CC BY
24
Vol. 10. No. 3 (57). 2015
М. В. Забоев, канд. экон. наук, доцент Санкт-Петербургского государственного университета, m.zaboev@spbu.ru
М. И. Мелешкин, аспирант Санкт-Петербургского государственного университета, madx88@gmail.com
оценка перспектив вхождения российских университетов в первую сотню ведущих мировых университетов с использованием нейросетевых методов кластеризации данных1
Данная статья содержит результаты исследования, посвященного оценке позиций МГУ им . М . В . Ломоносова и СПбГУ в мировых университетских рейтингах к 2020 г , которое опирается на использование нейросетевых методов кластеризации данных. Результатами исследования являются формирование критериев вхождения МГУ им . М . В . Ломоносова и СПбГУ в кластер с ведущими мировыми университетами, а также оценка местоположения российских университетов в международных рейтингах на основе программ их развития до 2020 г
Ключевые слова: высшее образование в Российской Федерации, программа «5 в 100», международные рейтинги, методы оценки конкурентоспособности университетов, кластерный анализ, искусственные нейронные сети, самоорганизующиеся карты Кохонена, деревья решений .
введение
Изменения, связанные с глобализацией процесса создания и передачи знаний в сфере образования, приводят к усилению конкуренции между вузами. Высшим учебным заведениям необходимо постоянно развиваться и быть конкурентоспособными на рынке образовательных услуг для того, чтобы не отстать от других ведущих университетов. Необходимо отметить, что в России без глобальной поддержки государства ни одному вузу не удалось достичь тех конкурентных параметров, которые позволили бы ему занимать достойные места среди ведущих мировых университетов.
1 Работа выполнена при поддержке гранта СПбГУ 13.39.329.2014.
С целью повышения конкурентоспособности отечественных высших учебных заведений Указом Президента России от 7 мая 2012 г. № 599 перед Правительством РФ была поставлена задача обеспечения вхождения к 2020 г. не менее пяти российских университетов в первую сотню ведущих мировых университетов согласно мировому рейтингу университетов, при этом конкретный рейтинг не указывается [1].
Исходя из поставленной задачи реализуется план мероприятий2, направленный на развитие ведущих университетов с целью повышения их конкурентоспособности среди ведущих мировых научно-образовательных центров. В частности, был объявлен
2 httpV/минобрнауки. рф/пресс-центр/3254/ файл/2068/13.03.28-Совещание-Вузы-Мировые_рей-тинги. pdf
Том 10. № 3 (57). 2015
и проведен Конкурс на предоставление государственной поддержки ведущим университетам3. Пятнадцать вузов — победителей конкурса уже в 2013 г. получили4 финансовую поддержку на общую сумму 8,7 млрд руб.5, а на 2014-2016 гг. предусмотрено финансирование из бюджета Российской Федерации в размере 45 млрд руб.6 Кроме того, предусматривается дополнительное финансирование МГУ им. М. В. Ломоносова и СПбГУ для вхождения в первую сотню лучших вузов мира7.
Стремление достичь цели, установленной Указом Президента, нашло отражение в содержании программ развития МГУ им. М. В. Ломоносова и СПбГУ до 2020 г. [2; 3], которые были переработаны и дополнены индикаторами, которые должны способствовать вхождению в 100 лучших университетов мира в ведущих мировых рейтингах. Тем не менее многие критерии, используемые ведущими мировыми рейтингами, не включены в целевые индикаторы программ развития. Таким образом, существует необходимость проведения оценки достижимости целей, определенных Указом Президента России от 7 мая 2012 г. № 599, при условии выполнения стратегических программ развития университетов.
Целью исследования является оценка позиций МГУ им. М. В. Ломоносова и СПбГУ в мировых университетских рейтингах к 2020 г. на основе показателей, указанных в их программах развития.
3 Ь|Нр://минобрнауки.рф/новости/337 2
4 Постановление Правительства России от 16 марта 2013 г. № 211.
5 Распоряжение Правительства России от 26 августа 2013 г. № 1500-р.
6 http://5top100.ru/news/664/?sphrase_id=364
7 Распоряжение Правительства Российской Федерации от 26 июня 2014 г. № 1156-р г. Москва «О внесении изменений в программу развития федерального государственного образовательного учреждения высшего профессионального образования
«Санкт-Петербургский государственный университет» до 2020 года».
