Сетевое заражение на финансовых рынках труда: прогнозирование текучести кадров в Гонконге

Абдулла Алькетби^1,2,3 Патрик Ям³ Gautier Marti³ Раед Джарадат¹ Электронная почта: 100061314@ku.ac.ae

Аннотация

Текучесть кадров является критической проблемой на финансовых рынках, однако роль профессиональных сетей в формировании карьерных перемещений изучена недостаточно. Используя публичный реестр Комиссии по ценным бумагам и фьючерсам Гонконга (SFC) за 2007–2024 годы, мы строим временные сети из 121 883 специалистов и 4 979 фирм для анализа и прогнозирования увольнений сотрудников. Мы представляем основанную на графах структуру распространения признаков, которая учитывает влияние коллег и организационную стабильность. Наш анализ показывает эффект заражения: вероятность ухода специалистов возрастает на 23%, если более 30% их коллег увольняются в течение шести месяцев. Внедрение этих сетевых сигналов в модели машинного обучения улучшает прогнозирование текучести кадров на 30% по сравнению с базовыми показателями. Эти результаты подчеркивают прогностическую силу эффектов временных сетей в динамике рабочей силы и демонстрируют, как сетевая аналитика может способствовать регуляторному надзору, управлению талантами и оценке системных рисков..

Ключевые слова: финансовые рынки труда, сетевое заражение, прогнозирование текучести кадров, временные сети, распространение признаков, аналитика рабочей силы, LightGBM:

финансовые сети, мобильность рабочей силы, текучесть кадров, временные сети, влияние коллег, распространение признаков на основе графов, прогнозирование текучести кадров

^†^†институт: Университет Халифа, ул. Шахбут бин Султан - Хадбат Аль-Зафарана - Абу-Даби,
,
Домашняя страница WWW: https://www.ku.ac.ae и ADIA Lab, уровень 26, башня Аль-Хатем, площадь ADGM, остров Аль-Марья,
Абу-Даби, Объединенные Арабские Эмираты и Инвестиционное управление Абу-Даби (ADIA)

1 Введение

Сектор финансовых услуг является центральным для экономики Гонконга, обеспечивая работой более 270 000 профессионалов и формируя 23% ВВП [7]. Однако, помимо макроэкономических показателей, микродинамика профессиональной мобильности остается недостаточно изученной. Текучесть кадров, в частности, представляет собой как системный риск, так и значительные операционные расходы, при этом ежегодные показатели превышают 24%.11 1 FSDC Report (2023)

Недавние исследования начали отображать финансовую экосистему Гонконга через реестр Комиссии по ценным бумагам и фьючерсам (SFC), выявляя ее крупномасштабную сеть профессионалов и фирм [1]. В этой статье мы переходим от картографирования к прогнозированию: можем ли мы предсказать, когда профессионал покинет свою фирму, и улучшает ли окружающая сетевая структура прогностическую способность?

Для решения этой задачи мы строим временные сети за период 2007–2024 годов, фиксируя карьерные траектории 121 883 специалистов в 4 979 фирмах. Мы разрабатываем структуру распространения признаков на основе графов для количественной оценки влияния коллег и организационной стабильности, а также интегрируем эти сигналы в прогнозные модели. Наш подход решает четыре проблемы, связанные с аналитикой трудовых ресурсов:

⟦1. Сетевое заражение: прогнозирование каскадов текучести кадров среди коллег посредством временного распространения;
⟦2. Временная динамика: оценка моделей с использованием строгой перекрестной проверки с последовательным сдвигом окна;
⟦3. Дисбаланс классов: прогнозирование редких событий при уровне ежегодной текучести кадров всего 2,3%;
⟦4. Проектирование признаков: объединение индивидуальных, организационных и распространяемых сетевых признаков.

Мы показываем, что сигналы, полученные на основе сетей, существенно повышают точность прогнозирования по сравнению с базовыми моделями без учета сетей, а стабильность на уровне фирмы и влияние коллег преобладают над демографическими характеристиками. Эти результаты подчеркивают роль эффекта заражения на финансовых рынках труда и открывают путь к аналитике рабочей силы на основе сетей с применением в рекрутинге, управлении талантами, оценке системных рисков и даже в разработке иммиграционной политики для квалифицированных работников..

