Анализ состояния научно-инновационной деятельности вузов

353,8

Параметр 7

119184

-14894

-4615

-1516

6622

14403

Параметр 8

3922,6

-675,6

-243,6

148,4

316,4

454,4

Параметр 9

193256,12

-101712,22

-64117,52

50938,08

9606,88

105284,78

Параметр 10

121240,04

-79701,34

-32030,14

14084,06

26205,76

71441,66

Параметр 11

1307299,92

-747168,82

-466952,518

-179284,82

611831

781575,16

Параметр 12

804429,689

-466792,29

-396063,789

-109990,68

94218,46

878628,3

Параметр 13

1177,00924

-332,97024

-208,96624

-11,50924

229,687

323,75876

Параметр 14

11940

-2799

-1318

-676

1265

3528

Параметр 15

1105203,58

-650943,58

-453493,279

-77251,279

379158,5

802529,62

Рассмотренные пары оценочных параметров демонстрирует все возможные исходы распределения значений коэффициента корреляции, а именно: наличие прямой и обратной зависимости при положительном или отрицательном значении коэффициента корреляции; отсутствие наличия связи при большом отклонении от максимального значении равного единице и обратное утверждение, при значениях близких к 1.

Аналогично проведённым вычислениям рассчитаем коэффициенты корреляции для всех возможных парных сочетаний исследуемых оценочных параметров.

Исходные данные отображены в таблице 2.28, промежуточные расчёты -таблица 2.29.

Результаты расчёта коэффициентов корреляции исследуемых пар признаков приведены в таблице 2.30.

При рассмотрении полученных результатов приходим к следующим выводам:

1.Значения коэффициента корреляции для выбранных пар оценочных признаков имеет высокие значении в большинстве случаев. Данные значения характеризуют наличие в большинстве случаев корреляционной зависимости исследуемых параметров.

2.Для каждого параметра эмпирически можно установить, что распределение коэффициента корреляции имеет определенный диапазон распределения.

3.Высокий коэффициент корреляции выбранных параметров оценки позволяет утверждать о правильности их выбора из общего количества оценочных признаков расчёта рейтинга вузов, а также об успешном применении метода сравнительного анализа признаков рейтинга и признаков, характеризующих инновационную деятельность.

4.Устойчивые отрицательные значения для Параметра 2 позволяют обосновать колебательные процессы исходных данных этого параметра, а также его низкое количественное представление в общем оценочном ресурсе. Полученные отрицательные значения позволяют утверждать об отсутствие обратной связи и связи как таковой вообще.

Таблица 2.30 - Значения коэффициента корреляции для пар исследуемых оценочных признаков

	о. ф га О. га С -0,1643	см Q. Ф га о. то С	со л н ф со Q. ГО EZ	о. ь Ф го О. ГО С	ю о. ф ГО о. ГО	со о. н ф 5 го о. го [Z	О. Н Ф ГО Q. ГО С	со о. 1-ф 5 го о. го с:	о. 1-ф 5 го Q. ГО С	о о. н ф го о. го d	Q. Ь Ф га о. га С	¦г-О. н ф го о. го С	со о. 1-ф го о. го С	Q. Н Ф ГО о. го IZ
Параметр 1		-0,0669
Параметр 2			0,9395
Параметр 3	0,9791			0,9387
Параметр 4	0,9381	-0.3905J			0,7715
Параметр 5	0,8856	-0,5214	0,8324			0,9398
Параметр 6	0,9707	-0,0608	0,9786	0,9016			0,9571
Параметр 7	0,9777	-0,3516	0,9533	0,9827	0,9381			0,9248
Параметр 8	0,988	-0,0945	0,9861	0,9335	0,8814	0,9499			0,9602
Параметр 9	0,8972	-0,0146	0,9669	0,9123	0,7482	0,9273	0,8849			0,929
Параметр 10	0,981	-0,1709	0,9943	0,9706	0,8784	0,9683	0,9764	0,9836			0,8967
Параметр 11	0,9269	-0,4433	0,8919	0,9691	0,9927	0,8349	0,967	0,9269	0,822			0,9035
Параметр 12	0,8422	-0,4717	0,8673	0,9697	0,8635	0,8379	0,9228	0,8304	0,885	0,9091			0,9658
Параметр 13	0,7419	-0,3349	0,9372	0,9786	0,9695	0,8775	0,9736	0,962	0,8838	0,9631	0,9915
Параметр 14	0,9339	-0,4588	0,917	0,9935	0,9447	0,8956	0,9875	0,9127	0,8714	0,9536	0,9677	0,966
Параметр 15	0,9313	-0,4055	0,9276	0,9966	0,9593	0,8763	0,9769	0,9336	0,8955	0,9613	0,9834	0,9563	0,989	0,9879

