Kísérletet tettünk az egyetemek csoportba sorolására is. Ez a vizsgálat azt cé-lozta, hogy megállapítsuk vajon felismerhetők-e csoportok az adatállományban.
A csoportba sorolást a quick cluster technika segítségével végeztük el, melynek az az előnye, hogy meghatározza az egyes klaszterek középpontjait, és így tipizálhatóvá válnak az egyes csoportok.
A 11. táblázat azt mutatja, hogy a 13 választott klaszternek nagyon különböző az elemszáma, 8 klaszternek 11-nél kevesebb. Ez a 8 klaszter így összesen 34 egye-temet tartalmaz. A másik 5 klaszterben viszont az elemszám legalább 43. A klaszte-rek számát viszonylag magasan állapítottuk meg, de még így is kevésbé vált szét az adatállományunk értelmezhető csoportokra. Ugyanakkor az adatállomány mintegy 81 százalékát nem bontotta tovább az algoritmus.
11. táblázat A 13 klaszterben szereplő egyetemek száma
(Number of universities in the 13 clusters)
1. 2. 3. 4. 5. 6 7. 8. 9. 10. 11. 12. 13.
Összesen Hiányzó érték klaszter
4 2 1 11 3 43 471 250 109 5 1 7 71 978 25
Forrás: Saját összeállítás a Scopus-adatbázis alapján.
A 12. táblázatban mutatjuk be a 34 egyetemet tartalmazó 8 klasztert. Ezekben szerepelhetnek „kiugró” adatokkal rendelkező egyetemek, amelyeket a klaszterköz-pontok segítségével azonosítunk.
12. táblázat A legkevesebb elemet (egyetemet) tartalmazó nyolc klaszter
(The eight clusters with the fewest elements [universities]) Klaszter
sorszáma Elemszám Egyetem neve Ország
3. 1 Harvard University Egyesült Államok
11. 1 Universidad Nacional Autónoma de México Mexikó
2. 2 University of Toronto Kanada
Stanford University Egyesült Államok
5. 3 University of Oxford Egyesült Királyság
University College London Egyesült Királyság Johns Hopkins University Egyesült Államok
1. 4 Université Paris-Saclay Franciaország
Massachusetts Institute of Technology Egyesült Államok University of Michigan-Ann Arbor Egyesült Államok University of Washington Egyesült Államok
10. 5 University of Melbourne Ausztrália
Peking University Kína
University of Copenhagen Dánia
Sorbonne Université Franciaország
University of California, Berkeley Egyesült Államok
12. 7 Tsinghua University Kína
University of Cambridge Egyesült Királyság Imperial College London Egyesült Királyság University of Pennsylvania Egyesült Államok
Columbia University Egyesült Államok
University of California at Los Angeles Egyesült Államok University of California at San Diego Egyesült Államok
4. 11 University of Sydney Ausztrália
University of British Columbia Kanada Shanghai Jiao Tong University Kína
Zhejiang University Kína
National University of Singapore Szingapúr
University of Chicago Egyesült Államok
Yale University Egyesült Államok
Cornell University Egyesült Államok
Northwestern University Egyesült Államok
Duke University Egyesült Államok
University of Pittsburgh Egyesült Államok Összesen 34
Forrás: Saját összeállítás a Scopus-adatbázis alapján.
Jellemezzük most a 978 egyetem 13 klaszterét a klaszterközepeik segítségével.
A klaszterközepeket nem az általunk használt quick cluster technikával adott klasz-terközepek értékeivel, hanem azok egyes változók szerinti sorrendjével azonosítjuk;
vagyis a legalább intervallumskálán mért értékeket ordinális skálára transzformáltuk a változók szerint. Az ordinális skálán a PUB-, FWCI-, CIT- és H5-I-változókra az volt a legelőnyösebb, ha azok értékei minél nagyobbak. Ugyanakkor az AUT-, AFS- és QS-R-változóinkra a legkisebb értéket tekintettük legelőnyösebbnek. A legelőnyö-sebb érték tehát az egy, amit a kettő követ, és így tovább.
