В. М. Галицький (переднє слово), Л. Г. Авдєєв 4), А. В. Алєксєєва 10), О. В. Астахова 3), С.І. Бандур 1), О.Є. Баришнікова 6), Л. В. Бондарчук 4), О. Ю. Вілкова 6), М.І. Десненко 5), О. М. Діденко (

Вид материала

Содержание

5.3. Аналітичні моделі оцінювання динаміки
5.4. Наукові підходи до визначення

Подобный материал:

1 ... 15 16 17 18 19 20 21 22 23

5.3. Аналітичні моделі оцінювання динаміки

соціальних послуг на ринку праці

Аналітичні технології (методики, які на основі моделей, алгоритмів, математичних теорем дозволяють за відомими даними оцінити значення невідомих характеристик і параметрів) стали широко застосовуватися в економіці праці та управлінні персоналом на рубежі 1950–60-х рр. Найцікавіші результати, що мають практичне значення, були отримані при моделюванні продуктивності праці, диференціації заробітної плати та ін. Проведені дослідження показали, що аналітичні методи дають можливість глибше проникнути в сутність соціально-економічних процесів, даючи змогу тим самим повніше вивчити закономірності поводження суб’єктів ринку праці.

Якісна оцінка соціально-економічних показників на ринку праці дасть можливість роботодавцям і працівникам уникнути виникаючих на ринку праці проблем, забезпечить державним органам можливість ефективно регулювати процеси на ринку праці, розробляти програми, що враховують особливості цього ринку.

Одним із напрямів застосування аналітичних методів моделювання є прогнозування зайнятості населення та її структури. Динаміка зайнятості, її структурні характеристики значною мірою залежать від рішень, що приймаються у сфері розвитку галузей, інвестиційних та фінансових програм, політики доходів, розвитку системи освіти та ін. Вони (рішення), у свою чергу, повинні бути взаємопов’язані зі станом зайнятості як у цілому по економіці, так і в галузевому й регіональному розрізах.

Задача прогнозування в загальному випадку зводиться до одержання оцінки майбутніх значень упорядкованих у часі даних на основі аналізу вже наявних даних. Існують різні алгоритми пошуку закономірностей в існуючих даних. Поряд зі стандартними методами, що використовують параметричні моделі, останнім часом для цих цілей стали застосовуватися інші підходи, зокрема нейрокомп’ютерні технології. Основна перевага таких технологій полягає в паралельності обчислень і відсутності вимоги стаціонарності системи, у рамках якої розвиваються досліджувані процеси. Відомі приклади ефективного використання штучних нейронних мереж для прогнозування результатів виборів, значень економічних показників і аналізу даних соціологічних опитувань.

Для нейросітьового моделювання існують критерії, що дозволяють побудувати для конкретних вихідних даних кращу нейросітьову модель.

В даному дослідженні як критерії порівняння нейросітьових моделей використовувалися їхні прогнозні можливості. Дані прогнозу, які отримані за допомогою моделей, порівнювались з даними Держкомстату України.

Штучні нейронні мережі складаються з елементів, функціональні можливості яких аналогічні більшості елементарних функцій біологічного нейрона. Ці елементи потім організуються певним чином, що може відповідати (або не відповідати) анатомії мозку. Незважаючи на таку поверхневу подібність, штучні нейронні мережі демонструють велику кількість властивостей, притаманних мозку. Наприклад, вони навчаються на основі досвіду, узагальнюють попередні прецеденти, переносячи їх на нові випадки й “витягають” необхідні властивості з інформації, що містить зайві дані.

Основним елементом мережі є штучний нейрон – математична модель біологічної нервової клітки. Окремі нейрони поєднуються в мережі з різною архітектурою. У наш час широко застосовуються багатошарові мережі прямого поширення. У цих мережах виходи нейронів одного шару є входами для наступного шару.

