Федеральное государственное автономное образовательное учреждение высшего образования «Национальный исследовательский университет «Высшая школа экономики» Факультет социальных наук Образовательная программа «Социология» Эссе по курсу «Социальная структура и социальная стратификация» на тему: «Как менялась профессиональная структура российского общества по данным РМЭЗ за последние 20 лет?» Выполнил: Студент группы БСЦ211 Ремчуков Артём Максимович Преподаватель: Слободенюк Екатерина Дмитриевна Москва, 2024 г. Введение Исследования социально-профессиональной структуры общества – одно из наиболее перспективных направлений стратификационных исследований, на которое возлагают большие надежды в силу недостаточности или иррелевантности классовых и доходных моделей стратификации (Grusky, 2005). Лежащая в их основе идея – важность профессиональной принадлежности в различиях между индивидами. Шкаратан определяет профессию как «особого рода деятельность индивидуума, имеющую рыночную стоимость, которой этот индивидуум занимается постоянно с целью получения устойчивого дохода» (Шкаратан, 1996). Профессия во многом определяет социальное положение индивида, поскольку у разных профессий различаются уровни дохода, престижа, власти, необходимого для её «исполнения» человеческого капитала. Исследования показали, что социально-профессиональная структура общества может указывать на его конкретный этап его развития (Аникин, 2013), что открывает потенциал для сравнительных исследований. В данной работе я применяю макросоциологический подход к изучению динамики профессиональной структуры российского общества, опираясь на данные РМЭЗ НИУ ВШЭ. Структура работы имеет следующий характер: я начну с описания возможностей и ограничений изучения российского общества. Затем я описываю процедуру перекодирования данных РМЭЗ, опираясь на научную литературу в области. В эмпирической части работы рассмотрено три задачи: во-первых, динамика общего профессионального распределения в России с 2002 по 2022 годы; затем я посмотрю на изменение гендерного распределения, а затем возрастного распределения различных профессиональных групп. В заключении работы даны общие комментарии об изменении профессиональной структуры. Профессиональный классификатор для исследования российского общества После постановки задачи о классификации профессий встаёт вопрос: по каким признакам проводить эту классификацию, чтобы по схожим и логичным принципам «сгруппировать» бесчисленное разнообразие человеческой деятельности в несколько кардинально отличных друг от друга категорий? Задавшись этим вопросом ещё в 2000х годах, О.И. Шкаратан пытался приблизить составленный в СССР классификатор РГ100, где критерием отнесения в группы была близость по содержанию и условиям труда, к европейским классификаторам (Шкаратан, 1994). Наиболее распространённый классификатор профессий ISCO-08, предложенный международной организацией труда, имеет четырёхуровневую структуру и делит профессии в зависимости от характера и уровня необходимых для работы навыков1. ISCO-08 делит все профессии на 10 больших групп и сотни более маленьких подгрупп, однако данные доступны только по группам первого уровня. Названия групп представлены на рис. 1. Несмотря на универсальный характер классификатора, он недостаточно чувствителен к институциональной специфике государств, в том числе и России, о чём 1 Подробнее о классификаторе: https://isco-ilo.netlify.app/en/isco-08/ свидетельствует расхождение оценок профессиональной структуры по ISCO и по ОКЗ, используемому ФСГС (Тихонова, 2020). Такие различия могут быть связаны с другим уровнем необходимого образования для получения профессии или её отличающимся престижем в российских условиях. Профессиональный классификатор периодически корректируется, «реагируя» на динамику профессиональной структуры обществ, а также для того, чтобы предоставлять более универсальные стандарты, устойчивые к национальным различиям – например, переход с ISCO-88 на ISCO-08 сопровождался внесением категории медсестёр из профессионалов третьей группы во вторую группу (Kvetan, 2014). Попытки исследователей перекодировать ISCO-08 пост-фактум предпринимались ещё 15 лет назад (Аникин, 2009), однако серьёзные методологические материалы по теме перекодировки классификатора появились совсем недавно (Тихонова, Каравай, 2023; Тихонова и др., 2023). В частности, Н.