Направления прогнозирования региональной социальной инфраструктуры в процессе цифровой трансформации сферы образования и рынка труда

Введение

Направления трансформации сферы образования и рынка труда с использованием алгоритма прогнозирования цифровизации региональной социальной инфраструктуры в условиях постковидного восстановления российской экономики. Разработка алгоритма прогнозирования региональной социальной инфраструктуры в рамках цифровой трансформации сферы образования и рынка труда будет способствовать определению инструментов и этапов прогнозирования, а также сможет выявить возможные направления будущих изменений в условиях проявления как негативных, так и позитивных риск-факторов, подходы к классификации которых авторы попытались сформулировать в предлагаемой статье. Механизм прогнозирования региональной социальной инфраструктуры в рамках цифровой трансформации сферы образования и рынка труда в условиях постковидного восстановления экономики, естественно, не может не отличаться от алгоритма прогнозирования динамики изменения социальной инфраструктуры в период поступательного развития в межкризисные временные отрезки [1; 2, с. 49–54; 4, с. 825–833] (Brazevich, Safronova, Kosheleva, Biryukova, 2020; Biryukova, Brazevich, Kosheleva, 2021, р. 49–54; Galochkina, Zmievsky, Grozovskaya, Kosheleva, 2021, р. 825–833). Следовательно, необходимо рассмотреть процесс прогнозирования динамики социальной инфраструктуры в посткризисный период восстановления экономики страны после сложной «ковидной обстановки» и в первую очередь оказавшихся одними из самых чувствительными к серьезным ограничениям во время пандемии сферы образования и рынка труда. А также необходимо рассмотреть возможные направления цифрового развития сферы образования и их взаимопроникновение и взаимосвязь с рынком труда в рамках их цифровой трансформации [2, с. 49–54; 3, с. 407–414; 5, с. 53–64] (Biryukova, Brazevich, Kosheleva, 2021, р. 49–54; Burgonov, Kruglov, 2020, р. 407–414; Grozovskaya, Kosheleva, 2021, р. 53–64). В предлагаемой статье проанализированы разные подходы к процессу прогнозирования динамики социальной инфраструктуры, в том числе проведен анализ взглядов Бирюковой А.В. и Бразевича Д.С. [2, с. 49–54] (Biryukova, Brazevich, Kosheleva, 2021, р. 49–54), Бургонова О.В. и Круглова Д.В. [3, с. 407–414] (Burgonov, Kruglov, 2020, р. 407–414), Галочкиной O.A., Змиевского Д.В. и Грозовской E.В. [4, с. 825–833] (Galochkina, Zmievsky, Grozovskaya, Kosheleva, 2021, р. 825–833), Грозовской Е.В. [5, с. 53–64] (Grozovskaya, Kosheleva, 2021, р. 53–64), Далингера Я.М. и Майора М.Н. [6, с. 138–142] (Dalinger, Mayor, Kosheleva, 2021, р. 138–142), Ксенофонтовой Т.Ю. [16, с. 56–59] (Ksenofontova, Kosheleva, 2019, р. 56–59), Митрофанова С.В. [17, с. 22–26] (Mitrofanov, Kosheleva, 2021, р. 22–26), Тархановой Н.П. [21, 22] (Tarkhanova, Kosheleva, Vasilchikov, Ksenofontova, 2020; Kosheleva, Tarhanova, Strielkowski, Ksenofontova, 2019) и др. и обоснована возможность формирования направлений цифрового развития сферы образования и их цифрового взаимодействия с рынком труда. Основной целью данной статьи выступает обоснование алгоритма прогнозирования цифровой трансформации социальной инфраструктуры в сфере образования и ее взаимодействия с рынком труда, а именно – формирование подходов к комплексной цифровизации сферы образования и рынка труда в формате регионального межотраслевого кластерного взаимодействия. Научная новизна предлагаемой статьи состоит в совершенствовании алгоритма прогнозирования в условиях постковидного восстановления социальной инфраструктуры как наиболее пострадавшей сферы от ковидных ограничений и нуждающейся в дальнейшей оперативной цифровизации и формировании более динамичной комплексной модели в формате регионального межотраслевого кластерного взаимодействия во избежание новых инфекционных ограничений и попытке разработать модель комплексной взаимосвязи сферы образования и рынка труда в формате регионального межотраслевого кластерного взаимодействия. В качестве методологической основы предлагаемой статьи выступает обоснование необходимости формирования базисной платформы для подготовки инструментов и направлений выбора диапазона и периода наблюдения, определения основных факторов влияния, а также формата возможных вариантов интерпретации полученных результатов, в рамках которой предложены основные методы прогнозирования и определена информационная база, сформулированы подходы к классификации риск-факторов будущих изменений социальной инфраструктуры в сфере образования и рынка труда.

