Современная характеристика условий и охраны труда работников

Для более ясной презентации результатов нашего моделирования необходимо определенным образом трансформировать полученные параметры модели. В случае логит-моделей это можно сделать применив к коэффициентам экспоненциальной преобразования, получив тем самым меру, называемую в литературе «odds retio» - то есть коэффициент эластичности вероятности, а не ее логарифма, по различным включенным в модель факторам. Данные коэффициенты эластичности также были получены с помощью пакета R studio и приведены в таблице 5.

Таблица 5

Результаты идентификации моделей (коэффициенты эластичности вероятности занятости на опасном производстве),%, Россия, 2004, 2009, 2014 гг.

Из таблицы видно, что при увеличении возраста респондента на 1 год, вероятность его занятости на опасном производстве снижается на 0,12% в 2004 году, на 0,10 в 2009 и на ту же величину в 2014 году. Отрицательная определенность данного коэффициента говорит о том, что вероятность занятости на вредных производствах выше на ранних возрастах, при этом с ростом возраста данная вероятность снижается. Данный результат выглядит достаточно логичным: люди в старших возрастах, в среднем, имеют больше проблем со здоровьем, чем молодые люди, что вынуждает их отказываться от угрожающей их жизни и здоровья работы.

Также мы можем видеть достаточно высокий коэффициент эластичности по дамми-переменно, отражающей наличие у респондента детей. Если у респондента есть дети, вероятность занятости на вредном производстве возрастает в среднем на 36,5% в 2004 году. Это говорит о том, что люди, имеющие детей, вынуждены соглашаться на любую занятость, которая бы позволила им получать доход, достаточный для содержания своих детей. При этом мы можем наблюдать снижение данного коэффициента эластичности с течением времени. В 2009 году значение данного коэффициента эластичности составляет уже 26%, а в 2014 - 30%, что немного выше, однако, все равно ниже, чем начальное значение в 2004 году.

Также с течением времени постепенно возрастает коэффициент при уровне образования респондента. Значение данного коэффициента эластичности составляет 4,65% в 2004 году, далее коэффициент возрастает до уровня 4,9%, затем достигает значения 5% в 2014 году. Таким образом, мы можем заключить, что с течением времени больше образованных людей соглашаются идти на работу на опасных производствах, однако, этот рост не является существенным, общее изменение за весь рассматриваемый десятилетний период составило менее 0,5%.

Далее мы можем отметить совсем небольшое (о чем говорит крайне низкое значение коэффициента эластичности) влияние общего трудового стажа на вероятность быть занятым на опасном производстве. При этом значение данного коэффициента является стабильным, практически не меняясь с течением времени. Такие результаты могут говорить о том, что в среднем на опасные производства трудоустраиваются опытные сотрудники, имеющий некоторый трудовой стаж.

Коэффициент эластичности вероятности занятости на опасном производстве по брачному состоянию составляет 8,4% в 2004 году, затем его значение растет до 10% в 2009 году и, наконец, снижается до 9,1% в 2014 году. Объяснение таких результатов может быть схожим с объяснением полученных коэффициентов эластичность по дамми-переменной, отражающей наличие у респондента детей. Получается, имея семью, человек осознает необходимость большего заработка, что толкает его к занятости на опасном для жизни и здоровья производства.

Коэффициент при поле респондента имеет достаточно высокие значения во всех рассматриваемых периодах. Коэффициент эластичности по данной переменной является отрицательной, что говорит о том, что преимущественно на опасных предприятиях трудоустраиваются мужчины. Это может объясняться тем, что такие производства могут требовать от работников достаточно высокой физической выносливости. При этом абсолютное значение данного коэффициента постепенно растет с течением времени. Значение данного коэффициента эластичности составляет -35,7% в 2004 году, 3-7,3% в 2009 и, наконец, достигает значения -39,6% в 2014 году. Рост абсолютного значения данного коэффициента может говорить о том, что с течением времени вероятности занятости на вредном предприятии снижается для женщин. Таким образом, мы можем говорить о сокращении женской занятости на вредных предприятиях.

