Индикаторы состояния и развития системы подготовки научных кадров в федеральных округах и крупных научных центрах Российской Федерации
Status and development of scientific training in the federal districts and major research centers in the Russian Federation
Авторы
Аннотация
В работе представлен анализ состояния и развития индикаторов кадрового научного потенциала инновационных подсистем Российской Федерации. Эмпирической базой служили статистические данные, инструментарием – пакет анализа данных общественных наук SPSS Base. Объектами исследования являлись подсистемы российской инновационной системы – федеральные округа, а также крупные научные центры – г. Москва и г. Санкт-Петербург, по состоянию на 2000-2009 гг. В данной публикации рассматриваются первые два индикатора состояния кадрового научного потенциала инновационных подсистем из шести: число организаций, проводивших подготовку аспирантов в 2000-2009 гг., в расчете на млн. населения, а также число организаций, проводивших подготовку докторантов в 2000-2009 гг., в расчете на млн. населения.
Ключевые слова
инновационный потенциал, кадровый научный потенциал, аспирантура, докторантура, федеральный округ.
Рекомендуемая ссылка
No items found. Индикаторы состояния и развития системы подготовки научных кадров в федеральных округах и крупных научных центрах Российской Федерации // Современные технологии управления. ISSN 2226-9339. — №3 (15). Номер статьи: 1505. Дата публикации: 08.03.2012. Режим доступа: https://sovman.ru/article/1505/
Authors
Abstract
This paper presents an analysis of the status and development of indicators of scientific potential of innovative human resource subsystems of the Russian Federation. Served as the empirical base statistics tool - a package of social science data analysis SPSS Base. The objects of study were the subsystem of the Russian innovation system - the federal district, as well as major research centers - Moscow and St. Petersburg, as of 2000-2009. This publication discusses the first two status indicator of scientific potential of innovative staffing of six subsystems: the number of organizations who conducted the training of graduate students in 2000-2009., Per million population, as well as the number of organizations who conducted the training of doctoral students in 2000-2009. , per million population.
Keywords
innovation potential, human potential in research, postgraduate, doctoral, Federal District.
Suggested citation
No items found. Status and development of scientific training in the federal districts and major research centers in the Russian Federation // Modern Management Technology. ISSN 2226-9339. — №3 (15). Art. # 1505. Date issued: 08.03.2012. Available at: https://sovman.ru/article/1505/
В нашей предыдущей публикации [1], посвященной исследованию территориального распределения и динамики показателей подготовки кадрового научного потенциала российской инновационной системы, была выявлена высокая степень изменчивости по федеральным округам и крупным научным центрам таких показателей, как числа организаций, ведущих подготовку аспирантов и докторантов, численность аспирантов и докторантов. При этом, помимо объемных, рассматривались удельные показатели – в расчете на определенную численность населения федеральных округов и крупных научных центров (г. Москва, г. Санкт-Петербург), а также – численность аспирантов и докторантов, приходящуюся на одну организацию, ведущую подготовку научных кадров.
В результате статистических исследований были получены оценки средних по Российской Федерации показателей, выявлены их изменения в период 2000-2009 гг. Так, показано, что число организаций, ведущих подготовку аспирантов и докторантов, за этот период заметно увеличилось. Увеличилась и численность аспирантов, тогда как численность докторантов практически не изменилась.
Выявлено, что «мощность» аспирантур, как основного звена в подготовке кадров высшей квалификации, за рассматриваемый период заметно возросла, а «мощность» докторантур, напротив, снизилась. Выявлены некоторые территориальные особенности, отражающие различия в динамике показателей подготовки кадров высшей квалификации.
Полученные результаты позволяют перейти к анализу состояния и развития индикаторов кадрового научного потенциала инновационных подсистем Российской Федерации. Эмпирической базой, как и в работе [1], служили статистические данные источников [2-4], инструментарием – пакет анализа данных общественных наук SPSS Base [5]. Объектами исследования являлись подсистемы российской инновационной системы – федеральные округа, а также крупные научные центры – г. Москва и г. Санкт-Петербург, по состоянию на 2000-2009 гг. В данной публикации рассматриваются первые два индикатора состояния кадрового научного потенциала инновационных подсистем из шести: число организаций, проводивших подготовку аспирантов в 2000-2009 гг., в расчете на млн. населения, а также число организаций, проводивших подготовку докторантов в 2000-2009 гг., в расчете на млн. населения.
Представление о динамике числа организаций, проводивших подготовку аспирантов в 2000-2009 гг., в расчете на млн. населения (далее, числа аспирантур), можно получить из графиков временных рядов, приведенных на рис. 1.
