Содержание к диссертации
Введение
1. Взаимодействие рынка труда и системы профессионального образования 9
1.1. Анализ регионального рынка труда 9
1.2. Анализ региональной системы образования 12
1.3. Графический анализ статистических данных, связанных с распределением кадров различного уровня образования 17
1.4. Анализ систем мониторинга и прогнозирования потребностей регионального рынка труда в профессиональных кадрах 23
Выводы 32
2. Прогнозирование потребностей регионального рынка труда в профессиональных кадрах 33
2.1. Методы прогнозирования потребностей регионального рынка труда 33
2.2. Методика среднесрочного прогнозирования потребностей регионального рынка труда в профессиональных кадрах 40
2.3. Методика принятия решений при определении наилучшего метода прогнозирования 48
2.4. Прогноз на основе опроса работодателей 54
2.5. Построение прогноза с учетом мнения работодателей 58
Выводы 63
3. Поиск целесообразных траекторий обучения в системе профессионального образования 64
3.1. Построение возможных траекторий обучения 64
3.2. Способы анализа текстовой информации 68
3.3. Разработка алгоритма принятия решений при выборе оптимальных траекторий продолжения обучения 77
Выводы 82
4. Методические и практические аспекты применения системы мониторинга и прогнозирования 83
4.1. Состав системы мониторинга и прогнозирования
4.2. Модуль сбора и обработки первичной информации 84
4.3. Модуль мониторинга 86
4.4. Модуль прогнозирования 92
4.5. Модуль администрирования 93
4.6. Модуль визуализации результатов работы системы 95
4.7. Обоснование выбора программных средств разработки и развертывания системы мониторинга и прогнозирования 98
4.8. Тестирование и эксплуатация системы 103
Выводы 104
Заключение 105
Список литературы 106
- Графический анализ статистических данных, связанных с распределением кадров различного уровня образования
- Методика среднесрочного прогнозирования потребностей регионального рынка труда в профессиональных кадрах
- Способы анализа текстовой информации
- Модуль прогнозирования
Графический анализ статистических данных, связанных с распределением кадров различного уровня образования
Регионом называется территориальная подсистема государства, выделенная по различным признакам: административному, экономико-географическому, воспроизводственному, которая имеет собственные цели развития. Регион включает управляющую подсистему, обеспечивающую достижения поставленных целей посредством интеграции внутри региональных структур и межрегиональных контактов [52], [53]. Одним из наиболее важных факторов обеспечения эффективного развития региональной экономики является существование развитого рынка труда. Рынок труда обеспечивает функционирование экономики региона на основе действия системы спроса и предложения и является визуализацией систем общественной организации наемного труда в условиях рыночных отношений [22].
Распределение численности занятого населения по видам экономической деятельности в Пензенской области в 2012 году
При углубленном рассмотрении вопросов эффективного управления рынком труда возникает вопрос источников обеспечения профессиональными кадрами регионального рынка труда. Очевидно, что данный вопрос должен быть изучен во взаимосвязи с региональным рынком образовательных услуг.
Первую фазу воспроизводства трудовых ресурсов составляет получение способностей к труду посредством обучения в системе общего и специального образования, профессиональной подготовки, а также восстановление и развитие способностей к труду, наряду с естественным воспроизводством населения [23]. Таким образом, основным рычагом влияния на структуру рынка труда является выпуск новых квалифицированных специалистов образовательными учреждениями. Государство имеет возможность обеспечивать удовлетворение потребности развивающейся экономики в кадровых ресурсах за счет управления образовательными услугами, опираясь на потребности регионального рынка труда. Конечная цель такого воздействия – возможность получения необходимого количество трудовых ресурсов, которые бы соответствовали нужному уровню образования и квалификации в определенные сроки и за минимальную стоимость [6].
Определив наиболее эффективный способ влияния на региональный рынок труда, необходимо найти эффективные механизмы воздействия на систему образования.
Подготовка профессиональных кадров – процесс достаточно длительный. Для того чтобы внести изменения и повлиять на количество и качество подготавливаемых профессиональных кадров в соответствии с прогнозом, потребуется от четырех до шести лет. Можно сделать вывод, что система образования обладает инертностью, потому что зачастую не успевает своевременно отреагировать на быстрые изменения на региональном рынке труда.
