CC BY
220
^ Мелешкин М. И., Забоев М. В.
§ Использование карт Кохонена
I для оценки конкурентоспособности
о ведущих российских университетов
£ среди мировых научно-образовательных центров*
ш
о Мелешкин Михаил Игоревич
Санкт-Петербургский государственный университет Аспирант
Забоев Михаил Валерьевич
Санкт-Петербургский государственный университет Доцент кафедры информационных систем в экономике Кандидат экономических наук [email protected]
РЕФЕРАТ
В статье рассматривается метод кластеризации мировых университетов по качеству научной деятельности на основе самоорганизующихся карт Кохонена в контексте реализации Указа Президента Российской Федерации от 7 мая 2012 г. № 599 о вхождении к 2020 г. не менее пяти российских университетов в первую сотню ведущих университетов мира. Целью исследования является проведение оценки конкурентоспособности ведущих российских университетов на основе объективных количественных данных, отражающих показатели исследовательской деятельности университетов. По результатам кластеризации определяются критерии и делается оценка попадания российских вузов в кластеры, соответствующие ведущим мировым исследовательским университетам.
КЛЮЧЕВЫЕ СЛОВА
высшее образование в РФ, программа «5 в 100», международные рейтинги, методы оценки конкурентоспособности университетов, кластерный анализ, искусственные нейронные сети, самоорганизующиеся карты Кохонена, деревья решений
Meleshkin M. I., Zaboev M. V.
The Application of Self-Organizing Kohonen Maps for Evaluation of the Competitive Position of the Leading Russian Universities among the World's Academic Centers
Meleshkin Mikhail Igorevich
Saint-Petersburg State University (Saint-Petersburg, Russian Federation)
Graduate Student
Zaboev Mikhail Valeryevich
Saint-Petersburg State University (Saint-Petersburg, Russian Federation) Associate Professor of the Chair of Information Systems in Economy PhD in Economy [email protected]
ABSTRACT
This article is an attempt to examines the method of global universities clustering based on the quality of scientific research using the self-organizing Kohonen maps in light of the May 7th, 2012 Presidential Decree N 599 which requires that 5 Russian universities be among the world's leading
* Работа выполнена при поддержке гранта СПбГУ 13.39.329.2014.
100 by 2020. The main aim of the research is to evaluate the competitiveness of the leading Russian universities on the basis of objective quantitative data reflecting the research activities of the universities. According to the results of clustering the authors defined criteria and estimated the probability of hitting the clusters where top world research universities belong by Russian universities.
KEYWORDS
higher education in Russian Federation, program «5 in 100», international ratings, methods of evaluation of university's competitiveness, clustering, artificial neural networks, self-organizing Kohonen maps, decision trees
Введение
Новые модели, призванные повысить конкурентоспособность российских вузов на мировом рынке образовательных услуг, а также усовершенствовать механизмы государственного управления и финансирования системы образования, начали появляться в России вместе с началом реформ в сфере высшего образования [9].
В самой системе отечественной высшей школы в последние годы произошли значимые структурные изменения. Так, например, МГУ им. М. В. Ломоносова и СПбГУ получили особый статус на основании Федерального закона от 10 ноября 2009 г. № 259-ФЗ1, 9 университетов стали федеральными, а 29 получили статус национальных исследовательских университетов (НИУ)2. Одним из наиболее заметных событий в сфере высшего образования стал выход Указа Президента России от 7 мая 2012 г. № 599 «О мерах по реализации государственной политики в области образования и науки», согласно которому Правительство РФ должно обеспечить вхождение к 2020 году не менее пяти российских вузов в первую сотню ведущих мировых университетов согласно мировому рейтингу университетов. В целях повышения конкурентоспособности ведущих российских университетов среди основных мировых научно-образовательных центров Правительством РФ был разработан соответствующий план мероприятий3.
По итогам специального конкурса государственную поддержку получили 15 ву-зов4. Уже в 2013 г. университеты — победители данного конкурса — получили дополнительное госбюджетное финансирование на общую сумму в 8,7 млрд руб.5 Кроме того, осуществляется дополнительное финансирование МГУ им. М. В. Ломоносова и СПбГУ — два этих университета с особым статусом также должны войти в сотню лучших университетов мира6. Указ Президента России от 7 мая
1 О Московском государственном университете имени М. В. Ломоносова и Санкт-Петербургском государственном университете : Федеральный закон от 10 ноября 2009 г. № 259-ФЗ.
2 Официальный сайт Министерства образования и науки Российской Федерации [Электронный ресурс]. URL: Ь|Нр://минобрнауки.рф/проекты/ведущие-вузы (дата обращения: 21.07.2014).
3 О реализации Плана мероприятий по развитию ведущих университетов, предусматривающих повышение их конкурентоспособности среди ведущих мировых научно-образовательных центров [Электронный ресурс] // Официальный сайт Министерства образования и науки Российской Федерации. URL: Ь|Пр://минобрнауки.рф/пресс-центр/3254/файл/2068/13.03.28-Совещание-Вузы-Мировые_рейтинги.рс^ (дата обращения: 21.07.2014).