Рис. 1. Динамика числа аспирантур на млн. населения
Как видно из хода графиков рис. 1, практически для всех рассматриваемых инновационных подсистем, кроме г. Москвы и г. Санкт-Петербурга, в период 2000-2009 гг. наблюдалось тенденция роста числа организаций, проводивших подготовку аспирантов. В г. Москве и г. Санкт-Петербурге динамика показателя более сложная – циклы роста сменяются циклами спада числа аспирантур, и в данном случае нет возможности аппроксимировать временные ряды какой-либо единой моделью. Тем не менее, «свертку» информации об уровне и динамике числа аспирантур можно выполнить, перейдя к средним показателям временных рядов – среднему уровня ряда и среднегодовому приросту – так, как это принято в анализе временных рядов [6].
Возможен также и другой вариант расчета средних показателей временных рядов: выполнить аппроксимацию эмпирических данных линейными моделями вида
Y = b0 + b1 × t. (1)
Здесь Y – результативная переменная, t – временная переменная, b0 и b1 – параметры модели.
Если определить временную переменную t таким образом, чтобы она равнялась нулю в середине временного отрезка 2000-2009 гг., т.е. по формуле
t = год – 2004,5, (2)
то параметр модели b0 будет равен среднему уровню временного ряда, тогда как параметр b1 будет равен среднегодовому приросту показателя.
Преимущество такого подхода, во-первых, в том, что средние показатели временных рядов будут оценены по методу наименьших квадратов, т.е. более точно, а во-вторых, при использовании аналитического метода выравнивания эмпирических данных мы получаем характеристики качества аппроксимации, по которым можно судить об отклонении динамики изучаемых индикаторов от основной тенденции.
В табл. 1 приведены результаты аппроксимации линейными моделями временных рядов динамики числа организаций, проводивших подготовку аспирантов в 2000-2009 гг.
Таблица 1
Параметры и критерии качества линейных моделей динамики числа организаций, проводивших подготовку аспирантов в 2000-2009 гг. (расчеты автора)
|
Федеральный округ, территориальное образование |
Код |
МНК-оценки параметров |
Критерии качества |
|||
|
средний уровень показателя, на млн. населения |
среднегодовой прирост, на млн. населения |
коэффициент детерминации |
критерий Фишера |
уровень значимости (р-уровень) |
||
| РФ |
1000 |
10,1741 |
0,1705 |
0,984 |
499,28 |
0,000 |
| ЦФО |
100 |
17,0685 |
0,1923 |
0,946 |
140,73 |
0,000 |
| г. Москва |
1 |
44,1643 |
-0,0912 |
0,262 |
2,85 |
0,130 |
| СЗФО |
200 |
14,0529 |
0,1752 |
0,834 |
40,08 |
0,000 |
| г. Санкт-Петербург |
2 |
33,9361 |
0,1555 |
0,263 |
2,86 |
0,129 |
| ЮФО |
300 |
4,8275 |
0,1587 |
0,916 |
87,45 |
0,000 |
| ПФО |
400 |
5,8110 |
0,1884 |
0,987 |
595,51 |
0,000 |
| УФО |
500 |
6,6071 |
0,1520 |
0,962 |
204,47 |
0,000 |
| СФО |
600 |
9,2199 |
0,1352 |
0,891 |
65,20 |
0,000 |
| ДФО |
700 |
11,2055 |
0,2021 |
0,777 |
27,95 |
0,001 |
Как следует из приведенных в табл. 1 данных, линейные модели только двух временных рядов – для г. Москвы и г. Санкт-Петербурга – характеризуются коэффициентом детерминации меньшим, чем 0,5; для всех остальных инновационных подсистем – федеральных округов, а также для российской инновационной системы в целом, линейные модели оказались адекватными эмпирическим данным. Это позволяет принять найденные значения параметров линейных моделей в качестве индикаторов уровня и динамики числа организаций, проводивших подготовку аспирантов в 2000-2009 гг., с той оговоркой, что для г. Москвы и г. Санкт-Петербурга значения параметров линейных моделей интерпретируются как средние показатели временных рядов.
На рис. 2 представлены две диаграммы – одна из них иллюстрирует ранжирование инновационных подсистем РФ по среднему числу аспирантур на млн. населения, другая – их расположение на плоскости параметров линейных моделей динамики. Видно, что среднее число аспирантур на млн. населения сильно варьирует: коэффициент вариации составляет 84,0% – это очень большая величина.
