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
![Creative Commons License](http://i.creativecommons.org/l/by-nc/4.0/88x31.png)
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.