Прогнозирование динамики социальной инфраструктуры в стране, в первую очередь в сфере образования и трудоустройства выпускников на рынке труда, а также в сфере поддержки социально незащищенных слоев населения (людей с ограниченными возможностями, многодетных семей, молодых семей с детьми и т.д.) подчиняется несколько иным закономерностям и отличается от прогнозирования в устойчиво-стабильной ситуации не только инструментами прогнозирования, но и диапазоном наблюдения, охватом используемых показателей и факторов, возможностями применения результатов, а также направлениями и возможными вариантами интерпретации полученных результатов. Необходимость в прогнозировании динамики социальной инфраструктуры в посткризисный период восстановления экономики страны после сложной «ковидной обстановки» во всем мире, пандемия которой еще продолжается, но экономическая ситуация в нашей стране уже улучшается, и сегодня существует потребность в определении возможных направлений дальнейшего развития и динамики восстановления и интенсификации проникновения цифровых технологий в сферу образования и дальнейшего трудоустройства выпускников, а также выявления возможных алгоритмов улучшения социальных условий поддержки социально незащищенных слоев населения [6, с. 138–142; 12, с. 66–71; 13; 14, с. 160–163] (Dalinger, Mayor, Kosheleva, 2021, р. 138–142; Kosheleva, 2021, р. 66–71; Kosheleva, 2020; Kosheleva, 2021, р. 160–163). Формирование прогнозных расчетов по дальнейшему совершенствованию сферы образования обосновано и необходимостью соответствовать ожиданиям населения в образовательной сфере, исследование которых было проведено компанией «СберСтрахование жизни» в августе 2021 года в 37 российских городах с населением свыше 500 тысяч по выборке, отражающей социально-демографический состав населения городов, в соответствии с которым было установлено, что 91% московских семей полностью или в основном согласны с тем, что в Москве и Московской области, так же как и в Санкт-Петербурге (тоже 91%), можно получить хорошее современное образование, необходимое для успеха в жизни [7]. Помимо этого, среди лидеров – Тольятти (81%), Казань, Краснодар и Самара (по 80% в каждом городе), Ростов-на-Дону и Омск (по 79%), Набережные Челны (78%), в то же время женщины выше, чем мужчины, оценивают качество образования в местных вузах – 80% против 77%, а самые высокие оценки образованию в российских городах дают респонденты в возрасте 50‒60 лет (87%), более 60 лет (82%) и 30‒40 лет (78%) [7].

Традиционные подходы к прогнозированию работают в кризисных и посткризисных условиях недостаточно эффективно, т.е. не могут обеспечить достаточно реалистичные и наиболее вероятные и обоснованные направления развития событий. Эффективный управленческий подход предполагает своевременное и обоснованное предвидение изменений, выработку и оценку возможных наиболее вероятных альтернатив развития. Он должен опираться на прогнозирование всевозможных сценариев развития ситуации, целей и результатов, учета факторов влияния для принятия оптимальных управленческих решений. Задачи прогнозирования в кризисных и посткризисных условиях могут и должны значительно отличаться от аналогичных задач в достаточно стабильных и устоявшихся условиях развития, а именно – на основании предположений о качественном изменении ситуации необходимо дополнительно осуществлять качественную и количественную оценку возможных вариантов будущих результатов и других показателей эффективности функционирования сферы образования и рынка труда с определением уровней вероятности реализации каждого варианта и уровня вероятных будущих отклонений от расчетного результата и уровня возможных потерь.