Рис. 2. Ранжирование инновационных подсистем РФ по среднему числу аспирантур на млн. населения (а) и их расположение на плоскости параметров линейных моделей. Пунктир – уровень РФ в целом
По диаграмме рассеяния на рис. 2 б можно судить о группировке инновационных подсистем РФ по совокупности индикаторов динамики числа организаций, проводивших подготовку аспирантов в 2000-2009 гг.: г. Москва и г. Санкт-Петербург являются безусловными лидерами по числу аспирантур, но, в отличие от г. Санкт-Петербурга, где динамика этого индикатора близка к стабильной, в г. Москве в рассматриваемый период наблюдается тенденция к снижению числа организаций, проводивших подготовку аспирантов.
Временные ряды следующего индикатора состояния и развития индикаторов кадрового научного потенциала инновационных подсистем Российской Федерации – числа организаций, проводивших подготовку аспирантов в 2000-2009 гг., в расчете на млн. населения (далее, числа докторантур), приведены на рис. 3.
Рис. 3. Динамика числа докторантур на млн. населения
Из хода графиков, представленных на рис. 3, видно, что и в данном случае нет возможности аппроксимировать временные ряды какой-либо единой моделью, поэтому, как и ранее, оценим средние показатели рядов динамики числа организаций, проводивших подготовку докторантов в 2000-2009 гг., методом аналитического выравнивания эмпирических данных линейными моделями – табл. 2. Видно, что линейные модели четырех временных рядов – для г. Москвы, г. Санкт-Петербурга, Северо-Западного и Дальневосточного федеральных округов – характеризуются коэффициентом детерминации меньшим, чем 0,5; для всех остальных федеральных округов, а также для российской инновационной системы в целом, линейные модели оказались адекватными эмпирическим данным. Это, как и в предыдущем случае, позволяет принять найденные значения параметров линейных моделей в качестве индикаторов динамики числа организаций, проводивших подготовку докторантов в 2000-2009 гг., с той оговоркой, что для г. Москвы, г. Санкт-Петербурга, а также для Северо-Западного и Дальневосточного федеральных округов значения параметров линейных моделей интерпретируются как средние показатели временных рядов.
Таблица 2
Параметры и критерии качества линейных моделей динамики числа организаций, проводивших подготовку докторантов в 2000-2009 гг. (расчеты автора)
|
Федеральный округ, территориальное образование |
Код |
МНК-оценки параметров |
Критерии качества |
|||
|
средний уровень показателя, на млн. населения |
среднегодовой прирост, на млн. населения |
коэффициент детерминации |
критерий Фишера |
уровень значимости (р-уровень) |
||
| РФ |
1000 |
3,8080 |
0,0895 |
0,938 |
121,94 |
0,000 |
| ЦФО |
100 |
6,5493 |
0,0801 |
0,822 |
36,88 |
0,000 |
| г. Москва |
1 |
17,4561 |
-0,0222 |
0,036 |
0,30 |
0,597 |
| СЗФО |
200 |
4,8515 |
0,0492 |
0,306 |
3,53 |
0,097 |
| г. Санкт-Петербург |
2 |
12,1258 |
-0,0414 |
0,038 |
0,31 |
0,591 |
| ЮФО |
300 |
2,0789 |
0,0698 |
0,947 |
142,49 |
0,000 |
| ПФО |
400 |
2,1466 |
0,0634 |
0,883 |
60,26 |
0,000 |
| УФО |
500 |
2,6331 |
0,0607 |
0,892 |
66,25 |
0,000 |
| СФО |
600 |
3,4749 |
0,2325 |
0,897 |
69,31 |
0,000 |
| ДФО |
700 |
2,9457 |
0,0552 |
0,408 |
5,50 |
0,047 |
Ранжирование инновационных подсистем РФ по среднему числу докторантур на млн. населения и их расположение на плоскости параметров линейных моделей динамики представлено на рис. 4, а и б. Из диаграммы Парето на рис. 4 а следует, что и по числу докторантур на млн. населения г. Москва и г. Санкт-Петербург являются безусловными лидерами.
На диаграмме рис. 4 а обращает на себя внимание сильная вариабельность числа докторантур на млн. населения по рассматриваемым инновационным подсистемам. Расчеты показывают, что коэффициент вариации составляет 88,5%, что еще больше, чем коэффициент вариации числа аспирантур на млн. населения.
Рис. 4. Ранжирование инновационных подсистем РФ по среднему числу докторантур на млн. населения (а) и их расположение на плоскости параметров линейных моделей (б). Пунктир – уровень РФ в целом
По диаграмме рассеяния на рис. 4 б можно судить о группировке инновационных подсистем РФ по совокупности индикаторов динамики числа организаций, проводивших подготовку докторантов в 2000-2009 гг. Помимо уже упомянутых крупных научных центров – г. Москвы и г. Санкт-Петербурга, которые являются лидерами по числе докторантур, причем динамика индикатора в этих инновационных подсистемах близка к стабильной, на диаграмме рис. 4 б выделяется также Сибирский федеральный округ, который характеризуется высоким значением индикатора динамики роста числа докторантур.