2 Связанная работа

Наше исследование объединяет четыре направления научной работы: (i) сетевые механизмы и механизмы заражения при текучести кадров, (ii) темпоральные методы и методы диффузии из теории сложных систем, (iii) подходы на основе цифровых следов к изучению мобильности рабочей силы и (iv) фреймворки машинного обучения для прогнозирования оттока персонала..

Текучесть кадров и организационные сети.

Фундаментальные работы установили, что реляционная укорененность предсказывает увольнения помимо индивидуальных характеристик: сотрудники, связанные с уволившимися или находящиеся на периферии сети, с большей вероятностью уходят [4]. Вардаман и др. далее показали, что структура сети взаимодействует с укорененностью на работе, особенно симмелианские связи (сильные связи, укорененные в триадах, которые оказывают усиливающее социальное давление), определяя, перерастают ли намерения об увольнении в реальные увольнения [12]. Совсем недавно организационный сетевой анализ был применен на практике для удержания персонала, причем модели прогнозирования оттока используют центральность, структуру k-ядра и сплоченность для выявления сотрудников из группы риска [13]. Наше исследование продолжает эту традицию, но отличается по масштабу и источнику: мы используем регуляторный реестр, охватывающий 121 883 человека в 4 979 компаниях, и количественно оцениваем заражение посредством распространения временных признаков, а не статических метрик эго-сетей.

Временные и диффузионные процессы в сложных сетях.

Из сообщества исследователей сложных сетей темпоральные сети предоставляют инструментарий для построения графов с временным разрешением, измерения изменяющейся связности и предотвращения утечек данных во времени [6, 8]. Модели заражения и диффузии, изначально разработанные для эпидемий и принятия поведенческих паттернов, объясняют, как влияние коллег может демонстрировать пороговые эффекты и подкрепление («сложное заражение») [9, 3]. Мы применяем эти идеи на практике для анализа мобильности рабочей силы путем создания ежемесячных срезов и распространения сигналов об увольнениях по графам сотрудников и компаний, тем самым проверяя, распространяются ли увольнения через профессиональные связи.

Цифровые следы и мобильность рабочей силы.

Крупномасштабные онлайн-платформы также использовались для изучения мобильности рабочей силы. Стейт и соавторы проанализировали истории карьеры в LinkedIn для изучения миграции профессионалов в Соединенные Штаты, выявив макроуровневые потоки талантов между странами [11]. Перротта и соавторы расширили это направление работы, используя данные LinkedIn Recruiter для измерения готовности европейцев к международной миграции, объединив описательный анализ потоков с гравитационными моделями [10]. Несмотря на ценность для описательного картирования стремлений и потоков, данные LinkedIn являются самоотчетными, могут быть отредактированы задним числом и, как правило, отстают от реальных событий. На практике именно пользователи стратегически заполняют свои профили — иногда месяцы или даже годы спустя — чтобы скрыть вынужденные увольнения, дождаться завершения испытательного срока или оценить, стоит ли сохранять новую должность, прежде чем делать ее публичной. Эти свойства делают LinkedIn менее подходящим для прогнозирования текучести кадров в режиме реального времени. В отличие от этого, наш реестр, полученный от регулятора, обеспечивает точность данных на конкретный момент времени, обладая юридической силой, что позволяет осуществлять прогностическое моделирование оттока кадров, а не ретроспективное картирование..

Машинное обучение для прогнозирования текучести кадров и оттока с учетом сетевых взаимодействий.

Параллельно литература по machine learning продвинулась от классических классификаторов к моделям, учитывающим сетевую структуру. Недавние данные в многослойных средах показывают, что сетевая внедренность существенно улучшает прогнозирование и поддерживает интерпретируемость (например, атрибуцию в стиле SHAP) по сравнению с базовыми моделями, использующими только атрибуты [5]. Сходным образом, смежные исследования с использованием сетей внутренней коммуникации или коллаборации сообщают об улучшении результатов при включении сетевых признаков. Наш вклад заключается в переносе этих инсайтов сетевых подходов machine learning на регулируемый финансовый рынок труда с использованием всеобъемлющего реестра от регулятора, охватывающего весь финансовый центр Гонконга, при строгой проверке методом скользящего окна вперед (walk-forward validation). Методологически мы предлагаем легковесный фреймворк распространения признаков на основе графов, который дает комплементарные сигналы по отношению к ковариатам отдельных сотрудников и компаний, а также документируем, когда и где такие сигналы обладают наибольшей предсказательной силой..