В благополучных условиях управленческие решения как оперативного, так и стратегического характера должны и могут приниматься на основе интуиции и анализа прошлой экономической ситуации. В условиях нестабильности, а также в кризисные и посткризисные периоды развития традиционные прогнозные методики, использующие статистические методы обработки данных, практически перестают работать и могут выходить на полностью противоположные реальной ситуации прогнозы. При появлении множества новых факторов, влияющих на сферу образования и рынок труда, качество таких прогнозов резко падает. Чтобы обеспечить требуемую точность и аналитическую детализацию при расчете возможного прогнозного состояния сферы образования и рынка труда, необходимо использовать прогнозные модели, оперирующие сотнями значений первичных и производных риск-факторов, к которым авторами предлагается относить разнонаправленные взаимодействия и противодействия внешних к выбранному контуру взаимодействия заинтересованных сторон сферы образования и рынка труда (регионального, отраслевого или муниципального контура) и внутренних элементов (домохозяйств, государственных органов, образовательных организаций, производителей и т.д.). Все риск-факторы можно классифицировать, кроме уровня влияния (внешний и внутренний), по степени влияния (сильный, средний, слабый), по домохозяйствам (по уровню доходности, по уровню потребностей, по способностям членов домохозяйств, по возможностям домохозяйств, по уровню формулирования запросов к сфере образования и будущему трудоустройству и т. д.

В то время как традиционные подходы к прогнозированию на основе электронных таблиц опираются на простые модели, использующие не более десятка экспертных оценок. Помимо качества самих прогнозов, необходимо ужесточить требования к частоте их подготовки: строить прогнозы необходимо как минимум на ежедневной основе. В рамках формирования базисной платформы для подготовки инструментов и направлений выбора диапазона и периода наблюдения, определения основных факторов влияния, а также формата возможных вариантов интерпретации полученных результатов необходимо передать задачу прогнозирования специализированному программному обеспечению, использующему методы машинного обучения для прогнозирования значений факторов риска в требуемых аналитических разрезах, предоставляющему сервис для построения прогнозных моделей и сценариев прогнозирования на их основе и отвечающему за расчет вариантов прогнозов. Это позволит преодолеть ограничения традиционного подхода, устранить человеческий фактор, ускорить сроки подготовки прогнозов, повысить детальность и реалистичность. Преимущества использования прогнозных моделей на основе методов компьютерного прогнозирования – в их способности обрабатывать большие объемы информации, не «захлебываясь» в деталях, обнаруживать скрытые закономерности и выявлять поведение вторичных риск-факторов, учитывая изменения первичных. Компьютерное прогнозирование можно реализовать, например, используя RCPM-платформы «Контур», которая позволяет смоделировать и «оцифровать» основные и промежуточные варианты развития ситуации, чтобы просчитать влияние различных факторов на состояние отраслевых и региональных рынков и производные показатели, а также заранее подготовиться к грядущим негативным изменениям [8]. Возможность оперативно принять наиболее эффективное управленческое решение, с точки зрения возможных потерь, позволит обеспечить стратегическое конкурентное преимущество как в рамках определенной отрасли, так и в рамках образовательных учреждений и регионов.

При традиционном подходе на основе электронных таблиц нереально оперативно рассчитывать прогноз изменений состояния образовательной инфраструктуры и тем более учесть динамику на рынке труда, даже с использованием нескольких прогнозных моделей и десятков сценариев на их основе. Только для разработки одного сценария, на основе которого рассчитываются позиции по каждой специальности и по каждому региону и отрасли, число риск-факторов, которые необходимо спрогнозировать в детальной аналитике, может достигать нескольких сотен, которые задать «вручную» – практически нереальная задача, которая многократно усложняется с ростом вариативности сценариев и количества прогнозных моделей. Очевидно, что без серьезной автоматизации прогнозной функции не обойтись. Автоматизация может дать возможность строить детальные прогнозы практически «на лету», тестируя самые невероятные гипотезы и моделируя множество сценариев.

