Digital Economy Lab · Working Paper WP-2026-09

Данные онлайн-платформ как индикаторы рынка труда для денежно-кредитной политики: очистка, поведенческий вес ABW и проверка на реальных рядах 2023–2026 годов

Online Platform Data as Labour-Market Indicators for Monetary Policy: Cleaning, the ABW Behavioural Weight and a Test on Real Series for 2023–2026

Что платформа видит раньше официальной статистики и чего она пока не предсказывает

What the platform sees before official statistics do — and what it does not yet predict

Октябрь 2026. Редакция 2October 2026. Revision 2 CC BY 4.0 JEL: C55, C81, E24, E31, E52, J21 Предыдущая версия: DOI 10.34706/DE-2026-01-05Earlier version: DOI 10.34706/DE-2026-01-05
Ключевые выводыKey findings
  1. Очистка платформенных данных работает там, где истина известна. На Монте-Карло-панели каскадная дедупликация убирает 28,8 % записей (95 % ДИ 28,2–29,5 %; истинная доля 27,7 %, ARI = 0,94), а корреляция индекса с истинным активным предложением труда растёт с 0,83 для сырого счёта резюме до 0,96 после дедупликации и поведенческого взвешивания ABW.
  2. Cleaning platform data works where the truth is known. On a Monte Carlo panel, cascaded deduplication removes 28.8% of records (95% CI 28.2–29.5%; true share 27.7%, ARI = 0.94), and the correlation of the index with true active labour supply rises from 0.83 for the raw resume count to 0.96 after deduplication and ABW behavioural weighting.
  3. На реальных рядах платформа и официальная безработица разошлись. С осени 2024 года hh.индекс вырос с 3,1–3,6 до пика 11,4 в марте 2026 года, а безработица Росстата с апреля 2025 по сентябрь 2026 года оставалась в коридоре 2,1–2,3 %. Охлаждение спроса на труд, которое видно на платформе, в официальной безработице пока не отразилось.
  4. On real series, the platform and official unemployment have diverged. Since autumn 2024 the hh.index has risen from 3.1–3.6 to a peak of 11.4 in March 2026, while Rosstat unemployment stayed within 2.1–2.3% from April 2025 to September 2026. The cooling of labour demand visible on the platform has not yet shown up in official unemployment.
  5. Опережение безработицы видно только в годовых изменениях. Изменение безработицы за 12 месяцев сильнее всего связано с изменением hh.индекса за 12 месяцев с лагом около шести месяцев (R² = 0,88, n = 27); против эталона ложной регрессии с учётом выбора лага p ≈ 0,01–0,05 в зависимости от эталона. Помесячного опережения маломощный тест Грейнджера не обнаруживает, а прогноз безработицы на 6 месяцев по этой связи хуже наивного.
  6. The lead over unemployment shows only in year-on-year changes. The 12-month change in unemployment is most closely related to the 12-month change in the hh.index with a lag of about six months (R² = 0.88, n = 27); against a spurious-regression benchmark that accounts for lag selection, p ≈ 0.01–0.05 depending on the benchmark. A low-power monthly Granger test finds no lead, and a six-month unemployment forecast based on this relation is worse than the naive one.
  7. Связь с инфляцией услуг не подтверждается. В полной выборке рост hh.индекса связан с более низкой инфляцией услуг через 12 месяцев (−3,9 п. п. на единицу логарифма индекса), но эта оценка держится на июле–сентябре 2026 года, когда инфляцию услуг снизил эффект базы по тарифам ЖКУ. Без этих месяцев коэффициент уменьшается до −2,2 и незначим (t = −1,1); против эталона ложной регрессии p ≈ 0,18–0,23.
  8. The link with services inflation is not confirmed. In the full sample a higher hh.index is associated with lower services inflation 12 months later (−3.9 pp per unit of the log index), but this estimate rests on July–September 2026, when services inflation was lowered by the utility-tariff base effect. Without these months the coefficient falls to −2.2 and is insignificant (t = −1.1); against a spurious-regression benchmark p ≈ 0.18–0.23.
  9. Для ДКП платформенные данные пока полезны как описательный ранний индикатор охлаждения спроса на труд, а не как прогнозный инструмент. Синтетические результаты первой версии об опережении безработицы и связи с инфляцией в этой редакции не используются как доказательство: на реальных рядах они не подтвердились.
  10. For monetary policy, platform data are so far useful as a descriptive early indicator of cooling labour demand, not as a forecasting tool. The synthetic results of the first version on leading unemployment and on the link with inflation are not used as evidence in this revision: they were not confirmed on real series.

Аннотация

Abstract

Рекордно низкая безработица и устойчивое зарплатное давление повышают ценность оперативных индикаторов рынка труда для денежно-кредитной политики, тогда как официальная статистика выходит с лагом 1–2 месяца. Данные онлайн-платформ занятости доступны почти в реальном времени, но искажены мультипликацией резюме, «мёртвыми душами», завышением компетенций и дублированием вакансий. Работа предлагает конвейер очистки таких данных — каскадную дедупликацию (точное хэширование → MinHash/LSH → семантическая кластеризация эмбеддингов), поведенческий вес достоверности профиля ABW и калибровку на официальную статистику — и проверяет его в два шага. На структурной Монте-Карло-панели с известной истиной конвейер восстанавливает активное предложение труда: корреляция с истиной растёт с 0,83 до 0,96, результаты устойчивы к порогам и весам. На реальных помесячных рядах 2023–2026 годов (hh.индекс, безработица Росстата, инфляция услуг по данным Банка России) показано, что платформенный индикатор напряжённости с осени 2024 года разошёлся с официальной безработицей, опережает её лишь в годовых изменениях и не улучшает краткосрочный прогноз; связь с будущей инфляцией услуг неустойчива к исключению месяцев с эффектом базы по тарифам ЖКУ. Реальные выгрузки трёх площадок — «Работа России», SuperJob и hh.ru — показывают сильную платформенную неоднородность зарплат, что требует триангуляции источников.

Record-low unemployment and persistent wage pressure make timely labour-market indicators valuable for monetary policy, while official statistics arrive with a one-to-two-month lag. Online job-platform data are available in near real time but are distorted by resume multiplication, dormant profiles, skill inflation and duplicate vacancies. We propose a cleaning pipeline — cascaded deduplication (exact hashing → MinHash/LSH → semantic clustering of embeddings), a behavioural reliability weight (ABW) and calibration to official statistics — and test it in two steps. On a structural Monte Carlo panel with known ground truth the pipeline recovers active labour supply: the correlation with the truth rises from 0.83 to 0.96 and is robust to thresholds and weights. On real monthly series for 2023–2026 (the hh.ru index of resumes per vacancy, Rosstat unemployment and Bank of Russia services inflation) the platform tightness indicator has diverged from official unemployment since autumn 2024, leads it only in year-on-year changes and does not improve short-term forecasts; its link with future services inflation does not survive excluding months affected by the utility-tariff base effect. Real extracts from three platforms — Rabota Rossii, SuperJob and hh.ru — show strong cross-platform heterogeneity of wages, which calls for triangulation.

