Analiza i ocena produktywności jednostek...

1

Politechnika Poznańska

Wydział Inżynierii Zarządzania

mgr Joanna Jakuszewicz

ANALIZA I OCENA PRODUKTYWNOŚCI

JEDNOSTEK NAUKOWYCH

rozprawa doktorska

Promotor:

prof. dr hab. inż. Joanicjusz Nazarko

Poznań 2015

2

Spis treści

WPROWADZENIE ..................................................................................................................................... 4

1. ASPEKTY ZARZĄDZANIA W SEKTORZE BADAŃ NAUKOWYCH ................... 12

1.1. Rola jednostek naukowych w gospodarce opartej na wiedzy .............................................. 12

1.2. Mechanizmy i narzędzia kreowania polityki naukowej ....................................................... 20

1.3. Ewaluacja instytucjonalna badań naukowych ......................................................................... 31

2. PRODUKTYWNOŚĆ NAUKI ...................................................................................................... 38

2.1. Paradygmat produktywności ........................................................................................................ 40

2.2. Istota i determinanty produktywności jednostek naukowych ............................................. 49

2.3. Metody pomiaru produktywności nauki ................................................................................... 57

3. ANALIZA METOD OCENY JEDNOSTEK NAUKOWYCH ........................................ 72

3.1. Uwarunkowania systemów oceny jednostek naukowych w Europie ............................... 72

3.2. Przegląd narodowych systemów oceny jednostek naukowych ......................................... 83

4. SYSTEM OCENY JEDNOSTEK NAUKOWYCH W POLSCE ................................. 112

4.1. System badań naukowych w Polsce ...................................................................................... 112

4.2. Metodyka oceny parametrycznej jednostek naukowych ................................................... 123

4.3. Krytyczna analiza oceny parametrycznej ............................................................................... 133

5. ZAŁOŻENIA METODYCZNE BADANIA PRODUKTYWNOŚCI

METODĄ DATA ENVELOPMENT ANALYSIS ............................................................. 145

5.1. Propedeutyka metodyki Data Envelopment Analysis ........................................................ 145

5.2. Przegląd modeli Data Envelopment Analysis ....................................................................... 156

5.3. Przykłady zastosowań metody Data Envelopment Analysis w ocenie wyników

działalności naukowej ................................................................................................................. 167

6. BADANIA PRODUKTYWNOŚCI JEDNOSTEK NAUKOWYCH ........................... 182

6.1. Analiza danych źródłowych ........................................................................................................ 182

6.2. Wybór zmiennych do oceny produktywności jednostek naukowych ............................ 201

6.3. Klasyfikacja jednostek i wybór modelu Data Envelopment Analysis ............................ 209

6.4. Obliczenia produktywności ......................................................................................................... 222

6.5. Testy odporności i stabilności modelu Data Envelopment Analysis ............................. 227

7. REKOMENDACJE DO METODYKI DATA ENVELOPMENT ANALYSIS

W OCENIE JEDNOSTEK NAUKOWYCH ......................................................................... 233

7.1. Porównanie produktywności jednostek naukowych .......................................................... 233

7.2. Aplikacja metody Data Envelopment Analysis w ocenie parametrycznej .................. 246

3

ZAKOŃCZENIE ...................................................................................................................................... 252

ANEKS ......................................................................................................................................................... 256

Załącznik 1. Kryteria oceny parametrycznej w 1999 roku .................................................... 257




Załącznik 5. Kryteria oceny parametrycznej i grupy wzajemnej oceny w 2013 roku .. 267

Załącznik 6. Liczebność jednostek oraz rozpiętość przedziałów poszczególnych

kategorii względem wskaźnika efektywności E ............................................. 272

Załącznik 7. Zestawienie publikacji na temat zastosowań metody DEA w Polsce ....... 273

Załącznik 8. Współczynniki korelacji cech wraz z poziomem ich istotności

w poszczególnych grupach jednostek naukowych .......................................... 282

Załącznik 9. Lista jednostek naukowych w badaniach autorki i ich podział w grupy

jednorodne ................................................................................................................... 286

Załącznik 10. Wyniki oceny jednostek naukowych metodą DEA ........................................ 300

BIBLIOGRAFIA ...................................................................................................................................... 313

SPIS RYSUNKÓW .................................................................................................................................. 333

SPIS TABEL .............................................................................................................................................. 336

4

WPROWADZENIE

Francuski noblista, fizyk L. de Broglie (1892-1987), analizując tempo rozwoju nauki

wnioskował, że zarówno kadrowy, instytucjonalny, jak i informacyjny rozwój nauki odbywa

się w sposób wykładniczy1. Budowane na tej podstawie nieosiągalne prognozy tempa wzrostu

pracowników naukowych skłoniły do refleksji, że rozwój nauki zostanie przy pewnym

poziomie zahamowany z braku dostatecznego przyrostu wiedzy naukowej. Rozwiązania tego

problemu upatrywano już wtedy w zwiększeniu produktywności w sektorze nauki.

Problematyka produktywności w sektorze badań naukowych początkowo rodziła wiele

wątpliwości, ponieważ z jednej strony pojęcie produktywności często było utożsamiane

jedynie z działalnością produkcyjną2, z drugiej zaś argumentowano stwierdzenie, że nie można

obiektywnie zmierzyć poziomu i wartości pracy naukowej3. Mimo to, wciąż trwały prace

nad doskonaleniem metod pomiaru i oceny efektów pracy naukowej.

Produktywność nauki, rozpatrywana w kategoriach poznawczych, jako nowa wiedza,

i użytkowych, jako bezpośrednie korzyści społeczne i ekonomiczne wynikające ze stosowania

rezultatów badań, jest szczególnie ważna w warunkach presji rozwoju społeczno-

gospodarczego. W ciągu ostatnich kilkudziesięciu lat na całym świecie obserwuje się

przyspieszony rozwój, związany w dużej mierze z efektem coraz szerszego zrozumienia roli

nauki oraz jej kluczowego znaczenia dla budowy gospodarki opartej na wiedzy. Rozwój

krajów jest w głównym stopniu zależny od poziomu i rozwoju badań naukowych

oraz od wykorzystania ich wyników jako siły modernizacyjnej – wzorem najbardziej

rozwiniętych państw na świecie.

Wzrastająca rola nauki spowodowała konieczność przeprowadzenia analiz samego

przebiegu procesu poznawczego. Identyfikacja i zdefiniowanie tych czynników jest

szczególnie istotne z punktu widzenia kształtowania systemowych instrumentów polityki

naukowej. Dobrze umotywowana, sformułowana i przygotowana polityka ma podstawowe

znaczenie dla osiągnięcia publicznej wartości z badań naukowych, szczególnie, gdy sfera

badań i innowacji stale się zmienia i rozwija4.

1 W. Leszek, B. Wojciechowicz, Analiza pewnych możliwości podniesienia efektywności badań naukowych,

Politechnika Poznańska, Poznań 1975, s. 5. 2 A. Kosieradzka, Zarządzanie produktywnością w przedsiębiorstwie, Wydawnictwo C.H. Beck, Warszawa

2012, s. 20. 3 A. Guena, B.R. Martin, University research evaluation and funding: and international comparison, “Minerva”

2003, t. 41, nr 4, s. 278. 4 Shaping science and technology policy: the next generation of research, D. Guston, D. Sarewitz (red.),

The University of Wisconsin Press, Madison 2006, s. 7.

5

Jednym z ważniejszych instrumentów polityki naukowej jest publiczne finansowanie

badań naukowych. W latach sześćdziesiątych XX wieku panowało przekonanie, że większe

nakłady na badania i rozwój przynosiły większe korzyści, szybszy rozwój i większe

możliwości. W ostatnich latach publiczne jednostki naukowe zostały poddane presji

finansowej w związku ze zmniejszeniem interwencji rządowej w kierunku alokacji zasobów

opartej na wynikach5. W związku z tym pojawiła się potrzeba analizy racjonalności

wydatków publicznych na badania naukowe6. Oznacza to wyjście poza paradygmat

dotychczasowego sposobu zarządzania w sektorze publicznym i dokonywanie oceny

osiągnięć jednostek naukowych, aby zapewnić efektywniejsze zarządzanie i skuteczniejsze

inwestycje w badania i rozwój.

Systematyczna ocena jednostek naukowych jest przeprowadzana w wielu krajach

Europy i świata. Dorobek i prestiż naukowy jednostek naukowych podlega różnorodnej

ocenie. Należy jednak zauważyć, że ze względu na złożoność działalności naukowej ocena

jednostek naukowych jest wyjątkowo trudna i skomplikowana. Powinna pokazywać ogólny

obraz poziomu nauki w danej dziedzinie, określać stan piśmiennictwa, stan innowacyjności,

identyfikować kluczowe obszary badań, stopień ich zaawansowania. Specjalną uwagę powinna

skupiać na poszukiwaniu tego, co w danej dziedzinie najnowsze, najbardziej przodujące.

Tradycyjnie, ocena poziomu i znaczenia dorobku naukowego wyrażana jest w sposób

jakościowy i opiera się na opisowych opiniach specjalistów. Budzi to często wiele zastrzeżeń

odnośnie subiektywizmu i braku jasnych zasad oceny. Równolegle, rozwijają się ilościowe

metody oceny działalności naukowej oparte na wskaźnikach liczbowych zdefiniowanych

przez oceniającego. Również one podlegają silnej krytyce.