13. táblázat A klaszterközepek transzformált értékei
(Transformed values of the cluster means) Klaszter
sorszáma PUB AUT FWCI CIT H5-I AFS QS-R Egyetemek
száma
3. 1 12 2 1 1 8 1 1
11. 9 13 13 11 11 13 8 1
2. 2 11 1 2 2 12 3 2
5. 3 9 3 3 3 11 2 3
1. 4 10 4 4 4 6 9 4
10. 6 6 7 6 6 7 6 5
12. 5 8 5 5 5 10 4 7
4. 7 7 6 7 7 9 5 11
6. 8 5 8 8 8 5 7 43
13. 10 4 9 9 9 4 10 71
9. 11 3 10 10 10 3 11 109
8. 12 2 11 12 12 2 12 250
7. 13 1 12 13 13 1 13 471
Összesen 978
Látható, hogy a 3. klaszter szinte minden változót tekintve kiváló, de ez az eredmény elsősorban az oktató-kutatói állomány és a szerzők nagy számának kö-szönhető. Ugyanez állapítható meg a 2. és az 5. klaszterről is. Ugyanakkor a 11. klaszter szinte minden változó szerint rosszabb eredményt mutat. Az 1., a 4., a 10. és a 12. klaszterekben a legjobb négy egyetemet követő nagyon szűk kör kö-vetkezik. A többi 5 klaszterbe a kisebb és közepes méretű egyetemek tartoznak, ami a rangsorokból is elég egyértelműen kiderül.
8. Összegzés
Az oktatáspolitikai döntéshozók és a tudománypolitikusok gyakran használt döntés-előkészítő eszközei az egyetemi rangsorok. A dolgozat ezek közül a kiemel-kedő szerepet betöltő információforrást, a QS World University Rankings 2021-et vizsgálta. A rangsorok az egyetemek jellemzőinek (kutatási teljesítmény a publikáci-ókon és a hivatkozásokon keresztül, az oktatási teljesítmény, az egyetem ipari kuta-tási-fejlesztési pénzeket vonzó képessége) különböző súlyozásával állnak elő. Elem-zésünkben a kutatási teljesítményt vettük figyelembe, és azon belül is csak azokat az adatokat, amelyeket a szabadon hozzáférhető Scopus-/SciVal-adatbázisokból kinyer-hettünk. Célunk kettős volt: egyrészt az adatállományokból kinyert változók közötti lineáris összefüggések elemzése, másrészt az egyetemek csoportosítása klaszter-elemzés segítségével.
A változók közötti lineáris összefüggések feltérképezését ötféle technikával hajtottuk végre. A korrelációelemzés azt az eredmény hozta, hogy a kiválasztott változók között viszonylag erős lineáris kapcsolat van. Mindez lehetővé tette, hogy a változókat főkomponens-elemzés segítségével csoportosítsuk. A hét változó korrelá-ciós mátrixát három komponens segítségével alkottuk meg. Ez a variancia közel 88 százalékát reprodukálta. A három komponens közül az első a létszámadatok és a publikációk számával mutatott erős kapcsolatot. A második komponens a hivatkozá-sokat és az abból származtatható mutatókat tartalmazta, míg végül a QS-sorrend került egyedül egy komponensbe. Ennek ismeretében a varianciainflációs tényezővel a hét változót csökkenthettük. A H5-I- és a PUB-változó erős kollinearitást mutatott a maradék öt változóval. Regressziós modellel becsültük a QS-rangsort, ami magas, 0,469 R2-értéket adott. A becslés másik érdekessége, hogy a sorrend stepwise reg-resszió esetén csak az ötéves Hirsch-indextől függ. Végül parciális korrelációs elem-zéssel az ok-okozati kapcsolatot tártuk fel. Ez a vizsgálat lényegében a főkompo-nens-elemzés eredményét és a faktorokhoz rendelhető változóinkat igazolta vissza.
