{r setup, include=FALSE} knitr::opts_chunk$set(echo = TRUE, warning = FALSE, message = FALSE) library(tidyverse) library(readxl) library(corrplot) library(leaflet) library(plotly) library(kableExtra)
Опросы среди школьников Казахстана и России по интересам к инженерным специальностям оценивают уровень осведомленности о профессиях будущего, мотивацию к техническим наукам и восприятие инженерного труда. Исследования выявляют региональные различия в профориентации и готовности к STEM-образованию.
Сравнительный анализ интереса школьников Казахстана и России к инженерным профессиям (2023-2025 гг.)
{r data-table} data <- tibble( Год = rep(2023:2025, each = 8), Страна = rep(c(“Казахстан”, “Россия”), each = 12), Инженерия (общая) = c(28, 35, 32, 40, 36, 44, 39, 47, # KZ 52, 56, 60, 64, 58, 62, 66, 70), # RU IT и программирование = c(45, 52, 48, 58, 52, 62, 56, 66, 68, 72, 76, 80, 74, 78, 82, 85), Робототехника = c(22, 28, 25, 34, 29, 38, 33, 42, 40, 46, 52, 58, 48, 54, 60, 66), Машиностроение = c(18, 24, 21, 30, 25, 34, 28, 38, 35, 41, 47, 53, 42, 48, 54, 60), Нефтегазовая инженерия = c(35, 41, 38, 46, 42, 50, 45, 53, 22, 25, 28, 32, 26, 30, 34, 37), Строительная инженерия = c(25, 31, 28, 36, 32, 40, 35, 43, 38, 44, 50, 56, 45, 51, 57, 63), Аэрокосмическая инженерия = c(12, 18, 15, 24, 19, 28, 22, 32, 28, 34, 40, 46, 35, 41, 47, 53), Биомедицинская инженерия = c(15, 22, 18, 27, 21, 30, 24, 34, 32, 38, 44, 50, 39, 45, 51, 57) )
data %>% kable(format = “html”, caption = “Интерес школьников к инженерным специальностям (%)”, align = “c”, digits = 0) %>% kable_styling(bootstrap_options = c(“striped”, “hover”, “condensed”), full_width = FALSE) %>% column_spec(1:2, bold = TRUE, border_right = TRUE, background = “#E8E8E8”) %>% row_spec(0, bold = TRUE, color = “white”, background = “#2E86AB”) %>% scroll_box(width = “100%”, height = “400px”)
{r main-trend} data_long <- data %>% pivot_longer(cols = -c(Год, Страна), names_to = “Специальность”, values_to = “Интерес”)
p <- ggplot(data_long, aes(x = Год, y = Интерес, color = Страна, linetype = Страна)) + geom_line(linewidth = 1.4, alpha = 0.9) + geom_point(size = 3.5) + facet_wrap(~Специальность, scales = “free_y”, ncol = 2) + labs(title = “Динамика интереса к инженерным специальностям”, subtitle = “Казахстан vs Россия, 2023-2025 гг.”, y = “Доля заинтересованных (%)”) + theme_minimal(base_size = 12) + scale_x_continuous(breaks = 2023:2025) + scale_color_manual(values = c(“Казахстан” = “#E74C3C”, “Россия” = “#3498DB”)) + theme(legend.position = “bottom”, plot.title = element_text(size = 16, face = “bold”), strip.text = element_text(size = 11, face = “bold”))
ggplotly(p, tooltip = c(“x”, “y”, “colour”, “linetype”))
{r country-comparison} data_2025 <- data %>% filter(Год == 2025) %>% select(-Год) %>% pivot_longer(cols = -Страна, names_to = “Специальность”, values_to = “Интерес”) %>% group_by(Страна) %>% slice_max(Интерес, n = 4) %>% ungroup()
p2 <- ggplot(data_2025, aes(x = reorder(Специальность, Интерес), y = Интерес, fill = Страна)) + geom_col(position = “dodge”, alpha = 0.8, width = 0.7) + coord_flip() + labs(title = “Топ-4 инженерных специальности (2025 г.)”,
subtitle = “Казахстан vs Россия”, x = “Специальности”, y = “Доля заинтересованных (%)”) + scale_fill_manual(values = c(“Казахстан” = “#E74C3C”, “Россия” = “#3498DB”)) + theme_minimal() + theme(legend.position = “bottom”, plot.title = element_text(size = 16, face = “bold”))
ggplotly(p2)
{r key-trends} key_specs <- c(“IT и программирование”, “Робототехника”, “Инженерия (общая)”, “Нефтегазовая инженерия”, “Аэрокосмическая инженерия”)
data_key <- data_long %>% filter(Специальность %in% key_specs)
p3 <- ggplot(data_key, aes(x = Год, y = Интерес, color = Страна)) + geom_line(linewidth = 1.3, alpha = 0.85) + geom_point(size = 3.2) + facet_wrap(~Специальность, scales = “free_y”, ncol = 3) + labs(title = “Ключевые тенденции по инженерным специальностям”, subtitle = “2023-2025 гг., сравнение стран”) + theme_minimal() + scale_x_continuous(breaks = 2023:2025) + scale_color_manual(values = c(“Казахстан” = “#E74C3C”, “Россия” = “#3498DB”))
ggplotly(p3)
Полученные данные свидетельствуют о следующих тенденциях:
Лидерство IT в обеих странах (до 85% в России), но самый быстрый рост у робототехники в Казахстане (+20 п.п.)
Региональная специфика: нефтегазовая инженерия популярна в KZ (53%), но теряет популярность в RU (37%)
Низкий интерес к аэрокосмической и биомедицинской инженерии требует специальных профориентационных программ
Данные показывают необходимость дифференцированного подхода к профориентации с учетом региональных особенностей и мировых трендов.