Популярность различных Интернет ресурсов в качестве инструмента поиска работы - Влияние участия в виртуальных сетях на поиск работы

Задача 1. Описать наиболее популярные Интернет ресурсы, к которым российский пользователь обращается для поиска работы.

    - Определить, в какой степени используются социальные, деловые социальные сети для поиска работы и специализированные сайты. - Определить сайты-лидеры среди социальных сетей, деловых социальных сетей и специализированных сайтов по поиску работы.

Гипотеза 1. Мы полагаем, что социальные и деловые социальные сети используется в малой степени в качестве ресурсов для поиска работы.

В нашем исследовании мы ограничили Интернет пространство, которое можно использовать в качества ресурса для поиска работы, четырьмя основными направлениями. Первый интернет ресурс - это социальные сети, которые мы больше привыкли использовать для повседневного общения. Тем не менее, этот ресурс приобретает популярность в качестве ресурса, через который можно найти работу. Например, заграницей Facebook уже давно стал достаточно популярным средством, где фирмы могут размещать вакансии и предложения и работе. Вконтакте зарегистрировано 194 670 групп и сообществ, которые в своем названии содержат слово "работа" (большинство групп связаны с поиском работы, однако стоит учитывать "шум", когда слово работа входит в другие словосочетания, например "курсовая работа"), включая 2 569 тысяч сообществ, которые посвящены поиску работы в Москве.

Наиболее известными сетями для российского пользователя являются Вконтакте, Facebook, Instagram, Twitter, Мой мир@mail. ru, Одноклассники и Google+. Из других сетей, которые не были в списке анкеты, некоторые респонденты также упоминали Foursquare, quizup, stumbleupon, pinterest, Livejournal last. fm и meow. Так, 96% респондентов имеют аккаунт в "Вконтакте", 83% в Facebook и 59% пользуются Instagram. Twitter используют 44%, Мой мир@mail. ru - 32%, Google+ - 32% и Одноклассники - 30%.

Рисунок 1. Популярность социальных сетей

Также мы спросили респондентов о том, какой тип профиля они имеют. Респондент мог выбрать между тремя опциями. Полностью открытый аккаунт - вся информация с Вашей странички, фотографии, видео, записи на стене и т. п. доступны любому пользователю Интернет. Частично открытый, частично закрытый аккаунт - аккаунт с определенными настройками приватности, когда часть информации, фотографий, видео, записи на стене и т. п. доступна всем, а часть только приглашенным Вами пользователям. Полностью закрытый аккаунт - если Вы не подтвердите человеку доступ, он не сможет увидеть никакую информацию с Вашей странички. Так, в среднем 51% пользователей различных социальных сетей имеют открытую страницу, 33% пользователей сказали, что их страница частично открытая, частично закрытая и 16% предпочитают иметь закрытый аккаунт в социальных сетях. Важно отметить, что социальная сеть "Вконтакте" является наиболее "закрытой" так сказать - всего 20% пользователей отметили, что имеют открытую страничку См. Приложение 2. Таблица 2 "Тип аккаунта в социальной сети".. Статус страницы также представляет важность, так как определяет количество информации, которое может быть доступно для потенциального работодателя. Так, соискатель вакансии может подать резюме через другой Интернет-ресурс, а работодатель, в свою очередь, может найти по имени человека его страницу в разных социальных сетях и сформировать о нем некоторое представление исходя из информации, которую он получит. Однако, как показывают предыдущие исследования, современное поколение пока мало заинтересовано в том, чтобы вести так называемую "вторую жизнь" для поиска работы. Обычно, пользователи социальных сетей не задумываются о том, что на основании их профиля работодатель может принять решение о будущем трудоустройстве [Manroop L., Richardson J, Loiacono et al].

Второй ресурс - это деловые социальные сети, самой известной из которой, пожалуй, является LinkedIn, которая была образована в 2003 году, а сейчас насчитывает уже свыше 225 миллионов пользователей, представляющих 150 разных бизнес отраслей из 200 стран мира. Материал взят из свободной энциклопедии Wikipedia: http://ru. wikipedia. org/wiki/LinkedIn Jobvite Social Recruiting Survey отметили, что 79% компаний используют LinkedIn, неудивительно, что она является наиболее популярной сетью и для тех, кто ищет работу. По результатам нашего опроса, 73% пользователей деловых социальных сетей знают LinkedIn, а 59% опрошенных зарегистрированы в ней. Интересно отметить, что в то время как большинство стран пользуются американскими сервисами, в Рунете существует тенденция создавать отечественный аналог. Так, Яндекс. ру является аналогом поисковой сети Google, аналогом Facebook является отечественный сайт Вконтакте, который нисколько не уступает Facebook по популярности. Но, данные показывают, что никому пока не удалось создать хоть сколько-то весомый аналог деловой социальной сети LinkedIn. Так, блогеры Рунета отмечают две сети - "Профессионалы. ру" и "Мой Круг". Ни тот, ни другой так и не заняли какой-либо серьезной позиции. Наши данные подтверждают подобные прогнозы. Так, в сети "Мой круг" зарегистрировано 18% опрошенных, а "Профессионалы" используют всего 7%. Как мы видим из рисунка два, остальные сети известны еще меньшему числу людей.

