ПРОГНОЗИРОВАНИЕ СПРОСА НА ОБРАЗОВАТЕЛЬНЫЕ УСЛУГИ В ВЫСШИХ УЧЕБНЫХ ЗАВЕДЕНИЯХ

Образование занимает одно из главных мест в системе ценностей человека. В настоящее время рынок образовательных услуг высших учебных заведений имеет большое разнообразие. В современном обществе во всех сферах деятельности увеличивается потребность в образованных и профессионально компетентных специалистах. Уровень образования оказывает непосредственное влияние на карьерный рост и уровень заработной платы. Таким образом, на рынке образовательных услуг обостряется конкуренция между высшими учебными заведениями за привлечение потенциальных абитуриентов.

На данный момент в сфере образовательных услуг проводится большое количество маркетинговых исследований для повышения эффективности работы высших учебных заведений. Маркетинговые исследования, приводящиеся в ВУЗах, в основном заключаются в анализе рынка и определении тенденций его развития, а так же в выявлении факторов и наблюдении за постоянно меняющимися факторами рынка [1].

Авторами статьи методами математической статистики был выполнен анализ демографических, экономических и политических факторов, влияющих на развитие образовательного рынка и его потенциальных потребителей,

Спрос на образовательные услуги ВУЗов напрямую зависит от ряда факторов, которые были определены с помощью метода экспертных оценок:

-       количество выпускников школ;

-       процент выпускников школ, уезжающие в другие города;

-       уровень рождаемости (оказывает влияние спустя 16-17 лет);

-       количество иногородних студентов, обучающихся в ВУЗе;

-       средний бал по ЕГЭ;

-       уровень заработной платы.

Числовые значения данных факторов могут являться входными параметрами для получения прогнозных данных с использованием различных методов прогнозирования.

Существуют разные мнения по поводу классификации методов прогнозирования [2, 3]. Общая классификация методов и моделей прогнозирования представлена на рисунке 1:

После определения набора факторов и прогнозирования была спроектирована и разработана система  прогнозирования  количества  поступающих выбора методов автоматизированная в  высшее  учебное заведение. Данная система представляет собой инструмент для хранения и обработки статистических данных.

Для составления прогнозных данных в автоматизированной системе предусмотрена возможность задания параметров моделирования:

-       модели   (регрессионная  модель,   модель   временного   тренда   и нейросетевая модель обратного распространения);

-       факторы (приведены выше);

-       критерий составления прогноза (специальность, факультет, весь ВУЗ)

-       период прогноза (краткосрочный, среднесрочный);

-       период основания прогноза.

На примере входных данных РГАТУ им. П. А. Соловьева был проведен среднесрочный прогноз с учетом всех факторов в разрезе ВУЗа на 2013-2015 учебные годы. В таблице 1 представлены полученные в результате моделирования значения количества поступающих и реальные цифры приема в высшее учебное заведение на 2013-2015 учебные года.

Таблица 1 – Результаты прогнозирования

Определить адекватности модели экспериментальным данным можно при помощи определения средней ошибки и оценки критерия Фишера [9, 10]. Полученные результаты оценки средней ошибки (таблица 2) у всех трех моделей находятся в пределах 3%, а так же полученные оценки критерия Фишера  при a = 0,1 (таблица  3)   не   превышают  табличные  значения, следовательно, можно сделать вывод, что все модели являются адекватными к экспериментальным данным с точностью более 90%. Однако, следует заметить, что наибольшая точность получается при составлении краткосрочных прогнозов.

Таблица 2 – Оценка средней ошибки

Таблица 3 – Оценка критерия Фишера

Таким образом, разработанная система предоставляет возможность хранения и обработки статистические данные с целью прогнозирования количества абитуриентов, поступающих в ВУЗ.

Список литературы

1.                Долгова А.В. Методика проведения маркетинговых исследований регионального рынка образовательных услуг // Пространство экономики: Экономический вестник – 2008. – № 2(2). – С. 318 – 321.

2.                Бурдо А.И., Тихонов Э.Е. К вопросу систематизации методов и алгоритмов прогнозирования // Материалы межрегиональной конференции «Студенческая наука – экономике научно-технического прогресса» / СевКав ГТУ. – Ставрополь, 2001. – С. 33 – 34.

3.                Артеменко М. В., Бабков А. С. Классификация методов прогнозирования поведения систем // Современные проблемы науки и образования. – 2013. – № 6. – С. 67 – 72.

4.                Каширина И.Б. Экономико-математическая модель прогнозирования спроса на образовательные услуги / И.Б. Каширина, В.Г. Мысник // Моделирование систем. – 2002. – № 2(4). – С. 46 – 53.

5.                Недошивин С. В. Линейный множественный регрессионный анализ // Известия Тульского государственного университета. Технические науки. – 2014. – № 7. – С. 38 – 52.

6.                Прозорова М. Л., Кузнецов В. Б. Моделирование тенденции временного ряда // Вестник. – 2014. – № 3(15). – С. 91 – 95.

7.                Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика: пер. с англ. Ю.А.Зуева, В.А.Точенова, 1992. – 184 с.

8.                Саймон Хайкин Нейронные сети полный курс, 2-е изд.: пер. с англ. – М.: ООО «И.Д. Вильямс», 2006. – 1104 с.

9.                Тузенко О. А., Кухарь В. В., Балалаева Е. Ю., Дубинина А. В. Исследование математических моделей в планировании эксперимента методом сравнительного анализа // Вестник Национального технического университета, Харьковский политехнический институт. Серия: Информатика и моделирование. – 2013. – № 39(1012). – С. 182 – 188.

10.           Электронный учебник по статистике. Москва, StatSoft. [Электронный ресурс] – URL: http://www.statsoft.ru/home/textbook/modules/sttable.html