WWW.DISUS.RU

БЕСПЛАТНАЯ НАУЧНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

 

Моделирование и мониторинг потенциала конкурентоспособности объектов социальной системы

На правах рукописи

УДК 332.012.2

Александрова

Наталия Алексеевна

МОДЕЛИРОВАНИЕ И МОНИТОРИНГ ПОТЕНЦИАЛА КОНКУРЕНТОСПОСОБНОСТИ ОБЪЕКТОВ СОЦИАЛЬНОЙ СИСТЕМЫ

05.13.01 - Системный анализ, управление и обработка информации

(в науке и технике)

АВТОРЕФЕРАТ

диссертации

на соискание ученой степени

кандидата технических наук

Ижевск – 2010

Работа выполнена в государственном образовательном учреждении высшего профессионального образования «Ижевский государственный технический университет»

Научный руководитель: Заслуженный деятель науки и техники РФ, доктор технических наук, профессор Абрамов Иван Васильевич
Официальные оппоненты: доктор физико-математических наук, профессор Тененёв Валентин Алексеевич Ижевский государственный технический университет доктор физико-математических наук, профессор Архипов Владимир Афанасьевич Томский государственный университет
Ведущая организация: ГУ «Высшая школа экономики», г. Москва

Защита диссертации состоится «29» апреля 2010 г. в 1400 часов на заседании диссертационного совета Д. 212.065.06 в ИжГТУ

по адресу: 426069 г. Ижевск, ул. Студенческая, 7.

Отзыв на автореферат, заверенный гербовой печатью, просим выслать по указанному адресу.

С диссертацией можно ознакомиться в научной библиотеке университета. С авторефератом можно ознакомиться на официальном сайте ГОУ ВПО ИжГТУ – http://www.istu.ru

Автореферат разослан «___» ________ 2010 г.

Ученый секретарь

диссертационного совета

кандидат технических наук, доцент В.Н. Сяктерев

Общая характеристика работы

Актуальность темы. В настоящее время все большую значимость приобретает исследование, связанное с описанием состояния и прогнозирования развития таких социальных систем, как образование, здравоохранение, культура и т.п. Высшее образование, как социальная система превращается в отрасль народного хозяйства и регулируется общими законами спроса и предложения, хотя и с известной спецификой, обусловленной как характером предоставляемой услуги, так и высокой степенью вмешательства государства в рыночные процессы в данной сфере. Высшие учебные заведения создают свои системы гарантий качества образования, основанные на соответствии учебных программ, материальных ресурсов, научно-методического обеспечения, кадров и структуры управления определенным требованиям, предъявляемым со стороны общества, личности и государства. Следует отметить проблему несовпадения европейских подходов к оценке качества высшего образования с новыми российскими критериями государственной аккредитации. Государственная аккредитация образовательных учреждений, в том числе вузов, введена в России с 1997 года на основании Закона РФ «Об образовании». Как известно, основной ячейкой, реализующей эти направления, является кафедра вуза. По мнению таких академиков РАН, как профессор Садовничий В.А., профессор Федоров И.Б., члена-корреспондента РАН профессора Набойченко Э.С., президента Российской академии образования профессора Никандрова Н.Д., вице-президента Российской академии образования профессора Жураковского В.М., профессора Я.И. Кузьминова и многих других российских ученых, именно кафедра является основной структурной единицей факультета, осуществляет учебную, методическую и научно-исследовательскую деятельность. Совместно с другими подразделениями вуза кафедра ведет подготовку студентов, аспирантов и докторантов, участвует в переподготовке и повышении квалификации работников других предприятий и организаций.

Внутривузовская система оценки деятельности кафедр как основного исполнителя предоставляемой услуги является составной частью комплексной системы управления научно-исследовательскими и образовательными процессами. В то же время оценка деятельности кафедр слабо формализована, отсутствует единообразная номенклатура показателей. Отсутствуют математические модели, позволяющие достоверно анализировать динамику этих показателей и алгоритмы интеллектуальной поддержки при принятии управленческих решений. Разрешению этих недостатков посвящена данная работа.

В связи с вышеперечисленным тема исследования, посвященная моделированию поведения социальных систем, на примере кафедр и вузов, является весьма актуальной, а вопрос донесения методик оценки деятельности кафедр до заинтересованных структур достаточно своевременным.

Цель работы. Повышение результативности многогранной деятельности кафедры вуза в осуществлении научно-образовательного и воспитательного процесса с помощью математических моделей и алгоритмов интеллектуальной поддержки управленческих решений, разработанных на основе искусственных нейронных сетей.

Объект исследования. Объектом исследования являются кафедры вуза, как объекты социальной системы.

Предмет исследования. Предметом исследования являются закономерности и внутренние взаимосвязи в социальной системе.



Задачи исследования.

