Описание
В своём проекте я решила разобраться с темой, которая кажется мне действительно важной и близкой — молодёжная безработица. Так как мы сами находимся на этапе входа во взрослую жизнь, мне было интересно посмотреть, как обстоят дела у молодёжи в разных странах и как эта ситуация менялась со временем.
Для работы я использовала открытый датасет с данными по уровню безработицы среди молодёжи за несколько десятилетий (https://www.kaggle.com/datasets/umitka/global-youth-unemployment-dataset). В данных есть информация по годам и регионам и это даёт возможность увидеть общую картину, сравнивая разные части мира между собой.
Во время анализа мне хотелось понять: растёт ли молодёжная безработица или наоборот снижается, в каких регионах ситуация самая сложная, а где она выглядит более стабильной, и есть ли общие тренды, которые можно заметить на длинной дистанции. Эти вопросы стали основой для всех визуализаций в проекте.
Для анализа я выбрала:
- Многосерийный линейный график
- Горизонтальная столбчатая диаграмма
- Группированная столбчатая диаграмма
- Кольцевая диаграмма
Серия из двух иллюстрациий по теме сгенерирована через recraft.ai. Одна из иллюстраций стала обложкой к этому проекту.
Prompt 1: A young person standing at a crossroads made of abstract data charts and graphs, modern city skyline in the background, soft blue and green color palette, minimalistic data visualization elements floating in the air, calm but thoughtful mood, clean modern illustration style.
Prompt 2: Abstract illustration of youth unemployment using flowing data lines, dots, and charts, blue and neon green color palette, clean modern style, no people, focus on statistics and movement.
Цветовая палитра
При выборе цветов к проекту я стремилась передать социальную значимость темы. В основе цветовой палитры лежат холодные тёмно-синие оттенки, ассоциирующиеся с официальной статистикой, а также контрастные яркие акценты, подчёркивающие проблемные зоны и ключевые изменения.
Палитра была собрана в Adobe Color (https://color.adobe.com/ru/) для более удобного формата использования.
Основные используемые цвета: #2C3B4D #EEE9DF #C9C1B1 #FFB162 #A35139
В качестве шрифта был выбран Inter, так как он ассоциируется с таблицами и аналитикой.
График 1
График № 1
На графике видно, что среднее значение молодёжной безработицы на протяжении всего периода выше медианы, что указывает на наличие стран с очень высокими показателями. В начале 1990-х уровень был ниже, затем наблюдается постепенный рост. Самый резкий скачок происходит в 2020 году из-за пандемии COVID-19, после чего значения снижаются, но остаются выше уровней ранних лет.
График 2
График № 2
На графике показаны страны с самым высоким уровнем молодёжной безработицы в 2024 году. Лидером является Джибути, где безработица среди молодёжи превышает 76%, что заметно выше остальных стран в списке. Также очень высокие показатели наблюдаются в Южной Африке и Эсватини — более 58–60%.
Большинство стран из топ-10 имеют уровень молодёжной безработицы выше 40%, что говорит о серьёзных структурных проблемах на рынке труда. Разница между первой и последней страной в рейтинге остаётся значительной, но даже минимальное значение в этом списке (Гаити — около 37%) остаётся очень высоким.
График 3
График № 3
Во время обоих кризисов уровень молодёжной безработицы вырос, но пандемия COVID-19 вызвала более резкий скачок, чем кризис 2008 года. После финансового кризиса 2008 безработица осталась высокой и даже выросла, что говорит о долгом восстановлении. После COVID-19 показатель снижается быстрее, хотя сам удар по рынку труда был сильнее.
График 4
График № 4
После пандемии в большинстве стран ситуация улучшилась: 69,1% стран показали снижение уровня молодёжной безработицы. Почти у четверти стран изменений почти не произошло, а рост зафиксирован только у 7% стран. Это показывает, что восстановление прошло неравномерно, но в целом тенденция положительная.
Заключение
Анализ показал, что молодёжная безработица остаётся серьёзной глобальной проблемой и сильно реагирует на экономические кризисы. Средние значения стабильно выше медианных, что говорит о том, что в некоторых странах ситуация особенно сложная. Кризис 2008 года привёл к долгому восстановлению, а после COVID-19 во многих странах рынок труда начал восстанавливаться быстрее.
Несмотря на то что проблема всё ещё остаётся актуальной, данные показывают и позитивную динамику: в большинстве стран уровень молодёжной безработицы снижается. В целом этот проект помог не только разобраться в цифрах, но и увидеть, что даже после сильных потрясений у рынка труда есть потенциал для восстановления — а значит, поводы для осторожного оптимизма тоже есть.
Использованные статистические методы
В ходе анализа данных были применены следующие статистические и аналитические методы:
Расчёт агрегированных показателей — использовался для вычисления средних и медианных значений уровня молодежной безработицы по годам на основе данных по всем странам. Это позволило охарактеризовать общий глобальный уровень показателя и сравнить типичное значение с чувствительным к выбросам средним.
Анализ временных рядов — применялся для исследования динамики молодежной безработицы во времени. Линейные графики медианы и среднего значения позволили выявить долгосрочные тенденции и периоды роста или снижения показателя.
Рейтинговый анализ — использовался для формирования списка стран с наиболее высоким уровнем молодежной безработицы в последний доступный год. Это позволило провести сравнительную оценку стран по экстремальным значениям показателя.
Сравнительный анализ кризисных периодов — применялся для оценки влияния экономических шоков (финансового кризиса 2008 года и пандемии COVID-19). Сравнение медианных значений до, во время и после кризисов позволило выявить различия в масштабах и характере их воздействия.
Классификационный анализ изменений — использовался для группировки стран по направлению изменения уровня молодежной безработицы после пандемии COVID-19 (снижение, рост, отсутствие значимых изменений). Это позволило проанализировать структуру посткризисной динамики.
Визуализация статистических показателей — реализована с помощью линейных графиков, горизонтальных столбчатых диаграмм, группированных столбцов и кольцевой диаграммы, что обеспечило наглядное представление динамики, межстрановых различий и структурных изменений показателя.
Описание применения генеративной модели и вспомогательных инструментов
Kaggle — Платформа была использована для поиска и загрузки датасета.
Google Colab — Весь процесс работы: обработка данных и визуализация.
Библиотеки Python kagglehub — для автоматического скачивания датасета matplotlib.font_manager — для подключения кастомного шрифта pandas — использовалась для загрузки датасета, очистки, преобразования и анализа табличных данных. matplotlib — основной инструмент для построения визуализаций в проекте. numpy — применялась для работы с числовыми данными и расчёта вспомогательных величин при построении графиков.
Цветовая палитра (Adobe Color)
ChatGPT — Нейросеть применялась для генерации и оптимизации кода, настройки визуального стиля графиков и корректировки функций анализа.
recraft.ai — Использовала для генерации обложки и иллюстраций.