Прикладная эконометрика, 2016, № 43

2016, т.43 

ISSN 1993-7601

Журнал «Прикладная эконометрика» включен в список периодических изданий ВАК, 
рекомендованных для публикации результатов диссертационных исследований.  
Он индексирован в международных базах научных журналов по экономике RePEc и EconLit,  
а также в Russian Science Citation Index (RSCI) на платформе Web of Science.

Члены редколлегии

Аистов А. В. — канд. физ.‑мат. наук, Нижегород‑
ский филиал НИУ ВШЭ.
Бродский Б. Е. — д‑р физ.‑мат. наук, ЦЭМИ РАН.
Ван Суст А.  — Ph.D., Тилбургский университет,
Нидерланды.
Вербик М. — Ph.D., Школа менеджмента, Роттер‑
дам, Нидерланды.
Денисова И. А. — Ph. D., Центр экономических
и финансовых исследований и разработок (ЦЭФИР);
ЦЭМИ РАН.
Елисеева И. И. — чл.‑кор. РАН, д‑р экон. наук,
Социологический институт РАН; Санкт‑Петербург‑
ский университет экономики и финансов.
Ениколопов Р. — Ph.D., Университет Помпеу Фа‑
бра, Барселона, Испания; РЭШ.
Канторович Г. Г. — канд. физ.‑мат. наук, НИУ ВШЭ.
Карлеваро Ф. — д‑р наук, Женевский универси‑
тет, Швейцария.
Кумбхакар С. — Ph.D., Университет штата Нью‑
Йорк в Бингемтоне, США.

Макаров В. Л. — акад. РАН, д‑р физ.‑мат. наук,
ЦЭМИ РАН; РЭШ.

Максимов А. Г. — канд. физ.‑мат. наук, Нижего‑
родский филиал НИУ ВШЭ.

Микушева А. Е. — Ph. D., канд. физ.‑мат. наук,
Массачусетский технологический институт, Кэм‑
бридж, США.

Мхитарян В. С. — д‑р экон. наук, НИУ ВШЭ.

Рубин Ю. Б. — д‑р экон. наук, профессор,
чл.‑кор. РАО, ректор МФПУ «Синергия».

Рудзкис Р. — д‑р наук, Институт математики и ин‑
форматики, Каунасский университет, Литва.

Слуцкин Л. Н. — Ph.D., Институт экономики РАН.

Суслов В. И. — чл.‑кор. РАН, д‑р экон. наук, Инсти‑
тут экономики и организации промышленного про‑
изводства СО РАН.

Харин Ю. С. — чл.‑кор. НАН Беларуси, д‑р физ.‑мат.
наук, Белорусский государственный университет;
НИИ прикладных проблем математики и информа‑
тики БГУ, Беларусь.

Главный редактор

Айвазян Сергей Артемьевич — д‑р физ.‑мат. наук, акад. (иностранный член) НАН Армении, Централь‑
ный экономико‑математический институт РАН (ЦЭМИ РАН); Высшая школа экономики (НИУ ВШЭ);
Московская школа экономики МГУ.

Заместитель главного редактора

Пересецкий Анатолий Абрамович — д‑р экон. наук, НИУ ВШЭ; ЦЭМИ РАН; Российская экономиче ‑ 
ская школа (РЭШ).

Ответственный секретарь

Сластников Александр Дмитриевич — канд. физ.‑мат. наук, ЦЭМИ РАН.

 2016, vol.43

ISSN 1993-7601

Applied

CONOMETRICS
E

Applied Econometrics is indexed in RePEc (Research Papers in Economics),  
EconLit (The American Economic Association’s electronic bibliography)  
and RSCI (Russian Science Citation Index) on Web of Science.

Associate Editors

Andrey Aistov — National Research University High‑
er School of Economics (NRU HSE) branch in Nizhny
Novgorod.

Boris Brodsky — Central Economics and Mathemat‑
ics Institute (CEMI RAS), Moscow.

Fabrizio Carlevaro — University of Geneva, Geneva
(Switzerland).

