CC BY
33
УДК 378.124
Кластерный анализ возраста профессорско-преподавательского состава ВУЗов в субъектах Российской Федерации
Cluster analysis of the age of the teaching staff of higher education Institutions in the subjects of the Russian Federation
Снежко В.Л., Российский аграрный университет - Московская сельскохозяйственная академия имени К.А. Тимирязева, VL_Snejko@mail.ru
Щедрина Е.В., Российский аграрный университет - Московская сельскохозяйственная академия имени К.А. Тимирязева, shchedrina@rgau-msha. ru
Snezhko V., Russian State Agrarian University - Moscow Timiryazev Agricultural Academy, VL_Snejko@mail. ru
Shchedrina E., Russian State Agrarian University - Moscow Timiryazev Agricultural Academy, shchedrina@rgau-msha. ru
DOI: 10.34772/KPJ.2020.139.2.005
Ключевые слова: возраст, высшее образование, обучение, кластерный анализ, образовательная парадигма. Keywords: age, higher education, education, cluster analysis, educational paradigm.
Аннотация. Готовность педагога к ведению профессиональной деятельности в условиях реформ высшего образования определяется, в том числе, его возрастными особенностями. Авторами выполнен SWOT-анализ для условного деления профессорско-преподавательского состава на молодое и старшее поколение. Сравнение влияния факторов внутренней и внешней среды по каждой из групп выявило преимущества первой возрастной группы перед второй, несмотря на отсутствие у молодых педагогов необходимого опыта педагогической деятельности и уровня профессионального мастерства. Актуальность исследований, приведенных в статье, связана с необходимостью формирования приоритетных направлений кадровой политики в области высшего образования для «омоложения» профессорско-преподавательского состава высших учебных заведений России. Исходными данными стали сведения статистической отчетности Министерства науки и высшего образования Российской Федерации по форме «Распределение профессорско-преподавательского состава образовательных организаций высшего образования в разрезе субъектов Российской Федерации по возрасту» за 2018 и 2019 годы. Для решения задачи классификации использован один из методов интеллектуального анализа данных (Data Mining) - кластерный анализ. Субъекты Федерации были разнесены по трем группам «Преимущественно молодой возраст», «Преимущественно средний возраст» и «Преимущественно пожилой возраст» профессорско-преподавательского состава ВУЗов, расположенных на их территории. В основу кластеризации положен принцип максимального сходства внутри кластера (минимальной внутригрупповой дисперсии) и максимальных различий между кластерами (максимальной межгрупповой дисперсии). Предложенная обобщенная классификация позволит выделить регионы, в которых преобладают кадры каждой из возрастных категорий. Результаты исследования могут быть положены в основу разработки модели управления кадровым потенциалом вузов РФ с учетом возрастных особенностей, для мониторинга текущего состояния персонала и прогнозирования возможных рисков. В качестве инструмента для разработки модели авторами предложено использовать возможности технологии BigData и Machine Learning. Статья предназначена для работников системы образования, руководителей образовательных организаций, исследователей.
Abstract. Teacher's readiness to perform professional activity in the conditions of higher education reform is determined by the age characteristics, as well. The authors performed a SWOT-analysis for the formal division of the teaching personell on "young" and "old" generation. Comparison of influence of the inner and outer environmental factors in both groups defined priority of the first group upon the second group, along with the fact that young teachers lack necessary experience in pedagogical activity and professional mastery. The relevance of the article is due to the need to form priority areas of personnel policy in the field of higher education in order to "rejuvenate " the teaching
staff of higher educational institutions of the country and create a generalized classification of the subjects of the Federation by age. In this paper, the authors made a cluster analysis of the age of the teaching staff of Universities in the subjects of the Russian Federation, and proposed a method for their classification. To solve the classification problem, the authors suggest using cluster analysis as one of the methods of data mining. When performing a cluster analysis, subjects were grouped according to the principle of maximum similarity within the cluster (minimum intra-group variance) and maximum differences between clusters (maximum inter-group variance). The calculations were performed in the STATISTICA package. The cluster analysis made it possible to divide the subjects of the Russian Federation into three classes, the elements of which correspond to a certain ratio of the share of the teaching staff of each of the age groups. The results of the study can be used as a basis for developing a model for managing the personnel potential of Russian universities, taking into account age characteristics, in order to monitor the current state of staff and predict possible risks. As a tool for developing the model, the authors suggest using the capabilities of BigData and Machine Learning technologies. The article is intended for employees of the education system, heads of educational organizations, and researchers.