Позиционирование и новизна.

По сравнению с предыдущими работами, мы (i) переходим от организационного анализа сети (ONA) отдельной компании или платформ цифровых следов к рыночным временным сетям, полученным из регуляторных источников; (ii) формализуем эффекты влияния коллег с помощью явного оператора распространения по ежемесячным снимкам, а не полагаемся только на статические показатели центральности; (iii) оцениваем предсказательную способность на вневыборочных данных за 169 месяцев с использованием метрик, устойчивых к дисбалансу классов; и (iv) показываем, что стабильность компании и распространяемые эффекты коллег доминируют над демографическими факторами (выведенными с помощью LLM) по важности признаков. В совокупности эти решения объединяют заражение в сложных сетях и практическое прогнозирование текучести кадров в высокорисковой регулируемой предметной области.

3 Набор данных и предварительная обработка

3.1 Происхождение датасета

Данное исследование опирается на Публичный реестр лицензированных лиц и зарегистрированных учреждений, который ведет Комиссия по ценным бумагам и фьючерсам Гонконга (SFC).22 2 https://www.sfc.hk/en/Regulatory-functions/Intermediaries/Licensing/Register-of-licensed-persons-and-registered-institutions Реестр систематически фиксирует лицензированных специалистов и нанимающие их компании с момента вступления в силу Постановления о ценных бумагах и фьючерсах в 2003 году. В нем содержится подробная информация о периодах работы, принадлежности к компаниям и регулируемых видах деятельности, охватывающая основу финансового кадрового резерва Гонконга.

Набор данных, используемый в данной работе, охватывает период с апреля 2003 года по март 2024 года и содержит 519 860 записей о трудоустройстве для 121 883 уникальных специалистов и 4 979 компаний. Первый описательный анализ этого реестра, сосредоточенный на структуре финансовой экосистемы, был представлен в нашей предыдущей работе [1]. Здесь мы продолжаем данное направление исследований, строя temporal networks для изучения и прогнозирования employee turnover.

3.2 Временная структура и целевая переменная

Для прогнозного моделирования мы создаем 206 ежемесячных срезов за 2007–2024 годы, выравнивая все периоды занятости по единой временной сетке. В каждый месяц $t$ мы фиксируем, заканчивается ли занятость лицензиата в последующем месяце. Это определяет бинарную целевую переменную turnover с положительной частотой всего 2,3% в месяц (годовой показатель 27,6%). Эта базовая частота в 2,3% подчеркивает сложность задачи прогнозирования и обосновывает применение специфических стратегий борьбы с дисбалансом классов.

3.3 Обзор генерации признаков

Мы разрабатываем четыре широкие категории признаков из исходного реестра SFC:

⟦• Признаки на уровне индивида: история карьеры (количество компаний, коэффициент мобильности), стаж у текущего работодателя и лицензируемая роль (Представитель или Ответственное лицо)).
⟦• Характеристики на уровне компании: организационный размер (количество активных сотрудников), стабильность (средний показатель и квантили стажа работы сотрудников) и продолжительность существования (возраст компании)).
⟦• Сетевые распространяемые признаки: сигналы, полученные из сетей «сотрудник-сотрудник» и «компания-компания», отражающие показатели текучести кадров среди коллег, организационное заражение и стабильность в масштабах всей отрасли.
• Демографические признаки: определены по именам с использованием больших языковых моделей (LLMs), следуя подходу [2]. Это обогащение предоставило вероятные атрибуты пола и страны происхождения, что позволило нам проверить, вносят ли демографические факторы вклад в прогнозирование текучести кадров.

В общей сложности это дает 36 признаков на одну запись, объединяя статичные дескрипторы с динамическими сигналами на основе сетей.

