Оценка влияния профильной направленности на показатели деятельности российских вузов

Размещено на http://www.allbest.ru/

ОЦЕНКА ВЛИЯНИЯ ПРОФИЛЬНОЙ НАПРАВЛЕННОСТИ НА ПОКАЗАТЕЛИ ДЕЯТЕЛЬНОСТИ РОССИЙСКИХ ВУЗОВ Работа выполнена при финансовой поддержке Совета по грантам Президента РФ для государственной поддержки молодых российских ученых (проект МК-5385.2016.6).

А.Ю. Тимофеева

Новосибирский государственный технический университет, Новосибирск

Интересен вопрос, в какой мере структура студенческого контингента вуза по направлениям подготовки обуславливает показатели деятельности российских вузов. Для исследования этого вопроса используются данные мониторинга эффективности деятельности образовательных организаций высшего образования, проведенного Министерством образования и науки в 2015 г. Оценка регрессии стандартным методом наименьших квадратов невозможна в силу полной коллинеарности данных о структуре, выступающих объясняющими переменными. Для решения этой проблемы используется б-преобразование исходных данных, и регрессия строится на главных компонентах. Полученные результаты позволяют судить о том, какой вклад вносят направления подготовки в показатели эффективности вузов.

Ключевые слова: вуз, мониторинг, показатель, данные о структуре, регрессия на главных компонентах, б-преобразование

мониторинг образовательный высший регрессия

EVALUATION OF THE IMPACT OF PROFILE DIRECTION TO THE INDICATORS OF THE ACTIVITIES OF RUSSIAN UNIVERSITIES

The specialization impact to the indicators of activity of Russian universities is of great interest. To investigate this issue data of monitoring the effectiveness of the educational institutions of higher education are used, conducted by the Ministry of Education and Science in 2015. Regression estimation using the standard least squares method is impossible because there is the collinearity problem for compositional explanatory variables. For solving this problem б-transformation of compositional data is used, and principal component regression is estimated. The obtained results describe impact of specialties to activity indicators of universities.

Keywords: university, monitoring, indicator, compositional data, principal component regression, б-transformation

Современное реформирование системы высшего образования направлено на сокращение числа вузов за счет оптимизации деятельности неэффективных вузов, их закрытия, слияния и поглощения, а также поддержки ведущих вузов. Подобные преобразования производятся часто без учета специфики деятельности вузов и их профильной направленности, поскольку детально не анализируется, насколько структура студенческого контингента по направлениям подготовки влияет на показатели деятельности вузов.

В то же время в программе развития системы образования отмечена приоритетность образовательных программ для развития науки, техники и технологий РФ, необходимость повышения квалификации специалистов инженерно-технического профиля и роста расходов, связанных с обучением на образовательных программах по техническим (инженерным) направлениям подготовки. В этой связи интересен вопрос, в какой степени регулирование структуры направлений подготовки (приоритет технической направленности) скажется на показателях эффективности деятельности вузов.

Для анализа этого вопроса используются данные мониторинга эффективности вузов, в рамках которого все российские вузы обязаны ежегодно предоставлять Министерству образования и науки сведения о своей деятельности по ряду показателей. Поясним основные показатели деятельности, которые рассматривались.

Е.1. Образовательная деятельность: средний балл ЕГЭ студентов, принятых на очное обучение по программам бакалавриата и специалитета.

Е.2. Научно-исследовательская деятельность: объем научно-исследовательских и опытно-конструкторских работ (НИОКР) в расчете на одного НПР.

Е.3. Международная деятельность: удельный вес численности иностранных студентов, обучающихся по программам бакалавриата, специалитета, магистратуры, в общей численности студентов (приведенный контингент).

Е.4. Финансово-экономическая деятельность: доходы вуза из всех источников в расчете на одного НПР.

Е.5. Заработная плата (ЗП) профессорско-преподавательского состава (ППС): отношение ЗП ППС к средней ЗП по региону.

Е.6. Трудоустройство: удельный вес выпускников, трудоустроившихся в течение календарного года, следующего за годом выпуска, в общей численности выпускников образовательной организации, обучавшихся по основным образовательным программам высшего образования.