Рисунок 2. Популярность деловых социальных сетей

Третий ресурс - это специализированные интернет сайты, которые посвящены поиску работы. В среднем респондент зарегистрирован на двух сайтах. Использование сайтов по поиску работы в основном бесплатное для тех, кто ее ищет и намного дешевле для фирм, которые ищут работников, в сравнении с традиционными методами рекрутмента. Более того, такие услуги предоставляют доступ к наибольшему количеству потенциальных вариантов, как для работника, так и для работодателя. Именно поэтому они быстро стали очень популярными и заменили объявления в газетах. Абсолютный лидер среди предложенного списка сетей является "HeadHunter. ru", в ней зарегистрировано 81% респондентов. Далее идут такие сайты, как Career. ru (зарегистрировано 38%), "SuperJob. ru" (зарегистрировано 29%), "Job. ru" (зарегистрировано 21%), Avito (зарегистрировано 11%), на других сайтах зарегистрировано менее 10% опрошенных. Размер точек на графике зависит от того, как часто респондент пользуется тем или иным сайтом. Так, 69% опрошенных людей чаще всего используют сайт "HeadHunter. ru", сайт "SuperJob" отметили только 7% опрошенных, остальные сайты еще менее популярны.

Рисунок 3. Популярность специализированных сайтов по поиску работы

Четвертый ресурс - это сайт работодателя. Нам было интересно, просматривал ли респондент вакансии на сайтах компаний, в которых он хотел бы работать, заходили ли на страницы управления персоналом и т. п. 82% ответивших сказали, что использовали сайты работодателей для поиска работы.

В среднем получается, что респондент зарегистрирован в 3.8 социальных сетях, при этом 92% опрошенных посещали от одной до четырех социальных сетей за последнюю неделю См. Приложение 2. Таблица 3 "Использование виртуальных социальных сетей для поиска работы". Что касается деловых социальных сетей, то в них зарегистрировано меньшее количество людей (68% опрошенных), в среднем человек зарегистрирован в одной деловой сети, 50% опрошенных заходили в сеть в течение последних 7 дней (подразумевается LinkedIn). При этом важно отметить, что 72% респондентов ответили, что не искали работу в социальных сетях, 22% пользовались для поиска работы сайтом "Вконтакте" и еще 12% использовали "Facebook". Что касается деловых социальных сетей, то они чуть более популярны: 41% опрошенных использовали "LinkedIn" для поиска работы, 8% пользователь отметили сервис "Мой круг", остальные сети использовали менее 4% опрошенных и 51% ответивших не использовали деловые социальные сети для поиска работы вообще. Получается, что из всех социальных сетей только LinkedIn может выступать в качестве инструмента по поиску работы, в остальных случаях специализированные сайты и сайты компаний, в которых заинтересован человек, являются наиболее популярными Интернет-ресурсами, которые русский пользователь использует для поиска работы. Социальные и деловые социальные сети только начинают набирать популярность в данном направлении.

Успешность трудоустройства и активное использование Интернет-ресурсов

В блоке выше мы проанализировали различные Интернет ресурсы, выяснили, какие из них российский пользователь использует для поиска работы. Второй блок посвящен анализу активности в различных Интернет-ресурсах и ее взаимосвязи с успешностью трудоустройства. Мы выбрали несколько переменных в качестве индикаторов успешности:

    1. Зарплата 2. Удовлетворенность работой (только для тех респондентов, которые сменили работу в 2013-2014 году) 3. Позиция на профессиональной лестнице мастерства 4. Время, затраченное на поиск работы

В качестве индикатор активности в интернете мы взяли следующие показатели:

    1. Количество социальных сетей, в которых зарегистрирован респондент 2. Количество социальных сетей, которые респондент посетил за последние семь дней 3. Количество деловых социальных сетей, в которых зарегистрирован респондент 4. Количество деловых социальных сетей, которые респондент посетил за последние семь дней 5. Наполненность профиля в деловой социальной сети 6. Количество друзей в деловой социальной сети 7. Количество отслеживаемых сообществ в деловой социальной сети 8. Количество отслеживаемых компаний в деловой социальной сети 9. Количество специализированных сайтов, на которых зарегистрирован респондент 10. Просмотр вакансий на сайтах компаний 11. Время, которое респондент в среднем тратил на поиск работы с помощью Интернет ресурсов.

Далее для обозначения независимых переменных, которые оказались незначимыми в результате регрессионного анализа, мы будем использовать их порядковых номер исключительно ради экономии места. В текст мы считаем целесообразным включить только итоговые модели.

Задача 2. Понять, как активность в Интернет-ресурсах влияет на успешность трудоустройства.

Гипотеза 2.1. Чем более активно поведение респондента на различных Интернет-ресурсах, тем большую заработную плату может получать респондент.

