Актуальность разработки системы поддержки принятия решений для определения общих объемов контрольных цифр приема в вузы по кадровой потребности региона

Проблематика согласования объёмов подготовки специалистов с высшим образованием с перспективными запросами региональных рынков труда относится к числу тех фундаментальных вызовов, которые в условиях структурной перестройки российской экономики и перехода к технологическому суверенитету обретают особую остроту. Мы наблюдаем ситуацию, когда система высшего образования, с одной стороны, испытывает давление со стороны государства, заинтересованного в эффективном расходовании бюджетных средств, с другой – сталкивается с инерционностью собственных механизмов планирования, заложенных ещё в логике «распределительной» экономики, но адаптированных к рыночным реалиям лишь формально. Ключевая проблема, как нам представляется, локализуется в разрыве между процедурой формирования общего объёма контрольных цифр приёма (далее – ОКЦП) и реальными, динамически изменяющимися сигналами о дефиците или избытке кадров в разрезе регионов и укрупнённых групп специальностей.

Целевая установка данной статьи заключается в обосновании концептуальной и прикладной актуальности разработки специализированной системы поддержки принятия

Актуальность разработки системы поддержки принятия решений для определения общих объемов контрольных цифр приема в вузы по кадровой потребности региона решений (далее – СППР), которая позволила бы трансформировать процесс определения ОКЦП из преимущественно административного, зачастую рутинного и слабо формализованного, в аналитический, верифицируемый и, что критически важно, ориентированный на долгосрочный прогноз кадровой потребности. Мы исходим из того, что подобная система не должна быть «чёрным ящиком», выдающим единственно верную цифру. Напротив, её ценность заключается в способности генерировать спектр сценариев, визуализировать последствия тех или иных управленческих решений (например, изменения доли бюджетных мест по конкретной УГСН) и служить коммуникационной платформой для диалога между Министерством науки и высшего образования, центрами ответственности и субъектами Российской Федерации. По нашему глубокому убеждению, внедрение такой системы позволит не только повысить обоснованность распределения бюджетных ассигнований, но и создать условия для реального участия региональных властей и бизнес-сообщества в формировании кадрового заказа, что до настоящего времени оставалось скорее декларацией, нежели практикой.

Обзор литературы

Современный дискурс вокруг планирования подготовки кадров высшей квалификации в России характеризуется, с одной стороны, наличием устоявшихся методических подходов, с другой – активным поиском новых инструментов, адекватных вызовам постиндустриальной экономики. Значительная часть исследований, на которые мы опираемся, посвящена проблемам согласования рынка труда и рынка образовательных услуг. Так, в работах, обобщающих опыт первых лет применения методик прогнозирования, подчёркивается, что традиционные методы экстраполяции спроса на специалистов, основанные на ретроспективной динамике занятости, систематически дают сбои в периоды технологических сдвигов и институциональных реформ [1; 2]. Авторы сходятся во мнении, что необходимо переходить к мультимодельному прогнозированию, сочетающему формализованные балансовые построения с экспертными корректировками.

В контексте региональной специфики интерес представляют исследования, акцентирующие внимание на необходимости учёта социально-экономических, демографических и инвестиционных изменений при моделировании кадровой потребности [3; 4]. Однако эти работы, как правило, фокусируются на общих принципах, не детализируя алгоритмы «конвертации» прогноза потребности в конкретные объёмы приёма. Критический анализ показывает, что большинство существующих моделей оперируют с показателями «потребность в кадрах» как с экзогенно заданной величиной, тогда как на самом деле она формируется под влиянием множества гетерогенных факторов – от уровня автоматизации производства до миграционных установок молодёжи.

Особую группу источников составляют методические материалы и проекты нормативных актов, разрабатываемые Министерством науки и высшего образования РФ. В частности, заслуживают внимания проекты отраслевых методик для УГСН «Образование и педагогические науки» и универсальной индикативной методики1. Эти документы,

Вестник Российского нового университета

Серия «Сложные системы: модели, анализ и управление». 2026. № 2

хотя и носят во многом пилотный характер, закладывают концептуальную основу для разделения моделей прогнозирования на балансовые (точные, но требовательные к данным) и индикативные (работающие в условиях неопределённости). Как справедливо отмечают современные исследователи, в практике прогнозирования кадрового обеспечения нередко возникает разрыв между концептуальным замыслом и математическим алгоритмом, когда количественная оценка отрывается от системы исходных показателей, описывающих изучаемое явление [5, с. 182]. Наш подход как раз и направлен на преодоление этого разрыва путём формализации логики прогноза в рамках СППР.