Введение. Обязательным условием модернизации отечественного образования должна быть эффективная кадровая политика, направленная на «омоложение» профессорско-преподавательского состава вузов, поскольку возрастные характеристики оказывают значимую роль в реализации квалификационных характеристик персонала в современных условиях.
Эффективность дидактического процесса зависит от множества взаимосвязанных и взаимодействующих факторов (правильности формулировки целей обучения, постановки задач учебной дисциплины, реализации дидактических принципов обучения, применяемых методов и средств обучения и др.). При смене образовательной парадигмы с традиционной на личностно-ориентированную особую роль играет фактор субъект-субъектного взаимодействия педагога и обучающихся, для реализации которого важное значение имеют мотивация, направленность на выстраивание партнерских отношений и совместное решение проблем, активная позиция обучающихся, уровень
развития и воспитания каждого участника, профессионализм, жизненный опыт и мастерство педагога, учет возрастных особенностей, готовность к использованию средств информационно-коммуникационных технологий в обучении. В совокупности обозначенные факторы позволяют обеспечить заданное качество подготовки будущих выпускников в условиях индивидуализации обучения.
Готовность педагога к ведению профессиональной деятельности в новых условиях определяется главным образом его возрастными особенностями. Если условно, без определения возрастных границ, допустить деление профессорско-преподавательского
состава на две группы («молодое поколение» и «старшее поколение») и проанализировать имеющийся опыт ведения педагогической деятельности, то можно выявить преимущества и недостатки, а также факторы внешней среды, определяющие возможности и угрозы в каждой из них. Результаты сведены в таблицы SWOT-анализа для каждой группы, см. таблицу 1 и 2.
Таблица 1. - SWOT-анализ для группы «молодое поколение»
Внутренняя среда Внешняя среда
Сильные стороны Возможности
+ Демократический стиль в организации обучения, при котором выстраивается равноправное взаимодействие между участниками обучения Создание комфортного психологического климата при общении в группах из-за незначительной разницы в возрасте Использование в учебном процессе средств информационно-коммуникационных технологий, электронных образовательных ресурсов и возможностей единой образовательной среды учебного заведения Амбициозность, перспективность и быстрая обучаемость молодых педагогов Инициативность в необходимости переподготовки и повышении квалификации Быстрое развитие средств информационно-коммуникационных технологий Цифровизация образовательной среды учебного заведения, в том числе с помощью гаджетов обучающихся Готовность использовать современные технологии в организации обучения в группах Возрастание заинтересованности обучающихся к учебно-познавательной деятельности в условиях комфортного психологического климата в учебных группах Реализация наставничества в коллективе для передачи опыта, знаний и умений молодым преподавателям от старшего поколения
Продолжение таблицы 1
Внутренняя среда Внешняя среда
Слабые стороны Угрозы
Неопытность, и как следствие неуверенность в себе Отсутствие необходимого уровня педагогического мастерства Применение демократического стиля в организации обучения может привести к снижению дисциплины и успеваемости, и возникновению фамильярности в учебных группах
Таблица 2. - SWOT-анализ для группы «старшее поколение»
Внутренняя среда Внешняя среда
Сильные стороны Возможности
+ Опыт Педагогическое мастерство Наработанный авторитет Реализация наставничества в коллективе для передачи опыта, знаний и умений старшему поколению от молодых преподавателей в сфере информационно-коммуникационных технологий
Слабые стороны Угрозы