Е. Тихонова предлагает сначала убрать респондентов, работающих на местах, не требующих полноценного высшего образования, из числа профессионалов из-за особенностей среднего образования в России. Затем следует перенести в класс «руководителей» всех респондентов, у кого в подчинении находится больше 5 человек, поскольку в таком случае деятельность по руководству занимает бóльшую часть рабочего времени. Для перекодировки данных2 я предпринял следующие шаги: для начала все индивиды, у которых в подчинении находится больше 5 человек, были причислены к классу «руководителей». Затем среди «профессионалов» те, кто ответил, что для выполнения работы им нужно образование ниже, чем высшее (вопрос в РМЭЗ находится под номером j4.2), были отнесены в разряд специалистов среднего уровня. По итогам перекодировки доля профессионалов значительно сократилась, в то время как третья профессиональная страта увеличилась в размере, что согласуется с результатами, полученными Тихоновой. Динамика профессиональной структуры российского общества В данном разделе я демонстрирую общую изменение профессиональной структуры российского общества, измеренной по модифицированному классификатору РМЭЗ, с 2002 по 2022 год, а также рассматриваю эту динамику в половом и возрастном разрезах. Проверка статистической значимости выходит за пределы масштаба данной работы, поэтому аналитическая часть ограничена описательной статистикой и инфографикой. Тем не менее, даже этот поверхностный анализ позволяет сделать важные выводы о профессиональной стратификации и её изменении. На рисунке 2 показана общая динамика профессиональной структуры с 2002 по 2022 год. Произошедшие за 20 лет изменения сложно увидеть невооружённым глазом, однако статистика показывает, что лидирующей профессиональной стратой в современной России являются специалисты среднего уровня (ISCO – 3) – 17,8% от общего числа работников, имея почти равный результат с работниками сферы услуг Перекодировка и последующий анализ данных осуществлялись на языке Python; Синтаксис см. во приложении 2 (ISCO – 5) – 17,6%. В России 2002 года последние занимали лишь третье место, уступая квалифицированным рабочим, использующим машины и механизмы (15,2%) и профессионалам верхнего уровня (14,7%). Тем не менее, хотя профессионалы больше не входят в топ-3 слоёв, их доля на деле увеличилась до 15.9% в 2022 году. Доля рабочих с механизмами упала до 12%, доля рабочих сельского хозяйства снизилась с 14% до 12%, незначительно упала доля неквалифицированных рабочих (с 8% до 6,8%). Сократилось также количество руководителей – с 14,4% в 2002 году до 12% в 2022. Результаты могут свидетельствовать о росте профессионализма в России, а также о более широком распространении сектора услуг – оба этих фактора являются по Д. Беллу характеристиками постиндустриального общества (Bell, 2020). Полученные результаты согласуются с более ранними работами, свидетельствующими о распространённости схожих тенденций не только в России, но и во многих европейских странах (Vishnevskaya, Zudina, 2017). На рисунке 2 показана динамика процентных долей каждой из профессиональных групп в российском обществе. Если смотреть на изменения гендерного состава профессиональных групп, то сразу становится заметным сокращение гендерного разрыва между специалистами среднего и высшего уровня квалификации (изменения военнослужащих не были рассмотрены из-за слишком маленькой, по мнению авторы, выборки наблюдений).. Если в 2002 году среди профессионалов мужчин было лишь 24,2% а среди специалистов среднего уровня – 22,76%, то к 2022 году эти цифры составили 27,37% и 28,02%. Наблюдается также значительный прирост доли мужчин среди неквалифицированных рабочих – с 32 до 45%. В остальном же гендерное распределение остаётся неизменным, отражая традиционное разделение между «мужскими» и «женскими» профессиями: мужчины преобладают в видах деятельности, связанных с физическим трудом и управлением тяжёлым оборудованием, в то время как женщины скорее работают в сфере услуг и секторах, требующих умственного труда (а поэтому более углублённой специализации). Результаты представлены в таблице 1. 