Классификация JEL: C55, C81, E24, E31, E52, J21.
Ключевые слова: рынок труда; онлайн-платформы; nowcasting; дедупликация; поведенческое взвешивание; hh.индекс; инфляция услуг; денежно-кредитная политика.
Для цитирования: Ахтямов Р. (2026). Данные онлайн-платформ как индикаторы рынка труда для денежно-кредитной политики: очистка, поведенческий вес ABW и проверка на реальных рядах 2023–2026 годов. Digital Economy Lab, WP-2026-09, редакция 2.
Версия: редакция 2, октябрь 2026 г. Реальные ряды — по сентябрь 2026 года включительно. Предыдущая версия методики: Ахтямов (2026).

JEL classification: C55, C81, E24, E31, E52, J21.
Keywords: labour market; online platforms; nowcasting; deduplication; behavioural weighting; hh.index; services inflation; monetary policy.
Cite as: Akhtyamov R. (2026). Online Platform Data as Labour-Market Indicators for Monetary Policy: Cleaning, the ABW Behavioural Weight and a Test on Real Series for 2023–2026. Digital Economy Lab, WP-2026-09, revision 2.
Version: revision 2, October 2026. Real series through September 2026. Earlier version of the method: Akhtyamov (2026).

1

Введение

Introduction

Российский рынок труда вошёл в 2026 год в состоянии, которое Банк России называет одним из главных проинфляционных рисков: безработица держится у исторического минимума 2,1–2,3 %, номинальные зарплаты в 2025 году выросли в среднем на 13,5 %. 23 октября 2026 года, сохранив ключевую ставку на уровне 14 %, Банк России вновь отнёс длительное сохранение напряжённости на рынке труда к проинфляционным рискам [РБК, 2026]. Для такой оценки нужна оперативная информация о том, остывает ли рынок труда, а официальная статистика публикуется с лагом 1–2 месяца.

The Russian labour market entered 2026 in a state the Bank of Russia counts among the main pro-inflationary risks: unemployment is at a historic low of 2.1–2.3%, and nominal wages grew by 13.5% on average in 2025. On 23 October 2026, holding the key rate at 14%, the Bank of Russia again named prolonged labour-market tightness as a pro-inflationary risk [RBC, 2026]. Such an assessment needs timely information on whether the labour market is cooling, while official statistics are published with a one-to-two-month lag.

Данные крупных онлайн-платформ занятости — hh.ru, «Работа России», SuperJob — формируются почти в реальном времени, но содержат системные искажения: один соискатель держит несколько резюме, часть профилей не обновляется годами, навыки в резюме завышены на 30–40 % [Сизова и др., 2022], вакансии дублируются. Без коррекции платформенные индикаторы дают смещённый сигнал.

Data from the large online job platforms — hh.ru, Rabota Rossii, SuperJob — are generated in near real time but contain systematic distortions: one job seeker keeps several resumes, some profiles go unupdated for years, skills in resumes are overstated by 30–40% [Sizova et al., 2022], and vacancies are duplicated. Without correction, platform indicators give a biased signal.

Работа развивает концепцию автора [Ахтямов, 2026] и отвечает на два вопроса. Первый — методический: восстанавливает ли предлагаемый конвейер очистки истинное состояние рынка, если искажения известны? Ответ на него проверяется на синтетической панели с контролируемой истиной (гипотезы H1–H2). Второй — содержательный для денежно-кредитной политики: несут ли платформенные данные информацию о безработице и инфляции услуг, которой ещё нет в официальной статистике? Ответ на него в этой редакции проверяется только на реальных помесячных рядах 2023–2026 годов (гипотезы H3–H4).

The paper develops the author's concept [Akhtyamov, 2026] and answers two questions. The first is methodological: does the proposed cleaning pipeline recover the true state of the market when the distortions are known? It is tested on a synthetic panel with controlled ground truth (hypotheses H1–H2). The second matters for monetary policy: do platform data carry information on unemployment and services inflation not yet present in official statistics? In this revision it is tested only on real monthly series for 2023–2026 (hypotheses H3–H4).

Вклад работы: воспроизводимый конвейер очистки и количественная оценка его точности; проверка опережающих свойств открытого hh.индекса для безработицы и инфляции услуг в России с поправкой на риск ложной регрессии, в том числе с отрицательным результатом; оценка платформенной неоднородности зарплат по трём реальным источникам.

Contributions: a reproducible cleaning pipeline with a quantitative assessment of its accuracy; a test of the leading properties of the open hh.index for unemployment and services inflation in Russia, corrected for the risk of spurious regression, including a negative result; and an assessment of cross-platform wage heterogeneity from three real sources.

2

Связь с литературой

Related literature

Идея «предсказания настоящего» по цифровым следам восходит к работам Choi и Varian (2012); D'Amuri и Marcucci (2017) показали прогнозную силу поисковых запросов о работе для безработицы в США, Cavallo и Rigobon (2016) — пригодность онлайн-цен для измерения инфляции; Bok и соавторы (2018) и Giannone, Reichlin и Small (2008) систематизируют nowcasting на больших данных. Задача разрешения сущностей рассмотрена в обзорах Christophides и соавторов (2021) и Papadakis, Ioannou и Palpanas (2020); базовый инструмент — MinHash (Broder, 1997) с LSH. Классификацию онлайн-источников данных о рынке труда предлагает Зайцева (2025); российские платформы занятости и применение NLP исследованы в работах Сизовой с соавторами (2022; 2023) и Сизовой (2025). Пробел, который закрывает работа, — интеграция многоуровневой дедупликации с поведенческим взвешиванием и калибровкой и проверка получаемого сигнала на реальных макрорядах с учётом риска ложной регрессии [Granger, Newbold, 1974].

The idea of "predicting the present" from digital traces goes back to Choi and Varian (2012); D'Amuri and Marcucci (2017) showed the predictive power of job-search queries for US unemployment, and Cavallo and Rigobon (2016) the usefulness of online prices for measuring inflation; Bok et al. (2018) and Giannone, Reichlin and Small (2008) systematise nowcasting with big data. Entity resolution is surveyed by Christophides et al. (2021) and Papadakis, Ioannou and Palpanas (2020); the basic tool is MinHash (Broder, 1997) with LSH. Zaytseva (2025) classifies online sources of labour-market data; Russian job platforms and NLP applications are studied by Sizova and co-authors (2022; 2023) and Sizova (2025). The gap this paper addresses is the integration of multi-level deduplication with behavioural weighting and calibration, and a test of the resulting signal on real macro series that accounts for the risk of spurious regression [Granger, Newbold, 1974].

3

Методология очистки

Cleaning methodology

Конвейер состоит из четырёх этапов: сбор и предобработка; каскадная дедупликация; поведенческое взвешивание; агрегация и калибровка. Типология искажений и методы коррекции приведены в табл. 1.

The pipeline has four stages: collection and pre-processing; cascaded deduplication; behavioural weighting; aggregation and calibration. Table 1 lists the distortions and correction methods.