4 Официальный сайт Министерства образования и науки Российской Федерации [Электронный ресурс]. URL: ЬЛ1:р://минобрнауки.рф/новости/337 2 (дата обращения: 21.07.2014).
5 О мерах государственной поддержки ведущих университетов Российской Федерации в целях повышения их конкурентоспособности среди ведущих мировых научно-образовательных центров : Постановление Правительства России от 16 марта 2013 г. № 211.
6 О внесении изменений в программу развития федерального государственного образовательного учреждения высшего профессионального образования «Московский государственный университет имени М. В. Ломоносова» до 2020 года : Распоряжение Правительства Российской Федерации от 26 июня 2014 г. № 1155-р; О внесении изменений в программу
о
ш
3
2012 г. № 599 не конкретизирует, в каком именно международном рейтинге отечественные вузы должны попасть в топ-100, однако основной задачей для российских университетов является не создание своего «международного рейтинга», а выход на общее глобальное академическое поле и занятие достойных позиций среди мировых образовательных учреждений [4].
Так как места российских вузов в трех авторитетных мировых рейтингах (Academic Ranking of World Universities1, Times Higher Education World University Rankings (THE WUR) [3], QS World University2) были выбраны в качестве пороговых значений для допуска ведущих российских университетов к участию в вышеупомянутом конкурсе на повышение своей конкурентоспособности, то справедливо считать возможным ориентиром один из старейших и признанных мировых рейтингов вузов — рейтинг THE WUR.
Международный рейтинг Times Higher Education
Общеуниверситетский рейтинг THE WUR ежегодно формируется из 500 ведущих университетов мира. Помимо общеуниверситетского рейтинга THE WUR, составляется еще и специализированный предметный рейтинг университетов, в котором представлены сто лучших университетов мира в конкретной предметной научной области. Создание рейтингов университетов THE WUR осуществляется с использованием базы данных InCites™3.
В табл. 1, в соответствии с требованиями общеуниверситетского рейтинга THE WUR, представлены 5 основных направлений деятельности вузов, каждая из которых, в свою очередь, содержит еще 13 частных критериев4.
Анализ данной методики ранжирования ведущих университетов мира позволяет заключить, что более половины от общего результата в рейтинге THE WUR определяется индексом цитирования и академической репутацией (репутация исследований и обучения) [11]. Академическая репутация — это результат опроса экспертов и специалистов (более 10 тыс.) научных организаций из разных стран. Влияние цитирования на академическую репутацию связано с уровнем известности вуза в мировом образовательном пространстве: чем больше качественных работ опубликовано, тем выше известность университета [6].
В актуальном общеуниверситетском рейтинге THE WUR Топ-500 за 2013-2014 гг. значится только один российский университет: МГУ им. М. В. Ломоносова занимает 226-250 место. СПбГУ присутствовал в рейтинге THE WUR за 2011-2012 гг., занимая 350-400 место, а в предпоследнем рейтинге THE WUR за 2012-2013 года на 226-250 месте располагался Национальный исследовательский ядерный университет «Московский инженерно-физический институт» (НИЯУ МИФИ).
Несмотря на очевидные достоинства, многолетнюю историю применения и широкую известность международных университетских рейтингов некорректно считать какой-либо из рейтингов единственно верным и объективным способом отражения качества деятельности университета и уровня его конкурентоспособности в первую очередь из-за значительной доли субъективизма при формировании рейтингов [5;
развития федерального государственного образовательного учреждения высшего профессионального образования «Санкт-Петербургский государственный университет» до 2020 года : Распоряжение Правительства Российской Федерации от 26 июня 2014 г. № 1156-р.
1 URL: http://www.shanghairanking.com/ (дата обращения: 21.07.2014).
2 URL: http://www.topuniversities.com/university-rankings (дата обращения: 21.07.2014).
3 База данных по исследованию, оценке и анализу институциональной производительности InCites [Электронный ресурс]. URL: http://incites.isiknowledge.com (дата обращения: 20.07.2014).
4 Международный рейтинг Times Higher Education [Электронный ресурс]. URL: http://www. timeshighereducation.co.uk/world-university-rankings/2013-14/world-ranking (дата обращения: 20.07.2014).