Рассмотрим сначала в качестве зависимой переменной заработную плату. Для решения этой задачи мы используем обычную линейную регрессию. Опираясь на результаты корреляции, мы видим, что только показатели активности в деловой социальной сети представляют интерес. Тем не менее, количество деловых сетей, в которых зарегистрирован респондент, наполненность его профиля, количество друзей, сообществ и компаний, которые респондент отслеживает в сети, а также факт посещения сети в течение последней недели являются взаимосвязанными переменными (корреляция колеблется от 0.41 до 0.78). См. Приложение 2. Таблица 4 "Корреляция между переменными" Мы уже выяснили, что в среднем человек зарегистрирован не более чем в одной сети, поэтому показатель количества деловых сетей не представляет интереса. Большинство пользователей деловой социальной сети размещают свои контакты (телефон 53% или e-mail 75%), предоставляют информацию о высшем образовании (89%) и прикладывают резюме (74%). Треть нашей выборки имеют не более 150 контактов в друзьях, 40% опрошенных отслеживают от 1 до 10 страниц компаний и 40% вступили до 20 различных групп. Опираясь на описательную статистику, мы склоняемся к показателю "посещал деловую социальную сеть в течение последних 7 дней" как к показателю ее активного, а не пассивного использования.

Таблица 1

Корреляции

Переменные

Зарплата

Посещал деловые соцсети за последние 7 дней

.271**

Профиль

.244**

Количество друзей

.243**

Количество деловых соцсетей

.229**

Количество отслеживаемых сообществ

.132*

Количество отслеживаемых компаний

.126*

Количество сайтов

.049

Посещал соцсети за последние 7 дней

-.015

Количество соцсетей

-.020

**. Корреляция значима на уровне 0.01 (2-сторон.).

*. Корреляция значима на уровне 0.05 (2-сторон.).

База: 252

Проведя несколько регрессий, включая контрольные переменные и одну из вышеперечисленных, мы также выбрали этот показатель как наилучших, опираясь на значение коэффициента в. В качестве контрольных переменных для нашей регрессии мы выбрали "пол", "проживание в столице" и "возраст". Возраст оказался в нашей модели незначимым коэффициентом. Скорее всего, мы получили такой нетипичных результат, потому что большинство респондентов входят в группу от 20 до 30 лет, и мы не можем уловить изменение заработной платы с годами.

Наша итоговая модель выглядит следующим образом:

Salary = в0 + в1 (Moscow) + в2 (Sex) + в3 (Age) + в4 (business network L7D user) + е

Salary - заработная плата респондента,

Moscow - проживает ли человек в Москве,

Sex - пол респондента

Age - возраст респондента

Business network L7D - использование деловой социальной сети в течение последних семи дней.

Е - стандартная ошибка выборки

Данные удовлетворяет требованиям проведения регрессионного анализа: остатки имеют нормальное распределение, что позволяет нам строить доверительные интервалы, они имеют равную дисперсию распределения, то есть гомоскедастичны, а также отсутствует мультиколлинеарность между независимыми переменными. Согласно итоговой полученной нами модели их всех индикаторов активности, только активность в деловых социальных сетях имеет влияние на заработную плату респондента. Переменная "использование деловой социальной сети в течение последних семи дней" является наилучшим показателем активности.

Таблица 2

Коэффициентыa

Модель

Нестандартизованные коэффициенты

B

Стд. Ошибка

1

(Константа)

41385.4

5468.5

Проживает в Москве

11514.8 **

4894.2

Пол

-11081.2***

4011.8

Возраст

-8.6

11.0

Посещал деловые соцсети за последние 7 дней

10813.1 ***

2663.1

A. Зависимая переменная: Зарплата

*** - значимость на уровне 0.01 (2-сторон.).

** - значимость на уровне 0.05 (2-сторон.).

* - значимость на уровне 0.1 (2-сторон.).

Таблица 3

Сводка для модели

Модель

R

R-квадрат

Скорректированный R-квадрат

Стд. ошибка оценки

1

.349a

.122

.108

30473.161

A. Предикторы: (конст) Посещал деловые соцсети за последние 7 дней, Проживает в Москве, Возраст, Пол

Эта переменная может также указывать на влияние переменных под порядковым номером 3, 5, 6, 7, 8 из-за достаточно высокой корреляции. Неудивительно, что переменная "Проживает в Москве" улучшает финансовое положение соискателя. Зарплата в столице на порядок выше, чем в регионах. Согласно нашей модели, зарплата повышается на 11 515 рублей. Зарплата для женщин в среднем на 11 081 рублей ниже, чем для мужчин. А постоянный мониторинг деловой социальной сети может повысить заработную плану на 10 743 рубля (см. таблицу 2). Таким образом, согласно коэффициентам, наша гипотеза о влиянии активности использования Интернет ресурсов на увеличение заработной платы, подтверждается. Обращаем ваше внимание на то, что данный результат может быть опровергнут, так как качество модели достаточно низкое (R-квадрат не превышает 10%).