Низкое внимание государства к социальной сфере в конце прошлого столетия, в частности к проблемам трудоустройства, привело к образованию сильных деформаций и асимметрий в этих областях [15, 19, 20]. В результате образовалась структурная безработица, когда рынок труда не имеет возможности или не успевает приспосабливаться к изменениям спроса и производства. Структурная безработица является показателем низкой эффективности функционирования рынка труда и движения рабочей силы между различными отраслями экономики. Она обусловлена недостаточной мобильностью рабочей силы, недостатками информационной системы рынка труда, а также недостатками системы подготовки и переподготовки профессиональных кадров[6].
Россия присоединилась к Болонскому процессу в сентябре 2003 года, в рамках которого система образования переходит на двухуровневую систему высшего образования, включающую бакалавриат с продолжительностью обучения 4 года и магистратуру с продолжительностью обучения 2 года. Болонский процесс — процедура сближения и гармонизации систем высшего образования европейских стран с целью создания единого пространства высшего образования. Официальной датой начала процесса принято считать 19 июня 1999 года, когда была подписана Болонская декларация.
Главное преимущество новой системы обучения в условия динамично развивающегося рынка труда – это возможность после четырех лет обучения в бакалавриате более точно определить свои интересы и потребности и, исходя из этого, выбрать более узкое направление подготовки и профиль магистратуры. Еще одно преимущество состоит в возможности получить две разные специальности, в том числе за рубежом. Таким образом, данное нововведение позволит уменьшить время реакции системы образования на быстроизменяющееся состояние регионального рынка труда.
Проблема структурной безработицы является серьезным препятствием для развития экономики страны. Введение двухуровневой системы подготовки кадром и унификация систем профессионального образования не в состоянии решить эту задачу. Таким образом, необходимо комплексное управление взаимосвязями регионального рынка труда и системы образования, что на текущий момент является актуальной задачей.
Методика среднесрочного прогнозирования потребностей регионального рынка труда в профессиональных кадрах
Существует несколько подходов к прогнозированию развития образовательных систем региона, каждый из которых отличается преобладающим интересом определенного субъекта. Интересы региональной системы образования, интересы индивида и интересы экономики региона могут достаточно сильно различаться в рамках одного региона. Основными принципами прогнозирования развития региональных систем образования являются [12]:
Для прогнозирования развития региональной системы образования предлагается придерживаться принципа удовлетворения потребностей региональной экономики в профессиональных кадрах. Таким образом, для расчета количества и определения структуры выпуска из образовательных учреждений профессионального образования необходимо опираться на реальную потребность экономики в кадрах.
В [6] и [12] была предложена методика прогнозирования перспективных потребностей рынка труда в выпускниках системы профессионального образования. Методика берет за основу следующие значимые параметры, касающиеся мониторинга текущих и прогнозирования перспективных потребностей регионального рынка труда в специалистах с высшим профессиональным образованием [8]. Среди них:
Однако, в связи с Постановлением Госстандарта РФ от 06.11.2001 N 454-ст "О принятии и введении в действие ОКВЭД", Общесоюзный классификатор "Отрасли народного хозяйства" (ОКОНХ) отменен с 1 января 2003 года.
Требуется внести коррективы в методику и выполнять прогнозирование потребностей региональной экономики в профессиональных кадрах в разрезе 28 укрупненных групп специальностей на основании развития экономики по 17 видам экономической деятельности.
Периодичность обновления выделенных значимых параметров составляет один год, поэтому время рассматриваемой модели дискретно. Введем переменную, обозначающую диапазон времени і, где і = і0 ... i, i0 - начало интервала сбора статистики, ц- конец интервала сбора статистики. Обозначим текущий год как it, тогда N(it Є Glx28 вектор потребности экономики региона в профессиональных кадрах в год ц в разрезе 28 укрупненных групп специальностей.
Удовлетворение потребности региона в профессиональных кадрах заключается в соответствии структуры спроса (уровень образования, направление подготовки) на рынке труда и предложения рынка образовательных услуг.
Определим количество выпускников из образовательных учреждений региона к году it как: Rit Є lx28 - вектор выпуска в it году в разрезе 28 специальностей. Таким образом задача согласования выпуска кадров и потребностей региональной экономики выражается уравнением: Rit = Nit (2.1) Уравнение (2.1) определяет количество выпускников, необходимых для полного восполнения потребностей экономики региона. Данная задача сводится к двойственной задаче оптимизации (2.2):
Для решения задачи оптимизации (2.2) необходимо выделить проектные параметры, которые будут являться изменяемыми. В данном случае таковыми параметрами являются выпуски из образовательных учреждений региона. Так как правая часть уравнения (2.1) является неизменяемой, вначале необходимо определить потребности региональной экономики.
