Computational nanotechnologyComputational nanotechnologyComputational nanotechnology2313-223X2587-9693YUR-VAK35838610.33693/2313-223X-2025-12-5-67-79EKMOPLMANAGEMENT IN ORGANIZATIONAL SYSTEMSУПРАВЛЕНИЕ В ОРГАНИЗАЦИОННЫХ СИСТЕМАХResearch ArticleMethodology for predicting the demand for university graduates using data mining techniquesМетодика прогнозирования востребованности выпускников вузов с применением интеллектуального анализа данныхhttps://orcid.org/0000-0003-4714-415156743251000R-3326-20168462-7056PresnetsovaVictoria Yu.ПреснецоваВиктория Юрьевна
Russian Federation

Cand. Sci. (Eng.), Associate Professor, associate professor, Department of Industrial Programming, Institute for Advanced Technologies and Industrial Programming

кандидат технических наук, доцент, доцент, кафедра индустриального программирования, Институт перспективных технологий и индустриального программирования

presnetsova@mirea.ruhttps://orcid.org/0000-0002-8903-469056426832100ABI-6473-20206666-1523KonstantinovIgor S.КонстантиновИгорь Сергеевич
Russian Federation

Dr. Sci. (Eng.), Professor, Professor, Department of Industrial Programming, Institute for Advanced Technologies and Industrial Programming

доктор технических наук, профессор, профессор, кафедра индустриального программирования, Институт перспективных технологий и индустриального программирования

konstantinovi@mail.ruMIREA – Russian Technological UniversityМИРЭА – Российский технологический университет14122025125677916122025Copyright ©; 2025, Yur-VAKCopyright ©; 2025, Юр-ВАК2025Yur-VAKЮр-ВАКhttps://www.urvak.ru/contacts/https://journals.rcsi.science/2313-223X/article/view/358386

The purpose of this research is to develop and validate an integrated methodology for predicting the demand for university graduates in a regional labor market by applying data-mining tools and machine-learning techniques. Employment monitoring data from Turgenev Orel State University for 2022–2024 served as the empirical basis. The Random Forest algorithm was used to forecast graduate employment rates across aggregated fields of study, while the K-means clustering method grouped specialties according to their demand levels. The analysis identified three stable clusters – “high”, “medium”, and “low” employment prospects – provided actionable recommendations for adjusting curricula and enrollment quotas, and highlighted programs that need additional interdisciplinary digital competencies. The resulting models demonstrated high accuracy (MAE = 13.33%, R2 = 0.78) and no multicollinearity issues, as confirmed by VIF values. The proposed methodology offers universities an effective tool for strategic enrollment planning, improving graduate employability, and real-time adaptation of educational offerings to the dynamic needs of the economy. It can also be embedded into digital education-management platforms and regional workforce-demand forecasting systems.

Целью настоящего исследования является разработка и экспериментальная проверка комплексной методики прогнозирования востребованности выпускников высших учебных заведений на региональном рынке труда с применением технологий интеллектуального анализа данных (Data Mining). В качестве эмпирической базы использованы годовые отчеты мониторинга трудоустройства выпускников Орловского государственного университета имени И.С. Тургенева за 2022–2024 гг., включающие сведения о численности выпускников, статусах занятости и динамике спроса по 76 укрупненным направлениям подготовки. Методика объединяет регрессионную модель случайного леса, прогнозирующую уровень трудоустройства на горизонте трех лет, и алгоритм K-means, сегментирующий образовательные программы по степени востребованности. Полученные результаты позволили классифицировать направления подготовки на кластеры «высокий», «средний» и «низкий» спрос, а также выявить тренды роста в областях информационных технологий, энергетики и машиностроения, и потенциальный спад в ряде гуманитарных специальностей. Модель продемонстрировала высокую точность (MAE = 13,33%, RMSE = 17,24%, R2 = 0,78) и устойчивость к мультиколлинеарности признаков (VIF ≈ 1), что подтверждает надежность прогнозов. Предлагаемая методика рекомендована для регулярного использования вузами и региональными органами управления образованием при планировании приемной кампании, корректировке учебных планов и разработке цифровых панелей мониторинга кадровых потребностей.