Irina Denisova — Centre for Economic and Financial 
Research (CEFIR); Central Economics and Mathemat‑
ics Institute (CEMI RAS), Moscow.

Irina Eliseeva — Sociological Institute (SI RAS); Saint‑
Petersburg State University of Economics and Finance,
Saint‑Petersburg.

Ruben Enikolopov — Universitat Pompeu Fabra, Bar‑
celona (Spain); New Economic School (NES), Mos‑
cow.

Grigoriy Kantorovich — National Research Universi‑
ty Higher School of Economics (NRU HSE), Moscow.

Yury Kharin — Belarusian State University; Research
Institute for Applied Problems of Mathematics and In‑
formatics, Minsk (Belarus).

Subal Kumbhakar — State University of New York,
Binghamton (USA).

Valery Makarov — Central Economics and Mathe‑
matics Institute (CEMI RAS); New Economic School
(NES), Moscow.

Andrey Maksimov — National Research University 
Higher School of Economics (NRU HSE) branch in
Nizhny Novgorod.

Anna Mikusheva — Massachusetts Institute of Tech‑
nology, Cambridge (USA).

Vladimir Mkhitarian — National Research Universi‑
ty Higher School of Economics (NRU HSE), Moscow.

Yury Rubin — Sinergia Moscow University of Indus‑
try and Finance, Moscow.

Rimantas Rudzkis — Institute of Mathematics and 
Informatics, Vilnius (Lithuania).

Lev Slutskin — Institute of Economics (IE RAS),
Moscow.

Arthur van Soest — Tilburg University, Tilburg (Nether ‑
lands).

Viktor Suslov — Institute of Economics and Industrial 
Engineering of the Siberian Branch of RAS, Novosi‑
birsk.

Marno Verbeek — Rotterdam School of Management,
Rotterdam (Netherlands).

Editor-in-Chief

Sergey Aivazian — Central Economics and Mathematics Institute (CEMI RAS), Moscow; National Research
University Higher School of Economics (NRU HSE); Moscow School of Economics (MSE), Moscow.

Vice-Editor

Anatoly Peresetsky — National Research University Higher School of Economics (NRU HSE); Central Econom‑
ics and Mathematics Institute (CEMI RAS); New Economic School (NES), Moscow.

Executive Editor

Alexander Slastnikov — Central Economics and Mathematics Institute (CEMI RAS), Moscow.

Applied econometrics / ПРИКЛАДНАЯ ЭКОНОМЕТРИКА

Contents 
Содержание номера

2016, 43

ОбразОвание

А. В. Аистов, Е. А. Александрова
Распределенная во времени «разность разностей»  
на примере оценки отдачи от дополнительного профессионального обучения  . . . . . . 5

рынки труда

Е. В. Семерикова, О. А. Демидова
Использование пространственных эконометрических моделей 
при прогнозе регионального уровня безработицы  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 29

Е. Ю. Полякова, Л. И. Смирных
Дифференциация трудовых доходов  
между местными работниками и индивидами 
с иммиграционным прошлым: имеет ли значение этничность? . . . . . . . . . . . . . . . 52

ПредПриятия

И. А. Левина
По знакомству или по конкурсу? 
Децентрализация принятия решений и стратегии найма  
на российских фирмах  . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73

Финансы

О. А. Борзых
Канал банковского кредитования в России:  
оценка с помощью TVP‑FAVAR модели . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96

теОрия и метОдОлОгия

Б. Б. Демешев, О. А. Малаховская
Картографирование BVAR .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 118

Условия публикации статьи  . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142

Содержание номера
Contents

ПРИКЛАДНАЯ ЭКОНОМЕТРИКА / Applied econometrics
2016, 43

Education

Andrey Aistov, Ekaterina Aleksandrova
Time‑distributed difference‑in‑differences approach:  
The case of wage returns to training .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  5

Labor markEts

Elena Semerikova, Olga Demidova
Using spatial econometric models for regional unemployment forecasting .  .  .  .  .  .  .  .  .  .  . 29