Автором було проведене дослідження з метою побудови двох моделей прогнозу за допомогою апарата нейронних мереж рівня безробіття на прикладі статистичних даних соціально-економічних показників Львівської області. Як вихідні дані було взято динамічні ряди показника рівня безробіття, розрахованого за методикою МОП, і перерахованих показників. Динаміка розглядалась з січня 2005 р. по липень 2010 р. (шаг дискретизації
1 місяць) за матеріалами Головного управління статистики Львівської області.

У першому випадку будувати прогноз на майбутнє будемо, ґрунтуючись на даних минулих періодів, тобто припускаючи, що кількість зареєстрованих безробітних на наступний місяць залежить від кількості зареєстрованих безробітних за попередні місяці. Це значить, що вхідними факторами для моделі можуть бути кількість безробітних за поточний місяць, за місяць раніше й т. д., а результатом повинні бути кількість зареєстрованих безробітних за наступний місяць.

Для побудови нейронної мережі скористаємось програмою Deductor Studіo аналітичної платформи Deductor, яка є основою для створення закінчених прикладних рішень в області аналізу даних. Реалізовані в Deductor технології дозволяють на базі єдиної архітектури пройти всі етапи побудови аналітичної системи від створення сховища даних до автоматичного підбору моделей і візуалізації отриманих результатів.

Оцінюючи значення функції автокореляції та її поведінку, можна зробити висновок про характер аналізуючої послідовності і наявність в ній періодичності. В Deductor Studіo є інструмент “Автокореляція”, призначений для вивчення періодичності.

При прогнозуванні елементів часових рядів за допомогою нейронних мереж необхідно подавати на вхід моделі значення декількох суміжних відліків вихідного набору даних. Такий метод відбору даних називається метод ковзних вікон (вікно – оскільки виділяється тільки деяка неперервна ділянка даних, ковзне – оскільки це вікно “переміщується” по всьому набору).

Авторегресійний аналіз виявив наявність 10-місячної періодичності. У зв’язку із цим було вирішено будувати прогноз на місяць уперед, ґрунтуючись на даних за попередні 1, 2, 9 і 10 місяців. Використовуючи відповідний інструмент Deductor Studіo, одержимо дані, які трансформуються до ковзного вікна так, що будуть доступні всі потрібні фактори для побудови прогнозу.

Для побудови моделі прогнозу скористаємося інструментом “Нейронна мережа” програми Deductor Studіo. Після підготовки таблиці з даними основними кроками програми є настроювання структури та навчання нейромережі (прогнозування на 1 місяць вперед).

Для визначення структури нейромережі вкажемо такі параметри:

кількість нейронів у вхідному прошарку – 4;
кількість прихованих прошарків – 1;
кількість нейронів у вихідному прошарку – 1.

Як функцію активації (нелінійну функцію, що обчислює вихідний сигнал формального нейрона) виберемо сигмоїду:

де х – вихід нейрона, а с – характеристика крутості функції.

Для навчання нейромережі використаємо метод Resіlіent Propagatіon (Rprop). Алгоритм використає так зване “навчання по епохах”, коли корекція ваг відбувається після пред’явлення мережі всіх прикладів з навчальної вибірки. Перевага цього методу полягає в тому, що навчання мережі відбувається в 4–5 разів швидше, ніж стандартний алгоритм Backprop. Вкажемо умову зупинки навчання при досягненні епохи значенню 10000 і будемо вважати приклад розпізнаним, якщо помилка менше 0,005.

В результаті ми одержали багатошарову нейронну мережу, що здатна прогнозувати кількість зареєстрованих безробітних на короткотерміновий період. Після побудови моделі для аналізу її якості представимо отримані результати у вигляді діаграми моделі (рис. 1).

