Էկոնոմետրիկ մեթոդների կիրառումը մարդկային կապիտալի զարգացման համար
DOI:
https://doi.org/10.46991/BYSU:G/2023.14.3.016Keywords:
էկոնոմետրիկ մեթոդներ, մարդկային կապիտալի կառավարում, գլխավոր բաղադրիչների մեթոդ (PCA), K-means մեթոդ, կլաստերային վերլուծություն, գծային դիսկրիմինանտային վերլուծություն (LDA), էկոնոմետրիկ օպտիմալացում, Python ծրագրավորման լեզուAbstract
Հետազոտության շրջանակներում իրականացվել է էկոնոմետրիկ մեթոդների կիրառման վերլուծություն՝ մարդկային կապիտալի կառավարման օպտիմալացման նպատակով։ Հետազոտության նպատակը տարբեր էկոնոմետրիկ մեթոդների միավորումն է փուլային ալգորիթմի մեջ՝ մարդկային կապիտալի կառավարման համակարգի կատարելագործման համար։ Հետազոտության մեթոդաբանական հիմք են՝ գլխավոր բաղադրիչների մեթոդը (PSA), K-means մեթոդով կլաստերային վերլուծությունը և գծային դիսկրիմինանտային վերլուծությունը (LDA): Ընտրված մեթոդների թեստավորումը իրականացվել է Python ծրագրավորման լեզվի միջոցով։ Որպես թեստավորման օբյեկտ ընտրվել են Եվրասիական տնտեսական միության (ԵԱՏՄ) երկրների կազմակերպությունները․ այդ կազմակերպությունների համախառն ընտրանքը կազմել է 200 դիտարկում՝ ըստ 15 ցուցանիշների, որոնք բնութագրում են մարդկային կապիտալը։ PSA կիրառումը չափականության փոքրացման նպատակով թույլ է տվել պարզեցնել տվյալների բարդ հավաքածուն՝ մարդկային կապիտալի ասպեկտով փոփոխականության արմատական ուղղությունների բացահայտման համար։ Թեստավորումը ցույց է տվել, որ 4 գլխավոր բաղադրիչներ բացատրել են տվյալների փոփոխականության մոտ 78․7%-ը։ K-means-ի կիրառումը թույլ է տվել տվյալները խմբավորել 4 տարբեր կլաստերներում, որոնք բնորոշում են աշխատակիցների տարբեր խմբերը՝ իրենց առանձնահատուկ բնութագրերով։ LDA կիրառումը օգնել է որոշել հիմնական գործոնները, որոնք տարանջատում են կլաստերները։ Թեստավորումը ցույց է տվել, որ առաջին և երկրորդ դիսկրիմինանտային բաղադրիչները արդյունավետ բաժանել են կլաստերները՝ բացատրելով դրանց միջև փոփոխականության զգալի մասը (78,7% բացատրելի դիսպերսիա)։ Հետազոտության արդյունքները ցույց են տվել էկոնոմետրիկ մեթոդների կիրառման նշանակալիությունը գործնականում մարդկային կապիտալի կառավարման համար՝ առաջարկելով կառավարչական որոշումների արդյունավետության բարձրացման նոր մոտեցումներ և գործիքներ` տնտեսական համակարգերի ինտելուկտուալ զարգացման արագացման պայմաններում։
References
Дмитриев Н. Д., Зайцев А. А. Интеллектуальный капитал в промышленности: особен-ности и место рентных подходов. СПб.: Астерион, 2022.
Marr B. Data-Driven HR: How to Use Analytics and Metrics to Drive Performance. Kogan Page Publishers, 2018. 264 p.
Айвазян Н., Гзоян Э. Оценка интеллектуального капитала стран СНГ в контек-сте науки // Вестник Ереванского Университета: Экономика. 2012. № 3(1).
Полевая М. В. Управление человеческими ресурсами в условиях глобальных измене-ний. Москва: Прометей, 2019. 236 с.
Дмитриев Н. Д. Зайцев А. А., Родионов Д. Г. Модель взаимосвязи между ин-теллектуальным капиталом и формированием рентного дохода промышленных пред-приятий // Вестник академии знаний. 2023. № 4. С. 92-97.
Гродский В. С. Управление человеческими ресурсами: теория, практика, эффек-тивность. М.: Инфра-М, 2022. 278 с.
Карапетян Т. Капитализация национального богатства через инвестиционные фонды // Вестник Ереванского Университета: Экономика. 2020. № 1.
Герасимов А. Н., Скрипниченко Ю. С., Скрипниченко В. Ю. Социально-экономические факторы формирования и использования человеческого капитала в про-екции их влияния на экономическую безопасность // Вестник Академии знаний. 2022. №6 (53).
Ларин С. Н., Куропаткина Л. В., Хрусталев Е. Ю. Эффективность вузовской науки как важнейший фактор развития человеческого капитала // Политематический сетевой электронный научный журнал КубГАУ. 2021. № 166 (02).
Guenole N., Ferrar J., Feinzig S. The Power of People: How Successful Organiza-tions Use Workforce Analytics To Improve Business Performance. FT Press, 2017.
Дмитриев Н. Д. Интеллектуальный рычаг как инструмент оценки эффективно-сти «интенсивных» инвестиций // Экономика и Индустрия 5.0 в условиях новой реаль-ности (ИНПРОМ-2022): сборник конференции. 2022.
Овсепян В. Развитие человеческого капитала и экономический рост // Вестник Ереванского Университета: Экономика. 2015. № 2.
Becker G. S. Human Capital: A Theoretical and Empirical Analysis, with Special Reference to Education. University of Chicago Press, 2009.
Mathis R. L., Jackson J. H., Valentine S. R., Meglich P. Human Resource Manage-ment. Cengage Learning, 2016.
Дмитриев Н. Д. Зайцев А. А., Унгвари Л. Развитие экономико-математического аппарата управления интеллектуальным капиталом через оптимизационные модели // Бизнес. Образование. Право. 2023. № 3.
Тарасов В. Т., Данилов И. П. Эконометрический анализ детерминантов чело-веческого капитала // Вестник ЧГУ. 2012. № 4.
Маградзе Т., Дмитриев Н. Д. Моделирование мотивационных механизмов уп-равления человеческими ресурсами в электроэнергетике // Human Progress. 2020. № 2.
Greene W.H. Econometric Analysis. Prentice Hall, 2003.
Provost F., Fawcett T. Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking. O'Reilly Media, Inc., 2013.
Hanushek E.A., Woessmann L. The Knowledge Capital of Nations: Education and the Economics of Growth. MIT Press, 2015.
Scholz T.M. Data in Organizations and the Role of Human Resource Management: A Complex Systems Theory-based Conceptualization, 2017.
Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Min-ing, Inference, and Prediction. Springer Science & Business Media, 2013.
Izenman A.J. Modern Multivariate Statistical Techniques: Regression, Classification, and Manifold Learning. Springer New York, 2013.
Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 Բանբեր Երևանի համալսարանի
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.