Основные задачи проведенного исследования следующие:
• выделить среди ведущих мировых университетов группы (кластеры) на основе объективных показателей, представленных в базе данных InCites™;
• определить текущее место российских университетов среди ведущих мировых университетов;
• произвести анализ программ развития ведущих университетов Российской Федерации до 2020 г. на примере МГУ им. М. В. Ломоносова и СПбГУ и определить целевые показатели деятельности, необходимые для попадания в кластеры с ведущими университетами.
В представленном исследовании используются показатели из базы данных InCites™, принадлежащей Thomson Reuters, которые служат для формирования международного рейтинга Times Higher Education. Доступ к этим данным осуществлен посредством веб-интерфейса сайта http://incites. thomsonreuters.com/ [4].
Из всего массива данных используется информация о деятельности 692 университетов, для которых имеются данные по всем 8 выбранным показателям за 2012 г.8 и общее количество публикаций согласно базе данных научного цитирования Web of Science за 2012 г. превосходит 150 публикаций (показатель Papers за 2012 г. больше 150). Введение порогового уровня публикационной активности сотрудников университета обусловлено требованиями к минимальному количеству публикаций со стороны составителей международных рейтингов [5].
Для проведения анализа было выбрано 8 показателей, характеризующих различные направления деятельности университетов:
1) Acad staff / Stdnt — академический штат/ количество студентов;
2) Acad staff int / Acad staff — доля иностранных преподавателей в общей численности академического штата;
8 Рейтинг THE 2014-2015 г. строится на основе данных за 2012 г.
\ 53
Vol. 10. No. 3 (57). 2015
Рис. 1. Результат кластеризации университетов по данным 2012 г. Fig. 1. The result of clustering of universities based on 2012 data
3) Doctoral degree / Acad staff — число присвоенных научных степеней за год / Академический штат;
4) Normalized citation impact — country adj — цитирование на одну публикацию с учетом корректировки для страны;
5) Papers — общее количество публикаций согласно базе данных научного цитирования Web of Science за год;
6) Papers int co-author / Papers — доля публикаций в международном соавторстве;
7) Res income / Acad staff — объем доходов университета от НИОКР в расчете на единицу академического штата;
8) Stdnt int / Stdnt — доля иностранных студентов.
Семь из перечисленных показателей используются при расчете рейтинга THE9. Выбор приведенного набора показателей также связан с необходимым условием наличия в программах развития университетов прямой или косвенной информации, на основе которой значения данных показателей мо-
9 Международный общеуниверситетский рейтинг THE WUR — Times Higher Education World University Rankings.
гут быть оценены на перспективный период до 2020 г.
В качестве инструментального средства для построения моделей используется отечественная аналитическая платформа Deductor [6].
Кластеризация университетов производится на основе построения самоорганизующихся карт Кохонена, в основе которых лежат модели, использующие искусственные нейронные сети. Параметры модели определены эвристическим путем с учетом рекомендаций по выбору оптимальной архитектуры нейронной сети и необходимостью высокого качества визуализации и интерпретации результатов.
Размерность карты, узлы которой представлены искусственными нейронами, — 12 х16 шестиугольных ячеек.
Выбранное количество кластеров, позволяющее произвести анализ и интерпретацию результатов, — 5 [7].
На рис. 1 приведены результаты кластеризации для данных за 2012 г. Для каждого из сформированных кластеров можно дать обобщенное описание.
Том 10. № 3 (57). 2015
• 1-й кластер — университеты мировые лидеры. В 1-й кластер вошло 107 университетов, он характеризуется высоким показателем публикационной активности, что следует из анализа цветовой гаммы соответствующей карты (Papers), на которой ячейки, отвечающие 1-му кластеру, окрашены в более светлые тона, соответствующие высоким значениям показателя Papers. Также университетам, сформировавшим 1-й кластер, свойственны наиболее высокие значения показателя Res income / Acad staff и значения выше среднего по остальным 6 выбранным показателям.
• 2-й кластер характеризуется высокими показателями международной деятельности (более «теплая» цветовая гамма на картах, соответствующих показателям Stdnt int / Stdnt и Acad staff int / Acad staff) при «средних» значениях прочих показателей. В данный кластер вошло 83 университета.
• 3 и 4-й кластеры — университеты, занимающие «средние» позиции. Всего в указанные кластеры вошло 323 университета.
