Автореферат (1151116), страница 4
Текст из файла (страница 4)
Создан метод оценки глобальной конкурентоспособности и многокритериального ранжирования ведущих университетов, основанный наприменении искусственных нейронных сетей и самоорганизующихся картКохонена.На основе полученных значений ключевых показателей деятельности глобально конкурентоспособных университетов и при помощи инструментальногосредства аналитической платформы Deductor была построена ИНС на основе самоорганизующихся карт Кохонена. Построенная ИНС с использованием аналитических и экспериментальных подходов позволила подтвердить выбор 8 показателей из Таблицы 2 в качестве входных переменных. Именно с этими показателямиудалось получить кластер, содержащий все глобально конкурентоспособные университеты, которые одновременно входят в сто лучших университетов рейтинговARWU, THE WUR, QS в 2014/15 году.На рисунке 1 приведены результаты кластеризации по ведущим университетам мира, представленные в виде карт Кохонена.
Слева направо по строке располагаются последовательно 8 карт, которые соответствуют 8 показателям изТаблицы 2. На 9 карте (нижняя правая) отображено разбиение университетов накластеры.18Рисунок 1 – Результат кластеризации университетов по ключевым показателямдеятельности за 2012 годНа нижнем правом рисунке представлена карта Кохонена с итоговыми кластерами.
Каждому из сформированных кластеров можно дать обобщенное описание. 1-й кластер – университеты мировые лидеры. В 1-ый кластер вошло 107университетов, которые имеют очень высокие показатели по публикационной активности. 2-й кластер состоит из ведущих университетов, которые характеризуютсявысокими показателями международной деятельности. В данный кластер вошло83 университета. 3-й кластер – ведущие университеты, занимающие «выше среднего» позиции. Всего в указанные кластеры вошло 189 университета.В 3 кластер вошли такие ведущие университеты, как (расположены в алфавитном порядке): МГУ им. М.В.
Ломоносова, МФТИ, НГУ, СПбГУ, TechnicalUniversity of Berlin (Germany), University of Helsinki (Finland), University of Milan(Italy), University of Oslo (Norway).19 4-й кластер – ведущие университеты, занимающие «средние» позиции.Всего в указанные кластеры вошло 134 университета.5-й кластер – университеты, занимающие позиции «ниже среднего» – 179университетов. В данном кластере расположились все остальные отечественныеуниверситеты, представленные в базе данных InCites.Верификация полученных результатов.При верификации результатов кластеризации использовались два метода построение ИНС при помощи Карт Кохонена и k-means:Карты КохоненаИз 107 университетов, которые вошли в ведущий кластер в рейтингах Топ-100(ARWU, QS и THE WUR) представлено 102 университета. Из оставшихся 5 университетов 3 достаточно близки к вхождению в Топ-100, занимая места хотя бы водном из рейтингов с 105 по 130, а отнесение оставшихся 2 университетов к мировым лидерам признается ошибкой.k-meansВ качестве альтернативного метода кластеризации выбран k-means как один изсамых распространенных методов кластеризации.
Данный метод определил ведущий кластер из 108 университетов, из них 96 представлены в рейтингах Топ100.Таким образом, карты Кохонена показывали лучше результат, чем метод kmeans и демонстрируют то, что ИНС способны выделить кластер c ведущимиуниверситетами, которые отвечают определению глобально конкурентоспособного университета.4. Предложен метод оценки изменения показателей деятельности университетов для подготовки и обоснования управленческих решений по повышению глобальной конкурентоспособности среди ведущих университетов.В базе данных InCites по многим университетам отсутствует полная информация за выбранный временной период с 2004 по 2012годы.
Если из отобранныхданных исключить информацию по университетам, у которых отсутствует данные20хотя бы по одному из показателей на временном промежутке с 2004 года, то исследуемый массив данных значительно сократится.В предлагаемом авторском методе по каждому показателю из Таблицы 2, сразбивкой по кластерам, образованным при построении карт Кохонена, былисформированы средние арифметические значения по показателям деятельности с2004 по 2012 год. На их основе были использованы различные методы прогнозирования, однако наилучший результат был достигнут при использовании линейной регрессии.Поскольку основным критерием выполнения проекта 5-100 для ведущих российских университетов является вхождение к 2020 году в Топ-100 лучших университетов мира, то на основе кластерного и регрессионного анализа были сформированы тенденции изменения ключевых показателей их деятельности по кластерам, которые изображены на Рисунке 2.Рисунок 2 – Коэффициенты, отражающие тенденции изменения ключевых показателей деятельности ведущих университетов по кластерам с 2004 по 2012 годПриведенный рисунок отражает тенденции изменения показателей деятельности ведущих университетов в различных кластерах.
Например, происходит значительное увеличение доли иностранных преподавателей не только среди универ21ситетов 2-го кластера, ориентированных на активную международную деятельность, но и 3-го, представители которого занимают средние позиции.На основе предложенного метода оценки изменения показателей деятельности университетов можно воспроизвести сценарный анализ «что если» и оценить,как развивалась бы ситуация, в случае изменения показателей конкретного университета. Таким образом можно создавать или корректировать программу развития университета.5.