  1. Исследование внутренних и внешних связей, а также параметров деятельности объектов социальной системы на примере кафедры вуза.
  2. Разработка математической модели потенциала конкурентоспособности кафедры на основе искусственной нейронной сети и ее адаптация к различным траекториям и уровням управления.
  3. Разработка алгоритмов вычисления потенциала конкурентоспособности на основе одно-, двух- и трехслойных нейронных сетей при принятии управленческих решений в социальных системах – кафедра, факультет, вуз.
  4. Экспериментальное определение рейтинга объекта социальной системы на примере кафедры вуза и их потенциала конкурентоспособности на основе мониторинга его текущего состояния.
  5. Разработка программной реализации оценки потенциала конкурентоспособности объекта социальной системы с помощью информационно-аналитической системы.

Методы исследования. Достоверность. Методы исследования базируются на положениях теории искусственного интеллекта – искусственных нейронных сетях, теории нечетких множеств. Достоверность полученных результатов подтверждается экспериментальными исследованиями по определению рейтинга и потенциала конкурентоспособности кафедр вуза и полученной оценкой по итогам деятельности вуза за аккредитационный период.

Научная новизна. 1. Впервые предложено характеризовать внутренние свойства социальной системы комплексом численных показателей, образующих кластеры по ее наиболее значимым свойствам.

2. Динамика результативности кафедр описывается процессами аналогичными процессам, происходящими в искусственной нейронной сети. 3. Предложены математические модели в виде одно или многослойных нейронных сетей для различных траекторий управления.

4. Установлена взаимосвязь между уровнями управления кафедрой и группировкой соответствующих показателей ее деятельности.

Практическая значимость работы. Разработанные база данных, алгоритмы оценки потенциала конкурентоспособности кафедры и его мониторинг используется для динамической оценки результативности деятельности кафедр вуза, составления межкафедральных рейтингов, обеспечения интеллектуальной поддержки при принятии управленческих решений на разных уровнях: от заведующих кафедрами до административного аппарата вуза. Ведение единой электронной базы помогает в обеспечении системного управления, внесении своевременных корректирующих и предупреждающих действий.

На защиту выносятся:

  1. Математические модели, характеризующие связи внутренних свойств в социальной системе с потенциалом конкурентоспособности и разработанные на основе искусственной нейронной сети (ИНС).
  2. Структура нейронной сети и виды кластеров, формируемые в зависимости от траектории и уровня управления кафедрой: от заведующего кафедрой до администрации вуза.
  3. Алгоритмы одно-, двух- и трехслойных сетей для анализа состояния потенциала конкурентоспособности кафедр и принятия управленческих решений как на уровне кафедр и факультетов, так и на уровне служб и руководства университета.
  4. Результаты исследований в виде математических моделей и алгоритмов, а также внутренних коммуникаций, необходимых для построения информационно – аналитической системы.

Апробация работы. Результаты исследований доложены на ежегодных конференциях молодых ученых, магистрантов и аспирантов ИжГТУ 2008–2009 гг.; II Международной конференции «Системный анализ и информационные технологии» (Москва, 2008 г.); XIII Международной научно-практической конференции «Системный анализ в проектировании и управлении (СПб. 2009 г.)», VIII Международной научной конференции «Модернизация экономики и общественное развитие» (Москва, 2009 г.), а также на семинарах кафедр «Информационные системы» и «Управление качеством», а также на семинарах факультетов и кафедр ИжГТУ.

Внедрение в практику. Полученные результаты используются кафедрами ИжГТУ «Информационные системы», «Управление качеством» и др., а также кафедрами других вузов Удмуртской Республики при мониторинге результатов своей работы. Предложенные методы и алгоритмы используются при выполнении исследовательских дипломных проектов и выпускных работ, в том числе другими вузами УР РФ.

Публикации. По результатам исследований опубликовано 10 работ, из которых 5 печатных, в том числе 2 работы в изданиях, рекомендованных ВАК РФ.

Объем и структура работы. Объем диссертации – 131 страница. Работа состоит из введения, 4 глав, заключения, выводов, списка литературы и 3 приложений на 25 страницах, содержит 27 таблиц, 20 рисунков. Список литературы содержит 104 наименования.

Содержание работы

Во введении обоснована актуальность темы диссертации, определены цель и задачи, объект и предмет исследования, изложены научная новизна и практическая значимость полученных результатов. Дано определение потенциала конкурентоспособности кафедры как интегральному показателю результативности ее деятельности, характеризующему восстребованность результатов научно – исследовательских работ и выпускников на рынке.