Eszerint a létszámadatok (AUT, AFS) és a közleményszám (PUB) összefüggése mel-lett a hivatkozási mutatók (CIT, FWCI) kerültek egybe, és a lánc végén az ötéves Hirsch-indexhez (H5-I) kapcsolódva az egyetemi sorrend (QS-R). Ezt az eredményt a regresszió is alátámasztotta.
A klaszterelemzés során azt az eredményt kaptuk, hogy a nagy és jól ismert egyetemek kisebb csoportokban és darabszámmal alkotnak klasztereket. Amint be-mutattuk, 8 klaszterbe került 34 egyetem az 1 003-ból, ami alacsony sűrűséget jelez.
A többi 5 klaszterbe nagy elemszámmal kerültek egyetemek, vagyis azok között már nehezebb különbséget tenni. A csoportokat a klaszterközepekkel reprezentáltuk, és a közepek értékeit ordinális skálára transzformáltuk, amely azt mutatta ki, hogy a klaszterek öt változó szerint szinte azonos sorrendet adtak, míg a létszámadatoknál, ha fordítottan is, de hasonló sorrendet kaptunk.
Irodalom
ABRAMO, G. –D’ANGELO, C. A. – DI COSTA, F. [2008]: Assessment of sectoral aggregation distortion in research productivity measurements. Research Evaluation. Vol. 17. No. 2.
pp. 111–121. https://doi.org/10.3152/095820208X280916
ABRAMO,G.–D’ANGELO,C.A. [2014]: How do you define and measure research productivity?
Scientometrics. Vol. 101. pp. 1129–1144. https://doi.org/10.1007/s11192-014-1269-8 AITHAL,P.S.–SHAILASHREE,V.T.–KUMAR,P.M. [2016]: The study of new national institutional
ranking system using ABCD framework. International Journal of Current Research and Modern Education. Vol. 1. No. 1. pp. 389–402. https://ssrn.com/abstract=2790229
ALTBACH, P. G. [2012]: The globalization of college and university rankings. Change:
The Magazine of Higher Learning. Vol. 44. Issue 1. pp. 26–31.
https://doi.org/10.1080/00091383.2012.636001
ALTBACH, P. G. [2013]: The International Imperative in Higher Education. Sense Publishers.
Rotterdam.
BARKER, K. [2002]: Canadian Recommended E-learning Guidelines. FuturEd for Canadian Association for Community Education. Vancouver. https://www.futured.com/
pdf/CanREGs%20Eng.pdf
BENITO,M.–GIL,P.–ROMERA,R. [2020]: Evaluating the influence of country characteristics on the higher education system rankings’ progress. Journal of Informetrics. Vol. 14. Issue 3.
pp. 1–15. https://doi.org/10.1016/j.joi.2020.101051
BOBBY, C. L. [2014]: The Abcs of Building Quality Cultures for Education in a Global World.
Conference presentation. International Conference on Quality Assurance 2014. 8–10 December.
Bangkok.
BOGUE,G. [1998]: Quality assurance in higher education: The evolution of systems and design ideals. New Directions for Institutional Research. Vol. 1998. Issue 99. pp. 7–18.
http://dx.doi.org/10.1002/ir.9901
BUELA-CASAL,G.–GUTIÉRREZ-MARTÍNEZ,O.–BERMÚDEZ-SÁNCHEZ,M.P.– VADILLO-MUÑOZ,O.
[2007]: Comparative study of international academic rankings of universities.
Scientometrics. Vol. 71. No. 3. pp. 349–365. https://doi.org/10.1007/s11192-007-1653-8 DE WIT,H. [2015]: Is the international university the future for higher education? International
Higher Education. Vol. 80. No. 7. https://doi.org/10.6017/ihe.2015.80.6133
DIACONIS,P.[1988]: Group representations in probability and statistics. Institute of Mathematical Statistics Lecture Notes-Monograph Series. Vol. 11. pp. 1–198. https://jdc.math.uwo.ca/
M9140a-2016-summer/Diaconis-1988.pdf
DOBOS I.–MICHALKÓ G.–SASVÁRI P.L. [2020]: Messze még a híd? Kelet-Közép-Európa gazda-ságtudományi kutatóinak összehasonlítása. Statisztikai Szemle. 98. évf. 8. sz. 981–1000. old.