• 0-й кластер — университеты, занимающие позиции «ниже среднего», — 179 университетов.
В рамках проведенного исследования проанализированы программы развития двух российских университетов: МГУ им. М. В. Ломоносова и СПбГУ, которые по итогам кла-
стеризации на основе данных 2012 г. попали в 4-й кластер. Необходимо отметить, что хотя программа развития университетов включает общую цель по вхождению в топ-100 лучших университетов мира по версии международных рейтингов, лишь некоторые индикаторы, которые используются для формирования рейтингов, отражены в программах.
В табл. 1 приведены значения показателей МГУ им. М. В. Ломоносова и СПбГУ по состоянию на 2012 г., которые представлены в базе данных 1пС^™, и прогнозируемые значения на 2018 г, которые оценены на основе данных, приведенных в программах развития. Для анализа выбран 2018 г., так как именно данные этого года лягут в основу построения международных рейтингов в 2020 г., к которому необходимо обеспечить вхождение не менее пяти российских университетов в топ-100 [8].
Ниже приведены оценки позиций МГУ им. М. В. Ломоносова и СПбГУ в 2018 г. для двух вариантов предпосылок:
I вариант — значения показателей деятельности всех университетов, кроме МГУ им. М. В. Ломоносова и СПбГУ, предполагаются неизменными на период до 2018 г.;
II вариант — использование оценок значений показателей университетов на 2018 г., полученных на основе коэффициентов линейных трендов индивидуально
Таблица 1. Динамика показателей деятельности МГУ им. М. В. Ломоносова и СПбГУ
Table 1. Dynamics of activity of MSU and Saint Petersburg State University
№ п/п Название индикатора в базе InCites Значение показателя МГУ им. М. В. Ломоносова Значение показателя СПбГУ
2012 г. Оценка на 2018 г. 2012 г. Оценка на 2018 г.
1 Acad staff / Stdnt 0,13 0,14 0,17 0,17
2 Acad staff int / Acad staff 0,18 0,2 0,02 0,02
3 Doctoral degree / Acad staff 0,26 0,33 0,08 0,09
4 Normalized citation impact — country adj 0,96 1,17 0,87 0,87
5 Papers 3 625 5 105 1 016 2 150
6 Papers int co-author / Papers 0,38 0,5 0,44 0,51
7 Res income / Acad staff 124 917 316 000 34 867 67 052
8 Stdnt int / Stdnt 0,2 0,32 0,09 0,1
\ 55
Vol. 10. No. 3 (57). 2015
для каждого кластера, выделенного на основе данных 2012 г.
I вариант
Использование значений показателей МГУ им. М. В. Ломоносова и СПбГУ на 2018 г., полученных на основе программ развития, при неизменных показателях прочих университетов. Данный подход предполагает значительное упрощение, но позволяет произвести проверку целевых индикаторов программ на минимальное соответствие заявленным целям по вхождению университетов в топ-100 к 2020 г.
В рамках приведенных выше предпосылок были получены следующие результаты:
• произошло перемещение МГУ им. М. В. Ломоносова в 1-й кластер, соответствующий лидерам среди мировых университетов, имеющим существенные шансы на попадание в первую сотню мировых рейтингов;
• позиция СПбГУ не изменилась, университет по-прежнему остался среди представителей 4-го кластера. Данный результат может свидетельствовать о том, что согласно предложенной модели исследования программа развития СПбГУ даже при неизменных прочих показателях не позволяет университету войти в группу лидирующих вузов, которые борются за попадание в топ-100. Следовательно, программа развития СПбГУ в аспекте продвижения вверх в мировых рейтингах содержит значения показателей, недостаточные для попадания в топ-100 мировых университетов, при этом набор целевых индикаторов, представленных в программе, не включает ряд показателей, оказывающих влияние на итоги формирования международных рейтингов.
II вариант
Предполагается, что показатели деятельности ведущих мировых университетов имеют тенденцию к изменению, и может быть произведена оценка их будущих значений
на основе ретроспективных статистических данных. Кластеризация на основе данных 2012 г. позволила выделить пять групп, которые составили университеты, близкие по своим характеристикам и, следовательно, имеющие схожие цели и возможности для развития. Таким образом, прогнозирование показателей производится индивидуально для каждого кластера. Основой для прогноза являются среднеарифметические значения показателей деятельности университетов каждого кластера за период с 2004 по 2012 г. Оценка значений показателей на 2018 г. (на шесть периодов вперед) производится с помощью линейной аппроксимации, в рамках которой для определения параметров линейной функции (типа y = a*x + b) используется метод наименьших квадратов.