В первой главе на основании литературных данных проведен анализ видов рейтингов в социальных системах, методов установления весовых коэффициентов, принципов кластеризации исходных данных. В результате анализа известных рейтингов выявлено, что все они проводятся на основе ограниченного числа показателей, явно неполно характеризующих многогранную деятельность типичных представителей социальных систем – научно-педагогических коллективов вузов и их структурных подразделений – кафедр. В российской системе образования кафедра является основной структурной ячейкой, которая аккумулирует все научно-образовательные и воспитательные процессы в вузовской среде. Совместно с другими подразделениями вуза кафедра ведет подготовку студентов, аспирантов и докторантов, участвует в переподготовке и повышении квалификации работников других предприятий и организаций. Кафедра может иметь статус выпускающей (отвечать за подготовку и выпуск студентов по конкретной специальности) и невыпускающей (отвечать за преподавание конкретных дисциплин). Роль кафедры в образовательном процессе определяется администрацией университета, и она же определяет цели, функции кафедры. Регламентирующим деятельность документом является «Положение о кафедре» в каждом конкретном вузе.

В Европе с позиции аккредитации и внешней оценки деятельности университетов используются следующие принципы:

• регулярные проверки уровня соответствия деятельности и содержания образовательных программ основным целям и задачам университета;

• наличие ответственного лица или структуры для проведения экспертных оценок деятельности и планирования развития университета;

• наличие обширной и эффективной информационной системы для поддержки процедур самообследования;

• регулярная самооценка деятельности (служб управления, программ) и экспертная оценка для проверки результатов самообследования университета;





• своевременная реакция на результаты внешних экспертиз путем совершенствования методов и структур управления, образовательных программ, перераспределения материальных и финансовых ресурсов, введения в практику системы поощрений и санкций.

Анализ методов обеспечения и оценки качества высшего образования за рубежом свидетельствует о различных подходах и традициях в разных странах. Однако, так или иначе, в разных подходах и системах оценки основное внимание уделяется ресурсам, процессам и результатам. Различия касаются того, чему уделяется больше внимания и в какой степени.

Несмотря на разность критериев оценки деятельности вузов, совершенно очевидно, что многие из показателей переносятся на низовые подразделения: факультеты, институты, кафедры, научные отделы. И аккредитация вуза происходит непосредственно в этих подразделениях. Но, к сожалению, все эти методы акцентированы на получение общей, итоговой информации и не поясняют подхода к ее получению.

В связи с подписанием Болонской декларации Россия находится в состоянии трансформации системы образования, которая существенно отличается от европейской, но, несмотря на отличия, пытается найти тот путь, при котором будет эффективным управление вузовского звена.

Что же касается российской системы образования, то если аккредитация направлена на подтверждение статуса высшего учебного заведения и служит в основном для контроля его деятельности, то потребители высшего образования (абитуриенты, государство, сам вуз, бизнес, работодатели) чаще обращаются к рейтингам.

Каждый вуз, исходя из поставленных задач и целей, определяет свою методику оценки деятельности кафедры. Но большинство все-таки акцентирует внимание на работе преподавателей, а не на образовательном процессе в целом. Не во всех положениях о контроле за деятельностью кафедры в той или иной форме подробно описывается методология проведения расчета показателей, не описывается обратная связь между составителями и источниками данных. Практически везде используются линейные уравнения, простые математические формулы. При расчете, в частности, весовых коэффициентов применяется экспертная оценка, которая по своему определению включает субъективность, что, в свою очередь, может привести к неоднозначности значений показателей и затруднит адекватную оценку. Многие вузы стремятся применять более современные математические модели, использующие фактические значения по каждому показателю для всех участников и последующее интегрирование показателей с учетом коэффициентов значимости, для определения которых применяются алгоритмы определения иерархий или среднеарифметических значений.

Все более широкое применение для исследования социальных объектов и систем, каковыми являются кафедра, факультет, вуз в целом, находят методы искусственного интеллекта, в их числе искусственные нейронные сети (ИНС), обладающие высокой адаптивностью и толерантностью к исследуемому процессу.

Использование ИНС и полученных с их помощью результатов может способствовать формированию научно обоснованной концепции управления кафедрой и образовательным процессом в целом.

Вторая глава посвящена разработке базы данных (рисунок 1, на примере базы данных кафедры «Управление качеством» (УК)) для оценки потенциала конкурентоспособности кафедры, математической модели с использованием искусственной нейронной сети и анализу существующих методов ее обучения.

База данных для оценки потенциала конкурентоспособности кафедры, представлена на рисунке 1.


1. Показателя квалификационного потенциала кафедры
1.1. Удельный вес докторов наук
1.2. Удельный вес профессоров
1.3. Удельный вес кандидатов наук
1.4. Удельный вес заслуженных деятелей науки, имеющих государственные знаки отличия, членов РАН
1.5. Удельный вес числа аспирантов (соискателей)
1.6. Удельный вес докторантов (соискателей)
1.7. Удельный вес ППС, имеющих дипломы по нескольким специальностям
1.8. Удельный вес преподавателей в возрасте до 35 лет, имеющих ученые степени
1.9. Удельный вес сотрудников кафедры – членов специализированных советов
1.10. Удельный вес числа отраслей науки по специальностям научных работников (аспирантуры)
1.11. Удельный вес обучающихся по образовательным программам профессиональной переподготовки или повышения квалификации
1.12. Удельный вес специальностей докторантуры, закрепленных за кафедрой
1.13. Удельный вес количества преподавателей, участвующих в диссертационных советах
1.14. Удельный вес ППС кафедры с учеными степенями или учеными званиями

