Full Text

Введение

Газпром – одна из известнейших российских компаний мирового уровня по добыче, транспортировке, хранению, переработке, продаже нефти и газа, производству и продаже тепловой и электроэнергии. Акции ПАО «Газпром»

являются наиболее ликвидными ценными бумагами на российском фондовом рынке и всегда остаются надежным способом инвестирования. Дивиденды по ним в последние несколько лет сохраняют тенденции к росту и перспективны для долгосрочных инвестиций. Так, средняя дивидендная доходность акций за 2012–2013 гг. составила около 3 % в год, в 2015 г. – 5,5 %. Предполагается, что за 2020 г. доходности акций и дивидендов поднимутся до 6 %^[1].

Существуют явные и неявные факторы, способные влиять на стоимость акций. К явным факторам относятся: долгосрочные контракты поставки газа в Европу, Турцию, Китай и другие страны; налоговая политика государства; увеличение объемов потребления основных потребителей газа; курс национальной валюты и др. К неявным факторам следует отнести: развитие ЧК компании и эффективное использование потенциала сотрудников; развитие науки корпорации и др.

Вклад положительного ЧК в развитие организации неоценим: он определяет уровень эффективности использования всех видов ресурсов, оказывает влияние на конкурентоспособность и стоимость компании, играет значительную роль в ее устойчивом развитии и лидерстве.

Политика управления человеческими ресурсами ПАО «Газпром»

В настоящее время исследованием проблем развития ЧК организации занимается большая группа российских и иностранных ученых. Среди них можно выделить исследования В.В. Антоненко, Е.Г. Лактюхиной, Г.В. Антонова (Антоненко и др., 2016), В.Н. Белкина, Н.А. Белкиной, О.А. Антоновой (Белкин и др., 2016), И. Гарафиева (Гарафиев, 2015), Е.Н. Головановой, С.А. Лочан, Д.В. Хавина (Голованова и др., 2019), З.Р. Исраиловой, М.А. Барзаевой (Исраилова, Барзаева, 2016), Н.Д. Рогалева (Рогалев, 2016), Р.М. Тимербулатова (Тимербулатов, 2016), Е.Г. Худяковой (Худякова, 2015) и др. Вопросам управления и эффективного использования человеческих ресурсов предприятия уделяется значительное внимание в работах М. Армстронга, С. Тэйлора (Армстронг, Тэйлор, 2018), Л. Бирмана (Бирман, 2017), М.Н. Дорогиной (Дорогина, 2016), Е.В. Поелуевой, И.А. Солдаткиной (Поелуева, Солдаткина, 2016) и др. Оценка и контроль ЧК организации разрабатывались М.О. Белошицкой, И.С. Шараповой, И.П. Юга (Белошицкая и др., 2017), Л.С. Мазелис, Е.Д. Емцевой, Е.В. Красовой, А.А. Красько (Мазелис и др., 2018), Ю.А. Стабинскайте (Стабинскайте, 2019), В.Ю. Сутягиным (Сутягин, 2013) и др.

Для эффективного использования потенциала сотрудников в ПАО «Газпром» необходимы: 1) регулярное корпоративное образование; 2) планирование карьеры сотрудника; 3) преемственность и взаимопомощь; 4) мотивация персонала; 5) формирование и развитие управленческого состава; 6) регулярная оценка профессионализма и квалификации работников и др. (Годовой отчет ПАО «Газпром», 2016).

Основные составляющие системы корпоративного образования: 1) планирование и координация обучения, проверка его качества и эффективность; 2) использование современных эффективных форм обучения; 3) развитие корпоративной сети учебных подразделений ПАО «Газпром», расширение связей с учебными заведениями; 4) индивидуальный подход к обучению и развитию молодых специалистов и др. (Годовой отчет ПАО «Газпром», 2016).