Таблица 1. Типология искажений и методы коррекции
ИскажениеОценкаМетод коррекции
Мультипликация резюмекоэфф. 1,4–2,8каскадная дедупликация
Информационная асимметрия+30–40 % навыковсемантический анализ
«Мёртвые души»15–28 % массивавзвешивание по свежести R
Дублирование вакансий10–20 %дедупликация по описанию
Table 1. Distortions and correction methods
DistortionEstimateCorrection method
Resume multiplicationfactor 1.4–2.8cascaded deduplication
Information asymmetry+30–40% skillssemantic analysis
Dormant profiles15–28% of recordsfreshness weighting R
Duplicate vacancies10–20%deduplication by description

3.1. Каскадная дедупликация

3.1. Cascaded deduplication

Каскад из трёх уровней, каждый из которых только объединяет записи. Уровень 1 хэширует нормализованные контакты (телефон, e-mail) и объединяет записи с совпадающими хэшами. Уровень 2 строит MinHash-сигнатуры (48 перестановок) по конкатенации «заголовок + навыки» и через Locality-Sensitive Hashing находит квази-дубли в скользящем окне, что снижает сложность с квадратичной до субквадратичной. Уровень 3 переводит тексты в эмбеддинги [Devlin и др., 2018] (для русскоязычных текстов — YandexGPT Embeddings) и объединяет пары с косинусной близостью ≥ 0,80; порог подобран по анализу устойчивости (раздел 5.2). Каждый уровень только укрупняет кластеры в системе непересекающихся множеств, поэтому ранее найденные связи не разрушаются. Качество измеряется скорректированным индексом Рэнда (ARI) и относительной ошибкой восстановления числа уникальных пользователей.

A three-level cascade in which each level only merges records. Level 1 hashes normalised contacts (phone, e-mail) and merges records with matching hashes. Level 2 builds MinHash signatures (48 permutations) on the concatenation "title + skills" and uses Locality-Sensitive Hashing to find near-duplicates in a sliding window, reducing complexity from quadratic to sub-quadratic. Level 3 maps texts to embeddings [Devlin et al., 2018] (for Russian texts, YandexGPT Embeddings) and merges pairs with cosine similarity ≥ 0.80; the threshold is chosen by robustness analysis (Section 5.2). Each level only enlarges clusters in a disjoint-set structure, so links found earlier are never broken. Quality is measured by the adjusted Rand index (ARI) and the relative error in recovering the number of unique users.

3.2. Поведенческое взвешивание (ABW)

3.2. Behavioural weighting (ABW)

Каждому резюме присваивается интегральный вес достоверности (Akhtyamov Behavioural Weight):

Each resume receives an integral reliability weight (the Akhtyamov Behavioural Weight):

W = (1 / Nuser) · C · R · (1 + B) · A,(1)

где Nuser — число резюме в кластере (штраф за мультипликацию); C — полнота заполнения (0…1); R — свежесть: max(0,05; 1 − d/T) внутри окна T = 90 дней и 0,15 вне его; B — поведенческая надбавка (0,2 при наличии откликов); A — активность (1,2 при просмотрах выше порога). Веса нормируются внутри кластера, агрегированная активность кластера ограничена единицей. Индекс реального предложения труда RLSI — сумма активностей кластеров, поэтому дублирующие и «спящие» профили вносят малый вклад.

where Nuser is the number of resumes in the cluster (multiplication penalty); C is profile completeness (0…1); R is freshness: max(0.05; 1 − d/T) within the window T = 90 days and 0.15 outside it; B is a behavioural bonus (0.2 if there are applications); A is activity (1.2 if views exceed a threshold). Weights are normalised within the cluster, and aggregate cluster activity is capped at one. The real labour supply index RLSI is the sum of cluster activities, so duplicate and dormant profiles contribute little.

3.3. Индикаторы и калибровка

3.3. Indicators and calibration

Из очищенных данных строятся четыре индикатора: RLSI — реальное активное предложение труда; TI = Vdedup / RLSI — напряжённость (вакансии после удаления дублей к активному предложению); WPI — медианная зарплата в новых вакансиях; SEI = 1 − D — структурная эффективность, где D — расстояние полной вариации между распределениями требуемых и предлагаемых навыков. Калибровка на официальную статистику выполняется мостовым уравнением

Four indicators are built from the cleaned data: RLSI — real active labour supply; TI = Vdedup / RLSI — tightness (deduplicated vacancies relative to active supply); WPI — the median wage in new vacancies; SEI = 1 − D — structural efficiency, where D is the total-variation distance between the distributions of required and offered skills. Calibration to official statistics uses a bridge equation

YRosstat,t = α + β · Indext + γ · Xt + εt,(2)

где X — сезонные и календарные контроли; стандартные ошибки — Newey–West.

where X are seasonal and calendar controls; standard errors are Newey–West.

4

Данные

Data

Синтетическая панель. Микроданные резюме закрыты как персональные данные, поэтому точность очистки можно измерить только там, где истина известна. Структурная Монте-Карло-панель из 36 месячных срезов задаёт ненаблюдаемое состояние рынка, из которого порождаются платформенные данные с искажениями из табл. 1 (мультипликация около 1,5, доля «спящих» профилей 18 → 48 %, дублирование вакансий 15 %); seed = 42. Панель служит только для проверки очистки (H1–H2).

Synthetic panel. Resume microdata are closed as personal data, so cleaning accuracy can be measured only where the truth is known. A structural Monte Carlo panel of 36 monthly snapshots specifies an unobserved market state from which platform data with the distortions of Table 1 are generated (multiplication about 1.5, dormant share 18 → 48%, duplicate vacancies 15%); seed = 42. The panel serves only to test cleaning (H1–H2).

Реальные выгрузки вакансий на 15.06.2026. «Работа России» (opendata.trudvsem.ru) — 527 666 активных вакансий; SuperJob (официальное API) — 125 433; hh.ru (официальное API) — 769 798 вакансий с указанной зарплатой. Медианы зарплат рассчитаны по выборкам вакансий с указанной зарплатой (hh.ru — 352, SuperJob — 274, «Работа России» — выборка портала); зарплаты взяты как опубликованы, без поправки на НДФЛ.

Real vacancy extracts as of 15.06.2026. Rabota Rossii (opendata.trudvsem.ru) — 527,666 active vacancies; SuperJob (official API) — 125,433; hh.ru (official API) — 769,798 vacancies with a stated wage. Median wages are computed on samples of vacancies with a stated wage (hh.ru — 352, SuperJob — 274, Rabota Rossii — a portal sample); wages are taken as published, without adjustment for personal income tax.

Реальные помесячные ряды, январь 2023 — сентябрь 2026 года (45 месяцев).

Real monthly series, January 2023 — September 2026 (45 months).