В рамках выстраивания алгоритма формирования базисной платформы для подготовки архитектуры механизма прогнозирования процессов восстановления и цифровой реструктуризации сферы образования и рынка труда как ряда основных элементов социальной инфраструктуры в стране авторы предлагают рассмотреть методологические основы формирования платформы механизма прогнозирования и основные инструменты вероятностной оценки факторов развития цифровых технологий в контексте цифровизации сферы образования и рынка труда с использованием интеллектуального анализа больших данных [15; 16, с. 56–59; 17, с. 22–26; 18, с. 591–604] (Ksenofontova, Smirnov, Kadyrova, Burgonov, Kosheleva, 2019; Ksenofontova, Kosheleva, 2019, р. 56–59; Mitrofanov, Kosheleva, 2021, р. 22–26). Механизм прогнозирования динамики состояния сферы образования и рынка труда основывается на применении модели Edutainment (образование + развлечение), благодаря использованию игровых техник которой можно включить и учесть в интерактивном макете будущей модели направления вероятностного развития социальной сферы, включая и риск-факторы, в контексте цифровизации и развития цифровой экономики в целом [17, с. 22–26; 18, с. 591–604; 19, с. 24–26] (Mitrofanov, Kosheleva, 2021, р. 22–26; Mullina, Kosheleva, 2021, р. 591–604; Otverchenko, Kosheleva, 2021, р. 24–26).

Авторы предлагают в рамках основных методов прогнозирования применить методы интеллектуального анализа больших данных (текст-майнинг), мониторинг и анализ трендов, контент-анализ интернет-ресурсов, тематическое моделирование, кластеризацию и классификация, картирование, кабинетное исследование, сравнительный анализ, методы обобщения и систематизации, метод статистического анализа, метод кейсов. Если рассматривать процесс прогнозирования с точки зрения формирования долгосрочных прогнозов в сфере востребованности определенных знаний и навыков, можно предложить в качестве методический базы использовать методы долгосрочного прогнозирования показателей научно-технологического развития экономики по отраслям и регионам, имитационные модели, регрессионный анализ, методы сценарного анализа, методы кластерного анализа. Но такие прогнозы могут оказаться крайне не точными и не практичными, особенно если попытаться использовать их в рамках выстраивания карьеры будущей успешности начиная со школьной скамьи.

В рамках рассмотрения методологических основ формирования платформы механизма прогнозирования необходимо значительно увеличить анализируемые системы интеллектуального анализа больших данных путем расширения базы данных источников информации о вероятности проявления факторов, влияющих на цифровизацию, кластеризацию и картирование потока создания ценности образования и рынка труда [9].

В качестве информационной базы для начала аналитической работы в рамках прогнозирования динамики в сфере образования и на рынке труда можно использовать статистические данные международных рейтингов в области промышленного развития, научные публикации, аналитические и отраслевые отчеты по цифровизации сферы образования и на рынке труда, стратегические и программные документы в области развития образовательной инфраструктуры и др. документы [18, с. 591–604; 19, с. с. 24–26; 20, с. 98–104; 21; 22]. Можно перед загрузкой массива данных в процессе программной обработки в рамках выявления влияния риск-факторов применить инструменты токенизации (цифровое представление существующих реальных и потенциальных факторов на рынке в распределенном реестре). С помощью сформированных таким образом поисковых условий появляется возможность выбрать и сформировать алгоритм основных, принимаемых к учету факторов, оказывающих наиболее значительное влияние на процесс цифрового развития и цифровой трансформации образования и рынка труда, которые негативно или позитивно могут менять вектор и качественные составляющие социальной инфраструктуры образовательной и трудовой сферы и определять основные направления развития цифровых образовательных технологий. Далее более детально необходимо сформировать аналитические описания каждого вероятного прогнозного сценария развития цифровых образовательных технологий в виде табличного набора ключевых технологических трендов, которые являются катализаторами развития цифровых технологий и могут менять силу своего проявления в зависимости от набора и силы влияния факторов, оказывающих наиболее серьезное влияние на процесс цифрового развития и цифровой трансформации образования и рынка труда в тот или иной момент времени и на определенной территории.