Evgeniya Polyakova, Larisa Smirnykh
The earning differential between natives and individuals 
with immigrant background in Russia: The role of ethnicity  . . . . . . . . . . . . . . . . . . 52

EntErprisEs

Irina Levina
By connection or by competition? 
Decentralization of decision‑making and hiring strategies at Russian firms. . . . . . . . . . . 73

FinancE

Olga Borzykh
Bank lending channel in Russia: A TVP‑FAVAR approach  . . . . . . . . . . . . . . . . . . . 96

thEory and mEthodoLogy

Boris Demeshev, Oxana Malakhovskaya
BVAR mapping. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118

Guidelines for authors  . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142

А. В. Аистов, Е. А. Александрова

5

Applied econometrics / ПРИКЛАДНАЯ ЭКОНОМЕТРИКА

Education 
Образование

2016, 43

Прикладная эконометрика, 2016, т. 43, с. 5–28.
Applied Econometrics, 2016, v. 43, pp. 5–28.

А. В. Аистов, Е. А. Александрова1

Распределенная во времени  
«разность разностей» на примере  
оценки отдачи от дополнительного 
профессионального обучения

В работе представлена эконометрическая модель, описывающая распределение во времени эффекта воздействия, построенная на основе методологии «разность разностей». Модель позволила проконтролировать эффект мобильности при оценке отдачи 
от дополнительного профессионального обучения работников на данных по российскому предприятию 2006–2010 гг. Показано, что мобильность хорошо объясняет рост 
зарплат после отдельных видов дополнительного профессионального обучения.

ключевые слова: уравнение доходов; разность разностей; эффект воздействия; панельные 
данные; внутренний рынок труда; дополнительное профессиональное обучение; мобильность.

JEL classification: J24; J31; M51; M53.

1. введение
Э

кономистов‑эмпириков всегда привлекали вопросы выявления причинно‑следствен‑
ных связей, получения количественных оценок эффектов воздействия и обсуждение
возникающих при этом проблем. Достаточно распространенными примерами «воз‑
действий», анализируемыми экономистами, являются программы обучения и социальные
программы (Ashenfelter, 1978; Barnow, 1986; Ashenfelter, 1987; Heckman et al., 1997; Abbring,
Heckman, 2007; Abbring, 2008; Barnow, Smith, 2009; Ashenfelter, 2014). Maddala, Lee (1976)
и Barnow (1977) одними из первых обратили внимание на опасность получения несостоя‑
тельных оценок эффектов воздействия в рамках кросс‑секционных регрессионных моделей,
если в качестве таких оценок рассматривать коэффициенты при качественных объясняющих
переменных, отражающих факт прохождения программы. Природа несостоятельности за‑
ложена в возможной эндогенности этих переменных. Проще говоря, корреляционные связи
не всегда отражают причинность.
Одним из путей решения упомянутой выше проблемы является использование метода

«разность разностей» (difference‑in‑differences, DID), практическое использование которого
было описано Ashenfelter, Card (1985). В его основе заложена хорошо зарекомендовавшая

1
Аистов Андрей Валентинович — Национальный исследовательский университет «Высшая школа эконо‑
мики», Нижний Новгород; aaistov@hse.ru.

Александрова Екатерина Александровна — Национальный исследовательский университет «Высшая

школа экономики», Санкт‑Петербург; ea.aleksandrova@hse.ru.

Образование 
Education

ПРИКЛАДНАЯ ЭКОНОМЕТРИКА / Applied econometrics
2016, 43

себя в медицинских и биологических исследованиях идея выбора контрольной группы. Раз‑
ность между значением анализируемого показателя у представителей группы воздействия
и значением этого же показателя в контрольной группе сравнивается до и после воздействия.
Если эта разность изменилась после воздействия, делается вывод о влиянии рассматриваемо‑
го воздействия на анализируемый показатель (в условиях корректного подбора контрольной
группы и условий проведения эксперимента). Для получения состоятельных оценок данным
методом важен правильный подбор контрольной группы. В идеальном эксперименте необ‑
ходимо сравнить человека «с самим собой», прожившим в одинаковых условиях «две жиз‑
ни» — с воздействием и без воздействия, включая эффект плацебо.
При реализации экономических и социальных программ обычно не удается провести

