CC BY
208
ОБСУЖДАЕМ ПРОБЛЕМУ
А.Я. САВЕЛЬЕВ, профессор Федеральный институт развития образования
Прогнозирование развития системы образования в условиях нестабильности (кризиса)
В статье представлены методологические подходы к прогнозированию кадровых потребностей, описан процесс разработки прогностических моделей, выделены факторы, влияющие на прогнозные оценки, дается представление о методике долгосрочного прогнозирования развития системы профессионального образования. Особо подчеркивается важность анализа демографических тенденций для оценки структурных сдвигов в профессиональном образовании.
Ключевые слова: кадровый прогноз, прогностическая модель, прогнозная оценка, балансовое прогнозирование, демографический фактор.
В отечественной и зарубежной литературе накоплен определенный опыт методологического и методического обеспечения прогнозирования развития системы профессионального образования и спроса на подготовку специалистов.
В США разработкой кадровых прогнозов занимается Бюро статистики труда. Прогнозы с горизонтом 10-15 лет уточняются каждые два года и являются частью среднесрочной программы управления экономическим ростом и занятостью. Во Франции кадровое прогнозирование осуществляется в режиме «пятилетних планов». Интересна эволюция методических подходов, используемых Комиссией по рабочей силе в этой стране. В 60-е гг. прошлого столетия использовались исключительно экстраполяционные методики с фрагментарным применением сценарных вариантов в отдельных, особенно динамичных, отраслях производства. В 70-е гг., как правило, использовалась материально-финансовая модель. В конце XX в. эта модель была заменена на динамическую многоотраслевую эконометрическую модель среднесрочного развития экономики, представляющую собой последовательную цепь годовых балансов, связанных друг с другом (по 11 отраслям экономики). В последние годы во Франции активно пересматривается сама
концепция потребности в рабочей силе в ее традиционном применении. Исследователи полагают, что в современных структурах занятости имеются очень большие вариации в зависимости от различных переменных, характеризующих деятельность предприятий. Так, на предприятиях, равных по техническому уровню, структура занятости (даже при производстве однородной продукции) имеет большие различия.
Для зарубежной методологии характерно многообразие подходов к прогнозированию спроса на рабочую силу. При этом общим для большинства исследований остается дифференциация методологии относительно национального, регионального, локального и отраслевого уровней, выделение компонентов совокупной занятости и учет специфики их изменений.
Зарубежные исследователи используют сочетание экспертных, статистических и математических методов, с помощью которых оценивается место каждой отрасли экономики в совокупной занятости в стране. В соответствии с главными параметрами развития на основе динамической модели отраслевого баланса и с учетом сводного планового баланса трудовых ресурсов рассчитывается кадровая потребность. В западной экономической науке, судя по публикациям, широко используется также
метод построения инверсионных функций занятости, основанный на зависимости между объемами выпуска продукции какой-либо отрасли экономики и объемами необходимых для этого ресурсов (в том числе трудовых). Для решения этой задачи необходимо иметь достаточно устойчивую динамику как объемов выпуска продукции, так и занятости. Однако в условиях неопределенности российских рынков такая возможность у исследователей, как правило, отсутствует.
В России в конце 1990-х гг. Госкомстатом России и Министерством труда и социального развития России было проведено несколько серий выборочных обследований предприятий в рамках Всероссийского мониторинга социально-трудовой сферы на федеральном уровне. В результате этих обследований были получены отдельные выводы, относящиеся к российскому рынку труда: динамика принятых рабочих и вакантных мест на предприятиях отдельных отраслей экономики, рост (сокращение) контингента предприятий и т. д. Однако в региональном разрезе тенденции на рынках труда не выявлялись.
Системные исследования в области методологических основ макроэкономического прогнозирования развития профессионального образования в Российской Федерации с начала 1990-х гг. проводились в Научно-исследовательском институте высшего образования (НИИВО). Научным коллективом под руководством автора данной статьи разработаны основные принципы формирования информационно-нормативной базы прогнозирования, экономикоматематического и программного обеспечения многофакторного моделирования потребности (спроса) в специалистах.
Следует отметить, что в современной России подавляющее большинство прикладных исследований рынка труда ориентировано на изучение квалификационных требований к той или иной профессии, т.е. они касаются заказа работодателей на качество профессионального образования. Кадровые
потребности развития региональной экономики в количественном аспекте и в разрезе профессий и специальностей подготовки в системе профобразования редко становятся предметом исследования.