Следует отметить, что данные результаты имеют симметрию относительно серединной линии, т.е., например, значения коэффициента корреляции для пары «Параметр 1 - Параметр 2» и пары «Параметр 2 - Параметр I» одинаковы. Следовательно, расчёт значений коэффициента корреляции для обратных пар не является необходимым и отображение данных в таблице имеет абсолютную полноту.

Однако следует заметить, что точного «размежевания» корреляционного диапазона от -1 до 1 не имеется, а определение наличия зависимости имеет сугубо субъективный характер. Близость значения корреляционного коэффициента к единице не даёт ответа на тесноту или степень зависимости, что может существенным образом сказаться на построении математической модели полиноминальным методом.

Отсюда следует необходимость применения оценки точности математического моделирования факторного влияния, позволяющую также выявить погрешность исходных данных.

3. Точность математического моделирования факторного влияния на инновационные процессы в вузе

Для оценки степени влияния рассмотрим попарно все рассмотренные выше показатели оценки рейтинга классических университетов в суммарном представлении по каждому показателю.

Построим линейчатые диаграммы, установим на них линию тренда и оценим степень приближения посредством полиноминальной аппроксимации. Линии тренда позволяют графически отображать тенденции данных и прогнозировать их дальнейшие изменения. Подобный анализ называется также регрессионным анализом. Используя регрессионный анализ, можно продлить линию тренда в диаграмме за пределы реальных данных для предсказания будущих значений. Полиномиальная аппроксимация используется для описания величин, попеременно возрастающих и убывающих. Она полезна, например, для анализа большого набора данных о нестабильной величине. Степень полинома определяется количеством экстремумов (максимумов и минимумов) кривой. Полином второй степени может описать только один максимум или минимум. Полином третьей степени имеет один или два экстремума. Полином четвертой степени может иметь не более трех экстремумов. На наших диаграммах возможны три точки экстремумов, а следовательно, использование полиномов четвёртой степени при построении нашей аппроксимации. Однако при наличии больших отклонений распределения параметров количество экстремумов может быть меньше, что исключает возможность использование полиномов с максимальной степенью для данного распределения. Следовательно, при выявлении возможности использования полиномов меньшей степени будем использовать их, учитывая наличие либо невозможности применения полиномов с максимальной степенью для данного распределения, либо более глубокой зависимости исследуемых данных.

В оценке достоверности будет применяться значение R в квадрате. Число от 0 до 1, которое отражает близость значений линии тренда к фактическим данным. Линия тренда наиболее соответствует действительности, когда значение R в квадрате близко к 1. Оно также называется квадратом смешанной корреляции и вычисляется по следующей формуле:

SSE - 2-j (Уj ~ Yj*) У = 1

- доля дисперсии, приходящаяся на остатки (сумма квадратов ошибок - error sum of squares, SSE) и



ssT = (YYf)-

полная дисперсия зависимой переменной (полная сумма квадратов - total sum of squares, SST), n - количество наблюдений.

Результаты с коэффициентом смешанной корреляции R более 0,95 позволят устранить погрешность представленных данных в пределах 10%.

Для определения точности математического моделирования будем рассматривать пары параметров, коэффициент корреляции которых определённый в предыдущем параграфе, выше 0,5. Последовательное применение метода выявления зависимости в парах параметров посредством*коэффициента корреляции, а затем отбор из оставшихся пар по оценке точности, позволит получить фильтр выявления максимально зависящих параметров.

Аналогично вычислению коэффициента корреляции будем использовать условное обозначение исследуемых признаков по таблице 1.

Одновременно построим линию тренда и характеризующий её полином.