3.4 Описательная статистика

Таблица 1 содержит ключевые характеристики датасета. Медианный стаж работы в 1,5 года в сочетании с высоким уровнем текучести кадров (более 25%) подчеркивает нестабильность занятости в финансовом секторе Гонконга. На рисунке 1 показана динамика найма и увольнений во времени. В большинстве лет количество новых лицензий превышает количество прекращений, что отражает устойчивое расширение отрасли. Однако во время системных потрясений, таких как мировой финансовый кризис 2009 года и пандемия COVID-19 в 2020 году, количество выдач и прекращений было практически равным, что указывает на остановку создания чистых рабочих мест и подчеркивает периоды напряженности на рынке труда, которые служат естественными стресс-тестами для наших моделей.

Table 1: Основные статистические показатели реестра SFC (2003–2024).

Total professionals	121,883
Total firms	4,979
Employment records	519,860
Median license tenure	1.5 years
Monthly turnover rate	2.3%
Median number of employees per firm	21

Refer to caption — ⟦Figure 1: Временная динамика создания (синий) и аннулирования (оранжевый) лицензий, 2006–2023 гг. В большинстве лет наблюдается чистый рост отрасли, причем количество новых лицензий превышает количество аннулирований. Однако во время глобального финансового кризиса 2009 года и пандемии COVID-19 в 2020 году показатели выдачи и аннулирования сравнялись, что указывает на стагнацию и стресс на финансовом рынке труда..

4 Построение сети

4.1 Сотрудник-Сотрудник Сеть

Мы строим темпоральные сети сотрудников, где узлы представляют лицензированных специалистов, а ребра представляют со-занятость. Два сотрудника связаны в момент времени $t$ , если они одновременно работают в одной и той же фирме. Веса ребер пропорциональны перекрытию продолжительности занятости, нормированному на длину карьеры для учета различий в стаже..

Эта сеть отражает связи между коллегами, сформированные через общие места работы. Как и ожидалось, получающиеся графы демонстрируют выраженные характеристики малого мира со средней длиной пути около 2–3 и коэффициентами кластеризации, значительно превышающими показатели случайных графов аналогичного размера. Распределения степеней следуют шаблону с тяжелыми хвостами, отражая присутствие высоко связанных профессионалов, работавших в нескольких учреждениях. Обнаружение сообществ с помощью алгоритма Лувена выявляет кластеры, согласованные с основными сегментами индустрии, такими как инвестиционный банкинг, брокерская деятельность и управление активами..

4.2 Межфирменная сеть

Мы также строим сети на уровне фирм, где узлами являются организации, а ребра представляют общих сотрудников. Две фирмы связаны, если хотя бы один специалист работал в обеих. Веса ребер могут определяться несколькими способами, включая абсолютное количество общих сотрудников, нормализованное пересечение или потоки с взвешиванием по давности.

Эта сеть кодирует организационную близость на рынке труда. Например, в феврале 2024 года сеть фирм насчитывала более 3000 активных узлов и примерно 95 000 ребер, образуя единый гигантский связанный компонент. Сеть является масштабно-инвариантной с горсткой глобальных хабов (например, Morgan Stanley Asia, Goldman Sachs, Citigroup), каждый из которых связан с сотнями более мелких фирм. Коэффициент кластеризации значительно выше, чем в базовой модели Эрдёша — Реньи, что указывает на наличие отраслевых субсообществ.

4.3 Временная динамика

Обе сети строятся для каждого ежемесячного среза за 2007–2024 годы, образуя динамическую последовательность графов. Такая временная перспектива важна для моделирования текучести кадров: профессиональные связи со временем ослабевают, если их не подкреплять, в то время как компании постоянно появляются, уходят или реорганизуются.

Путем интеграции эволюции сети с распространением признаков (подробно описано в разделе 5) мы фиксируем то, как увольнения коллег и организационная нестабильность распространяются по финансовому рынку труда. Это обеспечивает основу для количественной оценки эффектов заражения в прогнозировании текучести кадров.