93% опрошенных москвичей (опрос проводился компанией «СберСтрахование жизни» в августе 2021 года в 37 российских городах с населением свыше 500 тысяч по выборке, отражающей социально-демографический состав населения городов [7]) считают расходы на образование и развитие детей важной и приоритетной статьей расходов, высокий приоритет у таких расходов и у петербуржцев (91%), тогда как значительная часть жителей Москвы (88%) вкладывает средства в развитие и образование своих детей, а 66% москвичей считают необходимым копить деньги на образование детей [7]. По мнению 61% опрошенных, задумываться об образовании детей необходимо с самого рождения ребенка, 32% – со школы, 7% – за несколько лет до поступления в вуз, а по мнению москвичей, кратчайший путь к успешному будущему – это образование в области IT, программирования и компьютеров (26%), техническое или инженерное образование (образование в этой области считают успешным 23% опрошенных), в области экономики, финансов и управления (13%), права и юриспруденции (12%), в области гуманитарных наук (11%), и еще 9% опрошенных считают, что сегодня больше всего обеспечивает жизненный успех образование в области математических и естественных наук, а медицины и биологии – 6% [7]. В среднем 22% бюджета российских семей составляют расходы на обучение детей, больше всего (1/4 часть бюджета) на обучение тратят москвичи и петербуржцы, тогда как доля расходов на образование детей в Астрахани и Краснодаре составляет почти столько же, что и в мегаполисах, – по 23,8% и 23,3% соответственно, а в целом по стране затраты на обучение занимают не менее 1/5 части финансовых расходов семей (в Хабаровске – 23,3%, в Ростове-на-Дону – 23,2%, в Омске – 22,6%, в Красноярске – 21,4%) (опрос проводился компанией «СберСтрахование жизни» в августе 2021 года в 37 российских городах с населением свыше 500 тысяч по выборке, отражающей социально-демографический состав населения городов [10]). При этом размер своих вложений в образование и развитие детей считают достаточным 27% опрошенных, а большая часть респондентов (55%) хотела бы вкладывать в обучение детей больше, 18% – планируют вкладывать больше в дальнейшем, тогда как несмотря на значительные вложения в обучение, большая часть родителей не считают, что инвестиции в образование и развитие детей должны окупиться, а 37% участников опроса считают, что вложения в образование и развитие детей не должны окупаться, это вопрос не денег, а человеческого развития (опрос проводился компанией «СберСтрахование жизни» в августе 2021 года в 37 российских городах с населением свыше 500 тысяч по выборке, отражающей социально-демографический состав населения городов [10]). 32% родителей ожидают возврата инвестиций в виде морального удовлетворения от успехов детей, 16% россиян считают, что эти вложения вообще не окупятся, а 14% надеются на окупаемость в виде помощи от детей в старости, тогда как в целом россияне предпочли бы исключительно бесплатное образование (средняя цифра по стране – 74%), такого мнения в большей степени придерживаются люди старшего поколения (81% респондентов в возрасте от 50 лет и старше, 76% – участники опроса в возрасте от 30 до 50 лет) (опрос проводился компанией «СберСтрахование жизни» в августе 2021 года в 37 российских городах с населением свыше 500 тысяч по выборке, отражающей социально-демографический состав населения городов [10]). Среди молодого поколения (18‒30 лет) за бесплатное образование высказались 62%, в регионах больше всего приверженцев бесплатного образования на Дальнем Востоке и в Сибири: во Владивостоке (85%), Барнауле (83%), Хабаровске (83%), Кемерове (83%), Иркутске (82%), Новокузнецке (82%), Томске (81%), а вот жители мегаполисов готовы платить за обучение: в Москве за бесплатное образование высказались 63% опрошенных, в Санкт-Петербурге – 65% (опрос проводился компанией «СберСтрахование жизни» в августе 2021 года в 37 российских городах с населением свыше 500 тысяч по выборке, отражающей социально-демографический состав населения городов [10]). Тем не менее почти половина населения (48%) считает необходимым копить на обучение детей, при этом большая часть называют расходы на образование и развитие детей самыми важными и приоритетными – 87% [10], по мнению 43% опрошенных, задуматься об этом стоит с самого рождения ребенка, 39% – со школы, 18% – за несколько лет до поступления в вуз (опрос проводился компанией «СберСтрахование жизни» в августе 2021 года в 37 российских городах с населением свыше 500 тысяч по выборке, отражающей социально-демографический состав населения городов [11]), среди этих расходов – формирование капитала на образование детей – выделяют такие инструменты, как накопительное страхование