Рис. 1. Графік спостережуваних (чорна лінія) і прогнозованих (сіра лінія) значень

Після навчання залишилося одержати необхідний прогноз. Для цього використаємо інструмент “Прогнозування”, вказавши горизонт прогнозу (на скільки вперед будемо прогнозувати) рівний одиниці. Одержана діаграма прогнозу (рис. 2) свідчить, що розбіжність між реальним і прогнозованим значенням становить 5,2%. Це підтверджує досить високу якість короткотермінового прогнозу за допомогою апарата нейронних мереж.

Рис. 2. Діаграма прогнозу

При надходженні нових даних значення прогнозу буде змінюватись, адаптуючись до нової інформації. Адаптивні прогнози формуються при автоматизованому доучуванні нейронних мереж. При короткостроковому прогнозуванні доучування повинне бути щомісячним на нових даних. У запропонованій функціонуючій інформаційно-аналітичній платформі Deductor цей режим легко реалізувати.

Як відомо, український ринок праці відрізняється наявністю істотної за розміром тіньової економіки. За даними Міністерства економіки, рівень тіньової економіки України з липня 2008 р. по квітень 2009 р. частка економіки, що перебуває в тіні, зросла на 9 процентних пунктів (п.п.) – до 36%. При цьому за перші три місяці 2009 р. рівень тінізації зріс на 4,9 п.п. і сягнув максимального значення за весь час публікації цього показника (з 2001 р.). Розміри тіньової економіки впливають не тільки на безробіття, роблячи його частково фіктивним, але й змінюють структуру безробіття, утруднюючи прогнозування розвитку ситуації на ринку праці.

Основним припущенням проведеного дослідження стала можливість непрямо врахувати вплив тіньової економіки при розгляді безробіття як системного елемента соціально-економічної системи. Відомо, що системний підхід полягає в розгляді всіх елементів системи в їх взаємозв’язку один з одним. Кожний елемент у системі має властивості, які відмінні від тих, що характеризують той же елемент поза системою. Тобто, якщо при дослідженні динаміки безробіття врахувати динаміку зміни інших соціально-економічних показників, то можна виявити реальний тренд розвитку безробіття.

Виходячи з основного припущення дослідження, була сформульована задача побудови моделі, що враховує вплив різних соціально-економічних показників. Оскільки взаємний вплив цих показників у реальному житті може виявлятися не відразу, а через деякий проміжок часу, у модель було включене часове зрушення (лаг).

Моделювання динаміки безробіття припускає визначення залежності соціально-економічних параметрів розвитку в регіональному розрізі. На прикладі статистичних даних ринку праці Львівської області простежувався взаємозв’язок рівня безробіття і таких соціально-економічних показників:

темп зростання обсягів промислового виробництва, %;
кількість наявного населення на кінець місяця, тис. осіб;
індекс споживчих цін, %;
середньомісячна номінальна заробітна плата одного працівника, грн.

При побудові моделей ураховувався вплив цих показників на безробіття без часового зрушення, а також через 3, 6 і 10 місяців.

Для аналізу динаміки безробіття були побудовані нейронні мережі, що створені послідовно для наборів динамічних рядів без зрушення і зі зрушенням ряду безробіття на 3, 6 і 10 місяців. Для врахування зрушення використовувався інструмент “Ковзне вікно” Deductor Studіo, за допомогою якого динамічний ряд безробіття трансформується до “ковзного вікна” так, що стають доступними всі потрібні фактори для побудови нейронної мережі.

Найкращі апроксимаційні можливості мала мережа, побудована при зрушенні динамічного ряду рівня безробіття на 10 місяців. Для визначення структури цієї нейромережі були вказані такі параметри:

кількість нейронів у вхідному прошарку – 8;
кількість прихованих прошарків – 2;
кількість нейронів у вихідному прошарку – 1.

Як функцію активації (нелінійну функцію, що обчислює вихідний сигнал формального нейрона) була вибрана сигмоїда. В результаті була одержана тришарова нейронна мережа, що здатна моделювати динаміку безробіття з врахуванням динаміки зміни розглянутих соціально-економічних показників.

