Анализ деятельности бюджетных образовательных организаций Российской Федерации, приносящих доход

Публичный доклад обязательно должен содержать информацию по следующим разделам:

- общая характеристика учреждения и условий его функционирования;

- образовательная политика;

- условия осуществления образовательного процесса;

- финансово-экономическая деятельность;

- содержание образовательной деятельности (образовательная программа);

- результаты деятельности учреждения

- социальная активность и внешние связи учреждения

- перспективы и планы развития

Направление использования бюджетных средств. Использование средств от предпринимательской и иной приносящей доход деятельности, а также средств спонсоров и благотворительных фондов.

- публичный доклад включает индикаторы - нормативно установленные аналитические расчетные показатели.

Особое внимание при оформлении Публичного доклада следует уделить требованиям к качеству содержащейся в нем информации, среди которых выделяют достоверность, полноту, целесообразность, своевременность, сопоставимость, доступность. Под достоверностью понимают то, что информация должна соответствовать текущему положению дел, не содержать ошибок, быть точной и обоснованной. Сведения, включенные в доклад, должны иметь ссылку на источники. Целесообразность или полезность - информация должна быть интересна и полезна тем именно социальным группам, которым она адресована. Своевременность - это актуальность информации, в том числе, соответствие ее предоставления установленных законом сроков.

Информация Публичного доклада должна сопоставляться с информацией о деятельности других общеобразовательных организаций региона. Доступность изложения выражается в простой и понятной форме изложения информации.

Таковы главные особенности, которыми необходимо руководствоваться при формировании образовательными организациями ежегодных публичных докладов.

Самообследование образовательной организации является также ежегодным обязательном документом, но у него иная, чем у публичного доклада, целевая аудитория, родительская и профессиональная. От этого и его объем и стиль изложения сильно отличаются. Различается также степень открытости этого документа. Некоторые его части, например, нормативно утвержденные показатели деятельности, обязаны быть открытыми, некоторые, такие как аналитические выкладки, объясняющие причину значений данных показателей, могут содержать конфиденциальную информацию. Например, анализ ошибок или неправильных управленческих решений. Они не обязаны быть опубликованы.

Данные массивов публичной отчетности становятся фокусом пристального внимания современных исследователей. Ярким примером, такого исследования с хэштегами: #Открытыеданные, #DataMining, #BigData, является исследование, опубликованное на ресурсе habrahabr.ru «Кружки при московских школах. Какие, сколько стоят, влияют ли на результаты ЕГЭ».



Глава 3. Описание методов и результатов исследования на основе построения формулы множественного регрессионного анализа по показателям, объясняющим дифференциация ГБОУ города Москвы в приносящей доход деятельности

3.1 Поиск открытых данных

Сбор данных - это обычно самая дорогая и затратная по силам и времени часть любого исследования. Не обошла проблема поиска данных и автора исследования. В начале автор обратился к наиболее доступным данным - официальным сайтам образовательных организации на ресурсе mskobr.ru. Была надежда, на то, что можно будет наладить сбор статистических данных, используя в качестве источника ежегодный отчет ГБОУ об использовании государственного имущества, обязательность которого определена Приказом Минфина РФ от 30 сентября 2010 г. №114н "Об общих требованиях к порядку составления и утверждения отчета о результатах деятельности государственного (муниципального) учреждения и об использовании закрепленного за ним государственного (муниципального) имущества".

Данные из такого отчёта в принципе подходили бы для целей исследования. К сожалению, такой вариант не сработал, так как не удалось составить 100% выборку данных по всем ГБОУ города Москвы по данным за 2015 финансовый год. Но в 2016 году Департамент образования создал прекрасный рабочий инструмент для руководителей - электронная справочная система Департамента образования города Москвы, где находится ряд показателей, описывающих характеристики школы. В соответствии с гипотезой исследования были выбраны следующие массивы данных:

· численность обучающихся по программам общего образования (чел.);

· численность обучающихся по программам дошкольного образования (чел.);

· объем доходов ОО (тыс. руб);

· объем доходов на одного обучающегося (тыс. руб);