Предыдущие исследования также показывали, что месячная зарплата возросла в среднем на 3 процента для тех, кто пользовался интернетом при поиске работы [Bagues and Labini]. Факт того, что респондент заходил в деловую социальную сеть за последние семь дней, говорит о постоянстве ее использования. Так, при посещении сети, он может расширять список своих контактов, обновлять информацию на своей странице (например, резюме), отвечать на сообщения и вести другую активность. Данные результат также может отражать теорию "слабых связей", которая говорит о том, что человек, используя социальные сети, скорее найдет более оплачиваемую работу, а уровень удовлетворенности будет выше. В данном случае, социальные сети действуют не через личное общение, а в Интернет пространстве.

Задача 2. Понять, как активность в Интернет-ресурсах влияет на успешность трудоустройства.

Гипотеза 2.2. Чем более активно поведение респондента на различных Интернет-ресурсах, тем больше вероятность, что он найдет работу, которой будет удовлетворен.

Следующая зависимая переменная - это удовлетворенность текущим местом работы. Для решения данной задачи мы использовали метод логистической регрессии. Мы взяли 7-бальную шкалу для измерения уровня удовлетворенности, где 1 обозначала полную неудовлетворенность, а 7 - полную удовлетворенность текущим местом работы. Мы перекодировали данную переменную в бинарную, где 1 обозначает высокую удовлетворенность работой (6 или 7 по 7-бальной шкале).

В качестве контрольных переменных для нашей модели мы использовали пол, возраст, проживание в Москве, соответствие образования текущей должности. После проведения ряда регрессий с контрольными переменными, мы оставили наилучшую модель со значимыми показателями активности.

High Satisfaction = в0 + в1 (Moscow) + в1 (Sex) + в2 (Age) + в3 (Education relevance) + в4 (Business networks amount) + е

High Satisfaction - высокая удовлетворенность работой

Moscow - проживает ли человек в Москве,

Sex - пол респондента

Age - возраст респондента

Education relevance - соответствие образования работе

Business networks amount - количество деловых социальных сетей, на которых зарегистрирован респондент.

Е - стандартная ошибка выборки

Таблица 4

Переменные в уравнении

B

Стд. Ошибка

Вальд

Ст. св.

Знч.

Exp(B)

Шаг 1a

Проживает в столице

-.938

.479

3.825

1

.051

.392

Пол

-.549

.335

2.691

1

.101

.577

Возраст

.001

.001

.617

1

.432

1.001

Соответствие образования работе

-.645

.323

3.991

1

.046

.525

Количество деловых социальных сетей, в которых зарегистрирован респондент

.484

.158

9.399

1

.002

1.622

Константа

-.405

.283

2.043

1

.153

.667

A. Переменные, включенные на шаге 1: Проживает в столице, Пол, Возраст, Соответствие образования работе, Количество деловых социальных сетей, в которых зарегистрирован респондент

Количество деловых сетей, в которых зарегистрирован человек, имеет наивысшую корреляцию (0.276) с удовлетворенностью местом работы. Мы знаем, что 37% респондентов не зарегистрированы ни в одной сети, 39% используют одну сеть и еще 17% пользуются двумя сетями. Что касается использования сетей, то, скорее всего, это LinkedIn (зарегистрировано 59%) или Мой круг (зарегистрировано 18%). Согласно полученной модели (таблица 4), количество сетей, в которых зарегистрирован респондент, имеет влияние на высокую удовлетворенность найденной работой. Вероятность попасть в группу высоко удовлетворенных работников увеличивается в 1.6 раз. А вот проживание в столице и соответствие работы и полученного образования, хоть и не сильно, но уменьшают эту вероятность. Так, использую контакты в деловой социальной сети, человек с большей вероятностью найдет работу, которой он будет удовлетворен. Наш результат опять же подтверждает теорию "слабых связей" и эмпирические исследования, которые были проведены на ее основе.

Таблица 5

Сводка для модели

Шаг

-2 Log Правдоподобие

R квадрат Кокса и Снелла

R квадрат Нэйджелкерка

1

240.111 a

.108

.147

A. Оценивание закончено на итерации номер 4, потому что оценки параметра изменились менее чем на.001.

Таблица 6

Таблица классификацииa

Наблюденные

Предсказанные

Удовлетворен работой

Процент корректных

0

1

Шаг 1

Удовлетворен работой

0

96

25

79

1

41

35

46

Общий процент

66

A. Разделяющее значение = .500

Таблица 5 показывает нам общую оценку качества модели, которая содержит удвоенный логарифм функции правдоподобия со знаком минус и псевдокоэффициенты детерминации, полученные на основе отношения функции правдоподобия моделей с константой и всеми коэффициентами. Таблица классификации показывает процент предсказаний модели. Модель правильно предсказывает 66%, а именно принадлежность к группе сотрудников, высоко удовлетворенных работой. Вторая гипотеза подтверждается, а именно активность в деловых социальных сетях влияет на удовлетворенность найденной работой.

Задача 2. Понять, как активность в Интернет-ресурсах влияет на успешность трудоустройства.

Гипотеза 2.3. Чем более активно поведение респондента в деловых социальных сетях, тем выше его самоощущения на "профессиональной лестнице мастерства".