На рис 2. в виде диаграммы представлены коэффициенты, равные отношению среднеарифметических значений показателей в 2018 г., сформированных на основе линейных моделей, к фактическим значениям 2012 г., которые и используются для определения прогнозных значений показателей университетов соответствующих кластеров. Данный рисунок отражает тенденции изменения показателей деятельности университетов в различных кластерах.
Далее приведена возможная интерпретация наиболее существенных результатов, полученных в рамках оценки тенденций развития университетов:
• происходит значительное увеличение доли иностранных преподавателей не только среди университетов 2-го кластера, ориентированных на активную международную деятельность, но и 3-го, представители которого занимают средние позиции. Данный вывод можно сделать, проанализировав коэффициенты изменения показателя Acad staff int / Acad staff, характерные для представителей 2-го и 3-го кластеров, которым соответствуют точечная и пунктирная линии на рис. 2. Указанные коэффициенты принимают значения существенно больше единицы (см. выделенную область
Том 10. № 3 (57). 2015
•Кластер 0 (ниже среднего)
- Кластер 1 (мировые лидеры)
• Кластер 2 (международная деятельносто) •КлэстерЗ (средние)
- Кластер 4 (средние)
Stdnt int / Stdnt Y
Acad staff / Stdnt
1,40,.
Res income / Acad staff
Papers int co-author }-'-/ Papers
Значения 2-го и 3-го кластеров
Acad staff int /Acad staff
Doctoral degree / Acad staff
\ Normalized citation impact - country adj
Papers
Рис. 2. Коэффициенты, отражающие тенденции изменения показателей деятельности
университетов по кластерам Fig. 2. Factors reflecting trends in the performance indicators of universities in clusters
на рис. 2). Описанная тенденция может говорить о том, что многие университеты 3-го кластера в качестве приоритетной цели своего стратегического развития выбрали интернационализацию предоставляемых образовательных услуг, что в том числе может позволить им войти в группу лидирующих университетов [9];
• динамика развития всех университетов, вошедших в исследуемую выборку, за период 2004-2012 гг. свидетельствует об устойчивом увеличении количества публикаций согласно Web of Science10. При этом рост количества публикаций сотрудников МГУ им. М. В. Ломоносова и СПбГУ существенно ниже средних значений: данный показатель СПбГУ за 8 лет практически не изменился, а МГУ им. М. В. Ломоносова имеет среднегодовой рост менее 3%, таким образом, для того чтобы хотя бы не отставать от ведущих университетов, нужно «бежать» еще быстрее;
• присутствует общая тенденция сокращения показателя, характеризующего отношение академического штата к числу сту-
10 Коэффициент прироста показателя Papers к 2018 г. в среднем составил 1,28, т. е. порядка 5% за год.
дентов, что, по мнению авторов, обусловлено увеличением количества студентов, обучающихся в ведущих университетах;
• высокие темпы прироста объема поступлений от исследовательской деятельности в расчете на одного преподавателя для университетов 0-го кластера11 (рис. 2) во многом объясняются сравнительно низкими абсолютными значения данного показателя, так как 0-й кластер составляют университеты, занимающие позиции «ниже среднего» по состоянию на 2012 г. В то же время очевидна мировая тенденция на расширение исследовательской деятельности, характерная для группы догоняющих университетов, что необходимо учитывать при формировании планов развития ведущих отечественных университетов, чтобы укрепить свои позиции.
В целом можно говорить о еще одном существенном тренде, который сложился в последние годы, — это процесс увеличения международной кооперации как в создании, так и в передаче знаний, т. е. происходит процесс глобализации в сфере образования [10].