Як видно з діаграми моделі (рис. 3), мережа досить добре моделює динаміку безробіття. Максимальне відхилення прогнозованих значень рівня безробіття нейронної мережі від реальних значень становить 0,0093.

Рис. 3. Діаграма моделі динаміки безробіття (чорна лінія – реальні значення, сіра лінія – прогнозовані значення)

Прогнозні значення рівня безробіття можна отримати за допомогою візуалізатора “Що–якщо”, який дозволяє протестувати побудовану модель на нових даних та оцінити вплив того або іншого фактора на результат.

Знаючи значення вхідних параметрів, можна обчислити значення вихідних. Це має практичну цінність, коли відомі значення всіх вхідних полів. Наприклад, задавши прогнозні дані розглянутих соціально-економічних показників, було отримане прогнозне значення рівня безробіття, розходження якого з реальним становить 1,56%. Отримані дані підтверджують достатню високу якість прогнозу за допомогою нейронних мереж.

Можливості нейронних мереж як інструмента прогнозування дозволяють з урахуванням нових фактичних даних доучувати мережу й тим самим уточнювати параметри математичної моделі прогнозування настільки складного й нестабільного об'єкта, як соціально-економічна система.

Таким чином, у результаті виконаних етапів моделювання динаміки безробіття можна зробити висновок, що метод штучних нейронних мереж дає змогу досить точно відтворити реальні соціально-економічні взаємозв’язки. Нейронні мережі також можна розглядати як альтернативу стандартним регресійним моделям при пошуку складних залежностей між багатьма змінними.

5.4. Наукові підходи до визначення

освітньо-фахового потенціалу персоналу

Кадри організації – це кваліфіковані працівники, які пройшли професійну підготовку та мають спеціальну освіту. У такому плані кадри в організації поділяють на дві групи: кадри управління та робітничі кадри, а, плануючи роботу з кадрами, в організації інколи виділяють, наприклад, облікові кадри, кадри обслуговування тощо, акцентуючи у такий спосіб увагу на різних рівнях їхньої професійної підготовки та видах діяльності.

Крім того, під впливом іноземної наукової літератури сьогодні набуло поширення поняття “персонал”. Персонал (як особовий склад підприємства, організації або частина цього складу) формують у групи за професійними чи іншими ознаками. Це поняття застосовується здебільшого під час планування та здійснення практичних заходів покращення якісних характеристик працівників організації і (меншою мірою) під час наукових досліджень.

Категорію людського капіталу розглядали та досліджували С. Пирожков, Е. Лібанова, М. Долішній, С. Злупко, В. Куценко, О. Грішнова, Л. Семів, Л. Шевчук, Ф. Зінов’єв, І. Джаін та інші вчені. М.І. Долішній, досліджуючи вплив трудового потенціалу на стан соціального розвитку регіону, аналізував його структуру та якість на загальнодержавному, регіональному та індивідуальному рівнях. Аналогічно О.А. Грішнова аналізує людський капітал на різних рівнях – на рівні сім’ї, підприємства (мікроекономічний рівень), регіону (мезоекономічний рівень), країни (макроекономічний рівень), – визначаючи основні чинники його зростання відповідно до цих рівнів. Аналізуючи можливості зростання людського капіталу, В.А. Кісельов ототожнює його із категорією потенціалу і визначає як сукупність специфічних знань та спроможності використовувати їх у щоденному управлінні підприємством.

Серед російських учених одним із перших проблеми людського капіталу досліджував Р. Капелюшников. З урахуванням мотивації та енергії індивіда він характеризував людський капітал як запас знань, здібностей і мотивації, яким тією чи іншою мірою володіє кожна людина.