2. Показатели развития научно-методической базы
2.1. Удельный вес выпущенных учебных пособий в год
2.2. Удельный вес выпущенных монографий в год
2.3. Удельный вес публикаций в изданиях, признанных ВАК
2.4. Удельный вес хоздоговоров и НИР кафедры
3. Показатели обеспеченности материально-технической базы
3.1. Удельный вес лекционных занятий с использованием инновационных технологий
3.2. Удельный вес лабораторных занятий с применением инновационных технологий
3.3. Удельный вес экземпляров учебно-методической литературы на кафедре
3.4. Удельный вес исследовательского оборудования
4. Показатели качества системы образования
4.1. Конкурс по поданным заявлениям
4.2. Удельный вес заявок с предприятий на выпускников кафедры
4.3. Удельный вес студентов – победителей олимпиад и призеров
4.4. Удельный вес студенческих работ, награжденных медалями, дипломами
4.5. Удельный вес студентов и аспирантов, принимающих участие в заявках на изобретения
4.6. Удельный вес студентов, аспирантов, опубликовавших результаты научных работ
4.7. Удельный вес оценок “хорошо” и “отлично” на госэкзаменах
4.8. Удельный вес выпускников “с отличием”
4.9. Удельный вес количества аспирантов, защитивших диссертации
4.10. Удельный вес претензий к кафедре
4.11. Удельный вес дипломных работ, внедренных на предприятиях за год
4.12. Удельный вес студентов, участвующих в НИР
4.13 Удельный вес аспирантов, защитивших диссертации не позднее, чем через год после окончания аспирантуры
4.14 Удельный вес числа отраслей науки, в рамках которых выполняются научные исследования
4.15 Удельный вес ППС кафедры, работающих на штатной основе

Рисунок 1 – База данных для оценки потенциала конкурентоспособности кафедры

Из рисунка 1 видно, что для оценки конкурентоспособности кафедры были выбраны 37 показателей, 2 из которых можно отнести к «информационным». В частности «конкурс по поданным заявлениям» и «удельный вес заявок с предприятий на выпускников кафедры». Данные критерии отражают популярность представленной специальности, направления, как для студентов, так и для работодателей. Для первых это играет роль в определении будущей специальности, для вторых – в дальнейшем укреплении связей с образовательным процессом.

База данных (БД) отражает значение 35 показателей (информационные показатели упоминаются в исходных данных и представляются руководству в отдельном варианте) за выбранные периоды, которые и составляют вектор входных данных xi, где i = 1, …, 35. БД отражена в удобном для пользователя виде на основе реляционной базы данных. Поскольку изначально все значения показателей собираются в различной размерности, для удобной работы с ними проводится нормализация, что значительно упрощает работу с БД и непосредственно в ИНС. При отсутствии нормализации значения показателей, имеющие большее числовое значение, всегда будут оказывать влияние на выход сети, что будет искажать реальное состояние изучаемого вопроса.

Выбранная номенклатура показателей охватывает как показатели Рособрнадзора, так и аккредитационного агентства ZEvA (Ганновер, Германия).

При формировании показателей стоит также учитывать специализацию кафедры (инженерная, гуманитарная, педагогическая и т.д.). Так, например, для гуманитарных и педагогических кафедр показатель «Удельный вес исследовательского оборудования» не имеет значения, и включать его в группу показателей обеспеченности материально-технической базы не имеет смысла в силу отсутствия применения в образовательном процессе.

Существующая система аккредитации предусматривает последовательный анализ установленных критериев. При положительной динамике каждого критерия Рособрнадзор принимает решение об аккредитации (временной аккредитации) учебного заведения. При трансляции аккредитационных критериев на показатели оценки деятельности кафедр некоторые критерии не сочли необходимыми, т.к. они конкретно отражают деятельность вуза в целом.

Из рисунка 1 видно, что БД содержит 4 кластера и нормализованные значения показателей. Приведенная БД позволяет проводить последовательный анализ каждого показателя, и по результатам анализа можно судить о динамике их изменения. При последовательном анализе трудно оценить вклад каждого кластера или каждого показателя в потенциал конкурентоспособности кафедры. Основным методом управления деятельностью кафедры должен являться системный подход, который позволяет рационально управлять ее деятельностью в условиях ограничений, накладываемых Рособрнадзором в виде нормированного значения веса каждого кластера или отдельного показателя. При этом каждая кафедра, независимо от профиля, может самостоятельно выбирать наиболее соответствующие показатели для оценки результативности своей деятельности.

Рассмотренная БД формируется как самими кафедрами, так и службами вуза, и степень ее прозрачности зависит от желания руководства вуза участвовать в конкуренции на рынке труда.