Понятно, что число докторантур и аспирантур должно коррелировать друг с другом – об этом убедительно свидетельствует диаграмма рассеяния, представленная на рис. 5 а. По диаграмме рис. 5 а можно также отметить, что хотя распределения рассматриваемых индикаторов, согласно критерию Колмогорова-Смирнова, не противоречат нормальному закону, данные по числу аспирантур и докторантур в крупных научных центрах – г. Москве и г. Санкт-Петербургу – существенно превышают таковые в федеральных округах. Но и после исключения их из выборки коэффициент корреляции, равный 0,950, остается статистически значимым на высоком двустороннем уровне – 0,001.
Рис. 5. Взаимосвязь числа аспирантур и докторантур на млн. населения (а) и индикаторов их динамики (б)
Однако априори нельзя сказать о наличии взаимосвязи между индикаторами динамики этих показателей – рис. 5 б. В результате выполненного нами корреляционного анализа оказалось, что коэффициент корреляции по усеченной выборке (без г. Москвы и г. Санкт-Петебурга) R=-0,658 статистически значим лишь на р-уровне 0,108, что больше критического значения 0,05.
Для ответа на этот вопрос о наличии внутренней структуры комплекса индикаторов динамики числа организаций, ведущих подготовку аспирантов и докторантов, обратимся к факторному анализу.
Введем следующие обозначения:
Х1 – среднее число организаций, проводивших подготовку аспирантов в 2000-2009 гг., в расчете на млн. населения;
Х1_дин – среднегодовой прирост числа организаций, проводивших подготовку аспирантов в 2000-2009 гг., в расчете на млн. населения;
Х2 – число организаций, проводивших подготовку докторантов в 2000-2009 гг., в расчете на млн. населения;
Х2_дин – среднегодовой прирост числа организаций, проводивших подготовку докторантов в 2000-2009 гг., в расчете на млн. населения.
Объем усеченной выборки почти вдвое больше числа рассматриваемых индикаторов, и результаты корреляционного анализа, представленные в табл. 3, можно считать корректными [7].
Таблица 3
Корреляционная матрица индикаторов динамики числа организаций, ведущих подготовку аспирантов и докторантов (выборка федеральных округов)
Хотя из корреляционной матрицы, приведенной в табл. 3, следует, что лишь одна пара индикаторов характеризуется высоким значением коэффициента корреляции (в таблице соответствующие статистики выделены полужирным шрифтом), наличие еще одной корреляции средней силы – между среднегодовыми приростами числа организаций, проводивших подготовку аспирантов и докторантов в 2000-2009 гг., в расчете на млн. населения, позволяет рассчитывать на положительные результаты факторного анализа.
Результаты факторного анализа, выполненного нами по методу главных компонент с вращением главных факторов по критерию «варимакс», представлены в табл. 4. Оказалось, что адекватной эмпирическим данным является двухфакторная модель, объясняющая 92,3% общей дисперсии, которая характеризуется незначительными геометрическими искажениями – не более 8%, при допустимом значении 15% [8].
Таблица 4
Нагрузки индикаторов динамики числа организаций, ведущих подготовку аспирантов и докторантов, на главные факторы (выборка федеральных округов)
|
Индикатор |
Главные факторы |
|
|
F1 |
F2 |
|
| Среднее число организаций, проводивших подготовку аспирантов в 2000-2009 гг., в расчете на млн. населения (Х1) |
0,980 |
0,151 |
| Среднегодовой прирост числа организаций, проводивших подготовку аспирантов в 2000-2009 гг., в расчете на млн. населения (Х1_дин) |
0,316 |
0,874 |
| Среднее число организаций, проводивших подготовку докторантов в 2000-2009 гг., в расчете на млн. населения (Х2) |
0,981 |
0,017 |
| Среднегодовой прирост числа организаций, проводивших подготовку докторантов в 2000-2009 гг., в расчете на млн. населения (Х2_дин) |
0,102 |
—0,934 |
| Доля объясненной дисперсии |
50,9% |
41,5% |
Из данных, приведенных в табл. 4, следует, что первый главный фактор F1, объясняющий более половины общей дисперсии, сильно и положительно связан со средним числом организаций, проводивших подготовку аспирантов и докторантов в 2000-2009 гг., в расчете на млн. населения (индикаторы Х1 и Х2), и на этом основании данный латентный фактор интерпретируется однозначно: F1 – фактор удельного числа аспирантур и докторантур. Второй главный фактор F2, который объясняет более 40% общей дисперсии, на положительном направлении нагружен среднегодовым приростом числа организаций, проводивших подготовку аспирантов в 2000-2009 гг., в расчете на млн. населения (Х1_дин), а на отрицательном – индикатором Х2_дин – среднегодовым приростом числа организаций, проводивших подготовку докторантов в 2000-2009 гг., в расчете на млн. населения. Таким образом, этот латентный фактор может быть интерпретирован как фактор динамики числа организаций, проводивших подготовку аспирантов и докторантов.