Подібно до цього інший російський вчений, Р. Нуреєв, трактує людський капітал як сукупність усіх продуктивних якостей працівника, що формується завдяки набутим знанням, навичкам, а також мотивації та енергії, якими супроводжується виробництво економічних благ. Водночас, за Р. Нуреєвим, людський капітал – це своєрідний запас, який може накопичуватися та бути джерелом вищого доходу у майбутньому, що перегукується з основним твердженням А. Сміта. Відомий російський дослідник людських ресурсів С. Дятлов характеризує людський капітал як сформований у результаті інвестицій і накопичений людиною певний запас здоров’я, знань, навичок, здібностей, мотивацій, який вона цілеспрямовано використовує у тій чи іншій сфері суспільного виробництва.

Сучасний білоруський автор Е. Капелян зазначає, що людина є первинним, головним елементом системи, основним джерелом забезпеченості виробництва необхідними ресурсами. Інші елементи є похідними; вони є втіленням живої чи уречевленої праці.

Суть і значення розвитку людського капіталу, на нашу думку, необхідно розглядати під таким кутом зору, щоб формувати людину не лише як носія знань, а як творчу особистість, здатну використовувати здобуті знання для конкурентоспроможної діяльності у будь-якій сфері суспільного життя, для інноваційного розвитку суспільства.

Оскільки освітньо-фаховий потенціал (ОФП) означає можливості (природні здібності), знання (здобуту освіту) та уміння і практичні навички (фах), якими оволоділа людина (чи група людей) у навчальному закладі або за допомогою самоосвіти як у теоретичному аспекті, так і під час трудової діяльності і які можна застосовувати у необхідному соціально-економічному спрямуванні, його можна трактувати як базову основу людського капіталу. Тому немає суперечностей у тому, щоб людський капітал визначати через рівень ОФП як особистості, так і колективу (підприємства, регіону, країни).

З’ясовуючи зміст поняття “освітньо-фаховий потенціал” та поняття “капіталу”, можна поставити знак рівності між інтелектуальним капіталом, знаннями та вміннями працівників і керівництва підприємства, структури тощо.

Розрізняють поняття людського капіталу та його потенціалу.

Інтелектуальний потенціал, який певною мірою ототожнюється з інтелектуальним капіталом, – це успадкований декількома поколіннями інтелект (рівень повсякденної трудової та побутової культури, інтелігентність), набутий за одне покоління (фахівці/спеціалісти). Однак інтелектуальний капітал не обов’язково використовується у реальних господарських процесах. Надзвичайно важливим є визначення стану використання інтелектуального (людського) потенціалу як суми розкритого і нерозкритого потенціалів, здобутих впродовж виховання і навчання людини.

Поняття людського потенціалу доцільно розглядати як суму набутих впродовж виховання і навчання людини знань і вмінь, а людський капітал – як частину людського потенціалу, яким володіє підприємство, регіон, держава.

Розрізняючи поняття “людський потенціал” (ОФП) та “людський капітал”, можна стверджувати, що потенціал – це те, чим потенційно володіє структура (регіон, держава), а людський капітал – це те, що справді використовують у господарських процесах.

Таке твердження можна пояснити тим, що знання і вміння стосуються особистості, а капітал характеризує структуру чи систему.

Окремим у цьому плані є питання ефективності функціонування ОФП як комплексу складових (монопотенціалів), які (за певних умов їхнього використання) повинні проявляти синергічний ефект.

Синергізм – це ефект, який отримують у результаті спільної скоординованої дії елементів системи. Він зумовлений тим, що в результаті такої співдії ефект є набагато більшим, ніж пряма сума ефектів від функціонування кожного з елементів цієї системи окремо.

Синергічний ефект в економіці спостерігаємо під час злиття підприємств. Операційне злиття полягає в інтеграції основного виду діяльності незалежних раніше суб’єктів господарювання для досягнення синергічних ефектів, які можуть бути наслідками таких чинників:

вигоди, пов’язаної із зростанням масштабів діяльності (зменшенням накладних витрат);
фінансової ощадливості, пов’язаної, наприклад, з підвищенням кредитоспроможності об’єднаних підприємств, порівняно меншими витратами на обслуговування боргів тощо;
підвищення ефективності управління об’єднаних фірм, наприклад, завдяки впровадженню найефективнішого для певного об’єднання методу управління;
посилення ринкових позицій об’єднаних підприємств і відповідного зменшення коштів, які витрачаються на продаж товарів.

