Журнал магистров. Masters journal N 2

УДК 378.014.54:001.895

А.А. Меркушева, Н.В. Линькова

A.A. Merkusheva, N.V. Linkovа

Пермский национальный исследовательский политехнический университет

Perm National Research Polytechnic University

ИННОВАЦИОННЫЙ ПОТЕНЦИАЛ ВУЗА КАК ОСНОВА ИННОВАЦИОННОГО РАЗВИТИЯ ЭКОНОМИКИ РЕГИОНА

INNOVATIVE POTENTIAL OF THE UNIVERSITY

AS A BASIS FOR INNOVATION DEVELOPMENT

OF REGIONAL ECONOMY

Современные реалии выдвигают новые требования к качеству предоставляемых образовательных услуг. Требуются специалисты с качественно иными компетенциями. Отечественная система высшего образования пока слабо ориентирована на удовлетворение меняющихся потребностей образовательного пространства. Предлагается один из путей выхода из данной ситуации.

Modern realities put forward new requirements for the quality of educational services. Requires professionals with a qualitatively different competencies. National system of higher education is still poorly focused on meeting the changing needs of the educational space. The paper proposes a way out of this situation.

Ключевые слова: инновационные компетенции, инновационные кадры, инновационная экономика, инновационный вуз, конкуренция.

Keywords: innovative competence, innovative frames, innovative economy, innovative university, competition.

Любая организация или компания стремится к получению значимых конкурентных преимуществ, которые невозможны без использования интеллектуального капитала. В частности, для России, на наш взгляд, это является отправной точкой для создания устойчивого базиса модернизации экономики страны, повышения эффективности ее функционирования и формирования региональных инновационных центров с целью трансфера технологий и знаний [1]. Решение федеральных, общероссийских проблем так или иначе зависит от удовлетворения локальных региональных потребностей. В частном случае – от обеспечения местного рынка труда необходимым количеством высококвалифицированных кадровопределенныхспециальностей, имеющихинновационныйпотенциал.

311

В передовых странах разработка и внедрение технологических инноваций – основной фактор экономического и социального развития, обеспечивающий экономическую безопасность. Исследовательские университеты в западных странах занимают ведущее место в развитии экономики страны, их прибыль от инновационной деятельности намного выше, чем прибыль от платных образовательных услуг. Прирост внутреннего валового продукта осуществляется за счет новых знаний, внедренных в технологии, оборудование и организацию производства и колеблется в пределах 50–85 %. Объем мирового рынка инновационнойпродукциисоставляет2,5 трлндолл. [1].

Для России проблема стимулирования инновационной деятельности, повышения роли науки, сохранения производственного и научно-технического потенциала является особо актуальной сегодня, во время проведения рыночных реформ. Коммерциализация и практическое применение новых разработок, вывод на рынок новых товаров и услуг непосредственно связаны с представителями вузовской, академической и ведомственной науки. Именно в данных институтах создаются передовые инновации.

Высшее профессиональное образование является единственной сферой, которая создает главный ресурс, составляющий производительные силы общества – специалистов с высокой квалификацией для различных отраслей производства. Оно также является одним из важнейших институтов, обеспечивающих развитие общечеловеческого капитала, его накопление и сохранение [2].

Представим механизм воспроизводства инновационно-активных кадров, разработанный исследователем О.А. Латухой [3] (рисунок).

Рис. Механизм воспроизводства инновационно активных кадров

312

Производство инновационно активных кадров возможно лишь при наличии инновационного потенциала у самого вуза. Виды инновационной деятельности вуза можно сгруппировать по трем направлениям:

1)деятельность по созданию инноваций, как фактор развития инновационной деятельности вуза;

2)обучение инновационной деятельности, как фактор производства инновационных кадров;

3)образовательная деятельность, как фактор развития и поддержки инноваций.

Таким образом, к первому направлению относятся те виды работ, которые имеют отношение к процессу создания, освоения и распространения инноваций.

Второе направление – это особый вид работы вуза, стимулирующий инновационную деятельность как в отрасли, так и в самом вузе, что имеет существенное значение в условиях формирования экономики, основанной на знаниях.

Третье направление является традиционным для вузов, но в современных рыночных отношениях приобретает новый смысл: в вузах стали востребованы курсы повышения квалификации, круглые столы и семинарытренинги по проблемам развития различных отраслей [3].