Для определения потребностей региональной экономики в разрезе 17 видов экономической деятельности в профессиональных кадрах 28 укрупненных групп специальностей необходимо разработать матрицу соответствия. Строки данной матрицы соответствуют 17 видам экономической деятельности, а столбцы – 28 укрупненным группам специальностей. На пересечении строк и столбцов матрицы расположены коэффициенты, которые отражают процент занятых кадров, имеющих образование по специальности в виде экономической деятельности . Обозначим этот коэффициент как ,., тогда
Схожая задача решалась в [6], [12], однако матрица соответствия проектировалась в разрезе 13 отраслей экономики, что на текущий момент в связи с упразднением классификатора ОКОНХ не является актуальным.
Допущение (2.3) означает, что все выпускники по любой из -ой специальности имеют возможность быть трудоустроенными в рамках 17 видов экономической деятельности. Пример матрицы соответствия приведен в приложении Г.
В силу инерционной структуры экономики и технологий большинства производств, а также одинаковой потребности при производстве продукта в кадрах заданной квалификации на среднесрочном интервале прогнозирования, делается допущение, что коэффициенты матрицы соответствия являются статичными или незначительно изменяются с течением временем [6]. Коэффициенты матрицы соответствия "специальность – вид экономической деятельности" определяются с помощью экспертных оценок.
Учитывая допущение (2.3), вектора потребностей региональной экономики в профессиональных кадрах в разрезе УГС вычисляются посредством поэлементного округления результата умножения транспонированной матрицы коэффициентов Кт на вектор NVit Є G17x1 - вектор потребностей региональной экономики в разрезе видов экономической деятельности:
Инерционный характер развития экономики и демографический фактор сильно определяют структуру потребности экономики региона в профессиональных кадрах [6]. Структура и состав потребности зависит от оценки значений вектора занятых в экономике к году it в разрезе видов экономической деятельности и уровня образования, и от коэффициента ротации rt(it). Коэффициент rt(it) является долей обновляющегося кадрового состава в год it. Обычно коэффициент ротации rt(it) принимается за константу:
Теперь необходимо определить вектора потребностей NV(it. Вектора занятых в экономике по видам экономической деятельности NV(it. являются временными рядами, развитие которых можно прогнозировать специальными методами. В следующем разделе предложена методика определения наиболее точного метода прогнозирования временных рядов с использованием ретроспективного анализа. Метод, который по результатам расчетов является наиболее точным, применяется для прогнозирования количества занятых в экономике по видам экономической деятельности. Результатом работы метода прогнозирования будет являться временной ряд, дополняющий существующий на п лет, где п - длина интервала прогнозирования. Обозначим спрогнозированный временной ряд как FiVKit, где F - функция прогнозирования, реализующая метод прогнозирования временных рядов.
Способы анализа текстовой информации
Алгоритмы, основанные на «методе гипотез» и «методе характеристик» могут самостоятельно решать задачу установления изоморфизма двух графов, однако, при их использовании конечная цель, то есть получение соответствующих единичных множеств в двух графах, не всегда достигается. Поэтому чаще всего в существующих эвристических алгоритмах используется «комбинированный метод», в котором первоначальное разделение вершин (ребер) проводится на основе известных свойств вершин (ребер), а затем, когда дальнейшее разделение на основе таких свойств с применением рекуррентного правила становится невозможным, применяется «метод гипотез» для получения окончательного разделения.
В рамках системного подхода задачи анализа структурного описания (под которым понимается представление структуры определенным видом, достаточным для решения конкретных задач декомпозиции, анализа и синтеза) в большинстве случаев можно свести к задачам структурной идентификации, в частности идентификации информационных структур, и принятия решений на основе интерпретации полученных результатов [62] в соответствии с S-принципом (под которым понимается установление структурного соответствия оцениваемых (исследуемых) структур некоторой эталонной (типовой) структуре) ситуационно-структурного управления [61].
В соответствии с S-принципом под структурной идентификацией понимается отображение оцениваемого структурного описания в пространстве эталонных структурных образов, которое назовем пространством ситуационно структурного управления, представляющим класс множеств структурных состояний (множество структурных ситуаций) детерминированных (параметрически идентифицированных) по управлению, т.е. таких, оценочные параметры которых взаимно-однозначно соответствуют параметрам управления (варианту принятия решений).