Авторитарный стиль в организации обучения, при котором исключается возможность равноправного взаимодействия всех участников процесса обучения, двунаправленность обучения, обмен опытом Отсутствие желания вносить изменения в привычный стиль организации обучения Сложность в адаптации к новым условиям Трудности с выполнением возрастающей нагрузки Боязнь преподавателя потерять наработанный авторитет при переходе на демократический стиль Развитие синдрома профессионального выгорания, проявляющегося в эмоциональном истощенности, деперсонализации и редукции профессиональных достижений Нежелание осваивать современные средства и технологии организации обучения в условиях цифровизации образования Быстрое развитие средств информационно-коммуникационных технологий Доступность образовательных ресурсов Глобальная цифровизация, при которой старшее поколение испытывает стресс, в виду отставания от современных тенденций Возникновение конфликтных ситуаций с обучаемыми из-за увеличивающейся возрастной дистанции с каждым учебным годом «Тяжелый» психологический климат в учебных группах, и как следствие снижение интереса обучающихся к учебно-познавательной деятельности
Данные, приведенные в таблицах, определяют преимущество первой возрастной группы перед второй, несмотря на отсутствие у молодых педагогов необходимого опыта педагогической деятельности и уровня профессионального мастерства. В условиях цифровизации образования молодое поколение преподавателей является более конкурентоспособным по сравнению с преподавателями более старшего возраста, поскольку им проще адаптироваться к новым условиям реализации дидактического процесса, изменить свои личностные установки, освоить новые технологии, справиться с возрастающей нагрузкой, найти общий язык с обучающимися, сформировать и поддерживать комфортный психологический климат в учебных группах, и как следствие, обеспечить требуемое качество подготовки будущих выпускников [9].
С целью определения границ возрастных групп кадрового состава вузов страны и их соотношения в каждом субъекте РФ необходимо произвести анализ численности профессорско-преподавательского состава, результаты которого
могут быть взяты за основу для создания обобщенной классификации субъектов Федерации по возрастным признакам.
Материалом исследований стал массив официальных статистических данных Министерства образования и науки РФ «Профессорско-преподавательский состав
образовательных организаций высшего образования в разрезе субъектов Российской Федерации (в % к общему числу профессорско-преподавательского состава)» по данным 2018 года. Исходными данными для расчетов стали обобщенные сведения по Форме N ВПО-1 «Сведения об организации, осуществляющей образовательную деятельность по
образовательным программам высшего образования - программам бакалавриата, программам специалитета, программам магистратуры», приведенные на сайте Министерства науки и образования РФ [8].
Всего в 2018 году в ВУЗах России работало 607903 человек, из которых 39% приходилось на долю профессорско-преподавательского состава.
В структуре профессорско-преподавательского состава, осуществляющего образовательную деятельность по образовательным программам высшего образования (бакалавриата, специалитета, магистратуры) насчитывалось 236057 человек. Из них 50% составляли доценты, см. рисунок 1.
9,9%
10,2%
Выполнен анализ распределения профессорско-преподавательского состава без внешних совместителей и работающих по договорам гражданско-правового характера по возрасту и полу. По гендерному составу из 236057 человек 42% были мужчинами, 48%
Анализ остепененности ППС показал, что 15,7% преподавателей имеют степень доктора наук, 57,8% являются кандидатами наук, и только 0,3% имеют степень PhD. В структуре возрастного состава ППС преобладали сотрудники, возраст которых составлял 65 и более лет, см. рисунок 2.
25 лет
женщинами. Однако структура возрастного состава отличалась у мужчин и женщин. Среди мужчин преобладали преподаватели старше 65 лет, см. рисунок 3, среди женщин преобладали преподаватели в возрасте 40 - 44 года, см. рисунок 4.