Данные взяты за 2015 г. со страниц каждого отдельного вуза [1]. Всего в выборке представлен 601 вуз, предоставивший информацию хотя бы по одному из шести показателей деятельности.

Одна из проблем анализа данных мониторинга эффективности вузов связана с наличием аномальных наблюдений, скошенностью эмпирических распределений показателей и наличием тяжелых «хвостов». В частности, Байкальский институт управления указал объем НИОКР на одного НПР 145 107 тыс. руб., что почти в 100 раз превышает пороговое значение показателя E.2 и в 60 раз значение этого показателя для национального исследовательского ядерного университета «МИФИ». Для корректного анализа таких данных они были предварительно очищены от выбросов, нулевых значений. Показатели научно-исследовательской, международной, финансово-экономической деятельности дополнительно прологарифмированы.

Данные о структуре студенческого контингента вузов по направлениям подготовки взяты из раздела «IV. Роль организации в системе подготовки кадров для региона».

Раздел содержит информацию о реализуемых укрупненных группах направлений и специальностей по ОКСО (28 направлений) и по новым перечням, утвержденным приказами Минобрнауки России от 12.09.2013 №1060, №1061 (55 направлений). Для сопоставимости все направления приведены к старым шифрам по ОКСО исходя из письма Минобрнауки № АК-1666/05 от 24.06.2014 «об установлении соответствий при утверждении новых перечней профессий, специальностей и направлений подготовки указанным в предыдущих перечнях профессий, специальностей и направлений подготовки».

Тем самым в качестве исходной информации использовалась структура приведенного контингента студентов каждого вуза по 28 группам направлений. Для объединения схожих специальностей использовался метод многомерного шкалирования. В качестве меры отдаленности направлений i и j использовалось расстояние Жаккара [2], определяемое как доля вузов, в которых представлено только одно из направлений i или j, в общем числе вузов, реализующих по крайней мере одно из этих направлений.

В результате выделено 8 обобщенных групп направлений, или отраслей наук. Они представлены в таблице 1. Во втором столбце приведены две первые цифры шифра по ОКСО направлений подготовки, которые отнесены к соответствующим отраслям наук.

Использование в качестве объясняющих переменных данных о структуре является еще одной проблемой. Дело в том, что сумма долей для любого вуза всегда составляет 1. Поэтому наблюдается полная коллинеарность, и исходные данные не могут непосредственно использоваться в качестве регрессоров в модели. Для решения этой проблемы обычно применяются различного рода преобразования данных, ослабляющие корреляцию между ними. Наиболее популярными являются логарифмическое преобразование и изометрическое [3]. Однако для их использования в данных о структуре не должно быть нулевых значений. Для случая со специализацией вузов это условие нарушается. Как видно из таблицы 1, доля вузов, не осуществляющих подготовку по какому-либо из направлений, очень велика, вплоть до 90 %.

Таблица 1 - Распределение приведенного контингента студентов по отраслям наук

Одним из решений этой проблемы является замена нулевых значений. Тем не менее такая замена искажает исходные представления о специализации вузов. Поэтому предлагается использовать другой подход, предложенный в работе [4].

Данный подход предполагает б-преобразование исходных данных о структуре и построение регрессии на главных компонентах. Для реализации этого подхода использовался пакет Compositional статистической среды R [5]. На основе критерия кросс-валидации выбраны значения параметра б=1 и числа главных компонент, равного 7. В качестве базового уровня выбрано направление «Оборона». Для построения регрессии на главных компонентах использовалась функция alfa.pcr. В качестве входного фактора рассматривались поочередно приведенные выше показатели эффективности вузов.

Полученные оценки представлены в табл. 2, в скобках указаны стандартные отклонения. Для удобства восприятия показаны только те оценки, стандартные отклонения которых не превышают значения оценок более чем в два раза. В последней строке приведено значение скорректированного коэффициента детерминации . Следует отметить, что значения коэффициентов малы, следовательно, профильная направленность вузов в целом оказывает слабое влияние на эффективность их деятельности.