Значительный опыт разработки среднесрочных прогнозов кадровых потребностей территорий накоплен в Петрозаводском государственном университете. Группой исследователей под руководством профессора В.А. Гуртова в 2000 г. проведен научно обоснованный анализ потребностей рынка труда, рассчитаны потребности в подготовке специалистов с высшим образованием для 18 отраслей экономики Республики Карелия.
Еще одним возможным направлением исследования профессиональных квалификационных характеристик рынка труда является анализ данных Федеральной государственной службы занятости населения (ФГСЗН) о структуре незаполненных вакансий и составе зарегистрированных безработных в разрезе профессий и специальностей. Поскольку службы занятости располагают не всеми вакансиями (по оценкам специалистов - лишь каждой шестой), и, как правило, это только низкооплачиваемые и «непрестижные» вакансии, эти данные должны быть дополнены информацией рекрутинговых агентств, которые в первую очередь работают со специалистами высокого и среднего уровня. Такой анализ был проведен исследователями Государственного университета - Высшая школа экономики под руководством Т. Клячко, однако касался он только данных, представленных московскими и петербургскими рекрутинговыми агентствами.
Методологические подходы
Параллельно с этим ведется разработка методов прогнозирования развития системы профессионального образования страны. Выделим используемые в этой области методологические подходы.
1. Расчетный, нормативный. Базируется на исчислении необходимых трудовых
ресурсов исходя из норм выработки, производительности труда на конкретных рабочих местах. В случае внедрения комплексов новой техники и технологии эти расчеты производятся по проектам эксплуатационной документации. Этот подход наиболее приемлем при прогнозировании потребностей в специалистах для отраслей социальной сферы и сферы услуг. Главным условием, обеспечивающим возможность использования данного подхода, является принципиальное нормирование работ на основе задаваемых общих объемов предоставляемых услуг и их единичных объемов по отношению к одному специалисту (норматив нагрузки). Очевидно, что рассматриваемый подход в полной мере относится лишь к бюджетному сектору, где применяются директивно установленные нормативы. В коммерческом секторе потребность в специалистах определяется платежеспособным спросом населения на соответствующие услуги.
2. Нормативный + динамический + экспертные оценки. Основывается на анализе тенденций изменения насыщенности специалистами отраслей экономики, реализуется в виде расчета доли специалистов различного уровня образования в общей численности работающих. Целесообразен для отраслей материального производства, где нормативный подход (особенно в условиях рынка) затруднен. При этом расчеты оправданно проводить раздельно по каждой отрасли экономики. По оценкам специалистов, определить значение коэффициента насыщенности можно либо путем экстраполяции, либо на основании аналога.
3. Программы развития + опросный. Строится на оценкахтенденций изменения интегрированных экономических показателей, базируется на использовании следующих документов:
• прогнозы по отраслям экономики;
• региональные и отраслевые программы и прогнозы развития отраслей материального производства;
• региональные и отраслевые про-
граммы конверсии оборонных предприятий;
• данные наиболее крупных предприятий - потребителей специалистов;
• программы развития деятельности предприятий и организаций системы жизнеобеспечения (энергетика, транспорт и т. д.);
• программы и прогнозы служб занятости о предполагаемом высвобождении работников на предприятиях и в организациях;
• программы приватизации и развития малого бизнеса.
Из указанных источников информации отбираются обобщенные экономические показатели, органически коррелирующие с показателями численности специалистов (стоимостной объем произведенной в течение года продукции в целом и в расчете на одного специалиста; объем выплаченной заработной платы в целом и в расчете на одного специалиста и т. д.). Определение значения этих показателей в перспективе осуществляется методами экстраполяции, моделирования, экспертных оценок или различных их сочетаний.
4. Динамический подход, поиск тенденций. Опирается на анализ тенденций изменений технико-экономических показателей, использует многофакторные экономико-математические модели (корреляционно-регрессионный анализ). Моделирование производится на основе создания информационно-нормативной базы данных по технико-экономическим, демографическим и нормативно-справочным показателям.