Najnowsze podejście do oceny poziomu działalności naukowej zakłada zapewnienie

naukowych podstaw wspomagania procesów decyzyjnych w sektorze nauki (ang. science

of science policy, SoSP). Sukces polityki naukowej zależy w dużej mierze od dostępu

do wiarygodnych i dobrze zdefiniowanych danych. Dąży się zatem do opracowania narzędzi

naukowych, które będą wyjaśniały implikacje dające wkład do kształtowania polityki

naukowej, a szczególnie wsparcia procesu decyzyjnego w odniesieniu do alokacji zasobów7.

Nowy interdyscyplinarny obszar badawczy rozwija się w odpowiedzi na pilną potrzebę

opracowywania wielowymiarowych analiz, bardziej informacyjnych modeli implikacyjnych,

5 A. Muscio, D. Quaglione, G. Vallanti, Does government funding complement or substitute private research

funding to universities?, “Research Policy” 2013, t. 42, s. 64. 6 I. Feller, A policy-shaped research agenda, [w:] The new economics of technology policy, D. Foray (red.),

Edward Elgar, Cheltenham-Northampton 2009, s. 101-102. 7 C. Antonelli, C. Franzoni, A. Geuna, The contributions of economics to a science of science policy,

[w:] Science and innovation policy for the new knowledge economy, M.G. Colombo, L. Grilli, L. Piscitello,

C. Rossi-Lamastra (red.), Edward Elgar, Cheltenham-Northampton 2011, s. 32.

6

pokonujących ograniczenia i słabości wskaźników czy szeregów czasowych jednej zmiennej.

Ukierunkowany jest na opracowywanie modeli wyjaśniających, niezbędnych do zrozumienia

współzależności między różnymi wielkościami mierzalnymi, które będą również wyjaśniały

przyczyny, skutki i implikacje polityki naukowej8.

Dlatego istnieje potrzeba lepszego zrozumienia instytucjonalnych i organizacyjnych

uwarunkowań rozwoju nauki dla poprawy efektywności systemu badań9. Wsparcie

analityczne decyzji politycznych powinno koncentrować się na konkretnych kwestiach

poprzez dążenie do syntezy i integrowania wiedzy uzyskanej na temat różnych elementów

systemu nauki, a szczególnie jednostek naukowych. W zakresie narzędzi analizy istnieje

potrzeba, aby wyjść poza skonsolidowany zestaw technik bibliometrycznych na rzecz

pomiaru produktywności10

.

Produktywność nauki powinna zatem stanowić centralny element dyskusji na temat

działalności jednostek naukowych. Pomiar produktywności dostarcza pełniejszej analizy

i oceny niż tradycyjnie stosowane wskaźniki11

. Pozwala wielowariantowo analizować

i oceniać rezultaty działalności jednostki naukowej w odniesieniu do efektywności

wykorzystania jej zasobów materialnych i niematerialnych przy uwzględnieniu wpływu

uwarunkowań środowiskowych. Z punktu widzenia zarządzania sektorem publicznym,

analiza produktywności pozwala badać poziom systemu nauki w różnych wymiarach12

.

Punktem wyjścia do prowadzonych rozważań nad pomiarem produktywności nauki

jest założenie, że jednostki naukowe, jako fundament systemów naukowo-badawczych,

wykazują zdolność do przekształcania zasobów w efekty i jest to proces dynamiczny.

To oznacza, że ulega doskonaleniu, poprawianiu i przez odpowiednie instrumenty polityczne

można wpływać na uzyskiwane przez jednostki naukowe wyniki i stymulować odpowiednio

ukierunkowany pożądany rozwój.

W polskim piśmiennictwie do niedawna nie było odniesień do problematyki

produktywności nauki i nadal brak jest systematycznych opracowań na ten temat.

Podejmowana tematyka odnosi się głównie do analiz bibliometrycznych13

. Ponadto,

8 J. Marburger, The science of science and innovation technology, [w:] Science, technology and innovation

indicators in a changing world. Responding to policy needs, OECD, 2007, s. 27-32; C. Antonelli, C. Franzoni,

A. Geuna, dz. cyt., s. 31. 9 S. van den Besselaar, K. Börner, A. Scharnhorst, Science policy and the challenges for modeling science,

[w:] Models of science dynamics, A. Scharnhorst, K. Börner, S. van den Besselaar (red.), Springer 2012, s. 262. 10

C. Antonelli, C. Franzoni, A. Geuna, dz. cyt., s. 33. 11

T. Sullivan, C. Mackie, W.F. Massy, E. Sinha (red.), Improving measurement of productivity in higher

education, The National Academies Press, Washington 2012, s. 2. 12

S. Gates, A. Stone, Understanding Productivity In Higher Education, Prepared for California Education

Roundtable, 1997, s. 5. 13

J. Wolszczak-Derłacz, A. Parteka, Produktywność naukowa wyższych szkół publicznych w Polsce.

Bibliometryczna analiza porównawcza, Ernst&Young, Warszawa 2010; R. Siemienska, Research productivity

in Polish universities and its determinants at the beginning of the 21st century, [w:] Universities as centres

7

zauważyć można pewien chaos metodologiczny w obrębie produktywności, który może

wynikać z nieścisłości stosowanej terminologii. Według wiedzy autorki – brak jest

poglądowych, oryginalnych lub polemicznych publikacji na temat sposobu adaptacji

koncepcji produktywności na potrzeby oceny badań naukowych.

Celem wypełnienia tej luki metodycznej, autorka rozprawy podejmuje problematykę

kształtowania instrumentów zarządzania w sektorze badań naukowych oraz pomiaru

produktywności jednostek naukowych w Polsce, w kontekście oceny parametrycznej

Ministerstwa Nauki i Szkolnictwa Wyższego (MNiSW).

W Polsce większość środków na badania naukowe i prace rozwojowe jest przekazywana

w postaci dotacji podmiotowej z budżetu państwa do prawie tysiąca jednostek prowadzących

programy badawcze i prace rozwojowe. Mimo rozdrobnionej struktury podmiotowej nauki

polskiej, nie istnieje żaden mechanizm koordynacji finansowania i oceny efektywności

nakładów. Przesłanki metodyczne oceny parametrycznej wskazują na możliwość

udoskonalenia systemu oceny jednostek naukowych przez adaptację koncepcji

produktywności jednostek naukowych i wykorzystanie do jej pomiaru metod naukowych.

Zasadniczy problem badawczy niniejszej rozprawy zawiera się w analizie możliwości

wykorzystania koncepcji produktywności do wartościowania i porównywania dorobku

jednostek naukowych oraz zastosowanie tej koncepcji w zarządzaniu organizacją

i finansowaniem badań naukowych.

Zakładane cele rozprawy umieszczono w trzech obszarach: poznawczym,

metodycznym i utylitarnym.

Cele poznawcze rozprawy to:

dyskusja nad porównywaniem i wartościowaniem dorobku instytucji naukowych;

analiza i ocena istniejących modeli systematycznej oceny jednostek naukowych;

krytyczna analiza metodyki oceny parametrycznej stosowanej przez MNiSW.

Celem metodycznym jest opracowanie metodyki oceny działalności jednostek

naukowych opartej na koncepcji produktywności z wykorzystaniem metody Data

Envelopment Analysis (DEA).

Celem utylitarnym jest zaprojektowanie modyfikacji procedury oceny parametrycznej

jednostek naukowych stosowanej przez MNiSW.

of research and knowledge creation: an endangered species, H. Vessuri, U. Teichler (red.), Sense Publishers,

Rotterdam/Taipei, 2008, s. 161-178.

8

Przeprowadzone studia literaturowe i badania rozpoznawcze pozwoliły sformułować

następujące hipotezy badawcze będące przedmiotem weryfikacji teoretycznej i empirycznej

w rozprawie:

1. Analiza produktywności jednostek naukowych daje możliwość oceny wykorzystania

ich zasobów materialnych i niematerialnych.

2. Zastosowanie metody DEA zwiększa obiektywność ewaluacji działalności naukowej

przez możliwość zaakcentowania indywidualnych charakterystyk poszczególnych

ocenianych jednostek oraz uwzględnienia ich uwarunkowań środowiskowych.

3. Ocena parametryczna MNiSW wykazuje w jej dotychczasowym kształcie wiele słabości

i istnieje konieczność jej dalszego doskonalenia merytorycznego i formalnego.

4. Ocena produktywności działalności naukowej może być podstawą do kształtowania

instrumentów zarządzania organizacją i finansowaniem badań naukowych.

Konfirmacja powyższych hipotez wskaże na możliwości wykorzystania wyników

badań przeprowadzonych w rozprawie do rozwoju metodyki pomiaru i analizy porównawczej

produktywności jednostek naukowych oraz rozszerzy ewaluację o możliwość oceny

efektywności gospodarowania zasobami. W szczególności, przedstawione w rozprawie

koncepcje i propozycje mogą przyczynić się do doskonalenia polityki naukowej.

