دانشگاه تبریز
فهرست نشریات دارای اعتبار وزارت علوم، تحقیقات و فناوری
پایگاه استنادی علوم جهان اسلام (ISC)

آمار

تعداد نشریات41
تعداد شماره‌ها1,130
تعداد مقالات13,890
تعداد مشاهده مقاله48,862,417
تعداد دریافت فایل اصل مقاله12,586,059
نقوی, سمیه سادات, هوشمند, محمود, ملک الساداتی, سید سعید. (1401). تحلیل رفتار اضافه کاری در بازار کار ایران با رویکرد درخت تصمیم. سامانه مدیریت نشریات علمی, 9(4), 277-306. doi: 10.22034/ecoj.2023.53465.3103
سمیه سادات نقوی; محمود هوشمند; سید سعید ملک الساداتی. "تحلیل رفتار اضافه کاری در بازار کار ایران با رویکرد درخت تصمیم". سامانه مدیریت نشریات علمی, 9, 4, 1401, 277-306. doi: 10.22034/ecoj.2023.53465.3103
نقوی, سمیه سادات, هوشمند, محمود, ملک الساداتی, سید سعید. (1401). 'تحلیل رفتار اضافه کاری در بازار کار ایران با رویکرد درخت تصمیم', سامانه مدیریت نشریات علمی, 9(4), pp. 277-306. doi: 10.22034/ecoj.2023.53465.3103
نقوی, سمیه سادات, هوشمند, محمود, ملک الساداتی, سید سعید. تحلیل رفتار اضافه کاری در بازار کار ایران با رویکرد درخت تصمیم. سامانه مدیریت نشریات علمی, 1401; 9(4): 277-306. doi: 10.22034/ecoj.2023.53465.3103

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

فصلنامه علمی نظریه های کاربردی اقتصاد
دوره 9، شماره 4 - شماره پیاپی 35، اسفند 1401، صفحه 277-306  XML اصل مقاله (578.31 K)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22034/ecoj.2023.53465.3103
نویسندگان
سمیه سادات نقوی1؛ محمود هوشمند email 2؛ سید سعید ملک الساداتیorcid 3
1دانشجوی دکترای اقتصاد دانشگاه فردوسی مشهد
2استاد اقتصاد دانشگاه فردوسی مشهد
3استادیار 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
اضافه‌کاری؛ بازار کار؛ رفتار نیروی‌کار؛ مدل یادگیری ماشین (ML)؛ درخت تصمیم
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
آمار
تعداد مشاهده مقاله: 114
تعداد دریافت فایل اصل مقاله: 85


Contact Us | Help & Support | Site Map

Journal Management System. Designed by sinaweb.