (Апрель-июнь 2026)

Цитировать эту статью:

Аннотация:
Неформальная занятость остается одной из наиболее устойчивых структурных характеристик российского рынка труда: по данным Росстата в неформальном секторе занят каждый пятый работающий россиянин. Целью исследования является выявление роли доходов, расходов и сбережений населения как индикаторов неформальной занятости в субъектах РФ и оценка диагностического потенциала данных показателей. По данным 39 субъектов РФ на 01.01.2024 года проведен корреляционный анализ, OLS-регрессия и кейс-анализ. Эмпирическую базу исследования составили данные Росстата, ФНС и Банка России. Результаты исследования показали, что объем банковских вкладов населения на душу населения демонстрирует более сильную отрицательную связь с долей неформально занятых, чем уровень среднедушевых денежных доходов и расходов. Три предиктора совместно объясняют 74,6% межрегиональной вариации неформальной занятости. Кейс-анализ выявил устойчивый паттерн: четыре региона с высоким коэффициентом использования доходов (отношение среднедушевых расходов к среднедушевым доходам в регионе) и одновременно высокой долей неформальной занятости демонстрируют признаки систематического занижения реальных доходов в официальной статистике. Коэффициент использования доходов предложен в качестве практического диагностического инструмента для выявления регионов с систематическим недоучетом реальных доходов. Сделан вывод о том, что объем банковских вкладов описывает связь с неформальной занятостью точнее, чем официально декларируемые доходы. Результаты формируют основу для дифференцированной региональной политики снижения теневой занятости

Ключевые слова: неформальная занятость, теневая занятость, коэффициент использования доходов, банковские вклады населения, доходы населения, расходы населения, региональная дифференциация, межрегиональная вариация

JEL-классификация: J46, O17, E26, D31, D12

JATS XML

ВВЕДЕНИЕ

Несмотря на относительное снижение числа занятых в неформальном секторе в России, проблема теневой занятости остается. По оценке Минтруда России, в 2023 году потенциальная численность граждан, занятых в теневом секторе, составляла около 9,6 млн человек [1], в 2024 году – 6,5 млн человек [2], а в 2026 году аналитические источники оценивают долю неформальной занятости на уровне около 21% общего числа занятых (около 15,8 млн человек), подчеркивая возможный рост неформальной занятости в малом бизнесе и среди самозанятых [3]. В региональном разрезе значения варьируются от скромных 2,67% (Чукотский автономный округ) до весьма пугающих 54,4% (Республика Ингушетия) при среднем значении 20,65% и медиане 19,13% [4]. Столь значительный межрегиональный разброс – 51,73 процентного пункта – свидетельствует о том, что неформальная занятость не является однородным явлением: за агрегированными средними показателями скрываются принципиально различные механизмы воспроизводства теневой занятости, требующие дифференцированного подхода к управлению.

Традиционно в качестве ключевого детерминанта неформальной занятости рассматривается уровень денежных доходов населения: считается, что низкие доходы вынуждают работников и работодателей уходить в тень в целях снижения налоговой нагрузки и операционных издержек. Вместе с тем ориентация исключительно на официально фиксируемые доходы сопряжена с серьезным методологическим ограничением: в регионах с высокой долей неформальной занятости реальные доходы домохозяйств систематически занижаются в официальной статистике, поскольку значительная их часть формируется в теневом секторе и не поддается прямому измерению.

Настоящее исследование предлагает переосмыслить стандартный «доходный» подход, введя два альтернативных индикатора. Первый – объем банковских вкладов населения на душу населения, отражающий не только уровень благосостояния, но и степень финансовой включенности домохозяйства и его доверие к формальным институтам. Второй – коэффициент использования доходов (отношение среднедушевых расходов к среднедушевым доходам в регионе), высокие значения которого при одновременно высокой неформальной занятости указывают на систематическое занижение реальных доходов в официальных источниках.

Структура статьи соответствует логике изложения: после теоретического обзора следуют описание данных и методологии, представление результатов, кейс-анализ, обсуждение и заключение.

ТЕОРЕТИЧЕСКИЕ ОСНОВЫ И ОБЗОР ЛИТЕРАТУРЫ

Банковские вклады как индикатор формализации: международный контекст

Проблема соотношения между уровнем экономического развития и масштабами теневого сектора занимает центральное место в международной литературе по неформальной занятости. Взаимосвязь подушевого благосостояния и неформальности в международном сравнении изучена в работе [5] (Loayza, 2016). Ла Порта и Шлейфер изучали роль качества институтов и финансового поведения домохозяйств как условий интеграции в формальный рынок труда [6] (La et al., 2014), а Перри и др. разграничили два механизма воспроизводства неформальности – добровольный и вынужденный [7] (Perry et al., 2007).

Наличие у домохозяйства вклада в официальную банковскую систему – теоретически связана с неформальностью по нескольким каналам. Во-первых, наличие банковского вклада свидетельствует о наличии какого-либо официального дохода, достаточном для формирования сбережений и наличии дополнительного дохода для повседневных расходов. Во-вторых, сберегательное поведение отражает горизонт планирования и уровень доверия к формальным институтам. В-третьих, объем вкладов улавливает реальное благосостояние домохозяйства точнее, чем официально декларируемые доходы, поскольку не зависит от полноты их декларирования. На основании этих работ выдвинута первая гипотеза исследования (H1): объем банковских вкладов населения является более сильным предиктором неформальной занятости, чем уровень денежных доходов.