жизни (НСЖ) по программе «Билет в будущее», который с начала 2021 года выбирал каждый десятый опрошенный [10]. По данным исследования, 7% респондентов рассчитывают оплатить образование за счет зарплаты или кредита, уже реализуется ряд программ льготных образовательных кредитов, ставки по которым находятся на низком уровне, среди них можно выделить программы накопительного страхования, например по детской программе накопительного страхования жизни, среди опрошенных копят в среднем 300 тыс. рублей, средний срок накоплений – 6 лет, при этом чаще всего договоры накопительного страхования на будущее образование заключают женщины – в 77% случаев, тогда как копить на образование начинают молодые родители: 40% клиентов по этим программам еще не исполнилось 35 лет [10]. Но не во всех регионах одинаково оценивают важность и значимость таких инструментов, как «формирование капитала на образование детей», например только 59% новосибирских семей считают необходимым формировать сбережения на высшее образование детей, а в среднем по стране этот показатель составляет всего 48% (опрос проводился компанией «СберСтрахование жизни» в августе 2021 года в 37 российских городах с населением свыше 500 тысяч по выборке, отражающей социально-демографический состав населения городов [11]). 73% жителей Новосибирска уверены, что современное качественное образование – это залог жизненного успеха, 76% новосибирцев полностью или в основном согласны с тем, что хорошее современное образование позволяет зарабатывать больше или намного больше, а также, по мнению 86% местных жителей, – позволяет делать карьеру быстрее или намного быстрее, и подавляющее большинство опрошенных (85%) убеждены в том, что хорошее образование необходимо для личностного развития (опрос проводился компанией «СберСтрахование жизни» в августе 2021 года в 37 российских городах с населением свыше 500 тысяч по выборке, отражающей социально-демографический состав населения городов [11]). По мнению жителей Новосибирска, кратчайший путь к успешному будущему – IT-образование (об этом заявили 21% опрошенных) или техническое, инженерное образование (19%), в области медицины и биологии (17%), экономики, финансов и управления (15%), еще 10% респондентов считают, что сегодня больше всего обеспечивает жизненный успех образование в области гуманитарных наук, 8% – права и юриспруденции и 7% – математических и естественных наук [11]. Почти половина россиян считают необходимым копить деньги на образование детей, еще 40% хотели бы, чтобы их дети учились бесплатно, 4% – чтобы они самостоятельно оплачивали обучение [11]. За 2021 год число тех, кто считает необходимым копить на образование детей, выросло на 9 процентных пунктов – в 2020 году об этом заявляли 39% опрошенных, чаще всего к накоплению средств на образование склонны россияне в возрасте от 30 до 40 лет, обладатели высшего и послевузовского образования и люди с доходами выше среднего (опрос проводился компанией «СберСтрахование жизни» в августе 2021 года в 37 российских городах с населением свыше 500 тысяч по выборке, отражающей социально-демографический состав населения городов [11]). Распределение тех, кто считает нужным копить на образование, неравномерно по городам страны, в которых проводилось исследование, больше всего тех, кто считает, что делать это необходимо, – в Санкт-Петербурге (91%), Екатеринбурге (67%), Москве (66%), Красноярске и Челябинске (по 61% в каждом городе), Новосибирске (59%) и Тюмени (56%), в Махачкале и Оренбурге об этом заявляют всего 27% и 23% опрошенных соответственно (опрос проводился компанией «СберСтрахование жизни» в августе 2021 года в 37 российских городах с населением свыше 500 тысяч по выборке, отражающей социально-демографический состав населения городов [11]). Среди тех, кто готов платить за образование детей, согласны тратить на него в среднем 105 тыс. рублей в год, а самые большие годовые бюджеты на высшее образование готовы выделить жители Москвы (250 тыс. рублей), Санкт-Петербурга (227 тыс. рублей), Владивостока (163 тыс. рублей). Жители Новосибирска оценили такие расходы в 67 тыс. рублей в год [11]. При этом хорошее разностороннее образование – с раннего детства (включая расходы на школу и репетиторов) до окончания вуза – обойдется россиянам, по их собственным оценкам, в 1,78 млн рублей, а самые высокие оценки у москвичей (2,1 млн рублей), петербуржцев (1,9 млн рублей), жителей Воронежа и Рязани (по 1,8 млн рублей), тогда как новосибирцы оценили эту сумму в 1,4 млн рублей (опрос проводился компанией «СберСтрахование жизни» в августе 2021 года в 37 российских городах с населением свыше 500 тысяч по выборке, отражающей социально-демографический состав населения городов [11]).