Для привлечения квалифицированных кадров в ПАО «Газпром» применяется комплексная система подбора персонала на конкурсной основе, создаются все возможности для карьерного роста, поддерживается взаимодействие с учебными заведениями, проводятся мероприятия по выявлению талантов с последующим трудоустройством (Отчет об устойчивом развитии ПАО «Газпром», 2018).

Инвестиционная составляющая человеческого капитала организации

Профессионализм работников организации играет значительную роль в реализации масштабных проектов (Белкин и др., 2016). Система мотивации персонала, инвестиции в науку, обучение и развитие персонала создают все условия для привлечения и удержания высококвалифицированных работников, а следовательно, и эффективного решения многосторонних задач компании (Антоненко и др., 2016). Основу формирования ЧК организации составляют инвестиции, направленные на повышение квалификационного и производительного потенциала организации. Очевидно, что инвестиции в ЧК корпорации сегодня обеспечивают многократное получение доходов организацией в будущем (Голованова и др., 2019).

Большая часть средств, инвестируемых ПАО «Газпром» в ЧК организации, направлена на: 1) обучение и образование, повышение квалификации и профессионализма, развитие творческих способностей, переквалификацию; 2) охрану труда и здоровья, технику безопасности и др.; 3) корпоративные мероприятия и организацию отдыха; 4) социально-компенсационный пакет сотрудника; 5) моральное стимулирование персонала для повышения эффективности деятельности и др. (Годовой отчет ПАО «Газпром», 2017)

Проводя последовательную политику развития будущего ЧК, ПАО «Газпром» продолжает наращивать инвестиции в обучение и развитие персонала, опираясь на передовой отечественный и международный опыт. Обучение и развитие в компании проходит на всех уровнях, включая все категории персонала и целевые группы потенциальных работников. Стратегические задачи компании определяют содержание программ обучения.

Например, для подготовки руководящих кадров РАНХиГС при правительстве РФ разработала программу «Евроменеджмент: мастер делового администрирования для руководителей», программу дополнительного образования с присвоением квалификации «Мастер делового администрирования» и выдачей Гарцбургского диплома Экономической академии (AFW) и др.^[2]

В 2016 г. в «Газпром нефти» был создан Корпоративный университет для обучения и развития персонала с учетом внешних вызовов и стратегических целей компании.

На протяжении значительного времени «Газпром» поддерживает профильные кафедры и магистерские программы ведущих вузов страны (РГУ нефти и газа (НИУ) имени Губкина, СПбГУ, ИТМО, ЛЭТИ, СПбГУАП, Политехнический и Горный университеты, МФТИ, ТюмГУ и др.), развивает совместные научно-исследовательские лаборатории и проекты. Одним из инновационных решений развития ЧК компании стала платформа «Профессионалы 4.0», нацеленная на формирование прорывных гибких команд для реализации перспективных бизнес-проектов.

«Газпром» привлекает к работе лучшие IT-кадры, которым удалось создать двенадцать программ цифровой трансформации, более 500 цифровых проектов, заключить партнерские проекты с международным конгрессом СевероЗападной секции SPE и др.

Потребность в новых квалифицированных IT-специалистах стимулирует компанию инвестировать в процесс разработки современных образовательных программ, подготовку передовых цифровых кадров для нефтегазовой индустрии (Рогалев, 2016).

ПАО «Газпром» обладает собственным мощным научно-техническим комплексом с восьмью научно-исследовательскими организациями и тремя проектными институтами, создает передовые научные школы в области геологии, разработки месторождений, конструирования многоуровневых систем транспорта газа и др. «Газпром» привлекает к НИОКР более ста внешних институтов и исследовательских центров, а также проводит целенаправленную политику в области эффективного управления интеллектуальной собственностью, целесообразности патентования и др.

Перед ПАО «Газпром» стоит задача широкомасштабного выполнения комплексных НИОКР по созданию новых технологий и научных проектов с учетом максимально быстрого реагирования на перспективы развития мирового рынка углеводородов и конкурирующих компаний (Отчет об устойчивом развитии ПАО «Газпром», 2018).