https://doi.org/10.20311/stat2020.8.hu0981
DOBOS, I.–MICHALKÓ, G.–SASVÁRI, P.L. [2021]: The publication performance of Hungarian economics and management researchers: A comparison with the Visegrád 4 countries and Romania. Regional Statistics. Vol. 11. No. 2. pp. 165–182. https://doi.org/10.15196/RS110207
DOĞAN,G.–AL,U. [2019]: Is it possible to rank universities using fewer indicators? A study on five international university rankings. Aslib Journal of Information Management. Vol. 71.
No. 1. pp. 18–37. https://doi.org/10.1108/AJIM-05-2018-0118
ELSEVIER [2019]: Research Metrics Guidebook. https://www.elsevier.com/research-intelligence/resource-library/research-metrics-guidebook
FERANECOVÁ, A. –KRIGOVSKÁ, A. [2016]: Measuring the performance of universities through cluster analysis and the use of financial ratio indexes. Economics and Sociology. Vol. 9.
No. 4. pp. 259–271. https://doi.org/10.14254/2071-789X.2016/9-4/16
GLÄNZEL,W.[2008]: Seven myths in bibliometrics. About facts and fiction in quantitative science studies. Journal of Scientometrics and Information Management. Vol. 2. Issue 1.
https://doi.org/10.1080/09737766.2008.10700836
GREEN, D. [1994]: What is Quality in Higher Education? Society for Research into Higher Education. London.
HALAWEH,M. [2020]: Research productivity index (RPI): A new metric for measuring universities’
research productivity. Information Discovery and Delivery. Vol. 49. No. 1.
pp. 29–35. https://doi.org/10.1108/IDD-01-2020-0003
HARVEY,L. [2008]: Rankings of higher education institutions: A critical review. Quality in Higher Education. Vol. 14. No. 3. pp. 187–207. https://doi.org/10.1080/13538320802507711 HAUPTMAN KOMOTAR, M. [2019]: Global university rankings and their impact on the
internationalisation of higher education. European Journal of Education. Vol. 54. Issue 2.
pp. 299–310. https://doi.org/10.1111/ejed.12332
HAZELKORN, E.–LOUKKOLA, T.–ZHANG, T. [2014]: Rankings in Institutional Strategies and Processes: Impact or Illusion? European University Association. Brussels.
https://eric.ed.gov/?id=ED571137
HAZELKORN,E. [2015]: Rankings and the Reshaping of Higher Education: The Battle for World-class Excellence. Palgrave Macmillan. London.
IOANNIDIS,J.P.–PATSOPOULOS, N.A.–KAVVOURA,F.K.–TATSIONI,A.–EVANGELOU, E.– KOURI, I. – CONTOPOULOS-IOANNIDIS, D. G. – LIBEROPOULOS, G. [2007]: International ranking systems for universities and institutions: A critical appraisal. BMC Medicine. Vol. 5.
No. 1. https://doi.org/10.1186/1741-7015-5-30
KABA, A. – RAMAIAH, C. K. [2020]: Global research productivity in knowledge management:
An analysis of scopus database. Library Philosophy and Practice. (e-journal) Winter 1–25.
pp. 1–19. https://digitalcommons.unl.edu/libphilprac/3920/
KING, R. [2009]: Governing Universities Globally: Organizations, Regulation and Rankings.
Edward Elgar Publishing. Cheltenham.
LAREDO, P. [2007]: Revisiting the third mission of universities: Toward a renewed categorization of university activities? Higher Education Policy. Vol. 20. No. 4. pp. 441–456.
https://doi.org/10.1057/palgrave.hep.8300169
LEE,J.–LIU,K.–WU,Y. [2020]: Does the Asian catch-up model of world-class universities work?
Revisiting the zero-sum game of global university rankings and government policies.