Таблица 2 - Результаты оценивания эффектов структуры студенческого контингента по направлениям подготовки на показатели эффективности вузов с б-преобразованием данных

При интерпретации полученных коэффициентов следует учитывать, что регрессоры после б-преобразования отрицательно коррелируют с исходными переменными, поэтому эффекты с отрицательным знаком в табл. 2 свидетельствуют о положительном влиянии. Кроме того необходимо принимать во внимание, что по сути в табл. 2 отражено влияние регрессоров после б-преобразования, а не исходных факторов. Их связывает нелинейная зависимость, поэтому есть опасность прийти к ложным выводам. По этой причине были построены регрессии на главных компонентах по исходным данным без б-преобразования. Число главных компонент также выбрано равным 7. Результаты представлены в табл. 3 аналогично тому, как это сделано в табл. 2.

Таблица 3 - Результаты оценивания эффектов структуры студенческого контингента по направлениям подготовки на показатели эффективности вузов без б-преобразования данных

Стоит заметить, что не все эффекты в табл. 2 и 3 совпадают по направлению. Так, например, при б-преобразовании данных выявляется отрицательное влияние математических, естественно-научных и информационных направлений на успешность трудоустройства выпускников. В то время как без б-преобразования обнаруживается их положительное влияние. Предлагается игнорировать противоречивые результаты. В табл. 3 полужирным начертанием выделены эффекты, которые совпадают по направлению по результатам построения регрессий как с б-преобразованием, так и без б-преобразования данных.

В результаты выявлено, что математические, естественно-научные и информационные направления позволяют увеличить балл ЕГЭ поступающих и объемы НИР. Рост доли гуманитарных наук отрицательно сказывается на заработной плате, но увеличивает показатель образовательной деятельности. Аналогична по влиянию на образовательную деятельность специализация в области здравоохранения. Кроме того такая специализация приводит к снижению объемов НИР, но зато увеличивает показатель международной деятельности. Рост доли студентов, обучающихся по направлениям экономики и туризма, отрицательно сказывается на показателе образовательной деятельности. Влияние специализации на сельском и лесном хозяйстве отрицательное для всех показателей эффективности, кроме заработной платы ППС и трудоустройства выпускников.

Подчеркнем, что согласно результатам построения регрессии с б-преобразованием данных доля технических специальностей в структуре студенческого контингента по направлениям подготовки никак не влияет на показатели эффективности. При этом между соответствующим регрессором и исходным фактором именно для последней объясняющей переменной (технические науки) после преобразования существует строго линейная отрицательная зависимость.

Однако без б-преобразования данных коэффициенты при технических направлениях значимы почти во всех регрессиях на главных компонентах. Рост доли технических направлений должен отрицательно сказываться на балле ЕГЭ поступивших студентов. На все остальные показатели (кроме международной деятельности) техническая специализация влияет положительно. При этом влияние на объемы НИР и ЗП ППС аналогично по величине эффекту математических, естественно-научных и информационных направлений. С одной стороны, это может рассматриваться как положительная отдача от поддержки технических направлений в плане роста разработок и заработка сотрудников. С другой стороны, это свидетельствует о том, что Министерство образования и науки поддерживает технические направления в вузах не только через изменения в образовательной сфере, но и через стимулирование научных исследований. В этом случае речь идет о двойной поддержке, а не об эффективности стимулирования спроса на высшее техническое образование.

Следовательно, нельзя с уверенностью говорить о том, что проводимая Министерством образования и науки политика поддержки технических направлений способствует росту эффективности учреждений высшего образования.

Список использованной литературы

1. Информационно-аналитические материалы по результатам проведения мониторинга эффективности образовательных организаций высшего образования. - Режим доступа: http://indicators.miccedu.ru/monitoring/2015/.

2. Reina D. G. et al. Improving discovery phase of reactive ad hoc routing protocols using Jaccard distance // The Journal of Supercomputing. - 2014. - Т. 67. - № 1. - С. 131-152.

3. Hron, K., Filzmoser, P., Thompson, K. Linear regression with compositional explanatory variables // Journal of Applied Statistics. - Vol. 39. - 2012. - С. 1115-1128.

4. Tsagris M. Regression analysis with compositional data containing zero values // Chilean Journal of Statistics. - Vol. 6. - No. 2. - 2015. - pp. 47-57.

5. R Core Team. R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria, 2013. - Режим доступа: http://www.R-project.org/.

Размещено на Allbest.ru