  • hh.индекс — отношение активных резюме к активным вакансиям на hh.ru по России. 34 значения взяты из ежемесячных обзоров hh.ru «Краткий обзор рынка труда» (каждый обзор приводит значения того же месяца за 2019–2026 годы) и из публикаций, цитирующих эти обзоры (для июня 2024 и 2025 года и мая–августа 2026 года — только вторичные источники; для июля 2025 года взято значение без сезонной корректировки, 6,0); три значения (ноябрь 2024, май и август 2025) восстановлены по опубликованным годовым темпам роста числа резюме и вакансий; восемь пропусков 2023–2024 годов заполнены линейной интерполяцией. Восстановленные и интерполированные точки отмечены на графике светлыми кружками.
  • Уровень безработицы по методологии МОТ, %, без сезонной корректировки — Росстат (для отдельных месяцев — через публикации Интерфакса и Коммерсанта). Значения за август и сентябрь 2026 года взяты из вторичного источника (Trading Economics) и требуют сверки с публикацией Росстата.
  • Инфляция услуг, % г/г, и ИПЦ — Банк России, «Инфляция на потребительском рынке» (ежемесячные выпуски).
  • Медианная предлагаемая зарплата в вакансиях hh.ru — из тех же обзоров, октябрь 2024 и октябрь 2025 — сентябрь 2026 года (для мая–августа 2026 года восстановлена по опубликованному разрыву с ожидаемой зарплатой).
  • hh.index — active resumes per active vacancy on hh.ru, Russia. 34 values come from hh.ru's monthly "Brief labour-market review" (each review gives the same month for 2019–2026) and from publications quoting these reviews (for June 2024 and 2025 and May–August 2026 — secondary sources only; for July 2025 the non-seasonally-adjusted value 6.0 is used); three values (November 2024, May and August 2025) are reconstructed from published year-on-year growth in resumes and vacancies; eight gaps in 2023–2024 are filled by linear interpolation. Reconstructed and interpolated points are shown as hollow circles in the chart.
  • Unemployment rate (ILO definition, %, not seasonally adjusted) — Rosstat (for some months via Interfax and Kommersant). Values for August and September 2026 come from a secondary source (Trading Economics) and need checking against Rosstat's release.
  • Services inflation, % y/y, and CPI — Bank of Russia, "Inflation in the consumer market" (monthly issues).
  • Median offered wage in hh.ru vacancies — from the same reviews, October 2024 and October 2025 — September 2026 (for May–August 2026 reconstructed from the published gap with the expected wage).
5

Результаты I: проверка очистки на синтетической панели

Results I: testing the cleaning on the synthetic panel

5.1. Восстановление предложения труда (H1, H2)

5.1. Recovering labour supply (H1, H2)

Каскадная дедупликация в среднем сокращает число записей на 28,8 % (95 % бутстрэп-интервал 28,2–29,5 %; истинный уровень 27,7 %) — H1 подтверждается. Средний ARI = 0,94, ошибка восстановления числа пользователей 1,6 %. Очистка повышает корреляцию индекса с истинным активным предложением: 0,827 для сырого счёта → 0,918 после дедупликации → 0,959 для RLSI — H2 подтверждается. Абляция (табл. 2) показывает, что основной выигрыш даёт семантический уровень, а ABW добавляет сверх дедупликации; «только MinHash» практически неотличим от сырого счёта.

Cascaded deduplication reduces the number of records by 28.8% on average (95% bootstrap interval 28.2–29.5%; true level 27.7%) — H1 is confirmed. Mean ARI = 0.94, and the error in recovering the number of users is 1.6%. Cleaning raises the correlation of the index with true active supply: 0.827 for the raw count → 0.918 after deduplication → 0.959 for RLSI — H2 is confirmed. The ablation (Table 2) shows that most of the gain comes from the semantic level, and ABW adds to deduplication; "MinHash only" is practically indistinguishable from the raw count.

Таблица 2. Абляция: корреляция индекса с истинным активным предложением
Вариант методаКорреляция95 % ДИ
Сырой счёт резюме0,8270,67–0,92
Только MinHash/LSH0,8070,65–0,90
Каскадная дедупликация0,9180,84–0,97
Дедупликация + ABW (RLSI)0,9590,93–0,98
Table 2. Ablation: correlation of the index with true active supply
Method variantCorrelation95% CI
Raw resume count0.8270.67–0.92
MinHash/LSH only0.8070.65–0.90
Cascaded deduplication0.9180.84–0.97
Deduplication + ABW (RLSI)0.9590.93–0.98

5.2. Устойчивость

5.2. Robustness

При семантическом пороге 0,72–0,88 корреляция RLSI с истиной держится в пределах 0,947–0,959, хотя ARI снижается с 0,95 до 0,81 у верхней границы порога, а доля удаляемых записей падает до 22 %; при окне свежести T = 60–120 дней корреляция составляет 0,942–0,978.

For semantic thresholds of 0.72–0.88 the correlation of RLSI with the truth stays within 0.947–0.959, although ARI falls from 0.95 to 0.81 at the upper end of the threshold range and the share of removed records drops to 22%; for freshness windows T = 60–120 days the correlation is 0.942–0.978.

Синтетическая панель доказывает только одно: если искажения устроены так, как описано в табл. 1, конвейер их снимает. Связи индикаторов с безработицей и инфляцией в панели заданы генератором, поэтому в первой версии работы их «подтверждение» было циркулярным. В этой редакции они проверяются только на реальных данных.

The synthetic panel proves only one thing: if the distortions are structured as in Table 1, the pipeline removes them. The links of the indicators with unemployment and inflation are set by the generator in the panel, so their "confirmation" in the first version was circular. In this revision they are tested only on real data.

6

Результаты II: реальные ряды 2023–2026 годов

Results II: real series, 2023–2026

6.1. Платформа и официальная безработица разошлись

6.1. The platform and official unemployment have diverged

В 2023 — первой половине 2024 года оба ряда описывали дефицит кадров: индекс опустился с 4,5 до 3,1–3,6 («рынок соискателя»), безработица снизилась с 3,6 до 2,4 %. Расхождение началось осенью 2024 года: индекс вырос до 3,9 в октябре 2024 года и 5,9 в марте 2025 года, а безработица осталась на уровне 2,3–2,4 %. К осени 2025 — весне 2026 года число активных вакансий на hh.ru сократилось на 25–31 % в годовом выражении, число резюме выросло на 33–42 %, и hh.индекс поднялся до 11,4 в марте 2026 года — уровня «рынка работодателя». Официальная безработица при этом не вышла из коридора 2,1–2,3 %.

In 2023 and the first half of 2024 both series described a labour shortage: the index fell from 4.5 to 3.1–3.6 (a "job seeker's market") and unemployment fell from 3.6 to 2.4%. The divergence began in autumn 2024: the index rose to 3.9 in October 2024 and 5.9 in March 2025, while unemployment stayed at 2.3–2.4%. By autumn 2025 — spring 2026 active vacancies on hh.ru were down 25–31% year on year, resumes were up 33–42%, and the hh.index reached 11.4 in March 2026 — an "employer's market". Official unemployment meanwhile stayed within 2.1–2.3%.

0246810121,522,533,5401.2307.2301.2407.2401.2507.2501.2607.26hh.индекс, левая шкалабезработица (МОТ), %, правая шкала

hh.индекс (резюме на вакансию) и уровень безработицы по методологии МОТ, январь 2023 — сентябрь 2026 года. Светлые точки — восстановленные по годовым темпам или интерполированные значения индекса. Источники: hh.ru, Росстат; расчёт автора.

0246810121,522,533,5401.2307.2301.2407.2401.2507.2501.2607.26hh.index, left axisunemployment (ILO), %, right axis

The hh.index (resumes per vacancy) and the ILO unemployment rate, January 2023 — September 2026. Hollow points are index values reconstructed from annual growth rates or interpolated. Sources: hh.ru, Rosstat; author's calculations.