· объем доходов на одного работника (тыс. руб);

· отношение объема поступлений от приносящей доходы деятельности к объему поступлений средств субсидии на финансовое обеспечение выполнения государственного задания;

· площадь объектов недвижимого имущества, находящихся в оперативном управлении (кв.м);

· объем поступлений от приносящей доход деятельности (тыс. руб.);

· площадь объектов недвиж. имущества, переданного ОО в аренду иным организациям (кв. м);

· численность работников ОО (чел.);

· численность педагогических работников, осуществляющих основной учебный процесс (учителя, воспитатели, преподаватели и мастера производственного обучения) (чел.).

Данные из системы были собраны вручную за 2105 год, так как аналитических функций на ресурсе для использования на уровне доступа руководителя образовательной организации разработчиками пока, к сожалению, не предусмотрено.

Таким образом, автор получил данные, описывающие финансовые и ресурсные показатели 100% ГБОУ города Москвы. Данные были размещение в таблице Exсel: в более чем в шестистах строках данные по конкретным ГОБУ, а в столбцах вышеперечисленные измеримые показатели. Таким образом, вполне уместно говорить о наличии массива больших данных для дальнейшего исследования их свойств.

нормативный правовой доход образование россия



3.2 Подбор метода исследования

Первый метод, который был применен к исследованию данных - это метод кластерного анализа. Кластерный анализ представляет собой совокупность методов, позволяющих классифицировать многомерные наблюдения, каждое из которых описывается набором признаков. Само понятие «кластер» (cluster) буквально - «расти вместе», «гроздь, скопление») означает объединение нескольких однородных элементов, которое может рассматриваться как самостоятельная единица, обладающая определёнными свойствами.

Рисунок 1. Отношение численности дошкольников к приносящей доход деятельности

Рисунок 2. Отношение численности обучающихся к приносящей доход деятельности

Рисунок 3. Отношение объема доходов на 1 работника к приносящей доход деятельности (тыс. руб.)

Рисунок 4. Отношение численности работников (чел.) к приносящей доход деятельности (тыс. руб.)

Рисунок 5. Отношение численности педагогических работников (чел.) к приносящей доход деятельности (тыс .руб.)

Кластерный анализ по подобранным показателям показывает, что объемы приносящей доход деятельности в ГБОУ города Москвы линейно зависят практически от всех ресурсных параметров. Именно увеличение показателей по этим параметрам будет способствовать повышению активности привлечения дополнительных внебюджетных средств. Данный результат слишком очевиден и мало приближает нас к объяснению действительных причин дифференциации. Поэтому далее автор обратился к более сложному статистическому методу, такому как регрессионный анализ.

3.3 Описание метода регрессионного анализа

Рисунок 6. Преимущества метода регрессионного анализа

Метод регрессионного анализа обычно применяется, когда имеется некоторое количество изменчивых данных и на основе этих данных нужно предсказать значение каких-то других данных или сделать числовой прогноз. Таким образом данный метод полностью подходит в качестве инструмента для решения задач исследования. Нужно оговориться, что в современной статистике имеется большое количество других широко употребляемых и наглядных методов анализа и предсказания результата, таких как среднеарифметическое, медиана, мода и др. Эти методы уже широко дискредитировали себя в качестве описательных. Нелепость применения этих методов красочно описана Дареллом Хаффом в книге «Как лгать при помощи статистики». В данной работе мы сознательно отказались от таких методов, потому что они не объяснят точную причину дифференциации приносящей доход деятельности ГБОУ, дадут слишком общие, неиндивидуализированные и очевидные результаты.

Регрессионный анализ достаточно математически сложный процесс, который можно выполнить вручную. Для этого нужно знать, что такое обратные, показательные и логарифмические функции, производные, дельта, числовые матрицы и алгебраические действия с ними, некоторые позиции теории вероятности и т.п. Это довольно трудоемко и без знаний на уровне математики высшей школы проблематично выполнить.

