КЛАСТЕРИЗАЦИЯ ОРГАНИЗАЦИЙ ВЫСШЕГО ОБРАЗОВАНИЯ МОСКОВСКОГО РЕГИОНА ПО РЕЗУЛЬТАТАМ МОНИТОРИНГА ИХ ДЕЯТЕЛЬНОСТИ

Цель. Исследовать возможность использования методов кластерного анализа больших объёмов данных для оценки и выявления особенностей деятельности вузов по результатам их мониторинга. Процедура и методы. Кластеризация проводилась по ключевым показателям эффективности и качества деятельности вузов Московского региона методом k-means с использованием аналитической платформы «Deductor». Результаты. Исследование показало возможность применения кластерного анализа для деления образовательных организаций на однородные группы. Проведён сравнительный анализ каждого выделенного кластера, и на этой основе каждому кластеру дана содержательная характеристика с выявлением его особенностей. Определена обобщающая оценка каждого кластера, позволяющая провести их ранжирование. Теоретическая и/или практическая значимость. Полученные результаты кластерного анализа могут стать основой для повышения обусловленности и качества принимаемых органами государственной власти, учредителями и руководством вузов управленческих решений в области обеспечения конкурентоспособности, эффективности и качества российского высшего образования, а для работодателей и абитуриентов - способствовать рациональному выбору вуза для обучения.

мониторинг, ключевые показатели, кластеризация, значимость, среднее значение, коэффициент вариации

1. Акерман Е. Н., Михальчук А. А., Трифонов А. Ю. Кластеризация социально-экономических вузов на основе рейтингов вступительных испытаний // Вестник Томского государственного университета. 2013. № 367. C. 100-104.

2. Бляхман Л. С., Чернова Е. Г. Образовательная политика в условиях перехода России к инновационной экономике // Вестник Санкт-Петербургского университета. Серия 5. Экономика. 2012. Вып. 4. С. 44-60.

3. Бююль А. SPSS: искусство обработки информации: Анализ статистических данных и восстановление скрытых закономерностей. СПб.: ДиаСофтЮП, 2005. 608 с.

4. Дятлова О. В., Титова T. В. Исследование групп клиентов логистической организации с применением методов кластеризации // Логистика. 2011. № 6. С. 42-45.

5. Забоев М. В., Мелешкин М. И. Оценка перспектив вхождения российских университетов в первую сотню ведущих мировых университетов с использованием нейросетевых методов кластеризации данных // Прикладная информатика. 2015. Т. 10. № 3 (57). С. 52-61.

6. Исаев В. Г., Юров В. М. О проведении бенчмаркинга высшего образования на основе систем оценки деятельности образовательных организаций // Перспективы, организационные формы и эффективность развития сотрудничества российских вузов: сб. материалов. М.: Научный консультант, 2019. С. 280-288.

7. Кластеризация классических университетов на основе вступительных испытаний / В. П. Арефьев, А. А. Михальчук, Д. В. Болтовский, А. В. Петиченко // Открытое и дистанционное образование. 2011. № 3. C. 20-31.

8. Кузнецова О. А., Клевина М. В. Сравнительный анализ результатов кластеризации университетов при разном наборе параметров // Прикладная математика и вопросы управления. 2020. № 3. С. 164-181.

9. Паклин Н. Б., Орешков В. И. Бизнес-аналитика: от данных к знаниям: учеб. пос. СПб.: Питер, 2013. 704 с.