Следующая зависимая переменная - это самоощущение на профессиональной лестнице мастерства. Мы задавали в анкете вопрос "D3. Представьте себе "лестницу профессионального мастерства", состоящую из 9 ступеней, где первая ступенька - это уровень "начинающего, ученика", а девятая - это уровень "профессионала высокого класса". На какую из них Вы поместили бы себя?". Для решения данной подзадачи мы использовали метод логистической регрессии. Переменную "профессиональный уровень" мы перекодировали в бинарную переменную. Единица обозначает высокий профессиональный уровень респондента, это значит, что по 9-бальной шкале, он отнес себя к 6,7,8 или 9 ступени. В качестве контрольных переменных для нашей модели мы использовали пол, возраст, проживание в Москве, соответствие образования текущей должности, наличие высшего образования. После проведения ряда регрессий с контрольными переменными, мы оставили наилучшую модель со значимыми показателями активности.

High professional level = в0 + в1 (Moscow) + в1 (Sex) + в2 (Age) + в3 (Higher education) + в4 (Education relevance) + в5 (Social network L7D user) + в6 (Business network L7D user) + е

High professional level - высокая удовлетворенность работой

Moscow - проживает ли человек в Москве,

Sex - пол респондента

Age - возраст респондента

Higher education - наличие высшего образования

Education relevance - соответствие образования работе

Social network L7D user - количество социальных сетей, которые респондент посетил за последнюю неделю

Business network L7D user - количество деловых социальных сетей, которые респондент посетил за последнюю неделю

Business networks amount - количество деловых социальных сетей, на которых зарегистрирован респондент.

Е - стандартная ошибка выборки

Согласно полученной модели (таблица 7), проживание в столице (соответственно, и работа в столице) увеличивает вероятность попасть в группу тех, кто оценивает свои профессиональные навыки по 9-бальной шкале от 6 до 9 в 3.3 раза. Женщины с большей вероятностью (в 2.9 раза выше) попадают в эту группу. Среди индикаторов активности значимыми оказались количество используемых социальных и деловых социальных сетей за последние семь дней. Еще раз напомним, что 44% от общего числа выборки использовали лишь одну социальную сеть за последнюю неделю.

Таблица 7

Переменные в уравнении

B

Стд. Ошибка

Вальд

Ст. св.

Знч.

Exp(B)

Шаг 1a

Проживает в столице

1.190

.492

5.862

1

.015

3.288

Пол

1.059

.434

5.950

1

.015

2.884

Возраст

-.001

.002

.158

1

.691

.999

Соответствие образования работе

.076

.412

.034

1

.854

1.079

Посещал соцсети за последние 7 дней

.479

.181

6.996

1

.008

1.615

Посещал деловые соцсети за последние 7 дней

.840

.290

8.392

1

.004

2.317

Наличие высшего образования

-.984

.700

1.978

1

.160

.374

Константа

-3.768

.686

30.196

1

.000

.023

A. Переменные, включенные на шаге 1: Проживает в столице, Пол, Возраст, Соответствие образования работе, Посещал соцсети за последние 7 дней, Посещал деловые соцсети за последние 7 дней, Наличие высшего образования

Таблица 8

Сводка для модели

Шаг

-2 Log Правдоподобие

R квадрат Кокса и Снелла

R квадрат Нэйджелкерка

1

164.327 a

.194

.298

A. Оценивание закончено на итерации номер 5, потому что оценки параметра изменились менее чем на.001.

Таблица 9

Таблица классификацииa

Наблюденные

Предсказанные

6-9 ступень

Процент корректных

0

1

Шаг 1

6-9 ступень

0

149

5

97

1

29

14

33

Общий процент

83

A. Разделяющее значение = .500

Социальные сети являются более распространенными, поэтому 93% опрошенных посетили от 1 до 4 сетей за последнюю неделю: 22% посетили одну сеть, 30% опрошенных посетили две сети, 25% посетили 3 сети и 15% опрошенных заходили в четыре социальные сети. Важно также отметить, что 90% опрошенных используют социальные сети каждый день или несколько раз в день. Согласно полученной модели, вероятность попасть в группу в группу людей, которые ставят себя на высокие позиции на профессиональной лестнице, возрастает в 1.6 раз, если респондент пользовался социальными сетями (при этом чем больше сетей он использовал, тем лучше). При использовании деловых социальных сетей, вероятность оказаться в этой группе увеличивается в 2.3 раза. Так, третья гипотеза находит свое подтверждение, а именно посещение социальных и деловых социальных сетей влияет на самоощущение на "профессиональной лестнице мастерства".

Таблица 8 показывает нам общую оценку качества модели, которая содержит удвоенный логарифм функции правдоподобия со знаком минус и псевдокоэффициенты детерминации, полученные на основе отношения функции правдоподобия моделей с константой и всеми коэффициентами. Таблица классификации показывает процент предсказаний модели. Модель правильно предсказывает 83% наблюдений. Важно также отметить, что переменная "профессиональный уровень" имеет линейную взаимосвязь с заработной платой (коэффициент корреляции 0.444) и с удовлетворенностью текущим местом работы (коэффициент корреляции 0.233). Таким образом, логично интерпретировать первую и третью модель совместно.

