Approach to modeling educational migration using fuzzy logic and agent-oriented modeling

Введение

Демографическая ситуация как в стране в целом, так и в регионах негативно сказывается на образовательной системе региона. Спад рождаемости, увеличение доли образовательной миграции приводят к снижению численности абитуриентов [1] (Statisticheskyi sbornik, 2019). В условиях цифровизации (возникновение новых форм обучения, информационная мобильность, внедрение единого государственного экзамена) [2, c. 13–22; 3] (Klochkova, Sadovnikova, 2019, p. 13–22; Gainanov, Klimenteva 2020), изменений требований работодателей к компетенциям специалистов (hard skills, soft skills) [4] (Saifullina, 2020) и усиливающегося профессионально-квалификационного дисбаланса возникает необходимость изучения и прогнозирования поведения абитуриентов, разработка и внедрение эффективного инструмента государственного воздействия на их поведение с целью сокращения образовательной миграции. Сегодняшние реалии диктуют политику жесткой конкуренции и борьбы региональных вузов со столичными вузами и площадками дистанционного обучения за привлечение абитуриентов и обеспечения соответствия требованиям рынка труда. Низкая конкурентоспособность региональных вузов увеличивает долю образовательной миграции, что в конечном итоге приводит к потере качества и численности будущих трудовых ресурсов.

В Республике Башкортостан образовательная деятельность ведется в 10 образовательных организациях высшего образования, из которых 8 вузов являются государственными, 2 – негосударственными, а также 19 филиалов российских вузов по более чем 58 направлениям подготовки. Статистика по численности студентов, обучающихся в вузах Республики Башкортостан, представлена на рисунке 1 и охарактеризована снижением численности обучающихся: в 2019 численность студентов составляла 100,5 тыс. чел., что на 41% ниже, чем в 2010 году [5] (Statisticheskyi sbornik, 2019). Снижение численности обучающихся вызвано последствиями демографического спада в начале 90-х годов, в то время рождаемость снизилась до рекордных значений: 41368 чел. в 1999 году, для сравнения: пик рождаемости пришелся на 1987 год и составлял 81950 чел., а в 2019 году рождаемость составила 47010 чел. [1; 6 c. 1430] (Statisticheskyi sbornik, 2019; Gainanov, Migranova, 2020, p. 1430).

Рисунок 1. Динамика численности обучающихся в образовательных организациях высшего образования Республики Башкортостан, тыс. чел.

Источник: составлено авторами [5] (Statisticheskyi sbornik, 2019).

В 2018 году, согласно официальной статистике, в республике сменили место жительства 127352 человека, что на 6% больше, чем в 2017 году. В 2019 году численность мигрантов составила 113845 чел., данный показатель снизился на 10% по сравнению с предыдущим годом. Также следует отметить, что в 2017 году миграционная убыль составила 2607 человек, в 2018 году – 8858, а в 2019 году – 5506 [7] (Statisticheskyi sbornik, 2019). Показатели миграционной убыли выше всего среди населения, сменившего место жительства в связи с учебой. Основная часть миграционной убыли пришлась на такие муниципальные образования, как Чишминский, Ишимбайский, Баймакский, Хайбулинский районы и г. Стерлитамак. Внутрирегиональная миграция в 2018 году составила 96565 человек, а межрегиональная – 39301 чел., в 2019 году соответствующие показатели составили 95037 и 36664 человек. Распределение выбывших из Республики Башкортостан мигрантов пришлось в основном на такие федеральные округа, как Уральский (Тюменская область, Ханты-Мансийский АО, Ямало-Ненецкий АО), Приволжский (Республика Татарстан), Центральный (Москва и Московская область), Северо-Западный (Санкт-Петербург и Ленинградская область) [8 c. 93–99] (Nizamutdinov, Atnabaeva, Ahmetzyanova, 2020, p. 93–99). Как показывает статистика, выбывают в основном лица моложе трудоспособного и трудоспособного возраста, а возвращаются в республику население старше трудоспособного возраста. Республика Башкортостан находится на втором месте по численности выбывшего населения среди регионов Приволжского федерального округа.