Достаточно низким коэффициентом эластичности характеризуется численность населения в населенном пункте, при этом наблюдается незначительный рост данного коэффициента в течение рассматриваемого периода. Иными словами, чем выше численность населения населенного пункта, в котором проживает респондент,тем выше вероятность занятости на вредном производстве. Такие результаты могут говорить о том, что вредные производства сконцентрированы преимущественно в крупных населенных пунктах. Однако мы можем также предположить, что на достаточно низкое значение данного коэффициента эластичности может оказывать влияние тот факт, что если вредное производство находится в небольшом населенном пункте с низкой численностью населения, то жители данного населенного пункта могут быть лишены возможности альтернативного трудоустройства.

Таким образом, нам удалось установить направление воздействия основных социально-демографических характеристик индивида на вероятность его занятости на опасном предприятии, а также проанализировали динамику значимости рассматриваемых характеристик. Мы выяснили, что наибольшее влияние на вероятность такого рода занятости оказывают пол респондента и наличие у него детей. При этом коэффициент эластичности по полу репондента с течением времени растет (по модулю), что говорит о снижении вероятности занятости на опасном предприятии для женщин. Такие результаты вполне согласуются с теми теориями, которые были описаны во второй главе.

3.2 Анализ производственного травматизма

Еще одним важным аспектом условий труда является количество производственных травм. Очень интересным является не только изучение динамики производственного травматизма, но и прогнозирование этой динамики. В качестве инструмента прогнозирования были выбраны модели ARIMA(p.d.q). Для прогнозирования динамики травматизма были взяты данные по производственному травматизму с Росстат [Росстат, 1999] за период 2000-2014 гг.

На рисунке 1 представлен график динамики производственного травматизма за период с 2000 по 2012 год. На данном графике имеется нисходящий тренд. Мы видим, что начиная с 2000 года, количество производственных травм стремительно снижается с каждым годом. К сожалению, у нас нет данных до 2000 года, но можно предположить, что до 2000 года наблюдался рост производственного травматизма. Возможно, что развитие современных технологий способствовало снижению количества несчастных случаев на производстве.

Прогноз будет сделан до 2017 года. Модели ARIMA будут оценены не только по динамике травматизма, но и по динамике количества смертей от травм, полученных на производстве. Таким образом, будет возможность оценить доверительные интервалы количества смертей на ближайшие три года от производственного травматизма.

Исследование временных рядов будет проводиться в прикладных статистических пакетах R и Gretl.

Так как нельзя исследовать нестационарные ряды прежде всего полезно взглянуть на графики динамик показателей. Это позволит сделать некоторые выводы о стационарности рядов.

Наличие тренда в динамике ряда свидетельствует о нестационарности рядов. Также взглянем на график количества смертей от производственного травматизма. Логично предположить, что динамика у показателя количества смертей от получения производственных травм будет очень похожа на динамику производственного травматизма.

Рис. 1 График динамики производственного травматизма за период

с 2000 по 2012 год (Росстат)

Рис. 2 График динамики количества смертей от

получения производственных травм

Как мы и предполагали, динамика оказалась очень схожей. Однако, в 2007 году наблюдается резкий скачок количества смертей, в то время как количество травм на производстве продолжает снижаться без каких-либо колебаний в динамике. Скорее всего, это связано с тяжестью полученной травмы, хотя причин может быть множества. В свою очередь, тяжесть полученной травмы может быть последствием введения новых технологий на производстве. У рабочих, которые не имели опыта работы с таким оборудованием, на первых порах получали более тяжелые травмы. Таким образом, можно предположить о наличии структурного сдвига.

В результате анализа графиков динамики показателей мы можем заключить наличие тренда в обоих рядах и тем самым предположить нестационарность рядов. В этом нам окончательно помогут убедиться автокорреляционная функция и расширенный тест Дикки-Фуллера.