Задача 2. Понять, как активность в Интернет-ресурсах влияет на успешность трудоустройства.

Гипотеза 2.4. Чем более активно поведение респондента на различных Интернет-ресурсах, тем быстрее он находит новую работу.

Нам также интересно понять, существует ли взаимосвязь между активным использованием различных интернет ресурсов и временем, которое человек затрачивает на поиск работы, а также какие из этих ресурсов сокращают время поиска. Для решения данной задачи мы использовали линейную регрессию, анализ проводился на основной выборке.

Данные удовлетворяет требованиям проведения регрессионного анализа: остатки имеют нормальное распределение, что позволяет нам строить доверительные интервалы, они имеют равную дисперсию распределения, то есть гомоскедастичны, а также отсутствует мультиколлинеарность между независимыми переменными. Проведя несколько регрессий, включая контрольные переменные и одну из вышеперечисленных, мы также выбрали этот показатель как наилучших, опираясь на значение коэффициента в. В качестве контрольных переменных для нашей регрессии мы выбрали "пол" и "возраст". Наша итоговая модель выглядит следующим образом:

Job search time = в0 + в1 (Sex) + в2 (Age) + в3 (Job search sites) + в4 (Company sites) + в5 (Time) + е

Job search time - сколько времени человеку понадобилось на поиск работы

Sex - пол

Age - возраст

Job search sites - количество специализированных веб-сайтов, на которых зарегистрирован человек

Company sites - просмотр страниц вакансий компаний

Time - время, которое человек тратил на поиск работы

Е - стандартная ошибка выборки

Таблица 10

Коэффициентыa

Модель

Нестандартизованные коэффициенты

B

Стд. Ошибка

1

(Константа)

-0.031

0.431

Пол

0.230 **

0.227

Возраст

0.000

0.001

Количество сайтов

0.069 **

0.073

Страницы компаний

0.634 ***

0.306

Время, затраченное на поиск

0.154 ***

0.053

A. Зависимая переменная: Время поиска работы

*** - значимость на уровне 0.01 (2-сторон.).

** - значимость на уровне 0.05 (2-сторон.).

* - значимость на уровне 0.1 (2-сторон.).

Таблица 11

Сводка для моделиb

Модель

R

R-квадрат

Скорректированный R-квадрат

Стд. ошибка оценки

1

.282a

0.079

0.055

1.52649

A. Предикторы: (конст) Время, затраченное на поиск работы, Возраст, Пол, Просмотр сайтов компаний, Количество сайтов

B. Зависимая переменная: Время поиска работы

Согласно итоговой полученной нами модели, женщины дольше ищут работу, чем мужчины. Количество сайтов, на которых зарегистрирован респондент, просмотр страниц компаний, на которых они размещают информацию о вакансиях, а также время, затраченное на поиск работы, увеличивают общее время поиска. Мы не располагаем достаточным количеством информации для интерпретации данных результатов, однако можем предположить, что количество просматриваемых страниц и сайтов, на которых зарегистрирован респондент, может быть связано с параметрами его запроса. Логично предположить, что люди, которые предъявляют более высокие требования к работе, тратят больше времени на ее поиск, так как количество удовлетворительных вариантов становится меньше и тяжелее найти подходящую вакансию. Так, мы можем предположить, что данный результат связан с результатами исследования Фельдмана и Клааса [2002]. Так же вполне очевидно, что чем больше сайтов посещает респондент, тем большее количество информации о вакансиях и компаниях он получает. Соответственно, ему требуется больше времени на ее обработку. Тем не менее, мы не можем опираться на результаты данной модели, так как значение R-квадрат очень мало (см. таблицу 11).

Задача 3. Понять, является ли малая активность поведения на различных Интернет-ресурсах причиной того, что человек не сменил место работы в процессе поиска.

Гипотеза 3. Неактивность поведения на различных Интернет-ресурсах не обязательно является причиной того, что человек не сменил место работы в течение поиска, этому могли способствовать причины самого поиска.

Не все респонденты, которые участвовали в нашем исследовании, сменили место работы в 2013-2014 году. 67 человек занимались поиском работы в течение последних 12 месяцев, но не сменили свое текущее место работы. Среди них 51% женщин и 40% мужчин. 84% проживают в городе Москва и 16% в других городах. 52% опрошенных входят в возрастную группу 20-25 лет, 37% - в группу 25-30 лет См. Приложение 2. Таблица 6 "Описание дополнительной выборки"..

Мы предлагали нашим респондентам ответить на вопрос "R1. Скажите, почему Вы занимались поиском новой работы в течение последних 12 месяцев?". В таблице 12 представлено распределение ответов, наиболее популярные причины поиска работы - "был студентом" (30%), "не устраивала зарплата" (18%) и "я слежу за рынком труда" (18%).

Таблица 12.