Сущность прогноза сводится к определению движения занятости специалистов в зависимости от изменения этих показателей. Поскольку рассматриваемый подход основан на корреляции кадровых структур с основными технико-экономическими показателями в ретроспективе и прогнозировании состояния этих структур на перспективу, осуществляется решение обратной задачи (от технико-экономических показателей к кадровой структуре). Очевидно, что
при этом возможны искажения, связанные со сложившимися деформациями в кадровом составе (избыток рабочих мест, скрытая безработица и т. д.).
Регрессионный анализ отобранных показателей позволяет строить корреляционно-регрессионную модель потребности в специалистах, которая используется для оценки на интервале прогнозирования с учетом ожидаемых значений технико-экономических показателей в прогнозируемом периоде.
Лишь сравнительно недавно интеллектуальный анализ данных с целью извлечения знаний (Data Mining) стал мультидис-циплинарным научным направлением, возникшим и развивающимся на базе достижений прикладной статистики, методов искусственного интеллекта, теории баз данных. Традиционная математическая статистика, долгое время претендовавшая на роль основного инструмента анализа данных, перестала удовлетворять требованиям содержательности результатов обработки в условиях неограниченных объемов информации, сложнейших скрытых причинно-следственных отношений между отдельными содержательными ее компонентами. Методы математической статистики оказались полезными в основном для проверки заранее сформулированных гипотез и первичного анализа, составляющего основу оперативной аналитической обработки данных (технология Online Analytical Processing - OLAP).
Примерами успешного применения методов интеллектуального анализа в различных предметных областях могут служить прогнозирование фьючерсных котировок и оперативный мониторинг атомных станций.
5. Расчетный, норматив по аналогии с другими странами. Применяется в основном как метод эталонного образца (например, международных сопоставлений). Очевидно, что существуют определенные социально-экономические процессы, характерные в той или иной мере для всех экономик.
Для примера можно выделить такие макроэкономические изменения в структуре занятости, которые происходили в те или иные периоды во всех странах с рыночной экономикой (особенно в периоды кризиса):
• перераспределение занятости из отраслей материального производства в сферу услуг;
• профессионализация посреднических функций;
• переход от индустриального типа занятости к информационному и др.
Вместе с тем, по оценкам специалистов, для российской экономики метод эталонного образца не всегда применим, поскольку он ориентирован на позитивную экономическую динамику (одновременный рост ВВП и доли занятых в сфере услуг).
Организация процесса прогнозирования
При разработке прогностических моделей можно идти двумя следующими взаимодополняющими путями.
- Первый: попытаться вскрыть причинно-следственные механизмы, т.е. найти факторы, определяющие поведение прогнозируемого показателя, прогноз по которым либо известен, либо его можно относительно легко найти. Этот путь собственно математического моделирования, путь построения эконометрической модели поведения социально-экономического объекта.
- Второй: не вдаваясь в «причинную механику» изменения показателей, попытаться предсказать будущее, анализируя имеющийся временной ряд относительно изолированных показателей.
В процессе разработки математических моделей выделяется 6 этапов.
1. Постановка проблемы и ее качественный анализ. На этом этапе требуется сформулировать суть проблемы, принимаемые предпосылки и допущения. Необходимо выделить важнейшие черты и свойства моделируемого объекта, изучить его
структуру и взаимосвязь его элементов, хотя бы предварительно сформулировать гипотезы, объясняющие поведение и развитие объекта.
2. Конструирование математической модели. Это этап формализации проблемы, т.е. выражения ее в виде конкретных математических зависимостей (функций, уравнений, неравенств и др.). Сначала определяется тип математической модели, изучаются возможности ее применения в данной задаче, уточняются конкретный перечень переменных и параметров и форма связей. Для некоторых сложных объектов целесообразно строить несколько разноаспектных моделей, при этом каждая модель выделяет лишь некоторые стороны объекта, другие же учитываются лишь приближенно. Однако возможна и такая ситуация, когда формализация проблемы приводит к неизвестной ранее математической структуре.
3. Логико-математический анализ модели. На этом этапе выявляются общие свойства модели и ее решений. При аналитическом исследовании выясняется, единственно ли решение, какие переменные могут входить в решение, в каких пределах они изменяются, каковы тенденции их изменения и т. д. Когда модели сложных экономических объектов не поддаются аналитическому исследованию, переходят к численным методам исследования.