Взглянем на автокорреляционную функцию показателя “количество полученных производственных травм” в приложении 16. Здесь и далее даются ссылки на часть 2 приложения

На нем изображены ACF и PACF показателя “Количество полученных производственных травм”. По графику автокорреляционной функции мы видим, что на первом и втором лагах имеются скачки, выходящие за границы доверительного интервала. После чего мы наблюдаем быстрое убывание автокорреляционной функции. На графике частной автокорреляционной функции мы видим скачок на первом, а все остальные частные автокорреляционные функции примерно около нуля. Следовательно, функция стремится к нулю.

Теперь взглянем на автокорреляционную функцию показателя “количество смертей от производственных травм” в приложении 17.

Итак, как видим по приложению 17, никаких существенных изменений в ACF и PACF не произошло. Все то, что описывали и для показателя “Количество полученных производственных травм” подходит и для данного показателя. Подкрепим наши выводы о нестационарности ряда тестом Дикки-Фуллера, который представлен в приложении 1 для переменной “Количество полученных производственных травм” и в приложении 2 для переменной “Количество смертей от производственных травм”.

P-значения в случаях обеих переменных оказались больше уровня 5%, что подтверждает выводы о нестационарности рядов. Так как нельзя исследовать нестационарные ряды, необходимо привести ряд к стационарному виду путем взятия последовательных разностей до тех пор, пока ряд не станет стационарным. Возьмем первую разность для переменной “Количество полученных производственных травм” и проведем тест Дикки-Фуллера, которые представлен в приложении 3. Как видно из теста p-значение равно 0,4212, что больше 0,05. Ряд все еще нестационарен. Возьмем еще одну разность. Тест Дикки-Фуллера для второй разности данной переменной представлен в приложении 4. В этом случае ряд стал стационарен(p-значение<0,05).

Взглянем на коррелограмму данной переменной. График коррелограммы переменой представлен на рисунке 5.

Рис. 3 График коррелограммы переменной

“Количество полученных производственных травм”

Как видно из рисунка 5 все лаги ACF и PACF находятся в доверительных границах, что свидетельствует о стационарности ряда (на графике виден белый шум, который также является стационарным).

Проведем ту же самую процедуру и для переменной “количество смертей от производственных травм”. Результаты теста Дикки-Фуллера представлены в приложении 5. P-значение больше 0,05. Ряд не стационарен. Возьмем вторую разность и проведем еще раз тест Дикки-Фуллера (см. Приложение 6). После взятия первой разности мы получили P-значение теста Дикки-Фуллера равное 0,01996<0,05. Ряд стал стационарным. Для наглядности взглянем на коррелограмму этой переменной.

Рис. 4 График коррелограммы переменной

“количество смертей от производственных травм”

Итак, после того, как ряды были приведены к стационарному виду, можно приступать к оцениванию моделей ARIMA. Глядя на график частной автокорреляционной функции переменной “Количество полученных производственных травм”, можно попробовать оценить пару моделей: начнем с самой простой модели ARIMA(0.2.0), постепенно увеличивая количество лагов AR(p) части.

То же самое проделаем и для переменной “количество смертей от производственных травм”. Только в случае этой переменной первая оцененная модель будет ARIMA(0.1.0), после которой оценим ARIMA(1.1.0) и ARIMA(2.1.0).

Первой рассмотрим модель ARIMA(p.2.q). Результаты оценённой модели ARIMA(1.2.0) представлены в приложении 7. По результатам оценённой модели мы имеем незначимую модель ARIMA(1.2.0) с информационным критерием AIC равным 268,7996. Теперь оценим более простую модель ARIMA в R. Более простая модель ARIMA(0.2.0) представлена в приложении 8. По результатам оценённой модели мы имеем простую значимую модель с информационным критерием AIC=265.0458, что меньше, чем в первом случае.

Построим график прогнозных значений на 4 года вперед.

Рис. 5 График прогнозных значений модели ARIMA(0.2.0) по переменной “Количество полученных производственных травм”

Оценим модели ARIMA для другой нашей переменной. Модель ARIMA(1.1.0) представлена в приложении 9. Мы имеет модель ARIMA(1.1.0) со значимой константой и информационным критерием AIC равным 177,4845. Оценим модель с меньшим количеством лагов. Результаты оценённой модели ARIMA(0.1.0) представлены в приложении 10. Оцененная ARIMA(0.1.0) полностью значима и имеет информационный критерий AIC равный 192,7822, что меньше предыдущего критерия AIC и доказывает, что данная модель лучше. Для того, чтобы убедиться, что мы выбрали нужную модель, оценим еще одну модель ARIMA, увеличив количество лагов AR(p) части на два. Результаты модели ARIMA(2.1.0) в приложении 11. Такая модель имеет критерий Акаике равным 193,5031, что больше предыдущего критерия AIC. Поэтому выбираем самую простую модель, у которой информационные критерии меньше всех. Построим график прогнозных значений модели ARIMA(0.1.0).

Рис. 6 График прогнозных значений автоматической модели ARIMA(0.1.0) по переменной “количество смертей от производственных травм”

Наше предположение о наличии структурного сдвига подтвердилось. Однако, если предполагать, что характеристики ряда не изменились, то тенденция к снижению числа смертей от производственных травм для 2015, 2016 и 2017 годов сохраняется.

Теперь проверим модели на адекватность. Необходимыми условиями адекватности модели являются следующие пункты:

Модель должна быть значима;

Остатки модели должны иметь нулевую автокорреляцию, т.е. должны быть похожими на белый шум.

Первое условие адекватности модели для наших моделей ARIMA(0.1.0) и ARIMA(0.2.0) выполнено. Проверим остатки модели на нормальность распределения и на автокорреляцию.

Для начала взглянем на автокорреляционную функцию остатков модели ARIMA(0.2.0).

Рис. 7 График коррелограммы остатков модели ARIMA(0.2.0)

Как видно по ACF и PACF значимой автокорреляции среди остатков нет. Проверим это еще и тестом Бокса-Льюнга. Результаты теста на автокорреляцию находятся в приложении 12. По результатам теста автокорреляция не была выявлена.

Проведем тесты на нормальность распределения остатков. Результаты тестов на нормальность распределения в приложении 13. Остатки, согласно тестам на нормальное распределение, распределены по нормальному закону.

Проведем аналогичную последовательность тестов для модели ARIMA(0.1.0) по переменной “количество смертей от производственных травм”. Результаты теста Бокса-Льюнга представлены в приложении 14. Автокорреляция не выявлена. Тесты на наличие нормального распределения в приложении 15. Остатки модели ARIMA(0.2.0) распределены по нормальному закону.

В результате оценивания моделей прогнозирования ARIMA мы получили две следующие модели с их прогнозными значениями:

Таблица 6

Прогнозные значения

В результате оценивания прогнозных значений, мы видим, что доля людей, которые будут умирать от производственных травм, будет с каждым годом уменьшаться, хоть и не так сильно. Маленькое снижение процента показывает, что необходимо вводить новые правила и методы безопасности эксплуатации оборудования, угрожающего жизни человека на производстве.

Заключение

Есть множество убедительных оснований считать, что вредные и опасные условия труда разрушительно влияют на организм сотрудника и могут вести к снижению уровня трудоспособности и развитию хронических болезней. Однако не смотря на это определенная группа людей все равно соглашается на работу в таких условиях.

В работе был проведен анализ динамики производственных травм на промышленных предприятиях, составлен социально-демографический портрет и проведен анализ факторов, влияющих на выбор сотрудника в пользу работы на предприятие с неблагоприятными условиями труда.

Результаты данного исследования могут быть полезны правительству Российской Федерации. Так как на основе анализа, проведенного в данной работе, можно улучшить текущие условия труда и сделать работу на производстве с вредными условиями труда более привлекательной.

