Самозанятость в России: структурно-динамические особенности

Миронович Алина Олеговна   Никитин Кирилл Михайлович   Потапенко Вадим Викторович   Ксенофонтов Дмитрий Михайлович   

Статья опубликована в журнале «Проблемы прогнозирования» (ISSN: 0868-6351 (Print), ISSN: 3034-0071 (Online)), №5 2026

RUEN
САМОЗАНЯТОСТЬ В РОССИИ: СТРУКТУРНО-ДИНАМИЧЕСКИЕ ОСОБЕННОСТИ

МИРОНОВИЧ Алина Олеговна, alina.mironovich@tax-policy.ru, ООО «Центр налоговой политики», Москва, Россия

НИКИТИН Кирилл Михайлович, kirill.nikitin@tax-policy.ru, ООО «Центр налоговой политики»; Московский государственный университет им. М.В. Ломоносова, Москва, Россия
ORCID: 0000-0003-2542-6190

ПОТАПЕНКО Вадим Викторович, к.э.н., vadvpotap@gmail.com, Институт народнохозяйственного прогнозирования, Российская академия наук; ООО «Центр налоговой политики», Москва, Россия
ORCID: 0000-0002-3825-831X

КСЕНОФОНТОВ Дмитрий Михайлович, ksen.greenquark@gmail.com, Институт народнохозяйственного прогнозирования, Российская академия наук; ООО «Центр налоговой политики», Москва, Россия

Аннотация. В статье продолжено исследование налоговых микроданных о самозанятых – плательщиках налога на профессиональный доход – за 2019-2024 гг. Показано, что высокая степень гетерогенности состава самозанятых наблюдается в различных структурных разрезах: по совмещению с другими направлениями деятельности, статусу клиентов, регионам, роду занятий. При этом с течением времени степень гетерогенности не снижается. Кластерный анализ не выявил крупных кластеров самозанятых, что подтверждает вывод о гетерогенности их состава. На основе содержащегося в налоговых микроданных лонгитюдного элемента отображены закономерности сохранения дохода от самозанятости. Исследовано движение самозанятых между категориями занятости, демонстрирующее, что рост численности самозанятых происходит без ущерба для «традиционных» трудовых отношений, а самозанятость сокращает объем теневого сектора экономики, оставаясь «нишевым» сегментом рынка труда.

Ключевые слова: самозанятость, налог на профессиональный доход, лонгитюдные данные, переход между категориями занятости, эксплораторный анализ данных, кластерный анализ.

DOI: 10.47711/0868-6351-218-212-224

Благодарности: Авторы исследования выражают благодарность Федеральной налоговой службе России за возможность работы с предоставленными данными в рамках выполнения исследовательской работы.

Статья поступила в редакцию 13.04.2026. Статья принята к публикации 06.05.2026.

Для цитирования: А.О. Миронович, К.М. Никитин, В.В. Потапенко, Д.М. Ксенофонтов. Самозанятость в России: структурно-динамические особенности // Проблемы прогнозирования. 2026. № 5 (218). С. 212-224. DOI: 10.47711/0868-6351-218-212-224

SELF-EMPLOYMENT IN RUSSIA: STRUCTURAL AND DYNAMIC FEATURES

A.O. MIRONOVICH, Tax Policy Center LLC, Moscow, Russia

K.M. NIKITIN, Tax Policy Center LLC; Lomonosov Moscow State University, Moscow, Russia
ORCID: 0000-0003-2542-6190

V.V. POTAPENKO, Cand. Sci. (Econ), Institute of Economic Forecasting, Russian Academy of Sciences; Tax Policy Center LLC, Moscow, Russia
ORCID: 0000-0002-3825-831X

D.M. KSENOFONTOV, Institute of Economic Forecasting, Russian Academy of Sciences; Tax Policy Center LLC, Moscow, Russia

Abstract. The article continues the study of tax microdata on the self-employed—payers of the professional income tax—for 2019–2024. It is shown that a high degree of heterogeneity in the composition of the selfemployed is observed in various structural sections: in combination with other areas of activity, client status, regions, and occupations. At the same time, the degree of heterogeneity does not decrease over time. Cluster analysis did not reveal any large clusters of self-employed individuals, which confirms the conclusion about the heterogeneity of their composition. Based on the longitudinal element contained in the tax microdata, patterns of income retention from self-employment are displayed. The movement of self-employed people between employment categories was studied, demonstrating, that the growth in the number of selfemployed people occurs without any damage to “traditional” labor relations, and self-employment reduces the size of the shadow sector of the economy, while remaining a “niche” segment of the labor market.

Keywords: self-employment, professional income tax, longitudinal data, transition between employment categories, exploratory data analysis, cluster analysis.

DOI: 10.1134/S1075700726700450

Acknowledgments: The authors of the study express their gratitude to the Federal Tax Service of Russia for the opportunity to work with the provided data as part of the research work.

Received 13.04.2026. Accepted 06.05.2026.