5 Методология

5.1 Фреймворк распространения признаков

Для количественной оценки влияния коллег и организационной стабильности мы применяем процедуру распространения признаков на основе графов в темпоральных сетях. Для каждого ежемесячного снимка признаки распространяются по соседям в соответствии с взвешенными средними:

f^{\prime}_{i}=\frac{\sum_{j\in N(i)}w_{ij}\cdot f_{j}}{\sum_{j\in N(i)}w_{ij}},

(1)

где $f_{j}$ — это исходный признак соседа $j$ , $w_{ij}$ — вес ребра, а $N(i)$ — окрестность узла $i$ . Этот процесс передает информацию о мобильности сотрудников, стаже работы и стабильности фирмы через сеть, фиксируя эффекты заражения, выходящие за рамки локальных атрибутов.

Более того, распространение может быть реализовано как итеративная процедура за $k$ шагов, как описано в Алгоритм 1. Такая формулировка допускает многократную диффузию признаков через окрестности, хотя на практике мы обнаруживаем, что одна итерация ( $k=1$ ) улавливает большую часть прогнозирующего сигнала, позволяя при этом избежать пересглаживания.

⟦Algorithm 1 Распространение сетевых признаков

1: Сеть

G=(V,E,W)

, Исходные признаки

\mathbf{F}

, Итерации

k

2: Распространенные признаки

\mathbf{F}^{\prime}

\mathbf{F}^{(0)}\leftarrow\mathbf{F}

4: для

i=1

k

делать

5: для каждый узел

v\in V

делать

\mathcal{N}(v)\leftarrow\text{neighbors of }v

7: для каждый признак

f

выполнять

\mathbf{F}^{\prime(i)}_{v}[f]\leftarrow\frac{\sum_{u\in\mathcal{N}(v)}w_{vu}\cdot\mathbf{F}^{(i-1)}_{u}[f]}{\sum_{u\in\mathcal{N}(v)}w_{vu}}

9: конец для

10: конец для

11: конец для

12: возврат

\mathbf{F}^{\prime(k)}

На практике мы применяем это распространение как к сетям сотрудников между собой, так и к сетям компаний, генерируя новые признаки, которые отражают мобильность коллег, организационную стабильность и системные влияния. Эти сигналы, полученные из сети, затем объединяются с индивидуальными характеристиками и характеристиками на уровне компаний в прогнозных моделях.

5.2 Настройка прогностического моделирования

Мы обучаем прогностические модели для оценки вероятности текучести кадров в следующем месяце. Для обеспечения временной валидности мы применяем строгую стратегию скользящего контроля, охватывающую 169 ежемесячных периодов (2010–2024 годы). На каждом этапе модели обучаются на всех прошлых данных и оцениваются на следующем месяце с интервалом в один месяц для предотвращения утечки данных. Это приводит к 5,5 миллионам индивидуальных прогнозов в различных рыночных условиях..

Серьезный дисбаланс классов (2,3% событий текучести кадров) устраняется посредством уменьшения выборки мажоритарного класса и калибровки вероятностей с помощью изотонической регрессии. Мы оцениваем два ансамблевых метода, хорошо подходящих для табличных данных:

⟦• Случайный лес: используется в качестве базовой модели, фиксирующей нелинейные взаимодействия, но без временного распространения.
⟦• LightGBM: метод градиентного бустинга, оптимизированный по эффективности, используемый в качестве нашей основной модели с гиперпараметрами, настроенными для глубины, скорости обучения и подвыборки.

5.3 Связь с сетевым заражением

Данная структура позволяет нам проверить, является ли текучесть кадров предсказуемой сверх случайной вероятности, и добавляют ли признаки, полученные на основе сетей, объяснительную силу по сравнению с атрибутами на уровне отдельных сотрудников и фирм. В частности, это позволяет количественно оценить эффекты заражения: если значительная часть профессиональной сети сотрудника увольняется, увеличивается ли его собственная вероятность ухода? Это центральный исследовательский вопрос, рассматриваемый в результатах..

6 Результаты

6.1 Общая предсказательная эффективность

В ходе 169 оценок методом скользящего окна (2010–2024 годы; 5,5 млн прогнозов) модель LightGBM с расширенной сетевой структурой достигает средней точности (AP) 0,0384 и AUC 0,6303, превосходя базовую модель без учета сети на +30,2% по AP и +9,1% по AUC (Таблица 2). Эффективность варьируется в зависимости от рыночных условий, но остается стабильной (коэффициент вариации AP $\approx$ 32%).