Методы и подходы

Существуют различные методы оценки ЧК организации, среди которых можно выделить: 1) оценку величины доходов, произведенных ЧК организации; 2) количественную оценку полученных персоналом знаний, умений, навыков; 3) количественную оценку специальных навыков; 4) оценку стоимости инвестиций в ЧК и др. (Мазелис и др., 2018; Сутягин, 2013; Баранова, 2019).

Проведем оценку инвестиций в образование сотрудников ПАО «Газпром» за 2000–2018 гг., используя регрессионный и эконометрический анализ с помощью пакетов прикладных программ MS Excel и Eviews10 (Баранова, 2019; Матюшок и др., 2015).

Линейная модель развития человеческого капитала компании за 2000–2018 гг.

Для исследования и оценки развития ЧК корпорации «Газпром» на ближайшую перспективу построим эконометрическую модель по данным годовых отчетов деятельности ПАО «Газпром» за 2000–2018 гг.^[3] С этой целью составим линейное уравнение оценки инвестиций в ЧК корпорации (Матюшок и др., 2015). В качестве эндогенной переменной Y(EDUC) примем количество сотрудников, прошедших обучение (в тыс. чел.), за независимые переменные возьмем: Х1(APPL) – количество патентных заявок, поданных отечественными заявителями; X2(COLL) – численность сотрудников корпорации (в тыс. чел.); X3(PATENT) – количество патентов, полученных корпорацией; X4(R&D) – объемы НИОКР (в млн руб.), выполненные по заказу корпорации; X5(REVENUE) – выручка от продаж (в млрд руб.). Для проведения необходимых расчетов, определения параметров модели и их оценок воспользуемся прикладной программой Eviews10.

Для установления тесноты связей между переменными Х1,…,Х5 и Y(EDUC) была построена матрица парных корреляций. Исследуя данную матрицу, можно отметить, что коэффициенты детерминации распределились следующим образом: R_YX1 = 0,894, R_YX2 = 0,848, R_YX3 = 0,945, R_YX4 = 0,688, R_YX5 = 0,921 и имеют тесную связь между собой. Независимые переменные также коррелируют друг с другом, например, связь между X2(COLL) и X3(PATENT) – R_Х2Х3 = 0,9 – говорит о том, что с ростом численности сотрудников компании «Газпром» растет и количество патентов, полученных корпорацией, а взаимосвязь X3(PATENT) и X5(REVENUE) – R_Х3Х5 = 0,96 – показывает, что с ростом количества патентов корпорации «Газпром» увеличивается ее выручка от продаж и др. Очевидно, что в модели прослеживается мультиколлинеарность, поэтому необходимо более подробно исследовать параметры и оценки искомого уравнения.

          

Рис. 1. Коэффициенты и оценка параметров линейной модели

[Figure 1. Coefficients and estimation of linear model parameters]

Источник: составлено авторами (Eviews10).

Оценивая полученные данные (рис. 1), можно отметить, что уравнение искомой линейной модели значимо (F_stat = 93,74, Prob = 0,00), а коэффициенты детерминации равны R² = 0,973 (97,3 % общей вариации зависимой переменной воспроизводится вариацией объясняющей переменной). Такие параметры как Probability и t-Statistic коэффициентов при независимых переменных указывают на их значимость.

Значимость искомого уравнения и оценки коэффициентов дают возможность построить линейную модель и проанализировать взаимосвязь исследуемых переменных. При прочих равных условиях коэффициенты регрессии можно проинтерпретировать следующим образом:

• увеличение количества патентных заявок, поданных отечественными заявителями, на 1 ед. приводит в среднем к увеличению Y(EDUC) на 0,009 ед. в год;
• увеличение численности сотрудников корпорации на 1000 чел. приводит в среднем к изменению Y(EDUC) на 0,66 ед. в год;
• увеличение количества патентов, полученных корпорацией, на 1 ед. приводит в среднем к увеличению Y(EDUC) на 0,085 ед. в год;
• увеличение объемов НИОКР на 1 млн руб. приводит в среднем к изменению Y(EDUC) на 0,021 ед. в год;
• с увеличением выручки от продаж на 1 млрд руб. Y(EDUC) увеличится на 0,027 ед. в год.

