Научный журнал Байкальского государственного университета
System Analysis &
Mathematical Modeling
Издается с 2019 года
Menu
РусскийEnglish

Информация о статье

Название статьи:

Градиентный метод количественной оценки стоимости профессиональных навыков

Авторы:
Комарова Л.А., аспирант, старший преподаватель, https://orcid.org/0000-0001-5277-8234, Финансовый университет при Правительстве Российской Федерации, 125167, Российская Федерация, г. Москва, Ленинградский пр-кт, 49/2, lakomarova@edu.fa.ru
Для цитирования:
Комарова Л.А. Градиентный метод количественной оценки стоимости профессиональных навыков / Л.А. Комарова. – DOI 10.17150/2713-1734.2026.8(1).21-33. – EDN JCAJHJ // System Analysis & Mathematical Modeling. – 2026. – Т. 8, № 1. – С. 21–33.
В рубрике:
МАТЕМАТИЧЕСКИЕ НАУКИ
Год: 2025 Том: 8 Номер журнала: 1
Страницы: 21-33
Тип статьи: Научная статья
УДК: 004.021
DOI: 10.17150/2713-1734.2026.8(1).21-33; EDN: JCAJHJ
Аннотация:
Оценка стоимости профессиональных навыков соискателей является ключевой задачей HR-аналитики и формирования требований к вакансиям. В статье предлагается градиентный метод количественной оценки стоимости навыков, формализованный, как решение системы линейных интервальных уравнений. Метод позволяет вычислять денежную ценность каждого навыка без предположений о линейности спроса-предложения и без привлечения экспертного ранжирования. Практическая применимость проверена на корпусе из 48 564 вакансий. Сравнение с классическими статистическими подходами (Non-Negative Least Squares) и современными машинными моделями (CatBoost и нейронная сеть PyTorch с интервальным таргетом) показывает, что гибридная реализация PyTorch достигает наименьшего среднего абсолютного отклонения прогнозируемой заработной платы. Предложенный метод может быть использован для создания корпоративных «калькуляторов навыков», корректировки зарплатных грейдов, планирования найма. Он также может интегрироваться в аналитические платформы для мониторинга трудового рынка в режиме близком к реальному времени. Метод позволяет калибровать параметры для разных отраслей.
Ключевые слова: оценка стоимости навыков, прогнозирование заработной платы, глубокое обучение, система линейных интервальных уравнений, градиентные методы
Информация о статье: Дата поступления: 18 сентября 2025 г.; дата принятия к публикации: 20 февраля 2026 г.; дата онлайн-размещения:30 марта 2026 г.
Скачать полный текст статьи
Список цитируемой литературы:
  • Reshef A., Toubal F. Automation, Techies, and Labor Market Restructuring. Handbook on Labour Markets in Transition: Promoting Resilience in a World in Flux. Elgar, 2024, pp. 15-35.
  • Contractor Z., Taska B. The Effect of Software Adoption on Skill Demand and Wage Inequality. Paper presented at the Allied Social Science Associations (ASSA) Annual Meeting, American Economic Association, San Francisco, 3 Jan 2025. San Francisco, 2025. Available at: https://www.aeaweb.org/conference/2025/program/paper/QAby3brr.
  • Labussiere M., Bol T. Are Occupations "Bundles of Skills"? Identifying Latent Skill Profiles in the Labor Market Using Topic Modeling. OSF Preprints. 2024. Available at: https://doi.org/10.31219/osf.io/5zwmt_v2.
  • Ao Z., Horváth G., Sheng C., Song Y., Sun Y. Skill Requirements in job Advertisements: A Comparison of Skill-Categorization Methods Based on Wage Regressions. Information Processing & Management, 2023, vol. 60, no. 2, pp. 103185. DOI: 10.1016/j.ipm.2022.103185.