о
ш
LQ
О
Таблица 1 _о
s
Весовые показатели общеуниверситетского рейтинга THE wuR cl
Наименование критерия Вес, %
Научная деятельность (Research: Volume, income, reputation) 30
Репутация исследований 18
Доходы от научной деятельности/численность профессорско-преподавательского состава (ППС) 6
Количество публикаций/численность ППС 6
Цитирование на одну публикацию (Citations: Research influence) 30
Академический штат и его репутация среди работодателей (Teaching: The learning environment) 30
Количество студентов/численность ППС 4,5
Количество присужденных научных степеней (Phd)/численность бакалавров 2,25
Количество присужденных научных степеней (Phd)/численность ППС 6
Репутация обучения (среди работодателей) 15
Доходы вуза на единицу ППС 2,25
Международная деятельность вуза (International outlook: People, research) 7,5
Процент иностранных обучающихся 2,5
Процент иностранных сотрудников 2,5
Процент публикаций в международном соавторстве 2,5
Коммерциализация ИК и НИОКР для бизнеса (Industry income: Innovation)1 2,5
Источник: http://www.timeshighereducation.co.uk/world-university-rankings/
10]. Таким образом, необходима разработка методов максимально объективного оценивания и сопоставления агрегированных показателей деятельности университетов, один из которых на основе кластеризации с использованием карт Кохонена предложен в данной статье.
Цель исследования
Использование объективных показателей деятельности ведущих российских университетов для оценки их конкурентоспособности на основе методов кластеризации данных.
задачи исследования:
• сбор и предварительная обработка данных, отражающих результаты деятельности ведущих университетов мира;
• кластеризация ведущих университетов мира в рамках направления «научная деятельность» (Research: Volume, income, reputation) — выделение групп университетов, которые могут быть охарактеризованы как мировые лидеры или
1 Поступление внебюджетных средств в вузы от внешних научных грантов (РФФИ, РГНФ и др.). Расходы на эти цели у юридических лиц могут быть отнесены к затратам на производство, если они относятся к созданию новой или усовершенствованию производимой продукции (товаров, работ, услуг), а также являются расходами на формирование Российского фонда технологического развития, иных отраслевых и межотраслевых фондов финансирования научно-исследовательских и опытно-конструкторских работ [2].
как ведущие исследовательские университеты мира, университеты, занимающие средние позиции и университеты-аутсайдеры;
• определение кластеров, к которым относятся ведущие российские университеты;
• выявление целевых значений показателей научной деятельности, достижение которых позволит ведущим российским университетам претендовать на места в кластерах с ведущими мировыми университетами.
Анализ баз данных Incites™
В предлагаемом исследовании используются показатели, взятые из базы данных InCites™, принадлежащей Thomson Reuters, которые служат для формирования международного рейтинга Times Higher Education. Доступ к этим данным осуществлен посредством сайта InCites™1. В базе данных есть сведения по 11 из 17 ведущих российских университетов, которые являются участниками правительственной программы повышения конкурентоспособности и вхождению пяти университетов в Топ-100 мировых рейтингов, а именно: МГУ им. М. В. Ломоносова, Санкт-Петербургский государственный университет, Московский физико-технический институт, Национальный исследовательский технический университет «МИСиС», Национальный исследовательский университет «Высшая школа экономики», Национальный исследовательский ядерный университет «МИФИ», Нижегородский государственный университет им. Н. И. Лобачевского, Новосибирский государственный университет, Томский государственный университет, Томский политехнический университет, Уральский федеральный университет имени первого Президента России Б. Н. Ельцина.
Подготовка исходных данных
Из базы данных InCites™ была извлечена и обработана информация по всем представленным 714 вузам и 42 критериям, характеризующим деятельность ведущих университетов мира за 2009-2011 гг. Для этого использовались средства веб-портала2, который позволяет выгрузить данные по 6 университетам и 3 критериям за один запрос к базе данных InCites™3.
Проведенное исследование с использованием аналитических и экспериментальных подходов позволило выбрать 18 критериев из общей выгрузки, которые наиболее полно характеризуют различные направления деятельности университетов. При этом 13 критериев используются при формировании рейтинга THE WUR, а остальные 5, по мнению авторов, характеризуют масштаб учебного заведения (табл. 2).
Таблица 2
Индикаторы выгрузки данных о деятельности ведущих университетов из базы данных Incites™
№ п/п Индикатор базы InCites™ Используются в THE WUR
1 Численность профессорско-преподавательского состава (ППС) (Acad staff) —
2 Академический штат/количество студентов (Acad staff/Stdnt) +
1 База данных по исследованию, оценке и анализу институциональной производительности InCites [Электронный ресурс]. URL: http://incites.isiknowledge.com (дата обращения: 20.07.2014).
2 Там же. URL: http://incites.thomsonreuters.com/ (дата обращения: 20.07.2014).
3 База данных по исследованию, оценке и анализу институциональной производительности InCites [Электронный ресурс]. URL: http://incites.isiknowledge.com (дата обращения: 20.07.2014).
