تحلیل رفتار اضافه کاری در بازار کار ایران با رویکرد درخت تصمیم

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکترای اقتصاد دانشگاه فردوسی مشهد

2 استاد اقتصاد دانشگاه فردوسی مشهد

3 استادیار اقتصاد دانشگاه فردوسی مشهد

چکیده

درک رفتار نیروی‌کار در مواردی که مربوط به تصمیم افراد به انجام اضافه‌کاری است، در ارزیابی دقیق اثرات سیاست‌های اشتغال‌زایی، از اهمیت اساسی برخوردار می‌باشد؛ با توجه به اینکه موضوع اضافه­کاری در تحلیل­های مربوط به منابع انسانی و نظام بازارکار در اقتصاد کلان، تا حدودی نادیده گرفته شده است، این مقاله به بررسی این موضوع از طریق تحلیل رفتار نیروی‌کار ایران با استفاده از آمار هزینه و درآمد خانوارهای شهری برای دوره زمانی 99-1384 پرداخته و عواملی که بر تصمیم­گیری فرد در خصوص اضافه­کاری تأثیرگذار هستند را مورد مطالعه و بررسی قرار می­دهد. روش مورد استفاده در این مطالعه، الگوریتم داده‌کاوی درخت تصمیم می­باشد که به ما این امکان را می‌دهد تا با پی‌بردن به توزیع زیربنایی داده‌های اخذ شده از مجموعه افراد مورد بررسی، بتوانیم رفتار آن‌ها را مطالعه کرده و در مورد آن استنتاج‌ منطقی و مفید داشته باشیم. نتایج حاکی از این است که اضافه­کاری به سختی با ویژگی‌های سطح فردی مانند سن، تحصیلات، جنسیت، نگرش­های کاری و یا هر عامل غیرقابل مشاهده­ای که این متغیرها نماینده آن هستند، تعریف می‌شود، اما می‌توان آن را به وضعیت شغلی و مهارتی که نیروی­کار دارد، ویژگی‌های ساختاری بازار کار و همین­طور دهک هزینه­ای که خانوار در آن قرار دارد نسبت داد. این نتایج می­تواند پیامدهای قابل توجهی هم برای افراد و هم برای سیاست­گذاران، به جهت تخصیص بهینه نیروی­کار داشته باشد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Analysis of Overtime Behavior in the Iranian labor Market with Decision-Tree Approach

نویسندگان [English]

  • Somaye Sadat Naghavi 1
  • Mahmood Hoshmand 2
  • Seyed Saeed Malek Sadati 3
1 Ph.D. Candidate in Economics, Ferdowsi University of Mashhad
2 Professor of Economics, Ferdowsi University of Mashhad
3 Assistant Professor of Economics, Ferdowsi University of Mashhad
چکیده [English]

Understanding the behavior of the workforce in cases involving individuals' decision to work overtime, is crucial to accurately assessing the effects of employment policies; Given that the issue of overtime in the analysis of human resources and the labor market system in macroeconomics, has been somewhat ignored, and on the other hand, changing the approach to the use and management of overtime in certain circumstances can be an unavoidable option in the labor market, this article examines the feasibility of this issue by analyzing the behavior of the Iranian labor force using the cost and income statistics of urban households for the period 2005-2020 and the factors that influence the individual's decision regarding Examines effective overtime. The technique used is one of the data mining techniques, and in particular, the Decision Tree algorithm, which allows us to study their behavior by realizing the underlying distribution of the data obtained from the set of subjects under study. The results suggest that overtime is difficult to define by individual-level characteristics such as age, education, gender, work attitudes, or any other invisible factor represented by these variables, but it can be defined as job attribute, the structural features of the labor market, as well as the cost decile in which the household is located, so that if these results are further supported, there will be significant consequences for both individuals and policymakers for workforce optimal allocation

کلیدواژه‌ها [English]

  • Overtime Working
  • Labor Market
  • Labor Behavior
  • Machine Learning Model (ML)
  • Decision Tree

مراجع

  1. طائی، حسن (1385). تابع عرضه نیروی کار: تحلیلی بر پایه داده­های خرد. پژوهش­های اقتصادی ایران، 8(29)، 112-93.
  2. کشاورز حداد، غلام‌رضا و خشابی، پویان (1391). تخمین عوامل تعیین اصابت و ساعات اضافه‌کاری در نیروی‌کار شهری ایران. مجله تحقیقات اقتصادی، 98، 203-171.