Важными условиями для становления инновационной системы вузов

врегионе, по нашему мнению, являются:

–оценка потенциальных возможностей вуза, реальных результатов его деятельности и готовности к инновационным преобразованиям;

–ориентация на текущие и особенно перспективные потребности региональных экономических структур и, следовательно, обеспечение согласованности спроса и предложения на рынке услуг высшего образования [4];

–развитие партнерских взаимодействий с государственными и частными организациями, приобщение их к процессу обучения [5];

–оценка качества выпускаемых специалистов, регулярные опросы работодателей;

–анализисовершенствованиесистемывнутривузовскогоуправления[6];

–прозрачностьсистемыуправленияигибкостьбюрократическогоаппарата. Нами предлагается подход, согласно которому инновационный вклад

каждого вуза возможно оценить по предварительному анализу качественных и количественных показателей деятельности в каждом из описанных направлений. Полученная данным путем информация может быть оформлена в общий рейтинг вузов и использоваться региональными органами власти, работодателями и абитуриентами.

313

Не менее важным фактором для становления инновационной экономики региона является оценка удовлетворенности работодателями качеством выпускников, их квалификацией, готовностью привносить и отстаивать новые подходы

впрофессиональной деятельности. Данная обратная связь, на наш взгляд, поможет выявить и решить назревшие практические проблемы и в экономике страны, и в системе образования. Результатом подобного диалога социальных институтов может являться скорректированная программа обучения с учетом интересов производства, в частности с учетом потребностей основных предприятийработодателейвопределенныхзнаниях, качествах, уменияхинавыках[7].

Таким образом, для определения вектора инновационного развития региона важно произвести оценку инновационного потенциала вузов. На наш взгляд, необходимо исходить из трех принципиально важных моментов:

1)оценка ресурсов вуза и его внутренней деятельности;

2)оценка качества выпускаемых специалистов и взаимодействия с предприятиями региона;

3)степень взаимодействия с органами власти, обеспечение региона необходимыми кадрами.

На современном этапе для повышения эффективности экономики необходимы качественные изменения в системе управления внутренним потенциалом вузов – знаниями, творчеством, интеллектуальным потенциалом. Предполагаемая комплексная информация позволит измерить инновационный вклад каждого вуза в структуру экономики региона, а также выявить несоответствия потребностей производимых и требующихся кадров, их «качества» и количества относительно потребностей края [8]. Подобная стратегическая информация способствовала бы возникновению здоровой конкуренции между учебными заведениями

вплане завоевания перспективных сегментов рынка, повышения качества образовательных услуг. По нашему мнению, данная информация в значительной степени поможет повысить результативность и эффективность системы стратегического планирования в сфере образования не только на уровне отдельного учебногозаведенияирегиона, ноивмасштабахгосударствавцелом.

Список литературы

1.Интеграция науки, образования и производства – стратегия развития инновационной экономики. Пленарные доклады I Международной научнопрактической конференции (Екатеринбург, 25–26 января 2011 г.). – URL: http://science.usue.ru/attachments/276_plenar.pdf (дата обращения: 29.04.2013).

2.Сокольник И.В. Развитие и регулирование рынка слуг высшего профессионального образования: автореф. дис. … канд. экон. наук. – Княгинино, 2013. – 23 с.

314

3.Латуха О.А. Комплексная оценка инновационной деятельности вуза: теоретические и методические аспекты: автореф. дис. … канд. экон. наук. – Новосибирск, 2007. – 23 с.

4.Цыбулина Д.Н. Институциональная интеграция как инструмент развития сферы образовательных услуг: автореф. дис. … канд. экон. наук. – Крас-

нодар, 2012. – 25 с.

5.Гаджиева Е.Ю. Развитие партнерского взаимодействия государственных и частных организаций в процессе модернизации сферы образовательных услуг: автореф. дис. … канд. экон. наук. – Майкоп, 2013. – 28 с.

6.Бедрина С.Л. Реинжениринг бизнес-процессов в условиях внедрения инновационных методов управления вузом: автореф. дис. … канд. экон. наук. – Владивосток, 2009. – 21 с.

7.Васильева Е.Ю. Удовлетворенность работодателей качеством принимаемых выпускников вузов в высокотехнологичном сегменте рынка профессионального труда РФ // Университетское управление: практика и анализ. – 2010. – № 4. – С. 28–36.

8.Теребова С.В., Вячеславов А.М. Тенденции развития научно-иннова- ционной деятельности в вузах региона [Электронный ресурс]. – URL: http://pdt.vscc.ac.ru/file.php?module=Articles&action=view&file=article&aid=2180 (датаобращения: 29.04.2013).

Получено 1.06.2014

Меркушева Анастасия Аркадьевна – магистрант, ПНИПУ, ГумФ,

гр. МИ-13-1м, e-mail: Ana-zvezdochka@yandex.ru.

Линькова Наталья Владимировна – магистрант, ПНИПУ, ГумФ,

гр. МИ-13-1м, e-mail: Natali230891@mail.ru.