Разработан метод определения пороговых значений ключевых показателей деятельности глобально конкурентоспособных университетов.Критерии попадания университетов в 1-й кластер (университетов-лидеров),представленного на рисунке 1, могут быть сформированы с помощью дерева решений на базе широко используемого алгоритма построения деревьев классификации C4.5, разработанного Джоном Квинланом.Для формализации критериев отнесения университета к тому или иномукластеру было построено дерево решений3, содержащее 53 узла, на основе которого сформировано 25 правил, из которых 7 правил определяют условия попадания в 1-ий кластер с университетами мировыми лидерами.
В таблице 3 приведеныобобщенные правила характеризующие ведущих кластер.Таблица 3.Обобщённые правила вхождения в ведущий кластер на основе деревьев решений№12345ПоказательАкадемический штат / Количество студентов (Acadstaff / Stdnt)Преподаватели с иностранным гражданством/Академический штат (Acad staff int / Acad staff)Количество присужденных научных степеней / Академический штат (Doctoral degree / Acad staff)Число цитирований на одну публикацию с поправочным коэффициентом по странам (Normalized citationimpact - country adj)Количество публикаций (Papers)3ЗнакЗначение--<0.53>=0.435>=1.435>=3 634Выбранные параметры обучения дерева решений позволяют корректно распознать 91% примеров из обучающего множества и 80% - из тестового22678Работы написанные в международном соавторстве(Papers int co-author / Papers)Доходы от научной деятельности / Академическийштат (Res income / Acad staff)Студенты с иностранным гражданством/общая численность студентов (Stdnt int / Stdnt)>=0.345>366 466<0.335Значения показателей, приведенные в Таблице 3, позволяют сделать выводы, что для «ведущего» кластера, в который входят университеты-лидеры:1.Соотношение численности преподавателей и студентов оказывается несущественным;2.Численность преподавателей с иностранным гражданством имеет зна-чение в диапазоне от 0.3 до 0.5, что соответствует примерно 30%;3.Соотношение численности присвоенных научных степеней в универси-тете за год к численности академического штата превышает значение 0.435;4.Нормализованное значение числа цитирований на одну публикациюумноженное на поправочный коэффициент для страны, составляет больше 1,43 (1среднемировое значение показателя);5.Общее количество публикаций авторов, аффилированных с универси-тетом, согласно базе данных научного цитирования WOS за последние пять летдолжно быть больше 3 364 единиц;6.Доля публикаций в международном соавторстве > 0,345 , что соответ-ствует примерно более 30%;7.Объем доходов университета от НИОКР в расчете на единицу академи-ческого штата за год превышает 366 466 USD (по паритету покупательной способности);8.Число студентов с иностранным гражданством обычно не превышает0.335, что составляет примерно 20%.Таким образом, достижение заданных показателей в Таблице 3 позволитуниверситету войти в кластер с мировыми лидерами, при условии неизменностиданных по другим университетам.23Проведение верификации предложенных методов и алгоритмов на реальныхданных о деятельности ведущих университетов по повышению своей глобальной конкурентоспособности.Для практического применения предложенного метода прогнозированияиспользованы программы развития двух российских университетов:МГУим.
М.В. Ломоносова и СПбГУ, которые по результатам кластеризации на основеданных 2012 года попали в 3-ый кластер.Втаблице4приведенызначенияключевыхпоказателейМГУ им. М.В. Ломоносова и СПбГУ по состоянию на 2012 год, которые представлены в базе данных InCites™, и прогнозируемые значения на 2018 год, которые оценены на основе данных, приведенных в их программах развития. Для анализа выбран 2018 год, так как именно данные этого года будут использованы дляпостроения мировых рейтингов в 2020 году, к которому необходимо обеспечитьвхождение не менее пяти российских университетов в Топ-100.Таблица 4.Динамика показателей деятельности МГУ им.
М.В. Ломоносова и СПбГУЗначение показателяЗначение показателяМГУ им. М.В. ЛомоСПбГУ№ Название индикатораносовап/пв базе InCitesоценка наоценка на2012 год2012 год2018 год2018 год1Acad staff / Stdnt0,130,140,170,172 Acad staff int / Acad staff0,180,20,020,02Doctoral degree / Acad30,260,330,080,09staffNormalized citation im40,961,170,870,87pact - country adj5Papers3 62551051 0162 150Papers int co-author / Pa60,380,50,440,51pers7Res income / Acad staff 124 91731600034 86767 0528Stdnt int / Stdnt0,20,320,090,1Исходя из того, что показатели деятельности ведущих мировых университетов имеют тенденцию к изменению, и может быть произведена оценка их будущих значений на основе ретроспективных статистических данных. Кластеризация24на основе данных 2012 года позволила выделить пять кластеров, которые составили университеты, близкие по своим характеристикам, и, следовательно, имеющие схожие цели и возможности для развития.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
