Сотрудница научно-учебной лаборатории исследований спорта факультета экономических наук НИУ ВШЭ Екатерина Митрохина в 2021 году защитила магистерскую диссертацию по программе «Финансовая экономика» Международного института экономики и финансов. В своей работе она изучала взаимосвязи между безработицей во время пандемии и экономической структурой региона, уровнем доверия его населения к местному правительству, а также смотрела, как ограничительные меры повлияли на регистрируемую безработицу.
Работа Екатерины опубликована на платформе ИНИД в разделе «Исследования» на английском языке. Мы попросили Екатерину рассказать о том, как данные помогли ей в проверке гипотез.
Вопрос моей магистерской диссертации: какое влияние оказал COVID-19 на зарегистрированную безработицу с учётом характера введённых ограничительных мер, экономической структуры региона и доверия его населения к местному правительству?
Безусловно, коронавирус и последующая изоляция повлияли на экономику во всём мире. Многие исследователи, в том числе S. Hsiang и др. связывают негативные последствия пандемии с государственной политикой и прежде всего теми ограничениями, которые были введены в разных странах в целях предотвращения COVID-19. Их выводы были получены на основе анализа данных: например, статистика ежедневного потребления электроэнергии в Италии позволила C. Fezzi и V. Fanghella выявить то, что три недели строгой изоляции привели к сокращению ВВП Италии почти на 30%; P. Deb и др., изучив статистику по 208 странам и регионам, затронутых коронавирусом, в своём исследовании показали, что закрытие рабочих мест и введение локдауна вызывают большие экономические издержки.
В России в 2020 году из-за пандемии ВВП сократился на 12%, а число безработных удвоилось.
Чтобы оценить влияние ограничительных мер на регистрируемую безработицу в России, в работе над диссертацией я изучила данные о занятости и безработице в нашей стране за несколько лет, включая периоды как до пандемии, так и во время неё. Датасет «Регистрируемая безработица в России: обезличенные микроданные о характеристиках граждан и полученных услугах за 2017—2021 гг.» помог мне сформулировать исследовательский вопрос. Я разбила данные две группы: первая включала сферы, сильно пострадавшие от COVID-19, вторая — пострадавшие незначительно. Поскольку датасет содержит очень много атрибутов, я без труда нашла среди них тот, который позволил мне выполнить это разделение. Таким атрибутом стал profession_last_work — профессия по последнему месту работы. К первой группе я отнесла такие отрасли, как транспорт, культура и развлечения, ресторанный бизнес, спорт, туризм и некоторые другие виды экономической деятельности, поскольку именно они перечислены в утверждённом Правительством Российской Федерации перечне отраслей российской экономики, в наибольшей степени пострадавших в условиях ухудшения ситуации в результате распространения новой коронавирусной инфекции. И именно в этих сферах после начала пандемии увеличилось количество граждан, обратившихся за пособием, что было подтверждено с помощью построения эконометрической модели.
Далее за счёт поиска неочевидных взаимосвязей я повторно изучила состав данных и использовала атрибут region для повторной разбивки данных на смысловые группы. Это позволило проверить гипотезу о том, что полный локдаун должен был привести к увеличению количества зарегистрированных безработных порегионально: чем строже режим изоляции, тем больше людей оказываются на бирже труда.
Я разделила регионы на две группы по наличию или отсутствию пропускной системы: в первой группе оказались те субъекты, которые её ввели (например, Москва, Московская область, Республика Татарстан, Краснодарский край и т.д.), во второй — все остальные. Построение модели позволило выявить, что в среднем безработица в сферах, непосредственно пострадавших от COVID-19, в регионах первой группы меньше, чем во второй, и составляет около 5%.
Далее мне стало интересно посмотреть, каким образом изменения уровня безработицы во время пандемии коронавируса зависят от экономической структуры региона. В списке сфер российской экономики, пострадавших от COVID, не было таких крупных сегментов, как нефтегазовая промышленность, машиностроение или сельское хозяйство, и, по-видимому, они не пострадали от пандемии. Анализ данных позволил мне подтвердить мою гипотезу, что в регионах с высокой долей промышленной экономики по сравнению с субъектами, обладающими диверсифицированной структурой, рост зарегистрированной безработицы выше среди тех людей, чьи профессии связаны с отраслями, непосредственно пострадавшими от COVID-19 (интересующий меня коэффициент значим, положителен и равен 0,05). Таким образом, я сделала вывод о том, что диверсифицированная экономика смягчает шок. Это подтверждается и в работах других исследователей (E. Hill и др., 2010; S. Davies, 2011; M. Sensier и др., 2016; D.J. Webber и др., 2018), в которых говорится о том, что более дифференцированная структура экономики стран или регионов помогает им преодолевать экономические кризисы легче по сравнению с другими, экономика которых основана на одной отрасли.
Анализ данных помогает не только проводить интересные и актуальные исследования, но и впоследствии разрабатывать конкретные решения той или иной проблемы. Как мне кажется, создание платформы ИНИД, где любой исследователь может запросить высококачественные и уникальные государственные данные, которых нет в открытом доступе, является знаковым событием для всех исследователей в России.
