Картина вузов в свете данных из структурированных и неструктурированных источников информации

С. 297–303.

Абанкина И. В., Алескеров Ф. Т., Белоусова В. Ю., Бонч-Осмоловская А. А., Городенцева Т., Зиньковский К. В., Князев Е. А., Коган Ю., Огороднийчук Д. Л., Петрущенко В. В.

Одновременное использование данных из структурированных и неструктурированных источников информации позволяет комплексно подойти к оценке результативности деятельности высших учебных заведений. В данной работе, с одной стороны, проводится анализ того, насколько оптимально размещены ограниченные ресурсы университета по отношению к другим ВУЗам. С другой стороны, учитывается репутация ВУЗов, представляющая собой сложный комплекс характеристик, оказывающий в конечном итоге непосредственное влияние на выбор абитуриентов. Для того чтобы репутацию разных ВУЗов в количественном измерении можно было сравнить, необходимо определить, из каких репутационных характеристик складывается репутация и как ее измерять, сравнивать ВУЗы на ее основе, как отслеживать ее изменения. В докладе для сопоставления результативности ВУЗов на основе структурированных данных используется метод оболочечного анализа данных (Data Envelopment Analysis – DEA). Он базируется на оценке кусочно–линейной границы эффективности (целевой эффективности) путем построения огибающих значений. В качестве целевого ориентира оценивается производительность институтов с учетом их ресурсной обеспеченности. Применяются две основные модели DEA: с постоянной и переменной эффектами масштаба. Это позволяет учесть потенциальную возможность ВУЗа изменять масштаб деятельности и оценить величину отдачи от масштаба, характерную для данного университета по отношению к другим ВУЗам в выборке (29 университетам с разной специализацией). В качестве входных параметров в модели A (без учета финансирования) были взяты прокси-переменные для основных факторов производства: труда и основных средств, а именно: • численность студентов (бюджетный и внебюджетный контингенты); • доля штатных ППС с ученой степенью (д.э.н. и к.э.н.); • фондовооруженность. Выходными переменных (параметрами результата) являются следующие показатели функционирования ВУЗа: • рейтинг качества приема (среднее значение ЕГЭ); • рейтинг научной и публикационной активности. В свою очередь, модель B (модель с учетом финансирования) дополняет предыдущую модель (модель А), поскольку в качестве результата рассматривается объем внебюджетных доходов, которые заработал ВУЗ, по отношению к бюджетному финансированию. Кроме этого, в качестве ресурсных параметров оценивается финансовая компонента – величина бюджетных расходов. Обе модели показали согласованные результаты. Однако стоит подчеркнуть, что включение в анализ финансовой информации о деятельности ВУЗов позволяет получить более точные оценки эффективности его работы, также в этом случае снижается разброс оценок среди всех ВУЗов в выборке. Для оценки репутационной составляющей предлагается решение, основанное на алгоритмах автоматического извлечения и анализа данных из текстов СМИ, которое реализуется в среде OntosMiner. В основе процедур извлечения данных лежат заранее заданные модели – концептуальная модель, определенная экспертами, и лингвистическая модель, базирующаяся на анализе реальных контекстов упоминаний ВУЗов. Для построения лингвистической модели были выбраны 10 региональных ВУЗов, не входящих в первые 30 ВУЗов и представляющие разные образовательные направления. Были проанализированы около 4000 контекстов, в которых упоминаются ВУЗы. В итоге были выделены основные типы событий, связанных с деятельностью ВУЗов, которые в свою очередь были объединены в 11 категорий верхнего уровня. Упоминание ВУЗа в одной из 10 категорий (образовательный процесс, наука и инновации, социальная деятельность, инфраструктура, связь с государством, связь с бизнесом, трудоустройство, студенческая активность, финансы и выпускники) рассматривается как индикатор повышения его рейтинга. Одиннадцатая категория – скандалы – понижает репутационный рейтинг ВУЗа. Алгоритм автоматического извлечения информации аккумулирует сведения о всех событиях каждой категории для рассматриваемого ВУЗа. После применения процедур нормирования данных ВУЗ может быть охарактеризован набором индексом, отражающих его рейтинг в каждой из событийных категорий. Таким образом, создается основание для сравнения репутаций ВУЗов. Отметим, что автоматическая обработка подобной информации предоставляет возможность гибкой «экспертной» настройки системы: ранжирование источников по степени значимости (федеральные vs. региональные), ранжирование событий или типов событий, выделение ключевых событий репутационного профиля, свободное увеличение списка рассматриваемых ВУЗов. В работе были получены следующие результаты: • оценен уровень эффективности работы для каждого ВУЗа с учетом его ресурсной обеспеченности при использовании двух моделей: с постоянной и переменной отдачей от масштаба; • определено наличие возрастающей (убывающей) отдачи от масштаба; • выделено подмножество эталонных эффективных ВУЗов (ориентиров) для неэффективных ВУЗов; • рассчитаны эффективные цели – оптимальные значения входных и выходных параметров для неэффективных университетов; • получены репутационные оценки университетов, в основе которых лежат не отдельные мнения, а событийная карта за заданный период времени; • показана общая картина ВУЗов с учетом данных из структурированных и неструктурированных источников информации (на примере 10 университетов). Стоит особо отметить, что предлагаемая методика оценки результативности работы ВУЗа является транспарентной процедурой: совокупный показатель может быть развернут в ряд компонентов, индивидуальный для каждого ВУЗа. Также формируется новый материал для анализа – ВУЗы с близкими показателями по разным категориям могут быть объединены в кластеры.

В книге

XIII Международная научная конференция по проблемам развития экономики и общества. В 4 кн. Кн. 1.

Кн. 1. , М.: Издательский дом НИУ ВШЭ, 2012.