На четвертом месте в списке обстоятельств, вызвавших необходимость смены места жительства, указана причина «в связи с учебой», по данному пункту в 2018 году покинули регион 15333 человека, что составило 13% от всех мигрантов [7] (Statisticheskyi sbornik, 2019). В основном это молодежь от 16 до 20 лет, не имеющие высшего профессионального образования. Согласно данным Министерства образования и науки РБ, 25% выпускников школ покидают регион для обучения в вузах за пределами республики, сдача ЕГЭ позволяет это сделать. Если раньше для того, чтобы подать документы в вузы Москвы и Санкт-Петербурга, приходилось туда ездить, то теперь, сдав ЕГЭ на высокие баллы, можно поступить в любой престижный вуз страны. Следует отметить, что это очень серьезная проблема, поскольку сдерживающий когда-то миграцию фактор отпал. Как показал опрос, 40% из всех выпускников школ уехали, так как в университетах республики нет желаемых специальностей, остальные 60% решили учиться в вузах других регионов по иным причинам. Статистика по стобалльникам еще более удручающая: из 127 стобалльников в нынешнем году в вузы республики планировали поступать 45%, остальные 55% намерены учиться в других регионах. Для сравнения: в прошлом году 17% поступили в республиканские университеты, остальные уехали из Башкирии [9] (Analiticheskaya spravka, 2018).

В связи с демографическим спадом [10 c. 16; 11 c. 383–398] (Atnabaeva, Nizamutdinov, 2019, p. 16; Oreshnikov, Nizamutdinov, 2019, p. 383–398) и оттоком молодежи за пределы республики обостряются такие проблемы, как развитие эффективной кадровой политики региона, восполнение кадров, увеличение профессионально-квалификационного дисбаланса и др. Вышеназванные проблемы требуют разработки научно обоснованной, практически реализуемой системы управления поведением абитуриента с целью снижения уровня миграции среди молодежи.

Несмотря на значительное количество работ, посвященных проблемам регулирования образовательной миграции [12 c. 16; 13 c. 307–311; 14 c. 64–69] (Doroshenko, 2019, p. 16; Nasadkin, Pituhin, Astafeva, 2015, p. 307–311; Pituhin, Semenov, 2014, p. 64–69), комплексно не рассмотрены индивидуальные характеристики абитуриентов, а также меры государственного воздействия на них.

Применение агент-ориентированного подхода к решению перечисленных проблем позволит создать реальный механизм эффективной государственной политики в сфере образовательной миграции как фундамент формирования и развития кадровой обеспеченности региона на основе научно обоснованных подходов с применением методов экономико-математического моделирования [15–18] (Bahtizin, 2008; Karpov, 2006; Kiseleva, 2009; Sushko, 2012).

Отличительной особенностью разрабатываемой модели является описание поведения абитуриента, максимально приближенной к реальности с применением технологий нечеткого и агент-ориентированного моделирования. В качестве объекта исследования выступает население Республики Башкортостан.

Подход к моделированию образовательной миграции с применением нечеткой логики и агент-ориентированного моделирования

В модели представлены 3 типа агентов: «Человек», «Специальность» и «Регион». Для агента типа «Человек» определены следующий набор параметров:

· «Возраст» – начальное значение для нового агента равно 0;

· «Пол» – определяется при создании (рождении) агента на основе логики «на 105 мальчиков рождается 100 девочек» ;

· «Место жительства» – значение для нового агента наследуется от переменной «Место жительство родителей»;

· «Баллы ЕГЭ» – равна сумме баллов, сданных по трем выбранным предметам;

· «Доход семьи» – рассчитывается на основе данных переменной «Заработная плата родителей», деленной на количество человек в категории «Семья»;

· «Специальность» – содержит информацию о выбранной специальности, механизм выбора представлен в работе [19] (Gainanov, Migranova, Minyazev, 2020);

· «Статус» – отражает информацию о миграционной активности агента (активен / не активен);

· «Удаленность» – зона тяготения к крупным городам. Местоположение агентов сгруппировано по зонам тяготения к крупным городам [20 c. 38–57] (Ataeva, Ulyaeva, 2018, p. 38–57):