Причина поиска работы

Процент

Был студентом

30%

Не работал и не учился

5%

Потерял предыдущее место работы / был уволен

5%

У меня была временная работа

9%

Меня не устраивала заработная плата

18%

Меня не устраивал коллектив, в котором я работаю

9%

Меня не устраивали отношения с начальством

7%

Меня не устраивала моя должность

12%

Хотел сменить сферу деятельности

12%

Я слежу за рынком труда / мне интересны новые предложения

18%

База: дополнительная выборка (67 человек)

Мы задавали открытый вопрос тем, кто не сменил работу: "R2. Вы сказали, что последний раз меняли работу в _______ году (DP: вставить год, указанный в вопросе S5) и в то же время использовали интернет для поиска другой работы. Расскажите, пожалуйста, почему Вы остались работать на текущем месте работы". 75% дополнительной выборке отметили уровень удовлетворенности текущим местом работы от 5 до 7 по 7-бальной школе. 55% ответили, что не планируют менять текущее место работы в ближайшие шесть месяцев. Так, опираясь даже на описательную статистику, мы не можем интерпретировать решение человека остаться на текущем месте работы как неуспех в поиске новой работы. Человек мог заниматься поиском новой работы, потому что он ищет лучшие условия труда, такие как зарплата или коллектив. Другие же могут просто просматривать обновление вакансий, тем самым находятся в курсе того, как развивается рынок труда. Мы можем привести несколько примеров открытых ответов, почему респондент остался на текущем месте работы.

"Мне был интересен рынок труда, какие есть предложения, возможно, я бы нашел что-то получше".

"Наладила отношения с коллективом и начальством, повысила з/п, нашла интересные задачи"

"Не нашла лучшей альтернативы"

"Не устроила вакансия, которую рассматривала"

"Потому что пока что не нашла нового варианта, который бы меня полностью устраивал"

"Просто интересовался тем, что происходит на рынке труда"

Так же мы задавали вопрос "R5. Если говорить о Вашем отношении к работе вообще, то какие ее стороны Вы считаете наиболее важными?". Респондентам был предложен множественный ответ из 13 рабочих характеристик. Мы провели факторный анализ с использованием метода главных компонент, чтобы уменьшить размерность нашей модели и выявить латентные факторы - те характеристики, которые являются наиболее весомыми при выборе работы. Если руководствоваться критерием Кайзера (таблица 13), то пять факторов - это оптимальное количество, которые мы должны получить в результате анализа. Они объясняют 56% вариации исходных переменных.

Таблица 13.

Полная объясненная дисперсия

Компонента

Начальные собственные значения

Суммы квадратов нагрузок извлечения

Суммы квадратов нагрузок вращения

Итого

% Дисперсии

Кумулятивный %

Итого

% Дисперсии

Кумулятивный %

Итого

% Дисперсии

Кумулятивный %

1

1.9

14.8

14.8

1.9

14.8

14.8

1.6

12.6

12.6

2

1.8

14.0

28.8

1.8

14.0

28.8

1.5

11.9

24.5

3

1.4

10.5

39.3

1.4

10.5

39.3

1.5

11.3

35.8

4

1.1

8.6

47.9

1.1

8.6

47.9

1.3

10.3

46.1

5

1.0

7.8

55.7

1.0

7.8

55.7

1.2

9.6

55.7

6

1.0

7.3

63.0

7

0.9

6.9

69.9

8

0.8

6.5

76.5

9

0.8

6.0

82.5

10

0.6

4.8

87.3

11

0.6

4.7

92.0

12

0.6

4.5

96.5

13

0.5

3.5

100.0

Метод выделения: Анализ главных компонент.

Интерпретировать факторы мы будем с помощью матрицы повернутых компонент (таблица 14). Было проведено ортогональное вращение факторного решения, по критерию "варимакс", так мы можем посмотреть на нагрузки для 13 переменных нашей модели. Для упрощения интерпретации, мы выделили цветом те факторы, которые имеют наибольшей вклад в данную ось.

Таблица 14.

Матрица повернутых компонентa

Компонента

1

2

3

4

5

Не слишком напряженная работа

.753

-.190

-.035

-.007

.009

Большой отпуск

.666

.138

.036

.061

.055

Удобный график

.549

.118

.005

.502

-.084

Работа, на которой я чувствую, что могу достичь чего-то большего

-.193

.799

.034

.103

-.055

Интенсивная, творческая работа

.197

.539

-.025

-.117

.132

Возможность проявлять инициативу

.039

.529

.343

-.011

.337

Работа, вызывающая уважение у людей

.118

.207

.729

-.179

-.350

Ответственная работа

-.159

.160

.562

-.040

.249

Возможность работать удаленно

.254

-.272

.537

.318

.125

Надежность

-.134

-.183

.447

.495

-.017

Размер оплаты труда

.122

.016

-.080

.719

-.040

Соответствие работы личным способностям и склонностям

.222

.024

.027

-.270

.738

Возможность развиваться, получая новые знания и умения

-.257

.309

.033

.298

.595

Метод выделения: Анализ методом главных компонент. Метод вращения: Варимакс с нормализацией Кайзера.