30% 6,4% \ 1,3% г7,3% 0,4%
17,6%
13,6%
50,5%
И
а
деканы факультетов директора институтов доценты преподаватели
н заведующие кафедрами
□ профессора
□ старшие преподаватели я ассистенты
Рисунок 1. - Структура ППС по должностям на 2018 год по РФ в целом
19,1%
0,6% 5,0%
9,4%
12,6%
13,3%
10,8%
^ моложе И 25 - 29
□ 30 - 34 И 35 - 39 Н40 - 44
□ 45 - 49
□ 50 - 54
□ 55 - 59
□ 60 - 64 И 65 и бол
Рисунок 2. - Структура ППС по возрасту на 2018 год по РФ в целом
Рисунок 4. -Распределение возраста преподавателей-женщин
Рисунок 3. -Распределение возраста преподавателей-мужчин
Актуальность исследований. Для решения задач федерального и регионального управления высшим образованием в России, формирования приоритетных направлений кадровой политики в области высшего образования актуальным вопросом является анализ динамики «омоложения» профессорско-преподавательского состава высших учебных заведений страны и создание обобщенной классификации субъектов Федерации по возрастным признакам.
С этой целью авторами была предложена методика классификации всех 85 субъектов, входящих в состав 8-ми федеральных округов Российской Федерации, основанная на обобщенной оценке возраста профессорско-преподавательского состава ВУЗов,
расположенных в пределах территории каждого субъекта.
Результаты описательной статистики процентного соотношения возраста ППС для каждой из 10-ти групп приведены в таблице 3.
Характеристика Возрастная группа, лет
менее 25 25-29 30-34 35-39 40-44 45-49 50-54 55-59 60-64 65 и более
Среднее 0,44 4,58 8,86 13,39 14,41 11,70 9,76 10,26 9,67 15,75
Медиана 0,4 4,7 9,2 13,4 14,4 11,5 9,5 10,3 9,7 15,5
Мода 0 4,9 8,5 13,3 14,3 9,5 8,7 10,5 9,2 11,9
Стандартное отклонение 0,41 2,18 2,36 2,74 2,57 2,91 2,47 2,27 2,55 5,71
Эксцесс 3,95 4,29 1,46 5,84 10,69 6,50 6,68 8,84 4,41 5,46
Асимметрия 1,58 1,23 -0,65 -1,18 -1,89 -0,64 -0,49 -1,82 -0,87 0,98
Таблица 3. - Точечные характеристики долей численности ППС по возрастным группам в субъектах РФ
Продолжение таблицы 3
Характеристика Возрастная группа, лет
менее 25 25-29 30-34 35-39 40-44 45-49 50-54 55-59 60-64 65 и более
Размах выборки 2,2 14,3 14,3 19,6 20,1 21,7 18,7 15,2 17,4 42,9
Минимум 0 0 0 0 0 0 0 0 0 0
Максимум 2,2 14,3 14,3 19,6 20,1 21,7 18,7 15,2 17,4 42,9
Представители не менее одной из возрастных групп отсутствовали в каждом из регионов -минимальное значение в таблице 3 равно нулю в каждом из столбцов. Асимметрия и эксцесс по каждой возрастной группе значительны, они намного превосходят предельные значения для выборок, имеющих нормальное распределение. Мода, медиана и средние значения по возрастным группам в большинстве случаев также нельзя
считать примерно равными друг другу. Проверка закона распределения каждой из 10-ти возрастных групп была выполнена по трем статистическим критериям: Колмогорова-Смирнова, Андерсона-Дарлинга и критерию хи-квадрат. Результаты проверки приведены в таблице 2, пример проверки приведен на рисунке 5.
Рисунок 5. - Пример проверки нормальности распределения долевой численности ППС младше 25 лет
Гипотеза о нормальности распределения была принята только для трех возрастных групп: 30 - 34 года, 40 - 44 года и 65 лет и более. Это означает, что остальные возрастные группы (а их большинство) не могут быть охарактеризованы
устойчивым средним, то есть субъекты Российской Федерации значительно отличаются друг от друга по распределению численности внутри возрастных групп этих типов.
