Введение
Рынок труда — сложная система, где традиционные макроэкономические индикаторы, такие как уровень безработицы от Росстата, часто публикуются с задержкой в несколько недель или даже месяцев. В эпоху Big Data и цифровых платформ возникает закономерный вопрос: можно ли использовать оперативные данные рекрутинговых сервисов для прогнозирования экономических трендов? Особый интерес представляет hh.индекс — метрика, рассчитываемая HeadHunter на основе отношения числа активных резюме к количеству вакансий. В статье, опубликованной на Habr, автор-аналитик провел масштабное исследование, чтобы выяснить, способен ли hh.индекс предсказывать динамику безработицы в России на горизонте от одного до трех месяцев Источник.
Суть hh.индекса и методология исследования
hh.индекс (или индекс соискателей) представляет собой отношение количества активных резюме к количеству открытых вакансий на платформе. Чем выше значение индекса, тем больше соискателей приходится на одну вакансию, что сигнализирует о росте конкуренции и, косвенно, об ухудшении ситуации на рынке труда. Автор статьи собрал помесячные данные hh.индекса и официальной статистики безработицы (по методологии Международной организации труда, МОТ) за период с января 2018 по декабрь 2024 года — всего 84 наблюдения.
Ключевые этапы анализа:
- Сбор и очистка данных. Использовались открытые данные HeadHunter (hh.ru) и Росстата. Для корректности сравнения автор привел ряды к единой периодичности (месяц) и удалил сезонные выбросы.
- Корреляционный анализ. Оценка взаимосвязи между текущим значением hh.индекса и уровнем безработицы в тот же месяц, а также с лагом в 1, 2 и 3 месяца.
- Построение регрессионной модели. Использовалась линейная регрессия с лаговыми переменными для прогноза уровня безработицы на основе hh.индекса.
- Валидация. Модель тестировалась на данных 2024 года, которые не участвовали в обучении.
Результаты: корреляция vs. причинность
Основные выводы исследования оказались неоднозначными. Парная корреляция Пирсона между hh.индексом и уровнем безработицы в том же месяце составила 0.72 (p < 0.001), что указывает на сильную положительную связь. Однако при попытке использовать hh.индекс как предиктор с лагом в 1 месяц корреляция снижалась до 0.54, а с лагом в 2 месяца — до 0.31, что статистически значимо только на уровне 95%.
| Лаг (мес.) | Коэффициент корреляции | Статистическая значимость (p-value) |
|---|---|---|
| 0 | 0.72 | <0.001 |
| 1 | 0.54 | 0.002 |
| 2 | 0.31 | 0.045 |
| 3 | 0.12 | 0.382 (не значимо) |
Как видно из таблицы, hh.индекс неплохо описывает текущую ситуацию (корреляция 0.72), но его прогностическая способность резко падает уже на горизонте в 2 месяца. Автор отмечает, что регрессионная модель с лагом в 1 месяц объясняет лишь около 29% дисперсии уровня безработицы (R² = 0.29), что недостаточно для надежного прогноза.
Почему hh.индекс не является идеальным предсказателем?
- Разная методология подсчета. Росстат считает безработными граждан, не имеющих работы, но активно ее ищущих, в то время как hh.индекс учитывает резюме, которые могут быть размещены пассивно (например, соискатели, уже трудоустроенные, но рассматривающие предложения).
- Структурные сдвиги. Пандемия COVID-19 в 2020 году привела к резкому росту hh.индекса (из-за массовых увольнений и заморозки найма), но официальная безработица росла медленнее из-за господдержки и перехода части занятых в неформальный сектор.
- Запаздывание реакции. Компании могут не закрывать вакансии месяцами даже при падении спроса, что искажает индекс.
Практические кейсы и ограничения
Автор приводит несколько примеров из 2022–2023 годов, когда hh.индекс демонстрировал резкие скачки, не приводящие к пропорциональному изменению безработицы. Например, в марте 2022 года индекс вырос на 40% за месяц (из-за ухода западных компаний и неопределенности), но уровень безработицы увеличился лишь на 0,3 п.п. через три месяца. Это подтверждает, что hh.индекс чувствителен к шокам на рынке труда, но его прогнозная ценность ограничена краткосрочным горизонтом (до 1–2 месяцев) и требует дополнительных фильтров.
Инструменты анализа данных, такие как Python с библиотеками pandas и statsmodels, позволяют автоматизировать сбор и обработку подобных метрик. Для тех, кто хочет научиться строить прогнозные модели на основе открытых данных, ASI Biont поддерживает подключение к HeadHunter через API — подробнее на asibiont.com/courses. Это позволяет получать актуальные значения hh.индекса в реальном времени и использовать их в собственных аналитических пайплайнах.
Заключение
Проведенное исследование на данных за семь лет показывает, что hh.индекс может служить оперативным индикатором текущего состояния рынка труда, но его способность предсказывать безработицу ограничена коротким горизонтом (1–2 месяца) и низкой точностью. Для более надежных прогнозов необходимо комбинировать hh.индекс с другими макроэкономическими показателями (ВВП, инфляция, индекс промышленного производства) и учитывать структурные изменения. Автор рекомендует использовать hh.индекс как дополнительный инструмент анализа, а не как самостоятельный предиктор. Развитие методов машинного обучения и увеличение частоты сбора данных (например, недельные срезы вместо помесячных) могут повысить его прогностическую ценность в будущем.
Комментарии