W celu konfirmacji hipotez rozprawy zaprojektowano i zrealizowano logiczny ciąg

następujących po sobie zadań badawczych:

prace studialne z zakresu zarządzania sektorem nauki, kreowania polityki naukowej,

ewaluacji instytucjonalnej jednostek naukowych;

prace studialne z zakresu systemów oceny i finansowania jednostek naukowych;

krytyczna analiza metodyki oceny parametrycznej MNiSW;

adaptacja koncepcji produktywności do analizy jednostek naukowych oraz przegląd metod

jej pomiaru;

prace studialne z zakresu metody DEA i jej zastosowania do oceny działalności naukowej

w kraju i na świecie;

identyfikacja i analiza nakładów i efektów jednostek naukowych;

wielowymiarowa analiza statystyczna pozyskanych zbiorów danych;

analizy symulacyjne przy opracowaniu metodyki oceny produktywności jednostek

naukowych;

testowanie modeli DEA, badanie ich stabilności oraz wrażliwości na błędy i braki

danych;

9

ocena i analiza porównawcza produktywności jednostek naukowych w Polsce

oraz dyskusja wyników;

wypracowanie propozycji metodycznych oceny działalności jednostek naukowych opartej

na koncepcji produktywności z wykorzystaniem metody DEA;

zaprojektowanie modyfikacji procedury oceny parametrycznej jednostek naukowych

stosowanej przez MNiSW.

W procesie badawczym wiodącym do osiągnięcia celów pracy oraz konfirmacji

postawionych w niej hipotez zostaną wykorzystane następujące metody badawcze: metoda

analizy i krytyki piśmiennictwa, metoda analizy i konstrukcji logicznej, metody statystyczne

oraz metody symulacyjne. Dobór metod badawczych został podyktowany problematyką

i przedmiotem badań oraz zakresem rozprawy, a także możliwościami pozyskania

i przetworzenia informacji.

Niezbędne obliczenia i analizy statystyczne zostaną wykonane z wykorzystaniem

pakietu statystycznego STATISTICA, arkusza kalkulacyjnego MS Excel, oprogramowania

realizującego algorytmy metody DEA Frontier Analyst 4.0, oprogramowania pomocniczego

do wizualizacji grafów Gephi oraz wizualizacji informacji przestrzennej GIS Quantum.

Praca doktorska składa się z siedmiu rozdziałów.

W rozdziale pierwszym podjęto problematykę zarządzania w sektorze badań

naukowych. Omówiono znaczenie jednostek naukowych w sektorze nauki oraz ich udziału

w kreowaniu wiedzy i kształtowaniu konkurencyjności gospodarki narodowej.

Zaprezentowano modele mechanizmów kreowania polityki naukowej i instrumenty

usprawniania polityki naukowej. Przedstawiono także implikacje polityki naukowej na rozwój

sektora naukowego i rozwój jednostek naukowych. Zwrócono uwagę na konieczność

uważnego podejścia do oceny działalności jednostek naukowych, w szczególności, gdy ta jest

podstawą alokacji środków finansowych. W rozdziale wykorzystano metodę analizy i krytyki

piśmiennictwa.

W rozdziale drugim przeprowadzono dyskusję dotyczącą pojęcia produktywności,

przedstawiono jego definicję, denotację oraz ewolucję. Wskazano luki i nieścisłości

występujące w tym zakresie w literaturze. Szczególną uwagę zwrócono na pojęcia, z którymi

produktywność jest mylnie utożsamiana. Wyjaśniono istotę produktywności nauki

i przeanalizowano czynniki determinujące wzrost produktywności jednostek naukowych.

Następnie, dokonano przeglądu metod pomiaru produktywności nauki w podziale na trzy

grupy metod: wskaźnikowe, parametryczne i nieparametryczne. Wskazano charakterystyki

wybranych metod oraz uwarunkowania, przesłanki i przykłady ich stosowania. Autorka

10

wskazuje użyteczność zastosowania nieparametrycznej metody DEA do pomiaru, oceny

i analizy produktywności naukowej. Uzasadnia wybór tej metody do dalszej analizy.

W rozdziale wykorzystano metodę analizy i krytyki piśmiennictwa oraz metodę analizy

i konstrukcji logicznej.

W rozdziale trzecim przeanalizowano uwarunkowania systemów naukowych

w Europie w kontekście organizacyjnym, prawnym i ekonomicznym. Dokonano przeglądu

i analizy narodowych systemów oceny jednostek naukowych krajów europejskich

i pozaeuropejskich w celu identyfikacji dobrych praktyk. W rozdziale wykorzystano metodę

analizy i krytyki piśmiennictwa oraz metodę analizy i konstrukcji logicznej.

W rozdziale czwartym dokonano analizy polskiego systemu badań naukowych

w zakresie poziomu i struktury finansowania oraz struktury instytucjonalnej. Przedstawiono

założenia i rozwój systemu instytucjonalnej oceny jednostek naukowych w Polsce opartym

na podejściu parametrycznym. Wyjaśniono kryteria i metodykę oceny parametrycznej

w poszczególnych latach. Dokonano krytycznej analizy oceny parametrycznej pod względem

metodycznym, proceduralnym i organizacyjnym, uwzględniając dyskusje i postulaty

środowiska naukowego. Przeprowadzono analizy statystyczne w celu zbadania zasadności

przyjętych procedur. Na tej podstawie zdiagnozowano słabości oceny parametrycznej

i wskazano przesłanki jej dalszego doskonalenia merytorycznego i formalnego. W rozdziale

wykorzystano metodę analizy i krytyki piśmiennictwa, metodę analizy i konstrukcji logicznej

oraz metody statystyczne.

Celem rozdziału piątego była prezentacja metody Data Envelopment Analysis. Cechy

metody DEA przemawiają za możliwością jej zastosowania do pomiaru i oceny

produktywności jednostek naukowych. W rozdziale zaprezentowano podstawowe założenia

metody, wskazano procedurę jej zastosowania oraz dokonano przeglądu modeli ogólnych.

Przedstawiono typologię zmiennych, wyjaśniając ich wzajemne relacje i znaczenie oraz

procedurę i wytyczne doboru zmiennych. Zestawiono dotychczasowe obszary i przypadki

zastosowania metody DEA w Polsce oraz przykłady jej zastosowań w ocenie działalności

naukowej w Polsce i na świecie. W rozdziale wykorzystano metodę analizy i krytyki

piśmiennictwa oraz metodę analizy i konstrukcji logicznej.

W rozdziale szóstym omówiono metodykę przeprowadzonych badań empirycznych.

Dokonano analizy merytorycznej i statystycznej w celu rozpoznania struktury pozyskanych

zbiorów danych dotyczących działalności publicznych jednostek naukowych w Polsce.

Na podstawie studiów literaturowych oraz przeprowadzonych badań opracowano zestaw

zmiennych charakteryzujących działalność naukową jednostek naukowych. Następnie,

11

dokonano klasyfikacji jednostek naukowych w grupy jednorodne z zastosowaniem metod

statystycznych i omówiono proces doboru szczegółowego modelu DEA. Zaprezentowano

model, dokonano pomiaru poziomu produktywności jednostek naukowych w Polsce i analizy

wpływu czynników środowiskowych, będących poza kontrolą jednostek naukowych,

a mających wpływ na uzyskiwane przez nie rezultaty naukowe. Zaprezentowano również

wyniki przeprowadzonych testów odporności i stabilności opracowanego modelu na błędy

i perturbacje danych. W rozdziale wykorzystano metodę analizy i krytyki piśmiennictwa,

metodę analizy i konstrukcji logicznej, metody statystyczne oraz metody symulacyjne.

W rozdziale siódmym dokonano oceny i porównania produktywności jednostek

naukowych oraz wskazano możliwości interpretacyjne opracowanego modelu. Opracowano

proces systematycznej oceny produktywności z zastosowaniem metody DEA oraz wskazano

rekomendacje stosowania opracowanego modelu do oceny jednostek naukowych w Polsce.

Tematyka rozprawy doktorskiej jest spójna z inicjatywami podejmowanymi obecnie

w kraju i na świecie. Zdaniem autorki, w Polsce podjęty temat ma charakter innowacyjny,

a jego opracowanie będzie miało praktyczne zastosowanie. Zaprezentowana metoda stwarza

organom administracji nowe możliwości pozyskania dodatkowych przesłanek w procesie

zarządzania jednostkami naukowymi, efektywnym dystrybuowaniu i gospodarowaniu

ograniczonymi zasobami.

12

ROZDZIAŁ 1.

ASPEKTY ZARZĄDZANIA W SEKTORZE BADAŃ NAUKOWYCH

1.1. Rola jednostek naukowych w gospodarce opartej na wiedzy

Jednym z najważniejszych czynników determinujących wzrost gospodarczy

i społeczny kraju jest poziom i rozwój badań naukowych oraz wykorzystanie ich wyników

jako siły modernizacyjnej kraju, zgodnie z koncepcją gospodarki opartej na wiedzy1.