  • Stephany F., Teutloff O. What is the Price of a Skill? The Value of Complementarity. Research Policy, 2024, vol. 53, no. 1, pp. 104898. DOI: 10.1016/j.respol.2023.104898.
  • Litvinova A. N., Roshchina I. A. Complementarity of Required Skills and their Mastering Impact in Vacancies without Work Experience Requirement. Population and Economics, 2024, vol. 8, no. 4, pp. 37-63.
  • Aufiero S., De Marzo G., Sbardella A., Zaccaria A. Mapping job Fitness and Skill Coherence Into Wages: an Economic Complexity Analysis. Scientific Reports, 2024, vol. 14, no. 1, pp. 11752. DOI: 10.1038/s41598-024-61448-x.
  • Alsheyab A.R., Alkhasawneh M., Shahin N. Job Market Cheat Codes: Prototyping Salary Prediction and Job Grouping with Synthetic Job Listings. arXiv preprint arXiv:2506.15879. 2025. Available at: https://arxiv.org/abs/2506.15879.
  • Weichselbraun A., Süsstrunk N., Waldvogel R., Glatzl A., Braşoveanu A.M.P., Scharl A. Anticipating Job Market Demands-A Deep Learning Approach to Determining the Future Readiness of Professional Skills. Future Internet, 2024, vol. 16, no. 5, pp. 144. DOI: 10.3390/fi16050144.
  • Duan M., Hou Y., Zhang B., Chen C., Sun Y., Luo Y., Tan T. Skill Sets and Wage Premium: A Network Analysis Based on Chinese Agriculture Online Job Offers. Technological Forecasting and Social Change, 2024, vol. 201, pp. 123260. DOI: 10.1016/j.techfore.2024.123260.
  • Wang Y., Bai M., Liao C. Precision Construction of Salary Prediction System Based on Deep Neural Network. International Journal of Advanced Computer Science and Applications. 2024. Available at: https://api.semanticscholar.org/CorpusID:271698047.
  • Kuo J. Y., Liu C.-H., Lin H.-C. Building Graduate Salary Grading Prediction Model Based on Deep Learning. Intelligent Automation & Soft Computing. 2021. Available at: https://api.semanticscholar.org/CorpusID:234330911.
  • Deprez M., Robinson E. C. Chapter 9 - Deep Learning Basics. Deprez M., Robinson E.C. (eds). Machine Learning for Biomedical Applications. Academic Press, 2024, pp. 193-212. DOI: 10.1016/B978-0-12-822904-0.00014-5.
  • Barillaro L. Deep Learning Platforms: PyTorch. Reference Module in Life Sciences. 2024. DOI: 10.1016/B978-0-323-95502-7.00093-2. Available at: https://www.sciencedirect.com/science/article/pii/B9780323955027000932.
  • Fan Z., Gou J., Weng S. Complementary CatBoost Based on Residual Error for Student Performance Prediction. Pattern Recognition, 2025, vol. 161, pp. 111265. DOI: 10.1016/j.patcog.2024.111265.
  • Wang T., Wang Y., Liu M. A Price Prediction Method Based on CatBoost. Proceedings of the 2021 International Conference on Culture-oriented Science & Technology (ICCST), 2021, pp. 403-408. DOI: 10.1109/ICCST53801.2021.00090.
  • Sadeghi J., de Angelis M., Patelli E. Efficient Training of Interval Neural Networks for Imprecise Training Data. Neural Networks, 2019, vol. 118, pp. 338-351. DOI: 10.1016/j.neunet.2019.07.005.
  • Slawski M., Hein M. Non-negative least squares for high-dimensional linear models: consistency and sparse recovery without regularization. arXiv preprint. arXiv:1205.0953. 2014. Available at: https://arxiv.org/abs/1205.0953.
  • Chou H.-H., Maly J., Verdun C. M. Non-negative Least Squares via Overparametrization. arXiv preprint. arXiv:2207.08437. 2022. Available at: https://arxiv.org/abs/2207.08437.
  • Paszke A., Gross S., Massa F., Lerer A., Bradbury J. [et al]. PyTorch: An Imperative Style, High-Performance Deep Learning Library. arXiv preprint. arXiv:1912.01703. 2019. Available at: https://arxiv.org/abs/1912.01703.