Список литературы

Абанокова К.Р. Влияние вредных условий труда на заработную плату: штраф или премия? // Научные труды Лаборатории исследования рынка труда. М.: изд. Дом НИУ ВШЭ, 2011

ВОЗ Здоровые рабочие места: пример к действию // Доступно на http://www.who.int/en/ проверено 18.06.2013, 2010

РМЭЗ - НИУ ВШЭ Описание переменных (Codebooks) // Доступно на http://www.hse.ru/data/2013/01/26/1274110903/r19i_codebook_25-01-2014.pdf, проверено 18.06.2013, 1993

Ломоносов М.В. Первые основания металлургии или рудных дел // М., Л.: Изд-во АН СССР, 1950--1959. Т. 11. М., Л.: Наука, 1983

Мальцева И.О. Трудовая мобильность и стабильность: насколько велика отдача от специфического человеческого капитала в России? // Научные труды Лаборатории исследования рынка труда. М.: изд. Дом НИУ ВШЭ, 2007

Мальцева И.О., Рощин С.Ю. Гендерная сегрегация и трудовая мобильность на российском рынке труда // М.: НИУ ВШЭ, 2006

Росстат Рынок труда, занятость и заработная плата // Доступно на http://www.gks.ru/wps/wcm/connect/rosstat_main/rosstat/ru/statistics/wages/working_conditions/# , проверено 18.06.2013, 1999

Руководство Р 2.2.2006-05 «Руководство по гигиенической оценке факторов рабочей среды и трудового процесса. Критерии и классификация условий труда» (утв. Главным государственным санитарным врачом России 29.07.05) // Доступно на http://www.kadrovik.ru/docs/rukovodstvo.2.2.2006-05.htm, проверено 18.06.2013, 2005

Трудового кодекс Российской Федерации // Доступно на https://www.consultant.ru/document/cons_doc_law_34683/ проверено 30.12.2001 N197 ФЗ (ред. От 30.12.2015)

Уложение «О воспрещении фабрикантам назначать трудовые работы малолетним работникам младше 12 лет» // Россия, 1845

Becker and Gary S. Human Capital // New York: Columbia University Press, 1964

Grossman Michael. On the Concept of Health Capital and the Demand for Health // The Journal of Political Economy, 1971; Vol. 80, No. 2.

Hopkins A. Making Safety Work // Sydney, Allen & Unwin, 1995

Jovanovich B. Job Matching and the Theory of Turnover // The Journal of Political Economy, 1979; Vol. 87, № 5: 972-990

ILO Main statistics (annual) - Occupational injuries // Available at http://laborsta.ilo.org/applv8/data/c8e.html, checked at 18.06.2013, 1996

Leigh JP. Economic Burden of Occupational Injury and Illness in the United States // Milbank Quarterly 2011. 89(4):728-772

Purse K. Work-related fatality risks and neoclassical compensating wage differentials // Cambridge Journal of Economics, 2004; Vol. 28: 597-617

Reville R. and Schoeni R. Disability from Injuries at Work: The Effects on Earnings and Employment // Labor and Population Program, 2001

Rosen Harvey S. The theory of equalizing differences // Handbook of Labor Economics, 1986; Vol. 1

Smith A. An Inquiry into the Nature and Causes of the Wealth of Nations // First Published: 1776

Woock C. Earnings Losses of Injured Men: reported and Unreported Injuries // Industrial Relations, 2009; Vol.48, № 4

Приложение 1. Результаты идентификации Logit- модели, Россия, 2004 год

Приложение 2. Результаты идентификации Probit-модели, Россия, 2004 год

Приложение 3. Результаты идетификации Gompit-модели, Россия, 2004 год

Приложение 4. Результаты идентификации logit-модели, Россия, 2009

Приложение 5. Результаты идентификации модели. Россия, 2014 год.

Размещено на Allbest.ru