Прекрасные инструменты для проведения регрессионного анализа имеются в таблицах Excel и в средах для программирования на языке Python. Владение в полоном объеме данными инструментами относиться к компетенциям программистов и других it-специалистов. Для современного руководителя совершенно не обязательно виртуозное владение данными опциями. Достаточно не иметь белых пятен в понимании данной технологии, правильно формулировать исследовательскую задачу и соблюдать требования к данным. Далее можно принять решение сделать ли задачу инхаус, в своей организации, силами работников или отдать ее на аутсорс. Поскольку работа с big data приобретает все большую популярность, то и предложений на рынке предостаточно.

Для вычисления формулы регрессионного анализа водится зависимая переменная (Y), переменная отклика и независимые переменные (X), используемые для моделирования или прогнозирования, объясняющая переменная.

Регрессионный анализ представляет собой повторяющуюся обработку последовательности значений переменных в целях нахождения линейного уравнения регрессии y = ax+b или линейного уравнения множественной регрессии y = a1x1+a2x2+…anxn+b.

Суть этого метода сводится к тому, что в результате пошагового удаления и/или добавления переменных должна быть найдена наилучшим образом подходящая регрессионная модель. При этом необходимо учитывать, что процесс создания подобной модели является по своему характеру исследовательским, творческим, никогда не станет тривиальной подгонкой результатов. Поэтому при проведении выборки конкретных показателей в целях создания регрессионной модели следует также учитывать теоретические аспекты, мнение экспертов в области образования и здравый смысл.

Для более полного понимания метода также важны понятия R- коэффициента множественной корреляции, показателя описывающего точность уравнения регрессии, т.е. насколько хорошо уравнение регрессии совпадает с исходными точками. И значение R^2=R*R - коэффициента детерминации или коэффициента смешанной корреляции, который может принимать значения от единицы до нуля. Чем выше точность уравнения регрессии, тем коэффициент детерминации ближе к единице, а чем ниже, тем ближе к нулю. Точного критерия или значения высокой точности коэффициента не существует в статистике, но для ориентира можно принимать те его значения, которые больше 0,5 и более близки к единице.

Крайне важным при создании множественной регрессионной формулы является термин автокорреляции - взаимосвязи соседствующих остатков при расчете переменных по формуле регрессии. Для выражения степени автокорреляции используют отношение суммы квадратов разностей соседствующих остатков к сумме квадратов остатков и чем ближе это значение к двум, тем наиболее вероятно отсутствие автокорреляции между двумя переменными. При наличии автокорреляции переменные использовать в одной формуле множественного регрессионного анализа нельзя, так они оказывают практически одинаковое влияние на зависимую переменную.

Прогноз в регрессионном анализе обычно выглядит в виде прогнозируемого интервала.



Рисунок 7. Основные понятия регрессионного анализа

3.4 Анализ данных и описание результатов исследования

Для того что бы в ходе регрессионного анализа можно было создать модель, выявляющую зависимость между приносящей доход деятельностью ГБОУ и объясняющими факторами, первое, что нужно сделать - это проверить автокорреляцию между этими факторами. Факторы не должны быть скоррелированы между собой, иначе результаты будут недостоверны и не будет иметь никакой научной ценности. Таким образом, первым этапом проведения регрессионного анализа стали выявления автокорреляций всего набора показателей. Если уровень корреляции между ним достаточно высок и превышает значение 0,7, то требуется сделать выбор между этими двумя переменными и в анализ включать только одну их этих переменных.

При проведении первого этапа регрессионного анализа учитывались следующие показатели по каждой образовательной организации: общая численность обучающихся в организации, численность дошкольников, общий объём доходов организации, а также объёмы доходов из расчёта на 1 обучающегося и на 1 работника, отношение объема поступлений от доходов к объему субсидии, площадь сдаваемых организацией в аренду третьим лицам объектов недвижимого имущества, объем поступлений от приносящей доходы деятельности и ряд других. В ходе использования данного метода исследования в качестве зависимой переменной (переменной отклика) выступали показатели объема поступлений образовательной организации от приносящей доходы деятельности, а в качестве независимых переменных (объясняющих переменных) применялись показатели численности обучающихся по программам общего образования, дополнительного образования, объёмов доходов из расчёта на 1 обучающегося и на 1 работника, площадей сдаваемых организацией в аренду третьим лицам объектов недвижимого имущества. При проведении указанного вида исследования рассчитывались наиболее оптимальные коэффициенты регрессии, непосредственным образом влияющие на повышение величины переменной отклика.