315

УДК 005.53

А.И. Глухова

A.I. Glukhova

Пермский национальный исследовательский политехнический университет

Perm National Research Polytechnic University

СУЩНОСТЬ МЕТОДА ПРИНЯТИЯ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ «ДЕРЕВО РЕШЕНИЙ»

THE MAIN IDEA OF THE ADOPTION

OF MANAGEMENT DECISIONS METHOD "DECISION TREE"

Приведены основные определения понятия «дерево решений», представлены примеры графического изображения «деревьев», выделены основные преимущества и недостатки метода.

This article provides a basic definition of the term "decision tree", the article presents the examples of graphic images of "trees", identified the main advantages and disadvantages of the method.

Ключевые слова: методы принятия управленческих решений, управленческие решения, «дерево решений», графическая схема, глубина «дерева».

Keywords: methods of acceptance of administrative decisions, administrative decisions, decision tree, graphical layout, the depth of the tree.

Принятие решений является наиболее важным видом деятельности, осуществляемой менеджерами, и представляет собой единовременный акт окончательного выбора одного из возможных вариантов действий по достижению целей организации. Необходимость принятия решений обусловлена тем, что организации под влиянием изменений внешней среды вынуждены адаптироваться к изменяющимся условиям функционирования с помощью обратных связей – информации о состоянии объекта управления, представленной в виде отклонений параметров объекта управления от целей, эти отклонения называются проблемой.

Своевременная разработка и принятие правильного решения – главные задачи работы управленческого персонала любой организации. Когда нужно принять несколько решений в условиях неопределенности, когда каждое решение зависит от результата предыдущего решения или результатов испытаний, то применяют схему, называемую «деревом решений». Это графическое изображение процесса принятия решений, в котором отражены альтернатив-

316

ные решения, альтернативные состояния среды, соответствующие вероятности и плюсы различных комбинаций. На график наносятся все шаги, которые необходимо рассмотреть, оценивая различные альтернативы. Дерево решений подчеркивает два основных момента: 1) использование информации, приобретенной в процессе подготовки к принятию решения и 2) осознание последовательного характера процесса принятия решения [1].

«Дерево решений» – это графическая схема того, к какому выбору в будущем приведет нас принятое сегодня решение. «Деревья решений» рисуют слева направо. Участки, где принимаются решения, обозначают квадратами, участки проявления последствий – кругами, возможные решения обозначают пунктирнымилиниями, возможныепоследствия– сплошнымилиниями(рис. 1).

Рис. 1. «Дерево решений» [2]

Принимающий решение, как правило, не может влиять на его последствия, ему остается лишь вычислять вероятность их появления.

«Дерево решений» не может содержать в себе циклические элементы, т.е. каждый новый «лист» впоследствии может лишь «расщепляться», отсутствуют сходящиеся пути. При конструировании «дерева» вручную мы можем столкнуться с проблемой его размера, поэтому, как правило, «деревья решений» сегодня создаются с помощью программного обеспечения. Обычно «дерево решений» представляется в виде схемы с символами, благодаря чему его проще воспринимать и анализировать.

Регулирование глубины «дерева» – это техника, которая позволяет уменьшать размер «дерева решений», удаляя те участки, которые имеют малый вес. Один из вопросов, который возникает при построении «дерева решений», – это оптимальный размер конечного «дерева». Так, небольшое «дерево» может не охватить ту или иную важную информацию. Тем не менее трудно сказать, когда алгоритм должен остановиться, потому что невозможно

317

спрогнозировать, добавление какого узла позволит значительно уменьшить ошибку. Эта проблема известна как «эффект горизонта». В то же время общая стратегия ограничения «дерева» сохраняется, т.е. удаление узлов реализуется в случае, если они не дают дополнительной информации.

Необходимо отметить, что регулирование глубины «дерева» должно уменьшить размер обучающей модели «дерева» без уменьшения точности ее прогноза или с помощью перекрестной проверки. Есть много методов регулирования глубины «дерева», которые отличаются способом оптимизации производительности.

Сокращение «дерева» когда может осуществляться сверху вниз или снизу вверх. Сверху вниз – «обрезка» начинается с «корня», снизу вверх – сокращается число «листьев». Один из простейших методов регулирования — уменьшение ошибки ограничения «дерева».

Метод «дерева решений» имеет несколько достоинств:

Простота в понимании и интерпретации. Люди способны интерпретировать результаты модели «дерева решений» после краткого объяснения.

Не требует подготовки данных. Прочие методы анализа данных требуют нормализации данных, добавления фиктивных переменных, удаления пропущенных данных.

