Анализ и прогнозирование доходности ключевых профессий для предупреждения перенасыщения рынка труда в Казахстане.

Основная идея проекта заключается в анализе и прогнозировании доходности ключевых профессий в Казахстане с использованием методов машинного обучения для предотвращения перенасыщения рынка труда. Это позволяет выявить сектора с высоким риском стагнации заработных плат и безработицы, а также разработать рекомендации для перераспределения трудовых ресурсов и стимулирования развития менее насыщенных, но перспективных отраслей.

Проблема заключается в перенасыщении рынка труда популярными профессиями, что приводит к снижению их доходности, стагнации заработных плат и увеличению конкуренции среди специалистов. Это создает риски безработицы, особенно для узкоквалифицированных работников, и угрожает экономической стабильности, так как рост числа специалистов в этих областях не сопровождается пропорциональным увеличением спроса.

Ключевые преимущества:
• Точный прогноз доходности профессий.
• Оптимизация рынка труда.
• Использование современных методов машинного обучения.
• Поддержка государственной политики.
• Долгосрочное прогнозирование (до 2030 года).
• Снижение риска безработицы.
• Развитие перспективных отраслей.
• Увеличение экономической стабильности.
• Стимулирование спроса на рабочую силу.
• Поддержка образовательных и инновационных инициатив.


Также, ярким примером актуальности данного проекта является то, что В Казахстане в 2023–2024 учебном году было выделено 88 204 государственных образовательных гранта, из которых более 73 000 предназначены для обучения на уровне бакалавриата. (Источник: Bilimdinews.kz)
Однако, по данным Министерства науки и высшего образования, в 2021 году только 67% выпускников вузов были трудоустроены на постоянной основе, что указывает на дисбаланс между количеством выпускников и потребностями рынка труда. (Источник: Inform.kz)

• Инновационный Алгоритм CatBoost: Метод градиентного бустинга, оптимизированный для работы с категориальными данными.
• PowerTransformer (метод Box-Cox): Инструмент для нормализации распределения целевой переменной.
• Label Encoding: Кодирование категориальных данных, таких как территориальные и профессиональные коды.
• Модели предсказания: Прогнозирование на основе исторических данных и построение сценариев до 2030 года.
Модель обучалась на матрице признаков X, которая включает параметры SUO, Age, SPPN2, KATO, GSDPRS (все данные, датасеты были предоставлены государственной организацией Бюро Национальной Статистики при Агентстве Стратегического Планирования и Реформам Республики Казахстан)

Концепт

• Государственное управление: Оптимизация политики занятости и распределения трудовых ресурсов.
• Экономическое планирование: Прогнозирование изменений в доходности профессий для устойчивого развития рынка труда.
• Образование: Разработка учебных программ для подготовки кадров в востребованных отраслях.
• Социальная политика: Снижение уровня безработицы и поддержка уязвимых категорий населения.

• Создание рабочей модели прогнозирования, которая точно предсказывает изменения доходности до 2030 года.
• Выявление ключевых проблем рынка труда, включая профессии с высоким риском перенасыщения, и предложить меры для их предотвращения.
• Повышение качества анализа данных, используя инструменты для нормализации распределений и обработки категориальных данных.

Влияние:
1. Для общества:
• Проект может быть использован для снижения рисков безработицы и повышения занятости в перспективных отраслях.
• Его выводы могут помочь улучшить систему образовательных грантов, ориентируясь на реальные потребности рынка.
2. Для бизнеса:
• Компании могут использовать прогнозы для более эффективного планирования найма и удержания персонала

Экономический эффект:
• Потенциальное снижение затрат: Использование модели прогнозирования позволяет государству сократить расходы на программы поддержки безработных за счет раннего выявления профессий с риском перенасыщения. Например, перераспределение грантов на менее насыщенные специальности может снизить издержки на субсидирование и переквалификацию.
• Рост экономической эффективности: Точные прогнозы помогают бизнесу оптимизировать найм сотрудников и минимизировать затраты на обучение и адаптацию новых работников.

Социальное воздействие:
• Снижение безработицы: Предложения проекта могут способствовать уменьшению числа безработных за счет перераспределения трудовых ресурсов в менее насыщенные, но перспективные отрасли.
• Улучшение образовательной системы: Оптимизация распределения грантов и разработка новых программ обучения на основе прогнозов позволяет лучше соответствовать запросам рынка.
• Стабилизация доходов: Поддержка профессий с риском стагнации доходов предотвращает снижение уровня жизни работников в этих сферах.

1. Использование CatBoost
• Применение алгоритма, разработанного Яндексом, позволяет работать с большими объемами категориальных данных, обеспечивая высокую точность прогнозов. Этот подход редко используется в задачах прогнозирования рынка труда.
2. Фокус на локальные данные
• Проект учитывает особенности рынка труда Казахстана, такие как региональные различия, демографические факторы и уровень образования, что делает его адаптированным к локальным реалиям.
3. Долгосрочный прогноз
• Прогноз доходности профессий до 2030 года позволяет планировать изменения в системе образования и трудовой политике с учетом долгосрочных трендов.
4. Интеграция экономического и социального анализа
• Проект не только анализирует данные о доходах, но и рассматривает их влияние на социальные аспекты, такие как занятость, конкуренция и распределение трудовых ресурсов.
5. Гибкость и адаптируемость
• Модель легко адаптируется для применения в различных отраслях и может быть доработана под нужды конкретных заказчиков, будь то государственные учреждения или частный бизнес.

Возможности масштабирования:
1. Расширение географии проекта
• Адаптация модели для анализа рынка труда в других странах Центральной Азии или регионах с похожими экономическими и социальными условиями.
2. Интеграция дополнительных данных
• Включение данных о международной миграции, изменениях в налоговой политике и инвестициях в высокотехнологичные отрасли для повышения точности прогнозов.

Организация предоставившая датасет: Бюро Национальной Статистики при Агентстве Стратегического Планирования и Реформам Республики Казахстан.

Также за данный проект, был награжден Агентством Стратегического Планирования и Развития Республики Казахстан, а также корпоративным фондом “El Umiti”