4. Подготовка исходной информации. В социально-экономических задачах это, как правило, наиболее трудоемкий этап. Дело в том, что математическое моделирование предъявляет жесткие требования к системе информации; при этом надо принимать во внимание не только принципиальную возможность подготовки информации требуемого качества, но и затраты на подготовку информационных массивов.
5. Численное решение. Этот этап включает разработку алгоритмов численного решения задачи, подготовку программ на ЭВМ и непосредственное проведение расчетов. Значительные трудности выполне-
ния этого этапа вызваны большой размерностью социально-экономических задач. Обычно расчеты на основе экономико-математической модели носят многовариантный характер.
6. Анализ численных результатов и их интерпретация. На этом этапе решается важнейший вопрос - о правильности и полноте результатов моделирования и применимости их в практических целях.
Перечисленные этапы тесно переплетены и в реальности выполняются итеративно.
Факторы, влияющие на процесс прогнозирования
Спрос, или потребность в специалистах отраслей экономики, формируется под воздействием ряда факторов, выражающих основные условия и процессы функционирующей экономики и ее отраслей.
К наиболее значимым факторам относятся:
- изменение объемов производства и структуры отраслей экономики;
- изменение стоимости основных производственных фондов;
- размеры инвестиций;
- изменение структуры занятости по отраслям экономики;
- демографическая ситуация.
В целях практического использования для определения размеров и структуры спроса специалистов рассмотренные факторы могут быть охарактеризованы показателями, имеющими количественную определенность, а также разную степень значимости и направленности воздействия на спрос, которые зависят от конкретного состояния экономики и отдельных ее отраслей, от совокупного действия отдельных групп факторов, таких как:
■ валовой региональный внутренний продукт;
■ характеристики производительности труда в промышленности;
■ стоимость основных производственных фондов (фондовооруженность);
■ объемы инвестиций;
■ объемы капитальных вложений;
■ рождаемость;
■ выпуски учащихся из9-хи11-х классов;
■ прием в учебные заведения профессионального образования;
■ контингенты студентов вузов;
■ выпуск специалистов в разрезе регионов и укрупненных групп специальностей;
■ структура занятости;
■ численность экономически активного населения;
■ численность безработных;
■ спрос на специалистов в разрезе регионов и укрупненных групп специальностей.
Следовательно, первоочередной задачей является отбор из всей совокупности показателей, выбранных на начальном этапе для многофакторного анализа, тех, которые наиболее существенно влияют на потребность в специалистах. Эта задача решается с использованием корреляционного анализа.
По его результатам на первом этапе исключаются из рассмотрения показатели, слабо зависящие от результативного признака. На следующем этапе анализируются коэффициенты парной корреляции показателей. Из двух показателей, которые находятся друг с другом в значительной корреляционной зависимости, исключается один. Например, выполнявшиеся на основе аналога данной методики расчеты выявили, что в ситуации, когда численность занятого населения из года в год изменялась незначительно, показатель «валовой внутренний продукт » находится в сильной зависимости от показателя «производительность труда», что давало основание вместо этих двух показателей использовать для дальнейших расчетов один - «валовой внутренний продукт». Из рассмотрения исключаются также не изменяющиеся во времени показатели.
В соответствии с поставленной задачей логический анализ позволяет сформулиро-
вать, наряду с общепринятыми и очевидными требованиями (репрезентативность, аддитивность, однозначность, сопоставимость и т. д.), определенные специфические требования к выбранным показателям, например, возможность получения данных.
Выбранные показатели должны учитывать сложность и многообразие процессов, характеризующих экономическую эффективность производства в условиях формирующейся рыночной экономики, и отражать уровень внедрения достижений научно-технического прогресса.
Исходной предпосылкой, положенной в основу моделирования, является наличие взаимосвязи между результативным признаком и макроэкономическими показателями развития. Например, между размером ежегодной дополнительной потребности в специалистах и индексом объема валового внутреннего продукта существует объективная взаимозависимость.
Активность инвестиционной политики прямо выражается, во-первых, в расширении рабочих мест, а во-вторых и главным образом, в техническом и технологическом переоснащении производства, в создании технически прогрессивных рабочих мест, что также связано с использованием высококвалифицированных кадров по новым приоритетным направлениям.