Таблица 4. - Статистики соответствия нормальному распределению выборок по возрастным группам
Возрастная группа Гипотеза о нормальности распределения р-значения для критериев
Колмогорова-Смирнова Андерсона-Дарлинга Хи-квадрат
младше 25 лет отвергается 0,303 0,257 0,000
25-29 отвергается 0,417 0,347 0,025
30-34 принимается 0,694 0,808 0,452
35-39 отвергается 0,371 0,484 0,019
40-44 принимается 0,252 0,246 0,678
45-49 отвергается 0,052 0,019 0,002
50-54 отвергается 0,024 0,027 0,000
55-59 отвергается 0,024 0,027 0,000
60-64 отвергается 0,209 0,179 0,179
65 и более принимается 0,520 0,430 0,454
Методы исследований. Для решения задачи классификации предложено использование одного из методов интеллектуального анализа данных (Data Mining), нашедшего применение при обработке массивов информации в геологии [5], гидрогеологии, социологических, биологических и экономических науках [10], а именно кластерного анализа.
При выполнении кластерного анализа субъекты группировались по принципу максимального сходства внутри кластера (минимальной внутригрупповой дисперсии) и максимальных различий между кластерами (максимальной межгрупповой дисперсии) [3]. Число кластеров было задано заранее и равно трем. В первом из кластеров общая характеристика возрастного состава
«Преимущественно молодой», во втором кластере «Преимущественно среднего возраста», в третьем «Преимущественно пожилой». Для кластеризации использован метод k-средних,
относящийся к итеративным методам классификации.
Каждый субъект описывался с помощью набора переменных количественного типа Хь Х2, ... Хю. Каждая из переменных соответствовала своей возрастной группе. Общий объем массива исходных данных составил 850 элементов с пределом изменения значений каждого элемента от 0 (отсутствие контингента возрастной группы) до 0,429 (максимальное из значений массива). Это позволило не использовать процедуру стандартизации переменных в дальнейших расчетах.
Результаты исследований и обсуждение. Вычисления были выполнены в пакете STAГПSГПCA, использована первоначальная сортировка расстояний между объектами, и выбраны наблюдения на постоянных интервалах. Каждый из трех кластеров охарактеризован набором усредненных показателей [2]. Описательные статистики кластеров приведены в таблице 5.
Таблица 5. - Описательные статистики кластеров
Среднее Стандартное отклонение Дисперсия
Кластер № 1, 30 объектов
менее 25 0,53 0,40 0,16
25-29 5,12 1,70 2,90
30-34 10,27 2,27 5,14
35-39 15,04 3,30 10,87
40-44 14,92 3,31 10,99
45-49 11,24 2,45 6,01
50-54 9,22 2,12 4,50
55-59 9,67 2,23 4,98
60-64 8,35 2,28 5,22
65 и более 0,53 0,40 0,16
Кластер № 2, 22 объекта
менее 25 0,27 0,49 0,24
25-29 3,50 2,38 5,67
30-34 6,78 1,46 2,12
35-39 12,91 2,17 4,72
40-44 15,45 2,17 4,73
45-49 14,46 2,64 6,96
50-54 11,53 2,57 6,61
55-59 11,84 1,88 3,52
60-64 10,54 2,66 7,08
65 и более 12,72 3,55 12,63
Кластер № 3, 33 объекта
менее 25 0,46 0,33 0,11
25-29 4,79 2,24 5,01
30-34 8,95 1,92 3,68
35-39 12,21 1,62 2,62
40-44 13,27 1,42 2,02
45-49 10,27 2,16 4,66
50-54 9,08 2,17 4,72
55-59 9,75 2,09 4,37
60-64 10,31 2,25 5,08
65 и более 20,90 4,62 21,30
Евклидово расстояние между кластерами представляло собой геометрическое расстояние в многомерном пространстве и характеризовало степень близости между объектами в кластерном анализе [10]. Расстояние между кластерами 1 - 2 было равно 2,12, кластерами 1 - 3 равно 3,02 и между кластерами 2 - 3 составило 3,26. Качество группировки проверено с помощью гипотезы о неравенстве дисперсии между кластерами и внутри кластеров с использованием ^-критерия (критерия Фишера). Уровень значимости для каждого кластера был много меньше 0,05. Предложенная классификация признана корректной.