Разработка математической модели. Численное значение потенциала конкурентоспособности социальной системы (кафедры) в заданный момент времени определяется зависимостью

, (1)

где

– порядковый номер шага (года), на котором подсчитывается численное значение конкурентоспособности социальной системы (кафедры);

– порядковый номер -го показателя (параметра Пj) свойства конкурентоспособности;

– индекс социальной системы (кафедры);

– весовой коэффициент j-го показателя;

– текущее значение j-го показателя.

Поскольку база данных содержит дискретные значения времени, то уравнение (1) может быть представлено в следующем виде:

, (2)

где аргументом функции выступает суммарное значение

. (3)

Функция называется функцией активации. В модели Мак-Каллока – Питса это пороговая функция вида

. (4)

Структурная схема модели выглядит следующим образом (рисунок 2):

Рисунок 2 - Модель нейрона по Мак-Каллоку – Питсу

Определение весовых коэффициентов при равной значимости свойств конкурентоспособности. Система аккредитации образовательных программ и учреждений в России предусматривает равную значимость показателей аккредитации. Следовательно:

. (5)

Тогда зависимость (1) примет вид:

(6)

В приведенной формуле подразумевается, что нулевой член вводится для устойчивого значения выше некоторого заданного положительного числа. Обучение искусственного нейрона состоит в том, чтобы значение было наиболее близко к заданному значению di.

Определение весовых коэффициентов при группировке показателей конкурентоспособности. На практике оценка деятельности вуза, факультета, кафедры проводится по укрупненным показателям, например, кадровый потенциал, материально-техническая база, научно-исследовательская работа и т.д.

В этом случае общее число показателей конкурентоспособности разбивается на некоторое число групп. Причем количество показателей в каждой группе может быть разным. Очевидно, что общий показатель конкурентоспособности кафедры должен адекватно учитывать вклад каждой группы первичных показателей.

На рисунке 3 представлена схема прохождения информации от групп первичных показателей до получения общего показателя конкурентоспособности кафедры.

Рисунок 3 - Модель нейронной сети при группировке первичных показателей потенциала конкурентоспособности

Обучение нейронной сети, т.е. расчет весовых коэффициентов для каждого показателя в группе и для группы показателей, осуществляется таким образом, чтобы показатель конкурентоспособности кафедры при группировке первичных показателей был с заданной точностью равен показателю конкурентоспособности кафедры при равной значимости первичных показателей.

При анализе изменения потенциала конкурентоспособности кафедры и его отдельных показателей дискретная функция активации (3) заменяется непрерывной функцией, как правило, сигмоидальной униполярного вида.

Обучение нейрона заключается в подборе весовых коэффициентов. Методики подбора весовых коэффициентов зависят от требований, предъявляемых разработчиками к рейтинговым, аккредитационным, аттестационным показателям.

В каждом конкретном случае применяется свой, наиболее подходящий алгоритм обучения ИНС. Очевидно, что подстройка синапсов может проводиться только на основании информации, доступной в нейроне, т.е. его состояния и уже имеющихся весовых коэффициентов. Исходя из этого соображения и, что более важно, по аналогии с известными принципами самоорганизации нервных клеток, построены алгоритмы обучения Хебба.

Этот метод позволяет обучить одно-, двух- и трехслойные сети. Количество слоев в сети зависит от сложившейся системы управления в вузе. Каждый слой соответствует своему уровню управления. База данных, содержащая 37 показателей, принятых на основе экспертной оценки, достаточно полно характеризует деятельность разнопрофильных кафедр.

Проведенная нормализация исходных данных и использование для расчетов относительных показателей (удельных весов) обеспечивает адекватное использование искусственных нейронных сетей для оценки потенциала конкурентоспособности кафедры.

Рассмотренные принципы группировки (кластеризации) исходных данных отвечают не только требованиям управления кафедрой, но и обеспечивают причинно-следственную связь при выборе и формировании одно-, двух- и трехслойных ИНС.

Показано, что наиболее целесообразным методом обучения ИНС является сигмоидальный метод обучения Хебба, поскольку неизвестно точное соответствие входных векторов и выходных значений, а другие методы обучения специализированы на кластеризации и распознавании образов.

В третьей главе представлены результаты вычисления весовых коэффициентов одно,- двух,- и трехслойной сети в зависимости от задач управления.

При анализе своей деятельности кафедра может пойти несколькими путями.

Во-первых, можно последовательно сравнивать изменения каждого из 35 показателей по годам и оценивать динамику их изменения.

Во-вторых, можно выбрать лишь 16 показателей и по годам проводить сравнение с аккредитациоными показателями Рособрнадзора.

В-третьих, можно проводить анализ, используя однослойную сеть, обученную по 35 «эталонным показателям», определив при этом показатель потенциала конкурентоспособности кафедры и его динамику по годам.

В-четвертых, можно последовательно сравнивать изменение весовых коэффициентов, полученных при обучении однослойной сети, и выявить показатели, оказавшие наибольшее влияние на эти изменения.