о
ш
LQ
О
№ п/п Индикатор базы InCites™ Используются в THE WUR
3 Процент иностранных сотрудников (Acad staff int/Acad staff) +
4 Количество присужденных научных степеней/Академический штат (Doctoral degree/Acad staff — norm) +
5 Количество присужденных научных степеней/численность бакалавров (Doctoral degree/undergrad degree) +
6 Доходы вуза на единицу Академического штата (Inst income/ Acad staff) +
7 Доходы вуза (Inst income) -
8 Доходы вуза/численность студентов (Inst income/stdnt) -
9 Цитирование на одну публикацию (Normalized citation impact — country adj) +
10 Количество публикаций (Papers) -
11 Процент работ в международном соавторстве (Papers int coauthor/papers) +
12 Количество публикаций/Академический штат (Papers/Acad and res staff — norm) +
13 Доходы от научной деятельности/Академический штат (Res income/Acad staff — norm) +
14 Коммерциализация ИК и НИОКР для бизнеса (Res income ind/ Acad staff) +
15 Репутация исследований (Res reputation — global) +
16 Численность студентов (Stdnt) -
17 Процент иностранных обучающихся (Stdnt int/Stdnt) +
18 Репутация обучения (среди работодателей) (Teaching reputation — global) +
Так как в базе данных информация по некоторым вузам была представлена не в полном объеме, то такие вузы были исключены из массива данных, таким образом окончательная выборка, используемая в данном исследовании, составила 517 вузов, среди которых 15 — российские.
Использование самоорганизующихся карт Кохонена для оценки конкурентоспособности вузов по направлению «научная деятельность»
Задачи, связанные с необходимостью выявления кластеров, могут эффективно решаться с помощью методического аппарата искусственных нейронных сетей. Ней-росетевые модели — мощные вычислительные системы, которые способны самообучаться и решать сложные, неструктурированные проблемы классификации, аппроксимации функций, оптимизации и многие другие [1]. В рамках решения задачи кластеризации модели на основе искусственных нейронных сетей (ИНС) позволяют получить кроме результатов в численной форме (в виде состояний нейронов выходного слоя) визуализацию результатов — построение самоорганизующихся карт Кохонена, которые схематично в виде двумерных визуальных образов представляют итоговое состояние соответствующей обученной нейронной сети [3]. В рамах реализации алгоритма обучения нейронной сети возможен выбор параметров, при
з котором происходит автоматическая кластеризация, когда конечное число кластеров gl не задается заранее, а определяется в процессе настройки параметров сети. 0 Данные: в качестве входных переменных при кластеризации используются сле-£ дующие показатели, которые наиболее полно отражают результаты научной дея-^ тельности университета:
° 1. Papers (общее количество публикаций за год согласно базе данных научного о цитирования Web of Science).
g 2. Normalized citation impact — country adj (данный показатель характеризует, наш сколько выше или ниже среднемирового показателя цитируемости на одну публикацию имеет конкретный вуз. Например, значение 0,7 означает, что вуз имеет количество цитирований на одну публикацию выше среднемирового (0,5). При этом Normalized citation impact — country adj имеет высокий вес в рейтингах и в то же самое время может быть подвержен значительным искажениям, так, например, для вузов, у которых количество публикаций низкое, одна высоко-цитируемая статья значительно повышает индекс (как это произошло с НИЯУ МИФИ и МФТИ).
3. Inst income/Acad staff (доходы университета/ППС).
4. Res income ind/Acad staff (коммерциализация ИК и НИОКР для бизнеса/ППС).
5. Res income/Acad staff — norm (данный показатель характеризует доход от научно-исследовательской деятельности на одного сотрудника в год, итоговые данные экспоненциально сглажены).
6. Papers/Acad and res staff — norm (данный показатель характеризует количество публикаций на одного научно-педагогического сотрудника в год, итоговые данные экспоненциально сглажены).
Инструментальное средство анализа данных о результатах деятельности университетов: аналитическая платформа Deductor — программный продукт, разработанный российской компанией1.
параметры модели (самоорганизующейся карты Кохонена): подобраны эвристическим путем с учетом рекомендаций по выбору оптимальной архитектуры нейронной сети и необходимости высокого качества визуализации и интерпретации результатов. Размерность карты — 12 х 16 шестиугольных ячеек, узлы которой представлены искусственными нейронами. Выбранное авторами в рамках проведенного исследования количество кластеров, позволяющее произвести анализ и интерпретацию результатов, — 7. Качество обучения нейросетевой модели, лежащей в основе карты Кохонена, — 69% распознанных примеров на обучающем множестве, 42% — на тестовом.
Результаты моделирования
На рис. 1 приведены результаты кластеризации для данных по ведущим университетам мира из БД InCites™ за 2011 г., представленные в виде карт Кохонена. Изучаемым университетам, показатели деятельности которых представляют собой многомерные векторы, сопоставляются определенные участки на полученных картах. При этом вектора, схожие в исходном многомерном пространстве, оказываются рядом и на картах. Для того чтобы отразить относительную величину того или иного компонента вектора, соответствующие участки карты окрашиваются в некоторый цвет в зависимости от выбранной цветовой схемы:
1. 1, 2 и 4-й кластеры (рис. 1, правый нижний блок) — это кластеры с вузами-лидерами в области исследований. В них вошли 54 университета. Например,
1 Платформа для создания аналитических решений Deductor [Электронный ресурс]. URL: http://www.basegroup.ru/ (дата обращения: 24.07.2014).