 

  1. Alloghani, M., Al-Jumeily, D., Mustafina, J., Hussain, A., & Aljaaf, A. J. (2020). A systematic review on supervised and unsupervised machine learning algorithms for data science. Supervised and unsupervised learning for data science, 3-21.‏
  2. Alsultanny, Y. A. (2013). Labor market forecasting by using data mining. Procedia Computer Science, 18, 1700-1709.‏
  3. Anxo, D., & Karlsson, M. (2019). Overtime work: A review of literature and initial empirical analysis. International Labour Office, Inclusive Labour Markets, Labour Relations and Working Conditions Branch.‏
  4. Bauer, T., & Zimmermann, K. F. (1999). Overtime work and overtime compensation in Germany. Scottish Journal of Political Economy, 46(4), 419-436.‏
  5. Bell, D. N., & Hart, R. A. (2003). Wages, hours, and overtime premia: evidence from the British labor market. ILR Review, 56(3), 470-480.‏
  6. Chaiboonsri, C., & Wannapan, S. (2019). Big data and machine learning for economic cycle prediction: application of Thailand’s economy. In Integrated Uncertainty in Knowledge Modelling and Decision Making: 7th International Symposium, IUKM 2019, Nara, Japan, March 27–29, 2019, Proceedings 7 (pp. 347-359). Springer International Publishing.‏
  7. Ehrenberg, R. G., Smith, R. S., & Hallock, K. F. (2021). Modern labor economics: Theory and public policy. Routledge.‏
  8. Gerunov, A. (2016). Employment modelling through classification and regression trees. International Journal of Data Science, 1(4), 316-329.‏
  9. Jiawei, H., Micheline, K., & Jian, P. (2012). Data Mining: Concepts and Techniques.-3rd. Morgan kaufmann.‏
  10. Hart, R. A. (2004). The economics of overtime working. Cambridge University Press.‏
  11. Hart, R. A., & Ma, Y. (2010). Wage–hours contracts, overtime working and premium pay. Labour Economics, 17(1), 170-179.‏
  12. Keshavarz Haddad, Gh. R., & Khashabi, P. (2012). Estimation of Factors Determining Impact and Overtime Hours in Iranian Urban Labor. Journal of Economic Research, 98, 203-171 (in Persian).
  13. Kotsiantis, S. B., Zaharakis, I., & Pintelas, P. (2007). Supervised machine learning: A review of classification techniques. Emerging artificial intelligence applications in computer engineering, 160(1), 3-24.‏
  14. Lloyd, S., Garnerone, S., & Zanardi, P. (2016). Quantum algorithms for topological and geometric analysis of data. Nature communications, 7(1), 10138.‏
  15. Papagiannaki, E. (2014). Rising unpaid overtime: a critical approach to existing theories. International Journal of Management Concepts and Philosophy, 8(1), 68-88.‏
  16. Praveena, M., & Jaiganesh, V. (2017). A literature review on supervised machine learning algorithms and boosting process. International Journal of Computer Applications, 169(8), 32-35.‏
  17. Ranjan, J., Goyal, D. P., & Ahson, S. I. (2008). Data mining techniques for better decisions in human resource management systems. International Journal of Business Information Systems, 3(5), 464-481.‏
  18. Taei, H. (2006). Labor Supply Function: An Analysis Based on Microdata. Iranian Journal of Economic Research, 8(29), 93-112 (in Persian).
  19. Zhang, Y., Xu, S., Zhang, L., & Yang, M. (2021). Big data and human resource management research: An integrative review and new directions for future research. Journal of Business Research, 133, 34-50

فایل ها

هم رسانی

ارجاع به این مقاله

آمار