­ I зона тяготения к Уфе: Архангельский, Аургазинский, Бирский, Благоварский, Благовещенский, Иглинский, Кармаскалинский, Кушнаренковский, Нуримановский, Салаватский, Уфимский, Чишминский районы, вероятность миграции 10%;

­ II зона: Альшеевский, Буздякский, Буравеский, Бурзянский, Гафурийский, Давлекановский, Дюртюлинский, Ишимбайский, Караидельский, Мелеузовский, Мишкинский, Миякинский, Стерлибашевский, Стерлитамакский, Чекмагушевский, вероятность миграции 9%;

­ III зона тяготения к Оренбургу: Зианчуринский, Зилаирский, Кугарчинский, Куюргазинский, Федоровский, Хайбуллинский районы, вероятность миграции 12,5%;

­ IV зона тяготения к Казани, Нижнекамску Альметьевску, Набережным Челнам: Бакалинский, Белебеевский, Бижбулякский, Ермекеевский, Илишевский, Туймазинский, Краснокамский, Шаранский районы, вероятность миграции 16,7%;

­ V зона тяготения к Перми, Ижевску: Аскинский, Балтачевский, Калтасинский, Татышлинский, Янаульский районы, вероятность миграции 28,5%;

­ VI зона тяготения к Екатеринбургу: Белокатайский, Дуванский, Мечетлинский, Кигинский районы, вероятность миграции 40%;

­ VII зона тяготения к Магнитогорску, Челябинску: Абзелиловский, Баймакский, Белорецкий, Учалинский районы, вероятность миграции 50%;

· «Известность (или зависимость)» – уровень зависимости от общественного мнения (этот показатель отражает желание абитуриента получить образование в престижном вузе).

Второй тип агентов «Специальность», которые представлены направлениями подготовки в соответствии Перечнем направлений подготовки высшего образования, для которых определен следующий набор параметров:

· «Наименование» – в соответствии с Перечнем направлений подготовки высшего образования;

· «Престижность» – количество запросов в поисковой строке за год;

· «Количество бюджетных мест» – сумма бюджетных мест по i-ой специальности, в соответствии с контрольными цифрами приема формируемых Министерством науки и высшего образования Российской Федерации;

· «Стоимость обучения» – среднее значение по всем вузам Республики Башкортостан;

· «Количество мест в общежитии».

Третий тип агентов «Регион» представлен в единственном экземпляре и отражает социально-экономические характеристики и поведение Республики Башкортостан, для которого определены следующие параметры:

· «Количество бюджетных мест» – сумма бюджетных мест по всем специальностям;

· «Стоимость обучения» – среднее значение стоимости обучения по всем специальностям;

· «Рейтинг вузов» – максимальное значение рейтинга вузов по мировому рейтингу Round University Ranking среди вузов Республики Башкортостан.

· «Количество мест в общежитиях» – максимальное количество мест в общежитиях, предоставляемых высшими образовательными учреждениями для студентов всех курсов;

· «Вузы» – число вузов, расположенных в регионе (не филиалы), вошедших в топ-100 вузов России по рейтингу Round University Ranking.

Концепция агент-ориентированной модели заключается в создании цифрового двойника абитуриента, поведение которого максимально приближено к реальности. Проанализировав мотивации абитуриентов при выборе вуза, были выделены ключевые параметры агента «Человек»:

‒ уровень знаний – сумма баллов ЕГЭ по 3 предметам;

‒ средний уровень дохода семьи на одного человека;

‒ ­уровень зависимости от статуса вуза;

‒ удаленность места проживания от ближайшего вуза.

В связи с тем, что поведение агентов сложно описать, опираясь только на количественные показатели, для имитации поведения агентов в модели была использована нечеткая логика, разработанная в среде Matlab с помощью расширения Fuzzy Logic Toolbox. Главной зависимой переменной является «Статус агента». Входными лингвистическими переменными выступают факторы, влияющие на поведение агентов при выборе вуза, описанные выше и представленные в таблице 1.