эксперимент, в котором респонденты контрольной группы по своим наблюдаемым и не‑
наблюдаемым характеристикам (включая их окружение) полностью совпадают с группой
воздействия. В результате существует опасность непараллельности трендов анализируе‑
мого показателя в группе воздействия и контрольной группе. Одним из вариантов получе‑
ния оценок в таких условиях является использование «тройной разности» (Bertrand et al.,
2004; Вулдридж, 2009; Травкин, 2014). Однако эта методология сохраняет требование ли‑
нейности трендов в группе воздействия и контрольной группе. Снимается лишь ограниче‑
ние на их параллельность и допускаются разные наклоны трендов до и после воздействия
в каждой из групп.
В настоящей работе предлагается спецификация регрессионной модели, основанная

на методологии DID, свободная от требований линейности трендов. Эволюции во времени
средних значений анализируемого показателя в группе воздействия и контрольной группе
описываются временными фиксированными эффектами (time fixed effects), как это делает‑
ся в моделях, учитывающих панельный характер данных, но отдельно для каждой из групп.
Предложенная спецификация позволяет проследить (и сравнить) динамику анализиру‑
емого показателя во времени в группе воздействия и контрольной группе с той частотой,
с которой собраны данные, независимо от формы функциональной зависимости показате‑
ля от времени.
Модель сохраняет некоторые ограничения на возможную интерпретацию оценок параме‑
тров. Во‑первых, при количественном измерении эффекта воздействия в процентном выра‑
жении приходится говорить об изменениях в конкретном периоде по отношению к значени‑
ям в базовом периоде (то же самое было в случаях с непараллельными линейными тренда‑
ми). Во‑вторых, причинно‑следственная интерпретация воздействия (как и во всех моделях
DID) зависит от состава группы воздействия, контрольной группы и условий наблюдаемого
естественного эксперимента (проще говоря, процесса генерации данных).
В качестве иллюстрации практического использования предложенной модели в насто‑
ящей работе (на примере данных по одному из российских предприятий за 2006–2010 гг.)
выполнена проверка гипотезы о том, что отдачей от дополнительного профессионального
обучения (ДПО) работников (в плане повышения зарплат) является отдача от мобильности.
Оценки индивидуальной отдачи от ДПО выполняли многие экономисты на различных

наборах наблюдений2, и идея необходимости учета мобильности работников предприятий
при выполнении эмпирических оценок не является новой — об этом более подробно ска‑

2
Cм., например, следующие работы и списки литературы в них: (Hashimoto, 1981; Heckman et al., 1997;

Parent, 1999, 2003; Albert et al., 2010).

А. В. Аистов, Е. А. Александрова

7

Applied econometrics / ПРИКЛАДНАЯ ЭКОНОМЕТРИКА

Education 
Образование

2016, 43

зано в разделе 2. Однако во всех изученных первоисточниках авторы не встретили подход,
предложенный в настоящей работе — выделение отдачи от ДПО на фоне отдачи от мобиль‑
ности путем выбора соответствующей контрольной группы.
Полученные результаты согласуются с выводами Berger et al. (2001), показавшими, что

в России переходного периода (1994–1998 гг.) статистически значимая положительная от‑
дача наблюдалась от тех видов ДПО, которые повышали мобильность работников.

2. Обзор литературы

В рамках настоящей работы ограничимся кратким обзором литературы, поскольку мно‑
гие авторы уже сделали это достаточно полно и подробно. Например, возможные механиз‑
мы связи факта прохождения работником ДПО с его зарплатой классифицированы в рабо‑
те De Beyer (1990) и названы эффектами зарплаты, участия и доступа к рабочим местам.
Описание методологии выполнения оценок среднего эффекта воздействия с выбором кон‑
трольной группы (и обоснование необходимости ее использования для выявления эффек‑
тов воздействия) привел Ениколопов (2009). Обзоры развития эмпирических моделей, по‑
зволяющих оценивать причинно‑следственные связи, включая DID, выполнены Вулдридж
(2009) и Imbens, Wooldridge (2009). Обратим внимание лишь на наиболее важные факты.
Как было отмечено выше, согласно аргументам Maddala, Lee (1976) и Barnow (1977),