Значение коэффициента смешанной корреляции позволит определить точность моделирования факторного влияния.

Полученные данные позволяют утверждать о наличие сильной связи параметров, что обуславливается возможностью достаточно точного построения линии тренда полиномом второй степени. Коэффициент смешанной корреляции R" = 0,965 позволяет определить данную пару параметров в группу необходимых параметров оценки общего рейтингового коэффициента инновационного потенциала. Однако попытаемся увеличить точность и увеличим степень полинома.

При увеличении степени полинома коэффициент корреляции увеличился незначительно, что говорит о возможности использования данной пары параметров в полиноминальной математической модели второй степени с достаточной степенью точности.

Так, коэффициенты корреляции пары Параметр 1 -Параметр 3 и пары Параметр 1 - Параметр 4 равны 0,9791 и 0,9381, а их коэффициенты смешанной корреляции, 0,9650 и 0,9684, при полиноме второй степени, соответственно.

Полученный результат свидетельствует об увеличении точности построения математической модели отношения рассматриваемой пары параметров. При выборе различных сценариев построения модели, возможность использования близких отображений одного процесса, может оказать существенное влияние на точность и гибкость таких процессов.

Рисунок Построение линии тренда в отношении количества докторов наук и лиц, имеющих ученое звание профессора, в возрасте до 50-ти лет (Параметр 3) к общей площади учебно-лабораторной базы (.Параметр 13) полиномом второй степени

Полученные первоначальные результаты позволяют предположить исключение данной пары параметров в построении общей математической модели, так как коэффициент смешанной корреляции ниже установленного нами предела в 0,95. Однако для достаточности такого утверждения необходимо построить полином третьей степени и только при непопадании в заданный диапазон получаемого значения коэффициента смешанной корреляции можно утвердить данное предположение. Построим линию трена рассматриваемой пары параметров полиномом третьей степени.

Полученный результат свидетельствует об ошибочности изначального предположения. Полином третьей степени отображает линию тренда с достаточной степенью точности. Рассмотренная ситуация позволяет сделать заключение, что при всей объективности оценки точности математического моделирования разные параметры могут иметь различную степень точности, которая должна быть ранжирована при необходимости оптимизации моделей.

Аналогично рассмотренным алгоритмам построим уравнения и рассчитаем коэффициенты смешанной корреляции для оставшихся пар параметров прошедших предварительный отбор по значению коэффициента корреляции, определявшего наличие зависимости параметров. Результаты расчётов приведены в таблице 2.31 для полиномов третьей степени и в Таблице 2.32 для полиномов второй степени.

Таблица 2.31 - Коэффициенты смешанной корреляции пар параметров с линией тренда, характеризующейся уравнением третьей степени

	1 0,9706	3	4	5	6	7	8	9	10	11	12	13	14
Параметр 1		0,9898
Параметр 3			0,9435
Параметр 4	0,9906			0,6483
Параметр 5	0,9968	0,9372			0,9805
Параметр 6	0,9501	0,9949	0,916			0,9963
Параметр 7	0,9966	0,9382	0,9876	0,9914			0,9636
Параметр 8	0,9988	0,9775	0,9997	0,899	0,9692			0,9299
Параметр 9	0,9696	0,9949	0,8864	-	0,9981	0,9138			0,9733
Параметр 10	0,9853	0,9955	0,9837	0,8151	0,9952	0,9619	0,9966			0,9723
Параметр 11	0,9998	0,9666	0,9797	0,9945	0,9946	1	0,9905	0,8246
Параметр 12	0,9175	0,9866	0,991	0,9597	0,9303	0,9327	0,975	0,9873	0,9857		0,9529
Параметр 13	-	0,9783	0,9923	0,9678	0,9938	0,9975	0,9989	0,8478	0,9852	0,9911
Параметр 14	0,9985	0,9506	0,9877	0,997	0,9918	0,9999	0,9695	0,8237	0,9667	0,9996	0,9813	0,9852	0,9893
Параметр 15	0,9787	0,9978	1	0,9674	0,9941	0,9774	0,9995	0,9211	0,9995	0,9865	0,9925	9991

Анализируя таблицу 2.30, выбираем параметры, значения которых удовлетворяет заданным нами условиям и превышает нижнюю границу 0,95. Дополнительным условием при отборе значений является анализ полученных расчётов с данными таблицы 2.32, отражающей коэффициенты смешанной корреляции одноимённых параметров при построении лини тренда полиномом второй степени. При вхождении коэффициента смешанной корреляции в заданный нами диапазон от 0,95 до 1 предпочтение отдаётся полиному второй степени, отражение зависимости которым имеет более высокую степень соответствия.