Рис. 1. Кластеризация университетов по направлению «научная деятельность»
кластер № 4 (в оригинале обозначен на карте салатовым цветом) характеризуется очень высоким показателем публикационной активности (Papers), что следует из анализа цветовой гаммы на верхней левой карте, на которой ячейки, отвечающие 4-му кластеру, окрашены в красный, желтый и зеленый цвета, соответствующие высоким значениям показателя Papers.
2. 4-му кластеру, помимо количества публикаций, свойственны наиболее высокие значения показателя Normalized citation impact — country adj и значения выше среднего по остальным четырем выбранным показателям. В 4-й кластер вошли следующие вузы (расположены в алфавитном порядке): China Medical University (Taiwan), Cornell University (USA), Harvard University (USA), Imperial College London (UK), Korea University (S. Korea), Massachusetts Institute of Technology (USA), National University of Singapore (Singapore), Northeastern University (USA), Ohio State University (USA), Princeton University (USA), Seoul National University (S. Korea), Stanford University (USA), Taipei Medical University (Taiwan), University of California Berkeley (USA), University of California, Davis (USA), University of California Santa Barbara (USA), University of Cambridge (USA), University of Michigan (USA), University of Utah (USA), University of Washington (USA), Yale University (USA).
3. 3-й кластер — вузы, имеющие высокое значение показателя Normalized citation impact — country adj — 38 вузов. За счет высокого количества цитирований и относительного низкого количества публикаций данный весомый показатель для рейтингов получается явно завышенным. При этом данные вузы по большей части являются узкопрофильными. Например, к этому кластеру относятся: Moscow Engineering and Physics Institute (RUS), Moscow Institute of Physics and Technology (RUS).
4. 6-й кластер — университеты, занимающие позиции «выше среднего» — 105 университетов.
5. 5-й кластер — университеты, занимающие «средние» позиции — 214 университетов. К данному кластеру относится Lomonosov Moscow State University (RUS).
6. Нулевой кластер — вузы, занимающие позиции «ниже среднего» — 106 высших учебных заведений. К данному кластеру относятся оставшиеся 12 российских
Номе г Условие Следствие ää Поддержка Л Достоверность
Показатель Знак Значение 12 Номер кластер Кол-во % Кол-во %
6 9.0 Res income ind / Acad staff x Overall < 106559,035 6 43 9,78 37 77,08
9.0 Normalized citation impact - country adj x Overall >= 0,865
9.0 papers x Overall < 1868,5
9.0 Res income / Acad staff - norm x Overall < 3,79
9.0 Normalized citation impact - country adj x Overall < 1,345
9.0 Res income ind / Acad staff x Overall < 59922,19
9.0 papers / Acad and res staff - norm x Overall >= 1,625
9.0 Res income / Acad staff - norm x Overall >= 1,09
7 9.0 Res income ind / Acad staff x Overall < 106559,035 6 13 2,65 12 92,31
9.0 Normalized citation impact - country adj x Overall >= 0,865
9.0 Res income / Acad staff - norm x Overall >= 0,165
9.0 papers x Overall < 4868,5
9.0 Res income / Acad staff - norm x Overall < 3,79
9.0 Normalized citation impact - country adj x Overall < 1,345
9.0 Res income ind / Acad staff x Overall >= 59922,19
8 9.0 Res income ind / Acad staff x Overall < 106559,035 3 34 6,92 22 64,71
9.0 Res income / Acad staff - norm x Overall >= 0,165
9.0 papers x Overall < 4868,5
9.0 Res income / Acad staff - norm x Overall < 3,79
9.0 Normalized citation impact - country adj x Overall >= 1,345
9 9.0 Res income ind / Acad staff x Overall < 106559,035 2
9.0 Normalized citation impact - country adj x Overall >= 0,865
9.0 papers x Overall < 4868,5
9.0 Res income / Acad staff - norm x Overall >= 3,79
10 9.0 Res income ind / Acad staff x Overall < 106559,035 4 24 4,89 14 58,33
9.0 Normalized citation impact - country adj x Overall >= 0,865
9.0 Res income / Acad staff - norm x Overall >= 0,165
9.0 Papers x Overall >= 4868,5
11 9.0 Res income ind / Acad staff x Overall >= 106559,035 1 12 2,44 8 66,67
Рис. 2. Правила формирования кластеров на основе построения дерева решений
вузов, информация о которых представлена в базе данных InCites™: Bauman Moscow State Technical University (RUS), Lobachevsky State University of Nizhni Novgorod (RUS), Novosibirsk State University (RUS), Sechenov First Moscow State Medical University (RUS), Siberian Federal University (RUS), Saint Petersburg State University (RUS), Tomsk Polytechnical University (RUS), Tomsk State University (RUS), Ural Federal University (RUS), State University Higher School of Economics (RUS), Mordovia State University (RUS), Moscow Institute of Steel and Alloys (RUS). Анализ результатов кластеризации свидетельствует, что единственный ведущий российский университет, отнесенный к кластерам, которые характеризуются высоким уровнем научной деятельности, — МГУ им. М. В. Ломоносова. Еще 2 университета — МИФИ и МФТИ — отнесены к 3-му кластеру, что объясняется их технической и естественнонаучной специализацией и соответствует высоким позициям указанных университетов в Топ-100 специализированных (предметных) рейтингов, в частности в профильном рейтинге по физике THE WUR МФТИ занимает 63-е место, а МИФИ — 65-е1.
