Применение машинного обучения для типологизации финансовых моделей университетов

В данном исследовании рассматривается возможность применения машинного обучения для создания типологии финансовых моделей российских университетов. Крупномасштабные национальные инициативы в области развития человеческого потенциала и академического превосходства, такие как Проект 5-100, программы создания университетских консорциумов и научных центров мирового уровня, а также программа «Приоритет-2030» требуют адекватных инструментов финансового и управленческого учёта, позволяющих проводить анализ эффективности деятельности университетов. Однако, когда традиционные методы финансового анализа и аудита перенимаются из корпоративного сектора, они могут оказаться неуместными для оценки вклада университетов в реализацию государственной научно-технологической политики и достижение национальных целей развития. Существующие же специализированные подходы, например, используемые для оценки влияния университетов Russell Group на социально-экономическое развитие Великобритании, являются дорогостоящими и трудоёмкими, поэтому в данном исследовании продемонстрирована попытка использовать для создания типологизации финансовых моделей университетов многообещающие методы машинного обучения и доступные на момент проведения исследования открытые данные государственных информационных систем.

1. Медведев Д.A. Социально-экономическое развитие России: обретение новой динамики // Вопросы экономики. 2016. № 10. С. 5–30. DOI: 10.32609/0042-8736-2016-10-5-30

2. Godzimirski J.M. Energy, climate change and security: The Russian strategic conundrum // Journal of Eurasian Studies. 2022. Vol. 13. No. 1. C. 16–31. DOI; 10.1177/18793665211054518

3. Henderson J., Mitrova T. Implications of the Global Energy Transition on Russia // The Geopolitics of the Global Energy Transition. M. Hafner, S. Tagliapietra (Eds.). Springer. 2020. P. 73–91. DOI: 10.1007/978-3-030-39066-2_5

4. Акоев М.А., Валеева М.В., Яблоков Е.Б. Концентрация человеческого капитала в исследовательских университетах как основа конкурентоспособности образовательных систем и её отражение в глобальных рейтингах университетов // Управление наукой: теория и практика. 2021. Т. 3. № 2. С. 137–160. DOI: 10.19181/smtp.2021.3.2.6

5. Дежина И.Г., Ефимова Г.З. Риски Проекта 5-100: оценки научно-педагогических работников различных поколений // Высшее образование в России. 2022. T. 31. № 3. С. 28–39. DOI: 10.31992/0869-3617-2022-31-3-28-39

6. Трубникова Е.И. Проект 5-100: взгляд через призму теории институциональной коррупции // Мир России. 2020. Т. 29. № 2. С. 72–91. DOI: 10.17323/1811-038X-2020-29-2-72-91

7. Langfeldt L., Benner M.S., Sivertsen G., Kristiansen E., Aksnes D.W., Borlaug S.B. et al. (2015). Excellence and growth dynamics: A comparative study of the Matthew effect // Science and Public Policy. 2015. Vol. 42. No. 5. P. 661 –675. DOI: 10.1093/scipol/scu083

8. Jong L., Franssen T., Pinfield S. Transforming excellence? From ‘matter of fact’ to ‘matter of concern’ in research funding organizations // SocArXiv. 2022. DOI: 10.31219/osf.io/nduxf

9. Демидов М.О., Савельев П.С., Ходачек И.А., Мерешкин Д.Е. Современные инструменты развития научного потенциала университета // Университетское управление: практика и анализ. 2022. Т. 26. № 1. С. 92–101. DOI: 10.15826/umpa.2022.01.007

10. Железнов А.М. Влияние участия университетов в Проекте 5-100 на успешность получения научных проектов // Мир России. 2023. Т. 32. № 2. С. 52–73. DOI: 10.17323/1811-038X-202332-2-52-73

11. Гладкий Ю.Н., Чистобаев А.И. Основы региональной политики. СПб.: Изд-во Михайлова В.А. 1998. 659 с. ISBN: 5-8016-0032-9.

12. Юдин Г.Б. Задачи и проблемы построения типологии общеобразовательных учреждений // Образование и общество: Всероссийская социологическая конференция к 20-летию Российского общества социологов. М.: Институт социологии РАН. 2009. EDN: TXAFGL.

13. Соколов М. Миф об университетской стратегии. Экономические ниши и организационные карьеры российских вузов // Вопросы образования. 2017. № 2. С. 36–73. DOI: 10.17323/1814-9545-2017-2-36-73

14. Заборовская А.С., Крыштановский А.О., Титова Н.Л., Другов М.А., Клячко Т.Л., Михайлюк М.В. и др. Стратегии адаптации высших учебных заведений: Экономический и социологический аспекты / Под общ. ред.: Т.Л. Клячко. М.: Издательский дом ГУ ВШЭ. 2002. URL: https://publications.hse.ru/books/54926324 (дата обращения 27.06.2023).

15. Абанкина И.В., Алескеров Ф.Т., Белоусова В.Ю, Гохберг Л.М., Зиньковский К.В., Кисельгоф С.Г., Швыдун С.В. Типология и анализ научно-образовательной результативности российских вузов. Форсайт. 2013. Т. 7. № 3. С. 48–63. URL: https://foresightjournal.hse.ru/2013-7-3/95458442.html (дата обращения 27.06.2023).