Если прогнозируется показатель потребности в специалистах с высшим образованием, то введенные переменные могут быть интерпретированы, например, следующим образом:
- показатель потребности в специалистах в ьм году;
Хп - индекс валового внутреннего продукта (ВВП);
Хг2 - индекс ВВП на одного работника;
Xг3 - индекс производительности труда;
Хн - индекс фондовооруженности труда;
Xj5 - индекс капитальных вложений и т. д.
Решение основной задачи прогнозирования проводится в четыре этапа.
I. С помощью корреляционного анализа определяется наличие корреляционной связи между показателями, формируется матрица коэффициентов парной корреляции и на этой основе проводится анализ взаимозависимости показателей.
II. Проводится регрессионный анализ отобранных показателей, и на этой основе строится корреляционно-регрессионная модель потребности в специалистах.
III. Рассчитывается коэффициент множественной корреляции.
IV. Производится верификация прогноза.
Система прогнозирования базируется на расчетных коэффициентах регрессии и тенденции их изменения во времени и включает три основных блока:
1) блок системы уравнений регрессии
2) блок прогнозирования коэффициентов регрессии
3) блок прогнозирования потребности в специалистах
о а"1 N + а51 х1 + а52 Х2 +. . + а5 х 5 п п
У6 _ або + абі х1 + аб2 Х2 +. . + а6 х 6п п
У7 _ а70 + а71 х1 + а72 х2 +. . + а7 х 7 п п
У8 _ а80 + а81 Х1 + а%г х2 +. . + а8 х 8п п
Уд = а90 + а91 х1 + а 92 х2 +. . + а9п хп
При балансовом прогнозировании развития региональных образовательных сис-
тем необходимо иметь возможность анализировать различные сценарии целенаправленного развития системы образования. Среди них можно выделить пять основных сценариев:
a) пропорциональное развитие существующих образовательных учреждений и специальностей подготовки;
b) развитие с целью удовлетворения потребности личности в образовании (по конкурсу на вступительных экзаменах);
c) развитие на основе оплаты студентами образовательных услуг (длявыжива-емости в условиях рынка);
d) развитие на основе удовлетворения текущей потребности экономики и рынка труда (по текущей занятости);
e) движение к структуре системы образования в странах (регионах) с эффективной рыночной экономикой, близких по территории и структуре экономики (по аналогии).
Для уточнения прогнозов специалистами НИИВО были использованы:
1) база данных рождаемости в регионах России;
2) данные государственной статистики за исследуемые годы по следующим показателям:
- количество выпускников из 9-х классов;
- число поступивших в 10-й класс;
- число поступивших в профессиональные училища после окончания 9-ти классов;
- число поступивших в средние специальные учебные заведения после окончания 9-ти классов;
- количество выпускников из 11-х классов;
- число поступивших в профессиональные училища (ПУ) после окончания 11 -ти классов;
- число поступивших в средние специальные учебные заведения (ссузы) после окончания 11-ти классов;
- число поступивших в высшие учебные заведения (вузы) после окончания 11 -ти классов.
Основная цель прогнозирования контингента учащихся системы профессионального образования - уточнение параметров потоков учащихся по уровням образования в соответствии с потребностями экономики в специалистах различного уровня подготовки и с учетом социальных и демографических факторов и личностных потребностей населения в образовании.
Развитие информационно-справочной системы, обеспечивающей моделирование движения потоков учащейся молодежи по уровням подготовки в региональных образовательных системах и в системе образования РФ в целом, целесообразно вести эволюционным путем. Система последовательно пополняется моделями следующих видов:
• выпускники школ прежних лет;
• выпускники школ соседних областей (республик);
• выпускники образовательных учреждений начального и среднего профессионального образования;
• выпускники образовательных учреждений среднего и высшего профессионального образования (для получения второго высшего образования);
• миграция выпускников школ текущего года из региона в федеральные образовательные мегаполисы (Москву и Санкт-Петербург);
• миграция выпускников школ текущего года из региона в соседние области (республики).
Расчет показателей ведется с помощью электронных таблиц на основе данных, выбираемых из общей базы статистических данных. Общая схема модельного эксперимента включает 4 этапа.
На первом этапе конструируется модель, замещающая в некотором смысле оригинал. Может быть построено несколько моделей, отражающих определенные стороны исследуемого объекта или характеризующих его с разной степенью детализации.