Было составлено сорок три регрессионных моделей для проверки парных автокорреляций всех имеющихся массивов данных. Далее представлена часть расчетных показателей моделей (без данных), на основании которых возможно сделать вывод о наличии или отсутствии автокорреляции между видами данных.

В итоге перебора всех парных корреляций всех переменных друг с другом, независимые переменные, коэффициент корреляций которых был бы приемлемо низок, не обнаружены. Мы поняли, что численность детей в школе и размер ее площадей влияют практически на все переменные. Поэтому было принято решение прейти от прямых показателей и абсолютных значений к удельным показателям, нормированным на размер самой школы, для того что бы нивелировать автокорреляцию с ресурсными показателями численности и площади.

Модель 1, 1-2



Модель 2, 1-3

Модель 3, 1-4

Модель 4, 1-5-1

Модель 5, 1-5-2

Модель 6, 1-6

Модель 7, 1-6-2

Модель 8, 1-7

Модель 9, 1-8

Модель 10, 2-3

Модель 11, 2-4

Модель 12, 2-5-1

Модель 13, 2-5-2

Модель 14, 2-6

Модель 15, 2-6-2

Модель 16, 2-7

Модель17, 2-8

Модель 18, 3-5-1

Модель 19, 3-5-2

Модель 20, 3-6

Модель 21, 3-6-2

Модель 22, 3-7

Модель 23, 3-8

Модель 24, 4-5-1

Модель 25, 4-5-2

Модель 26, 4-6

Модель 27, 4-6-2

Модель 28, 4-7

Модель 29, 4-8

Модель 30, 5-1-6

Модель 31, 5-1-6-2

Модель 32, 5-1-7

Модель 33, 5-1-8

Модель 34, 5-2-6

Модель 35, 5-2-6-2

Модель 36, 5-2-7

Модель 37, 5-2-8

Модель 38, 6-7

Модель 39 6-7-2

Модель 40, 6-8

Модель 41, 6-8-2

Модель 42, 7-8

Таким образом, на следующем этапе регрессионного анализе мы использовали модель, где объясняемая переменная становится нормированным объемом приносящей доход деятельности, как и факторы, которые будут ее объяснять - это тоже будут нормированные на размер школы, т.е. удельные показатели в расчете на одного обучающегося. Данные переменные также были отобраны на основании результатов первого этапа регрессионного анализа, приведенного выше, взяты только не автокоррелируемые переменные. Теперь формула регрессионной модели выглядят следующим образом:

Y = А1X1+A2X2+F3X3+A4X4+A5X5+B, Где:

;

;

;

;

;

.

Далее представлены результаты расчетов этой модели, данные для расчетов скрыты.

По результатам этих расчетов теперь возможно составить более точную формулу регрессионной модели:

Y = 0,042+0,99Х1+0,0003Х2+0,0012Х3+0,11Х4-0,075Х5

Но самый значительный вклад в объяснение доходов ГБОУ города Москвы вносит показатель

Назовем его удельная площадь.

Для более наглядного представления мы перенесли значения Y и Х2, как наиболее значимый, параметр на график.

Рисунок 8. Отношение удельных показателей всех ГБОУ города Москвы, где

;

.

Для того что бы, согласно, полученной регрессионной формуле можно было выявить на данном графике эффективные и не эффективные в соотношении приносящей доход деятельности организации и количестве обучающихся, а по сути в использовании государственного имущества, мы нарисовали прямую, состоящую их теоретических значений линейной функции, которую мы построили в качестве регрессионной модели:

Y = 0,042+0,99Х1+0,0003Х2+0,0012Х3+0,11Х4-0,075Х5,

при этом мы упростили данную формулу до значения Y = 0,3X, предварительно перемножив обе части уравнения на 1000 и убрав малозначимые компоненты. Таким образом, мы наглядно видим эффективные в использовании государственного имущества организации выше этой прямой, а не эффективные - ниже.