Таблица 1

Описание входных переменных

На основе экспертных оценок и ретроспективных статистических данных с помощью модуля fuzzy были сформированы продукционные правила, которые имеют вид «Если - То» (табл. 2).

Таблица 2

Продукционные правила построения системы нечеткого вывода

На рисунке 2 представлен фрагмент визуализации поверхности нечеткой логики, отражающий зависимость выходной переменной «Статус агента» от следующих параметров: удаленность места жительства от ближайшего вуза и уровень знаний, разница суммы баллов ЕГЭ и средний уровень дохода семьи на одного человека. Так, при высоком уровне знаний и увеличении дохода семьи статус агента «активен».

Рисунок 2. Визуализация поверхности нечеткого вывода рассматриваемой модели

Источник: составлено авторами.

Для наглядного представления логики поведения агентов на рисунке 3 изображен алгоритм функционирования агент-ориентированной модели, а именно блок миграционной активности абитуриентов. На начальном этапе работы модели создаются агенты «Человек», «Специальность» и «Регион» на основе официальных данных из статистических сборников региона [1, 5, 7] (Statisticheskye sborniki, 2019).

Рисунок 3. Алгоритм поведения агента «Человек», блок «Образовательная миграция»

Источник: составлено авторами.

Далее реализуется блок «Образование». Для каждого агента «Человек» в возрасте 17 лет осуществляется выбор и сдача единого государственного экзамена, описанные в статье [19] (Gainanov, Migranova, Minyazev, 2020):

Допущение: в модели агент выбирает только 1 предмет, в случае несдачи ЕГЭ считается, что он остается в РБ.

Далее, в соответствии с выбранными экзаменами, для агента «Человек» формируется список специальностей и на основе правил престижности и наличия вакантных мест выбирается специальность. После чего для каждого агента определяется статус мигранта на основе правил нечеткой логики, описанной выше. Следует отметить, что наличие статуса «активный мигрант» для агента не является обязательной причиной к миграции. Как и в реальной жизни, не все, кто хочет уехать, меняют место жительства, так и в модели получен список абитуриентов, которые наиболее предрасположены к миграции.

Для учета дополнительных факторов, влияющих на принятие решения о миграции, в модели предусмотрен расчет показателя «Вероятность миграции» для агентов со статусом «активный мигрант» с использованием дискретного распределения вероятности Бернулли, генерирующего 1 (мигрант) с вероятностью успеха Kt (коэффициент выбытия в период времени t), а 0 (немигрант) с вероятностью отказа q=1000−p. Коэффициент выбытия, в свою очередь, рассчитывается на основе формулы 1:

K_t = 32,19-10,58*Х_1t-0,81*Х_2t+2,80*Х_3t, (1)

где Х_1t – темп изменения количества бюджетных мест в РБ на t-ом периоде;

Х_2t – стоимость обучения вузах РБ на t-ом периоде;

Х_3t – темп изменения количества мест в общежитиях РБ на t-ом периоде.

В том случае если в результате дискретного распределения вероятности Бернулли было сгенерировано значение 1, то агент удаляется из модели. На уровне с блоком «Обучение» в модели реализованы блоки «Рождение нового агента», «Смерть» и «Трудовая миграция», описанные в работах [19] (Gainanov, Migranova, Minyazev, 2020).

Апробация модели осуществлялась на ретроспективных данных с 2016 по 2019 год (табл. 3). Как видно из таблицы, расхождение фактических и прогнозных значений не превышает 10%, поэтому модель можно считать адекватной.

Таблица 3

Результат работы модели

Заключение

Разработанная агент-ориентированная модель позволяет проводить вычислительные эксперименты по оценке влияния различных механизмов государственного воздействия на поведение агентов с целью снижения уровня молодежной миграции в регионе, например, создание научного образовательного центра и студенческого городка в пригороде Уфы к 2025 году. По мнению авторов, данная модель может стать одним из блоков при разработке инструментария перспективной кадровой подготовки региона для проведения численных экспериментов с целью внедрения эффективного механизма регулирования образовательной системы региона на уровне региональных органов власти.