11 Коэффициент прироста Res income/Acad staff для университетов 0-го кластера к 2018 г. составил 1,41.
v_57
Vol. 10. No. 3 (57). 2015
Acad stiff t Stdnt * Qvirill (§1 Acad staff int / Acad staff * Overall @ ОкЮга! de^rte/Ai>d dull' Ovci'l (El
10,050514564711 Cl.265 0,53 |0.11960ВЖ| 0.6Ж И5 0 | 0,688846318J 1.59
Normalized citation impact - country adj... B Pipn^OvnH © Papers int co-author / Papers * Overall ЦЦ
0,38 11,31278955 ¿8 2,98 13106,7800241 11633.255 23133,29 0.07 |0,48143246291 0,39
Res income / Acad staff x Overall to Stdnt mt 1 Stdnt x Overall ® Кластеры loj
ШВ&,
1273366.41161 1667520225 3334514.31 г kiasjsssi I o.E ri й i г Ш i
Рис. 3. Результат кластеризации университетов по данным 2018 г. Fig. 3. The result of clustering of universities based on 2018 data
На рис. 3 приведены результаты кластеризации для данных, полученных на основе прогнозных значений показателей на 2018 г. В данном случае лидирующие университеты сформировали 3-й кластер с высокими показателями публикационной активности, отношения числа присвоенных научных степеней к академическому штату, уровня цитирования публикаций. В 3-й кластер вошло 118 университетов, среди которых большинство также представляют лидирующий кластер (1-й кластер) при группировке на основе фактических данных 2012 г.12 Необходимо отметить, что количество университетов в составе передового кластера в соответствии с оценкой на 2018 г. увеличилось со 107 до 118, в том числе за счет вошедших в него динамично развивающихся в последние годы китайских университетов: Чжэцзянский университет, Шанхайский транспортный (Цзя-отун) университет, Университет Цинхуа в Пекине.
12 Различие между перечнем университетов 3-го
кластера на основе данных 2018 г. и 1-го для данных 2012 г. составляет 5%.
В рамках процедуры кластеризации с использованием описанных выше предпосылок формирования показателей деятельности университетов на 2018 г. МГУ им. М. В. Ломоносова и СПбГУ, характеризующиеся значениями показателей в 2018 г. из табл. 1, были отнесены к 1-му и 0-му кластерам соответственно, которые составляют университеты, занимающие «средние» позиции. Таким образом, в данном случае, в отличие от 1-го варианта, где показатели ведущих мировых университетов предполагались неизменными до 2018 г., значения показателей деятельности МГУ им. М. В. Ломоносова, указанные в программе развития, недостаточны для перемещения в группу лидирующих университетов к 2020 г.
Критерии попадания университетов в 3-й лидирующий кластер самоорганизующейся карты, представленной на рис. 3, могут быть сформированы в результате построения «Дерева решений» на базе широко используемого алгоритма построения деревьев классификации C4.5, разработанного Джоном Квинланом.
Для формализации критериев отнесения университета к тому или иному кластеру
Том 10. № 3 (57). 2015
было построено дерево решений13, содержащее 53 узла, на основе которого сформировано всего 25 правил, из которых 7 правил определяют условия попадания в 3-й кластер и приведены ниже:
1) необходимо очень высокое значение показателя Papers > 6669, т. е. общее количество публикаций авторов, аффилированных с университетом, согласно базе данных научного цитирования Web of Science за год должно быть больше 6669 единиц;
2) необходимо очень высокое значение Normalized citation impact—country adj > 1,43, что определяет требование к высокому качеству публикаций, так как среднее число цитирований на одну публикацию, умноженное на поправочный коэффициент для страны, должно быть значительно выше единицы;
3) необходимо одновременное выполнение следующих условий:
• Papers > 6566 единиц за год;
• Papers int co-author / Papers (доля публикаций в международном соавторстве) > 0,345;
4) необходимо одновременное выполнение следующих условий:
• Papers int co-author/Papers > 0,345;
• Doctoral degree /Acad staff (отношение числа присвоенных научных степеней в университете за год к численности академического штата) > 0,525;
5) необходимо одновременное выполнение следующих условий:
• Papers int co-author/Papers > 0,445;
• Doctoral degree / Acad staff > 0,435;
6) необходимо одновременное выполнение следующих условий:
• Papers int co-author/Papers > 0,445;
• Res income /Acad staff (объем доходов университета от НИОКР в расчете на единицу академического штата) > 366 466 USD;
7) необходимо одновременное выполнение следующих условий:
• Papers int co-author/Papers > 0,345;
13 Выбранные параметры обучения дерева решений позволяют корректно распознать 91% примеров из обучающего множества и 80% — из тестового.
• Doctoral degree /Acad staff > 0,355;
• Papers > 3634 единиц за год.