Отдельно следует упомянуть исследования, посвящённые вопросам экономической эффективности образовательных услуг и управлению ставками научно-педагогических работников, где предлагаются математические модели, увязывающие план приёма и необходимые ресурсы [6]. Однако в данных работах акцент смещён на микроуровень отдельного вуза, тогда как наша статья концентрируется на макроуровне – уровне региона и федеральной системы в целом. Анализ проблем интеграции вузов новых регионов, проведённый в последних публикациях, показывает, насколько остро стоит вопрос нехватки кадров в наиболее важных сферах (образование, здравоохранение) и как существующее распределение бюджетных мест не всегда соответствует этой потребности [7]. Данный вывод подчёркивает актуальность пересмотра подходов к определению ОКЦП.

Нерешённым вопросом, на наш взгляд, остаётся отсутствие единой воспроизводимой процедуры, которая трассируемым образом связывала бы исходные данные (демографические прогнозы, данные о вакансиях, инвестиционные проекты) с итоговыми цифрами региональных квот. Существующий процесс во многом зависит от экспертных оценок и межведомственных согласований, что придаёт ему черты «ручного управления» и снижает объективность. Именно разработка системы поддержки принятия решений призвана заполнить этот методологический вакуум, обеспечив не только расчёт, но и визуализацию причинно-следственных связей. Кроме того, в литературе последних лет активно обсуждается проблема «когнитивных искажений» при распределении КЦП – склонности лиц, принимающих решения, сохранять сложившуюся структуру мест даже при изменении рыночной конъюнктуры [8]. Формализованная СППР способна минимизировать влияние подобных искажений.

Материалы и методы исследования

Методологической базо й настоящего исследования послужили: системный подход, методы экономико-математического моделирования, а также принципы прогнозной аналитики. В процессе организации исследования мы опирались на наработки, представленные в проектах методик Министерства науки и высшего образования РФ, в частности, на описание балансовой и индикативной моделей прогнозирования кадровой потребности².

Актуальность разработки системы поддержки принятия решений для определения общих объемов контрольных цифр приема в вузы по кадровой потребности региона

Эмпирическую базу составили данные Росстата о численности занятых и вакансиях в разрезе отраслей, результаты мониторинга трудоустройства выпускников, а также статистика приёмных кампаний прошлых лет, агрегированная по УГСН и регио-нам³ [9].

Выбор методов исследования обусловлен двойственной природой самого объекта прогнозирования – кадровой потребности. С одной стороны, для отраслей с высокой долей государственного регулирования (здравоохранение, образование) и наличием детерминированных связей (возрастная структура кадров, прогноз числа учащихся/пациентов) применим балансовый метод, по сути являющийся модификацией метода «передвижки возрастов» [5, с. 188]. С другой стороны, для большинства УГСН (особенно «Экономика и управление», «Математика и механика»), где связь между специальностью и профессией неоднозначна, а статистика неформальной занятости фрагментарна, мы вынуждены прибегать к индикативному методу. В его основе лежит агрегирование множества косвенных сигналов (индикаторов), каждый из которых в отдельности не является истиной в последней инстанции, но в совокупности позволяет судить о векторе и интенсивности дисбаланса. Для обработки разнородных данных использовались методы нормирования и ранжирования, а также экспертные процедуры для определения весов индикаторов.

Процесс исследования строился в три основных этапа. На первом этапе мы проанализировали текущий регламент установления КЦП и выделили в нём «точки входа» для прогнозной аналитики. На втором этапе была разработана и формализована архитектура СППР, включающая модули сбора данных, расчёта по балансовым и индикативным моделям, а также модуль визуализации. На третьем этапе проведена апробация предложенной логики на примере пилотных регионов (Новосибирская, Калининградская области, Республика Коми и Еврейская АО), что позволило выявить узкие места в информационном обеспечении и скорректировать веса индикаторов. Важно подчеркнуть, что в ходе апробации использовались реальные данные за 2022–2024 годы, предоставленные региональными органами власти и крупнейшими работодателями.

Результаты исследования

В ходе исследования был сформулирован и обоснован переход от линейной модели планирования КЦП к итеративной, базирующейся на прогнозе кадровой потребности как отправной точке. Упрощённый алгоритм будущего процесса, который мы предлагаем заложить в основу СППР, выглядит следующим образом.