Educational Research for Policy and Practice. No. 19. pp. 319–343.
https://doi.org/10.1007/s10671-020-09261-x
LIU,N.C.–CHENG,Y. [2005]: The academic ranking of world universities. Higher Education in Europe. Vol. 30. No. 2. pp. 127–136. https://doi.org/10.1080/03797720500260116
LIU,Z.–MOSHI,G.J.–AWUOR,C.M. [2019]: Sustainability and indicators of newly formed world-class universities (NFWCUs) between 2010 and 2018: Empirical analysis from the rankings of ARWU, QSWUR and THEWUR. Sustainability. Vol. 11. No. 10. Article no. 2745.
https://doi.org/10.3390/su11102745
LOUGHRAN, G. [2016]: Why university rankings may be harming higher education. The Irish Times. 19 September. www.irishtimes.com/news/education/why-university-rankings-maybe-harminghigher-education-1.2793532
LOWRY,P.B.–KARUGA,G.G.–RICHARDSON,V.J. [2007]: Assessing leading institutions, faculty, and articles in premier information systems research journals. Communications of the Association for Information Systems. Vol. 20. pp. 142–203. https://doi.org/
10.17705/1CAIS.02016
MARGINSON, S. – VAN DER WENDE, M. [2009]: The new global landscape of nations and institutions. In: Higher Education to 2030. Volume 2. Globalisation. pp. 17–62.
https://doi.org/10.1787/9789264075375-en
QS (QUACQUARELLI SYMONDS) [2020]: QS World University Rankings.
https://www.topuniversities.com/university-rankings/world-university-rankings/2021 OECD(ORGANISATION FOR ECONOMIC CO-OPERATION AND DEVELOPMENT) [2015]: Education at a
Glance 2015 – OECD Indicators. Paris. https://doi.org/10.1787/eag-2015-en
PARCON,J.C. [2003]: Spearman Rank Regression. PhD Dissertation. Western Michigan Univer-sity. Michigan. https://scholarworks.wmich.edu/cgi/viewcontent.cgi?article=2270&context
=dissertations
PIETRUCHA, J. [2018]: Country-specific determinants of world university rankings. Scientometrics.
Vol. 114. December. pp. 1129–1139. https://doi.org/10.1007/s11192-017-2634-1
PURKAYASTHA, A. – PALMARO, E. – FALK-KRZESINSKI, H. J. – BAAS, J. [2019]: Comparison of two article-level, field-independent citation metrics: Field-weighted citation impact (FWCI) and relative citation ratio (RCR). Journal of Informetrics. Vol. 13. No. 2. pp. 635–642.
https://doi.org/10.1016/j.joi.2019.03.012
SAFÓN, V. [2013]: What do global university rankings really measure? The search for the X factor and the X entity. Scientometrics. Vol. 97. March. pp. 223–244. https://doi.org/
10.1007/s11192-013-0986-8
SALMI, J. [2009]: The Challenge of Establishing World‐Class Uuniversities. World Bank.
Washington, D.C. https://doi.org/10.1596/978-0-8213-7865-6
SALMI, J. [2011]: Nine common errors when building a new world class university. Dyna. Vol. 78.
No. 168. pp. 5–7. https://doi.org/10.6017/ihe.2011.62.8529
SHEEJA, N. K. – MATHEW K. S. – CHERUKODAN, S. [2018]: Impact of scholarly output on university ranking. Global Knowledge, Memory and Communication. Vol. 67. No. 3.
pp. 154–165. https://doi.org/10.1108/GKMC-11-2017-0087
SHIN, J. C. – TOUTKOUSHIAN, R. K. – TEICHLER, U. (eds.) [2011]: University Rankings – Theoretical Basis, Methodology and Impacts on Global Higher Education. Springer.
Dordrecht. https://doi.org/10.1007/9789400711167
YERAVDEKAR, V. R. – TIWARI, G. [2017]: Internationalization of Higher Education in India.
SAGE Publications India Pvt. Ltd. New Delhi.
YERBURY, D. [2006]: Spreading Universities’ Foreign Risks. www.theage.com.au/news/
opinion/spreading-universities-foreign-risks/2006/01/11/1136956237562.html