В зависимости от способа отображения и от целей оценивания анализируемой структуры, могут решаться различные задачи структурной идентификации, совокупность которых составляет совокупность задач IS-анализа.
В зависимости от конкретных целей структурного анализа обусловленных качественными постановками конкретных задач анализа объектов в рамках системного подхода задачи IS-анализа могут ставиться и решаться, как задачи поиска информационных, функциональных пространственных аналогов (ISI и CSI-задачи) или фрагментов-аналогов (GSI и CGSI-задачи)[61], а также как задачи интегрального структурного анализа, учитывающего различные виды связности.
Использование S-принципа при решении описанных задач состоит в проведении IS-анализа, в процессе которого могут решаться различные задачи установления эквивалентности (сходства) или «близости» (частичной эквивалентности, частичного сходства) структурной связности эталонной структуры Sэ и структур класса множеств P.
Если упрощенно структуру оцениваемого учебного плана (или ГОС где k=0) Sk Є Pk представить в виде семантической структуры (семантической структурной модели) описываемой кортежем Hk= Lk,Vk , в котором Lk={Luk, Ll2\... множество информационных элементов; множество предикатов, видов отношений на множестве Lt X Lt и определяющих сигнатуру Нк, то в соответствии с S-принципом, сформулированная на качественном уровне задача профессиональной переориентации (переподготовки) может быть поставлена как обратная задача IS-анализа т.е. как задача структурной идентификации Hk= Lk,Vk в пространстве R={RhR2,...Rk}, где Rk ={Hjk,H2k,...Hk,...Hnk}, нк -семантическая эталонная структура, описывающая (идентифицирующая) учебный план (ГОС) подготовки по необходимой специальности.
Такая задача может быть решена, как задача поиска обратного отображения :Нэк- Rk, где - способ (правило) формирования отображения; (Нк) -образ эталонной семантической структуры в пространстве образов Rh , удовлетворяющий условно (Hk)CRk.
В соответствии с [61] данная задача может решаться в зависимости от способа отображения , как одна из следующих обратных задач IS-анализа:
Обратная задача изоморфной структурной идентификации (ISI-задача); Обратная задача частично-изоморфной структурной идентификации (CSI -задача); Обратная задача гомоморфной структурной идентификации (обратная задача гомоморфно-структурного покрытия (GSI -задача)); Обратная задача частично-гомоморфной структурной идентификации (обратная задача частично-изоморфного структурного покрытия (CGSI-задача)). В частности, в интерпретации ISI-задачи IS-анализа она может быть поставлена, как задача поиска отображения Ш:Нэк- Rk, удовлетворяющего условию: VSk - Hk З Нк Є Rk - SkV lkv /ft є L3 3 /,
Несмотря на то, что данная задача может интерпретироваться как одна из перечисленных выше задач IS-анализа, все задачи в зависимости от вида накладываемых ограничений, могут быть сведены к ISI-задаче в постановке (3.3). Это иллюстрирует инвариантность видов задач IS-анализа к методам их решения и некоторой базовой задаче, в качестве которой можно рассматривать, в частности, задачу разбиения исходного класса множеств семантических структур на класс множеств структур эквивалентных (частично-эквивалентных) эталонным структурам.
В качестве базового метода решения поставленных задач может быть успешно использован базовый метод IS-анализа - метод изоморфной структурной кристаллизации графов [43], [7].
Самообучающиеся алгоритмы (наиболее известный вариант - нейронные сети) - это сильно упрощенное подобие организации человеческого мозга. Есть масса объектов, между которыми можно построить неограниченное количество связей. Именно организация этих связей и есть описываемая модель. А работа с подобными системами сводится к тому, что мы вливаем в эту сеть историю изучаемого процесса. Система выбирает закономерности и формирует модель процесса. Постепенно, методом проб и ошибок, эта модель адаптируется и получается необходимый инструмент [46]. Самообучающиеся алгоритмы – наиболее приемлемый метод для построения моделей на основе неструктурированной информации (текстовой информации). Но данный метод имеет свои особенности и сложности [46].
Перед внесением данных в нейросеть их нужно тщательно обработать, удалив «мусор». Иначе внеся «мусор» на входе – получите «мусор» и на выходе. В первую очередь необходимо выбрать основополагающие свойства оригинала. Те свойства, которые оказывают максимальное воздействие на интересующие нас стороны существования объекта изучения. Например, мы хотим смоделировать поведение генерального директора компании.