В-пятых, можно сформировать 16 групп из 35 показателей, обучить двухслойную сеть и по годам проводить сравнение с аккредитационными показателями Рособрнадзора. Кроме того, можно сформировать 4 кластера из 35 показателей, обучить двухслойную сеть и оценить динамику кластеров.

В-шестых, можно сформировать 4 кластера из 16 групп показателей, обучить трехслойную сеть ИНС и проводить анализ динамики изменения потенциала конкурентоспособности кафедр по кластерам, как это делается при международных рейтингах вузов.

В-седьмых, можно проводить комплексный анализ, используя трехслойную сеть, в которой первый слой отвечает за соответствие показателей аккредитационным показателям, второй слой отвечает за роль каждого из 4 кластеров, а третий слой отвечает за показатель потенциала конкурентоспособности кафедры.

Для первого случая автором определены относительные значения первичных показателей потенциала конкурентоспособности кафедры, полученные результаты представлены на рисунке 4 на примере показателя «Удельный вес докторов наук»:


Рисунок 4 – Удельный вес докторов наук

Из приведенных гистограмм видно изменение этого показателя по годам для 10 кафедр. Тем не менее анализировать последовательно 35 показателей весьма трудоемко.

Аналогичная ситуация возникает при анализе 16 показателей (второй случай), как это предусматривается системой аккредитации Рособрнадзора. Несмотря на это, кафедре, руководству вуза приходится накапливать эту информацию в межаккредитационные периоды.

Пример использования однослойной сети, обученной по экспертным значениям (третий случай), представлен в таблице 1.

Таблица 1 – Эталонные значения при обучении ИНС по «экспертным значениям»

В левом столбце показаны значения показателей, полученные с помощью экспертной оценки, в правом – эталонные значения весов. Полученные эталонные веса для «эталонной» «виртуальной» кафедры, позволили определить рейтинг кафедр и динамику изменения потенциала конкурентоспособности за 4 года.

На основании полученных значений потенциала конкурентоспособности при обучении ИНС «по экспертным значениям» можно составить рейтинг кафедр на 2007 год:

  1. Мехатронные системы; 2. Водоснабжение и водоподготовка (ВиВ); 3. Тепловые двигатели; 4. Управление качеством (УК); 5. Радиотехника; 6. Геотехника и строительные материалы (ГиСМ); 7. Финансы и кредит; 8. Технология роботизированного производства (ТРП); 9. Электротехника; 10. Экономика на предприятии.

Динамика изменения показателя потенциала конкурентоспособности кафедр представлена на рисунке 5.

 Графики динамики изменения потенциала конкурентоспособности-21

Рисунок 5 – Графики динамики изменения потенциала конкурентоспособности кафедр при обучении однослойной сети

Порог насыщения в данном случае выбран 0.91. В диссертационной работе приведены сравнения полученных результатов при порогах насыщения: 1,00; 0.99; 0.96.

Полученные значения весовых коэффициентов (4-й случай) позволяют проследить динамику их изменения по годам для каждой кафедры.

При анализе динамики изменения весов следует обращать внимание на изменения абсолютного значения показателя. Так, например, показатель «Удельный вес лабораторных занятий с применением инновационных технологий» за 4 года не менялся и составлял 0,3, а весовой коэффициент изменялся от 0,3571 до 0,3671, это объясняется ростом значений других показателей.

В другом случае на примере показателя «Удельный вес профессоров» явно видна положительная динамика изменения, как значения самого показателя от 0,0833 до 0,3076, так и весового коэффициента от 0,2838 до 0,3128.

Установлено, что непосредственно использование весов для анализа потенциала конкурентоспособности кафедры весьма затруднительно.

Пример обучения двухслойной (5–6-й случаи) сети приведен в таблице 3.

Таблица 3 Обучение двухслойной сети по аккредитационным показателям

В-первых 4 столбцах таблицы выведены значения аккредитационных показателей, в 5–8-м – весовые коэффициенты, пример обучения двухслойной сети по 6-му случаю (5-й случай обучается по аналогии).

Для сравнения и анализа с помощью двухслойной сети были определены веса кластеров, полученных из 16 и 35 показателей для кафедры «Управление качеством».

Сравнение значений весов кластеров, сформированных из 35 и 16 аккредитационных показателей, показывает, что с увеличением числа показателей значения весов кластеров уменьшаются, что можно объяснить влиянием показателей, не вошедших в меньшую выборку. В этой связи можно утверждать, что для реального управления конкурентоспособным потенциалом кафедры целесообразно увеличивать число показателей, характеризующих многогранную деятельность кафедры.

Далее рассмотрено использование трехслойной сети для анализа показателей конкурентоспособности (7-й случай).

Структура трехслойной сети выглядит, как показано на рисунке 5.

