Кластеризация субъектов Российской Федерации по социально-экономическим показателям, характеризующим потенциал развития системы среднего профессионального образования

Обложка

Цитировать

Полный текст

Аннотация

В современном мире важным основанием для принятия управленческих решений, координации действий, контроля и анализа процессов, происходящих в обществе, являются данные. Однако объемы данных, характеризующие различные аспекты жизни современного общества, насколько велики, настолько и сложны в обработке.

Объектом исследования является такая важная часть жизни общества как образование, в частности, обучение в образовательных организациях, реализующих программы среднего профессионального образования (далее – СПО). Основанием исследования служат представления о том, что развитие системы СПО позволяет решить ряд социально-экономических проблем регионов. Основная гипотеза исследования – знания социально-экономических особенностей регионов позволяют сформировать оптимальную государственную политику в сфере СПО.

Задачи исследования состояли в выявлении факторов, оказывающих влияние на востребованность СПО, проведении кластерного анализа регионов методом k-средних, определении и описании профилей кластеров, определении вклада каждого фактора в формирование востребованности СПО и его влияние на развитие системы СПО.

Методология исследования предполагала сокращение размерности данных с помощью метода главных компонент. Кластеризация осуществлялась методом k-средних. В качестве меры расстояния между объектами кластеров использована евклидова норма. Кластеризация выполнена с помощью библиотек Python.

Для проведения кластерного анализа определены три главные компоненты, характеризующие уровень вовлеченности населения в обучение в СПО, уровень качества жизни и вовлеченности населения в высокопроизводительные отрасли, миграционную ситуацию.

В результате проведенного анализа сформировано 7 кластеров, представлено описание ключевых характеристик, определяющих уровень востребованности СПО. Результаты исследования систематизируют фактическую социально-экономическую ситуацию в регионах и описывают ее влияние на региональные системы СПО. Будут полезны исполнительным органам субъектов Российской Федерации, осуществляющих государственное управление в сфере образования, федеральным органам исполнительной власти и научным институтам.

Перспективным направлением использования результатов исследования является оптимизация распределения контрольных цифр приема и их адаптации к социально-экономическим реалиям регионов.

Об авторах

Павел Игоревич Самцевич

Исследователь

Автор, ответственный за переписку.
Email: samtsevich.pi@yandex.ru

независимый исследователь

 

Россия, г. Москва, Российская Федерация

Сергей Георгиевич Яньков

Институт развития профессионального образования

Email: s.yankov@firpo.ru
SPIN-код: 2232-3314

к.т.н., заместитель начальника центра стратегических исследований и информационно-аналитических разработок

 

Россия, ул. Большая Ордынка, 25, стр. 1, г. Москва, Российская Федерация

Елена Валентиновна Корнилова

Институт развития профессионального образования

Email: forlelik@bk.ru
SPIN-код: 4261-1088

начальник отдела научно-практических разработок и стратегических исследований

 