Расхождение не означает, что один из рядов ошибочен. Рост hh.индекса складывается из сокращения вакансий и притока резюме от уже занятых работников, которые ищут работу на случай сокращений или ради более высокой оплаты. Безработица по МОТ фиксирует только тех, кто не работает и ищет работу. Пока работодатели сокращают найм, а не персонал, охлаждение видно на платформе, но не в официальной безработице.

The divergence does not mean that one of the series is wrong. The rise in the hh.index combines fewer vacancies with an inflow of resumes from employed workers looking for a job in case of layoffs or for higher pay. ILO unemployment counts only those who are not working and are looking for work. As long as employers cut hiring rather than staff, the cooling is visible on the platform but not in official unemployment.

6.2. Опережает ли hh.индекс безработицу (H3)

6.2. Does the hh.index lead unemployment? (H3)

Обе переменные имеют тренды, поэтому регрессия в уровнях дала бы ложную связь. Проверка ведётся в изменениях за 12 месяцев, что заодно снимает сезонность:

Both variables are trending, so a regression in levels would produce a spurious relation. The test uses 12-month changes, which also removes seasonality:

Δ12ut = α + β · Δ12 ln hht−k + εt,(3)

с ошибками Newey–West (12 лагов). Поскольку перекрывающиеся годовые разности трендовых рядов завышают t-статистики даже при стандартной поправке, значимость дополнительно сравнивается с эталоном: та же процедура применена к 5000 пар независимых случайных блужданий той же длины, и p — доля симуляций с не меньшей |t|. Чтобы учесть выбор лага, в эталоне берётся максимальная |t| по тем же лагам 0, 3, 6 и 9; второй эталон заменяет случайные блуждания суррогатами с той же автокорреляцией приростов, что у исходных рядов. Независимые гауссовские блуждания грубее реальных рядов (безработица округлена до 0,1, часть значений индекса интерполирована), поэтому эталонные p-значения ориентировочные.

with Newey–West errors (12 lags). Because overlapping annual differences of trending series inflate t-statistics even after the standard correction, significance is also compared with a benchmark: the same procedure is applied to 5,000 pairs of independent random walks of the same length, and p is the share of simulations with an equal or larger |t|. To account for lag selection, the benchmark takes the maximum |t| over the same lags 0, 3, 6 and 9; a second benchmark replaces random walks with surrogates that have the same autocorrelation of increments as the original series. Independent Gaussian random walks are rougher than the real series (unemployment is rounded to 0.1, and some index values are interpolated), so the benchmark p-values are indicative.

Таблица 3. hh.индекс и безработица: оценки на реальных данных
СпецификацияОценкаnВывод
(3), лаг k = 0β = 0,63; R² = 0,5833связь годовых изменений сильнее всего при лаге около 6 месяцев
(3), лаг k = 6β = 0,62; R² = 0,88; pэталон ≈ 0,01 (с учётом выбора лага 0,04–0,05)27
Обратное направление: Δ12 ln hh на Δ12u с лагом 6R² = 0,2927обратная связь слабее
Тест Грейнджера, месячные разности, 1–3 лагаhh → u: p = 0,36–0,79; u → hh: p = 0,46–0,7741–43опережение не обнаружено (тест маломощен)
Прогноз u на 6 месяцев вперёд по (3), октябрь 2025 — сентябрь 2026MAE 0,107 п. п. против 0,033 у наивного прогноза12прогноз хуже наивного

β — изменение безработицы в п. п. на единицу изменения логарифма hh.индекса за 12 месяцев. Наивный прогноз — последнее известное значение безработицы. Каждая оценка прогнозной модели использует только данные, доступные на дату прогноза (10–21 наблюдение). Расчёт автора.

Table 3. hh.index and unemployment: estimates on real data
SpecificationEstimatenConclusion
(3), lag k = 0β = 0.63; R² = 0.5833annual changes are most closely linked at a lag of about 6 months
(3), lag k = 6β = 0.62; R² = 0.88; pbenchmark ≈ 0.01 (0.04–0.05 allowing for lag selection)27
Reverse direction: Δ12 ln hh on Δ12u at lag 6R² = 0.2927the reverse link is weaker
Granger test, monthly differences, 1–3 lagshh → u: p = 0.36–0.79; u → hh: p = 0.46–0.7741–43no lead found (low-power test)
Six-month-ahead forecast of u from (3), October 2025 — September 2026MAE 0.107 pp vs 0.033 for the naive forecast12worse than naive

β is the change in unemployment in pp per unit change in the 12-month log hh.index. The naive forecast is the last known unemployment rate. Each estimate of the forecasting model uses only data available at the forecast date (10–21 observations). Author's calculations.

Годовые изменения безработицы действительно следуют за годовыми изменениями hh.индекса с лагом около полугода, и эта связь выдерживает сравнение с эталоном ложной регрессии. Но содержательно она описывает один разворот: с 2023 по 2024 год оба ряда снижались, а затем снижение безработицы остановилось вслед за ростом индекса. Помесячного опережения тест Грейнджера [Granger, 1969] не обнаруживает (при округлённой безработице его мощность мала), а прогноз по этой связи в 2025–2026 годах хуже наивного, потому что безработица не росла. H3 в строгой форме — индекс напряжённости улучшает краткосрочный прогноз безработицы — на реальных данных не подтверждается.

Annual changes in unemployment do follow annual changes in the hh.index with a lag of about half a year, and the relation survives the spurious-regression benchmark. But in substance it describes a single turning point: from 2023 to 2024 both series fell, and then the fall in unemployment stopped after the index rose. The Granger test [Granger, 1969] finds no monthly lead (its power is low with rounded unemployment), and in 2025–2026 a forecast based on this relation is worse than the naive one because unemployment did not rise. H3 in its strict form — the tightness index improves short-term unemployment forecasts — is not confirmed on real data.

6.3. Рынок труда и инфляция услуг (H4)

6.3. The labour market and services inflation (H4)

Канал, важный для ДКП, — от напряжённости на рынке труда через зарплаты к ценам услуг, наиболее чувствительным к издержкам труда. Оценивается связь инфляции услуг через h месяцев с текущим hh.индексом при учёте текущей инфляции услуг. Это регрессия в уровнях, поэтому к ней относится то же предупреждение о ложной связи, что и в разделе 6.2:

The channel that matters for monetary policy runs from labour-market tightness through wages to the prices of services, which are most sensitive to labour costs. We estimate the link between services inflation h months ahead and the current hh.index, controlling for current services inflation. This is a regression in levels, so the same spurious-regression warning as in Section 6.2 applies:

πservt+h = α + β · ln hht + γ · πservt + εt.(4)
Таблица 4. hh.индекс и инфляция услуг через h месяцев
Горизонт hβ, п. п. на ед. ln hht (Newey–West)R²n
6 месяцев−1,7−1,80,1739
9 месяцев−3,4−3,20,3236
12 месяцев−3,9−7,10,5533
9 месяцев, без июля–сентября 2026 года−2,8−1,50,1633
12 месяцев, без июля–сентября 2026 года−2,2−1,10,4630

Июль–сентябрь 2026 года исключены, потому что в 2026 году тарифы ЖКУ индексировались не в июле, а в январе и октябре, и годовая инфляция услуг в эти месяцы снижена эффектом базы. Эталон ложной регрессии для полной выборки: p ≈ 0,10 при фиксированном h = 12 и 0,18–0,23 с учётом выбора горизонта. Источники: hh.ru, Банк России; расчёт автора.