вызывает сомнение состоятельность оценки коэффициента при бинарной объясняющей
переменной, отражающей факт обучения, в уравнении доходов, если этот коэффициент
интерпретировать как отдачу от соответствующего обучения. Несостоятельность (причем
знак смещения непредсказуем) может быть вызвана связью фактов прохождения обуче‑
ния с ненаблюдаемыми характеристиками респондентов и их окружения, не вошедшими
в уравнение доходов, но коррелирующими с доходами. Barnow (1977) назвал соответству‑
ющее смещение ошибкой выборки (selection bias). Интересно обратить внимание на эво‑
люцию терминологии — в настоящее время многие экономисты подобный эффект назы‑
вают эндогенностью.
Наличие упомянутой выше эндогенности подтверждают эмпирические исследования.

Например, в ряде работ показано, что вероятность вовлечения в программы ДПО растет
с уровнем образования работников (Parent, 2003; Arulampalam et al., 2004; Bills, Hodson,
2007; Albert et al. 2010). Продолжая простую логическую цепочку, учитывая известный факт
эндогенности уровня образования в уравнении доходов (Card, 2001), можно сделать вывод
об эндогенности соответствующего дополнительного обучения. Другой наиболее извест‑
ный пример, подтверждающий эндогенность факта прохождения ДПО — неслучайный от‑
бор кандидатов менеджерами программ, о котором писали Ashenfelter (1978), Ashenfelter,
Card (1985), Ashenfelter (1987).
Rubin (1974) предложил альтернативную методологию оценки эффектов воздействия —

измерение потенциальных исходов. Развитием этой методологии явился метод DID, им‑
пульсом к широкому использованию которого стали работы Ashenfelter (1978) и Ashenfelter,
Card (1985).
Наиболее просто идеологию DID можно пояснить, используя обозначения, принятые

в моделях, учитывающих панельный характер данных. Такой способ описания использо‑
вал, например, Вулдридж (2009).

Образование 
Education

ПРИКЛАДНАЯ ЭКОНОМЕТРИКА / Applied econometrics
2016, 43

Составим выборку наблюдений из представителей, подвергшихся воздействию, и кон‑
трольной группы. В идеальном эксперименте в контрольную группу подбираются индивиду‑
умы — точные копии группы воздействия. Попадание в ту или иную группу должно носить
абсолютно случайный характер. Например, респонденты в группу воздействия «выдергива‑
ются» абсолютно случайно из контрольной группы, без каких‑либо их личных пожеланий
и стремлений туда попасть. Такой же результат может быть достигнут, если в контрольную
группу выбираются представители из группы воздействия, абсолютно случайно не полу‑
чившие воздействие (Leuven, Oosterbeek, 2008).
Анализируемая характеристика y (отклик которой на воздействия нас интересует) мо‑
жет быть записана в виде модели с фиксированными эффектами (FE):

=
,
it
it
t
i
it
y
tr
d
 m a e
(1)

где d — параметр модели, i  — номер респондента, t  — номер периода, tr  — бинарная
переменная, равная 1, если респондент i подвергся воздействию в периоде t , и 0, если нет.
Случайные слагаемые в уравнении (1) имеют традиционный смысл, принятый в моделях,
учитывающих панельный характер данных:
tm  — фиксированные временны́ е эффекты,

ia  — фиксированные индивидуальные эффекты,
ite  — ненаблюдаемые эффекты, изменя‑
ющиеся во времени и между индивидуумами.