Свободный коэффициент уравнения С не имеет осмысленной интерпретации.

Таким образом, уравнение примет вид

Y^(EDUC) = 240,69 + 0,009 Х1 – 0,663 Х2 + 0,084 Х3 – 0,021 Х4 + 0,027 Х5.   (1)

Расчетные значения Y^(EDUC) в среднем хорошо аппроксимируют зависимость фактических значений Y(EDUC) от экзогенных переменных. Для исследования автокорреляции остатков на нормальность следует исследовать гистограмму остатков (статистику Жака – Бера) на основе рассматриваемой выборки (рис. 2).

Рис. 2. Статистика Жака – Бера

[Figure 2. Jacque – Bera Test]

Источник: составлено авторами (Eviews10).

Рассматривая гистограмму остатков (рис. 2), в частности статистику

Жака – Бера, было установлено, что остатки уравнения модели (1) распределены нормально (0,891), а Р-значение = 0,84, то есть вероятность принятия нулевой гипотезы Н₀ = 84 %.

Построив доверительный интервал и график расчетного Y^(EDUC) (рис. 3), можно установить адекватность искомой модели (1).

				Forecast: SE_EDUCF Actual: EDUC Forecast sample: 2000 2018 Included observations: 19 Root Mean Squared Error 13.43879 Mean Absolute Error     10.64765 Mean Abs. Percent Error 6.058924 Theil Inequality Coefficient 0.029958     Bias Proportion         0.000000     Variance Proportion 0.006840     Covariance Proportion 0.993160 Theil U2 Coefficient         0.368608 Symmetric MAPE             5.964394
	SE_EDUCF	± 2 S.E.

Рис. 3. График и доверительный интервал Y^(EDUC), параметры оценки модели (1)

[Figure 3. Graph and confidence interval Y^(EDUC), model estimation parameters (1)]

Источник: составлено авторами (Eviews10)

Высокую точность полученной модели подтверждают коэффициент Тейла, равный 0,03 (0 < 0,03 < 1), и средняя относительная ошибка аппроксимации уравнения (6,06 %) (рис. 3).

Тест Голдфелда – Квандта позволит проверить уравнение (1) на отсутствие гетероскедастичности. В качестве гипотезы H₀ выбирается предположение: дисперсия остатков не зависит от независимых переменных, а H₁ – противоположная ей гипотеза. Поскольку RSS3 > RSS1, то принимается гипотеза H₀, а вычислять тестовую статистику RSS3/RSS1 нет нужды.

Тест Уайта также дает возможность исследовать модель (1) на отсутствие гетероскедастичности. Гипотеза H₀ рассматривает предложение об отсутствии гомоскедастичности остатков уравнения (1), а H₁ – противоположная ей гипотеза. Исследуя результаты теста Уайта (рис. 4), можно утверждать, что величина тестовой статистики Уайта Obs*R² = 11,03, а соответствующее ей P-значение равно 0,68, то есть гипотеза H₀ о гетероскедастичности остатков (1) отвергается. Таким образом, остатки обладают постоянной дисперсией.

Heteroskedasticity Test: White

F-statistic 0.395544   Prob. F(14,4) 0.9125 Obs*R-squared 11.03155   Prob. Chi-Square(14) 0.6836

                    Scaled explained SS             4.232494   Prob. Chi-Square(14)                0.9939

          

Рис. 4. Результаты теста Уайта [Figure 4. White test]

Источник: составлено авторами (Eviews10).