Кластерный анализ позволил разделить субъекты Российской Федерации на три класса, элементам которых поставлено в соответствие определенное соотношение доли профессорско-преподавательского состава каждой из возрастных групп [7]. Средние значения в кластерах приведены на рисунке 6. Детализация разнесения субъектов по кластерам приведена в таблице 4.
Классификация субъектов выполнена в многомерном пространстве, включающем условно 10 измерений. Для удобства восприятия пример графического представления кластеров в проекциях на оси двух переменных Х3 и Х10 изображен на рисунке 7.
Рисунок 6. - Средние значения доли каждой возрастной группы в кластерах
<и <и Ч О
ю
50 45
40
н
53 35
ч 35
^ 30 е 25
20 « 20
о
« 1С Й 15
03
й 10
о «
£ 5
Чукотский
автономный
округ
Калининградская область
г. Москва
Республика Адыгея
И □
Рязанская об^сть
0
И 0
И
Республика Алтай
П ♦ ♦ ♦♦
Республика
4 6 8 10 12
% возрастной группы 30-34 года
14
16
01 кластер С32 кластер Д3 кластер
Рисунок 7. -Кластеризация субъектов РФ по процентному соотношению двух из 10-ти возрастных групп
0
0
2
В декартовой системе координат возможно построение кластеров по каждому из сочетаний 10-ти переменных (возрастных групп). Каждая из точек на рисунке 7 соответствует определенному субъекту Федерации. В первом кластере «Преимущественно молодой» выделено 30 субъектов РФ, во втором кластере «Преимущественно среднего возраста» 22 субъекта, в третьем кластере
«Преимущественно пожилой» 33 субъекта.
Распределение субъектов по федеральным округам следующее: «молодые»
сосредоточены в Южном, Приволжском, Крымском и Уральском федеральных округах, «средние» в Северо-Кавказском и Дальневосточном федеральных округах, «пожилые» в Центральном, Северо-Западном и Сибирском федеральных округах.
Таблица 6. -Классификация субъектов РФ по распределению возраста профессорско-преподавательского состава вузов
Кластер 1 Кластер 2 Кластер 3
«Преимущественно молодой» «Преимущественно среднего возраста» «Преимущественно пожилой»
Белгородская область Калужская область Владимирская область
Брянская область Костромская область Воронежская область
Курская область Архангельская область Ивановская область
Липецкая область Вологодская область Московская область
Орловская область Ленинградская область Рязанская область
Тамбовская область Республика Адыгея Смоленская область
Ненецкий автономный округ Республика Дагестан Тверская область
Краснодарский край Республика Ингушетия Тульская область
Астраханская область Кабардино-Балкарская Республика Ярославская область
Волгоградская область Карачаево-Черкесская Республика г. Москва
Республика Крым Удмуртская Республика Республика Карелия
г. Севастополь Чувашская Республика Республика Коми
Чеченская Республика Курганская область Калининградская область
Ставропольский край Ямало-Ненецкий автономный округ Мурманская область
Республика Башкортостан Республика Алтай Новгородская область
Республика Марий Эл Республика Хакасия Псковская область
Республика Мордовия Алтайский край г. Санкт-Петербург
Республика Татарстан Республика Бурятия Республика Калмыкия
Кировская область Камчатский край Ростовская область
Оренбургская область Амурская область Республика Северная
Пензенская область Магаданская область Осетия - Алания
Саратовская область Еврейская автономная область Пермский край
Тюменская область Нижегородская область
Челябинская область Самарская область
Ханты-Мансийский автономный Ульяновская область
округ Свердловская область
Республика Тыва Красноярский край
Омская область Иркутская область
Республика Саха (Якутия) Кемеровская область
Забайкальский край Новосибирская область
Сахалинская область Томская область
Приморский край
Хабаровский край
Чукотский автономный округ
Наиболее «молодыми» субъектами вне зависимости от принадлежности к федеральным округам являются Республика Татарстан, Ставропольский край, Белгородская область, Чеченская республика, Ханты-Мансийский автономный округ, Республика Тыва, г. Севастополь, Республика Крым. В выявленных субъектах процентное соотношение молодых преподавателей в возрасте от 30 до 34 лет к