Рисунок 5 - Структура трехслойной ИНС

Здесь на первом слое подаются синапсы 35 показателей потенциала конкурентоспособности кафедры, которые группируются в 16 аккредитационных, на втором – синапсы 16 аккредитационных показателей, которые, в свою очередь, группируются в 4 кластера.

Отличительной чертой данного алгоритма является то, что 2-й слой сети является скрытым, т.е. 1-й слой входной, на него подаются входные значения показателей, 3-й выходной, его выход является выходом сети, 2-й слой скрытый, его входы это выходы с 1-го слоя, а выходы – входы 3-го.

Алгоритм расчета потенциала конкурентоспособности кафедр при использовании трехслойной сети представлен на рисунке 6.

 Алгоритм обучения трехслойной сети В таком случае можно получить-23

Рисунок 6 – Алгоритм обучения трехслойной сети

В таком случае можно получить весовые коэффициенты на каждом из слоев, что обеспечивает информационную поддержку при принятии управленческих решений по любой траектории и на любом уровне управления.

Обобщенные значения показателя потенциала конкурентоспособности вычислялись по отношению к одной из кафедр. В данном случае за базовую, в произвольном порядке была выбрана кафедра «Управление качеством».

Рейтинг кафедр за 2004, 2005, 2006, 2007 годы представлен на рисунке 7.

 Динамика потенциала конкурентоспособности кафедр вуза -24

Рисунок 7 – Динамика потенциала конкурентоспособности кафедр вуза

Приведенная динамика изменения показателя потенциала конкурентоспособности кафедр позволяет дать оценку не только эффективности деятельности, но и выявлять кафедры в нижней части рейтинга, например, «Электротехника» и «Экономика предприятий». Руководство университета и коллективы кафедр по результатам анализа динамики весовых коэффициентов кластеров и показателей, входящих в кластер, могут установить проблемные параметры, причины их нерешенности, принять необходимые решения.

Предложенные алгоритмы интеллектуальной поддержки позволяют наблюдать динамику результативности кафедр, на основании чего руководители соответствующих уровней могут сделать выводы о ее проблемах. Проведены численные эксперименты для различных уровней управления с применением одно-, двух- и трехслойных сетей с соответствующими принципами кластеризации. Результаты экспериментов составляют необходимую базу для принятия управленческих решений.

Проведенные численные эксперименты подтвердили правильность идеи, о возможности применения аппарата ИНС для оценки поведения социальных систем, в данном случае для анализа результативности деятельности кафедры и интеллектуальной поддержи управленческих решений.

Четвертая глава посвящена разработке и анализу внутренних коммуникаций ИАС, касающихся оценки конкурентоспособного потенциала кафедр ИжГТУ.

На основе концептуальной и физической моделей БД разработана база данных, включающая в себя шесть таблиц.

Все входные и выходные данные системы хранятся в одной базе, состоящей из указанных шести нормализованных таблиц, связанных между собой, что упрощает работу с данными и их хранение.

Периодичность заполнения таблиц производится в соответствии с установленными в вузе сроками отчетности, но не реже одного раза в год.

Структура внутренних связей ИАС. Для разработки структурных связей ИАС воспользовались диаграммами UML.

На рисунке 8 изображена диаграмма вариантов использования.

 Диаграмма вариантов использования Диаграмма показывает роли-25 Рисунок 8 – Диаграмма вариантов использования

Диаграмма показывает роли пользователя и администратора и их возможные действия в программе.

На рисунке 9 изображена диаграмма последовательности действий пользователей.

 Диаграммы последовательности действий Как видно из рисунка 9-26

Рисунок 9 – Диаграммы последовательности действий

Как видно из рисунка 9 диаграмма показывает представление передачи сообщений, упорядоченных по времени.

Разработка программы. Программа предназначена для определения показателя конкурентоспособности кафедр и общего показателя конкурентоспособности вуза как с помощью ИНС, так и классическим методом.

Программа вычисляет вес каждого из 35 показателей в общем показателе потенциала конкурентоспособности кафедры, вычисляет потенциал конкурентоспособности всех кафедр, общий интегральный показатель конкурентоспособности вуза по годам и выводит динамику их изменения в виде графиков, а также вычисляет вес каждой кафедры в общем показателе вуза.

Программа написана на языке Object Pascal в среде разработки Borland Delphi 7.0.

В состав технических средств со стороны пользователя должен входить персональный компьютер (ПЭВМ), включающий в себя:

  1. Процессор с частотой не менее 1500 MHz.
  2. Оперативную память не менее 128 МБ
  3. Жесткий диск с объемом памяти не менее 80 ГБ;
  4. Устройства ввода (клавиатура, манипулятор «мышь»);
  5. Устройство вывода (монитор).

Для работы программы на стороне пользователя требуется наличие операционной системы Windows 2000/ХР.

Описание логики программы. Схема данных программы представлена на рисунке 10.

 Логика управляющей программы Схема данных отражает-27

Рисунок 10 – Логика управляющей программы

Схема данных отражает последовательность вычисления весов показателей.

