Методика прогнозирования востребованности выпускников вузов с применением интеллектуального анализа данных
(Стр. 67-79)
Подробнее об авторах
Преснецова Виктория Юрьевна
кандидат технических наук, доцент; доцент, кафедра индустриального программирования, Институт перспективных технологий и индустриального программирования
МИРЭА – Российский технологический университет
г. Москва, Российская Федерация Константинов Игорь Сергеевич доктор технических наук, профессор; профессор, кафедра индустриального программирования, Институт перспективных технологий и индустриального программирования; МИРЭА – Российский технологический университет; г. Москва, Российская Федерация
МИРЭА – Российский технологический университет
г. Москва, Российская Федерация Константинов Игорь Сергеевич доктор технических наук, профессор; профессор, кафедра индустриального программирования, Институт перспективных технологий и индустриального программирования; МИРЭА – Российский технологический университет; г. Москва, Российская Федерация
Нажимая на кнопку купить вы соглашаетесь с условиями договора оферты
Аннотация:
Целью настоящего исследования является разработка и экспериментальная проверка комплексной методики прогнозирования востребованности выпускников высших учебных заведений на региональном рынке труда с применением технологий интеллектуального анализа данных (Data Mining). В качестве эмпирической базы использованы годовые отчеты мониторинга трудоустройства выпускников Орловского государственного университета имени И.С. Тургенева за 2022–2024 гг., включающие сведения о численности выпускников, статусах занятости и динамике спроса по 76 укрупненным направлениям подготовки. Методика объединяет регрессионную модель случайного леса, прогнозирующую уровень трудоустройства на горизонте трех лет, и алгоритм K-means, сегментирующий образовательные программы по степени востребованности. Полученные результаты позволили классифицировать направления подготовки на кластеры «высокий», «средний» и «низкий» спрос, а также выявить тренды роста в областях информационных технологий, энергетики и машиностроения, и потенциальный спад в ряде гуманитарных специальностей. Модель продемонстрировала высокую точность (MAE = 13,33%, RMSE = 17,24%, R2 = 0,78) и устойчивость к мультиколлинеарности признаков (VIF ≈ 1), что подтверждает надежность прогнозов. Предлагаемая методика рекомендована для регулярного использования вузами и региональными органами управления образованием при планировании приемной кампании, корректировке учебных планов и разработке цифровых панелей мониторинга кадровых потребностей.
Образец цитирования:
ОБРАЗЕЦ ЦИТИРОВАНИЯ: Преснецова В.Ю., Константинов И.С. Методика прогнозирования востребованности выпускников вузов с применением интеллектуального анализа данных // Computational Nanotechnology. 2025. Т. 12. № 5. С. 67-79. DOI: 10.33693/2313-223X-2025-12-5-67-79. EDN: EKMOPL
Список литературы:
Абашин В.Г., Преснецова В.Ю., Пресняков В.М. Влияние цифровизации на устойчивое сбалансированное развитие региональных социально-экономических систем // Инновации и инвестиции. 2024. № 4. С. 265–267.
Астратова Г.В., Бедрина Е.Б., Ларионова В.А. и др. Высшее образование и рынок труда в цифровой экономике: развитие математических методов и средств исследования сложных экономических систем / под общ. ред. Г.В. Астратовой М.: Перо, 2021 330 с. ISBN: 978-5-00189-423-0.
Гудфеллоу И., Бенджио Й., Курвил А. Глубокое обучение / пер. с англ. М.: ДМК Пресс, 2018. 656 с.
Кутузов А.А., Петров М.С. Методы оценки качества моделей машинного обучения // Журнал вычислительной математики и математической физики. 2020. Т. 60. № 3. С. 456–470.
Митяков Е.С., Куликова Н.Н., Горина Т.В. Концептуальная модель формирования и реализации инновационной политики технического вуза // Развитие и безопасность. 2024. № 1 (21). С. 58–71.
Петрова Е.В. Визуализация данных в Python: от Matplotlib до Seaborn // Программирование и компьютерные технологии. 2021. № 2. С. 112–125.
Сафронов А.Н. Анализ остатков в регрессионных моделях: теория и практика // Прикладная эконометрика. 2019. № 4. С. 25–38.