Для удобства рассмотрим два периода (t = 1, 2), в начале второго периода часть респон‑
дентов подвергается воздействию (представители группы воздействия). Выполним внутри‑
групповое преобразование модели (1). Для двух периодов3 оно дает следующий результат:

=
.
i
i
i
y
tr

d me
(2)

OLS оценка параметра d модели (2) является DID приближением оценки среднего эф‑
фекта воздействия среди подвергшихся воздействию (PATT — population average treatment
effect on the treated):

= E[
(
=1)
(
= 0)|
=1].
PATT
i
i
y tr
y tr
tr
d
(3)

Приведенное описание показывает, что необходимым требованием для интерпретации d 
в качестве
PATT
d
 — получения условного математического ожидания в (3) — является па‑
раллельность трендов анализируемого показателя y в группе воздействия и контрольной
группе. Из «нашумевших» работ Ashenfelter (1978), Ashenfelter, Card (1985) и Ashenfelter
(1987) можно сделать вывод, что это требование часто нарушается при использовании дан‑
ных, являющихся результатом «естественного эксперимента». Примерами могут служить
программы обучения, социальные программы и т.п.
Модели (1)–(2) удобны для пояснения DID методологии получения оценки (3), но в ли‑
тературе распространена запись, позволяющая выполнить ту же самую оценку с использо‑
ванием перекрестного слагаемого, см., например, Imbens, Wooldridge (2009). С использова‑
нием введенных выше обозначений эта запись будет иметь следующий вид:

1
2
3
=
,
i
i
i
i
i
i
y
time
tr
tr time
b  b
 b
d
e
(4)

3
В случае двух периодов получаем первую разность — first difference transformation.

А. В. Аистов, Е. А. Александрова

9

Applied econometrics / ПРИКЛАДНАЯ ЭКОНОМЕТРИКА

Education 
Образование

2016, 43

где time  — бинарная переменная, равная 0 в первом периоде и 1 во втором. В отличие
от модели (1), бинарная переменная tr в модели (4) является индикатором группы воздей‑
ствия, т.е. равна 1 для всех респондентов из группы воздействия независимо от того, к ка‑
кому периоду относится конкретное наблюдение.

Очевидно, что на одних и тех же данных OLS оценки параметра d моделей (2) и (4) со‑
впадают. Ниже, при пояснении методологии настоящей работы, будем использовать запись
в стиле (4). Кроме наглядности представления модели, достоинством (4) является возмож‑
ность ее использования на повторяющихся кросс‑секциях, с отказом от панельной структуры
данных. Это снимает проблему возможной несостоятельности DID оценок, связанной с ис‑
тощением выборки, наблюдаемой иногда в панельных данных (Meyer, 1995). Для пояснения
вклада настоящей работы заметим, что многие авторы при теоретическом обосновании под‑
хода DID упоминают о возможности использования кросс‑секций (например, Meyer (1995);
Imbens, Wooldridge (2009)), но не приводят примеры прикладных исследований с их исполь‑
зованием. Например, Meyer (1995) пишет лишь, что при использовании кросс‑секций важно
позаботиться, чтобы сравниваемые группы одинаково хорошо соответствовали условиям
«эксперимента» до и после воздействия.
Алгоритмы выбора контрольной группы в условиях не экспериментальных данных экс‑
плуатируют два основных подхода. В рамках одного — в контрольную группу подбираются
респонденты, наиболее близкие к респондентам из группы воздействия по своим наблюдае‑
мым характеристикам. В другом — в контрольную группу подбираются респонденты, близ‑
кие к респондентам из группы воздействия по прогнозам их меры склонности (propensity
score) попадания в группу воздействия (Rosenbaum, Rubin, 1983).
Второй подход очень популярен как в прикладных, так и в теоретических исследовани‑
ях. В работе Heckman et al. (1997) его использование и развитие аргументировано возмож‑
ностью снижения смещения оценок, обусловленного различием групп по ненаблюдаемым
инвариантным во времени индивидуальным характеристикам. Однако в случаях, когда на‑
блюдения в группе воздействия и контрольной группе сбалансированы, подбор респонден‑
тов на основе меры склонности с увеличением числа отбрасываемых наблюдений приводит
к дисбалансу, снижению эффективности и возможным смещениям оценок (King, Nielsen,
2016).
Наилучшие результаты в плане сохранения сбалансированности наблюдений в группе