Теоретическим основанием данной гипотезы служит тезис о том, что объем банковских вкладов интегрирует одновременно три измерения – благосостояние, институциональное доверие и финансовую включенность, – тогда как уровень доходов на душу населения фиксирует лишь официально декларируемый доход, систематически заниженный в регионах с высокой неформальностью.

Детерминанты теневой занятости: российский контекст

Применительно к российской специфике связь неформальной занятости с адаптационными стратегиями домохозяйств в условиях ограниченных официальных доходов изучена в работе В.Е. Гимпельсона и Р.И. Капелюшникова [8] (Gimpelson et al., 2014). Н.В. Зубаревич выделяет три условия, которые в значительной степени определяют поведение населения с точки зрения социальной самостоятельности и институционального устройства: экономическая самостоятельность (показатель доли работающих в малом бизнесе), экономические ресурсы (доля населения старше трудоспособного возраста) и уровень образования [9] (Zubarevich, 2015).

Некоторые исследователи в качестве факторов, влияющих на неформальную занятость кроме объективных социальных процессов (рост бедности и безработицы, кризисные периоды и т.д.), выделяют также внутренние, личностные причины, которые включают в себя субъективные мотивы и факторы выбора неформальной занятости [10] (Bayandina, 2024). О.М. Лизина и др. также считают, что неформальная занятость тесно связана с дефицитом достойного труда и качественных рабочих мест, низким уровнем производительности труда, дискриминацией и социальной изоляцией, нестабильным и уязвимым положением населения на рынке труда [11] (Lizina et al., 2024). По итогам исследования Е.С. Узяковой делается вывод о существовании взаимосвязи между низкими доходами экономики, порождающими низкое качество рабочих мест и невысокие требования к квалификации, и ростом скрытых форм занятости, обеспечивающих низкие доходы населения [12] (Uzyakova, 2022).

В проведенных более 10 лет назад исследованиях региональной структуры и особенностей неформальной занятости Р.М. Нуреев и Д.Р. Ахмадеев, наблюдали обратную зависимость между величиной неформальной занятости и уровнем инвестиций, степенью развития малого предпринимательства и величиной заработной платы, а также прямую зависимость между величиной неформальной занятости и безработицей [13,14] (Nureev et al., 2015; Nureev et al., 2015). Однако на основе общероссийских данных за 2001–2019 гг. они же отметили «парадоксальную обратную зависимость между неформальной занятостью и безработицей – с ростом безработицы величина неформальной занятости снижается и наоборот, снижение безработицы приводит к росту величины неформальной занятости. А также взаимосвязь темпов прироста ВРП и неформальной занятости, в соответствии с которой формальный сектор с опережением определяет изменения в неформальном секторе». По поводу влияния малого предпринимательства на неформальную занятость, авторы указывают, что «в соответствии с традиционным подходом, признается наличие обратной зависимости между ними. Что и было подтверждено на региональном материале в краткосрочном периоде. Однако анализ в долгосрочном периоде не подтверждает такие выводы. В соответствии с данными Росстата стремительный рост малого предпринимательства, последовавший в предкризисный период (с 2006 года), не только не привел к сокращению неформальной занятости, но и не остановил некоторый ее рост» [15] (Nureev et al., 2021).

Особенности теневой занятости в российских регионах

Региональные особенности неформальной занятости достаточно часто рассматриваются в российских научных статьях. Например, региональная дифференциация неформальной занятости в России в связи с отраслевой структурой экономики исследована в работе Н.М. Каспарьянц [16] (Kasparyants, 2017).

Особое место занимают исследования тек называемых «северных» и «южных» регионов в которых диспропорции в масштабах теневой занятости наиболее заметны.

Для сопоставления тенденций и идентификации оснований территориальной локации неформальной занятости Н.Н. Куницына и А.В. Джиоев провели оценку ее уровня во взаимосвязи с показателями доходов населения и ВРП на душу населения сделав вывод о существенном влиянии регионального душевого продукта и среднедушевых доходов на неформальную занятость [17] (Kunitsyna et al., 2023).

Коллектив авторов под руководством А.А. Аузана указывают, что в комфортных для проживания территориях возникают институты, ориентированные не на ренту, а на иную продуктивную деятельность, когда жизнь обустраивается для себя [18] (Auzan et al., 2011). Здесь, в «принимающих» регионах юга возникают Краснодарская, Ставропольская, Ростовская и Волгоградская агломерации, и как следствие – в таких регионах обостряется конкуренция [18, 19] (Auzan et al., 2011; Musaeva et al., 2023).

Анализ занятости в неформальном секторе северных и южных регионов России, проведенный М.А. Терентьевой, показал, что неформальность распространена в большей степени на юге страны. Поскольку климатические условия выступают мощным фактором дифференциации в экономическом развитии, в ходе проведенного исследования выявилось, что южные регионы проигрывают конкуренцию северным регионам по ВРП. Однако в «принимающих» регионах юга возникли Краснодарская, Ставропольская, Ростовская и Волгоградская агломерации, и в результате здесь обостряется конкуренция и соответственно, неформальная занятость [20] (Terentyeva, 2024).