Явище синергізму необхідно розглядати аналогічно і під час дослідження формування та використання освітньо-фахового потенціалу: наявність висококваліфікованих кадрів як суми монопотенціалів з індивідуальною ефективністю функціонування за спільного використання є доцільнішим порівняно з простою сумою ефективностей у разі окремого функціонування кожного з елементів. Тому просте нарощування освітньо-фахового потенціалу має зумовити не лише зростання ефекту від одиничного збільшення індивідуального рівня кожної складової монопотенціалу, а значне збільшення цього ефекту за сумісного використання цих складових.

Водночас вирішуються такі завдання, як підвищення освітньо-фахового рівня населення регіону чи країни (монопотенціалу) та створення умов для скоординованої спільної дії монопотенціалу для досягнення синергічного ефекту.

Виконання першого завдання покладено на загальну систему освіти і підвищення кваліфікації під час формування кадрового потенціалу. Друге завдання є похідним від першого, але вирішення його залежить від цілої низки чинників, насамперед, від політико-правової ситуації в державі. Мають бути створені такі умови праці і система винагород, які задовольняли б вимоги, що необхідні для нормального функціонування освітньо-фахового потенціалу особистості (ОФПО). Лише у такому разі можна позбутися міграції трудових ресурсів до розвинутих країн Європи.

Зважаючи на вищенаведені міркування, визначення можна сформулювати так: ОФП – це можливості (природні здібності), знання (здобута освіта) та уміння і практичні навички (фах), якими оволоділа людина (чи група людей) під час навчання у навчальному закладі або за допомогою самоосвіти як в теоретичному аспекті, так і в ході трудової діяльності і які можна застосовувати у необхідному соціально-економічному спрямуванні.

У цьому визначенні та частина твердження, що стосується наявних сил, запасів, засобів, якими оволоділа людина (чи група людей) під час навчання або за допомогою самоосвіти, характеризує освітній потенціал як потенціал теоретичного характеру. Та частина твердження, що характеризує потенціал як уміння і практичні навички, які дають можливість застосовувати теоретичні знання у трудовій діяльності, стосується частини фахового потенціалу.

Інша річ, що важко, а іноді й неможливо практично розмежувати ці дві складові досліджуваного потенціалу, хоч джерела його формування доволі прозорі. Адже непоодинокі випадки, коли людина, яка успішно закінчила політехнічний інститут і має диплом магістра та до тонкощів розуміє, наприклад, теорію мікросхем, водночас не вміє тримати в руках паяльника. І навпаки, досвідчений практик може не мати уявлення про принципи роботи мікросхем, але бути цінним, навіть не замінимим спеціалістом на виробництві.

Спроба розмежування таких складових, особливо в аналітичному плані, видається справою безнадійною, адже обидві складові потенціалу в понятті ОФП доповнюють одна одну і формують наявні сили, запаси, засоби, якими оволоділа людина (чи група людей). Тому не дивно, що рівень освіти і фаховий рівень як дві складові потенціалу особистості, які взаємодоповнюють одна одну, визначають загальний рівень освітньо-фахового потенціалу.

У такому разі можна підійти до загального визначення рівня ОФП, причому можна прийняти найпростіше демографічно-статистичне його визначення як сукупність громадян, що працюють у певній країні, проранжованих погалузево та за віком. Оцінити його можна через відсоткову цифру громадян країни з різним рівнем освіти у вигляді, наприклад, освітньо-статистичних таблиць щодо всього населення країни.