На втором этапе проводятся модель-
ные эксперименты, в ходе которых целенаправленно изменяются условия функционирования модели и систематизируются характеристики ее поведения. Конечным результатом этого этапа является совокупность знаний о модели в отношении существенных сторон объекта-оригинала, которые отражены в данной модели.
Третий этап заключается в переносе знаний с модели на оригинал, в формировании знаний об исходном объекте на языке оригинала. С достаточным основанием переносить какой-либо результат с модели на оригинал можно лишь в том случае, если этот результат соответствует признакам сходства оригинала и модели (признакам адекватности).
На четвертом этапе полученные с помощью модели знания используются как для построения обобщающей теории реального объекта, таки для его целенаправленного преобразования или управления им.
В реальной жизни моделирование имеет циклический характер (за первым четырехэтапным циклом может последовать второй, третий и т. д.). При этом знания об исследуемом объекте расширяются и уточняются, а первоначально построенная модель постепенно совершенствуется. Таким образом, в методологии моделирования заложены большие возможности самосовершенствования.
Особые проблемы в прогностике возникают при столкновении с принципиально новыми качественными системными изменениями, не подкрепленными статистическими рядами. В обоих случаях гипотезы, опирающиеся на ретроспективу, могут оказаться бесполезными. При таком варианте целесообразны адаптивные методы прогнозирования как альтернатива статистическому обоснованию модели.
Методология построения информационно-аналитической системы балансового прогнозирования базируется на модели системы многоуровневого управления и целенаправленного регулирования. При реализации такой модели предполагается учет
основных макропоказателеи социальноэкономического состояния страны, законов, регламентирующих процессы развития системы образования и возможных вариантов управляющих воздействий, корректирующих реализацию планов, а также возможных вариантов коррекции глобальных целей образовательной деятельности.
Прогнозирование развития системы высшего образования
Роль российского высшего образования в развитии интеллектуального, культурнообразовательного, профессионально-трудового потенциала общества требует всестороннего учета факторов, сопутствующих развитию экономики страны и её социальной сферы. Среди наиболее важных факторов, определяющих значимые в ближайшей перспективе структурные сдвиги в профессиональном образовании России, следует назвать фактор демографического кризиса, и прежде всего - снижение рождаемости. Как известно, аналогичная демографическая тенденция наблюдается ныне в большинстве развитых стран. Однако по сравнению с ними в нашей стране спад рождаемости носит без всякого преувеличения катастрофический характер (рис. 1).
Одним из очевидных следствий указанной тенденции становится прогнозируемое снижение количества выпускников общеобразовательной школы и уже проявляющиеся в связи с этим трудности комплектования контингентов учреждений профессионального образования. Особенно актуален учет демографического фактора для планирования развития высшего образования в ближайший период (2010-2020 гг.). При этом необходимо особо подчеркнуть важность анализа демографических тенденций не только по России в целом, но и по отдельным ее регионам, в которых ситуация может заметно отличаться от усредненной, причем в разные периоды по-разному. Так, например, если в Карелии до конца 1980-х гг. рождаемость устойчиво превышала среднероссийскую, а смертность столь же устойчиво сохранялась ниже средней,то в первой половине 1990-х гг. ситуация изменилась на прямо противоположную (рис. 2).
В 2003-2005 гг. в НИИВО по поручению Правительства РФ была разработана методика долгосрочного прогнозирования численности учащихся школ и студентов учреждений профессионального
Рис. 1. Показатели рождаемости в ряде стран мира
Рис. 2. Показатели рождаемости и смертности в России
образования на основе созданной для этой цели информационно-справочной системы.
При составлении прогнозов использовались следующие материалы государственной статистики:
1) данные о рождаемости в регионах России за 1985-2004 гг.;
2) данные за 1999-2004 гг. по следующим показателям:
- количество выпускников 9-х классов;
- число поступивших в 10-й класс;
- число поступивших в профессиональные училища после окончания 9-ти классов;
- число поступивших в средние специальные учебные заведения после окончания 9-ти классов;
- количество выпускников 11-х классов;
- число поступивших в профессиональные училища после окончания 11-ти классов;
- число поступивших в средние специальные учебные заведения после окончания 11 -ти классов;
- число поступивших в высшие учебные заведения после окончания 11-ти классов.