Наиболее близкими целевыми ориентирами для попадания МГУ им. М. В. Ломоносова в 3-й кластер являются сочетания, представленные в 6-м и 7-м правилах. В соответствии с 6-м правилом МГУ им. М. В. Ломоносова требуется увеличение объема доходов от НИОКР в расчете на единицу академического штата на 50 тыс. долл. относительно плановых показателей на 2018 г. Согласно 7-му правилу единственным показателем, который должен быть увеличен по сравнению со значением, полученным на основе программы развития, является Doctoral degree / Acad staff (отношение числа присвоенных научных степеней за год к численности академического штата), причем необходимо увеличение менее чем на 0,03.
Оценки значений показателей деятельности СПбГУ на 2018 г., приведенные в табл. 1, не позволяют рассчитывать на перемещение СПбГУ в 3-й кластер. В данном случае наиболее близким к целевому значению, указанному во 2-м правиле, является показатель цитируемости публикаций, но и он более чем в полтора раза меньше требуемого значения14.
Заключение
Применение метода кластеризации, опирающегося на построение самоорганизующихся карт Кохонена, и использование предпосылки о неизменных показателях ведущих мировых университетов до 2018 г. позволили получить следующие результаты:
• целевые значения показателей деятельности, указанные в программе развития МГУ им. М. В. Ломоносова на 2018 г., позволили переместиться университету в кластер, сформированный мировыми ли-
14 Оценка показателя СПбГУ Normalized citation impact — country adj на 2018 г. составляет 0,87, в то время как целевое значение для попадания в 3-й кластер — 1,43.
\ 59
Vol. 10. No. 3 (57). 2015
дерами, которые регулярно входят в топ-100 международных рейтингов;
• программа развития СПбГУ в части попадания в топ-100 мировых университетов содержит недостаточные значения показателей деятельности и не включает ряд показателей, оказывающих влияние на итоги формирования международных рейтингов. Следствием указанных причин стало отсутствие существенных изменений позиции СПбГУ при использовании планируемых показателей на 2018 г. в рамках построенных моделей, СПбГУ остается в кластере с университетами, занимающими «средние позиции».
Было предложено усложнение модели кластеризации за счет дополнения ее условием о наличии тенденции к изменению показателей деятельности ведущих мировых университетов, которая может быть аппроксимирована линейной функцией. В рамках описанной модификации модели программы развития МГУ им. М. В. Ломоносова и СПбГУ не позволяют российским университетам претендовать на места в ведущем кластере. Тем не менее на основе модели сформированы следующие рекомендации по совершенствованию показателей деятельности МГУ им. М. В. Ломоносова, которые могут позволить им переместиться в первую сотню мировых университетов:
• увеличение объема доходов от НИОКР в расчете на единицу академического штата на 50 тыс. долл. относительно плановых показателей на 2018 г.;
• увеличение показателя Doctoral degree / Acad staff (отношение числа присвоенных научных степеней за год к численности академического штата) на 0,03.
Сопоставление метода кластеризации на основе карт Кохонена с другими известными подходами к группировке объектов показало его эффективность и широкие возможности применения, в том числе для изучения особенностей развития университетов, которые являются многофункциональными образовательными и научными учреждениями и имеют сложную организационную структуру.
Список литературы
1. 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.
2. Программа развития МГУ им. М. В. Ломоносова. URL: http://www.msu.ru/news/ official/2014/1155-20140626.pdf (дата обращения: 15.11.2014).
3. Программа развития СПбГУ. URL: http://spbu. ru/images/programm. doc (дата обращения: 15.11.2014).
4. База данных по исследованию, оценке и анализу институциональной производительности Incites. URL: http://incites.isiknowledge.com (дата обращения: 14.11.2014).
5. Shin J. Ch, Toutkoushian R. K., Teichler U. (eds.) University Rankings: Theoretical Basis, Methodology and Impacts on Global Higher Education // Springer. 2011. P. 73-75.
6. Паклин Н. Б., Орешков В. И. Бизнес-аналитика: от данных к знаниям (+ СО): учеб. пособие. 2-е изд., перераб. и доп. М.: Питер, 2010.
7. 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.
8. Мелешкин М. И., Забоев М. В. Использование карт Кохонена для оценки конкурентоспособности ведущих российских университетов среди мировых научно-образовательных центров // Управленческое консультирование. 2014. № 10 (70). С. 102-114.