2002 2022 Мужчины Женщины Мужчины Женщины Военнослужащие 87,5% 12,5% 65,22% 34,78% Законодатели, крупные 54,13% 45,87% 55,08% 44,92% чиновники, руководители высшего и среднего звена Специалисты высшего 24,26% 75,74% 27,37% 72,63% уровня квалификации Специалисты среднего 22,76% 77,24% 28,02% 71,98% уровня квалификации Служащие офисные и по 10,07% 89,93% 19,06% 80,94% обслуживанию клиентов Работники сферы торговли и 33,77% 66,23% 32,71% 67,29% услуг Работники сельского, 89,29% 10,71% 91,67% 8,33% лесного хозяйства Квалифицированные 83,11% 16,89% 85,51% 14,49% рабочие, занятые ручным трудом Квалифицированные 79,46% 20,54% 88,53% 11,47% рабочие, использующие механизмы и машины Неквалифицированные 32,63% 67,37% 44,59% 55,41% рабочие всех отраслей Таблица 1. Гендерное распределение в разных профессиональных группах в 2002 и 2022. Данные: РМЭЗ Последний разрез, рассмотренный в данной работе – возрастной. На графике 3 представлена динамика медианного возраста каждой из представленных профессиональных групп. Несмотря на ограниченность показателя медианного возраста, он может сказать о притоке новой рабочей силы в ту или иную отрасль. Так, например, увеличившийся с 45 до 51 года медианный возраст работников сельского хозяйства говорит об общем старении рабочей силы в отрасли и недостаточном притоке молодых работников. Значительно вырос (до 43) и медианный возраст неквалифицированных рабочих. За исключением этого, во всех отраслях наблюдается приблизительно пропорциональное старение рабочей силы, связанное с демографической ситуацией в стране. О других очевидных возрастных различиях между профессиональными группами сказать нельзя. Заключение В данной работе была предпринята попытка описательного анализа профессиональной стратификации российского общества и его изменения с 2002-го по 2022-й год. Отвечая на вопрос об изменениях структуры, мы можем сказать, что в стране растёт доля специалистов высшего и среднего уровней квалификации, а также работников сферы услуг, что свидетельствует о постепенном движении России в сторону обществ постиндустриального типа (Аникин, 2013). Побочным эффектом профессионализации является гендерное «выравнивание» профессиональных групп – в специальностях, требующих высокого уровня квалификации, постепенно сокращается разрыв между долями мужчин и женщин. В это же время в «устаревающих» отраслях экономики наблюдается общее старение рабочей силы. Тем не менее, надо учитывать и ограничения данного исследования. Представленная в работе перекодировка классификатора ISCO-08 не является абсолютной и финальной, и надо учитывать, что разные классификаторы могут привести к различающимся результатам даже при их первоначальной «близости». Кроме того, детальный анализ профессиональной стратификации может также брать разрезы регионов (как было рассмотрено в работе Коленниковой, 2023) и другие параметры. Даже внутри самого классификатора можно выделять более узкие подгруппы, не ограничиваясь 10-ю профессиональными макро-классами. Тем не менее, доступные по России данные не всегда позволяют выходить на более подробный уровень анализа профессиональной структуры общества. Литература Аникин, В. А. (2013). Профессиональная структура населения и тип экономического развития страны. Terra economicus, 11(2), 41-68. Аникин, В. А. (2009). Социально-профессиональная структура России: методология и тенденции. Профессиональные группы в современном обществе: динамика и трансформация/Под ред. ВА Мансурова. М.: Ин-т социологии РАН, 94-113. Коленникова, Н. Д. (2023). Профессиональные структуры «большой» и «малой» России: динамика общих контуров и специфика позиций. Terra Economicus, 21(3), 88-101. Тихонова, Н. Е., Латов, Ю. В., Латова, Н. В. [и др.] (2023). Человеческий капитал российских профессионалов: состояние, динамика, факторы : [монография]. ФНИСЦ РАН. Радаев, В. В., & Шкаратан, О. И. (1996). Социальная стратификация. Аспект Пресс. Тихонова, Н. Е., & Каравай, А. В. (2023). Профессионалы в институциональных условиях России: методика выделения и специфика группы. Journal of Institutional Studies (Журнал институциональных исследований), 15(1), 100-121. Тихонова, Н. Е. (2020). Специалисты в современной России: социальнодемографические особенности состава и ключевые проблемы. Социологический журнал, (3), 64-89. Тихонова, Н. Е. (2020). Профессиональная структура современной России: особенности и динамика. Общественные науки и современность, 3, 18-34. Шкаратан, О. И., & Ястребов, Г. А. (2007). Социально-профессиональная структура населения России. Теоретические предпосылки, методы и некоторые результаты повторных опросов 1994, 2002, 2006 гг.. Мир России. Социология. Этнология, 16(3), 3-49. Bell, D. (2020). Post-industrial society. In The information society reader (pp. 86-102). Routledge. Grusky, D. B., & Galescu, G. (2005). Foundations of a neo-Durkheimian class analysis. Approaches to class analysis, 1, 51-81. Kvetan, V. (2014). Coping with Changes in International Classifications of Sectors and Occupations: Application in Skills Forecasting. Research Paper No 43. CedefopEuropean Centre for the Development of Vocational Training. Vishnevskaya, N. T., & Zudina, A. (2017). Occupational Structure in European Countries: What Do Forecasts Predict?. International Organisations Research Journal, 12(4), 109-129. Приложения. Таблицы Рисунок 1а (с подписями): Рисунок 2. Рисунок 3. Синтаксис для Python import pyreadstat import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns rlms, meta = pyreadstat.read_sav('rlms_fix.sav') rlms = rlms[(rlms['year'] >= 2002)] occup08_distribution = rlms['occup08'].value_counts() #перекодировка данных for index, row in rlms.iterrows(): if row['j6.0'] >= 5: rlms.at[index, 'occup08'] = 1 if row['occup08'] == 2: if row['j4.2'] in range(1, 3): rlms.at[index, 'occup08'] = 3 df_2022 = rlms[rlms['year'] == 2022] grouped_df = filtered_df.groupby(['year', 'occup08']).size().unstack(fill_value=0) grouped_df.plot(kind='bar', stacked=True, figsize=(12, 6), colormap='Set2') plt.title('Distribution of occup08 over the years 2002 2022') plt.xlabel('Year') plt.ylabel('Count') plt.xticks(rotation=45) occup08_labels = [occup08_descriptions.get(occup08, f'occup08 = {occup08}') for occup08 in grouped_df.columns] plt.legend(occup08_labels, title='occup08') plt.tight_layout() plt.show() total_counts_per_year = grouped_df.sum(axis=1) percentage_distribution = grouped_df.div(total_counts_per_year, axis=0) * 100 percentage_distribution.plot(kind='bar', stacked=True, figsize=(12, 6), colormap='Set3') plt.title('Процентное распределение профессиональной структуры населения 2002 - 2022') plt.xlabel('Year') plt.ylabel('Percentage') plt.xticks(rotation=45) plt.legend(occup08_labels, title='ISCO-08', loc='upper left') plt.tight_layout() plt.show() office_workers_per_year = filtered_df[filtered_df['occup08'] == 4].groupby('year').size() commerce_workers_per_year = filtered_df[filtered_df['occup08'] == 5].groupby('year').size() percentage_office_workers_per_year = (office_workers_per_year / total_people_per_year) * 100 percentage_commerce_workers_per_year = (commerce_workers_per_year / total_people_per_year) * 100 plt.figure(figsize=(10, 6)) plt.plot(percentage_professionals_per_year.index, percentage_professionals_per_year.values, marker='o', linestyle='-', label='Professionals (occup08 = 2)') plt.plot(percentage_bosses_per_year.index, percentage_bosses_per_year.values, marker='o', linestyle='-', label='Bosses (occup08 = 1)') plt.plot(percentage_semi_professionals_per_year.index, percentage_semi_professionals_per_year.values, marker='o', linestyle='-', label='Semi-Professionals (occup08 = 3)') workers = filtered_df[filtered_df['occup08'] == 9].groupby('year').size() perc_workers = (workers / total_people_per_year) * 100 plt.plot(perc_workers.index, perc_workers.values, marker='o', linestyle='-', label='Workers (occup08 = 