Table 4. hh.index and services inflation h months ahead
Horizon hβ, pp per unit ln hht (Newey–West)R²n
6 months−1.7−1.80.1739
9 months−3.4−3.20.3236
12 months−3.9−7.10.5533
9 months, excluding July–September 2026−2.8−1.50.1633
12 months, excluding July–September 2026−2.2−1.10.4630

July–September 2026 are excluded because in 2026 utility tariffs were indexed in January and October rather than July, so annual services inflation in these months is lowered by a base effect. Spurious-regression benchmark for the full sample: p ≈ 0.10 for a fixed h = 12 and 0.18–0.23 allowing for horizon selection. Sources: hh.ru, Bank of Russia; author's calculations.

78910111213142468101201.2307.2301.2407.2401.2507.2501.2607.26инфляция услуг, % г/г, левая шкалаhh.индекс 12 мес. назад, правая шкала (обратная)

Инфляция услуг (% г/г) и hh.индекс, сдвинутый на 12 месяцев вперёд (обратная шкала). Резкое снижение инфляции услуг в июле 2026 года — эффект базы: тарифы ЖКУ в 2025 году индексировались в июле, а в 2026 году — в январе и октябре.

78910111213142468101201.2307.2301.2407.2401.2507.2501.2607.26services inflation, % y/y, left axishh.index 12 months earlier, right axis (inverted)

Services inflation (% y/y) and the hh.index shifted 12 months forward (inverted scale). The sharp fall in services inflation in July 2026 is a base effect: utility tariffs were indexed in July in 2025 and in January and October in 2026.

В полной выборке знак связи ожидаемый и коэффициент растёт с горизонтом. Но оценка держится на трёх последних наблюдениях: в июле–сентябре 2026 года инфляция услуг опустилась до 7,8–8,0 % из-за сдвига индексации тарифов, а не из-за рынка труда; до этого её минимум составлял 9,3 % (декабрь 2025 года), в июне 2026 года — 10,6 %. Без этих месяцев коэффициент уменьшается примерно вдвое и незначим, а против эталона ложной регрессии связь незначима и в полной выборке. Отрицательный коэффициент при текущей инфляции услуг (γ = −0,28 при h = 12) показывает, что подгонка описывает одно колебание. H4 на реальных данных не подтверждается.

In the full sample the sign is as expected and the coefficient grows with the horizon. But the estimate rests on the last three observations: in July–September 2026 services inflation fell to 7.8–8.0% because of the shift in tariff indexation, not because of the labour market; before that its low was 9.3% (December 2025), and in June 2026 it was 10.6%. Without these months the coefficient roughly halves and is insignificant, and against the spurious-regression benchmark the link is insignificant even in the full sample. The negative coefficient on current services inflation (γ = −0.28 at h = 12) shows that the fit describes a single swing. H4 is not confirmed on real data.

6.4. Зарплаты на платформах

6.4. Wages on the platforms

Медианная предлагаемая зарплата в вакансиях hh.ru выросла с 71,6 тыс. руб. в октябре 2024 года до 81,1 тыс. руб. в октябре 2025 года (+13 %) и до 90 тыс. руб. в сентябре 2026 года (+11 % за 11 месяцев). Даже на «рынке работодателя» предлагаемая зарплата выше медианного ожидания соискателей (80 тыс. руб.); это согласуется с тем, что зарплатное давление снижается медленнее напряжённости, но ряд слишком короткий для оценки.

The median offered wage in hh.ru vacancies rose from 71.6 thousand roubles in October 2024 to 81.1 thousand in October 2025 (+13%) and to 90 thousand in September 2026 (+11% over 11 months). Even in an "employer's market" the offered wage exceeds job seekers' median expectation (80 thousand roubles); this is consistent with wage pressure easing more slowly than tightness, but the series is too short for an estimate.

Уровень зарплат сильно зависит от площадки (табл. 5): медиана по «Работе России» — 46,8 тыс. руб. (P10–P90 = 27,5–87,0 тыс.), по SuperJob — 100 тыс. руб., по hh.ru — 88 тыс. руб. Индикатор по одному источнику смещён, поэтому для мониторинга нужна триангуляция. Совокупный спрос трёх площадок (свыше 1,4 млн вакансий) к числу безработных по Росстату (около 1,66 млн) даёт соотношение около 0,86. Оценка неоднозначна: межплатформенные пересечения вакансий её завышают, а неполный охват hh.ru (только вакансии с указанной зарплатой) занижает.

The wage level depends strongly on the platform (Table 5): the median is 46.8 thousand roubles on Rabota Rossii (P10–P90 = 27.5–87.0 thousand), 100 thousand on SuperJob and 88 thousand on hh.ru. An indicator from a single source is biased, so monitoring needs triangulation. Total demand on the three platforms (over 1.4 million vacancies) relative to Rosstat's number of unemployed (about 1.66 million) gives a ratio of about 0.86. The estimate is ambiguous: cross-platform overlaps of vacancies push it up, while hh.ru's incomplete coverage (only vacancies with a stated wage) pushes it down.

Таблица 5. Индикаторы по реальным выгрузкам на 15.06.2026
Показатель«Работа России»SuperJobhh.ru
Вакансии527 666125 433769 798*
Медианная зарплата (WPI)46 830 ₽100 000 ₽88 000 ₽
Медиана, сегмент «аналитик»68 500 ₽80 000 ₽140 000 ₽
Профиль выборкирегионы, бюджетный сектор51 % — Москвапреимущественно брутто

* Вакансии с указанной зарплатой; общий объём площадки больше.

Table 5. Indicators from real extracts as of 15.06.2026
IndicatorRabota RossiiSuperJobhh.ru
Vacancies527,666125,433769,798*
Median wage (WPI)46,830 ₽100,000 ₽88,000 ₽
Median, "analyst" segment68,500 ₽80,000 ₽140,000 ₽
Sample profileregions, public sector51% Moscowmostly gross

* Vacancies with a stated wage; the platform's total volume is larger.

7

Что это значит для денежно-кредитной политики

Implications for monetary policy

Во-первых, платформенные данные фиксируют охлаждение спроса на труд раньше и сильнее, чем официальная безработица. С осени 2024 года hh.индекс вырос почти втрое к пику, а безработица не изменилась. Банк России 23 октября 2026 года отметил, что напряжённость на рынке труда постепенно снижается, но её длительное сохранение остаётся проинфляционным риском; для такой оценки безработица по МОТ сейчас — малочувствительный индикатор.

First, platform data register cooling labour demand earlier and more strongly than official unemployment. Since autumn 2024 the hh.index has nearly tripled at its peak, while unemployment has not changed. On 23 October 2026 the Bank of Russia noted that labour-market tightness is gradually easing but that its prolonged persistence remains a pro-inflationary risk; for this assessment ILO unemployment is currently an insensitive indicator.

Во-вторых, на коротких рядах 2023–2026 годов платформенный индикатор не улучшает прогноз ни безработицы, ни инфляции услуг. Канал «напряжённость → зарплаты → цены услуг» на этих данных отделить от тарифных и денежно-кредитных факторов нельзя.