В процессе проведенного анализа и выявленных данных по динамическому изменению условий цифровой трансформации образования и рынка труда и оценки условий для реализации на рынке труда авторы пришли к некоторым выводам, а именно: достаточно остро назрела необходимость разработки стратегии комплексной цифровизации сферы образования и рынка труда в рамках межотраслевого кластерного взаимодействия и выстраивания взаимозависимости между сферой образования и рынком труда для реализации цифровой повестки, а также необходимо формирование отдельных инструментов цифровой инфраструктуры для более широкого включения механизма государственно-частного партнерства в социальную сферу жизнеобеспечения регионов с использованием предложенного авторами алгоритма прогнозирования и определения вероятности проявления и силы влияния выявленных факторов. Можно также рассмотреть модель формирования «умного рынка труда», в основе которой можно предложить применение информационных технологий и других комплексных решений по интенсификации алгоритма поиска соответствия участников на рынке труда и образовательной инфраструктуры на определенном временном отрезке и в рамках определенного региона.

Заключение

Таким образом, в результате проведенного исследования установлено, что необходимо совершенствование существующего механизма прогнозирования социальной инфраструктуры и дополнение новыми элементами, а именно – моделью Edutainment, позволяющей учесть направления вероятностного развития социальной сферы и риск-факторы. Предложено также дополнить применяемые методы прогнозирования следующими методами: методами интеллектуального анализа больших данных, тематического моделирования, кластеризации и классификации, картирования, методами кейсов, а также методами долгосрочного прогнозирования показателей научно-технологического развития социальной инфраструктуры по отраслям и регионам и др. Выявлено, что данный алгоритм прогнозирования в условиях постковидного восстановления социальной инфраструктуры можно применять и в рамках предлагаемой авторами комплексной модели цифровизации сферы образования и рынка труда в рамках регионального межотраслевого кластерного взаимодействия и выстраивания взаимозависимости между сферой образования и рынком труда благодаря сформулированным авторами подходам к учету вероятности проявления раскрытых и упорядоченных риск-факторов будущих изменений социальной образовательной инфраструктуры во взаимодействии с рынком труда.

Таким образом, авторы предлагают усовершенствованный и адаптированный к существующим условиям алгоритм прогнозирования социальной инфраструктуры, дополненный более гибкими и учитывающими более динамичную и разновекторную цифровую трансформацию наиболее чувствительных к таким изменениям составных элементов социальной инфраструктуры образовательного рынка и рынка труда инструментами для более комплексного включения механизма государственно-частного партнерства в социальную сферу жизнеобеспечения регионов и получения в результате синергетического эффекта, используя возможности определения вероятности проявления и силы влияния выявленных риск-факторов. Сделана также попытка наметить дальнейшее направление развития предложенной модели в формате разработки макета «умного рынка труда», в основе которого можно предложить применение информационных технологий по интенсификации алгоритма поиска соответствия участников на рынке труда и образовательной инфраструктуры на конкретном временном отрезке и в рамках заданного региона.