Рисунок 9. Эффектные и неэффективные в использовании государственного имущества ГБОУ города Москвы

Итак, мы видим, что большинство ГБОУ горда Москвы эффективны в использовании государственного имущества, так как ниже прямой с теоретическими значениями оказалось только около 5% организаций.

Описательный потенциал регрессионной формулы на этом не исчерпывается. Для того что бы перевести формулу в вид удобный для понятных широкой аудитории расчетов мы умножили обе части регрессионного уравнения на 1000, убрали малозначимые значения, сократили возможные множители.

Формула, предсказывающая возможный объем приносящей доход деятельности теперь выглядит так:

V = площадь задний, преданных в оперативное управление * 0,3 * число

обучающихся

Опишу как работает эта формула на конкретных данных нескольких школ, значения результатов в эффективности приносящей доход деятельности которых лежат выше теоретической прямой:

Предполагаемый объем приносящей доход деятельности ГБОУ Школа

1= 50725 (кв. м)*0,3*3256(чел) = 49548180 руб.

В Школе 1 есть свободные площади, не так плотно занятые основными образовательными программами. Соотношение

;

На свободных площадях школа может, используя одну из стратегий, осуществлять приносящую доход деятельность. Школа может нанимать педагогов дополнительного образования для осуществления платных дополнительных образовательных услуг, или обеспечивать низкой нагрузкой педагогов, реализующих основные образовательные программы и предоставлять им условия для осуществления платных образовательных услуг во второй половине дня. Все это делается для эффективного использования вверенного государственного имущества. С учетом того, что реальная приносящая доход деятельность Школы 1 за рассматриваемый период 2015 финансового года составила 34915тыс. руб., можно говорить либо об избытке площадей у данной организации, больше чем потенциал микрорайона, когда банально мало проживает на данной территории потенциальных обучающихся, либо о среднем пока уровне популярности платных дополнительных образовательных услуг.

Предполагаемый объем приносящей доход деятельности ГБОУ Школа

2= 31304 (кв. м)*0,3*1973 (чел)= 18528837 руб.

В Школе 2 площади менее плотно заняты основным образованием (Y-Школа 1< Y-Школа 2), на одного обучающегося приходится больше квадратных метров.

;

и контингент значительно ниже, потому и потенциала для приносящей доход деятельности у Школы 2 гораздо меньше, чем у Школы 1. Но исходя из количества контингента, Школа 2 должна наращивать число обучающихся и по основным образовательным программам. Так как реальный доход был очень близок к предполагаемому (16 мил.), то есть основание предполагать, что существующие стратегии приносящей доход деятельности выбраны правильно.

Приведем пример расчета и для очень успешной и в основном образовании и в приносящей доход деятельности ГБОУ Школа 3.

;

Предполагаемый объем приносящей доход деятельности ГБОУ Школа

3 = 45318 (кв. м)*0,3*3419 (чел) = 46482672 руб.

Реальный доход за 2015 год ГБОУ Школа 3 составил 36 мил. Представленные данные можно интерпретировать как то, что Школа 3 предоставляет очень высокий уровень плотности бюджетных основных образовательных программ, подкрепленных широким спектром платных дополнительных, но все же люфт роста приносящей доход деятельности все еще остается значительным. Скорее всего, основной персонал полностью занят в первой половине дня реализаций основных программ, а во второй платной образовательной деятельностью, таким образом, потенциал повышения внебюджетных доходов лежит в области найма на работу педагогов дополнительного образования.

Таким образом, мы реализовали предсказательный потенциал регрессионного анализа и сделали попытку объяснить, почему ГБОУ города Москвы дифференцированы в приносящей доход деятельности.