Od strony teoretycznej gospodarka oparta na wiedzy jest zjawiskiem nowym. Rozwój

wiedzy następował jednak wraz z kolejnymi fazami rozwoju ludzkości. Śledząc historię

gospodarczą można zauważyć, że wiedza zawsze pełniła istotną rolę. Wielcy odkrywcy

i wynalazcy przyczyniali się do kształtowania fundamentów rozwoju gospodarczego

i społecznego od fazy preagrarnej po postindustrialną2. Chociaż poprzednie systemy

gospodarcze korzystały z wiedzy determinującej postęp techniczny, to rola kapitału wiedzy

stała się dominująca dopiero na przełomie XX i XXI wieku3. Wiedza stała się towarem jako

źródło innowacji i transformacji, a rola specjalistów i naukowców znacznie wzrosła4.

Przyczyniło się to do powstania nowej teorii – endogenicznego wzrostu gospodarczego

i wielu poważnych badań na ten temat.

Według tej teorii, wiedza stanowi zmienną endogeniczną i, w odróżnieniu

od neoklasycznego podejścia, zakłada występowanie odrębnego sektora działalności

badawczo-rozwojowej. Za prekursora tego podejścia uważa się P.M. Romera (1986), który

uważał, że siłą napędową wzrostu gospodarczego i społecznego są nakłady na badania

i rozwój podnoszące poziom nauki i wiedzy5. Z czasem pogląd ten został rozwinięty i nacisk

został położony na praktyczne wykorzystanie wyników nauki, kształtujące dążenie

do innowacji6.

1 D.A. King, The scientific impact of nations, ”Nature” 2004, t. 430, s. 311-316; K. Piech, Wiedza i innowacje

w rozwoju gospodarczym: w kierunku obmiaru i współczesnej roli państwa, Instytut Wiedzy i Innowacji,

Warszawa 2009, s. 214-220. 2 D. Makulska, Kluczowe czynniki rozwoju w gospodarcze opartej na wiedzy, [w:] Pomiędzy polityką stabilizacyjną

i polityką rozwoju, J. Stacewicz (red.), Prace i Materiały Instytutu Rozwoju Gospodarczego SGH, IRG SGH,

Warszawa 2012, s. 171-174; K. Piech, dz. cyt., s. 2-133. 3 W. Welfe, Przesłanki modelowania gospodarki opartej na wiedzy, [w:] Gospodarka oparta na wiedzy,

W. Welfe (red.), Polskie Wydawnictwo Ekonomiczne, Warszawa 2007, s. 9. 4 P. Drucker, The coming of the new organization, ”Harvard Business Review” 1988, January-February, s. 3-11.

5 D. Romer, Makroekonomia dla zaawansowanych, Państwowe Wydawnictwo Naukowe, Warszawa 2000,

s. 117-145. 6 J.V.G. Manjón, E.R. Merino, Innovation systems and policy design: the European experience, “Innovation:

Management, Policy & Practise” 2012, t. 14 (1), s. 34-38.

13

Jednostki naukowe są podstawowym podmiotem sektora naukowego i głównym

elementem stymulowania rozwoju badań naukowych i innowacji w gospodarkach7. Jednostki

naukowe są rozumiane jako samodzielne jednostki prowadzące badania naukowe i prace

badawczo-rozwojowe. Początkowo były odrębne od ośrodków akademickich i przyjmowały

różne formy organizacyjne. Były to różnego rodzaju obserwatoria, towarzystwa naukowe

i instytucje powoływane do prac na rzecz przemysłu8. Przełomowy rozwój jednostek

naukowych nastąpił w wieku XX (rysunek 1.1).

Rysunek 1.1. Liczba publicznych jednostek naukowych zarejestrowanych w bazie Eurolabs

Źródło: L. Georghiou, D. Cox, M.P. Keenan, K. Flanagan, K.E. Barker, A comparative analysis of public, semi-

public and recently privatised research centres, project report, European Commission Publication, Brussels

2002, s. 11.

Wzrost liczby jednostek naukowych następował okresowo. Do roku 1945

powoływano je głównie w strategicznych dziedzinach naukowych bądź na potrzeby

przemysłu, przede wszystkim mineralnego, rolnictwa, ochrony zdrowia i wojskowości.

Po II wojnie światowej liczba i różnorodność jednostek ustanowionych dla zastosowań

cywilnych i wojskowych znacząco zwiększyła się we wszystkich sektorach gospodarki,

zarówno w sferze gospodarczej, jak i społecznej9. Rozwój następował do lat sześćdziesiątych,

a następnie zmniejszył się w latach siedemdziesiątych. W latach osiemdziesiątych rola

jednostek naukowych w zakresie ich wkładu do innowacji i rozwoju technologicznego krajów

stała się przedmiotem wielu dyskusji. Było to związane z potrzebą budowania przestrzeni

badawczej na potrzeby sektora biznesowego. Zaczęto dostrzegać rosnącą pozycję ośrodków

7 A. Olechnicka, Potencjał nauki a innowacyjność regionów, Centrum Europejskich Studiów Regionalnych

i Lokalnych UW, Wydawnictwo Naukowe Scholar, Warszawa 2012, s. 38-39; M. Daszkiewicz, Jednostki

badawczo-rozwojowe jako źródło innowacyjności w gospodarce i pomoc dla małych i średnich

przedsiębiorstw, Polska Agencja Rozwoju Przedsiębiorczości, Warszawa 2008, s. 26; Z.E. Roskal, Zwrotne

punkty w rozwoju nauki i techniki (technologii), [w:] Zarządzanie badaniami naukowymi i pracami

rozwojowymi w jednostkach naukowych, P. Kawalec, S. Majdański (red.), Wydawnictwo Lubelskiej Szkoły

Biznesu, Lublin 2008, s. 25-33. 7 OECD, Public research institutions: mapping sector trends, OECD Publishing, 2011, s. 19.

8 M. Daszkiewicz, dz. cyt., s. 26.

9 OECD, dz. cyt., s. 19.

0

20

40

60

80

100

120

140

przed

1840

1840 1850 1870 1880 1890 1900 1910 1920 1930 1940 1950 1960 1970 1980 1990

[lic

zba

jedno

stek

nau

kow

ych]

[rok]

14

akademickich10

. Dotychczas uniwersytety prowadziły badania zgodnie ideą uniwersytetu

humboltdowskiego, którego naczelną zasadą była autonomia badań naukowych. Zmiany

gospodarcze skutkowały przekształceniem uniwersytetów w typ otwarty na otoczenie11

.

Współczesne uniwersytety nadal gwarantują wolność akademicką i niezależność nauk, ale

wchodzą w bezpośrednie interakcje z otoczeniem i ich rola stała się dominująca w strukturze

jednostek naukowych12

.

W literaturze wyodrębnia się trzy główne typy podmiotów naukowych: instytuty

naukowo-badawcze, laboratoria rządowe i organizacje badawczo-technologiczne13

.

W poszczególnych krajach europejskich klasyfikacja jednostek naukowych uwarunkowana

jest formą organizacyjną, rodzajem prowadzonych badań i poziomem współpracy

z przemysłem14

. W Polsce, w rozumieniu ustawy o zasadach finansowania nauki15

, grupę

jednostek naukowych tworzą instytucje prowadzące w sposób ciągły badania naukowe

lub prace rozwojowe. Zalicza się do nich:

podstawowe jednostki organizacyjne uczelni w rozumieniu statutów tych uczelni;

jednostki naukowe Polskiej Akademii Nauk;

instytuty badawcze, czyli państwowe jednostki organizacyjne wyodrębnione pod

względem prawnym, organizacyjnym i ekonomiczno-finansowym, tworzone w celu

prowadzenia badań naukowych i prac rozwojowych (między innymi dawne jednostki

badawczo-rozwojowe JBR)16

;

międzynarodowe instytuty naukowe utworzone na podstawie odrębnych przepisów,

działające na terytorium Rzeczypospolitej Polskiej;

Polską Akademię Umiejętności;

inne jednostki organizacyjne posiadające status centrum badawczo-rozwojowego17

.

10

OECD, dz. cyt., s. 19; Z.E. Roskal, dz. cyt., s. 25-33. 11

A. Olechnicka, dz. cyt., s. 23-24. 12

C. Mailhot, V. Schaeffer, Universities specificities and the emergence of a global model, [w:] Innovation

Policy in a knowledge-based economy. Theory and practice, P. Llerena, M. Matt (red.), Springer, Berlin,

Heidelberg, New York 2005, s. 343. 13

E. Arnold, K. Barker, A. Slipersæter, Research institutes in the ERA, Technolopolis, Brighton 2010, s. 11,

http://ec.europa.eu/research/era/docs/en/research-institutes-in-the-era.pdf [12.07.2012]. 14

OECD, dz. cyt., s. 58-60. 15

ustawa z dnia 30 kwietnia 2010 r. o zasadach finansowania nauki, Dz. U. z 2010 r. nr 96 poz. 615, art. 2, pkt. 9. 16

Od 1 października 2010 roku jednostki badawczo-rozwojowe działające na podstawie ustawy z dnia 25 lipca

1985 r. o jednostkach badawczo-rozwojowych, które uzyskały kategorię 1, 2, 3, 4 lub 5 na podstawie

przepisów ustawa z dnia 8 października 2004 r. o zasadach finansowania nauki, stały się instytutami

badawczymi w rozumieniu ustawa z dnia 30 kwietnia 2010 r. o instytutach badawczych [ustawa z dnia

30 kwietnia 2010 r. o instytutach badawczych Dz. U. z 2010 r. nr 96, poz. 618; ustawa z dnia 30 kwietnia 2010 r.