общему числу профессорско-преподавательского состава не является достаточно высоким, поэтому существует объективная необходимость в разработке и внедрении комплекса мероприятий в каждом субъекте РФ, направленного на привлечение и удержание молодых преподавателей. Предложения по
совершенствованию кадровой политики вуза могут быть следующими:
- обеспечение конкурентоспособной заработной платы молодого преподавателя без ученой степени (размер оклада должен быть сопоставим с окладом выпускника вуза, устроившегося на работу в коммерческую организацию);
- заключение трудовых контрактов на более длительные сроки, чем один год;
- совершенствование системы премирования сотрудников по показателям работы;
- предоставление возможности повышения квалификации по профилю читаемых дисциплин и в сфере научных исследований не реже одного раза в три года за счет средств вуза;
- достойное оснащение рабочих мест (своевременный ремонт помещений, замена мебели, установка современного оборудования для ведения педагогической и научно-исследовательской деятельности (вычислительная техника, оргтехника, smart-доски, проекторы, необходимое программное обеспечение и др.), подключение рабочих станций к сети Internet и локальной сети вуза);
- развитие наставничества в трудовом коллективе, с целью передачи опыта от старшего поколения и повышения уровня педагогического мастерства;
- предоставление привлекательного социального пакета (возможность приобретения жилья по сниженным ставкам ипотечного кредитования, обеспечение молодых семей ведомственным жильем, местами в детских садах и школах, обеспечение расширенным пакетом
ДМС, возможность заниматься спортом на льготных условиях, оплата проезда до места работы или предоставление служебного транспорта);
- становление и развитие корпоративной культуры (корпоративная этика, корпоративный стиль, дресс-код и др.) [4;11].
Заключение. Результаты проведенного исследования могут быть положены в основу разработки модели управления кадровым потенциалом вузов РФ с учетом возрастных особенностей, с целью мониторинга текущего состояния персонала и прогнозирования возможных рисков.
В качестве инструмента для разработки модели могут быть использованы возможности технологии BigData и Machine Learning, которые в настоящий момент времени являются весьма перспективными в области искусственного интеллекта [1;6].
Предлагаемая к разработке модель, представляющая собой набор аналитических данных, построенных на основе определенных алгоритмов и примеров, позволит спрогнозировать возможные исходы в тех или иных ситуациях и оптимизировать принятие управленческих решений руководства в направлении ротации сотрудников, повышении квалификации, определении эффективности работы сотрудников и их перспективности, прогнозировании увольнений, разработки стратегии удержания молодых ученых.
Литература:
1. Big Data и Machine Learning в HR: еще 5 примеров успешного использования информационных технологий для управления человеческими ресурсами [Электронный ресурс]. - Режим доступа: https://www.bigdataschool.ru/bigdata/big-data-machine-learning-hr-staff-management.html
2. Бериков В.Б., Лбов Г.С. Современные тенденции в кластерном анализе: отчет по гранту № 08-07-00136а [Электронный ресурс] / В.Б. Бериков, Г.С. Лбов // Институт математики им. С.Л. Соболева, 2009. -Режим доступа: http://www.ict.edu.ru/ft/005638/62315e1-st02.pdf
3. Дуда Р., Харт П. Распознавание образов и анализ сцен / Р. Дуда, П. Харт. - М.: Мир, 1976. - 559 с.
4. Корпоративная культура: влияние на сотрудников и эффективность труда [Электронный ресурс]. - Режим доступа: https://www.hr-director.ru/article/65948-qqq-16-m3-kak-korporativnaya-kultura-vliyaet-na-sotrudnikov
5. Курчиков А.Р., Плавник А.Г. Кластеризация гидрогеохимических данных в задачах оценки прогнозных ресурсов углеводородов нефтегазоносных
комплексов Западной Сибири / А.Р. Курчиков, А.Г. Плавник // Геология и геофизика. - 2009. - Т. 50. - № 11. - С. 1218-1226.