Таблица 2.32 -Коэффициент смешанной корреляции пар параметров с линией тренда, характеризующейся уравнением второй степени

	1 0,965	3	4	5	6	7	8	9	10	11 п	12	13	14
Параметр 1		0,9534
Параметр 3			0,8963
Параметр 4	0,9684			0,6284
Параметр 5	0,9598	0,8985			0,9225
Параметр 6	0,9438	0,9599	0,9015			0,9438
Параметр 7	0,9964	0,9332	0,9861	0,891			0,9313
Параметр 8	0,9767	0,9727	0,9733	0,8924	0,9099			0,9256
Параметр 9	0,8627	0,9616	0,8354	-	0,8795	0,7878			0,9153
Параметр 10	0,9813	0,9954	0,9829	0,7888	0,9512	0,957	0,9907
Параметр 11	0,9525	0,9018	0,9393	0,9902	0,8192	0,9449	0,9769	0,7424		0,9367
Параметр 12	0,8904	0,9131	0,9909	0,87	0,7927	0,9315	0,9499	0,8752	0,9515
Параметр 13	-	0,9301	0,9689	0,9631	0,8301	0,9479	0,9883	0,8078	0,9439	0,9909	0,8955
Параметр 14	0,9862	0,9188	0,9875	0,9058	0,8788	0,9981	0,9675	0,7753	0,9523	0,9549	0,978	0,9648
Параметр 15	0,936	0,923	0,9939	0,9217	0,8125	0,9591	0,9791	0,8257	0,953	0,9727	0,9741	0,9969	0,9816

В таблице 2.31 и таблице 2.32 имеются несколько значений, не попадающих в заданный нами диапазон, но меняющихся при построении линий тренда полиномом четвёртой степени, либо линейной функцией. Свойства этих параметров может быть использовано при нахождении оптимальных моделей. Возможность использования значений полинома четвёртой степени определяется только при условии наличия трёх точек экстремумов в рассматриваемых отношениях пар параметров. Использование линейных функций не ограничивается данным условием, однако их применение при оптимизации линейных построений не несёт оптимизационный характер.

Из данного параграфа можно сделать ряд выводов:

Исследуемые параметры однозначно сортируются по коэффициенту смешанной корреляции;

Значения коэффициента смешанной корреляции позволяют составлять комбинируемые модели с учётом степени полинома, отражающего линию тренда;

Оценочные параметры могут иметь различную степень точности, которая должна быть ранжирована при необходимости оптимизации моделей;

Некоторые значения коэффициента смешанной корреляции позволяют использовать полиномы четвёртой степени или линейные функции.



Список литературы

1.Автоматизированные информационные технологии в экономике: Учебник/ Под ред. Г.А. Титоренко. - М.: ЮНИТИ, 2001. - 399 с.

2.Акинин П.В., Минаков В.Ф., Бурым А.В. Исследования формирования информационных ресурсов Ставропольского края // Новые технологии в управлении, бизнесе и праве. Труды 4-й международной конференции. -Невинномысск: Изд-во Института управления бизнеса и права, 2004, с.11-15.

3.Алфимов М.В. Новая модель инновационного процесса. // Вест. РФФИ. -М., 1998,№2,с.З-5.

4.Андреева Е. Г. Математические модели в экономике: Учеб. пособие.-Омск: Изд-во ОмГТУ , 2004. - 40с.

5.Андрейчиков А.В., Андрейчикова О.Н. Анализ, синтез, планирование решений в экономике. - М.: Финансы и статистика, 2000. - 368с.

6.Бабинцев B.C. США: приоритеты НТП. Научно-техническая политика и стратегия. М., Наука, 1988, с. 137.

7.Бачурин А.В. Экономические методы в системе управления.- М.: Мысль, 1993.-273с.