Шаг 1. На основе утверждённых методик (балансовых или индикативных) формируется прогноз потребности в подготовке кадров с высшим образованием на перспективу 6–7 лет. Горизонт прогноза привязан к циклу обучения (4–6 лет). Прогноз детализируется в разрезе УГСН и регионов. Например, планируя приём на 2026/27 учебный год, мы

Вестник Российского нового университета

Серия «Сложные системы: модели, анализ и управление». 2026. № 2

должны оценить потребность в выпускниках на 2030–2032 годы. Отметим, что данный шаг является наиболее ресурсоёмким с точки зрения сбора первичной информации, однако именно он определяет качество всех последующих расчётов.

Шаг 2. Происходит «конвертация» прогноза потребности в специалистах в прогнозную потребность в КЦП. Это необходимо, поскольку не вся кадровая потребность закрывается выпускниками-бюджетниками. Здесь учитывается расчётная доля федерального бюджета в приёме, которая варьируется в зависимости от региона, УГСН и платёжеспособности населения. Формализация этого этапа представлена в нормативных документах и законодательных актах, где расчётная доля зависит от коэффициентов превышения доходов над прожиточным минимумом, миграционной напряжённости и наличия вузов в регионе⁴.

Шаг 3. Исходя из полученной потребности в КЦП, но с учётом системных ограничений (доступность высшего образования, недопущение резких колебаний, ограничение доли столичных регионов), определяются общие объёмы КЦП на плановый учебный год. Ключевое ограничение – не менее 50 % от прогнозируемой численности выпускников школ по очной форме бакалавриата и специалитета, что закрепляет социальную функцию образования. Для столичных регионов действуют жёсткие лимиты, предотвращающие чрезмерную концентрацию бюджетных мест в мегаполисах в ущерб территориям с низкой инвестиционной привлекательностью⁵.

Шаг 4. Заключительный этап – конкурсное распределение полученных региональных квот между конкретными вузами, что остаётся за рамками нашей СППР, но для чего ОКЦП являются входящими параметрами.

Наиболее сложным и инновационным элементом предлагаемой системы является комбинирование двух типов моделей прогнозирования. В Таблице 1 представлен сравнительный анализ условий их применимости, основанный на анализе реальных данных за 2021–2024 годы.

Актуальность разработки системы поддержки принятия решений для определения общих объемов контрольных цифр приема в вузы по кадровой потребности региона

Таблица 1

Сравнительная характеристика балансовой и индикативной моделей прогнозирования

Критерий сравнения	Балансовая (отраслевая) модель	Индикативная (универсальная) модель
Область применения	УГСН с чёткой привязкой к профессиям 31.00.00 Клиническая медицина, 44.00.00 Образование, высокая доля госсектора	УГСН с размытой профессиональной структурой 38.00.00 Экономика, 01.00.00 Математика, высокая неформальная занятость
Требования к данным	Высокие: необходима численность работников, возрастная структура, дефицит, прогноз выбытия и миграции	Низкие/средние: достаточно косвенных индикаторов (вакансии, опросы, динамика отраслей)
Точность	Потенциально высокая (арифметическая), ошибка в пределах 5…7 % при качественных данных	Умеренная, ошибка может достигать 15…20 %, но достаточна для определения вектора корректировки
Пример расчёта	Потребность = Текущий дефицит + Прогноз роста – Естественное выбытие + Миграционный приток	Комплексный коэффициент корректировки текущего выпуска (например, +10 % или –5 %) на основе взвешенных индикаторов
Периодичность обновления	Ежегодно (при наличии свежих данных переписей персонала)	Раз в два года (снижение административной нагрузки)

Источник: таблица составлена автором по данным ⁶ [7; 10].

Мы убедились, что для УГСН, связанных с педагогикой, здравоохранением, ядерной энергетикой, балансовая модель не только возможна, но и уже апробирована (например, Министерством здравоохранения РФ для ординатуры). Её суть образно можно сравнить с задачей по наполнению емкости водой, где мы знаем текущий уровень (численность врачей), протечки (выход на пенсию) и регулируем приток (выпуск ординаторов). Для большинства инженерных, естественно-научных и социально-экономических УГСН такая калибровка невозможна, и здесь на первый план выходит индикативная модель.

В рамках индикативной модели мы выделили четыре группы индикаторов, которые интегрируются в СППР с заданными весами (веса уточнены по итогам апробации в пилотных регионах):

• 1.    Индикаторы текущего дефицита (вес 0,35): данные Росстата о вакансиях и данные Минтруда о трудоустройстве выпускников.

