Оценка влияния профильной направленности на показатели деятельности российских вузов

Аннотация 
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. 
 
Ключевые слова 
вуз,  мониторинг,  показатель,  данные  о  структуре,  регрессия  на  главных  компонентах,  α-преобразование, устойчивое оценивание 

Источник финансирования
Работа выполнена при финансовой поддержке Совета по грантам Президента РФ для государственной поддержки молодых российских ученых (проект МК-5385.2016.6). 



Список источников

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. 
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 logratio 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