04 сентября 2016г.
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:
Для решения задачи прогнозирования
спроса на образовательные услуги в ВУЗах авторами статьи было решено использовать следующие модели: линейная регрессионная модель [4, 5], модель временного тренда [6] и нейросетевая модель обратного распространения [7, 8].
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
|
Прогноз
|
2013
год
|
2014
год
|
2015
год
|
Регрессионная модель
|
433
|
427
|
405
|
Модель временного тренда
|
405
|
423
|
406
|
Нейросетевая
модель обратного
распространения
|
413
|
428
|
409
|
Фактические результаты
|
424
|
434
|
398
|
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
|
Ошибка за каждый год
|
Средняя
ошибка
модели
|
2013
год
|
2014
год
|
2015
год
|
Регрессионная модель
|
2,12%
|
1,61%
|
1,75%
|
1,83%
|
Модель временного тренда
|
4,49%
|
2,52%
|
2,01%
|
3,00%
|
Нейросетевая
модель
обратного распространения
|
2,59%
|
1,38%
|
2,76%
|
2,24%
|
Таблица 3 –
Оценка критерия
Фишера
|
Оценка F-критерия за год
|
2013
год
|
2014
год
|
2015
год
|
Регрессионная модель
|
6,564
|
7,746
|
9,263
|
Модель временного тренда
|
6,485
|
7,821
|
9,742
|
Нейросетевая
модель обратного распространения
|
6,553
|
7,793
|
9,809
|
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