Кластеризация субъектов Российской Федерации по социально-экономическим показателям, характеризующим потенциал развития системы среднего профессионального образования
- Авторы: Самцевич П.И.1, Яньков С.Г.2, Корнилова Е.В.2
-
Учреждения:
- Исследователь
- Институт развития профессионального образования
- Выпуск: Том 14, № 2 (2025)
- Страницы: 143-165
- Раздел: Статьи
- Статья опубликована: 30.06.2025
- URL: https://ogarev-online.ru/2070-7568/article/view/304212
- DOI: https://doi.org/10.12731/2070-7568-2025-14-2-300
- EDN: https://elibrary.ru/NOVNIA
- ID: 304212
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
- 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
- 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
- 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)
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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.
- 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
- 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
- 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
- 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
- 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
- Wang, D. D. (2019). Performance-based resource allocation for higher education institutions in China. Socio-Economic Planning Sciences, 65(C), 66–75.
Дополнительные файлы