Россия, ул. Большая Ордынка, 25, стр. 1, г. Москва, Российская Федерация

Список литературы

  1. Дождиков, А. В., & Корнилова, Е. В. (2023). Образовательная миграция абитуриентов между регионами Российской Федерации как источник данных для планирования развития системы высшего образования. Высшее образование в России, 32(3), 67–83. https://doi.org/10.31992/0869-3617-2023-32-3-67-83 EDN: https://elibrary.ru/DUSOSM
  2. Прокофьева, Е. С., & Зайцев, Р. Д. (2020). Анализ клинических путей пациентов в медицинских учреждениях на основе методов жесткой и нечеткой кластеризации. Бизнес-информатика, 14(1), 19–31. https://doi.org/10.17323/2587-814X.2020.1.19.31 EDN: https://elibrary.ru/QLPEAJ
  3. Мирсоянов, Р. В., Левада, Ю. А., & Нех, Ю. И. (2020). Использование кластерного анализа для изучения городской среды. Научные междисциплинарные исследования, (8-2). Получено с https://cyberleninka.ru/article/n/ispolzovanie-klasternogo-analiza-dlya-izueniya-gorodskoy-sredy (дата обращения: 04.07.2025)
  4. Жданко, Т. А. (2023). Теоретические аспекты реализации кластерного подхода в образовании. Вестник БГУ. Образование. Личность. Общество, (1), 19–28. https://doi.org/10.18101/2307-3330-2023-1-19-28 EDN: https://elibrary.ru/PNXNHX
  5. Шамрай-Курбатова, Л. В., & Леденева, М. В. (2021). Кластерный анализ субъектов РФ по уровню инновационной активности. Бизнес. Образование. Право, (1), 88–97. https://doi.org/10.25683/VOLBI.2021.54.174 EDN: https://elibrary.ru/JUDWJI
  6. Овсянникова, Р. В. (2018). Кластерный анализ в оценке уровня и качества жизни населения субъектов РФ. Вестник Самарского государственного экономического университета, (1), 38–45. EDN: https://elibrary.ru/YTFEOT
  7. Прохоренков, П. А., Регер, Т. В., & Гудкова, Н. В. (2022). Методы кластерного анализа в региональных исследованиях. Фундаментальные исследования, (3), 100–106. https://doi.org/10.17513/fr.43221 EDN: https://elibrary.ru/KOVJWZ
  8. Ullah, M. I., Aslam, M., & Altaf, S. (2016). mctest: An R package for detection of collinearity among regressors. The R Journal, 8(2), 495–505. https://doi.org/10.32614/RJ-2016-062
  9. Кучумов, И. В. (2024). Теоретические основы методов кластеризации данных в интеллектуальном анализе. Цифровая экономика, (1(27)), 69–77. https://doi.org/10.34706/DE-2024-01-08 EDN: https://elibrary.ru/FLUZST
  10. Арутюнов, Ю. А. (2008). Формирование региональной инновационной системы на основе кластерной модели экономики региона. Корпоративное управление и инновационное развитие экономики Севера: Вестник Научно-исследовательского центра корпоративного права, управления и венчурного инвестирования Сыктывкарского государственного университета, (4), 6–24. EDN: https://elibrary.ru/MSMBBF
  11. Бондаренко, Н. В. (2017). Анализ взаимодействия системы среднего профессионального образования и работодателей, использующих труд работников массовых профессий и специальностей: информационный бюллетень. Москва: Высшая школа экономики. 48 с.
  12. Жилов, Р. А. (2023). Интеллектуальные методы кластеризации данных. Известия Кабардино-Балкарского научного центра РАН, (6), 152–159. https://doi.org/10.35330/1991-6639-2023-6-116-152-159 EDN: https://elibrary.ru/LBDSYZ
  13. Гумеров, М. Ф. (2017). Системность среднего профессионального и высшего экономического образования в современных условиях. Современные проблемы социальной работы, 3(4), 90–97. https://doi.org/10.17922/2412-5466-2017-3-4-90-97 EDN: https://elibrary.ru/XNPJZZ
  14. Мерзляков, А. А., & Богданов, В. С. (2015). Практика дистанционных онлайн-исследований в онтологическом поле проблем социологии управления (дистанционный анализ реализации кластерной политики в регионах РФ). Вестник Академии права и управления, (2), 207–230. EDN: https://elibrary.ru/TSEKLR
  15. Гаврилов, А. В., & Стадник, Я. В. (2024). Кластерный подход в системе среднего профессионального образования при подготовке педагогических кадров в рамках федерального проекта "Профессионалитет". Педагогический журнал, 14(5А), 111–123. EDN: https://elibrary.ru/FHBYIQ
  16. Стафеева, А. А. (2017). Востребованность среднего профессионального образования у современных старшеклассников. Молодёжь и наука: актуальные проблемы педагогики и психологии, (2), 183–187. EDN: https://elibrary.ru/QMPJMP
  17. Wang, D. D. (2019). Performance-based resource allocation for higher education institutions in China. Socio-Economic Planning Sciences, 65(C), 66–75.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».