A. Вращение сошлось за 7 итераций.

Первый фактор имеет высокие нагрузки по таким переменным как "не слишком напряженная работа", "большой отпуск" и "удобный график". Другими словами, это те люди, которые хотят вкладывать наименьшее количество усилий в рабочий процесс. Назовем его "минимизация рабочих усилий". Второй фактор имеет высокие нагрузки по таким переменным как "работа, на которой я чувствую, что могу достичь чего-то большего", "интенсивная, творческая работа" и "возможность проявляться инициативу". Назовем его "потребность в самореализации". Третий фактор строится на переменных "Работа, вызывающая уважение у людей", "Ответственная работы" и "Надежность". Так же в этот фактор вошла переменная "Возможность работать удаленно", которая скорее по смыслу подходит для первого фактора (нагрузка 0.254). Предположим, что данное несоответствие связано с качеством данных, в первую очередь, это фактор "социальной значимости". "Высокая зарплата" - желание получать высокую заработную плату выделилось в самостоятельный четвертый фактор. Пятый фактор мы можем описать с помощью переменных "Соответствие работы личным способностям и склонностям" и " Возможность развиваться, получая новые знания и умения". Назовем его "соответствие способностям".

Далее мы провели логистическую регрессию с использованием результатов факторной модели на полной базе (252 наблюдения). В качестве зависимой переменной мы рассмотрели бинарную переменную "сменил место работы в 2013-2014 году". Так, мы хотим посмотреть, влияют ли какие-то из факторов (наиболее важные стороны работы) на то, что человек все же не сменил свое текущее место работы, хоть и занимался просмотром новых вакансий. В качестве контрольных переменных для нашей регрессии мы выбрали "пол", "возраст" и "высшее образовании". Наша итоговая модель выглядит следующим образом:

Job change = в0 + в1 (Sex) + в2 (Age) + в3 (Higher education) + в4 (Factor 1) + в5 (Time) + е

Job change - респондент сменил место работы в 2013-2014 году

Sex - пол

Age - возраст

Higher education - наличие высшего образования

Factor 1 - фактор "минимизация рабочих усилий"

Factor 2 - фактор "потребность в самореализации"

Factor 3 - фактор "социальная значимость"

Factor 4 - фактор "высокая зарплата"

Factor 5 - фактор "соответствие способностям"

Е - стандартная ошибка выборки

Таблица 15.

Переменные в уравнении

B

Стд. Ошибка

Вальд

Ст. св.

Знч.

Exp(B)

Шаг 1a

FACTOR 1

.183

.204

.807

1

.369

1.201

FACTOR 2

.198

.183

1.168

1

.280

1.219

FACTOR 3

.158

.199

.632

1

.427

1.171

FACTOR 4

.075

.181

.173

1

.677

1.078

FACTOR 5

.427

.183

5.437

1

.020

1.532

Пол

-.628

.376

2.795

1

.095

.534

Возраст

-.104

.036

8.538

1

.003

.901

Наличие высшего образования

.119

.508

.055

1

.815

1.126

Константа

4.029

.931

18.729

1

.000

56.213

A. Переменные, включенные на шаге 1: FACTOR 1, FACTOR 2, FACTOR 3, FACTOR 4, FACTOR 5, Пол, Возраст, Наличие высшего образования

Согласно полученной модели (таблица 15), из всех факторов только пятый фактор - "соответствие способностям" - оказался значимым. Респонденты, у которых в качестве важных характеристик работы выступают "Соответствие работы личным способностям и склонностям" и " Возможность развиваться, получая новые знания и умения" с большей вероятностью попали в группу тех, кто сменил работу в 2013-2014 году (в 1.5 раз выше). Таким образом, именно соответствие работы способностям и умениям, возможность получить новые навыки и развить текущие являются наиболее важными характеристиками при выборе места работы.

Таблица 16.

Сводка для модели

Шаг

-2 Log Правдоподобие

R квадрат Кокса и Снелла

R квадрат Нэйджелкерка

1

191.151 a

.138

.207

A. Оценивание закончено на итерации номер 5, потому что оценки параметра изменились менее чем на.001.

Таблица 17.

Таблица классификацииa

Наблюденные

Предсказанные

Сменил работу в 2013 году

Процент корректных

Остался работать на прежней работе

Сменил работу в 2013-14 году

Шаг 1

Сменил работу в 2013-14 году

Остался работать на прежней работе

14

34

29

Сменил работу в 2013-14 году

6

147

96

Общий процент

80

A. Разделяющее значение = .500

Таблица 16 показывает нам общую оценку качества модели, которая содержит удвоенный логарифм функции правдоподобия со знаком минус и псевдокоэффициенты детерминации, полученные на основе отношения функции правдоподобия моделей с константой и всеми коэффициентами. Таблица классификации под номером 17 показывает процент предсказаний модели. Модель правильно предсказывает 80% наблюдений.

Похожие статьи




Популярность различных Интернет ресурсов в качестве инструмента поиска работы - Влияние участия в виртуальных сетях на поиск работы

Предыдущая | Следующая