⟦Table 2: Прогностическая эффективность (среднее

\pm

стандартное отклонение) за 169 ежемесячных тестовых периодов.

Model	AP	AUC	F1
LightGBM (with network)	0.0384	0.6303	0.0649
Random Forest (with network)	0.0356	0.6146	0.0586
Random Forest (no network)	0.0295	0.5777	0.0389
Improvement vs. no-network	+30.2%	+9.1%	+26.8%

6.2 Анализ важности признаков

Атрибуция признаков стабильно показывает, что стабильность на уровне фирмы и сигналы, распространяющиеся по сети, доминируют в прогнозирующей способности. В агрегированном виде по всем моделям признаки на уровне фирмы составляют 43.6% от общей важности, признаки сетевого распространения — 39.6%, индивидуальная история занятости — 12.5%, а демографические показатели — всего 4.3% (Table 3⟧).

Демографические атрибуты, обогащенные с помощью LLM-based inference [2], составляют менее 4,3% важности. Это указывает на то, что динамика текучести кадров обусловлена не полом или национальностью, а в первую очередь организационной стабильностью и эффектами заражения от коллег. Другими словами, хотя демографические показатели учитывались, их незначительный вклад подкрепляет доминирование структурных и реляционных факторов увольнения сотрудников.

⟦Table 3: Совокупная важность признаков по категориям. Столбцы иллюстрируют относительный вклад.

Category	Visual	Share
Firm-level characteristics		43.6%
Network-propagated features		39.6%
Individual employment history		12.5%
Demographic attributes		4.3%

На уровне признаков в число основных факторов входят средний стаж сотрудников, верхние квантили дней работы сотрудников (сигналы стабильности) и их распространяющиеся аналоги, улавливающие динамику на уровне коллег и отрасли. На рисунке 2 сравниваются 25 ключевых признаков, отранжированных моделями LightGBM и Random Forest.

6.3 Сетевое заражение и пороговые эффекты

Мы количественно оцениваем эффекты окружения, обусловливая их недавними увольнениями в ближайшем окружении специалиста (граф «сотрудник-сотрудник», шестимесячное окно). Когда более 30% коллег специалиста уволились за последние шесть месяцев, вероятность увольнения этого человека возрастает на 23% по сравнению с базовым уровнем.

6.4 Временная гетерогенность

Прогнозируемость снижается со временем (Рисунок 3). AP достигает пика в посткризисные годы (2010–2012: $\sim$ 0.045) и снижается к 2023–2024 годам ( $\sim$ 0.031). Эта закономерность согласуется с созреванием рынка труда, на котором шоки менее синхронизированы, а увольнения менее кластеризованы, что снижает силу используемых сетевых сигналов.

6.5 Проверки на устойчивость

Мы подтверждаем, что прирост показателей не является следствием методов работы с дисбалансом или утечки данных: (i) коэффициенты undersampling вблизи выбранного значения дают схожие значения AP (в пределах $\pm$ 0.002); (ii) добавление одномесячного интервала между обучающей и тестовой выборками предотвращает временную утечку (его удаление завышает AP, поэтому оно исключено); (iii) изотоническая калибровка улучшает качество вероятностей (снижение Brier score) без существенного изменения метрик ранжирования.

Важно отметить, что распространение через сеть сотрудников предоставляет более уникальную информацию, чем распространение через фирменную сеть (более низкие корреляции с исходными данными), что согласуется с интуитивным предположением о том, что решения коллег передают более детальные сигналы, чем агрегаты на уровне организации..

