Диссертация (Математические методы и инструментальные средства многокритериального ранжирования и прогнозирования показателей ведущих университетов в мировых рейтингах), страница 8

В 2009 году компания Thomson Reuters разработалаWeb ofScience (WOS) – аналогично Scopusпубликациямвнаучныхон представляет собой базу данных поизданиях,основнаяразницамеждудвумяконкурирующими базами данных в группировки статей по разделам [14].5Примечание. В базе данных InCites представлена информация по 15 вузам России из 17, для которых стоит цельвойти в топ-100 университетов мира в международном рейтинге.44Одной из особенностей данной базы является использование импакт-факторадля оценки важности журналов.

Данный показатель рассчитывается путемсоотношения цитирования статей, опубликованных за предыдущие три года, иколичество статей, опубликованных данным журналом за этот же период.InCites.Впредставленномнижеисследованиивкачествеисточникастатистической информации используются показатели, взятые из базы данныхInCites, принадлежащей Thomson Reuters, которые служат для формированиямеждународных рейтингов THE WUR, THE SR и частично для ARWU. Доступ кэтимданнымосуществленпосредствамвебинтерфейсасайтаhttp://incites.thomsonreuters.com/.

Также выбор данной базы данных в качествеисточника информации обусловлен тем, что в ней содержится информация повсем университетам, которые являются участниками проекта 5-100.Нормализация данных в InCites. В базе данных InCites информация содержитсяпо 25 российским университетам. Сама база данных хранит информацию по вузам«как есть». При этом надо понимать, что одинаковые количественные значенияодних и тех же показателей для разных вузов могут характеризовать разныевербальныезначениякачественныххарактеристиквуза.Так,например,количество преподавателей в университете 300 человек не дает точногопредставления о том, «большой» это вуз или «маленький».

По этой причинеданная база данных предполагает нормирование исходнойинформации,представленной вузами. Вместо абсолютных значений отдельных показателейвузов используются их нормированные значения, полученные на основешкалирования – перевода абсолютных значений показателей в значенияопределенных шкал.В InCites для перевода численного значения определенного показателя вшкалированное используется функция распределения случайной величины.Функцияраспределениявтеориивероятностей—функция,характеризующая распределение случайной величины или случайного вектора, ипредставляющая собою вероятность того, что случайная величина X приметзначение, меньшее или равное х, где х — произвольное действительное число.45При соблюдении известных условий она полностью определяет случайнуювеличину.Пусть дано вероятностное пространство (Ω, σ, Ρ), гдеΩ—этопроизвольноемножество,элементыкоторогоназываютсяэлементарными событиями, исходами или точками;σ — сигма-алгебра подмножеств Ω, называемых (случайными) событиями;Ρ — вероятностная мера или вероятность, т.е.

сигма-аддитивная конечная мера,такая что (Ω) = 1. На данном вероятностном пространстве определенаслучайная величина X с распределением . Тогда функцией распределенияслучайной величины X называется функция : → [0,1], задаваемая формулой(1.1) [34]: () = ( ≤ ) ≡ ((−∞, ])(1.1)Другими словами, функцией распределения (вероятностей) случайнойвеличины Xназываютфункцию (),значениекоторойвточке равновероятности события { ≤ } – события, состоящего только из тех элементарныхисходов, для которых () ≤ [34].Функция распределения имеет следующие общие свойства:1.() непрерывна справа (1.2):lim→0+ ( + ) = ()(1.2)2. () не убывает на всей числовой прямой.3.

lim→−∞ () = 0lim () = 1→+∞4. Распределение случайной величины однозначно определяет функциюраспределения.Верноиобратное:еслифункция() удовлетворяетчетырёмперечисленным выше свойствам, то существует вероятностное пространство иопределённая на нём случайная величина, такая, что () является её функциейраспределения [71].46В базе данных InCites для перевода численного значения отдельногопоказателя в шкалированное используется функции распределения случайнойвеличины, которая представляет собой рассчитанную для рассматриваемогоуниверситета вероятность того, что другой университет, выбранный случайным,образом будет иметь значение соответствующего показателя по оцениваемомукритерию ниже, чем у данного [8].Так, если значение исследовательского дохода для выбранного учебногозаведения составляет 443 500 650 $ и его балл равен 90, то с вероятностью 90%доходы от исследований случайно выбранного вуза будут меньше, чем443 500 650 $.Нормализация основана на предположении о нормальности распределенияданных.Для расчета баллов используется z-score [63] в соответствии с формулой(1.3):zx,(1.3)где х – заданное значение;  - значение математического ожидания; -стандартное отклонение.