На диаграммах рис. 6 эти результаты представлены в наглядной графической форме.
Рис. 6. Результаты факторного анализа: а – корреляции индикаторов динамики числа организаций, ведущих подготовку аспирантов и докторантов, с главными факторами; б – расположение федеральных округов на плоскости меток главных факторов
Судя по диаграмме рис. 5 а, на котором представлены индикаторы динамики числа организаций, ведущих подготовку аспирантов и докторантов, на плоскости главных факторов, метки Х1 и Х2 расположены близко друг к другу и к оси фактора F1, а метка Х1_дин расположена вблизи положительного направления оси фактора F2. Метка Х2_дин, напротив, расположена вблизи отрицательного направления оси фактора F2, и, таким образом, положительное направление оси второго главного фактора отвечает росту числа организаций, ведущих подготовку аспирантов, а отрицательное направление – росту числа организаций, ведущих подготовку докторантов.
Наряду с диаграммой, иллюстрирующей корреляции индикаторов динамики числа организаций, ведущих подготовку аспирантов и докторантов, с главными факторами, имеется возможность представления федеральных округов на плоскости меток главных факторов – диаграмма рис. 6 б. В соответствие с интерпретацией осей на рис. 6 а, Центральный и Северо-Западный федеральные округа, расположенные в правой части диаграммы, характеризуются как инновационные подсистемы с повышенным удельным числом организаций, ведущих подготовку аспирантов и докторантов, и, напротив, Южный, Уральский и Приволжский федеральные округа, расположенные в левой части диаграммы, характеризуются как инновационные подсистемы с пониженным удельным числом организаций, ведущих подготовку аспирантов и докторантов. Дальневосточный федеральный округ расположен в верхней части диаграммы, что интерпретируется как положительная динамика числа аспирантур. Напротив, Сибирский федеральный округ расположен в нижней части диаграммы, и это интерпретируется как положительная динамика числа докторантур.
В данной статье мы не рассматриваем типологию инновационных подсистем Российской Федерации по комплексу индикаторов динамики подготовки научных кадров; этому вопросу будет посвящена наша следующая публикация.
Читайте также
Библиографический список
- Котельников С.А. Территориальное распределение и динамика показателей кадрового научного потенциала российской инновационной системы. «Перспективы науки»/ журнал. 2011 год.
- Регионы России. Социально-экономические показатели. 2005. Стат. сб. / Росстат. М., 2006.
- Регионы России. Социально-экономические показатели. 2007. Стат. сб. / Росстат. М., 2007.
- Регионы России. Социально-экономические показатели. 2010. Стат. сб. / Росстат. М., 2010.
- SPSS Base 8.0 для Windows. Руководство по применению. Перевод–Copyright 1998 СПСС Русь.
- Статистика. Учебник / Под ред. И.И. Елисеевой. М.: ООО «ВИТРЭМ», 2002.
- Многомерный статистический анализ в экономике: Учеб. пособие для вузов / Л.А. Сошникова, В.Н. Тамашевич, Г. Уебе, М. Шефер. М.: ЮНИТИ-ДАНА, 1999.
References
- Kotelnikov SA Spatial distribution and dynamics of scientific personnel potential of the Russian innovation system “Prospects of science” / log. In 2011.
- Regions of Russia. Socio-economic indicators. In 2005. Stat. Sat / Rosstat. M., 2006.
- Regions of Russia. Socio-economic indicators. In 2007. Stat. Sat / Rosstat. M., 2007.
- Regions of Russia. Socio-economic indicators. In 2010. Stat. Sat / Rosstat. M., 2010.
- SPSS Base 8.0 for Windows. Guidance on the application. Translation-Copyright 1998 SPSS Russia.
- Statistics. Textbook / Ed. II Eliseeva. Moscow: OOO “VITREM”, 2002.
- Multivariate Statistical Analysis in Economics: Studies. manual for schools / LA Soshnikova, VN Tamashevich, Uebe G., M. Schaefer. M.: UNITY-DANA, 1999.