7 Заключение

В данной статье демонстрируется, как анализ во временных сетях может быть применен для прогнозирования текучести кадров в финансовом секторе Гонконга. Путем построения ежемесячных сетей, включающих 121 883 профессионалов в 4 979 компаниях, и распространения организационных и партнерских признаков мы достигаем стабильного улучшения эффективности прогнозирования по сравнению с базовыми моделями без учета сети. Наши выводы подчеркивают три основных момента: (i) текучесть кадров демонстрирует динамику, подобную эффекту заражения, с увеличением вероятности ухода на 23% после ухода 30% коллег; (ii) стабильность компании и признаки, распространяемые по сети, преобладают над индивидуальными характеристиками, подчеркивая структурный, а не личностный характер текучести кадров; и (iii) предсказуемость со временем снизилась, что согласуется с созреванием рынка труда, менее подверженного синхронизированным шокам..

Помимо методологического вклада, эти результаты имеют практические последствия для регулирования, управления персоналом и разработки политики. Регуляторы могут использовать оценки рисков на основе сетей для прогнозирования нестабильности, компании могут выявлять уязвимые команды для мер по их удержанию, а разработчики политики могут более эффективно калибровать программы иммиграции квалифицированных работников.

Будущие исследования должны изучить более богатые подходы к сетевому моделированию, включая графовые нейронные сети, многослойные представления (например, трудоустройство, образование, социальные связи) и расширения между рынками для сравнения финансовых центров, таких как Сингапур или Лондон. Интегрируя сетевую науку и предиктивную аналитику, данное исследование вносит вклад в растущую область аналитики трудовых ресурсов и иллюстрирует, как сложные сети могут пролить свет на динамику современных финансовых рынков труда..

Список литературы

⟦(1) AlKetbi, A., Marti, G., AlNuaimi, K., Jaradat, R., Henschel, A.: Картографирование финансовой экосистемы Гонконга: сетевой анализ лицензированных специалистов и учреждений SFC. В: Сложные сети и их приложения (Complex Networks 2024) (2024). Принято к представлению
⟦(2) AlNuaimi, K., Marti, G., Ravaut, M., AlKetbi, A., Henschel, A., Jaradat, R.: Enriching datasets with demographics through large language models: What’s in a name? arXiv preprint arXiv:2409.11491 (2024)
⟦(3) Centola, D.: The spread of behavior in an online social network experiment. science 329(5996), 1194–1197 (2010)
⟦(4) Feeley, T.H., Hwang, J., Barnett, G.A.: Predicting employee turnover from friendship networks. Journal of Applied Communication Research 36(1), 56–73 (2008)
⟦(5) Gadár, L., Abonyi, J.: Explainable prediction of node labels in multilayer networks: a case study of turnover prediction in organizations. Scientific Reports 14(1), 9036 (2024)
⟦(6) Holme, P., Saramäki, J.: Temporal networks. Physics reports 519(3), 97–125 (2012)
⟦(7) Валютно-финансовое управление Гонконга: Гонконг как международный финансовый центр. https://www.hkma.gov.hk/eng/key-functions/international-financial-centre/hong-kong-as-an-international-financial-centre/. Дата обращения: 2024-08-18
⟦(8) Masuda, N., Lambiotte, R.: A guide to temporal networks. World Scientific (2016)
⟦(9) Pastor-Satorras, R., Vespignani, A.: Epidemic spreading in scale-free networks. Physical review letters 86(14), 3200 (2001)
⟦(10) Перротта, Д., Джонсон, С.К., Тейле, Т., Гроу, А., де Валк, Х., Загени, Э.: Открытость к международной трудовой миграции: данные LinkedIn в Европе. В: Труды международной конференции AAAI по веб-технологиям и социальным медиа, том 16, стр. 759–769 (2022))
⟦(11) Стейт, Б., Родригес, М., Хельбинг, Д., Загени, Э.: Миграция профессионалов в США: свидетельства на основе данных LinkedIn. В: Международная конференция по социальным информационным технологиям, стр. 531–543. Шпрингер (2014))
⟦(12) Vardaman, J.M., Taylor, S.G., Allen, D.G., Gondo, M.B., Amis, J.M.: Трансляция намерений в поведение: взаимодействие сетевой структуры и поведенческих намерений в понимании текучести кадров. Organization Science 26(4), 1177–1191 (2015))
⟦(13) Younis, S., Ahsan, A., Chatteur, F.M.: An employee retention model using organizational network analysis for voluntary turnover. Social Network Analysis and Mining 13(1), 28 (2023)