Способен работать как с категориальными, так и с интервальными переменными. Прочие методы работают лишь с теми данными, где присутствует лишь один тип переменных. Например, метод отношений может быть применен только с приминением номинальных переменных, а метод нейронных сетей – только с переменными, измеренными по интервальной шкале.

Использует модель «белого ящика». Если определенная ситуация наблюдается в модели, то ее можно объяснить при помощи булевой логики. Примером «черного ящика» может быть искусственная нейронная сеть, когда результаты модели с трудом поддаются объяснению.

Позволяет оценить модель при помощи статистических тестов. Это дает возможность оценить надежность модели.

Является надежным методом. Метод хорошо работает даже в том случае, если были нарушены первоначальные предположения, включенные

вмодель.

Позволяет работать с большим объемом информации без специальных подготовительных процедур. Данный метод не требует специального оборудования для работы с большими базами данных.

Однако у данного метода присутствуют и недостатки:

Проблема получения оптимального дерева решений является NP-полной с точки зрения некоторых аспектов оптимальности даже для простых задач. Таким образом, практическое применение алгоритма «деревьев решений» основано на эвристических алгоритмах, таких как алгоритм «жадности», где единст-

318

венно оптимальное решение выбирается локально в каждом узле. Такие алгоритмынемогутобеспечитьоптимальностьвсего«дерева» вцелом.

Те, кто изучает метод «дерева решений», могут создавать слишком сложные конструкции, которые недостаточно полно представляют данные. Данная проблема называется проблемой «чрезмерной подгонки». Для того чтобы избежать данной проблемы, необходимо использовать метод регулирования глубины «дерева».

Существуют концепты, которые сложно понять из модели, так как модель описывает их сложным путем. В этом случае мы имеем дело с непомерно большими «деревьями». Существует несколько подходов решения данной проблемы, например попытка изменить репрезентацию концепта в модели (составление новых суждений), или использование алгоритмов, которые более полно описывают и репрезентируют концепт (например, метод статистических отношений, индуктивнаялогикапрограммирования).

Для данных, которые включают категориальные переменные с боль-

шим набором уровней, больший информационный вес присваивается тем атрибутам, которые имеют большее количество уровней1.

Пример применения метода «дерево решений». Для финансирования проекта бизнесмену нужно занять 15 000 руб. сроком на один год. Банк может одолжить ему эти деньги под 15 % годовых или вложить в дело со 100%- ным возвратом суммы, но под 9 % годовых. Из прошлого опыта банкиру известно, что 4 % таких клиентов ссуду не возвращают. Что делать? Давать ему заем или нет?

Решение 1 (по таблице доходов). Максимизируем ожидаемый в конце года чистый доход, который представляет собой разность суммы, полученной

вконце года и инвестированной в его начале. Таким образом, если заем был выдан и возвращен, то

Чистый доход = ((15 000 + 15 %) – 15 000) = 2250 руб.

Далее рассчитывается ожидаемый чистый доход с учетом вероятностей:

ЧД 1 = ((15 000 + 2250)·0,96 + 0·0,04) – 15 000 = 1560 руб. ЧД 2 = (15 000 + 1350)·1,0 – 15 000 = 1350 руб.

Результаты занесем в таблицу:

Чистый доход в конце года, руб.

1 См. Дерево принятия решений // Википедия.

319

Таким образом, если банк решает выдать заем, то максимальный ожидаемый чистый доход равен 1560 руб.

Решение 2. «Дерево решений». В данном случае также используем критерий максимизации ожидаемого чистого дохода на конец года (рис. 2).

Рис. 2. «Дерево решений» банкира

Далее расчет ведется аналогично расчетам по таблице доходов. Ожидаемый чистый доход для вариантов А и В вычисляется следующим

образом:

Для варианта А:

Е(давать заем) = {(15 000 + 15 %)·0,96 + 0·0,04} – 15 000 = 1560 руб.

Для варианта Б:

Е(не давать заем) = {(15 000 + 9 %)·1,0 – 15 000} = 1350 руб.

Поскольку ожидаемый чистый доход больше для варианта А, то принимается решение выдать заем.

Принятие решений – важнейшая часть любой управленческой функции. Необходимость принятия решения пронизывает все, что делает управляющий, ставя цели и добиваясь их достижения, поэтому эффективность принимаемых руководством решений во многом определяет эффективность функционирования всего предприятия. Метод «дерево решений» – один из наиболее точных методов принятия управленческих решений (высока точность прогноза, сопоставимая с другими методами – статистикой, нейронными сетями). Он применим для любой сферы деятельности, для любого предприятия. Этот метод наглядно показывает альтернативные решения, альтернативные состояния среды, соответствующие вероятности и выигрыши для любых комбинаций.

320