Заключение

В контексте серьезных структурных преобразований образовательных организаций города Москвы, в рамках данной работы удалось сделать подход к одному из самых перспективных направлений научных исследований ближайшего будущего, к анализу больших данных. Инструментом анализа в данном случае выступил метод регрессионного анализа, который позволил обработать с точки зрения теории вероятности и статистики ресурсные показатели деятельности ГБОУ города Москвы. Показатели обрабатывались с целью объяснить дифференциацию ГБОУ в приносящей доход деятельности.

Основные задачи, поставленные перед началом работы успешно выполнены. Удалось найти достаточно исторических материалов и нормативных документов, доказывающих, что образовательные учреждения и в царской России, и в период СССР и перестройки имели нормативную возможность осуществлять деятельность по оказанию платных услуг сверх той основной деятельности, которую финансировало государство напрямую. А у родителей учеников, в свою очередь, всегда было большое желание также финансово участвовать в образовании своих детей, поддерживая и усиливая действия государства в этом направлении.

Подробно была рассмотрена актуальная на данный момент нормативная база документов, обеспечивающая широкие возможности ГБОУ в осуществлении приносящей доход деятельности. Выявлено, что основным риском в применении данной нормативной базы является понимание принципов открытости и понятности образовательной организацией, так как высокая степень открытости и понятности публикуемых документов и материалов, сопровождающих приносящую доход деятельность, является неотъемлемой частью процесса получения организациями внебюджетных доходов.

Трудности возникшие при соборе открытых данных, которые были необходимы для выявления дифференциации были преодолены путем ручного сбора данных из справочной системы Департамента образования города Москвы открытой для руководителей образовательных организаций. По этой причине сами данные в работе не публикуются, а публикуются только расчеты на их основании.

Были собраны следующие измеряемые ресурсные показатели по всем функционирующим в 2015 году ГБОУ города Москвы, 612 образовательных организаций:

· численность обучающихся по программам общего образования (чел.);

· численность обучающихся по программам дошкольного образования (чел.);

· объем доходов ОО (тыс. руб.);

· объем доходов на одного обучающегося (тыс. руб.);

· объем доходов на одного работника (тыс. руб.);

· отношение объема поступлений от приносящей доходы деятельности к объему поступлений средств субсидии на финансовое обеспечение выполнения государственного задания;

· площадь объектов недвижимого имущества, находящихся в оперативном управлении (кв. м);

· объем поступлений от приносящей доход деятельности (тыс. руб.);

· площадь объектов недвижимого имущества, переданного ОО в аренду иным организациям (кв. м);

· численность работников ОО (чел.);

· численность педагогических работников, осуществляющих основной учебный процесс (учителя, воспитатели, преподаватели и мастера производственного обучения) (чел.).

Гипотезой данного исследования было то, что все основные ресурсные показатели ГБОУ города Москвы в той или иной степени влияют на объем приносящей доход деятельности. Например, на старте исследования казалось логичным, например, то, что чем больше дошкольников в организации, тем больше будет объем поступающий родительской платы, которая является частью приносящей доход деятельности. Или чем больше обучающихся, тем больший доход они смогут принести для ГБОУ.

В основной своей части гипотеза не подтвердилась. Удалось доказать, что существенное влияние на объем приносящей доход деятельности оказывает лишь один ресурсный показатель - площадь объектов недвижимого имущества, находящихся в оперативном управлении (кв.м)., но и его применение в прямом виде оказалось не правомерным. Все это доказать с научной точки зрения помог метод множественного регрессионного анализа.

Все численные показатели на первом этапе регрессионного анализа были проверены на автокорреляции. Было построено 42 регрессионных модели. В результате их построения стало ясно, что все данные были автокоррелированы с одной переменной - количеством обучающихся, работать с ними дальше, с научной точки зрения, не представлялось возможным. Это можно объяснить тем, что школьные здания в основном стандартные, в них реализуются стандартные учебные программы, соблюдаются санитарные нормы использования учебных помещений и соотношения всех отобранных параметрах равномерно зависят от количества обучающихся.

Для ухода от автокоррелирования параметров от количества обучающихся мы стали использовать не прямые показатели, а удельные, рассчитанные исходя из размеров ГБОУ, соотнесенные с количеством обучающихся. Таким образом, с учетом показателей без атокорреляций из 42 моделей была составлена формула для множественного регрессионного анализа.