воздействия и контрольной группе, согласно исследованию King, Nielsen (2016), показал
coarsened exact matching (CEM), предложенный Iacus et al. (2011, 2012). Идея данного алго‑
ритма состоит в следующем. Сначала переменные «огрубляются» (непрерывные перемен‑
ные, характеризующие респондента, пересчитываются в порядковые, например, число лет
обучения заменяется уровнем образования), после этого респондентам из группы воздей‑
ствия подбираются их точные копии по соответствующим признакам (значениям порядко‑
вых переменных).
Относительно прикладных аспектов затронутой в настоящей работе тематики и выдви‑
нутой гипотезы заметим следующее. Berger et al. (2001) выполняли оценки отдачи от ДПО
в России переходного периода (на данных «Российского мониторинга экономического по‑
ложения и здоровья населения НИУ ВШЭ» — RLMS‑HSE4, 1994–1996, 1998 гг.). Одной

4
https://www.hse.ru/rlms/.

Образование 
Education

ПРИКЛАДНАЯ ЭКОНОМЕТРИКА / Applied econometrics
2016, 43

из выдвинутых ими гипотез было предположение о том, что реструктуризация экономи‑
ки способствует росту корреляции фактов прохождения переподготовки (обучения новым
профессиональным навыкам, позволяющим сменить профессию) с мобильностью работ‑
ников на рынке труда. Ими действительно была обнаружена статистически значимая поло‑
жительная отдача от переподготовки (сопровождаемая рисками — ростом волатильности
зарплаты и вероятности попасть в категорию безработных). Эффект от обучения в текущей
сфере занятости (повышения квалификации) оказался отрицательным. Авторы объяснили
это устаревшими программами обучения, не соответствовавшими изменяющимся рыноч‑
ным институтам (подтверждение этого можно найти в работе (Денисова и др., 2011)). Ин‑
тересно заметить, что повышение квалификации проходили более «стабильные» работники
(в плане сохранения текущей занятости) — эти работники, при прочих равных условиях,
определяемых контролирующими переменными в используемых авторами регрессионных
моделях, с меньшей вероятностью уходили в самозанятые и выходили из состава рабочей
силы. У них наблюдалась меньшая внутрифирменная и внешняя мобильность. Свои вы‑
воды авторы делали, используя относительно простую технику кросс‑секционных оценок
(пробит‑, мультиномиальные логит‑модели и OLS оценки параметров моделей изменений
номинальных зарплат).
Травкин (2014) применил более совершенную методологию выполнения эмпирических

оценок, позволяющую интерпретировать параметры моделей как эффекты воздействия —
двойную разность разностей (для сравнения результатов в его работе также выполнялись
OLS оценки параметров уравнений доходов — регрессий среднего — и оценивались кван‑
тильные регрессии). Отдача от ДПО была им оценена на данных RLMS‑HSE 2004–2011 гг.
(методом двойной разности разностей — для 2004–2008 гг.). Основное внимание в работе
было уделено различиям отдачи от ДПО у работников с разными индивидуальными способ‑
ностями (согласно методологии квантильной регрессии последние проявлялись в виде раз‑
личий зарплат). Разделения ДПО на переподготовку и повышение квалификации в работе
не проводилось, т.к. этого не позволяли сделать вопросы анкет RLMS‑HSE за 2004–2011 гг.
Описывая российский рынок труда, Травкин (2014) упоминает о возможном негативном
влиянии мобильности работников на готовность работодателя инвестировать в некоторые
программы ДПО занятых на предприятии, но данная идея не отражена в его эмпирических
моделях. В регрессиях автор использует большое число контролирующих переменных без
контроля мобильности, связанной с обучением.
Аистов и Александрова (2014) получили оценки отдачи от ДПО в рамках внутренне‑
го рынка труда на данных одного из российских металлургических предприятий за 2006–
2010 гг. В их работе приведены OLS оценки уравнений доходов, оценки параметров анало‑
гичных моделей, учитывающих панельный характер данных и DID оценки. Среди программ
ДПО были выделены курсы переподготовки и повышения квалификации. К недостаткам
работы можно отнести отсутствие учета эффектов мобильности и отказ от использования
информации о ежемесячном изменении зарплат при выполнении DID оценок (этим мето‑
дом оценки были выполнены для усредненных за год почасовых зарплат). Полученные ре‑
зультаты показали положительную (статистически значимую) отдачу от переподготовки для
мужчин во все годы, кроме кризисного 2009 г. Эффект повышения квалификации, согласно
DID оценкам, оказался для мужчин статистически незначимым. Для женщин статистиче‑
ски значимую отдачу методом DID не удалось обнаружить ни для одного из рассмотрен‑
ных в работе видов обучения. FE модели, отражающие внутригрупповой эффект без под‑