Разработкой программного обеспечения завершается формирование аппаратно-программного комплекса, необходимого для функционирования ИАС.

Разработанная информационно-аналитическая система реализует основные положения диссертации и позволяет накапливать информацию в соответствующих базах данных и в заданные моменты времени обрабатывать ее с помощью предложенного программного продукта. Полученные результаты используются кафедрами, факультетам, руководством вуза для принятия управленческих решений.

В ходе опытной эксплуатации ИАС было показано, что она позволяет обеспечить: 1) многопользовательское обращение к данным; 2) корректное хранение данных и выполнение правил, регламентирующих связи между ними; 3) восстановление данных после сбоя системы. Структура данных ИАС предполагает, что каждая кафедра имеет собственную базу данных, которая посредством репликации собирается на создаваемом центральном сервере вуза, обеспечивающем качественный контроль динамики развития деятельности кафедр.

Заключение

Все большую значимость для принятия управленческих решений в социальных системах приобретает постоянный мониторинг внутренних характеристик их объектов, каковыми являются в образовательных системах вузы и кафедры. В то же время оценка деятельности кафедр слабо формализована, отсутствует единообразная номенклатура показателей, характеризующих деятельность кафедр. Отсутствуют математические модели, позволяющие достоверно анализировать динамику этих показателей и алгоритмы интеллектуальной поддержки при принятии управленческих решений.

В связи с этим диссертация выполнена на актуальную тему, а полученные результаты позволяют сделать следующие ВЫВОДЫ:

1. Предложенная в диссертации база данных, содержащая 37 показателей, принятых на основе экспертной оценки, достаточно полно характеризует результативность деятельности разнопрофильных кафедр как объектов социальной системы. База данных достаточно проста в наполнении, при развитой системе электронного документооборота позволяет осуществлять сбор информации в автоматическом режиме. Кроме того, по числу показателей на нее не накладываются ограничения, и в зависимости от целей управления объектами социальной системы номенклатура может совершенствоваться.

2. Установлено, что динамика результативности кафедры как объекта социальной системы описывается процессами, происходящими в искусственных нейронных сетях. Для соответствующих траекторий управления формируются соответствующие математические модели в виде одно- или многослойных нейронных сетей.

Структура нейронной сети, количество кластеров определяются в зависимости от траектории и уровня управления объектами социальной системы.

3. Проведенные численные эксперименты показали возможности алгоритмов одно-, двух- и трехслойных сетей как инструмента интеллектуальной поддержки для динамического анализа состояния потенциала конкурентоспособности объектов социальной системы и принятия управленческих решений, в том числе определять рейтинги не только кафедр, но и вузов.

4. Проведенный мониторинг потенциала конкурентоспособности кафедр вуза позволил определить их рейтинг, как по совокупности экспертных оценок, так и по критериям Рособрнадзора, что подтверждает адекватность предложенных математических моделей.

Предложенные алгоритмы интеллектуальной поддержки позволяют наблюдать динамику результативности кафедр, на основании чего руководители соответствующих уровней могут сделать выводы об их проблемах.

5. Использование разработанных математических моделей и алгоритмов, а также их программная реализация кафедрой «Мехатронные системы» в качестве эксперимента позволило ей не только занять ведущее место в рейтинге кафедр, но успешно пройти аккредитацию Рособрнадзора и агентства ZeVA (Германия) по программам бакалаврской и магистерской подготовки.

Список основных работ, опубликованных по теме диссертации:

  1. Абрамов, И. В. Обеспечение и оценка качества современного высшего образования / И. В. Абрамов, А. У. Ибрагимов, Н. А. Александрова // Качество и жизнь. Альманах : спец. вып. – 2007 – С. 226–229.
  2. Абрамов, И. В. Искусственные нейронные сети в вычислении конкурентоспособного потенциала кафедры вуза / И. В. Абрамов, Н. А. Александрова, А. В. Ценёв // Вестник ИжГТУ. – 2008. – № 4(40). – С. 131–134.
  3. Александрова, Н. А. Формирование математической модели конкурентоспособности кафедры / Н. А. Александрова, И. В. Абрамов // Первая науч.-исслед. конф. студентов, магистрантов и аспирантов факультета «Управление качеством» Ижевского государственного технического университета (Ижевск, 3–4 апр. 2008 г.) : сб. ст. – Ижевск : Изд-во ИжГТУ, 2008. – С. 95–100.
  4. Абрамов, И. В. База данных для определения конкурентоспособного потенциала кафедры вуза / И. В. Абрамов, Н. А. Александрова // Вестник ИжГТУ. – 2009. – № 3(43). – С. 154–157.
  5. Александрова Н. А. Вычисление показателя потенциала конкурентоспособности кафедры с помощью искусственных нейронных сетей // Научно-практический журнал Интеллектуальные системы в производстве. – 2009г. – № 2. – С. 75–82.


 





<


 
2013 www.disus.ru - «Бесплатная научная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.