8.Белоусов В.Л., Дегтярев Ю.И. Как оценить эффективность функционирования госсектора в науке? //Промышленный еженедельник № 33 (82) 13-19 сентября 2004 г.

9.Беляков С.А. Основные направления государственного регулирования в сфере высшего образования за рубежом / Спб, 1996, - 25с.

10.Бендиков М.А. Оценка реализуемости инновационного проекта. Менеджмент в России и за рубежом №2, 2001, с.27-44.

11.Брагина Е.А. Модель развития новых индустриальных стран. / Вестник РАН. М., 1998,т.68,№1,с.85-89.

12.Васильев В.И., Красильников В.В., Плаксий СИ., Тягунова Т.Н. Статистический анализ многомерных объектов произвольной природы. М.: Издательство ИКАР, 2004, - 382с.

13.Васильев В,Сухорукова М. Информационное общество и образование. // Высшее образование в России. -2004. - №7. - С. 122-129.

14.Васильева Е.Н. Инновационность в обучении будущего специалиста. // Стандарты и мониторинг в образовании.-2004.-№32.-с.35-36.

15.Введение в рыночную экономику: Под ред. А.Я.Лившица, И.Н. Никулиной. - М.: Высш. шк., 1994. - 447 с.

16.Ветров Ю., Глухов И. Информационные технологии в образовательном пространстве технического университета. //Высшее образование в России. -2004.-№3.-С71-76.

17.Виленский П.Л., Лившиц В.Н., Орлова Е.Р., Смоляк С.А. Оценка эффективности инвестиционных проектов. --М.: Дело,1998, с.248.

18.Гапоненко Н. Инновации и инновационная политика на этапе перехода к новому технологическому порядку / Вопросы экономики, 1997, №9, С. 84-97.

19.Геворкян Е., Мотова Г., Наводнов В. Развитие системы аккредитации высшего образования в Российской Федерации. // Вестник высшей школы .-2004.-№1.-С.25-28.

20.Герасименко Т., Куприянов М., Поповичева Н..Вуз в системе профильного обучения //Высшее образование в России. -2004. - №4. -С.49-53.

21.Глисин Ф.Ф. Инновационная деятельность промышленных предприятий России в первом полугодии 2000 года. // Промышленность России, №9, сентябрь 2000, с.27.

22.Гольдштейн Г.Я. Инновационный менеджмент: Учебное пособие.

Таганрог: Изд-во ТРТУ, 1998. - 132с.

23.Гольдштейн Г.Я. Стратегические аспекты, управления НИОКР:

монография. - Таганрог: Изд-во ТРТУ, 2000, 244 с.

24.Гохберг Л., Кузнецова И. Вузовская наука: перспективы развития. // Высшее образование в России. -2004. - №4. - С. 107-120.

25.Гройс Б. Инновация как вторичная обработка. / Сборник «Мысль изречённая...», М., 1991

26.Гузеев В.В. Планирование результатов образования и образовательная технология. - М.: Нар. образование, 2001. - С. 238.

27.Гусаков М.А., Максимов В.В., Румянцев А.А. Методология исследования проблем научной и инновационной деятельности в регионе. - СПб., 1996, 112 с.

28.Денисенко П.А. Управление информационным контуром вуза// Инновации в образовании.- 2001.- №5.- С.43-51.

29.Денисов Ю.Д. Пути развития российской науки в свете японского опыта. / Японский опыт для российский реформ. - М., 1997, вып.З, с. 17-26. Дерябин Ю.С. Шведская модель в действии: инновационный подход к подготовке кадров и научным исследованиям в вузах. // Высшее образование сегодня.-2004.-№5.-С.34-40.

30.Дмитриев А.Н., Журавлёв Ю.И., Кренделев Ф.П. О математических принципах классификации предметов и явлений // Дискретный анализ.-Новосибирск: Вып 7, 1966.

31.Доклад Правительству РФ "Основные направления государственной научно-технической политики на среднесрочный и долгосрочный периоды". Минпромнауки РФ. Декабрь 2000г.