На основе социологического опроса в ЕАО Комарова и др. выявили, что около 22% респондентов заняты в неформальном секторе, причем больше половины из них относятся к «вынужденно-занятым», т. к. им не удалось официально трудоустроиться [21] (Komarova et al., 2021). Исследуя факторы, влияющие на масштаб и структуру неформальной занятости на общенациональном и региональном уровнях В.В. Савалей и М.К. Прокопас выявили, что в Приморском крае рост инвестиций в основной капитал приводит к снижению численности занятых в неформальном секторе, тогда как по России в целом наблюдается противоположная тенденция. При этом в Приморском крае рост числа зарегистрированных предпринимателей способствует снижению численности занятых в неформальном секторе экономики [22] (Savaley et al., 2025).

Индикаторы теневой занятости

При общем значительном количестве научных статей, посвященных изучению феномена теневой занятости в РФ, статистическая оценка влияющих факторов встречается достаточно редко.

Так, в работе Борисова и др. обосновано выделение следующих предикторов неформальной занятости:

- доля населения с денежными доходами ниже черты бедности;

- доля работников малых предприятий;

- среднемесячная начисленная заработная плата работников;

- среднемесячная номинальная начисленная заработная плата наемных работников;

- расходы домохозяйств на конечное потребление, % (от ВРП);

- уровень безработицы [23] (Borisov et al., 2024).

Построенная Н.Н. Куницыной и др. модель демонстрирует, что росту численности занятых в неформальном секторе в большей степени способствует положительная динамика коэффициента бедности населения (соотношение номинальной и реальной заработной платы), доли безработных, прирост коэффициента демографической нагрузки и валовые сбережения [24] (Kunitsyna et al., 2024).

Изучая связи между безработицей, показателями рынка труда, занятости и доходов населения А.Ю. Андрюхин определил, что в краткосрочном периоде в отдельные годы существует также некоторая положительная зависимость между удельным весом занятых в неформальном секторе и индексом потребительских цен [25] (Andryukhin, 2021).

Ключевой методологической проблемой при использовании официальных данных о доходах как предиктора неформальности является их систематическое занижение в регионах с высокой долей теневой занятости. Так, проблема недоучета реального благосостояния домохозяйств в официальной региональной статистике доходов исследована О.В. Забелиной, Ф.И. Мирзабалаевой [26] (Zabelina et al., 2023). Это порождает эндогенную проблему: там, где неформальность наиболее высока, стандартный предиктор наименее надежен.

Именно это свойство лежит в основе введенного в настоящем исследовании коэффициента использования денежных доходов: его аномально высокие значения при одновременно высоком уровне неформальной занятости сигнализируют о том, что официальные доходы не отражают реального благосостояния домохозяйств региона.

Таким образом, теоретическим основанием гипотезы H2 служит тезис о том, что устойчивое сочетание индекса использования доходов и высокого уровня неформальной занятости является признаком систематического занижения реальных доходов в официальной региональной статистике.

Таким образом, выбор двух переменных (коэффициент использования доходов и банковские вклады) в качестве центральных индикаторов определяется тремя методологическими соображениями:

1. Сравнительная устойчивость поведенческих и финансовых индикаторов домохозяйств к манипуляциям и неполноте декларирования рассмотрена ЛаПорта и Шлейфером [6] (La et al., 2014). Вклады и расходы населения относятся к этой категории: первый показатель фиксируется банковской статистикой независимо от декларирования доходов, второй отражает фактическое потребление, которое труднее занизить, чем доходы.

2. Необходимость использования переменных, отражающих не только материальное положение, но и институциональный контекст при диагностике неформальности, обоснована в работе Перри и др. [7] (Perry et al., 2007). Показатель банковских вкладов удовлетворяет этому критерию: высокий объем вкладов свидетельствует о развитой банковской инфраструктуре, высоком институциональном доверии и низких транзакционных издержках формальной занятости.

3. Необходимость комплексной диагностики неформальности с использованием набора индикаторов, отражающих различные ее измерения, обоснована в работе Лоайза [5] (Loayza, 2016). Показатели доходов, расходов, использования доходов и вклады образуют взаимодополняющую систему: доходы –фиксирует официальный доход, расходы – фактическое потребление, использование доходов – соотношение между ними как индикатор статистической аномалии, вклады – интегральный измеритель благосостояния и институционального доверия.

ДАННЫЕ И МЕТОДОЛОГИЯ

Эмпирическую основу исследования составляют данные по 39 субъектам Российской Федерации на 01.01.2024 г. Эта дата выбрана как наиболее современный набор данных по всем индикаторам. Выборка охватывает регионы 5 федеральных округов с различным географическим, климатическим и социально-экономическим положением, представляя широкий диапазон социально-экономических условий по принципу «север-юг». Для описательного анализа пространственного распределения неформальной занятости дополнительно привлекаются данные по расширенной совокупности из 87 субъектов РФ из статистической отчетности.

Зависимая переменная Y – доля занятых в неформальном секторе (%) – измеряется Росстатом на основе выборочного обследования рабочей силы по методологии МОТ. По рабочей выборке (N = 39): min = 2,70%; max = 54,40%; mean = 23,57%; median = 19,20%; SD = 11,44 п.п.