Модуль прогнозирования
Именно они были выбраны в качестве форматов выходной информации табличного вида, так как удовлетворяют требованиям, предъявляемым к материалам, генерируемым системой мониторинга и прогнозирования.
Графическое представление информации отличается выразительностью, лаконичностью, универсальностью и хорошо подходит для проведения оперативного анализа данных. Обозримость графических изображений сделали их незаменимыми в исследовательской работе и в сопоставлении социально-экономических явлений.
В разработанной системе графическое представление используется для отображения Динамических процессов, протекающих на рынке образовательных услуг и на региональном рынке труда.
Графические изображения в своем большинстве являются растровыми изображениями со всеми достоинствами и недостатками. Если обратиться к пунктам требований, предъявляемых к материалам, то можно отметить, что растровые изображения не в полной мере удовлетворяют им. Во-первых, так как вышеперечисленные типы диаграмм хорошо описываются геометрическими примитивами (точка, линия, окружность, сектор), то применять растровый способ хранения невыгодно с точки зрения объема хранимых данных. Во-вторых, печать растровых изображений подвержена эффектам пикселизации и алиасинга. Векторные графические форматы лишены вышеописанных недостатков, поэтому в системе мониторинга и прогнозирования графическая информация представлена именно в векторном виде.
Из списка проанализированных векторных форматов(.dwg, .cdr, .ai, svg), наиболее подходящим оказался формат svg. Современные браузеры предлагают поддержку формата svg по-умолчанию. Он обладает всеми преимуществами векторных форматов перед растровыми, но также существует ключевое преимущество перед другими векторными форматами - формат svg является открытым и не принадлежит какой-либо компании.
Таким образом, для удовлетворения требований к материалам, генерируемым системой мониторинга и прогнозирования, был сформирован список способов представления результирующей информации:
На сегодняшний день существует большое количество технологий, с помощью которых возможно создать веб-приложение. При разработке веб-приложений уровня предприятия необходимо определить инструментарий разработки, в первую очередь язык программирования и веб-фреймворк.
Выбор языка программирования (ЯП)[50, 67] Правильный выбор языка программирования дает возможность создать, простое в отладке, поддержке, документировании и отладке ошибок решение. При выборе языка программирования учитываются следующие факторы:
Является наиболее важным фактором при выборе языка. Целевой платформой, на которой развернута система мониторинга и прогнозирования является Linux. Гибкость языка Гибкость языка определяется тем, насколько легко можно добавлять к существующей программе новые функциональные возможности. Это может быть добавление нового набора функций или использование существующей библиотеки для добавления новой функциональности. Назначение языка Каждый язык программирования создается для конкретной сферы применения. Такие языки как С, С++ являются компилируемыми, платформозависимыми предназначены для разработки прикладных приложений; Java является компилируемым, кроссплатформенным языком программирования, предназначенным для разработки прикладных приложений; Python, Ruby – интерпретируемые языки сценариев, предназначенные для выполнения сценариев операционной системы; PHP – интерпретируемый, кроссплатформенный язык, предназначенный для разработки динамических веб-приложений.
Время исполнения проекта Время исполнения – это время, необходимое для создания рабочей версии программы, т.е. версии, готовой для работы в производственных условиях и выполняющей предусмотренные функции. Время исполнения проекта очень зависит от размера кода. Теоретически, чем легче изучить язык и чем меньше объем кода, тем меньше это время.
Ко времени исполнения проекта можно добавить время, затрачиваемое на освоение незнакомого языка программирования разработчиками. Соответственно, наиболее целесообразным является использование знакомого языка программирования при прочих равных условиях и оценках. Производительность Каждая программа и платформа имеет определенный предел производительности, и на эту производительность влияет используемый при разработке язык. Существует множество способов сравнения скорости работы в одинаковой среде программ, написанных на разных языках. Поддержка и сообщество Язык программирования, как и хорошая программа, должен опираться на твердую поддержку сообщества. Язык с активным форумом, скорее всего, будет популярнее замечательного языка, помощь по которому трудно найти. Так как система мониторинга и прогнозирования является веб ориентированной, целесообразно рассматривать языки программирования, предназначенные непосредственно для разработки веб-приложений или имеющие специальные модули или веб-фреймворки, позволяющие создавать веб-приложения. Такими языками из вышеперечисленных языков программирования являются Java, Python, Ruby, PHP. Сравнение данных языков приводится в таблице 4.1.