32.Донцова Л.В. Инновационная деятельность: состояние, необходимость государственной поддержки, налоговое стимулирование. //Менеджмент за рубежом. №3, 1998

33.Дудченко B.C. Основы инновационной методологии - М: На Воробьевых, 1996,68с.

34.Евланов Л.Г. Экспертные оценки в управлении. - М.: Экономика, 1996.-133с.

35.Емельянов А.С. Общественное производство: динамика, тенденции, модели.-Киев.: 1980.-318с.

36.Завлин П.Н. Инновационное предпринимательство: организация,

статистика, проблемы // Инновации, 1996, №3, с.8.

37.Завлин П.Н., Ипатов А.А., Кулагин А.С. Инновационная деятельность в условиях рынка. СПб, 1994.

38.Закон РФ №110-ФЗ от 09.07.93 г. Об авторском праве и смежных правах. -М.: 1993.- 12 с.

39.Закон РФ №24-ФЗ от 20.02.95 г. Об информации, информатизации и защите информации. - М.: 1995. - 16 с.

40.Закон РФ №3523-1 от 23.09.92 г. О правовой охране программ для электронных вычислительных машин и баз данных. - М.: 1992. - 6 с.

41.Иванова И. Рынок труда и рынок образования: как устранить дисбаланс?// Высшее образование в России. -2004. - №7. - С.3-Ю.

42.Ильенкова С.Д. Инновационный менеджмент. М.:- Банки и биржи, 1997.

43.Имитационное моделирование экономических процессов. Под ред. д.э.н. А.А. Емельянова.- М.: Финансы и статистика, 2004 - 364с.

44.Инновации в постсоветской промышленности. Часть I. //ред. Кабалина В.И., Сыктывкар, 2000, с. 108-109

45.Иншаков О.В., Воронин А.А., Шаркевич И.В. Виртуальная саморазвивающаяся региональная информационно-познавательная среда. -Волгоград: Изд-во ВолГУ, 2001. - 28 с.

46.Исследование операций в экономике: Учебное пособие для вузов / Н.Ш. Кремер, Б.А. Путко, И.М. Тришин, М.Н. Фридман; Под ред. проф. Н.Ш. Кремера. - М.: ЮНИТИ, 2001.- 407 с.

47.Канторович Л.В., Горстко А.Б. Математическое оптимальное программирование в экономике. М., «Знание», 1968.

48.Карасёв А.И., Кремер Н.Ш., Савельева Т.И. Математические методы и модели в планировании. -М.: Экономика, 1987.

49.Карташевич А.Н., Носкова, Т.Н., Скикевич С.А. Высшее образование в США //Педагогика.-2004.-№3.-С.93-96.

50.Кинелев В.Г. образование для формирующего информационного общества. //Информатика и образование.-2004.-№5.-С.2-9.

51.Киселев А. Управление развитием высшего образования: некоторые тенденции // Вестник высшей школы .-2004.-№2.-С.4-9.

52.Кобзев А., Уваров А. Учебно- инновационный комплекс как средство поддержки инновационного образования. // Вестник высшей школы.-2004.-№2.-С.6-12.

53.Ковалев Г.Д. Инновационные коммуникации. - М.: ЮНИТИ-ДАНА, 2000

54.Кондратьев Н.Д. Основные проблемы экономической статики и динамики: Предварительный эскиз. - М.: Наука, 1991.- 570 с.

55.Козырев А.Н. Оценка интеллектуальной собственности. М., 1997, 289 с.

56.Комков Н.И., Кулакин Г.К. Проблемы формирования национальной модели науки. / Вестник РАН. - М., 1997, т.67, №12, с.1066-1076.

57.Кондратьев Н.Д. Большие циклы конъюнктуры и теория предвидения. -М.: Экономика, 2002. - 767 с.

58.Косалс Л.Я. Социальный механизм инновационных процессов: сравнительный анализ советского и постсоветского периодов // Экономическая наука современной России, 2000, №3.

59.Львов Д.С. Проблемы долгосрочного социально-экономического развития России (научный доклад на Президиуме РАН). - М.: РАН, 2002. -45 с.

60.Мизинцева М.Ф. Информационные механизмы развития региональных хозяйственных систем. - Волгоград: Изд-во Волгоградского государственного университета, 2001. - 332 с.

Размещено на Allbest.ru