• 2.    Индикаторы будущего спроса (вес 0,40): прогнозы социально-экономического развития, карточки инвестиционных проектов, демографические прогнозы, опросы крупнейших работодателей и даже индикатор ожиданий абитуриентов.

• 3.    Индикаторы будущего предложения (вес 0,15): расчёт ожидаемого выпуска из текущего контингента студентов с учётом отсева.

• ⁶ Распоряжение Правительства Российской Федерации от 11 сентября 2024 г. № 2461-р «Об утверждении методики формирования прогноза потребности экономики РФ в кадрах // Гарант: информационно-правовое обеспечение. URL: https://www.garant.ru/products/ipo/prime/doc/410316957 (дата обращения: 05.04.2026); Распоряжение Правительства РФ от 24 июня 2022 г. № 1688-р «О Концепции подготовки педагогических кадров для системы образования на период до 2030 г.» // Собрание законодательства РФ. 2022. № 27. Ст. 4821.

• 4.    Индикатор динамики дефицита (вес 0,10): оценка того, насколько текущий выпуск справляется с ликвидацией дефицита за последние 3–5 лет.

Вестник Российского нового университета

Серия «Сложные системы: модели, анализ и управление». 2026. № 2

Расчёт результирующего коэффициента корректировки происходит посредством математически взвешенной системы. Например, если все индикаторы сигнализируют о значительной недостаточности выпуска (высокий дефицит, растущая экономика сопряжённой отрасли, крупные инвестпроекты), модель предложит увеличить КЦП на определённый процент (до 20 % в год) и, наоборот, при избытке – скорректировать вниз. Важно подчеркнуть, что СППР не принимает решение автоматически, а предоставляет лицу, принимающему решение, наглядную визуализацию факторов, повлиявших на рекомендацию. Это обеспечивает «трассируемость»: любой участник процесса может увидеть, почему по УГСН «Экономика и управление» рекомендовано сокращение, а по «Сельскому хозяйству» – рост.

В ходе апробации на данных пилотных регионов мы получили следующие результаты (см. Таблицу 2), которые демонстрируют расхождения между текущими объёмами КЦП и расчётной потребностью по отдельным УГСН.

Как видно из таблицы, по медицине и педагогике наблюдается устойчивый дефицит, тогда как по экономическим специальностям в ряде регионов сложился избыток выпускников, не находящих трудоустройства по профилю. Эти данные подтверждают необходимость внедрения предлагаемой СППР для оперативной коррекции структуры бюджетного приёма.

Рассмотрим процесс прогнозирования общих объёмов КЦП более детально. На первом этапе берётся прогноз потребности в подготовке кадров и корректируется:

• а)    на долю федерального бюджета в обучении (не вся потребность покрывается за счёт бюджетного приёма);

• б)    потенциальное выбытие студентов (коэффициент сохранности контингента, который для разных УГСН варьируется от 0,75 до 0,92).

Таблица 2

Сравнение фактических КЦП и расчётной потребности в подготовке кадров по пилотным регионам на 2025/26 учебный год

УГСН	Регион	Фактические КЦП (2025 г.)	Расчётная потребность по балансовой модели	Отклонение, %
31.00.00 Клиническая медицина	Новосибирская область	425	510	+20,0
44.00.00 Образование	Калининградская область	380	455	+19,7
38.00.00 Экономика	Республика Коми	290	210	–27,6
35.00.00 Сельское хозяйство	Еврейская АО	75	110	+46,7

Примечание: положительное отклонение означает дефицит (потребность выше текущих КЦП), отрицательное – избыток.

Источник: таблица составлена автором на основе данных ⁷ [9].

• ⁷ Распоряжение Правительства РФ от 24 июня 2022 г. № 1688-р «О Концепции подготовки педагогических кадров для системы образования на период до 2030 года» // Собрание законодательства РФ. 2022. № 27. Ст. 4821.