Степусь И.С., Аверьянов А.О., Гуртов В.А. Индикаторы взаимосвязи системы образования и рынка труда: разработка и апробация // Интеграция образования. 2022. Т. 26. № 4 (109). С. 594–612.
Фальков В.Н. Новая система высшего образования должна быть адаптирована к потребностям рынка труда // Пензенский государственный университет. 2023. URL: https://www.pnzgu.ru/news/2023/03/14/16481531 (дата обращения: 10.04.2025).
Хасти Т., Тибширани Р., Фридман Дж. Элементы статистического обучения: обработка данных, вывод и прогнозирование / пер. с англ. М.: Вильямс, 2006. 736 с.
Breiman L. Random forests // Machine Learning. 2001. Vol. 45. Issue 1. Pp. 5–32.
Dawson N., Rizoiu M.-A., Johnston B., Williams M.-A. Predicting skill shortages in labor markets: A machine learning approach // arXiv. 2020. URL: https://arxiv.org/abs/2004.01311 (data of accesses: 10.04.2025).
Douaioui K., Oucheikh R., Benmoussa O., Mabrouki C. Machine learning and deep learning models for demand forecasting in supply chain management: A critical review // Applied System Innovation. 2024. Vol. 7. № 5. Art. 93. DOI: 10.3390/asi7050093.
Kim K. Forecasting labor demand: Predicting JOLT job openings using deep learning model // arXiv, 2025. URL: https://arxiv.org/abs/2503.19048 (data of accesses: 10.04.2025).
Астратова Г.В., Бедрина Е.Б., Ларионова В.А. и др. Высшее образование и рынок труда в цифровой экономике: развитие математических методов и средств исследования сложных экономических систем / под общ. ред. Г.В. Астратовой М.: Перо, 2021 330 с. ISBN: 978-5-00189-423-0.
Гудфеллоу И., Бенджио Й., Курвил А. Глубокое обучение / пер. с англ. М.: ДМК Пресс, 2018. 656 с.
Кутузов А.А., Петров М.С. Методы оценки качества моделей машинного обучения // Журнал вычислительной математики и математической физики. 2020. Т. 60. № 3. С. 456–470.
Митяков Е.С., Куликова Н.Н., Горина Т.В. Концептуальная модель формирования и реализации инновационной политики технического вуза // Развитие и безопасность. 2024. № 1 (21). С. 58–71.
Петрова Е.В. Визуализация данных в Python: от Matplotlib до Seaborn // Программирование и компьютерные технологии. 2021. № 2. С. 112–125.
Сафронов А.Н. Анализ остатков в регрессионных моделях: теория и практика // Прикладная эконометрика. 2019. № 4. С. 25–38.
Степусь И.С., Аверьянов А.О., Гуртов В.А. Индикаторы взаимосвязи системы образования и рынка труда: разработка и апробация // Интеграция образования. 2022. Т. 26. № 4 (109). С. 594–612.
Фальков В.Н. Новая система высшего образования должна быть адаптирована к потребностям рынка труда // Пензенский государственный университет. 2023. URL: https://www.pnzgu.ru/news/2023/03/14/16481531 (дата обращения: 10.04.2025).
Хасти Т., Тибширани Р., Фридман Дж. Элементы статистического обучения: обработка данных, вывод и прогнозирование / пер. с англ. М.: Вильямс, 2006. 736 с.
Breiman L. Random forests // Machine Learning. 2001. Vol. 45. Issue 1. Pp. 5–32.
Dawson N., Rizoiu M.-A., Johnston B., Williams M.-A. Predicting skill shortages in labor markets: A machine learning approach // arXiv. 2020. URL: https://arxiv.org/abs/2004.01311 (data of accesses: 10.04.2025).
Douaioui K., Oucheikh R., Benmoussa O., Mabrouki C. Machine learning and deep learning models for demand forecasting in supply chain management: A critical review // Applied System Innovation. 2024. Vol. 7. № 5. Art. 93. DOI: 10.3390/asi7050093.
Kim K. Forecasting labor demand: Predicting JOLT job openings using deep learning model // arXiv, 2025. URL: https://arxiv.org/abs/2503.19048 (data of accesses: 10.04.2025).
Ключевые слова:
вуз, прогнозирование, рынок труда, трудоустройство выпускников, востребованность выпускников.