16. Кузьминов Я., Семенов Д., Фрумин И. Структура вузовской сети: от советского к российскому «мастер-плану» // Вопросы образования. 2014. № 4. С. 8–69. DOI: 10.17323/1814-9545-2013-4-8-69

17. Чечик Е. Финансовая устойчивость государственных вузов. Препринт ЦИАНО 2020 ЕУ СПб. 2020. 23 c. URL: http://ciase.ru/wpcontent/uploads/2020/10/finance_final.pdf (дата обращения 27.06.2023).

18. Кельчевская Н.Р., Павлова М.В. Анализ финансово-хозяйственной деятельности государственного вуза как основа инновационных решений и программ (на примере УГТУ-УПИ) // Университетское управление: практика и анализ. 2000. № 4 (15). С. 43–45. URL: https://elar.urfu.ru/handle/10995/42867 (дата обращения 27.06.2023).

19. Гринь А.М., Баитов А.С. Анализ финансовой устойчивости государственного вуза // Сибирская финансовая школа. 2005. № 2. С. 54–59. URL: http://journal.safbd.ru/ru/content/analizfinansovoy-ustoychivosti-gosudarstvennogo-vuza (дата обращения 27.06.2023).

20. Гаджиев Н.Г. (2016). Анализ качества планирования финансово-хозяйственной деятельности в финансовом менеджменте вуза // Сибирская финансовая школа. 2016. № 2. С. 62–67. URL: http://journal.safbd.ru/ru/issues/2016-no2-115-mart-aprel_article_62-67 (дата обращения 27.06.2023).

21. Кларк Б.Р. Создание предпринимательских университетов: организационные направления трансформации. Издательский дом ГУ ВШЭ. 2011. 240 с. ISBN: 978-5-7598-0834-3.

22. Bostrom N. Superintelligence: Paths, Dangers, Strategies. Oxford University Press. 2014. 352 p. ISBN: 9780199678112.

23. Moravec H. Mind Children. Harvard University Press. 1988. 224 p. ISBN: 9780674576186.

24. Lokanan M.E., Sharma K. Fraud prediction using machine learning: The case of investment advisors in Canada // Machine Learning with Applications. 2022. Vol. 8. Article no. 100269. DOI: 10.1016/j.mlwa.2022.100269

25. Lokanan M., Tran V., Vuong N.H. Detecting anomalies in financial statements using machine learning algorithm: The case of Vietnamese listed firms // Asian Journal of Accounting Research. 2019. Vol. 4. No. 2. P. 181–201. DOI: 10.1108/AJAR-09-2018-0032

26. Ishibashi K., Iwasaki T., Otomasa S., Yada K. Model Selection for Financial Statement Analysis: Variable Selection with Data Mining Technique // Procedia Computer Science. 2016. No. 96. P. 1681–1690. DOI: 10.1016/j.procs.2016.08.216

27. Zhang X. Application of data mining and machine learning in management accounting information systems // Journal of Applied Science and Engineering. 2021. Vol. 24. No. 5. P. 813–820. DOI: 10.6180/jase.202110_24(5).0018

28. Terlyga A., Balk I. Use of machine learning methods to classify Universities based on the income structure // IOP Conf. Series: Journal of Physics: Conf. Series. 2017. No. 913. Article no. 012005. DOI: 10.1088/1742-6596/913/1/012005

29. Bogomolova A., Balk I., Ivachenko N., Terlyga A. Budget optimization modeling for sustainable development of the university research: the example of Russia // IOP Conf. Series: Journal of Physics: Conf. Series. 2018. No. 1117. Article no. 012012. DOI: 10.1088/1742-6596/1117/1/012012

30. Little R.J.A., Rubin D.B. Statistical Analysis with Missing Data (3rd ed.). Wiley Series in Probability and Statistics. Wiley. 2019. 462 p. DOI: 10.1002/9781119482260

31. Fiori A.M., Porro F. A compositional analysis of systemic risk in European financial institutions // Annals of Finance. 2023. No. 19. P. 325–354. DOI: 10.1007%2Fs10436-023-00427-0

32. Jofre-Campuzano P., Coenders G. Compositional Classification of Financial Statement Profiles: The Weighted Case // Journal of Risk and Financial Management. 2022. Vol. 15. No. 12. Article no. 546. DOI: 10.3390/jrfm15120546

33. Zadeh L.A., Fu K.S. The Use of the Fuzzy Integral in Pattern Recognition // IEEE Transactions on Computers. 1973. C-22(7). P. 734–742.

34. Lenard M.J., Alam P., Booth D. An Analysis of Fuzzy Clustering and a Hybrid Model for the Auditor’s Going Concern Assessment // Decision Sciences. 2007. Vol. 31. No. 4. P. 861–884. DOI: 10.1111/j.1540-5915.2000.tb00946.x

35. Li K., Chen Y. Fuzzy Clustering-Based Financial Data Mining System Analysis and Design // International Journal of Foundations of Computer Science. 2022. Vol. 33. No. 06n07. P. 603–624. DOI: 10.1142/S0129054122420060