9)') plt.plot(percentage_commerce_workers_per_year.index, percentage_commerce_workers_per_year.values, marker='o', linestyle='-', label='Commerce Workers (occup08 = 5)') plt.title('Динамика процентного соотношения профессиональных групп населения (2002-2022)') plt.xlabel('Year') plt.ylabel('Percentage') plt.grid(True) plt.xticks(percentage_professionals_per_year.index, rotation=45) plt.legend() plt.tight_layout() plt.show() filtered_df_2022 = filtered_df[filtered_df['year'] == 2022] gender_distribution_2022 = filtered_df_2022.groupby(['occup08', 'h5']).size().unstack().fillna(0).astype(int) gender_distribution_2022.columns = ['Male', 'Female'] print("Gender Distribution in 2022 for Each Occupation Value:") print(gender_distribution_2022) filtered_df_2002 = filtered_df[filtered_df['year'] == 2002] gender_distribution_2002 = filtered_df_2002.groupby(['occup08', 'h5']).size().unstack().fillna(0).astype(int) gender_distribution_2002.columns = ['Male', 'Female'] print("Gender Distribution in 2002 for Each Occupation Value:") print(gender_distribution_2002) occupation_descriptions = { 0: 'Военнослужащие', 1: "Законодатели, крупные чиновники, руководители высшего и среднего звена", 2: "Специалисты высшего уровня квалификации", 3: "Специалисты среднего уровня квалификации, чиновники", 4: "Служащие офисные и по обслуживанию клиентов", 5: "Работники сферы торговли и услуг", 6: "Квалифицированные работники сельского, лесного хозяйства и рыбоводства", 7: "Квалифицированные рабочие, занятые ручным трудом", 8: "Квалифицированные рабочие, использующие машины и механизмы", 9: "Неквалифицированные рабочие всех отраслей", } filtered_df_2002 = filtered_df[filtered_df['year'] == 2002] gender_distribution_2002 = filtered_df_2002.groupby(['occup08', 'h5']).size().unstack().fillna(0).astype(int) gender_distribution_2002.columns = ['Male', 'Female'] total_count_per_occupation = gender_distribution_2002.sum(axis=1) percentage_gender_distribution_2002 = gender_distribution_2002.divide(total_count_per_occupation, axis=0) * 100 percentage_gender_distribution_2002 = gender_distribution_2002.divide(total_count_per_occupation, axis=0) * 100 styled_table = percentage_gender_distribution_2002.style.format("{:.2f}%").se t_caption("Gender Distribution in 2002 for Each Occupation Value (in percentages)") percentage_gender_distribution_2002.index = [occupation_descriptions.get(idx, idx) for idx in percentage_gender_distribution_2002.index] styled_table = percentage_gender_distribution_2002.style.format("{:.2f}%").se t_caption("Gender Distribution in 2002 for Each Occupation Value (in percentages)") percentage_gender_distribution_2002.style.format("{:.2f}%").se t_caption("Гендерный состав профессиональных групп в 2002г. (в процентах)") styled_table occup08_descriptions = { 0: 'Военнослужащие', 1: "Законодатели, крупные чиновники, руководители высшего и среднего звена", 2: "Специалисты высшего уровня квалификации", 3: "Специалисты среднего уровня квалификации, чиновники", 4: "Служащие офисные и по обслуживанию клиентов", 5: "Работники сферы торговли и услуг", 6: "Квалифицированные работники сельского, лесного хозяйства и рыбоводства", 7: "Квалифицированные рабочие, занятые ручным трудом", 8: "Квалифицированные рабочие, использующие машины и механизмы", 9: "Неквалифицированные рабочие всех отраслей", } plt.figure(figsize=(10, 6)) for occup08_value, mean_age_by_year in enumerate(median_age_dataframes, start=1): plt.plot(mean_age_by_year.index, mean_age_by_year.values, marker='o', linestyle='-', label=occup08_descriptions.get(occup08_value, f'occup08 = {occup08_value}'))ё plt.title('Медианный возраст работников разных профессиональных групп (2002-2022)') plt.xlabel('Year') plt.ylabel('Median Age') plt.grid(True) plt.xticks(mean_age_by_year.index, rotation=45) plt.ylim(0, max_age + 5) # Set y-axis limits from 0 to max_age + 5 plt.legend() plt.tight_layout() plt.show() filtered_df_2022 = filtered_df[filtered_df['year'] == 2002] occup08_distribution_2022 = filtered_df_2022['occup08'].value_counts(normalize=True) * 100 print("Percentage distribution of occup08 for the year 2002:") print(occup08_distribution_2022)