Second, on the short series for 2023–2026 the platform indicator improves forecasts of neither unemployment nor services inflation. The "tightness → wages → services prices" channel cannot be separated from tariff and monetary factors in these data.

В-третьих, текущий сигнал смешанный: с пика в марте 2026 года hh.индекс снизился до 8,5–8,7, а предлагаемые зарплаты продолжают расти.

Third, the current signal is mixed: since the March 2026 peak the hh.index has fallen to 8.5–8.7, while offered wages keep rising.

Практическое следствие. Платформенный индикатор напряжённости стоит использовать вместе с официальной безработицей, а не вместо неё: как ранний описательный сигнал охлаждения спроса на труд. Проверка его прогнозной ценности для зарплат и инфляции услуг требует длинных помесячные ряды по нескольким площадкам и доступ к обезличенным агрегатам резюме, которые позволят строить очищенный RLSI вместо сырого hh.индекса.

Practical implication. The platform tightness indicator should be used alongside official unemployment, not instead of it: as an early descriptive signal of cooling labour demand. Testing its forecasting value for wages and services inflation requires long monthly series from several platforms and access to anonymised resume aggregates, which would allow a cleaned RLSI to be built instead of the raw hh.index.

8

Ограничения

Limitations

  • Короткие реальные ряды. 45 месяцев, из них 11 значений hh.индекса восстановлены или интерполированы; фактически ряды описывают один цикл — от «рынка соискателя» к «рынку работодателя». Оценки табл. 3–4 предварительные.
  • Сырой, а не очищенный индекс. На реальных данных используется hh.индекс самой площадки, а не RLSI: микроданные резюме недоступны. Проверка того, что очистка улучшает реальный сигнал, требует доступа к обезличенным агрегатам.
  • Одна площадка в рядах. Помесячные ряды есть только по hh.ru; «Работа России» и SuperJob представлены одной выгрузкой со своими смещениями (региональный и бюджетный уклон, московское смещение).
  • Тарифы и денежно-кредитные условия. Инфляция услуг в 2024–2026 годах зависела от индексации тарифов ЖКУ (июль 2024 и 2025 года, январь и октябрь 2026 года) и от денежно-кредитных условий; на 45 месяцах отделить от них канал рынка труда нельзя.
  • Синтетическая панель проверяет конвейер очистки только при искажениях заданной структуры.
  • Short real series. 45 months, of which 11 hh.index values are reconstructed or interpolated; in effect the series describe a single cycle — from a "job seeker's market" to an "employer's market". The estimates in Tables 3–4 are preliminary.
  • A raw, not a cleaned, index. The real-data analysis uses the platform's own hh.index rather than RLSI, because resume microdata are unavailable. Testing whether cleaning improves the real signal requires access to anonymised aggregates.
  • One platform in the series. Monthly series exist only for hh.ru; Rabota Rossii and SuperJob are represented by a single extract each, with their own biases (regional and public-sector tilt, Moscow bias).
  • Tariffs and monetary conditions. Services inflation in 2024–2026 depended on utility-tariff indexation (July 2024 and 2025, January and October 2026) and on monetary conditions; with 45 months the labour-market channel cannot be separated from them.
  • The synthetic panel tests the cleaning pipeline only for distortions of the assumed structure.

План апробации к весне 2027 года: продление рядов по мере выхода обзоров hh.ru; сбор помесячных рядов «Работы России» и SuperJob через открытые API; добавление номинальной зарплаты Росстата и инфляции услуг без регулируемых тарифов; прогноз вне выборки с тестом Диболда–Мариано.

Validation plan for spring 2027: extend the series as new hh.ru reviews appear; collect monthly series for Rabota Rossii and SuperJob through open APIs; add Rosstat nominal wages and services inflation excluding regulated tariffs; out-of-sample forecasts with the Diebold–Mariano test.

9

Заключение

Conclusion

Конвейер очистки — каскадная дедупликация, поведенческий вес ABW и калибровка — восстанавливает активное предложение труда там, где истина известна. На реальных рядах 2023–2026 годов платформенный индикатор напряжённости с осени 2024 года разошёлся с официальной безработицей и показывает охлаждение спроса на труд, которого в ней нет. Прогнозной ценности для безработицы и инфляции услуг на коротких рядах он не показал: опережение видно только в годовых изменениях безработицы, а связь с инфляцией услуг не устойчива к эффекту базы по тарифам. Опережающие свойства, полученные в первой версии на синтетической панели, на реальных данных не подтвердились.

The cleaning pipeline — cascaded deduplication, the ABW behavioural weight and calibration — recovers active labour supply where the truth is known. On real series for 2023–2026 the platform tightness indicator has diverged from official unemployment since autumn 2024 and shows a cooling of labour demand that unemployment does not. It has shown no forecasting value for unemployment or services inflation on short series: the lead appears only in annual changes in unemployment, and the link with services inflation does not survive the tariff base effect. The leading properties obtained on the synthetic panel in the first version were not confirmed on real data.

Изменения в редакции 2

Changes in revision 2

По сравнению с версией 1.0 (октябрь 2026 г.) и статьёй-предшественницей [Ахтямов, 2026]: опережение безработицы и связь с инфляцией услуг больше не обосновываются синтетической панелью, где они заданы генератором; вместо этого добавлен раздел 6 с оценками на реальных помесячных рядах 2023–2026 годов, проверкой против ложной регрессии и прогнозом вне выборки. Выводы об опережении безработицы и о связи с инфляцией услуг на реальных данных не подтвердились; уточнены формула свежести ABW, диапазоны устойчивости и источники данных.

Compared with version 1.0 (October 2026) and the predecessor article [Akhtyamov, 2026]: leading unemployment and the link with services inflation are no longer supported by the synthetic panel, where the generator builds them in; instead, Section 6 adds estimates on real monthly series for 2023–2026, a spurious-regression benchmark and an out-of-sample forecast. The conclusions on leading unemployment and on the link with services inflation were not confirmed on real data; the ABW freshness formula, robustness ranges and data sources have been corrected.

Воспроизводимость

Reproducibility

Код конвейера, синтетическая панель и реальные агрегаты — в открытом репозитории Digital Economy Lab (лицензия MIT). Помесячные реальные ряды с источником каждого значения и скрипт оценок раздела 6 прилагаются к редакции 2.

The pipeline code, synthetic panel and real aggregates are in the Digital Economy Lab open repository (MIT licence). The real monthly series with a source for every value and the estimation script for Section 6 accompany revision 2.

