ОЦЕНКА ВЛИЯНИЯ ПРОФИЛЬНОЙ НАПРАВЛЕННОСТИ НА ПОКАЗАТЕЛИ ДЕЯТЕЛЬНОСТИ РОССИЙСКИХ ВУЗОВ

С началом проведения Министерством образования и науки РФ мониторинга эффективности вузов такой радикальный подход к очистке системы высшего образования от «бесполезных учебных заведений» стал постоянным предметом критики в научной среде. Основной аргумент состоит в том, что большинство показателей мониторинга не отражают эффективность вуза в смысле соотношения результата и затрат. Тем не менее эти показатели характеризуют разные аспекты деятельности университетов. А результаты мониторинга предоставляют возможность получить статистические оценки степени влияния на эти показатели специализации вуза (структуры студенческого контингента по направлениям подготовки). Однако в силу специфики данных о структуре, которые выступают объясняющими переменными, оценка параметров регрессионной модели стандартным методом наименьших квадратов невозможна. Кроме того, исходные данные неоднородны и содержат аномальные наблюдения. Для решения этих проблем произведено устойчивое оценивание ряда регрессий на главных компонентах. Результаты оценивания проанализированы с точки зрения непротиворечивости. Выявлено, что увеличение доли математических, естественнонаучных, информационных и технических направлений в структуре студенческой подготовки в среднем приводит к росту показателей научной деятельности, в то время как для экономики и туризма характерна обратная тенденция. Большей доле экономики и туризма в структуре специальностей в среднем соответствует меньший средний балл ЕГЭ поступивших и лучшие значения показателя финансово-экономической деятельности. Тем самым наличие этих специальностей в структуре подготовки оправдано с точки зрения финансового состояния вузов.

вуз, мониторинг, показатель, данные о структуре, регрессия на главных компонентах, устойчивое оценивание

1. Винокуров М. А. Мониторинг эффективности российских вузов: совершенствование методологии // Изв. Иркут. гос. экон. академии. 2013. № 6. С. 5-11.

2. Гуртов В. А., Питухин Е. А., Насадкин М. Ю. Эффективность деятельности вузов с позиции трудоустройства выпускников // Высшее образование в России. 2013. № 10. С. 19-27.

3. Прохоров С. Г., Свирина А. А. Мониторинг эффективности вузов и перспективы малых городов РФ // Высшее образование в России. 2014. № 11. С. 121-125.

4. Докучаев И. И. Мониторинг эффективности вузов России как радикальный метод реформы отечественного образования: политико-правовые аспекты // Учен. зап. Комсомольского-на-Амуре гос. техн. ун-та. 2015. Т. 2 (23). № 3. С. 91-95.

5. Сироткин Г. В. Элементы новой системы управления качеством образования, оценки качества образования и эффективности любого типа вуза // Технические науки - от теории к практике. 2013. № 26. С. 43-50.

6. Чернышов С. Революционная целесообразность // Эксперт-Сибирь. 2018. 24 апр. URL: http://expertsib.ru/article/5419.

7. Варшавская Е. Я. Российские работники с высшим образованием: анализ образовательных специальностей // Вопросы статистики. 2016. № 9. С. 65-74.

8. 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.

9. Hampel F. R., Ronchetti E. M., Rousseeuw P. J., Stahel W. A. Robust statistics: the approach based on influence functions. John Wiley & Sons, 2011.

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

11. Egozcue J. J., Pawlowsky-Glahn V., Mateu-Figueras G., Barcelo-Vidal C. Isometric log-ratio transformations for compositional data analysis // Mathematical Geology. 2003. Vol. 35. No. 3. P. 279-300.

12. Aitchison J. The statistical analysis of compositional data // Journal of the Royal Statistical Society. Series B (Methodological). 1982. Vol. 44. P. 139-177.

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

14. Timofeeva A. Yu. Robust principal component regression on compositional covariates with application to educational monitoring // Applied methods of statistical analysis. Nonparametric methods in cybernetics and system analysis (AMSA'2017): proc. of the intern. workshop, Krasnoyarsk, 18-22 Sept. 2017. Novosibirsk: NSTU Publ., 2017. P. 241-248.

15. Bair E., Hastie T., Paul D., Tibshirani R. Prediction by supervised principal components // Journal of the American Statistical Association. 2006. Vol. 101. No. 473. P. 119-137.