С помощью теста Дарбина – Уотсона проверим модель на адекватность и на наличие автокорреляции остатков. Из оценки уравнения (1) (рис. 2), следует, что коэффициент Дарбина – Уотсона (DW) равен 2,15. При условии, что число наблюдений n = 19, и пяти регрессорах верхняя граница статистики DW = 1,77 на 1-процентном уровне значимости, но при этом не достигает 2, следовательно r ≈ 0, что говорит об отсутствии автокорреляции (du < 2,15 < 4–du). Поэтому гипотеза о положительной автокорреляции остатков отвергается по критерию Дарбина – Уотсона.

Таким образом, модель (1) адекватна и может быть использована для расчетов Y^(EDUC) на ближайшую перспективу.

Экспоненциальная модель развития человеческого капитала корпорации «Газпром» оказалась неадекватной при заданных параметрах (рис. 5). Оценки параметров Prob и t-Stat для построения экспоненциального уравнения говорят о нецелесообразности использования данной модели для исследования и прогноза, поэтому рассматриваться в данной статье не будут.

Dependent Variable: LOG(EDUC)

Method: Least Squares

Date: 12/29/19   Time: 22:15

Sample: 2000 2018

Included observations: 19

Variable	Coefficient	Std. Error	t-Statistic	Prob.
LOG(APPL)	0.445959	0.463324	0.962521	0.3534
LOG(COLL)	-1.122133	1.383447	-0.811114	0.4319
LOG(PATENT)	0.870495	0.352275	2.471064	0.0281
LOG(R_D)	-0.274359	0.192070	-1.428430	0.1768
LOG(REVENUE)	0.076390	0.305677	0.249904	0.8066
C	3.219803	6.522916	0.493614	0.6298
R-squared	0.903747     Mean dependent var			5.266891
Adjusted R-squared	0.866727     S.D. dependent var			0.402990
S.E. of regression	0.147118     Akaike info criterion			-0.743077
Sum squared resid	0.281367     Schwarz criterion			-0.444833
Log likelihood	13.05923     Hannan-Quinn criter.			-0.692602
F-statistic	24.41223     Durbin-Watson stat			1.367227
Prob(F-statistic)	0.000004

                     

Рис. 5. Параметры и оценки для нелинейного уравнения

[Figure 5. Parameters and estimates of the nonlinear equation]

Источник: составлено авторами (Eviews10).

Следовательно, для исследования данной проблемы стоит использовать модель (1) парной линейной регрессии.

Результаты

По мнению ведущих специалистов ПАО «Газпром» инвестиции в ЧК являются наиболее перспективными, поскольку современные технологии будут бессмысленны без грамотных и креативных специалистов с их знаниями, умениями, навыками.

Используя данные официальных отчетностей ПАО «Газпром» за 2000–

2018 гг.^[4] можно рассчитать прогнозный Y^(1) за отчетный период для модели (1). Подставляя последовательно значения Х1; Х2;…;Х5 за 2000–2018 гг. в (1), получим все Y_i^(1), i = 1,…,19. Проводя сравнительно сопоставительный анализ фактических Y и расчетных Y^ значений за 2000–2018 гг., можно отметить, что полученные данные Y_i и Y_i^(1), i = 1,…,19 практически совпадают. Таким образом, линейная модель (1) может быть использована для прогнозных расчетов.

Заключение

«Газпром» – один из крупнейших работодателей на территории России (в топ-100 самых привлекательных работодателей компания заняла 1-е место в 2013 г., 2-е место в 2016 и 2018 гг.). По данным отчетности^[5] за 2000–2019 гг., численность работников корпорации постепенно росла с 311,3 (2000 г.) до 436,1 тыс. чел. (2007 г.), затем в 2008 г. снижалась до 376,3 тыс. чел. и уже начиная со следующего года росла вплоть до 2018 г. (466,1 тыс. чел.).