Переменная X1 – среднедушевые денежные доходы населения (руб./мес.) – официально фиксируемый уровень благосостояния. Ключевое ограничение: в регионах с высокой долей теневой занятости X1 систематически занижает реальное благосостояние. По выборке: min = 24 414; max = 139 651; mean = 50 299; median = 43 869; SD = 21 379 руб./мес.

Переменная X2 – среднедушевые потребительские расходы (руб./мес.) – отражает фактическое потребление. Расходы труднее занизить в официальной отчетности, чем доходы. По выборке: min = 14 491; max = 85 247; mean = 37 946; median = 35 657; SD = 12 812 руб./мес.

Переменная X3 = X2/X1 – коэффициент соотношения расходов и доходов. Аномально высокие значения X3 (близкие к 1,0) при одновременно высоком Y интерпретируются как признак незадекларированных источников финансирования потребления. По выборке: min = 0,40; max = 0,99; mean = 0,77; median = 0,80; SD = 0,11.

Переменная X4 – объем банковских вкладов населения на душу населения (тыс. руб.) – операционализирует финансовую включенность. X4 улавливает реальное благосостояние, горизонт финансового планирования и уровень институционального доверия. По выборке: min = 22,10; max = 538,10; mean = 233,59; median = 214,30; SD = 132,41 тыс. руб.

Исследование реализуется в три последовательных этапа: (1) корреляционный анализ Пирсона для оценки попарных линейных взаимосвязей между Y и X1, X2, X3, X4; (2) OLS-регрессионный анализ с предикторами X1, X5 (контрольная переменная) и X4; (3) кейс-анализ региональных аномалий по коэффициенту X3.

Центральной методологической трудностью является высокая корреляция между X1 и X4. Оба показателя отражают благосостояние домохозяйств и закономерно движутся сонаправленно. По результатам расчетов: VIF(X1) = 19,72; VIF(X4) = 13,56 – оба значения превышают пороговый уровень VIF = 10. Практическое следствие: несмотря на то что X4 демонстрирует наиболее сильную парную корреляцию с Y (r = −0,791; p < 0,001), в совместной OLS-регрессии X4 оказывается незначимым (p = 0,059). Это не означает содержательной незначимости переменной – это стандартное следствие мультиколлинеарности. По этой причине основная интерпретирующая нагрузка несется результатами корреляционного анализа, а не β*-коэффициентами регрессии.

РЕЗУЛЬТАТЫ

Описательная статистика

Таблица 1 Описательная статистика переменных исследования (N = 39)

Переменная	Содержание	Мин.	Макс.	Среднее	Медиана	СО
Y (%)	Доля занятых в неформальном секторе	2,70	54,40	23,57	19,20	11,44
X1 (руб./мес.)	Среднедушевые денежные доходы	24 414	139 651	50 299	43 869	21 379
X2 (руб./мес.)	Среднедушевые потребительские расходы	14 491	85 247	37 946	35 657	12 812
X3	Коэффициент расходы/доходы (X2/X1)	0,40	0,99	0,77	0,80	0,11
X4 (тыс. руб.)	Вклады населения на душу населения	22,10	538,10	233,59	214,30	132,41

Источник: расчеты авторов по данным Росстата, Банка России.

Выборка из 39 субъектов РФ охватывает весь диапазон региональной вариации неформальной занятости: от 2,67% в Чукотском АО до 54,40% в Республике Ингушетия – разброс в 51,73 п.п. Правосторонняя асимметрия распределения Y (среднее 23,57% существенно превышает медиану 19,20%) свидетельствует о наличии группы регионов с аномально высокой неформальностью. Не менее значительна вариация X4: разрыв между минимальным и максимальным значением – 24,4 раза, что существенно превышает разрыв по доходам X1 (5,7 раза). Коэффициент X3 варьируется от 0,40 (ЯНАО) до 0,99 (Краснодарский край).

Корреляционный анализ

Таблица 2 Коэффициенты корреляции Пирсона r(Y, Xi), N = 39

Переменная	Содержание	r	p-value	Знач.
X4	Вклады населения на душу населения	−0,791	< 0,001	***
X2	Среднедушевые расходы	−0,673	< 0,001	***
X1	Среднедушевые доходы	−0,647	< 0,001	***
X3	Коэффициент расходы/доходы	+0,155	0,346	н/з

Примечание: *** – p < 0,001; н/з – статистически незначимо (p > 0,05).

Источник: расчеты авторов.

Принципиальным результатом является ранжирование предикторов: X4 (r = −0,791) (рис. 2) опережает X2 (r = −0,673) и X1 (r = −0,647) (рис. 1) по силе связи с Y. Разница между r(Y, X4) и r(Y, X1) составляет 0,144 единицы. Коэффициент X3 статистически незначим на уровне выборки (r = +0,155; p = 0,346), что не исключает его диагностической ценности в отдельных региональных случаях.