А. В. Аистов, Е. А. Александрова

11

Applied econometrics / ПРИКЛАДНАЯ ЭКОНОМЕТРИКА

Education 
Образование

2016, 43

бора контрольной группы, показали более высокую отдачу от переподготовки для мужчин
по сравнению с женщинами, а также статистически значимую отдачу от повышения ква‑
лификации для мужчин и незначимую для женщин. Поскольку контроль мобильности ра‑
ботников в регрессионных моделях Аистова и Александровой (2014) не проводился, часть
оцененных эффектов может быть результатом внутрифирменной мобильности работников,
коррелирующей с прохождением ДПО.
Логика связи ДПО с мобильностью проста. Если ДПО повышает специфический челове‑
ческий капитал работника, прохождение обучения может быть вознаграждено горизонталь‑
ным или вертикальным продвижением работника в рамках предприятия на места, лучше
соответствующие его возросшей производительности, с более высокой оплатой (Gibbons et
al., 2005; Gibbons, Waldman, 2006). Нестерова и Мальцева (2009) подтвердили тесную связь
зарплат с вертикальной внутрифирменной мобильностью работников на примере персо‑
нальных данных по промышленному предприятию Сибирского региона (2002–2006 гг.).
К сожалению (по словам самих авторов), из‑за недостатка информации им не удалось об‑
наружить, могут ли индивидуальные характеристики работников в значительной степени
ослабить привязку зарплат к рабочим местам. В связи с этим «очищение» отдачи от ДПО
от эффекта мобильности сохраняет свою актуальность.
Полученные результаты могут быть интересны не только российским экономистам. Под‑
тверждением этого является работа (Fitzenberger et al., 2015), авторы которой анализировали
связь доходов мужчин Западной Германии (занятых полный рабочий день) с их межфирмен‑
ной и внутрифирменной мобильностью. В выборку были включены работники, прошедшие
ДПО в 1992–1997 гг. (использованы данные The IAB Employment Samples). Согласно оцен‑
кам Fitzenberger et al. (2015)5, внутрифирменная мобильность бывших учеников сопрово‑
ждалась ростом зарплат. Переходы в другую фирму и смены занятости не по профилю обу‑
чения сопровождались снижением зарплат (в среднем). Эти эффекты наблюдались как для
краткосрочного (до двух лет), так и долгосрочного (3–7 лет) периодов после ученичества.

3. методология

Следуя необходимости измерения распределения эффекта ДПО во времени (намерева‑
ясь в дальнейшем использовать ежемесячные данные по зарплате), авторы модифицирова‑
ли «традиционную» спецификацию модели DID. Ее удобно записать в следующем виде:

2
2

>
>
(1)
(2)
(1)
(2)
2
2

=
=1
=
=1
1
1

ln
=

T
N
N
T
i
i
T
T

i
i
i
j
ji
k
ki
i
j
ji
k
ki
i
i
j T
k
j T
k
w
x
z
m
m
z
m
m
tr








b
g
g

g

d
d

d
e








,
(5)

где i — идентификатор респондента ( =1,2,
,
i
n

);
w — заработная плата респондента;
x — вектор‑столбец значений объясняющих и контролирующих переменных (штрихом обо‑
значено транспонирование);

5
Результаты были получены авторами с помощью инструментальных оценок, в качестве инструментов ис‑
пользовались характеристики региональных рынков труда.