Дальнейшее развитие информационносправочной системы, обеспечивающей моделирование движения потоков учащейся молодежи по уровням подготовки в региональных образовательных системах и в системе образования РФ в целом, целесообразно вести эволюционным путем. Система может последовательно дополняться моделями шести видов:
• выпускники школ прежних лет;
• выпускники школ соседних областей (республик);
• выпускники образовательных учреждений начального и среднего профессионального образования;
• выпускники учреждений среднего и высшего профессионального образования (для получения второго высшего образования);
• миграция выпускников школ текущего года из данного региона в федеральные образовательные мегаполисы (Москву и Санкт-Петербург);
• миграция выпускников школ теку-
Рис. 3. Контингенты учащихся различных возрастов (данные и прогнозные оценки до 2016 г.)
Прогноз численности и распределения выпускников 9-х классов общеобразовательных школ на 2010-2020 гг.
Таблица 1
Выпуск из 9-х классов В 10-й класс В учреждения НПО В учреждения СПО Остальные
Год тыс. тыс. | % тыс. | % тыс. | % тыс. | %
Российская Федерация
2010 1280 864 67,5 213 17 149 12 54 4
2012 1182 798 67,5 197 17 138 12 50 4
2014 1140 769 67,5 204 18 143 12 24 2
2016 1257 849 67,5 225 18 158 12 26 2
2018 1386 936 67,5 248 18 174 12 29 2
2020 1386 936 67,5 248 18 174 12 29 2
Центральный федеральный округ
2010 303 166 55 54 18 41 14 41 14
2012 279 148 53 50 18 38 14 44 16
2014 274 143 52 52 19 39 14 40 14
2016 299 152 51 57 19 43 15 47 16
2018 332 170 51 63 19 48 15 51 15
2020 332 170 51 63 19 48 15 51 15
Московская область
2010 51 12 23 8 16 7 13 25 48
2012 48 10 21 8 16 6 13 24 50
2014 48 10 20 8 17 6 13 24 50
2016 55 10 19 9 16 7 13 29 52
2018 63 12 19 10 15 8 12 33 53
2020 63 12 19 10 15 8 12 33 53
Москва
2010 67 12 17 11 16 11 16 34 51
2012 65 10 16 10 15 10 15 36 55
2014 65 10 15 10 15 10 16 35 54
2016 74 10 14 11 15 11 15 41 56
2018 84 12 14 12 14 12 15 48 57
2020 84 12 14 12 14 12 15 48 57
Таблица 2
Прогноз численности и распределения выпускников 11-х классов общеобразовательных школ на 2010-2020 гг.
Выпуск из 11-х классов В учреждения НПО В учреждения СПО В учреждения ВПО Остальные
Год тыс. тыс. I % тыс. I % тыс. I % тыс. | %
Российская Федерация
2010 810 89 11 178 22 469 58 73 9
2012 801 88 11 176 22 464 58 72 9
2014 740 81 11 161 22 424 57 73 9
2016 713 77 11 156 22 409 57 72 10
2018 787 84 11 172 22 451 57 79 10
2020 867 93 11 189 22 497 57 88 10
Центральный ( Федеральный округ
2010 192 16 8 38 20 131 68 7 3
2012 193 16 8 38 20 130 67 10 5
2014 181 15 8 35 19 120 66 12 6
2016 174 14 8 33 19 115 66 12 7
2018 191 15 8 37 19 126 66 13 7
2020 212 17 8 40 19 139 66 15 7
Московская область
2010 30 1 3 4 13 12 38 14 45
2012 31 1 3 4 13 11 37 15 47
2014 29 1 3 4 12 10 36 14 48
2016 29 1 3 3 12 10 35 15 50
2018 33 1 3 4 11 11 33 18 52
2020 38 1 3 4 11 12 32 20 53
Москва
2010 41 3 7 6 14 67 164 -35 -84
2012 46 3 6 6 12 67 146 -29 -64
2014 45 3 6 5 12 61 137 -24 -54
2016 44 2 5 5 11 59 133 -22 -50
2018 50 3 5 6 11 65 129 -23 -46
2020 58 3 5 6 11 72 124 -23 -40
щего года из данного региона в соседние области (республики).