Рисунок 1. Корреляция доходов на душу населения и неформальной занятости в регионах России (r = −0,647)

Рисунок 2. Корреляция величины банковских вкладов населения и неформальной занятости в регионах России (r = −0,791)

Регрессионный анализ

Таблица 3 Результаты OLS-регрессии (зависимая переменная: Y, N = 39)

Предиктор	β*	SE	t	p-value	Знач.
X1 (среднедушевые доходы)	−0,336	0,147	−2,283	0,029	*
X5 (коэф. самозанятости)*	+0,430	0,107	+4,020	< 0,001	***
X4 (вклады населения)	−0,324	0,166	−1,949	0,059	н/з
R² = 0,746; скорр. R² = 0,724; F(3,35) = 34,27; p < 0,001

Примечание: β* – стандартизованные коэффициенты; SE – стандартная ошибка; * – p < 0,05; *** – p < 0,001; н/з – p > 0,05. VIF: X1 = 19,72; X5 = 3,16; X4 = 13,56. * X5 включен как контрольная переменная.

Источник: расчеты авторов.

Модель в целом высоко значима: F(3,35) = 34,27 при p < 0,001. Три предиктора совместно объясняют 74,6% межрегиональной вариации Y (R² = 0,746). Переменная X4 незначима в совместной регрессии (p = 0,059) вследствие тяжелой мультиколлинеарности с X1 (VIF(X1) = 19,72; VIF(X4) = 13,56). Основания для сравнения предикторов по силе связи с Y представлены в таблице 2.

Кейс-анализ: диагностика скрытых доходов через коэффициент X3

Таблица 4 Значения X3, Y, X1 и X4 по регионам кейс-анализа

Регион	Y (%)	X1 (руб./мес.)	X2 (руб./мес.)	X3	X4 (тыс. руб.)	Группа
Краснодарский край	31,0	54 627	54 117	0,991	260,8	Аномальный X3
Ставропольский край	34,2	32 930	30 648	0,931	160,9	Аномальный X3
Республика Калмыкия	33,1	28 635	26 174	0,914	86,7	Аномальный X3
Ростовская область	26,8	46 840	41 526	0,887	244,8	Аномальный X3
Волгоградская область	25,0	35 575	31 067	0,873	185,2	Пограничный X3
ЯНАО	10,9	139 651	56 231	0,403	473,6	Контраст
ХМАО	12,7	72 634	43 555	0,600	405,7	Контраст
Мурманская область	7,3	75 786	51 217	0,676	429,7	Контраст
Курганская область	20,3	34 812	26 094	0,750	145,5	Умеренный X3
Магаданская область	14,2	66 869	52 754	0,789	538,1	Умеренный X3
Чукотский АО	2,7	98 594	85 247	0,865	391,8	Исключение*

Примечание: * – Чукотский АО: высокий X3 при минимальном Y объясняется высокой стоимостью жизни в арктических условиях.

Источник: данные авторов по выборке N = 39.

Кейс-анализ выявляет устойчивый паттерн: четыре региона с X3 > 0,88 при Y > 25% – Краснодарский край (X3 = 0,991; Y = 31,0%), Ставропольский край (X3 = 0,931; Y = 34,2%), Республика Калмыкия (X3 = 0,914; Y = 33,1%), Ростовская область (X3 = 0,887; Y = 26,8%) – демонстрируют практически полное поглощение официальных доходов расходами при умеренном X4 (86,7–260,8 тыс. руб.). Контрастная группа с низкой неформальностью: ЯНАО (X3 = 0,403; Y = 10,9%; X4 = 473,6), ХМАО (X3 = 0,600; Y = 12,7%; X4 = 405,7), Мурманская область (X3 = 0,676; Y = 7,3%; X4 = 429,7).

ОБСУЖДЕНИЕ

Гипотеза H1 подтверждена. Согласно результатам корреляционного анализа (Таблица 2), X4 демонстрирует более сильную отрицательную связь с Y, чем X1: r(Y, X4) = −0,791 против r(Y, X1) = −0,647. Разница в 0,144 единицы при одинаковом уровне значимости (p < 0,001) является устойчивой и содержательно значимой. Необходимо зафиксировать важную оговорку: при совместном включении X1 и X4 в OLS-модель переменная X4 утрачивает индивидуальную статистическую значимость (p = 0,059) вследствие мультиколлинеарности (VIF(X1) = 19,72; VIF(X4) = 13,56). Это не опровергает H1, а отражает известное ограничение OLS.

Гипотеза H2 подтверждена на уровне кейс-анализа при отсутствии статистической значимости на уровне выборки (r = +0,155; p = 0,346). Таблица 4 обнаруживает устойчивый паттерн: все четыре субъекта с X3 > 0,88 и Y > 25% демонстрируют умеренный X4 (86,7–260,8 тыс. руб.) – в отличие от контрастной группы с X3 < 0,68 и X4 > 400 тыс. руб. Исключение – Чукотский АО (X3 = 0,865; Y = 2,7%): высокий X3 при минимальном Y объясняется объективно высокой стоимостью жизни, что подчеркивает необходимость совместной интерпретации X3 и Y. Незначимость X3 на уровне выборки объясняется нелинейностью эффекта, не улавливаемой линейным коэффициентом Пирсона.

Среднедушевые расходы X2 демонстрируют значимую отрицательную корреляцию с Y (r = −0,673; p < 0,001), занимая второе место по силе связи. Данный результат подтверждает теоретическую логику: расходы труднее занизить в официальной отчетности, чем доходы, и потому они описывают связь с неформальностью точнее.