Актуальность разработки системы поддержки принятия решений для определения общих объемов контрольных цифр приема в вузы по кадровой потребности региона

На выходе получаем потребность в КЦП по УГСН и регионам. На втором этапе рассчитывается общий объём КЦП по УГСН в целом по стране. Для этого суммарная потребность по всем регионам сравнивается с текущим объёмом КЦП и корректируется таким образом, чтобы исключить резкие колебания (установлен порог изменения не более 20 % в год). Далее сумма скорректированной потребности сравнивается с лимитом, заданным исходя из критериев доступности высшего образования (например, 50 % от числа выпускников школ). При превышении потребности над лимитом производится пропорциональное сокращение по всем УГСН, при недостижении – увеличение. Наконец, осуществляется учёт политических приоритетов (национальные проекты, технологический суверенитет), которые могут вносить субъективные корректировки до 5…10 % от объёма [2].

На третьем этапе общий объём КЦП по УГСН распределяется между регионами:

• а)    на основе потребности регионов в КЦП;

• б)    установленной доли для столичных регионов (Московский и Ленинградский регионы);

• в)    объёмов КЦП прошлых лет (сглаживание). Итогом становятся региональные квоты, которые передаются для последующего конкурсного распределения между вузами.

Особо следует остановиться на роли цифровой платформы как неотъемлемой части СППР. Создаваемая платформа должна выполнить три ключевые задачи:

• 1)    сбор информации, отсутствующей в открытых источниках (ожидания работодателей, данные о дефиците кадров в муниципальных образованиях, карточки инвестпроектов);

• 2)    автоматизированный математический расчёт по утверждённым моделям;

• 3)    визуализация результатов для пользователей.

В пилотном режиме уже опробованы кабинеты сбора информации об инвестиционных проектах и опросах крупнейших работодателей (охвачено несколько сотен организаций). Визуализация расчётов позволяет пользователям видеть не только итоговую цифру, но и всю цепочку преобразований – от исходных индикаторов до коэффициента корректировки. Это существенно повышает доверие к результатам и служит основой для содержательного обсуждения расхождений.

Практическое применение системы различается для разных групп пользователей. Министерство науки и высшего образования получает обоснованный прогноз КЦП и платформу для согласования с регионами. Регионы и центры ответственности получают доступ к аналитике (дефицит, трудоустройство, ожидания) и понятный язык обсуждения. Важно, что система не позволяет модифицировать модели прогнозирования со стороны регионов – это сознательное ограничение, сохраняющее единую методологию. Однако каждый пользователь может проводить сценарный анализ «что, если…», изменяя внешние параметры (демографию, темпы роста отраслей) и наблюдая за изменением результата.

Заключение

Подводя итог исследованию, мы считаем необходимым подчеркнуть, что разработка и внедрение системы поддержки принятия решений для определения ОКЦП – это не просто технологическая модернизация учётного процесса. Это переход к принципиально

Вестник Российского нового университета

Серия «Сложные системы: модели, анализ и управление». 2026. № 2

иной философии планирования, основанной на предвидении, а не на реагировании. Предложенная архитектура СППР, сочетающая балансовые и индикативные модели, позволяет впервые в отечественной практике создать единое аналитическое пространство, где встречаются данные демографии, экономики, образования и рынка труда.

Практическая значимость результатов заключается в следующем.

Во-первых, СППР обеспечивает объективную основу для согласования позиций Минобрнауки, центров ответственности и регионов. Любое предложение об изменении объёмов должно быть аргументировано ссылкой на неучтённые факторы (например, новый инвестпроект, не попавший в базу).

Во-вторых, система позволяет проводить анализ «что, если…»: как изменится потребность в учителях через 5 лет при изменении демографического прогноза или миграционных потоков.

В-третьих, сама по себе формализация процесса сбора данных (опросы работодателей, карточки инвестпроектов) стимулирует регионы и ведомства к более ответственному и системному прогнозированию. По нашим оценкам, внедрение СППР позволит сократить дисбаланс между структурой подготовки кадров и реальной потребностью на 15…20 % в течение трёх лет.

Направления для дальнейших исследований видятся в совершенствовании весовых коэффициентов индикативной модели на основе накопления данных о фактической точности прогнозов. Также значительный потенциал имеет интеграция в СППР элементов агентoориентированного моделирования, позволяющих имитировать поведение абитуриентов и их реакцию на изменение КЦП и стоимости обучения. Наконец, с развёртыванием суперсервиса «Трудовые отношения онлайн» откроются новые возможности для верификации балансовых моделей за счёт доступа к более точным данным о трудовой карьере выпускников. Полагаем, что предложенная система, даже в её текущем, пилотном, состоянии, является критически важным шагом на пути к управлению системой высшего образования, основанному на данных и ориентированному на долгосрочное социальноэкономическое развитие регионов России.