Przepisy wprowadzające ustawy reformujące system nauki, Dz. U. z 2010 r. nr 96, poz. 620]. 17

nadawany na podstawie ustawa z dnia 30 maja 2008 r. o niektórych formach wspierania działalności

innowacyjnej, Dz. U. z 2008 r. nr 116 poz. 730.

http://pl.wikipedia.org/wiki/Polska_Akademia_Nauk

http://pl.wikipedia.org/wiki/Polska_Akademia_Umiej%C4%99tno%C5%9Bci

15

W jednostkach naukowych skoncentrowane są najważniejsze zasoby potencjału

naukowego krajów18

. Kapitał ludzki i infrastruktura badawcza mają zapewnić realizację

zasadniczych celów odnoszonych do działalności naukowo-badawczej, którymi są19

:

badania naukowe zmierzające do zwiększenia wiedzy pozyskanej za pomocą metod

naukowych;

przekazywanie wiedzy innym;

przystosowanie wiedzy do wdrażania jej w praktyce.

Najważniejszą rolą jednostek naukowych jest produkcja nowej wiedzy, zarówno tej,

która podlega łatwej aplikacji (badania stosowane i przemysłowe, prace rozwojowe)

i potencjalnie może przynieść wymierne efekty w krótszym okresie, jak i tej pozostającej

w sferze teorii, której działanie ma charakter długookresowy (badania podstawowe)20

.

Współczesne podejście do roli jednostek naukowych zakłada, że jednostki naukowe

mają odpowiadać nie tylko na zapotrzebowanie na wiedzę, lecz przede wszystkim kreować

innowacyjność na podstawie własnego potencjału. Orientacja na innowacyjność kształtuje

podstawy dla dwóch dominujących podejść, które syntetyzują rolę jednostek naukowych

we współczesnej gospodarce, mianowicie modelu trójkąta wiedzy21

i modelu potrójnej helisy22

.

W modelu trójkąta wiedzy (rysunek 1.2) ujęte zostały kwestie tworzenia wiedzy,

jej upowszechniania i wdrażania w postaci innowacji oraz wyjaśnienie procesu holistycznego

przepływu wiedzy. Wymiana wiedzy w modelu odbywa się w obu kierunkach, podkreślając

sprzężenia zwrotne w procesie tworzenia innowacji. Jeden z pierwszych modeli innowacji

zakładał, że proces ten przebiega liniowo, rozpoczyna się od badań, następnie przechodzi etap

rozwoju, co z kolei prowadzi do produkcji i komercjalizacji23

. Słabości tego podejścia

wynikały ze zrozumienia, iż innowacyjność jest procesem dynamicznym i wykracza poza

schemat liniowych przepływów i procesów. Proces innowacyjny jest iteracyjny i dąży

do optymalizacji na każdym etapie (model nieliniowy)24

.

18

E. Kobal, Elements of national science and technology policy, [w:] Modernisation of science policy

and management approaches in Central and South East Europe, E. Kobal, S. Radosevic (red.), Series V.

Science and Technology Policy, IOS Press, Amsterdam, Berlin, Oxford, Tokyo, Washington 2005, s. 15. 19

J. Zieliński, O organizacji badań naukowych, Polskie Wydawnictwo Ekonomiczne, Warszawa 1975, s. 43-44. 20

A. Olechnicka, dz. cyt., s. 35-36. 21

K. Piech, dz. cyt., s. 205. 22

H. Etzkowitz, L. Leydesdorff, The dynamics of innovation: from National Systems and „Mode 2‟ to a Triple

Helix of university-industry-government relations, “Research Policy” 2000, t. 29, s. 109-123. 23

K. Piech, dz. cyt., s. 203-204. 24

M.C.J. Caniëls, H. van den Bosh, The role of higher education institution in building regional innovation

systems, “Papers in Regional Science” 2011, t. 90, nr 2, s. 273; J. Rigby, Y. Nugroho, K. Morrison, I. Miles, Who

drives innovation? [w:] Innovation Policy Challenges for the 21st century, D. Cox, J. Rigby (red.), Routledge

Studies in Innovation, Organization and Technology Series, Taylor & Francis, New York, London 2013, s. 38.

16

Rysunek 1.2. Koncepcja trójkąta wiedzy

Źródło: opracowanie własne na podstawie: K. Piech, Wiedza i innowacje w rozwoju gospodarczym w kierunku

pomiaru i współczesnej roli państwa, Instytut Wiedzy i Innowacji, Warszawa 2009, s. 204; S.S.C. Shang, S. Lin,

Y. Wu, Service innovation through dynamic knowledge management, ”Industrial Management & Data Systems”

2009, t. 109, nr 3, s. 325-327.

Nadrzędnym elementem w trójkącie wiedzy jest nauka reprezentowana przez jednostki

naukowe. Jakość ich działań gwarantuje prawidłową równowagę i zespolenie pozostałych

elementów trójkąta. W obszarze nauki następuje tworzenie oraz identyfikacja źródeł

i potencjału wiedzy. Autorka pracy uważa, że obszar ten ma znaczenie strategiczne

dla postępu innowacji. W modelowym ujęciu aktywacja wiedzy następuje przez zastosowanie

wiedzy w praktyce w procesach biznesowych, stąd obszar operatywny. W rezultacie, nauka

przyczynia się do generowania innowacji. K. Piech podkreśla, że warunkiem powstania

innowacji jest wdrożenie wyników badań przez sektor biznesowy. Tworzenie innowacji

bez rozwoju wiedzy może spowodować spowolnienie postępu technologicznego

i cywilizacyjnego, jeśli kolejne innowacje bazowałyby tylko na danym stanie wiedzy i innych

innowacjach25

. Prowadziłoby to głównie do rozwoju innowacji przyrostowych. Podejście

to propagowane było przez J. Schmooklera w koncepcji popytowego tworzenia innowacji

(ang. market-pull). Podejście podażowe (ang. technology-push), sformułowane przez

J. Schumpetera, sprzyja z kolei rozwojowi innowacji przełomowych26

. Właściwa relacja

zachodzi, gdy rozwój wiedzy umożliwia tworzenie innowacji, a te stają się też źródłem nowej

wiedzy27

. Współczesne podejście do tej problematyki kształtuje się na bazie narodowych

systemów innowacji28

. Składają się one ze struktur instytucjonalnych oraz powiązań między

25

K. Piech, dz. cyt., s. 204-205. 26

J. Rigby, Y. Nugroho, K. Morrison, I. Miles, dz. cyt., s. 38-40. 27

K. Piech, dz. cyt., s. 204-205. 28

J.V.G. Manjón, E.R. Merino, dz. cyt., s. 34.

obszar normatywny obszar operatywny

obszar

strategiczny

NAUKA

identyfikacja wiedzy

tworzenie wiedzy

INNOWACJE

synteza wiedzy

wdrożenie wiedzy

EDUKACJA

dyfuzja wiedzy

transfer wiedzy

17

publicznym i prywatnym sektorem badawczym a przedsiębiorstwami wykorzystującymi

wyniki badań w praktyce.

Obszar edukacji w trójkącie wiedzy jest reprezentowany przez zjawisko dyfuzji

i transferu wiedzy, i – zdaniem autorki – ma charakter normatywny. Jest to przeciwieństwo

heterogeniczności wiedzy29

. Dyfuzja wiedzy rozumiana jest jako rozprzestrzenianie się

wiedzy, technologii, artefaktów między i przez ludzi w ramach i ponad granicami państw,

obejmuje uczenie się, współpracę i adaptację30

. Jednostki naukowe uczestniczą w procesie

dyfuzji wiedzy, między innymi przez:

adaptację i zastosowanie wiedzy skodyfikowanej, udokumentowanej w publikacjach

naukowych i patentach31

;

wdrażanie nowych technik i procesów przekazywania informacji oraz zwiększanie

współpracy32

;

przepływ użytkowych pomysłów między organizacjami przenoszony przez interakcje

społeczne ludzi33

.

Z kolei dyfuzja innowacji rozumiana jest jako proces uczenia inicjowany

po wdrożeniu innowacji, w którym biorą udział: producent w kierunku doskonalenia

innowacji, potencjalni nabywcy w procesie poznawania innowacji oraz przyszli naśladowcy,

rozpoznając najważniejsze cechy innowacji i sposoby wytwarzania34

. Upowszechniana

wiedza daje możliwość porównań, konfrontacji z innymi propozycjami, rozwijania

pomysłów. Może sprzyjać uczeniu się oraz podnoszeniu poziomu wiedzy, zarówno przez

pojedyncze podmioty, jak również struktury gospodarcze35

.

Warunkiem prawidłowego funkcjonowania trójkąta wiedzy jest współgranie trzech

sektorów: nauki, przemysłu i władzy publicznej, zgodnie z koncepcją potrójnej helisy

(ang. triple helix) ogłoszonej przez H. Etzkovitza i L. Leydesdorffa36

(rysunek 1.3).