Зважаючи на вищевикладені визначення, ОФП можна розглядати у двох аспектах: вертикальному і горизонтальному.

Вертикальний аспект полягає у визначенні кількісного рівня потенціалу кожної особистості, тобто його ОФПО у складі всієї сукупності кадрового потенціалу досліджуваного об’єкта. Кількісний рівень ОФПО можна характеризувати рівнем освіти особистості (неповна середня, середня, бакалавр, спеціаліст, магістр) і навичками і вміннями, набутими в ПТНЗ та протягом практичної трудової діяльності. Аналітичне визначення кількісного рівня ОФПО не становить труднощів, оскільки всі дані можна отримати із статистичних звітів.

У горизонтальному аспекті ОФП можна проранжувати, починаючи від рівня ОФП особистості (ОФПО), ОФП працівників підприємства (ОФПП), області, регіону і країни загалом (ОФПК).

За таким підходом до розуміння освітньо-фахового потенціалу поняття “потенціал” (можливості, наявні сили, запаси, засоби, що можуть бути використані) стосується загальної кількості громадян країни, які об’єднані за освітньо-фаховим критерієм. Тому поняття “освітньо-фаховий потенціал” (ОФП) необхідно уточнити поняттям “освітньо-фаховий потенціал країни” (ОФПК), оскільки визначення охоплює людські ресурси всієї країни. У першому наближенні, дуже спрощено ОФПК можна було б визначити за кількістю громадян працездатного віку з високим, середнім, низьким тощо рівнем ОФПО.

Так само і тоді, коли йдеться про об’єкт дослідження меншого масштабу, можна говорити про освітньо-фаховий потенціал, наприклад, регіону (ОФПР), підприємства (ОФПП), організації, фірми тощо. Всі вони становлять горизонтально-кількісну сукупність, побудовану з одиничних неподільних складових – ОФПО, кожну з яких інакше можна назвати “монопотенціалом” (найменш можливий неподільний носій освітньо-фахового потенціалу взагалі).

Отже, окреслюючи ОФП у горизонтально-кількісному аспекті, з огляду на масштабність, необхідно розглядати:

потенціал окремого працівника (наприклад, управлінця) з його освітньо-фаховим потенціалом особистості (ОФПО), тобто особистісний потенціал (монопотенціал), який інакше можна вважати кадрово-управлінським потенціалом особистості;
ОФПП – освітньо-фаховий потенціал підприємства, фірми, галузі, регіону, країни, що окреслює сумарний стан ОФП досліджуваного об’єкта (підприємства, фірми, галузі, регіону, країни).

Розглядаючи питання освітньо-фахового потенціалу в такому аспекті, вважають, що потенціал підприємства (регіону, галузі, країни тощо) складається з суми потенціалів (монопотенціалів – ОФПО) окремих працівників, які входять до особового складу підприємства.

Основною найменш можливою складовою освітньо-фахового потенціалу, її неподільним носієм є освітньо-фаховий потенціал особистості (ОФПО).

Очевидно, що ОФПО складається із сукупності різних видів знань (поняття, судження, описання, алгоритми мислення та поведінки) з найрізноманітніших сфер як людської діяльності, так і внутрішнього та зовнішнього (стосовно особи) світів, які були сформовані та постійно поповнюються, збагачуються в результаті як планомірного, цілеспрямованого офіційного навчання (підтвердженого після його закінчення відповідними державними документами), так і під час більш-менш спланованої або навіть стихійної (від випадку до випадку) самоосвіти.

Проблеми формування ринку праці, робочих місць і робочої сили, оплати праці та трудової мотивації у перехідний період є дуже важливими для визначення стратегічних напрямів реформування, ефективних заходів практичної політики держави зі створення соціально орієнтованої ринкової економіки. Вирішувати ці проблеми необхідно з погляду ефективності використання освітньо-фахового потенціалу всіх масштабних рівнів.

Наукове видання

Blog

Содержание