6. Машинное обучение в сфере Ж. [Электронный ресурс]. - Режим доступа: Ь^://^-portal.ru/blog/mashinnoe-obuchenie-v-sfere-hr
7. Методы кластерного анализа данных и сегментации изображений: учеб. пособие / В.Б. Бериков. - Новосибирск: НГУ, 2015. - 97 с.
8. Министерство науки и высшего образования Российской Федерации. [Электронный ресурс] / Официальный сайт. - Режим доступа: https://minobrnauki.gov.ru/ru/activity/stat/highed/
9. Сауц А.В. Половые и возрастные аспекты личности преподавателя, влияющие на учебный процесс [Электронный ресурс] / А.В. Сауц // Гуманитарные научные исследования. - 2013. - № 4. -Режим доступа: http://human.snauka.ru/2013/04/2639
10. Сафиуллин А.Р., Гатауллина Л.Р. Кластерный анализ при разработке промышленного профиля территории / А.Р. Сафиуллин, Л.Р. Гатауллина //
Экономика и предпринимательство. - 2013. - № 8(37). -С. 126-130.
11. Скрипниченко Л.С. Влияние корпоративной культуры на управление человеческими ресурсами: сборник научных трудов / Л.С. Скрипниченко //
1. Big Data and Machine Learning in HR: 5 more examples of the successful use of information technology for human resource management [Electronic resource]. -Access mode: https://www.bigdataschool.ru/bigdata/big-data-machine-learning-hr-staff-management.html
2. Berikov V.B, Lbov G.S. Current trends in cluster analysis: report on grant No. 08-07-00136a [Electronic resource] / V.B. Berikov, G.S. Lbov // Institute of Mathematics S.L. Soboleva, 2009. - Access mode: http://www.ict.edu.ru/ft/005638/62315e1-st02.pdf
3. Duda R., Hart P. Pattern recognition and scene analysis / R. Duda, P. Hart. - M.: Mir, 1976. - 559 p.
4. Corporate culture: the impact on employees and labor efficiency [Electronic resource]. - Access mode: https://www.hr-director.ru/article/65948-qqq-16-m3-kak-korporativnaya-kultura-vliyaet-na-sotrudnikov
5. Kurchikov A.R., Fin A.G. Clustering of hydrogeochemical data in the tasks of estimating the estimated hydrocarbon resources of oil and gas complexes in Western Siberia / A.R. Kurchikov, A.G. Fin // Geology and Geophysics. - 2009. - T. 50. - №> 11. - S. 1218-1226.
6. Machine learning in the field of HR [Electronic resource]. - Access mode: https://hr-
Теоретические и прикладные исследования в области естественных и гуманитарных наук / Всероссийская научно-практическая конференция. - Прокопьевск, 2014. - С. 185-188.
ces:
portal.ru/blog/mashinnoe-obuchenie-v-sfere-hr
7. Methods of cluster data analysis and image segmentation: textbook. allowance / V.B. Berikov. -Novosibirsk: NSU, 2015. - 97 p.
8. The Ministry of Science and Higher Education of the Russian Federation [Electronic resource] / Official site. -Access mode: https://minobrnauki.gov.ru/ru/activity/stat/highed/
9. Sauts A.V. Sex and age aspects of the teacher's personality, affecting the educational process [Electronic resource] / A.V. Sauts // Humanitarian research. - 2013. - № 4. - Access mode: http://human.snauka.ru/2013/04/2639
10. Safiullin A.R., Gataullina L.R. Cluster analysis in the development of the industrial profile of the territory / A.R. Safiullin, L.R. Gataullina // Economics and Entrepreneurship. - 2013. - № 8 (37). - S. 126-130.
11. Skripnichenko L.S. The influence of corporate culture on human resource management: a collection of scientific papers / L.S. Skripnichenko // Theoretical and applied research in the field of natural sciences and humanities / All-Russian Scientific and Practical Conference. - Prokopyevsk, 2014. - S. 185-188.
13.00.01 Общая педагогика, история педагогики и образования