29

D. Romer, dz. cyt., s. 133-134. 30

V.V. Krishna, T. Turpin, Transition and change: innovation systems in Asia-Pacific economies, [w:] Science,

technology policy and the diffusion of knowledge, T. Turpin, V.V. Krishna (red.), Edward Elgar Publishing,

Inc., Cheltenham, Massachusetts 2007, s. 16. 31

C. Chen, D. Hicks, Tracing knowledge diffusion, “Scientometrics” 2004, t. 59, nr 2, s. 199-211. 32

D. Makulska, dz. cyt., s. 190. 33

A.N. Thompson, C.A. Estabrooks, L.F. Degner, Clarifying the concepts in knowledge transfer: a literature

review, “Journal of Advanced Nursing” 2006, t. 53, nr 6, s. 692. 34

E.M. Rogers, Diffusion of innovation, Collier Macmillan Publishers, New York, London 2003, s. 5. 35

D.W. Wojick, W.L. Warnick, B.C. Carroll, J. Crowe, The digital road to scientific knowledge diffusion,

“D-Lib Magazine” 2006, t. 12, nr 6. 36

H. Etzkowitz, L. Leydesdorff, dz. cyt., s. 109-123.

18

Rysunek 1.3. Model potrójnej helisy (ang. triple helix)

Źródło: H. Etzkowitz, L. Leydesdorff, The dynamics of innovation: from National Systems and „Mode 2‟

to a Triple Helix of university-industry-government relations, “Research Policy” 2000, t. 29, s. 111.

Wiodącą rolę odgrywają jednostki naukowe37

. Skuteczność działań jednostek

naukowych zależy od powiązań z pozostałymi elementami helisy. Badacze H. Etzkovitz

i L. Leydesdorff wyrażają pogląd, że powiązania, w ramach struktur sieciowych, sprzyjają

realizacji praktycznych oraz teoretycznych działań badawczych. Sieci takie są niezbędne

do wspierania konkurencyjności, przyczyniają się do dzielenia się wiedzą praktyczną,

a także umożliwiają dostęp do aktualnych wydarzeń. W sieci zachodzi efekt synergii – wiedza

jest skutecznie wdrażana, kreowane są wspólnie innowacje i nowe osiągnięcia, następuje

wymiana wiedzy, doświadczeń i wsparcia38

.

Model potrójnej helisy, podobnie do modelu trójkąta wiedzy, propaguje nieliniowe

podejście do innowacji, w którym zachodzą interakcje pomiędzy jednostkami naukowymi,

przedsiębiorstwami i organami administracji rządowej jako kluczowymi interesariuszami

innowacyjności, i wszystkie te podmioty odnoszą korzyści w ramach tych powiązań39

. Teoria

ta wskazuje, że formalne i nieformalne relacje pomiędzy sektorem publicznym

i komercyjnym wpływają na kształt i poziom wzrostu gospodarczego na danym obszarze.

Kluczowym podejściem w tym kierunku badań jest perspektywa, że relacje te są hybrydowe,

cykliczne i krzyżowe40

. Wzajemne oddziaływanie organizuje sektor naukowy.

Na gruncie potrójnej helisy zostały ukształtowane narodowe i regionalne systemy

innowacji. Dyskusja na ten temat stanowi istotny element wielu koncepcji teoretycznych.

37

H. Etzkovitz, M. Ranga, “Spaces”: A triple helix governance strategy for regional innovation, [w:] Innovation

governance in an open economy, A. Rickne, S. Laestadius, H. Etzkovitz (red.), Routledge, Abington, New

York 2012, s. 51. 38

M. Mader i in., Monitoring networking between higher education institutions and regional actors, “Journal of

Cleaner Production” 2013, t. 49, s. 106. 39

M.C.J. Caniëls, H. van den Bosh, dz. cyt., s. 274. 40

Tamże.

NAUKA

RZĄD PRZEMYSŁ

19

Nawiązując do regionalnych systemów innowacji można zauważyć, że istotne role

jednostek naukowych przejawiają się w rozwoju regionów. Najbardziej wyraźny wpływ

widoczny jest w regionalnych systemach innowacji, które nawiązują do krajowego systemu

innowacji i uwzględniają dynamikę relacji regionalnych i połączeń lokalnych.

Zrównoważony rozwój regionu wymaga zapewnienia współpracy i możliwości

integracji różnych dyscyplin naukowych i ludzi z różnych środowisk w celu rozwiązywania

złożonych problemów społecznych. Znaczenie instytucji naukowych w kształtowaniu

procesów innowacyjnych w rozwoju regionalnym podkreśla fakt, że innowacyjność jest silnie

uzależniona od informacji i wiedzy. Czynniki te są wskazywane jako krytyczne sukcesu

w nowych modelach rozwoju regionalnego41

. Dla rozwoju regionalnego jest pożądana

współpraca wielu interesariuszy, ponieważ silne partnerstwo jest niezbędne do identyfikacji

potrzeb badawczych w obrębie społeczeństwa i regionu. Udział jednostek naukowych

w rozwoju regionu odbywa się na trzech płaszczyznach42

:

1. Produkcji wiedzy – odnosi się do badań zleconych i projektów doradczych na rzecz

przemysłu i decydentów politycznych. Projekty w tej kategorii zazwyczaj odnoszą się

do oryginalnych badań naukowych. Ze względu na fakt, że jednostki naukowe

są zróżnicowane dziedzinowo, mogą zapewnić wiedzę potrzebną do rozwiązania

szczególnych problemów regionalnych.

2. Edukacji – budowanie relacji pomiędzy uczelniami a przemysłem w zakresie szkoleń,

staży, czasowej wymiany pracowników, dostosowywania programu nauczania nowych

kadr, tworzenie nowej wiedzy akademickiej. Ponadto, podmioty regionalne wnoszą

do nauki swoją wiedzę i praktyczne doświadczenie.

3. Aktywnej współpracy z podmiotami publicznymi i prywatnymi – pochodzą z formalnego

i nieformalnego uczestniczenia jednostek naukowych jako podmiotu instytucjonalnego

w relacji z innymi regionalnymi podmiotami w sieciach naukowych, innowacyjnych

i politycznych. Ważniejszym praktycznym przykładem jest powoływanie jednostek typu

spin-off lub start-up.

Przez te działania jednostki naukowe występują w roli inicjatora rozwoju regionalnego

w zakresie naukowym, gospodarczym i społecznym. Jednostki naukowe kształtują tożsamość

regionów, w których się znajdują. Udział jednostek naukowych w rozwoju regionalnym jest

widoczny we wskaźnikach rozwoju regionalnego. Zależność między liczbą jednostek

41

M. Mader i in., dz. cyt., s. 106. 42

M.C.J. Caniëls, H. van den Bosh, dz. cyt., s. 278-279.

20

naukowych zlokalizowanych w regionie a wskaźnikiem PKB jest wysoka i istotna

(współczynnik korelacji wynosi 0,9243

).

Na podstawie przeglądu literatury i analizy własnej, autorka rozprawy wyraża pogląd,

że jednostki naukowe stanowią niejako spiritus movens rozwoju gospodarczego i społecznego,

zarówno na poziomie krajowym, jak i regionalnym. Są fundamentem systemów naukowo-

badawczych i kształtują główne ośrodki tworzenia i upowszechniania wiedzy. Dodatkowo,

istotnie przyczyniają się do zachowania kontynuacji nauki przez tworzenie i rozwijanie

zespołów badawczych oraz uprawianie i rozwijanie dyscyplin naukowych. Ważne jest zatem

badanie problematyki kształtowania organizacyjnych, instytucjonalnych, procesowych

i finansowych aspektów funkcjonowania jednostek naukowych.

1.2. Mechanizmy i narzędzia kreowania polityki naukowej

Problematyka polityki naukowej i zarządzania w sektorze naukowym jest tematem

często i szeroko dyskutowanym w środowiskach rządowych, naukowych i gospodarczych44

.

Związane jest to ze zrozumieniem znaczenia nauki dla rozwoju gospodarczego

i dynamicznych zmian w tym sektorze spowodowanych presją dostosowywania się

do szybkich przemian gospodarczych i technologicznych na świecie oraz ambiwalentnym

charakterem relacji nauki i polityki45

. Dobrze umotywowana, sformułowana i przygotowana

polityka ma zasadnicze znaczenie dla osiągnięcia publicznej wartości z badań naukowych,

szczególnie, gdy sfera badań i innowacji stale się zmienia i rozwija46

.

Polityka naukowa jest najmłodszą z dziedzin polityki gospodarczej47

. Pojęcie

to pojawiło się wraz z rozwojem naukoznawstwa na początku XX wieku. Do 1960 roku

większość krajów nie prowadziła wyodrębnionej polityki naukowej, do czasu, gdy Organizacja

Współpracy Gospodarczej i Rozwoju (ang. Organization for Economic Co-operation

and Development, OECD) zaczęła zajmować się tą kwestią. Jednymi z pierwszych krajów,

które zaczęły formalizować podstawy polityki naukowej były Belgia, Francja, Holandia,

Niemcy i Wielka Brytania. Inne kraje dość sceptycznie podchodziły do projektowania

i wdrażania krajowego planu w kwestiach naukowych. Obawy wynikały z tego,

43

Opracowanie własne na podstawie danych GUS-u z 2011 roku. 44

B.R. Martin, The evolution of science policy and innovation studies, “Research Policy” 2012, t. 41, s. 1219-1239. 45

O. Kovács, Á. Orosz, Science and technology policy in the European Union – innovation leaders with

different outcomes, “Analele Universităţii Din Oradea” 2011, t. III, 2011, s. 94. 46

Shaping science and technology policy: the next generation of research, D. Guston, D. Sarewitz (red.),

The University of Wisconsin Press, Madison 2006, s. 7. 47

S. Korenik, E. Szostak, Polityka naukowa i innowacyjna, [w:] Polityka gospodarcza, B. Winiarski (red.),

Państwowe Wydawnictwo Naukowe, Warszawa 2006, s. 325.

