Как влияет на текучесть персонала то, как работники добираются до работы

В западном исследовании ключевых драйверов удержания и текучести персонала одним из самых зацепивших драйверов текучести был доступность работы для персонала.

Эта картинка из исследования показывает, что шаговая доступность снижает текучесть на 58 %. Красивая штука, правда? Решил покопать тоже самое на просторах СНГ (поскольку не только Россия участвует).
Для тех, кто впервые видит серию моих постов по данной теме, рекомендую убедительно поучаствовать в нашем голосовании Ключевые факторы удержания и текучести персонала.

Итак, 

у нас в исследовании было два вопроса, направленных выявление связи текучести персонала и транспортной доступности:

1. Как Вы добирались до работы?(если по разному, то как чаще и ближе к моменту увольнения)
1. Общественным транспортом - waybus 
2. На автомобиле - waycar   
3. Пешком - waystep 
4. Служебный автобус - waycorpbus 
5. Работал дома - wayhome
2. Как много времени занимала у вас дорога от дома до работы?
1. Менее получаса
2. От получаса до часа 
3. От часа до полутора часов
4. От полутора часов до двух часов
5. Более двух часов

Даю сразу обозначение на английском языке, поскольку для анализа в статистической программе R использовал английские названия.

Результаты

Первое разочарование - никакой связи между временем пути между работой и домом.
Второе разочарование - только корпоративный транспорт дал знимые отличия в способе попадания на работу. И шаговая доступность совершенно не играет роли на текучесть персонала.
В данной ситуации, мы, конечно же, должны учесть размер населенного пункта и показать влияние на стаж транспортной доступности только в таком разрезе (я не буду выкладывать всех итераций по другим возможным срезам, просто не хочу раздувать пост, но, поверьте, на проверку многих других гипотез у меня ушло полдня).

Москва и Санкт - Петербург

Coefficients:
            Estimate Std. Error t value Pr(>|t|)  
(Intercept)   35.337      2.713  13.026  < 2e-16 ***
waycar        16.140      5.310   3.040  0.00261 **
waycorpbus    -7.337     26.161  -0.280  0.77935  
wayhome       -1.337     26.161  -0.051  0.95928  
waystep       -6.051     10.202  -0.593  0.55360  
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 36.8 on 262 degrees of freedom
  (1 observation deleted due to missingness)
Multiple R-squared:  0.03848, Adjusted R-squared:  0.0238
F-statistic: 2.621 on 4 and 262 DF,  p-value: 0.03538

Как читать эти данные?

Для тех, кто не знает показателей регрессии (приходите на мой семинар Аналитика для HR, чтобы научиться читать данные)
В качестве контрольной группы я взял "общественный транспорт", так вот в таблице колонка Estimate Std. показывает, насколько месяцев больше / меньше работает в компании среднем специалист в случае, если он добирается тем или иным видом транспорта. Pr(>|t|)  - показывает, значимы ли эти различия. И в самом низу p-value: 0.03538 - показывает применимо ли само уравнение. Знатоки статистики скажут, что коэффициент детерминации у нас мал Multiple R-squared:  0.03848, Adjusted R-squared:  0.0238, но в нашем случае это совершенно неважно.
Так вот вышеприведенные данные показывают, что в Москве и Санкт - Петербурге добираться на машине до работы повышает стаж специалиста в компании на 16 месяцев. Остальное - не имеет значения.
*Работа дома не дает оснований делать выводы, поскольку таких всего 2 респондента.(см. приложение 1, чтобы оценить количественные показатели)
** Корпоративный транспорт по Мск и Санкт - Петербургу указали всего 2 респондента
И время пути не имеет значения.

Города миллионники 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)  
(Intercept)   32.244      2.576  12.516  < 2e-16 ***
waycar        -2.393      4.207  -0.569 0.569850  
waycorpbus    21.978      9.466   2.322 0.020720 *
waystep       22.578      6.310   3.578 0.000387 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 38.64 on 419 degrees of freedom
  (3 observations deleted due to missingness)
Multiple R-squared:  0.04518, Adjusted R-squared:  0.03834
F-statistic: 6.608 on 3 and 419 DF,  p-value: 0.0002267
В городах миллионниках приобретает значение корпоративный транспорт - увеличивает стаж на почти 22 месяца, и шаговая доступность - увеличивает стаж на 22, 5 месяца.
Время пути не имеет значения.