Как видно из рис. 1 и 2, за период с 1987 по 1997 гг. рождаемость в России снизилась в 2 раза, что привело к снижению приема в первые классы школ в период с 1998 по 2005 г., а это, в свою очередь, вызывает уменьшение численности выпускников общеобразовательных школ в период с 2005 по 2016 гг. Фактические данные и прогнозные оценки до 2016 г., сделанные в 2005 г., сведены в графики на рис. 3. Следует отметить, что снижение приема в первые классы не в полной мере соответствует снижению рождаемости - численность принятых в первый класс в ряде случаев оказывается больше, чем родившихся в соответствующем году. Это можно объяснить переходом к обучению в школах с шестилетнего возраста, длительнос-
тью этого перехода и миграционными процессами.
Созданная методика позволяет проводить прогнозные расчёты как по стране в целом, так и по федеральным округам, а также по региональным образовательным системам. В табл. 1 и 2 приведены результаты расчётов на 2010-2020 гг. по Российской Федерации, Центральному федеральному округу, Московской области и Москве, иллюстрирующие значительные различия между ними.
Как видно из рис. 3 и табл. 1 и 2, серьезные проблемы с приемом учащихся в систему профессионального образования обозначились и продолжают усугубляться уже несколько лет, а начиная с 2010 г., хотя и ожидается относительная стабилизация, но на весьма низком уровне - на 40-50% меньше по сравнению с началом 2000-х гг.
При этом следует учесть, что такой резко уменьшенный контингент поступающих в вузы и ссузы сохранится на длительный период - по крайней мере до 2020 г. Если не предпринимать никаких мер, то на системе профессионального образования весьма болезненно скажутся не только трудности с набором абитуриентов, но и соответствующие проблемы с профессорско-преподавательским персоналом.
Литература
♦ Савельев А.Я., Зуев В.М., Галаган А.И., Джалалов С., Иоселевич В.А. Методика прогнозирования и оценки состояния системы высшего и среднего профессионального образования. М.: НИИВО, 1997.
♦ Савельев А.Я., Лобанов Ю.И. и др. Про-
блемы прогнозирования спроса на специалистов и формирования контингента учащихся системы профессионального образования. - М.: НИИВО, 2004. 58 с.
♦ Савельев А.Я. Организационные и мето-
дические основы создания и функционирования государственной системы содействия трудоустройству и занятости выпускников учреждений профессионального образования. М.: НИИВО, 2004. 40 с.
♦ Гуртов В.А., Питухин Е.А., Суровов М.В.
Моделирование потоков выпускников школ по регионам Российской Федерации на период до 2012 года // Фундаментальные и прикладные проблемы приборостроения, информатики, экономики и права: Труды VI международной научно-практической конференции. М., 2003. С. 50.
♦ Васильев В.Н., ГуртовВ.А., ПитухинЕ.А.
Формализация математической модели прогнозирования потребностей региональных экономик в специалистах с профессиональным образованием // Спрос и предложение на рынке труда и рынке образовательных услуг в регионах России: Сб. докладов по материалам Всероссийской научно-практической Интернет-конференции с международным участием. Кн. I, Петрозаводск, 2004.
SAVELIEV A. FORECASTING OF HIGHER EDUCATION DEVELOPMENT IN THE CRISIS SITUATION
The article presents the methodological approaches to forecasting personnel needs, describes the process of predictive models development, shows the factors to be considered in predictive estimates. The method of long-term forecasting of higher education development is viewed. The importance of demographic factors for evaluation of the structure shift in vocational education is emphasized.
Keywords: forecasting staffing needs, predictive model, predictive estimate, demographic factor.
Е.С. ГРИЦЕНКО, профессор А.Н. ШАМОВ, профессор К.В. АЛЕКСАНДРОВ, ассистент Нижегородский государственный лингвистический университет
Системный подход к информатизации иноязычного образования
Статья посвящена вопросам модернизации иноязычного образования на основе системного подхода к разработке информационной среды, интенсифицирующей процесс формирования коммуникативной компетенции обучающихся. Рассматриваются общие принципы информатизации процесса обучения иностранному языку на трех уровнях (методико-технологическом, системно-интеграционном и концептуальностратегическом), реализация которых позволит создать универсальную образова-