Y=А1X1+A2X2+F3X3+A4X4+A5X5+B, Где:

;

;

;

;

;

.

После завершения расчетов по данной регрессионной модели удалость вывести формулу для предсказания объема приносящей доход деятельности исходя только из двух реально ее объясняющих показателей:

V = площадь задний, преданных в оперативное управление * 0,3 * число

обучающихся

Используя формулу можно предсказать уровень приносящей доход деятельности ГБОУ города Москвы и при сравнении его с реальным описать возможные стратегии поведения ГБОУ для его увеличения или объяснить не возможность увеличения, так как имеющиеся площади могут быть плотно заняты основной деятельностью. Формула может стать удобным инструментом в управлении ГБОУ города Москвы, современным инструментом финансового менеджмента образовательной организации.

Существенным результатом работы было также выявление теоретических показателей эффективности ГБОУ в использовании государственного имущества. Мы выяснили, что более 95% из указанных организаций используют имеющиеся площади в эффективном режиме, они плотно заняты реализацией либо основной деятельности, либо платными образовательными услугами.

Следует отметить, что для создания моделей, описывающих текущее состояние эффективности приносящей доход деятельности, в другом временном промежутке или на данных другого региона, нужно выстроить новую, но всего лишь одну регрессионную модель, по всего двум отобранным нами показателям: количество обучающихся и площадь помещений. Так как чисто статистически коэффициенты регрессии должны изменится. Это будет уже совсем не такой трудоемкий процесс. Для руководителей системы образования города Москвы особенно будет интересно и удобно, если данный аналитический функционал будет подключен к базе данных и можно будет пользоваться этим инструментом в автоматическом режиме.



Список литературы

1. Конституция Российской Федерации, принята всенародным голосованием 12.12.1993 года.

2. Бюджетный кодекс Российской Федерации от 31.07.1998 №145-ФЗ (ред. от 03.07.2016). Ст.23.1., ст.38.

3. Гражданский кодекс Российской Федерации, часть первая от 30.11.1994 №51-ФЗ Ст.50, 123.21, 123.22, 298, часть вторая) от 26.01.1996 №14-ФЗ, Ст.582

4. Налоговый кодекс Российской Федерации

5. Закон «О защите прав потребителей» от 07.02.1992 №2300-1

6. Федеральный закон от 11.08.1995 №135-ФЗ (ред. от 05.05.2014) "О благотворительной деятельности и благотворительных организациях". Ст.4, ст.5, ст.7.1.

7. Федеральный закон от 12.01.1996 №7-ФЗ (ред. от 02.06.2016) "О некоммерческих организациях". Ст. 24,ст. 32.

8. Федеральный закон от 29.12.2012 №273-ФЗ (ред. от 03.07.2016) "Об образовании в Российской Федерации". Ст. 29, ст. 65.

9. Постановление Правительства РФ от 07.02.2011 №61 (ред. от 25.12.2015) "О Федеральной целевой программе развития образования на 2011 - 2015 годы".

10. Постановление Правительства РФ от 10.07.2013 №582 (ред. от 20.10.2015) "Об утверждении Правил размещения на официальном сайте образовательной организации в информационно-телекоммуникационной сети "Интернет" и обновления информации об образовательной организации".

11. Постановление Правительства РФ от 15.08.2013 №706 "Об утверждении Правил оказания платных образовательных услуг".

12. Постановление Правительства РФ от 23.05.2015 №497 (ред. от 25.05.2016) "О Федеральной целевой программе развития образования на 2016 - 2020 годы".

13. Приказ Минфина России от 01.07.2013 №65н (ред. от 20.06.2016) "Об утверждении Указаний о порядке применения бюджетной классификации Российской Федерации".

14. Приказ Минобрнауки РФ от 10декабря 2013 года №1324 «Об утверждении показателей деятельности образовательной организации, подлежащих самообследованию».

15. Письмо Министерства образования и науки РФ от 28 октября 2010 г. №13-312 "О подготовке Публичных докладов".

