СоцстратЭссе

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