Настоящее исследование имеет четыре ограничения. Во-первых, поперечный (кросс-секционный) дизайн не позволяет установить направление причинно-следственных связей. Во-вторых, объем рабочей выборки (N = 39) ограничивает возможности более сложного моделирования. В-третьих, мультиколлинеарность предикторов X1 и X4 (VIF > 10) делает β*-коэффициенты нестабильными. В-четвертых, официальные данные о доходах и расходах могут содержать систематические погрешности именно в регионах с высокой неформальностью.

ЗАКЛЮЧЕНИЕ

Выводы

Вывод 1 (по гипотезе H1). Объем банковских вкладов населения на душу населения (X4) является более сильным предиктором неформальной занятости, чем уровень среднедушевых денежных доходов (X1): r(Y, X4) = −0,791 против r(Y, X1) = −0,647 при p < 0,001. Три предиктора совместно объясняют 74,6% межрегиональной вариации Y (R² = 0,746; F(3,35) = 34,27; p < 0,001).

Вывод 2 (по гипотезе H2). Коэффициент X3 = X2/X1 > 0,88 в сочетании с Y > 25% является диагностическим индикатором систематического занижения реальных доходов. Кейс-анализ выявил устойчивый паттерн: Краснодарский край (X3 = 0,991; Y = 31,0%), Ставропольский край (X3 = 0,931; Y = 34,2%), Республика Калмыкия (X3 = 0,914; Y = 33,1%) и Ростовская область (X3 = 0,887; Y = 26,8%) демонстрируют практически полное поглощение официальных доходов расходами при умеренном уровне вкладов.

Практические рекомендации

Для регионов кластера 1 (Y < 15%): мониторинг сложившейся модели финансовой включенности, поддерживающей формализацию. Для регионов кластера 2 (Y 15–25%): развитие программ финансовой грамотности и льготных сберегательных продуктов. Для регионов кластера 3 (Y 25–35%): интеграция X3 в систему регионального статистического мониторинга; усиление налогового контроля в секторах с высоким наличным оборотом; развитие безналичных платежных систем. Для регионов кластера 4 (Y > 35%): институциональные меры – расширение банковской инфраструктуры, стимулы для перехода самозанятых на банковские расчеты.

Направления дальнейших исследований

Переход к панельному дизайну (2019–2025 гг.) позволит оценить динамику связи X4 и Y во времени и установить временное предшествование. Применение методов, устойчивых к мультиколлинеарности (метод главных компонент, PCR), позволит получить надежные оценки индивидуальных вкладов X1 и X4. Разработка пороговых методов верификации X3 позволит статистически подтвердить диагностический порог X3 > 0,88 на репрезентативной выборке.

Источники:

1. Минтруд: число занятых в тени россиян оценивается в 9,6 млн человек (2023). «Известия». - 2024. [Электронный ресурс]. URL: https://iz.ru/1709349/milana-gadzhieva-mariia-stroiteleva (дата обращения: 28.02.2026).
2. Минтруд оценил число занятых в теневом секторе в 6,5 млн россиян. ТАСС. - 2024. [Электронный ресурс]. URL: https://tass.ru/ekonomika/22341885 (дата обращения: 28.02.2026).
3. Теневая занятость в России достигла рекорда за 8 лет (около 15,8 млн человек, 21,3% занятости). «Executive». - 2026. [Электронный ресурс]. URL: https://www.e-xecutive.ru/finance/business/1998195 (дата обращения: 28.02.2026).
4. Росстат. Рабочая сила, занятость и безработица в России. / статистический сборник / Федеральная служба государственной статистики — Форма Т_3.1: Численность занятых в неформальном секторе по субъектам Российской Федерации в 2023 году. - М.: Росстат, 2024.
5. Loayza N. Informality in the Process of Development and Growth // The World Economy. – 2016. – № 39 (12). – p. 1856-1916. – doi: 10.1111/twec.12480.
6. La Porta R., Shleifer A. Informality and Development // Journal of Economic Perspectives. – 2014. – № 3. – p. 109-126. – doi: 10.1257/jep.28.3.109.
7. Perry G.E., Maloney W.F., Arias O.S., Fajnzylber P., Mason A.D., Saavedra-Chanduvi J. Informality: Exit and Exclusion. - Washington, D.C.: World Bank, 2007. – 258 p.
8. Гимпельсон В.Е., Капелюшников Р.И. В тени регулирования: неформальность на российском рынке труда. - М.: Изд. дом Высшей школы экономики, 2014. – 535 c.
9. Зубаревич Н.В. Стратегия пространственного развития после кризиса: от больших проектов к институциональной модернизации // Журнал НЭА. – 2015. – № 2. – c. 226–230.
10. Баяндина Я.О. Анализ факторов развития неформальной занятости в современном российском обществе // Современное общество: вопросы теории, методологии, методы социальных исследований. – 2024. – c. 48-53.
11. Лизина О.М., Федонина О.В., Илякова И.Е. Региональные аспекты неформальной занятости: тенденции распространения и направления государственного регулирования // Экономика и управление: проблемы, решения. – 2024. – № 10. – c. 113-124. – doi: 10.36871/ek.up.p.r.2024.10.06.014.
12. Узякова Е. С. Неформальная занятость и ее влияние на доходы населения и производительность труда // Проблемы прогнозирования. – 2022. – № 6. – c. 198-207.
13. Нуреев Р.М., Ахмадеев Д.Р. Классификация неформальной занятости и методы ее оценки // Terra Economicus. – 2015. – № 4. – c. 17–35. – url: https://cyberleninka.ru/article/n/klassifikatsiya-neformalnoy-zanyatosti-i-metody-ee-otsenki.
14. Нуреев Р. М., Ахмадеев Д. Р. Формальная и неформальная занятость как «близнецы-братья»: современная российская практика // Terra Economicus. – 2015. – № 3. – c. 16-33.
15. Нуреев Р. М., Ахмадеев Д. Р. Современный кризис и его влияние на неформальную занятость в России // Journal of Economic Regulation. – 2021. – № 1. – c. 6-22. – doi: 10.17835/2078-5429.2021.12.1.006-022.
16. Каспарьянц Н.М. Неформальная занятость и ее влияние на пенсионное обеспечение региона (на примере Краснодарского края) // ЭКО. – 2017. – № 2. – c. 159–174. – url: https://cyberleninka.ru/article/n/neformalnaya-zanyatost-i-ee-vliyanie-na-pensionnoe-obespechenie-regiona-na-primere-krasnodarskogo-kraya.
17. Куницына Н.Н., Джиоев А. Зависимость неформальной занятости от уровня доходов населения российских регионов: уроки пандемии // Экономика региона. – 2023. – № 2. – c. 437-450. – doi: 10.17059/ekon.reg.2023-2-11.
18. Аузан А.А., Дорошенко М.Е., Елисеев А.Н. Институциональная экономика: Новая институциональная экономическая теория. - Москва: ИНФРА М, 2011. – 447 c.
19. Мусаева Х.М., Шахбанова З.И., Керимова З.А. Вероятностные характеристики неформальной экономики и ее легализация как резерв роста налоговых доходов бюджета // Вестник Алтайской академии экономики и права. – 2023. – № 10–3. – c. 377-384. – doi: doi.org/10.17513/vaael.3057.
20. Терентьева М.А. Неформальная занятость: особенности на севере и юге России // Арктика и Север. – 2024. – № 57. – c. 181-200.
21. Комарова Т. М., Калинина И. В., Соловченков С. А. Субъективные и объективные оценки личной занятости населения Дальневосточного региона (на примере Еврейской автономной области) // Вестник Института социологии. – 2021. – № 2. – c. 101–122. – doi: 10.19181/vis.2021.12.2.717.
22. Савалей В.В., Прокопас М.К. Особенности развития сектора неформальной занятости в контексте современных реалий // Региональная экономика: теория и практика. – 2025. – № 8. – c. 71-84.
23. Borisov A.N., Borodin A.I., Gubarev R.V., Dzuyba E.I., Kulikova O.M. Assessing the Level of Employment in the Informal Sector of the Economy of Russian Regions Using Modern Machine Learning Methods // Review of Business and Economics Studies. – 2024. – № 4. – p. 42-57. – doi: 10.26794/2308-944X-2024-12-4-42-57.
24. Куницына Н.Н., Дюдикова Е.И., Лазба Ф.А. Занятость в неформальном секторе: причины негативных тенденций // Экономика и математические методы. – 2024. – № 1. – c. 46-58. – doi: 10.31857/S0424738824010047.
25. Андрюхин А. Ю. Статистическая оценка взаимосвязей показателей рынка труда и инфляции в экономике России // Статистика и экономика. – 2021. – № 4. – c. 9-21. – doi: 10.21686/2500-3925-2021-4-9-21.
26. Забелина О.В., Мирзабалаева Ф.И. Новые тренды занятости в неформальном секторе как вызовы политике формализации российского рынка труда // Экономика труда. – 2023. – № 2. – c. 263-278. – doi: 10.18334/et.10.2.117222.

Страница обновлена: 10.08.2026 в 07:04:55

Download PDF | Downloads: 2

Differentiation of regional policy for reducing shadow employment based on alternative assessment indicators

Kireenko A.P., Kolbyagina L.A., Berezhnikh M.V.

Journal paper

Shadow Economy
Volume 10, Number 2 (April-June 2026)

Citation:

Abstract:
Informal employment remains one of the most persistent structural characteristics of Russian labor market: according to Rosstat, one in five employed Russians is employed in the informal sector. The article aims to identify the role of household income, expenditure, and savings as indicators of informal employment in Russian regions and to assess their diagnostic capacity. A correlation analysis, OLS regression, and case study were conducted using data from 39 regions of Russia as of January 1, 2024. The empirical basis of the study was data from Rosstat, the Federal Tax Service, and the Bank of Russia. The results showed that the volume of bank deposits per capita demonstrates a stronger negative correlation with the share of informal employment than the level of per capita cash income and per capita expenditure. Together, these three predictors explain 74.6% of the interregional variation in informal employment. A case study revealed a consistent pattern: four regions with high income utilization rates (the ratio of per capita expenditure to per capita income in the region) and a high share of informal employment demonstrate signs of systematic underreporting of real income in official statistics. As a practical diagnostic tool for identifying regions with systematic underreporting of real income, the income utilization rate is proposed. It is concluded that the volume of bank deposits more accurately describes the relationship with informal employment than officially declared income. The results form the basis for differentiated regional policies to reduce informal employment.