data mininghigher-education institution (HEI)forecastinglabor marketgraduate employmentgraduate demanddata miningвузпрогнозированиерынок трудатрудоустройство выпускниковвостребованность выпускниковAbashin V.G., Presnetsova V.Yu., Presnyakov V.M. Influence of digitalization on sustainable balanced development of regional socio-economic systems. Innovations & Investments. 2024. No. 4. Pp. 265–267. (In Rus.)Абашин В.Г., Преснецова В.Ю., Пресняков В.М. Влияние цифровизации на устойчивое сбалансированное развитие региональных социально-экономических систем // Инновации и инвестиции. 2024. № 4. С. 265–267.Astratova G.V., Bedrina E.B., Larionova V.A. et al. Higher education and the labour market in the digital economy: Development of mathematical methods and tools for researching complex economic systems. G.V. Astratova (ed.). Moscow: Pero, 2021. 330 p. ISBN: 978-5-00189-423-0.Астратова Г.В., Бедрина Е.Б., Ларионова В.А. и др. Высшее образование и рынок труда в цифровой экономике: развитие математических методов и средств исследования сложных экономических систем / под общ. ред. Г.В. Астратовой М.: Перо, 2021 330 с. ISBN: 978-5-00189-423-0.Goodfellow I., Bengio Y., Courville A. Deep learning. Transl. from Engl. Moscow: DMK-Press, 2018. 656 p.Гудфеллоу И., Бенджио Й., Курвил А. Глубокое обучение / пер. с англ. М.: ДМК Пресс, 2018. 656 с.Kutuzov A.A., Petrov M.S. Methods for assessing the quality of machine-learning models. Computational Mathematics and Mathematical Physics. 2020. Vol. 60. No. 3. Pp. 456–470. (In Rus.)Кутузов А.А., Петров М.С. Методы оценки качества моделей машинного обучения // Журнал вычислительной математики и математической физики. 2020. Т. 60. № 3. С. 456–470.Mityakov E.S., Kulikova N.N., Gorina T.V. Conceptual model for the formation and implementation of innovation policy at a technical university. Development & Security. 2024. No. 1 (21). Pp. 58–71. (In Rus.)Митяков Е.С., Куликова Н.Н., Горина Т.В. Концептуальная модель формирования и реализации инновационной политики технического вуза // Развитие и безопасность. 2024. № 1 (21). С. 58–71.Petrova E.V. Data visualization in Python: From Matplotlib to Seaborn. Programming and Computer Technologies. 2021. No. 2. Pp. 112–125. (In Rus.)Петрова Е.В. Визуализация данных в Python: от Matplotlib до Seaborn // Программирование и компьютерные технологии. 2021. № 2. С. 112–125.Safronov A.N. Residual analysis in regression models: Theory and practice. Applied Econometrics. 2019. No. 4. Pp. 25–38. (In Rus.)Сафронов А.Н. Анализ остатков в регрессионных моделях: теория и практика // Прикладная эконометрика. 2019. № 4. С. 25–38.Stepus I.S., Averyanov A.O., Gurtov V.A. Indicators of the interrelationship between the education system and the labor market: Development and testing. Integration of Education. 2022. Vol. 26. No. 4 (109). Pp. 594–612. (In Rus.)Степусь И.С., Аверьянов А.О., Гуртов В.А. Индикаторы взаимосвязи системы образования и рынка труда: разработка и апробация // Интеграция образования. 2022. Т. 26. № 4 (109). С. 594–612.Falkov V.N. The new higher-education system should be adapted to labor-market needs. Penza State University. 2023. URL: https://www.pnzgu.ru/news/2023/03/14/16481531 (data of accesses: 10.04.2025).Фальков В.Н. Новая система высшего образования должна быть адаптирована к потребностям рынка труда // Пензенский государственный университет. 2023. URL: https://www.pnzgu.ru/news/2023/03/14/16481531 (дата обращения: 10.04.2025).Hastie T., Tibshirani R., Friedman J. The elements of statistical learning: Data mining, inference, and prediction. Transl. from Engl. Moscow: Williams, 2006. 736 p.Хасти Т., Тибширани Р., Фридман Дж. Элементы статистического обучения: обработка данных, вывод и прогнозирование / пер. с англ. М.: Вильямс, 2006. 736 с.Breiman L. Random forests. Machine Learning. 2001. Vol. 45. Issue 1. Pp. 5–32.Breiman L. Random forests // Machine Learning. 2001. Vol. 45. Issue 1. Pp. 5–32.Dawson N., Rizoiu M-A., Johnston B., Williams M-A. Predicting skill shortages in labor markets: A machine-learning approach. arXiv. 2020. URL: https://arxiv.org/abs/2004.01311 (data of accesses: 10.04.2025).Dawson N., Rizoiu M.-A., Johnston B., Williams M.-A. Predicting skill shortages in labor markets: A machine learning approach // arXiv. 2020. URL: https://arxiv.org/abs/2004.01311 (data of accesses: 10.04.2025).Douaioui K., Oucheikh R., Benmoussa O., Mabrouki C. Machine-learning and deep-learning models for demand forecasting in supply-chain management: A critical review. Applied System Innovation. 2024. Vol. 7. No. 5. Art. 93. DOI: 10.3390/asi7050093.Douaioui K., Oucheikh R., Benmoussa O., Mabrouki C. Machine learning and deep learning models for demand forecasting in supply chain management: A critical review // Applied System Innovation. 2024. Vol. 7. № 5. Art. 93. DOI: 10.3390/asi7050093.Kim K. Forecasting labor demand: Predicting JOLT job openings using a deep-learning model. arXiv. 2025. URL: https://arxiv.org/abs/2503.19048 (data of accesses: 10.04.2025).Kim K. Forecasting labor demand: Predicting JOLT job openings using deep learning model // arXiv, 2025. URL: https://arxiv.org/abs/2503.19048 (data of accesses: 10.04.2025).