21

czy scentralizowana jednostka jest w stanie opracować całościowy plan dla już wtedy znacznie

zróżnicowanego sektora, a nawet jeśli tak, to czy będzie on najlepszy w interesie nauki48

.

Współcześnie pojęcie to nie zostało dostatecznie sprecyzowane. Wpływają

na to zmiany w polityce gospodarczej oraz zmiany w samej nauce. Termin polityka naukowa

od pierwotnie ugruntowanej postaci, zmieniał się na przestrzeni lat, przyjmując różne formy

kombinacji nauki, technologii i innowacji49

. W literaturze można wyodrębnić osobne

definicje dla każdego typu, ale J. Kozłowski wszystkie traktuje jako zbiór działań rządu,

podejmowanych na rzecz sektora naukowego publicznego i prywatnego dla osiągnięcia celów

społecznych, gospodarczych i politycznych50

. W zależności od wspieranego obszaru

w trójkącie wiedzy, można podzielić politykę na naukową, technologiczną i innowacyjną51

.

Zdaniem S. Korenika i E. Szostak, polityka naukowa obejmuje zakres polityki innowacyjnej,

która służy szeroko pojętej komercjalizacji badań52

. J. Kozłowski wyraża pogląd, że polityka

innowacyjna powinna zostać zintegrowana z polityką naukową53

.

Najczęściej politykę naukową definiuje się jako publiczną interwencję mającą na celu

takie wpływanie na naukę, które przyczyni się do wzrostu gospodarczego i społecznego

przy efektywnym wykorzystaniu zasobów54

. Traktowana jest jako zestaw decyzji lub działań

realizowanych przez różne siły polityczne, gdzie głównym i ostatecznym celem jest

sprzyjanie, pobudzanie lub niekiedy hamowanie postępu badań, i wykorzystywanie ich

wyników do celów społeczno-ekonomicznych, politycznych, kulturalnych i wojskowych55

.

Innymi słowy, jest to zbiór strategii i instrumentów umożliwiających wspieranie badań

naukowych i technicznych w zakresie produkcji możliwie najbardziej pożądanej wiedzy,

jej zastosowania w rozwiązaniach technologicznych, które mogą jeszcze bardziej przyczynić

się do postępu społeczno-gospodarczego i poprawy jakości życia obywateli. J. Czerniak

uogólnia to podejście do stymulowania procesów zmierzających do tworzenia wiedzy

stanowiącej dobro publiczne56

. W wymiarze praktycznym polityka naukowa sprowadza się

do ustalania priorytetów alokacji zasobów publicznych.

48

L. Henriques, P. Larédo, Policy-making in science policy: The „OECD model‟ unveiled, “Research Policy”

2013, t. 42, s. 802. 49

B.R. Martin, dz. cyt., s. 1219. 50

J. Kozłowski, Foresight jako narzędzie polityki naukowej, „Nauka i Szkolnictwo Wyższe” 2008, t. 2, nr 32, s. 17. 51

Tamże. 52

S. Korenik, E. Szostak, dz. cyt., s. 326. 53

J. Kozłowski, Uwagi o polityce naukowej, „Forum Akademickie”, nr 6, 2005. 54


J.E. Rubio, N. Tshipamba, Elements of the public policy of science, technology and innovation, “Canadian

Social Sciences” 2010, t. 6, nr 6, s. 63. 56

J. Czerniak, Polityka innowacyjna w Polsce. Analiza i proponowane kierunki zmian, Difin, Warszawa 2013,

s. 28 [za:] C. Edquist, L. Hommen, M. McKelvey, Innovation and employment. Process versus product

innovation, Edward Elgar Publishing, Cheltenham 2001, s. 131.

22

Inne podejście prezentuje B. Martin. Termin polityki naukowej definiuje jako badania

poświęcone analizie, zrozumieniu i skutecznemu reagowaniu na gospodarcze, polityczne,

zarządcze, organizacyjne, środowiskowe i inne wyzwania związane z innowacjami,

technologią, badaniami naukowymi i pracami rozwojowymi57

. Podkreśla, że polityka

naukowa jest złożona, wieloaspektowa i wielowątkowa. Porusza zagadnienia między innymi

z zakresu ekonomii, zarządzania, historii gospodarczej, socjologii, psychologii, nauk

politycznych i obejmuje różne dziedziny życia gospodarczego i społecznego58

. Martin

zaznacza jednak, że prowadzenie polityki naukowej musi odbywać się z uwzględnieniem

centralnej roli przedsiębiorstw w rozwoju technologii i innowacji59

. Polityka naukowa przede

wszystkim zorientowana jest na podejmowanie decyzji w kwestiach praktycznych, to znaczy

jak i jakie działania polityczne są w stanie przyczynić się do rozwoju nauki, technologii

i innowacji60

. Podstawową przesłanką polityki naukowej jest fakt, że nawet dobrze

funkcjonująca gospodarka rynkowa nie jest w stanie samodzielnie uzyskać optymalnego

poziomu inwestycji w innowacje61

.

Ogólnie, w definicjach polityki naukowej podkreśla się wymierną wartość badań. Cele

polityki naukowej nie ograniczają się tylko do stymulowania rozwoju wiedzy czy zwiększenia

liczby innowacji, ale główny nacisk położony jest na gospodarczy i społeczny wymiar nauki

w przestrzeni publicznej, podniesienie produktywności i wzmocnienie konkurencyjności kraju

przez zaspokojenie obecnych i przyszłych potrzeb technologicznych62

. Natura polityki

naukowej zmieniła się na przestrzeni ostatnich lat z ukierunkowanej na realizację misji

badawczej (ang. mission-oriented) na zorientowaną na dyfuzję wiedzy (ang. diffusion-

oriented)63

. Celem polityki naukowej jest pobudzanie procesów innowacyjnych

przez wzmocnienie mechanizmów przekazywania wiedzy i transferu technologii

oraz wykorzystanie wyników badań64

.

57

B.R. Martin, dz. cyt., s. 1220. 58

Tamże, s. 1221-1229. 59

P. Morlacchi, B.R. Martin, Emerging challenges for science, technology and innovation policy research:

a reflexive overview, “Research Policy” 2009, t. 38, s. 572. 60

M.G. Colombo, L. Grilli, L. Piscitello, C. Rossi-Lamastra, Science and innovation policy for the new

knowledge economy, PRIME Series on Research and Innovation Policy in Europe, Edward Elgar, Cheltenham-

Northampton 2011, s. 4. 61

M. Trajtenberg, Innovation policy for development: an overview, [w:] The new economics of technology

policy, D. Foray (red.), Edward Elgar, Cheltenham-Northampton 2009, s. 371. 62

J. Kozłowski, OECD doradza, jak robić dobrą politykę, “Forum Akademickie” 2013, nr 4; J.E. Rubio,

N. Tshipamba, dz. cyt., s. 63, 67. 63

J. Caraça, Toward and S&T policy for the knowledge-based society, [w:] Science, technology and innovation policy.

Opportunities and challenges for the knowledge economy, P. Conceição, D. Gibson, M. Heitor, S. Shariq (red.),

International Series on Technology Policy and Innovation, nr 1, Quorum 2000, s. 32. 64

S. Korenik, E. Szostak, dz. cyt., s. 334-336.

23

Mechanizmy kształtujące politykę naukową odnoszą się w związku z tym do dwóch

teorii innowacji: popytowej (ang. demand-driven policy) i podażowej (ang. demand-based

policy)65

. W koncepcji popytowej głównym czynnikiem tworzącym innowacje są potrzeby

rynku, których rozpoznanie przekłada się na kreowanie polityki. Podejście to wywodzi się

z teorii J. Schmooklera, który zakładał, że wiedza techniczna rozwija się przede wszystkim

w kierunkach określonych przez potrzeby człowieka66

. W teorii podażowej źródło kreowania

innowacji znajduje po stronie jednostek naukowych. Podstawy tej teorii stworzył

J.A. Schumpeter. Opracował on model działalności innowacyjnej, w którym wyróżnił naukę

wewnętrzną (zasoby wewnętrzne przedsiębiorstwa) i zewnętrzną (zasoby jednostek

naukowych). W jego podejściu siłą napędową tworzenia innowacji są właściwe procesy

zarządzania jednostkami naukowymi67

. Polityka naukowa w tym kontekście ma na celu

stworzenie bodźca dla innowacji technologicznych68

. Przykładem kształtowania takiej

polityki są kraje Azji Wschodniej69

.