Города размером 500 000 - 1 000 000

Coefficients:
            Estimate Std. Error t value Pr(>|t|)  
(Intercept)   22.929      6.533   3.510 0.000735 ***
waycar        16.000     10.329   1.549 0.125275  
waycorpbus    59.271     20.029   2.959 0.004042 **
waystep      -11.329     14.897  -0.760 0.449182  
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 42.34 on 81 degrees of freedom
Multiple R-squared:  0.1281, Adjusted R-squared:  0.09581
F-statistic: 3.967 on 3 and 81 DF,  p-value: 0.01083
Корпоративный транспорт увеличивает стаж работника в среднем на 59 месяцев (!!!). Но этот факт нивелируется другим фактом - у нас всего 5 респондентов указали корпоративный транспорт в такого масштаба городе.... Участвовать надо в исследовании!!!
Время пути не имеет значения.

Города размером 100 000 - 500 000

Coefficients:
            Estimate Std. Error t value Pr(>|t|)  
(Intercept)   52.950      9.720   5.448 8.12e-07 ***
waycar         4.403     17.798   0.247    0.805  
waycorpbus   -12.750     29.159  -0.437    0.663  
waystep       -6.200     23.808  -0.260    0.795  
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 61.47 on 66 degrees of freedom
Multiple R-squared:  0.005696, Adjusted R-squared:  -0.0395
F-statistic: 0.126 on 3 and 66 DF,  p-value: 0.9444
Ни один из факторов не имеет значимых различий
Время пути не имеет значения.

Города размером менее 100 000

Coefficients:

            Estimate Std. Error t value Pr(>|t|)   

(Intercept)   46.056     13.829   3.330  0.00176 **

waycar        14.544     23.140   0.629  0.53290   

waycorpbus   -10.389     36.588  -0.284  0.77779   

wayhome      -40.056     60.279  -0.665  0.50984   

waystep       -9.173     19.843  -0.462  0.64615   

---

Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 58.67 on 44 degrees of freedom

Multiple R-squared:  0.03404, Adjusted R-squared:  -0.05377 

F-statistic: 0.3877 on 4 and 44 DF,  p-value: 0.8163

Ситуация аналогична для городов размером 100 000 - 500 000

Итоги

Немного повторюсь.

• В Москве и Санкт - Петербурге пусть в машине до работы повышает стаж специалиста в компании на 16 месяцев. Остальное - не имеет значения. 
• В городах миллионниках приобретает значение корпоративный транспорт - увеличивает стаж на почти 22 месяца, и шаговая доступность - увеличивает стаж на 22, 5 месяца.
• В городах 500 000 - 1 000 000 корпоративный транспорт увеличивает стаж работника в среднем на 59 месяцев.
• Для городов прочих масштабов транспортный формат не имеет значение - и это вносило свои правки в первоначальные результаты.
• Оставляю за скобками некоторые непонятки: например, почему шаговая доступность в Моске не сыграла своей роли? Таких респондентов было 14. 
• Подумайте также над таким типоам транспорта, как автомобиль. И в какую сторону это может влиять.... Согласитесь, что влияние может быть обратным: стаж влияет на то, что работником добирается на своем автомобиле.... и это усложняет задачу...
• Надеюсь также дождаться момента, когда количество респондентов поможет делать выводы о влиянии работы дома на стаж работы в компании

Приложение 1. Таблица сопряжения количества респондентов (размер населенного пункта Х вид транспорта)

Эта таблица показывает, что корректные выводы мы можем делать пока только городам миллионникам, остальные типы населенных пунктов пока на деют нам сделать полные и окончательные выводы.

Участвуйте в голосовании!!! Если кто то из HR готов привлечь своих сотрудников, я готов в ответ сделать срез по вашей отрасли / городу 

Ключевые факторы удержания и текучести персонала

Названия строк	bus	car	corpbus	home	step	Общий итог
10000	18	10	3	1	17	49
100000	39	17	5		8	69
500000	42	28	5		10	85
1000000	225	135	18		45	423
Moscow	184	65	2	2	14	267
Общий итог	508	255	33	3	94	893