16. Барбер, М. Как лучшие системы школьного образования продолжают совершенствоваться / М. Барбер // Вопросы образования. 2011. №1.- С. 7- 25.

17. Барбер, М. Приказано добиться результата. Как была обеспечена реализация реформ в сфере государственных услуг Великобритании / М. Барбер. - М.: Издательский дом ВШЭ, 2011.

18. Беляков, С.А. Новые лекции по экономике образования / С.А. Беляков.- М: МАКС Пресс. 2007.

19. Беляков, С.А. Лекции по экономике образования / С.А. Беляков. - М.: ГУ-ВШЭ, 2002.

20. Бьюзен Тони и Барри. Супермышление - Минск: Попурри, 2017.

21. Государственная политика в системе общего образования Российской Федерации: Учебное пособие / А.И. Рытов, О.Э. Крутова, Т.В. Светенко, Абанкина И.В. - М.: АПКиППРО, 2009.

22. Девис Уильям, Индустрия счастья. Как Big Data и новые технологии помогают добавить эмоцию в товары и услуги. - Москва: Издательство «Э», 2017.

23. Карлберг Конрад. Регрессионный анализ Microsoft Excel-Компьютерное издательство «Диалектика», 2017.

24. Кивлева Н.В. Становление образования в России: Обзорное изложение. СПб.: Нестор - История, 2012.

25. Кузьминов, Я.И. Система образования: движение к открытости / Я.И. Кузьминов - М.: Издательский дом НИУ ВШЭ, 2013.- С. 5-12.

26. Мерцалова, Т.А. Информационная открытость системы образования: вопросы эффективности государственной политики/ Т.А. Мерцалова // Вопросы образования.- 2015. - №2. - С. 40-75.

27. Мескон, М. Основы менеджмента / М. Мескон, М. Альберт, Ф. Хедоури.- М.: Дело, 1997.

28. Минцберг, Г. Менеджмент: природа и структура организаций глазами гуру / Г. Минцберг. - М.: ЭКСМО, 2009.

29. Мусарский, М.М., Платонова Е.Д. Аутсорсинговая модель администрирования неосновных видов деятельности школы / М.М. Мусарский, Е.Д. Платонова, Народное образование.- 2013.- №1.- С. 90-94.

30. Мусарский, М.М. «Новое» в компетенции руководителя образовательной организации по управлению финансово-экономической деятельностью / М.М. Мусарский // Экономика образования. -2014.- №2.- С. 37-47.

31. Основы менеджмента: учебное пособие / Ф.Е. Удалов, О.Ф. Алёхина, О.С. Гапонова.- Нижний Новгород.-Нижегородский госуниверситет,2013.

32. Сальберг, П. Финские уроки. История успеха реформ школьного образования в Финляндии / П. Сальберг - М.: Классика-XXI, Арт-транзит, 2015.

33. Такахаси, Син. Занимательная статистика. Регрессионный анализ. Манга.-М.: ДМК Пресс.

34. Ушаков, К.М. Управление школой: кризис в период реформ. / К.М. Ушаков - М.-Сентябрь, 2011.

35. Феклин, С.И. Нормативно-правовая база функционирования государственного (муниципального) автономного образовательного учреждения / С.И. Феклин // Народное образование. - 2010.-№7.- С. 159-164.

36. Фокина, О.А. Управление ресурсами образовательного учреждения / О.А. Фокина // Альманах современной науки и образования. - 2008.- №4-2 (11). - С. 254-258.

37. Экономический анализ хозяйственной деятельности : учеб. пособие / Э.А. Маркарьян. - М.: КноРус, 2014.

38. Политика общеобразовательных учреждений по результатам опроса их руководителей / Информационный бюллетень. - М.: НИУ ВШЭ, 2015. - №7 (89).

39. McKinsey, 2011, “Big data” refers to datasets whose size is beyond the ability of typical database software tools to capture, store, manage, and analyze.

40. Darrell Huff, How to lie with statistics - New York, W.W. Norton&Company, 2015

Размещено на Allbest.ru