Литература

References

  1. Ахтямов Р. Э. (2026). Трансформация данных онлайн-платформ в надёжные индикаторы рынка труда: методология очистки, взвешивания и калибровки с применением NLP и Behavioural Scoring. Цифровая экономика, № 1(36), 36–42. DOI: 10.34706/DE-2026-01-05.
  2. Банк России (2023–2026). Инфляция на потребительском рынке. Ежемесячные выпуски. URL: cbr.ru/analytics/dkp/dinamic/.
  3. Зайцева О. В. (2025). Онлайн-источники данных о рынке труда: классификация, характеристики и подходы к ранжированию. Белорусский экономический журнал, № 3.
  4. РБК (2026). Набиуллина назвала «самое неприятное» для экономики. 23 октября 2026. URL: rbc.ru/economics/23/10/2026/6adb4fa25ea18da5a7ad8ef4.
  5. Росстат (2023–2026). Социально-экономическое положение России: рабочая сила, занятость и безработица. URL: rosstat.gov.ru.
  6. Сизова И. Л., Русакова М. М., Александрова А. А. (2022). Рынок труда соискателей и трения в поиске работы на современных онлайн-платформах. Экономическая социология, 23(5). DOI: 10.17323/1726-3247-2022-5-45-77.
  7. Сизова И. Л., Орлова Н. С., Елагина Е. Д. (2023). Компетентность работников в условиях социально-экономической неопределённости. Социологический журнал, 29(4). DOI: 10.19181/socjour.2023.29.4.2.
  8. Сизова И. Л. (2025). Особенности подбора персонала: интеллектуальный анализ текстов резюме и вакансий. Регионология, 33(2). DOI: 10.15507/2413-1407.129.033.202502.271-293.
  9. hh.ru (2024–2026). Краткий обзор рынка труда. Ежемесячные обзоры; hh Статистика. URL: stats.hh.ru.
  10. Bok B., Caratelli D., Giannone D., Sbordone A., Tambalotti A. (2018). Macroeconomic nowcasting and forecasting with big data. Annual Review of Economics, 10, 615–643.
  11. Broder A. (1997). On the resemblance and containment of documents. Proceedings of the Compression and Complexity of Sequences, 21–29.
  12. Cavallo A., Rigobon R. (2016). The Billion Prices Project: Using online prices for measurement and research. Journal of Economic Perspectives, 30(2), 151–178.
  13. Choi H., Varian H. (2012). Predicting the present with Google Trends. Economic Record, 88(s1), 2–9.
  14. Christophides V., Efthymiou V., Palpanas T., Papadakis G., Stefanidis K. (2021). An overview of end-to-end entity resolution for big data. ACM Computing Surveys, 53(6), Article 127.
  15. D'Amuri F., Marcucci J. (2017). The predictive power of Google searches in forecasting US unemployment. International Journal of Forecasting, 33(4), 801–816.
  16. Devlin J., Chang M.-W., Lee K., Toutanova K. (2018). BERT: Pre-training of deep bidirectional transformers for language understanding. arXiv:1810.04805.
  17. Giannone D., Reichlin L., Small D. (2008). Nowcasting: The real-time informational content of macroeconomic data. Journal of Monetary Economics, 55(4), 665–676.
  18. Granger C. W. J. (1969). Investigating causal relations by econometric models and cross-spectral methods. Econometrica, 37(3), 424–438.
  19. Granger C. W. J., Newbold P. (1974). Spurious regressions in econometrics. Journal of Econometrics, 2(2), 111–120.
  20. Newey W., West K. (1987). A simple, positive semi-definite, heteroskedasticity and autocorrelation consistent covariance matrix. Econometrica, 55(3), 703–708.
  21. Papadakis G., Ioannou E., Palpanas T. (2020). Entity resolution: Past, present and yet-to-come. Proceedings of EDBT 2020, 647–650.
  1. Akhtyamov R. E. (2026). Transforming online platform data into reliable labour-market indicators: a methodology for cleaning, weighting and calibration using NLP and behavioural scoring. Tsifrovaya Ekonomika [Digital Economy], 1(36), 36–42. DOI: 10.34706/DE-2026-01-05. (In Russian)
  2. Bank of Russia (2023–2026). Inflation in the consumer market. Monthly issues. URL: cbr.ru/analytics/dkp/dinamic/. (In Russian)
  3. Zaytseva O. V. (2025). Online sources of labour-market data: classification, characteristics and approaches to ranking. Belarusian Economic Journal, no. 3. (In Russian)
  4. RBC (2026). Nabiullina named "the most unpleasant" thing for the economy. 23 October 2026. URL: rbc.ru/economics/23/10/2026/6adb4fa25ea18da5a7ad8ef4. (In Russian)
  5. Rosstat (2023–2026). Socio-economic situation of Russia: labour force, employment and unemployment. URL: rosstat.gov.ru. (In Russian)
  6. Sizova I. L., Rusakova M. M., Aleksandrova A. A. (2022). The job seekers' labour market and search frictions on modern online platforms. Economic Sociology, 23(5). DOI: 10.17323/1726-3247-2022-5-45-77. (In Russian)
  7. Sizova I. L., Orlova N. S., Elagina E. D. (2023). Workers' competence under socio-economic uncertainty. Sociological Journal, 29(4). DOI: 10.19181/socjour.2023.29.4.2. (In Russian)
  8. Sizova I. L. (2025). Features of personnel selection: text mining of resumes and vacancies. Regionology, 33(2). DOI: 10.15507/2413-1407.129.033.202502.271-293. (In Russian)
  9. hh.ru (2024–2026). Brief labour-market review. Monthly reviews; hh Statistics. URL: stats.hh.ru. (In Russian)
  10. Bok B., Caratelli D., Giannone D., Sbordone A., Tambalotti A. (2018). Macroeconomic nowcasting and forecasting with big data. Annual Review of Economics, 10, 615–643.
  11. Broder A. (1997). On the resemblance and containment of documents. Proceedings of the Compression and Complexity of Sequences, 21–29.
  12. Cavallo A., Rigobon R. (2016). The Billion Prices Project: Using online prices for measurement and research. Journal of Economic Perspectives, 30(2), 151–178.
  13. Choi H., Varian H. (2012). Predicting the present with Google Trends. Economic Record, 88(s1), 2–9.
  14. Christophides V., Efthymiou V., Palpanas T., Papadakis G., Stefanidis K. (2021). An overview of end-to-end entity resolution for big data. ACM Computing Surveys, 53(6), Article 127.
  15. D'Amuri F., Marcucci J. (2017). The predictive power of Google searches in forecasting US unemployment. International Journal of Forecasting, 33(4), 801–816.
  16. Devlin J., Chang M.-W., Lee K., Toutanova K. (2018). BERT: Pre-training of deep bidirectional transformers for language understanding. arXiv:1810.04805.
  17. Giannone D., Reichlin L., Small D. (2008). Nowcasting: The real-time informational content of macroeconomic data. Journal of Monetary Economics, 55(4), 665–676.
  18. Granger C. W. J. (1969). Investigating causal relations by econometric models and cross-spectral methods. Econometrica, 37(3), 424–438.
  19. Granger C. W. J., Newbold P. (1974). Spurious regressions in econometrics. Journal of Econometrics, 2(2), 111–120.
  20. Newey W., West K. (1987). A simple, positive semi-definite, heteroskedasticity and autocorrelation consistent covariance matrix. Econometrica, 55(3), 703–708.
  21. Papadakis G., Ioannou E., Palpanas T. (2020). Entity resolution: Past, present and yet-to-come. Proceedings of EDBT 2020, 647–650.

← На главную Digital Economy Lab← Back to Digital Economy Lab

© 2026 Digital Economy Lab. Распространяется по лицензии CC BY 4.0.© 2026 Digital Economy Lab. Distributed under the CC BY 4.0 licence.
Made on
Tilda