Keywords: informal employment, shadow employment, income utilization rate, population bank deposits, population income, population expenditure, regional differentiation, interregional variation

JEL-classification: J46, O17, E26, D31, D12

References:

Rosstat. Labor force, employment and unemployment in Russia (2024).

Andryukhin A. Yu. (2021). Statistical Assessment of Relationships between Labor Market Indicators and Inflation in the Russian Economy. Statistika i Ekonomika. (4). 9-21. doi: 10.21686/2500-3925-2021-4-9-21.

Auzan A.A., Doroshenko M.E., Eliseev A.N. (2011). Institutional Economics: A New Institutional Economic Theory

Bayandina Ya.O. (2024). Analysis of the Factors of Informal Employment Development in Modern Society. Sovremennoe obschestvo: voprosy teorii, metodologii, metody sotsialnyh issledovaniy. 1 48-53.

Borisov A.N., Borodin A.I., Gubarev R.V., Dzuyba E.I., Kulikova O.M. (2024). Assessing the Level of Employment in the Informal Sector of the Economy of Russian Regions Using Modern Machine Learning Methods Review of Business and Economics Studies. 12 (4). 42-57. doi: 10.26794/2308-944X-2024-12-4-42-57.

Gimpelson V.E., Kapelyushnikov R.I. (2014). In the shadow of regulation: informality in the Russian labor market

Kasparyants N.M. (2017). Informal Employment and Its Impact on the Pension Provision of the Region (the Example of Krasnodar Region). EKO. (2). 159–174.

Komarova T. M., Kalinina I. V., Solovchenkov S. A. (2021). Subjective and Objective Assessments of Personal Employment at the Russian Far East (Jewish Autonomous Region as a Case Study). Vestnik Instituta sotsiologii. 12 (2). 101–122. doi: 10.19181/vis.2021.12.2.717.

Kunitsyna N.N., Dyudikova E.I., Lazba F.A. (2024). Informal Sector Employment: Reasons for Negative Trends. Economics and the Mathematical Methods. 60 (1). 46-58. doi: 10.31857/S0424738824010047.

Kunitsyna N.N., Dzhioev A. (2023). Dependence of Informal Employment on Population Income in Russian Regions: Lessons from the Pandemic. Economy of the region. 19 (2). 437-450. doi: 10.17059/ekon.reg.2023-2-11.

La Porta R., Shleifer A. (2014). Informality and Development Journal of Economic Perspectives. 28 (3). 109-126. doi: 10.1257/jep.28.3.109.

Lizina O.M., Fedonina O.V., Ilyakova I.E. (2024). Regional Aspects of Informal Employment: Trends in the Spread and Directions of State Regulation. Economics and management: problems, solutions (Ekonomika i upravleniye: problemy, resheniya nauchno-prakticheskiy zhurnal). 6 (10). 113-124. doi: 10.36871/ek.up.p.r.2024.10.06.014.

Loayza N. (2016). Informality in the Process of Development and Growth The World Economy. 39 (39 (12)). 1856-1916. doi: 10.1111/twec.12480.

Musaeva Kh.M., Shakhbanova Z.I., Kerimova Z.A. (2023). Probabilistic characteristics of the informal economy and its legalization as a reserve for the growth of budget tax revenues. Vestnik Altayskoy akademii ekonomiki i prava. (10–3). 377-384. doi: doi.org/10.17513/vaael.3057.

Nureev R. M., Akhmadeev D. R. (2015). Formal and Informal Employment at Twins Brothers: Modern Russian Practice. Terra Economicus. 13 (3). 16-33.

Nureev R. M., Akhmadeev D. R. (2021). The contemporary crisis and its influence on informal employment in Russia. Journal of economic regulation. 12 (1). 6-22. doi: 10.17835/2078-5429.2021.12.1.006-022.

Nureev R.M., Akhmadeev D.R. (2015). Classification of the Informal Employment and the Methods of Its Assessment. Terra Economicus. 13 (4). 17–35.

Perry G.E., Maloney W.F., Arias O.S., Fajnzylber P., Mason A.D., Saavedra-Chanduvi J. (2007). Informality: Exit and Exclusion

Savaley V.V., Prokopas M.K. (2025). PeCuliArIties of InfOrmal EmPloymEnt sEcTor's DeveloPmEnt in thE coNtext oF moDern reAlitieS. Regional Economics: Theory and Pactice. 23 (8). 71-84.

Terenteva M.A. (2024). Informal Employment: Features in the North and South of Russia. Arktika i Sever. (57). 181-200.

Uzyakova E. S. (2022). Informal Employment and Its Impact on Population’s Income and Labor Productivity. Problems of forecasting. (6). 198-207.

Zabelina O.V., Mirzabalaeva F.I. (2023). New employment trends in the informal sector as a challenge to the formalisation of the Russian labor market. Russian Journal of Labour Economics. 10 (2). 263-278. doi: 10.18334/et.10.2.117222.

Zubarevich N.V. (2015). Spatial Strategy After the Crisis: From the Big Projects to Institutional Modernization. Zhurnal NEA. (2). 226–230.