For citation: A.O. Mironovich, K.M. Nikitin, V.V. Potapenko, and D.M. Ksenofontov. Self-Employment in Russia: Structural and Dynamic Features // Studies on Russian Economic Development. 2026. Vol. 37. No. 5. Pp. 745–753. DOI: 10.1134/S1075700726700450

Литература/References

  1. Jessen J., Kluve J. The effectiveness of interventions to reduce informality in low- and middle-income countries. World Development. 2021. Vol. 138. Article 105256. DOI: 10.1016/j.worlddev.2020.105256.
  2. Мурашов Я.В., Ратникова Т.А. Динамика неучтенных доходов российских домашних хозяйств // Прикладная эконометрика. 2017. Т. 46. С. 30-54. [Murashov Ya., Ratnikova T. The dynamics of unrecorded income of Russian households. Applied Econometrics. 2017. Vol. 46. Pp. 30-54. (In Russ.)]
  3. Ниворожкина Л.И. Скрытые доходы домохозяйств: опыт эмпирического анализа // Terra Economicus. 2016. № 4. С. 42-53. DOI: 10.18522/2073-6606-2016-14-4-42-53. [Nivorozhkina L. I. Hidden income of households: An Empirical Evidence. Terra Economicus. 2016. No. 4. Pp. 42-53. (In Russ.)]
  4. Бобков В.Н., Локтюхина Н.В. О направлениях социально-экономической политики в связи с развитием нестандартных форм занятости в Российской Федерации // Уровень жизни населения регионов России. 2020. № 1. С. 21-32. DOI: 19181/lsprr.2020.16.1.2. [Bobkov V.N., Loktyukhina N.V. Directions of Social and Economic Policy in the Context of the Development of Non-Standard Forms of Employment in the Rossiyskaya Federatsiya. Living Standards of the Population in the Regions of Russia. 2020. No. 1. Pp. 21-32. (In Russ.)]
  5. Ордынская Е.В., Черковец М.В., Костина Е.Д. Налоговая реформа: к вопросу о справедливости налогообложения // Научные труды. Институт народнохозяйственного прогнозирования РАН. 2024. № 2. С. 143-160. DOI: 10.47711/2076-3182-2024-2-143-160. [Ordynskaya E.V., Cherkovets M.V., Kostina E.D. Tax Reform: on the Issue of Tax Fairness. Scientific works: Institute of Economic Forecasting of the Russian Academy of Sciences. 2024. No. 2. Pp. 143-160. (In Russ.)]
  6. Синявская О.В., Бирюкова С.С., Карева Д.Е., Стужук Д.А. Платформенная занятость в России: динамика распространенности и ключевые характеристики занятых. М., Изд. дом Высшей школы экономики. 2024. 64 с. DOI: 10.17323/978-5-7598-4067-1. [Sinyavskaya O. V., Biryukova S. S., Kareva D. E., Stuzhuk D. A. Platform employment in Russia: prevalence dynamics and key characteristics of employed. M., HSE Publishing House. 2024. 64 p. (In Russ.)]
  7. Пациорковский В.В. Самозанятость – ответ части экономически активного населения на кризис стандартных трудовых отношений // Народонаселение. 2020. Т. 23. № 1. С. 88-103. DOI: 10.19181/population.2020.23.1.8. [Patsiorkovsky V.V. Self-employment as response of the part of economically active population to the crisis of standard labor relations. Narodonaselenie [Population]. 2020. Vol. 23. No. 1. Pp. 88-103. (In Russ.)]
  8. McCloskey D.N., Ziliak S.T. The Standard Error of Regressions. Journal of Economic Literature. 1996. No. 1. Pp. 97-114.
  9. Tukey J. More honest foundations for data analysis. Journal of Statistical Planning and Inference. 1997. No. 1. Pp. 21-28. DOI: 10.1016/S0378-3758(96)00032-8.
  10. Arkhangelsky D., Imbens G. Causal models for longitudinal and panel data: a survey. The Econometrics Journal. 2024. No. 3. Pp. 1-61. DOI: 10.1093/ectj/utae014.
  11. Frees E.W. Longitudinal and Panel Data: Analysis and Applications in the Social Sciences. Cambridge University Press. 2004. 484 p.
  12. Somerfield P.J. Clarke K.R., Warwick R.M. Simpson Index. S.E. Jørgensen, B.D. Fath (Eds). Encyclopedia of Ecology. Pp. 3252-3255. Elsevier. 2008. DOI: 10.1016/B978-008045405-4.00133-6.
  13. Smith S. J. Tables of Working Life: The Increment‑Decrement Model. Bulletin No. 2135. U.S. Department of Labor, Bureau of Labor Statistics. 1982.
  14. Millimet D. L., Nieswiadomy M., Ryu H., Slottje D. Estimating worklife expectancy: An econometric approach. Journal of Econometrics. 2003. No. 1. P. 83-113. DOI: 10.1016/S0304-4076(02)00168-9.
  15. Castro R., Lange F., Poschke M. Labor Force Transitions. NBER Working Paper No. 33200. 2024. DOI: 10.3386/w33200.
  16. Slonimczyk F., Gimpelson V. Informality and mobility: Evidence from Russian panel data. Economics of Transition. 2015. No. 2. Pp. 299-341. DOI: 10.1111/ecot.12064.
  17. Ankerst M., Breunig M., Kriegel H.-P., Sander J. OPTICS: ordering points to identify the clustering structure. ACM SIGMOD Record. 1999. No. 2. Pp. 49-60. DOI: 10.1145/304181.304187.
  18. Mao A., Mohri M., Zhong Y. Cross-entropy loss functions: Theoretical analysis and applications. Proceedings of the 40th International Conference on Machine Learning 2023.
  19. Tabor J., Spurek P. Cross-entropy clustering. Pattern Recognition. 2014. No. 9. Pp. 3046–3059. DOI: 10.1016/j.patcog.2014.03.006.
  20. Davies D.L., Bouldin D.W. A cluster separation measure. IEEE Transactions on Pattern Analysis and Machine Intelligence. 1979. No. 2. Pp. 224-227.