1 Международный рейтинг Times Higher Education [Электронный ресурс]. URL: http://www. timeshighereducation.co.uk/worl-university-rankings/2013-14/world-ranking (дата обращения:
В целях формирования критериев попадания университетов в различные кла- з стеры эффективно использование подхода на основе построения «Дерева решений» cl на базе одного из самых известных и широко используемых алгоритмов построе- § ния деревьев классификации C4.5, разработанного Джоном Квинланом. Алгоритм £ С4.5 является модификацией алгоритма ID3 (Iterative Dichotomiser 3) и дополни- s тельно обладает возможностями работы с атрибутами, представленными непре- ° рывными величинами, и реализует итерацию, в рамках которой производится от- о сечения ветвей дерева, оказывающих наименьшее влияние на результаты класси- g фикации, что позволяет оптимизировать структуру итогового дерева решений. На ш рис. 2 представлены правила формирования кластеров, сформированные в результате использования алгоритма C4.5, отражающие значения показателей научной деятельности вуза, которые ему необходимо достичь для попадания в группы лидирующих университетов [7].
Основные критерии попадания в кластеры университетов, занимающие позиции «выше среднего» с точки зрения результатов научной деятельности, приведены ниже:
1. Для попадания в 1-й кластер необходимо достижение очень высокого значения показателя Res income ind/Acad staff — доходы от коммерциализации научной деятельности на единицу академического штата в год должны составлять более 106 тыс. долл. по состоянию на 2011 г.
2. Для попадания во 2-й кластер — достижение одновременно значений показателей:
• очень высокое значение Res income/Acad staff — norm > 3,79, что соответствует абсолютному значению доходов от исследовательской деятельности на единицу академического штата в год в размере более 226 тыс. долл. по состоянию на 2011 г.;
• Normalized citation impact — country adj > 0,865. Данный показатель означает, что средний уровень цитирования на одну публикацию в данных вузах значительно выше среднемирового показателя 0,5.
3. Для попадания в 4-й кластер:
• Res income/Acad staff — norm > 0,165 (более 10 тыс. долл. на единицу академического штата в год);
• Normalized citation impact — country adj > 0,865;
• Papers > 4868,5 единиц публикаций за год.
4. Для попадания в 6-й кластер, 1-й вариант:
• Res income/Acad staff — norm > 0,165 (более 10 тыс. долл. на единицу академического штата в год);
• Normalized citation impact — country adj > 0,865;
• Res income ind/Acad staff >59922,19 долл. в год.
5. Для попадания в 6-й кластер, 2-й вариант:
• Res income/Acad staff — norm > 1,09 (более 135 тыс. долл. на единицу академического штата в год);
• Normalized citation impact — country adj > 0,865;
• Papers/Acad and res staff — norm > 1,625.
6. Для попадания в 3-й кластер:
• очень высокое значение Normalized citation impact — country adj > 1,345, высокое значение связано с относительно низким показателем по публикациям и высоким показателем по цитируемости, умноженное на поправочный коэффициент для страны;
• Res income/Acad staff — norm > 0,165 (более 10 тыс. долл. на единицу академического штата в год).
20.07.2014).
з Для сопоставления стоит привести показатели СПбГУ по состоянию на 2011 г.: gl • Papers = 985 единиц публикаций за год; 0 • Normalized citation impact — country adj = 0,84; £ • Res income ind/Acad staff = 2375,06 долл. в год;
s • Res income/Acad staff — norm = 0,42 (34 тыс. долл. на единицу академического ° штата в год);
о • Papers/Acad and res staff — norm = 0,16.
Наиболее близким целевым ориентиром для СПбГУ является сочетание, пред-ш ставленное в пункте 5 для попадания в 6-й кластер, согласно которому необходимо увеличение показателей:
• Normalized citation impact — country adj до значения 0,865;
• Res income ind/Acad staff — norm до значения 60 тыс. долл. на единицу академического штата в год1.