Таким образом, Z-score - является мерой отклонения отсреднего, представленной в единицах стандартного отклонения.Основным преимуществом использования нормирования показателей вInCites является масштабирование данных, что позволяет в конечном итогесравнивать ранее несопоставимые показатели.В качестве примера рассмотрим численность преподавателей в некоторомуниверситете, в котором заданное количество преподавателей равно 100 человек,значение математического ожидания равно 150, а стандартное отклонение равно50. Тогда. исходя из формулы 1.3.z = -1.На рисунке 12 изображено, что при z = -1 значение случайной величины свероятностью 15,9% будет ниже, чем заданное значение 100 преподавателей,значение 15,9 используется InCites в качестве балльной оценки показателя (Score).47Рисунок 12 – Расчет Z – score для произвольного университета с численность 100человекОднако проблема состоит в том, что при работе со статистическойинформацией не все данные на самом деле имеют нормальное распределение.Особенно проблематичными являются критерии, связанные с репутационнойсоставляющей, т.к.

только небольшое количество университетов имеет высокоезначение этого показателя в силу того, что при опросе респондентов зачастую вкачестве лидеров указывается узкая группа университетов. Поэтому длякритериев, связанных с репутацией, InCites использует экспоненциальноераспределение. Данный метод позволяет отобразить сильное различие междувысокими и низкими показателями. Однако надо отметить, что имеет месторазличие подходов к учету значений отдельных показателей для разных вузов,что, как следствие, влияет и на объективность построенных в таком случае оценокконкурентоспособности вузов, определяющих их места в рейтинге.1.4. Модели и методы оценки деятельности университетовПроблемам оценки деятельности университетов посвящено много работзарубежных и отечественных авторов.

Особую актуальность данное направлениеисследований получило, начиная с последнего десятилетия XX века, когдапоследствияглобализациипривеликобострениюконкуренциимежду48университетами по всему миру.Именно поэтому представляет интерес анализ опубликованных в научнойлитературе различных подходов к оценке конкурентоспособности университетов.Обзор статей и научных работ по данной тематике, приведен ниже.Белоусова Е.В., Савченко И.И.

Особенности оценки конкурентоспособностивуза на рынке образовательных услуг.Авторы статьи считают, что для того чтобы проводить повышениеконкурентоспособности необходимо понимать начальный уровень и отслеживатьдинамику изменений за приведенный период времени. Однако,в настоящеевремя не существует единой методики расчета конкурентоспособности вуза.Важна также оценка отдельной образовательной услуги.

Так, методика,предложеннаяА.П.Панкрухинымпредусматриваетоценкуконкурентоспособности вузов по показателю «предлагаемые потребителюучебные программы», и по показателям, характеризующих в общем положениеобразовательного учреждения [49].Вместе с тем предложенная автором методика имеет два основныхнедостатка: не включает такие показатели, характеризующие обучение, кактрудоустройство, уровень заработной платы работника и не описывает характериспользуемыхпоказателей(например,высокаяценаобучения-этопреимущество или недостаток).«Недостатком существующих методик оценки конкурентоспособностиобразовательного учреждения следует считать и то, что отсутствует достаточночеткая и обоснованная система факторов, определяющих, с одной стороны,конкурентоспособность отдельных образовательных услуг, а с другой – учебногозаведения в целом.

Данное обстоятельство снижает результативность разработкии реализации конкурентной стратегии образовательного учреждения, посколькууспех в конкурентной борьбе во многом зависит от эффективного управленияфакторами конкурентоспособности» [11].Таким образом, методика оценки конкурентоспособности, предлагаемаяавторами статьи Белоусовой Е.В. и Савченко И.И. основана на факторном49анализе и позволяет определить как наиболее существенные общие факторыконкурентоспособности вуза и его услуг, так и их весовые коэффициенты.Sarah S. Amsler, Chris Bolsmann. University ranking as social exclusionВ данной статье излагается история развития университетских рейтингов.История университетских рейтингов берет начало с конца 19 века, когда в СШАстали появляться сводки статистических данных, характеризующих колледжи иуниверситеты.