Впервые были использовали современные подходы машинного обучения для глобальных социально-экономических моделей. Метод помогает эффективно решать задачу распределения бюджетных мест по разным вузам и специальностям в регионах и снизить риск нехватки или избытка тех или иных специалистов.
Проект по разработке математической модели для Министерства промышленности и торговли, позволяющей как прогнозировать контрольные цифры приема (КЦП) на ближайший период в 1-2 года, так и определять тренды изменений в среднесрочной перспективе до 20 лет, завершили ученые Новосибирского госуниверситета. Ученые впервые использовали современные подходы машинного обучения для подобных глобальных прогнозных социально-экономических моделей.
На данном этапе модель позволяет прогнозировать КЦП для высшего и среднего профессионального образования. В дальнейшем в НГУ планируют распространять данный опыт в бизнес-сферу, когда требуется строить прогнозы развития для конкретных предприятий.
Проект стартовал в НГУ в 2021 году, в команде участвовали 5 человек — сотрудники Математического центра в Академгородке и студенты Механико-математического факультета в НГУ. Тогда в Центр обратилась компания, которая занимается разработкой сервисов для Министерства промышленности и торговли, в частности для Государственной информационной системы промышленности. На тот момент в Минпромторге уже была развернута система прогнозирования числа выпускников в разных регионах по разным специальностям, однако она требовала серьезной модернизации — многие параметры считались вручную, возможности сценарного моделирования были ограничены, не были учтены программы господдержки и т.п.
Перед нами стояла задача полностью переработать систему. Мы выбрали следующий подход: объединили классические математические методы динамического моделирования с методами машинного обучения, которые позволяют учесть в системе множество параметров, сохраняя при этом необходимую точность при расчете каждого из них. Как обычно для моделей машинного обучения, мы разделили весь объем исторических данных на независимые тестовую и обучающую части, затем обучили модель, а потом результаты работы проверили на второй части. Модель прошла все возможные тесты от Минпромторга и везде демонстрировала необходимую точность. Конечно, значительную точность прогноза можно гарантировать только на ближайший год, затем с каждым шагом точность снижается, однако даже ответ на вопрос “что будет, если в регионе экономика будет развиваться равномерно, а в промышленность пойдут инвестиции” позволяет определять важные
тренды.
Сергей Оспичев, руководитель проекта, кандидат физико- математических наук, заместитель директора Математического центра в Академгородке, доцент Механико-математического факультета НГУ
По данным ученых, методы машинного обучения ранее не использовались в России для подобных глобальных прогнозных социально-экономических моделей. Это связано прежде всего с консервативностью данного направления исследований.
Исследователи отмечают, что проблема “черного ящика” в моделях машинного обучения, безусловно, встречается, но только для некоторых подходов. В своей работе Оспичев и его коллеги используют модель “Случайный лес”, которая позволяет, при необходимости, разобрать каждое решение до винтика и объяснить, как и почему были получены такие результаты. Эта модель также позволяет определять тренды, которые невозможно описать традиционной формулой.
При построении прогнозов учитываются ряд факторов: миграционная ситуация в регионе, экономические и демографические показатели, валовый продукт, реализуемые инвестиционные проекты и многое другое. На основе анализа всех этих параметров модель прогнозирует количество вакантных рабочих мест, которые появятся на предприятиях по разным специальностям.
С другой стороны мы смотрим на вузы: какое количество выпускников и по каким специальностям выходят на рынок труда, сколько из них переберется в другой регион или пойдет работать не по специальности. Этот фактор разработанная нами модель прогнозирования также учитывает, и за основу мы взяли исследование Высшей школы экономики.
Сергей Оспичев, руководитель проекта, кандидат физико- математических наук, заместитель директора Математического центра в Академгородке, доцент Механико-математического факультета НГУ
В дальнейшем в ход вступает классический закон спроса и предложения: модель сравнивает два показателя — сколько выпускников выйдут на рынки сколько вакансий появится на предприятиях региона. Так модель понимает, какое изменение рекомендовать Министерству промышленности и торговли для достижения равновесия. Дальше Минпромторг передает их в Министерство науки и высшего образования. Последнее на основе полученных данных формирует и распределяет контрольные цифры приема, которые выдаются регионам на бюджетные места.
Данная модель позволяет учитывать и такой фактор, как крупные инвестиционные проекты, реализуемые на территории региона. Например, идет строительство предприятий, закупается новое оборудование, открываются цеха. На момент введения в эксплуатацию производства через 5 лет понадобятся специалисты. К тому времени вузы региона должны предложить рынку труда достаточное количество выпускников по необходимым специальностям, чтобы не допустить их нехватки.
Сергей Оспичев, руководитель проекта, кандидат физико- математических наук, заместитель директора Математического центра в Академгородке, доцент Механико-математического факультета НГУ
На первом этапе в математическом центре в Академгородке стартовали с прогнозирования контрольных цифр приема для высшего образования — бакалавриата и магистратуры. В этом году перешли ко второму этапу — добавили среднее профессиональное образование, которому сейчас уделяется повышенное
внимание, так как растет спрос на высококвалифицированный рабочий персонал.
В дальнейшем в университете планируют использовать подобную математическую модель и при построении прогнозов развития для конкретных предприятий.
Уже сейчас за основу мы берем макроэкономические прогнозы Минэкономразвития. Затем по этим прогнозам готовим три сценария социально-экономического развития страны — консервативный, оптимистичный и пессимистичный. А также учитываем показатели самого предприятия. Отталкиваясь от этих данных, уже можем строить модели развития компании, что позволит собственникам и акционерам оценивать риски и принимать более взвешенные решения о долгосрочных инвестициях.
Сергей Оспичев, руководитель проекта, кандидат физико- математических наук, заместитель директора Математического центра в Академгородке, доцент Механико-математического факультета НГУ
Фото: gpointstudio oт Freepik
Нет комментариев