Необходимость кардинального увеличения данного показателя для СПбГУ становится еще более очевидной, если сравнить данные по СПбГУ и Калифорнийскому университету в Лос-Анджелесе (UCLA) по той доле доходов, которые получают эти университеты от внешних научных грантов. Так, при сравнительно одинаковой численности академического штата этих университетов, общий объем финансирования UCLA в 2011 г. от внешних научных грантов (прежде всего из National Science Foundation) составил 982 млн долл. в США (т. е. 18% от всех доходов университета в год), а в СПбГУ доходы от внешних научных грантов (РФФИ, РГНФ и др.) за тот же период составили только 250 млн руб. (т. е. 1,7% от объема всех доходов университета в год) [8].
Таким образом, для достижения целевого показателя по попаданию СПбГУ в 6-й кластер необходимо увеличить доходы от коммерциализации ИК и НИОКР для бизнеса до 60 тыс. долл. на единицу академического штата в год, а также количество цитирований на одну публикацию. Дополнительно необходимо обратить внимание на то, что показатель цитируемости публикаций СПбГУ на 2011 г. равен 0,84 и близок к целевому значению 0,865, однако при необходимом увеличении общего количества публикаций актуальной станет задача сохранения высокого качества публикаций для увеличения или, по крайней мере, сохранения достигнутого уровня цитируемости.
Заключение
Исходя из полученных результатов исследования, можно сделать достаточно обоснованный вывод, что на сегодняшний день у 8 из 11 ведущих российских университетов, по данным, которые представлены в базе данных InCites™, шансы попасть к 2020 г. в Топ-100 общеуниверситетского рейтинга THE WUR остаются крайне низкими.
При формальном подходе к анализу критериев выполнения Указа Президента России от 7 мая 2012 г. № 599 можно утверждать, что МГУ им. М. В. Ломоносова, МИФИ и МФТИ уже выполнили Указ Президента о вхождении в сотню лучших вузов мира по предметному рейтингу THE WUR. Хотя по логике, президентский указ предполагает ориентацию на общеуниверситетские, а не специализированные рейтинги.
В данном исследовании предлагается подход по использованию максимально
1 На заседании Ученого совета СПбГУ 30 июня 2014 г. в докладе проректора И. А. Дементьева «Показатели эффективности и Программа развития СПбГУ до 2020 года» была специально подчеркнута важность данного индикатора для СПбГУ. URL: http://spbu.ru/news-spsu/21325-itogi-zasedaniya-uchenogo-soveta-spbgu-30-iyunya-2014-g (дата обращения: 24.07.2014).
объективных, первичных количественных данных, отражающий результаты научной деятельности университетов. Кластеризация на основе самоорганизующихся карт Кохонена позволяет выделить группы университетов, соответствующие различному уровню результатов их деятельности без использования применительно к базовым количественным показателям дополнительных субъективных весовых коэффициентов, которые, в соответствии с методиками известных мировых рейтингов, определяются экспертными группами, а их значения могут пересматриваться с течением времени.
Анализируя текущие показатели ведущих университетов России в базе данных InCites™, можно сделать обоснованный прогноз о местоположении отечественных вузов в авторитетном рейтинге университетов мира THE WUR, а также дать рекомендации по улучшению их объективных показателей и тем самым способствовать их повышению и вхождению в кластер с общепризнанными ведущими университетами мирового класса.
Литература
1. Аббакумов В. Л., Лёзина Т. А. Бизнес-анализ информации. Статистические методы. М. : Экономика. 2009. 354 с.
2. Беляков С. А. Анализ и оценка экономической устойчивости вузов / Беляков С. А., Беляков Н. С., Клячко Т. Л. М. : МАКС Пресс, 2008. 193 с. (Управление. Финансы. Образование).
3. Ботвин Г. А., Забоев М. В. Кластеризация стран по макроэкономическим показателям с использованием аппарата искусственных нейронных сетей // Риск: ресурсы, информация, снабжение, конкуренция. 2011. № 4. С. 552-556.
4. Дежина И. Г. Создание университетов мирового уровня в России: опять особый путь? [Электронный ресурс]. URL: http://trv-science.ru/2013/01/29/sozdanie-universitetov-mirovo-go-urovnya-v-rossii-opyat-osobyjj-put/#more-23586 (дата обращения: 21.07.2014).
5. Кузьминов Я. И. Российская система образования неэффективна [Электронный ресурс]. URL: http://www.gazeta.ru/video/predmetnyi_razgovor/yaroslav_kuzminov_rossiiskaya_sistema_ obrazovaniya_neeffektivna_.shtml (дата обращения: 24.07.2014).
6. Мелешкин М. И. О перспективах вхождения российских университетов в первую сотню ведущих университетов мира по рейтингу Times Higher Education // Экономический анализ: теория и практика. 2014. № 19 (370). С. 56-62.
7. Паклин Н. Б., Орешков В. И. Бизнес-аналитика: от данных к знаниям (+ Сй) : учеб. пособие. 2-е изд., перераб. и доп. М. : Питер, 2010.
