Селективність вступу та сегментація контингенту за конкурсним балом: економічний аналіз
| dc.contributor.author | Кириленко, Володимир Іванович | |
| dc.contributor.author | Kyrylenko, Volodymyr | |
| dc.contributor.author | Котенок, Андрій Григорович | |
| dc.contributor.author | Kotenok, Andrii | |
| dc.contributor.author | Самійленко, Андрій Петрович | |
| dc.contributor.author | Samiilenko, Andrii | |
| dc.date.accessioned | 2026-06-01T12:03:22Z | |
| dc.date.available | 2026-06-01T12:03:22Z | |
| dc.date.issued | 2026 | |
| dc.description.abstract | У статті оцінено селективність вступу та сегментацію контингенту за конкурсним балом як економічно значущий параметр функціонування закладу вищої освіти, що пов’язаний із витратами академічного вирівнювання, ризиками відрахувань і результативністю освітніх програм. Емпірична база — агреговані дані ЄДЕБО щодо зарахованих вступників на основі ПЗСО (денна форма) у 2025 р. (n = 1816). Селективність виміряно порогом КБ = 150 та бінарною змінною Y: Y = 1 за КБ ≥ 150 і Y = 0 за КБ < 150; у вибірці переважає сегмент КБ < 150 (69,4 %; 1260 осіб) над КБ≥150 (30,6 %; 556 осіб). Методичний інструментарій поєднує описові статистики КБ, декомпозицію внеску спеціальностей/ОПП у загальний профіль селективності, структурні порівняння часток Y, χ²-критерій Пірсона та бінарну логістичну регресію Pr(Y = 1) для оцінки ефекту фінансування. Показано, що формування «профілю селективності» концентрується у масових спеціальностях (передусім C1, D2, D3, D5), а внутрішні профілі Y суттєво різняться між ОПП, утворюючи «точки зростання» та «зони ризику» для управління контингентом. Виявлено істотні відмінності між бюджетом і контрактом: частка КБ ≥ 150 становить 57,58 % проти 29,06 %; χ²=35,82 при df = 1 (p = 2,16·10⁻⁹), V Крамера = 0,140. Логістична модель підтверджує позитивний ефект бюджетного каналу (OR = 3,31; 95 % ДІ: 2,19–5,00; p < 0,001). У policy-блоці виконано ex ante сценарії для 2026 р. за проєктним порогом КБ ≥ 150 для C1: за часткового перерозподілу «відсіченого» сегмента 30 %/50 %/70 % очікуване скорочення загального набору оцінюється в межах −216…−92 осіб, а зростання частки Y = 1 має переважно механічний характер (через зменшення N). Результати обґрунтовують доцільність програмно-орієнтованих управлінських рішень та обережність щодо уніфікованих порогів для нерегульованих спеціальностей. Наукова новизна — сценарна оцінка. This paper examines admission selectivity and cohort segmentation by the competitive score (CS) as an economically relevant characteristic of a university, linked to remediation needs, dropout risks, and programme performance. The empirical basis is aggregated administrative data from Ukraine’s Unified State Electronic Database on Education (EDEBO) for first-year entrants admitted in 2025 on the basis of complete secondary education (full-time), n = 1,816. Selectivity is operationalised with a CS threshold of 150 and a binary outcome Y (Y = 1 for CS ≥ 150; Y = 0 for CS<150); the cohort is dominated by CS < 150 (69.4 %, 1,260 persons) versus CS≥150 (30.6 %, 556 persons). Methods include descriptive statistics, decomposition of specialty/programme contributions to the overall selectivity profile, structural comparisons of Y shares, Pearson’s χ² test, and a binary logit model for Pr(Y = 1) with funding source as a key predictor. The aggregate profile is shaped primarily by high-enrolment specialties (notably C1, D2, D3 and D5) and within-specialty selectivity differs markedly across programmes. Large funding-channel gaps are observed: the share of CS≥150 is 57.58 % for state-funded students versus 29.06 % for fee-paying students (χ² = 35.82, df = 1, p = 2.16 × 10⁻⁹; Cramér’s V = 0.140). The logit model confirms a strong association for state funding (OR = 3.31; 95 % CI: 2.19–5.00; p < 0.001). Ex ante scenarios for the 2026 draft rule introducing a CS≥150 minimum for C1 project a decline in total enrolment by 216…92 students under 30/50/70 % reallocation of the excluded segment, while the rise in the Y = 1 share is largely mechanical. The findings support programme-specific management and caution against uniform thresholds for non-regulated fields. | |
| dc.identifier.citation | Кириленко В. І. Селективність вступу та сегментація контингенту за конкурсним балом: економічний аналіз / Кириленко Володимир Іванович, Котенок Андрій Григорович, Самійленко Андрій Петрович // Вчені записки : зб. наук. пр. / М-во освіти і науки України, Київ. нац. екон. ун-т ім. Вадима Гетьмана ; [редкол.: О. Яценко (голов. ред.) та ін.]. – Київ : КНЕУ, 2026. – Вип. 42. – С. 211–222. | |
| dc.identifier.doi | http://doi.org/10.33111/vz_kneu.42.26.01.16.110.116 | |
| dc.identifier.issn | 2415-850X | |
| dc.identifier.uri | https://ir.kneu.edu.ua/handle/2010/54887 | |
| dc.language.iso | uk | |
| dc.publisher | Київський національний економічний університет імені Вадима Гетьмана | |
| dc.subject | селективність вступу | |
| dc.subject | конкурсний бал | |
| dc.subject | сегментація контингенту | |
| dc.subject | економіка освіти | |
| dc.subject | вища освіта | |
| dc.subject | бюджет/контракт | |
| dc.subject | критерій χ² Пірсона | |
| dc.subject | логістична регресія | |
| dc.subject | сценарний аналіз (ex ante) | |
| dc.subject | ЄДЕБО | |
| dc.subject | admission selectivity | |
| dc.subject | competitive score | |
| dc.subject | cohort segmentation | |
| dc.subject | higher education economics | |
| dc.subject | funding source | |
| dc.subject | Pearson’s χ² test | |
| dc.subject | logistic regression | |
| dc.subject | ex ante policy scenarios | |
| dc.subject | Ukraine | |
| dc.subject | EDEBO | |
| dc.subject.udc | 378.1:37.014.5 | |
| dc.title | Селективність вступу та сегментація контингенту за конкурсним балом: економічний аналіз | |
| dc.title.alternative | Dmission selectivity and student cohort segmentation by competitive score: an economic analysis | |
| dc.type | Article |