Для развития ЧК корпорации с учетом возросших требований к производству и эффективности труда в «Газпроме» на базе корпоративных учебных заведений введена система непрерывного образования. Используемые методы и подходы для подготовки и переподготовки кадров позволяют эффективно управлять знаниями персонала, формировать кадровый потенциал. Так, за период 2000–2007 гг. количество работников, прошедших повышение квалификации или профессиональную переподготовку, выросло с 80,1 (2000 г.) до 200,491 тыс. (2007 г.), затем два года подряд, в период кризиса, снижалось с 189,765 до 142,246 тыс. чел., а затем увеличилось до 381,1 тыс. чел. (2018 г.). При этом так же постоянно росли затраты на обучение и развитие персонала с 145 (2000 г.) до 1700 млн руб. (2011 г.), снизившись в 2012 г. до 680 млн руб. и затем с периодическими колебаниями увеличившись до 1100 млн руб. (2018 г.)⁶.

Сегодня «Газпром» является современной высокотехнологичной компанией с мощной научно-исследовательской базой, способной разрабатывать и внедрять собственные инновационные проекты. Программа инновационного развития позволяет корпорации сокращать издержки и повышать конкурентоспособность.

Объем НИОКР, выполненных по заказу корпорации за 2000–2007 гг., в денежном выражении колебался от 1410 (2005 г.) до 2760 млн руб. и начиная с 2008 г. (4900 млн руб.), а точнее с 2009 г. (7400 млн руб.), рос вплоть до 2018 г. (9000 млн руб.). Пик пришелся на 2014 г. – 10 800 млн руб.

Показатели в области управления интеллектуальной собственностью ПАО «Газпром» являются одними из показателей эффективности реализации Программы инновационного развития ПАО «Газпром» до 2020 г. Начиная с 2000 г. организациям «Газпром» принадлежало 473 патента на объекты патентных прав, количество которых постоянно росло вплоть до 2018 г. (2555 шт.). Доля патентных заявок ПАО «Газпром» в общем объеме патентных заявок России составила 8,9 % в 2000 г. и к 2018 г. поднялась до 12,4 %. При этом экономический эффект от использования патентных прав неизменно рос с 2002 (219 млн руб.) до 2018 г. (10 300 млн руб.).

Целенаправленные инвестиции в развитие ЧК предприятия и науку привели к росту выручки от продаж продукции на протяжении всего рассматриваемого периода: с 2000 (540 млрд руб.) до 2018 г. (8224 млрд руб.). Исследуя статистику показателей и тенденцию развития корпорации, можно с уверенностью утверждать, что темпы развития ПАО «Газпром» не изменятся и в дальнейшем.

Очевидно, что вопреки каким бы то ни было кризисам, благодаря руководству и грамотным и креативным сотрудникам ПАО «Газпром» стали возможными все рассмотренные достижения.

На сегодняшний день ПАО «Газпром», опираясь на целенаправленную политику развития персонала, преодолевает все вызовы эпохи и создает новые возможности для развития ЧК корпорации, а следовательно, и страны (Отчет об устойчивом развитии ПАО «Газпром», 2018).

About the authors

Nina M. Baranova

Peoples’ Friendship University of Russia (RUDN University)

Author for correspondence.
Email: baranova-nm@rudn.ru
SPIN-code: 1348-6462

Candidate of Pedagogical Sciences, Associate Professor of the Department of Economic and Mathematical Modeling, Faculty of Economics

6 Miklukho-Maklaya St, 117198, Moscow, Russian Federation

Sergey N. Larin

Central Economic Mathematical Institute of the RAS

Email: larinsn@cemi.rssi.ru
SPIN-code: 3956-1920

Candidate of Technical Sciences, Senior Researcher of the Department of Modeling Production Facilities and Complexes, Laboratory for Simulation of Interaction of Economic Objects

47 Nakhimovsky Ave, 117418, Moscow, Russian Federation

References

Supplementary files