8. Халин В. Г. Системы вознаграждения и академических контрактов профессоров Калифорнийского университета в Лос-Анджелесе и Санкт-Петербургского государственного университета // Вестник Санкт-Петербургского университета. Серия 5. Экономика. 2013. Вып. 3. С. 95-109.
9. Халин В. Г. Финансирование российской высшей школы: состояние и перспективы // Вестник Санкт-Петербургского университета. Серия 5. Экономика. 2011. Вып. 1. С. 47-53.
10. Юдкевич М. М. Российская академическая профессия и построение университетов мирового класса [Электронный ресурс]. URL: http://www.strana-oz.ru/2013Z4/rossiys-kaya-akademicheskaya-professiya-i-postroenie-peredovyh-universitetov (дата обращения: 21.07.2014).
11. Shin J. Ch. University Rankings: Theoretical Basis, Methodology and Impacts on Global Higher Education / Shin J. Ch., Toutkoushian R. K., Teichler U. (eds). Dordrecht : Springer, 2011. P 73-75.
References
1. Abbakumov V. L., Lyozina T. A. Business analysis of information. Statistical methods [Biznes-analiz informatsii. Statisticheskie metody]. M. : JSC Publishing House "Economy" [Ekonomika]. 2009. 3Б4 p.
2. Belyakov S. A., Belyakov N. S., Klyachko T. L. Analysis and assessment of economic stability of higher education institutions [Analiz i otsenka ekonomicheskoi ustoichivosti vuzov]. M. : Max Press, 2008, series "Management. Finance. Education". 193 p.
о
ш Lû
О
3 3. Botvin G. A., Zaboev M. V. Clusterisation of the countries on macroeconomic indicators with J use of the device of artificial neural networks [Klasterizatsiya stran po makroekonomicheskim
o pokazatelyam s ispol'zovaniem apparata iskusstvennykh neironnykh setei]//Risk: resources,
2 information, supply, competition [Risk: resursy, informatsiya, snabzhenie, konkurentsiya]. 2011.
^ N 4. P. 552-556
4. Dezhina I. G. Creation of world-class universities in Russia: again special way? [Sozdanie m universitetov mirovogo urovnya v Rossii: opyat' osobyi put'?] [An electronic resource]. URL:
o http://trv-science.ru/2013/01/29/sozdanie-universitetov-mirovogo-urovnya-v-rossii-opyat-oso-
^ byjj-put/#more-23586 (date of the address: 21.07.2014)
lq 5. Kuzminov Ya. I. Russian education system is inefficient [Rossiiskaya sistema obrazovaniya ° neeffektivna] [An electronic resource]. URL: http://www.gazeta.ru/video/predmetnyi_razgovor/
yaroslav_kuzminov_rossiiskaya_sistema_obrazovaniya_neeffektivna_. shtml (date of the address: 24.07.2014)
6. Meleshkin M. I. On the prospects of entry of the Russian universities into the first hundred leading universities of the world on a rating Times Higher Education [O perspektivakh vkhozh-deniya rossiiskikh universitetov v pervuyu sotnyu vedushchikh universitetov mira po reitingu Times Higher Education] // the Economic analysis: theory and practice [Ekonomicheskii analiz: teoriya i praktika]. 2014. N 19(370). P. 56-62.
7. Paklin N. B., Oreshkov V. I. Business-analytics: from data to knowledge [Biznes-analitika: ot dannykh k znaniyam](+ CD) : tutorial. M. : Piter. 2nd ed., 2010.
8. Halin V. G. Systems of remuneration and the academic contracts of professors of the Californian university in Los Angeles and St. Petersburg State University [Sistemy voznagrazhdeniya i akademicheskikh kontraktov professorov Kaliforniiskogo universiteta v Los-Andzhelese i Sankt-Peterburgskogo gosudarstvennogo universiteta] // Vestnik of the Saint-Petersburg State University [Vestnik Sankt-Peterburgskogo universiteta]. Series 5: Economy. 2013. V. 3. P. 95-109.
9. Halin V. G. Financing of the Russian higher school: state and prospects [Finansirovanie ros-siiskoi vysshei shkoly: sostoyanie i perspektivy] // Vestnik of the Saint-Petersburg State University [Vestnik Sankt-Peterburgskogo universiteta]. Series 5: Economy. 2011. V. 1. P. 47-53.
10. Yudkevich M. M. Russian academic profession and creation of universities of a world class [Rossiiskaya akademicheskaya professiya i postroenie universitetov mirovogo klassa]. [An electronic resource]. URL: http://www.strana-oz.ru/2013Z4/rossiyskaya-akademicheskaya-pro-fessiya-i-postroenie-peredovyh-universitetov (date of the address: 21.07.2014).
11. Shin J. Ch. University Rankings: Theoretical Basis, Methodology and Impacts on Global Higher Education / Shin J. Ch., Toutkoushian R. K., Teichler U. (eds). Dordrecht: Springer, 2011. P 73-75.