9. Халин В. Г. Финансирование российской высшей школы: состояние и перспективы // Вестник С.-Петерб. ун-та. Сер. 5: Экономика. 2011. Вып. 1. С. 47-53.
10. Кузьминов Я. И. Российская система образования неэффективна. URL: http://www.hse.ru/ news/1163611/63129402.html (дата обращения 21.12.2014).
References
1. Meleshkin M. I. On prospects of Russia's higher education institutions entering the top 100 world leading universities according to the Times Higher Edu-
60
Том 10. № 3 (57). 2015
cation ranking. Economic Analysis theory and practice, 2014, no. 19 (370), pp. 56-62 (in Russian).
2. Programma razvitija MGU im. M. V. Lomonoso-va [Development Programme MSU MV Lomono-sov]. URL: http://www.msu.ru/news/official/2014/ 1155-20140626.pdf (accessed: 15.11.2014).
3. Programma razvitija SPSU [Development Programme SPSU]. URL: http://spbu.ru/images/pro-gramm. doc (accessed: 15.11.2014).
4. Baza dannyh po issledovaniju, ocenke i analizu institucional'nojproizvoditel'nosti Incites [Database of research, evaluation and assessment of institutional performance Incites]. URL: http://incites. isiknowledge.com (accessed: 14.11.2014).
5. Shin J. Ch., Toutkoushian R. K., Teichler U. (eds.) University Rankings: Theoretical Basis, Methodology and Impacts on Global Higher Education — Springer, 2011. pp. 73-75.
6. Paklin N. B.,Oreshkov V. I. Biznes-analitika: ot dannyh kznanijam (+ SD): ucheb. Posobie [Business Intelligence: from data to knowledge (+ CD). 2nd ed]. Moscow, Peter Publ., Rev. and add., 2010 (in Russian).
7. Botwin G. A., Zaboev M. V. Klasterizacija stran po makrojekonomicheskim pokazateljam s ispol'zovaniem apparata iskusstvennyh nejron-nyh setej [Clustering country performance using artificial neural networks]. RISK: resources, information, procurement, competition, 2011, no. 4, pp. 552-556 (in Russian).
8. 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 centres. Management Consulting, 2014, no. 10 (70), pp. 102-114 (in Russian).
9. Halin V. G. Finansirovanie rossijskoj vysshej shkoly: sostojanie i perspektivy [Financing of higher education in Russia: Status and Prospects]. Vestn. of St. Petersburg. Univ. Ser. 5: The Economy, 2011, vol. 1, pp. 47-53 (in Russian).
10. Kuzminov Y. I. Rossijskaja sistema obrazovani-ja nejeffektivna [The Russian education system is ineffective]. URL: http://www.hse.ru/ news/1163611/ 63129402.html (accessed: 21.12.2014).
M. Zaboev, Saint Petersburg State University, Saint Petersburg, Russia, m.zaboev@spbu.ru M. Meleshkin, Saint Petersburg State University, Saint Petersburg, Russia, madx88@gmail.com
Evaluation of the prospects Russian universities to be among the first hundred of the world's leading universities with the use of neural network methods clustering of data1
This article presents the results of research evaluating the positions of the Moscow State University and the Saint Petersburg State University in the world university rankings by 2020, which is based on the use of the neural network methods of clustering. The relevance of the chosen research topic due to implementation of the May 7th, 2012 Presidential Decree N 599 which requires that 5 Russian universities were join the world's leading 100 by 2020. The method of clustering based on the self-organizing Kohonen maps allowed to obtain the following results. The development program of the SPbSU from the point of view of getting into the top 100 world universities has an insufficient value of performance indicators and does not include a number of indicators that affect moving up in the international rankings. The program of the MSU gives some chances to get into the top 100 but it is necessary to fulfil additional recommendations, developed on the base of clustering model, which can improve the performance of MSU. In particular MSU recommended to increase indicator Res income / Acad staff by 50 thousand USD relative to targets, specified in the development program.
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 tree.
About authors: М. Zaboev, PhD in Economics, Associate Professor; M. Meleshkin, Postgraduate For citation: Zaboev M., Meleshkin M. Evaluation of the prospects Russian universities to be among the first hundred of the world's leading universities with the use of neural network methods clustering of data. Prikladnaja informatika — Journal of Applied Informatics, 2015, vol. 10, no. 3 (57), pp. 52-61 (in Russian).
1 This work was supported by a grant SPSU 13.39.329.2014.
v_61