Kreowanie polityki naukowej jest pojęciem złożonym, wielokryterialnym

i wieloaspektowym. Działania podejmowane w ramach polityki naukowej dotyczą70

:

określania celów, które nauka ma osiągnąć w toku prowadzonych badań;

tworzenia warunków sprzyjających rozwijaniu produktywnej działalności naukowej;

kształtowania rozwiązań wspierających wdrażanie wyników nauki do praktyki gospodarczej;

przekształceń w strukturze organizacyjnej nauki bez niszczenia niezależności i autonomii

nauki, które są kluczowe dla długoterminowego wzrostu wiedzy.

Z punktu widzenia podejścia instytucjonalnego, polityka naukowa ma dwojaki

charakter: odgórny (ang. top-down) i oddolny (ang. bottom-up). Państwo podejmuje

inicjatywę rozwoju nauki i technologii przez różne strategie, ale otrzymuje również sygnały

z sektora nauki, technologii i społecznego71

.

W literaturze wyróżnia się także podejścia proaktywne i reaktywne72

. Polityka

proaktywna ma charakter aktywnej polityki zorientowanej na przyszłość. Są to świadomie

65

J. Rigby, Y. Nugroho, K. Morrison, I. Miles, dz. cyt., s. 28. 66

S. Korenik, E. Szostak, dz. cyt. , s. 334-336. 67

Tamże. 68

I. Miles, J. Rigby, Demand-led innovation, [w:] Innovation policy challenges for the 21st century, D. Cox, J.

Rigby (red.), Routledge Studies in Innovation, organization and technology, Taylor & Francis, New York,

London 2013, s. 52-53. 69

V.V. Krishna, T. Turpin, dz. cyt., s. 5-7. 70

S. Korenik, E. Szostak, dz. cyt., s. 328; I. Miles, J. Rigby, s. 56; P. van den Besselaar, K. Börner,

A. Scharnhorst, dz. cyt., s. 262. 71

J.E. Rubio, N. Tshipamba, dz. cyt., s. 67. 72

J. Rigby, Y. Nugroho, K. Morrison, I. Miles, dz. cyt., s. 30-31.

24

zaprojektowane działania kształtujące pożądane rezultaty. Szczególne zastosowanie mają

tu badania foresight73

. Dąży się do przewidywania prawdopodobnych scenariuszy przyszłości

i podejmowania działań w kierunku ich realizacji. Innowacje są uzyskiwane w wyniku

podejmowanych inicjatyw tworzenia nowej wiedzy. To podejście sprzyja rozwojowi

innowacji przełomowych. Przeciwstawne podejście reaktywne cechuje podejmowanie działań

w odpowiedzi na zaistniałe uwarunkowania.

Trudność w kreowaniu polityki naukowej wynika z tego, że badania naukowe wiążą

się z niepewnością i ryzykiem, i trudno w pełni zaplanować i przewidzieć efekty działalności

naukowej74

. Polityka naukowa powinna zatem uwzględniać dwa horyzonty: długofalowy

i krótkoterminowy. W horyzoncie długim powinno dążyć się do przekształcenia systemu

badań i innowacji w kierunku tworzenia i stosowania nowej wiedzy w skali

międzynarodowej75

. W horyzoncie krótkim ważne jest polepszenie produktywności

w gospodarce przez zastosowanie istniejącej wiedzy. W praktyce, w krótkim okresie, polityka

naukowa dotyczy głównie podejmowania decyzji na temat alokacji zasobów finansowych76

.

Mając to na uwadze oraz porządkując zagadnienia poruszane w literaturze, autorka

pracy zauważyła, że kreowanie polityki naukowej zasadniczo odbywa się w trzech wymiarach:

strategicznym – tworzenie wizji politycznej, formowanie założeń i strategii;

operacyjnym – formułowanie polityki, ustalanie celów i kierunków badań;

taktycznym – realizacja polityki w zakresie organizowania systemu nauki i wdrażania

polityki naukowej.

Klasyczny cykl polityki naukowej składa się z pięciu faz: formułowania problemu,

projektowania polityki, podejmowania decyzji, realizacji oraz ewaluacji i monitoringu

(rysunek 1.4).

73

J. Nazarko, Regionalny foresight gospodarczy. Metodologia i instrumentarium badawcze, Mazowieckie

Centrum Informacji Gospodarczej, Warszawa 2013, s. 12; T. Ahlqvist, V. Valovirta, T. Loikkanen, Innovation

policy roadmapping as a systemic instrument for looking-foreward policy design, “Science and public policy”

2012, t. 39, s. 178-190; T. Könnölä, F. Scapolo, P. Desruelle, R. Mu, Foresight tackling societal challenges:

Impacts and implications on policy-making, “Futures” 2011, t. 43, s. 252-264. 74

M. Miedziński, Wybrane zagadnienia ewaluacji polityki innowacyjnej, [w:] Teoria i praktyka ewaluacji

interwencji publicznych, K. Olejniczak, M. Kozak, B. Ledzion (red.), Wydawnictwa Akademickie

i Profesjonalne, Warszawa 2008, s. 484. 75

J. Kozłowski, OECD doradza... 76

I. Feller, dz. cyt., s. 102.

25

Rysunek 1.4. Cykl polityki naukowej

Źródło: L. Henriques, P. Larédo, Policy-making in science policy: The „OECD model‟ unveiled, “Research

Policy” 2013, t. 42, s. 801.

Sformułowanie problemu obejmuje diagnozę, rozpoznanie i identyfikację zagadnień

na poziomie strategicznym. Projektowanie polityki na poziomie operacyjnym polega

na sprecyzowaniu działań, określeniu rezultatów i oddziaływań, a realizacja założeń polityki

naukowej wypełnia obszar taktyczny. Ocena i ewaluacja polityki naukowej odbywa się

na różnych etapach cyklu.

Zbieżny z tym podejściem jest model kreowania polityki naukowej OECD oparty

na podejściu instytucjonalnym, zaprezentowany przez L. Henriques i P. Larédo. Model jest

wypadkową dobrych praktyk określonych na przestrzeni lat funkcjonowania OECD.

W koncepcji tej wyodrębniono siedem głównych funkcji polityki naukowej: (1) koordynację,

(2) doradztwo, (3) planowanie, (4) finansowanie, (5) ustalanie priorytetów, (6) alokację

zasobów i (7) administrowanie77

.

Kluczowym aspektem polityki naukowej jest dobór instrumentów na każdym etapie

cyklu78

. Samo określenie celów i założeń polityki naukowej nie wywoła pożądanych skutków.

Instrumenty polityki naukowej są definiowane jako zestaw technik do wywoływania zmian,

za pomocą których organy rządowe realizują konkretne cele polityki naukowej79

.

Instrumenty polityki naukowej są to mechanizmy wykorzystywane przez instytucje

polityki naukowej w celu zrealizowania założeń działalności naukowej. Instrumenty te można

podzielić na ogólne, oddziałujące na cały proces badawczy, oraz wyspecjalizowane,

77

I. Feller, dz. cyt., s. 801-816. 78

S. Borrás, C. Edquist, The choice of innovation policy instruments, “Technological Forecasting and Social

Change” 2013, t. 80, s. 1513. 79

Tamże, s. 3.

Formułowanie problemu

Projektowanie polityki

Podejmowanie decyzji

Realizacja

Ewaluacja i monitoring

26

oddziałujące na wybrane elementy procesy badawczego80

. Instrumenty polityki naukowej

można podzielić na cztery grupy81

:

instrumenty regulacyjne;

instrumenty ekonomiczne i finansowe;

instrumenty miękkie;

formalny system oceny.

Polityka naukowa podlega regulacjom prawnym, które określają ogólne ramy

i wytyczne dotyczące systemu nauki oraz wyznaczają ich misję. Z punktu widzenia polityki

naukowej, instrumenty regulacyjne są często używane do określenia warunków rynkowych

w zakresie rezultatów i procesów w sektorze nauki. W Europie ramy te są kształtowane

na poziomie Unii Europejskiej (UE).

Instrumenty ekonomiczne i finansowe służą do ustalania priorytetów naukowych,

zaspokajania potrzeb pracowników naukowych i zapewniania odpowiedniej infrastruktury.

Mogą obejmować wsparcie podmiotowe, przedmiotowe lub mieszane82

.

Instrumenty miękkie nie mają charakteru nakazowego. Ogólnie są oparte na agitacji,

wzajemnej wymianie informacji między podmiotami. Zawierają zalecenia, wnioski

normatywne lub porozumienia umowne, których przykłady stanowią kampanie, kodeksy,

dobrowolne umowy, partnerstwa83

.

Formalny system ewaluacji służy do oceny i poprawy bieżących procesów oraz oceny

możliwości rozwoju. Narzędzia ewaluacji badań służą poprawie jakości badań, stworzeniu

środowiska konkurencji między jednostkami naukowymi, uczynieniu ich bardziej otwartymi

na rynek, bardziej elastycznymi we współpracy z innymi podmiotami i innymi jednostkami

z sektora84

.

Nowoczesna polityka naukowa traktuje instrumenty polityki naukowej jako rodzaj

inwestycji, która ma dać oczekiwany zwrot ekonomiczny, społeczny czy kulturowy85

. Obecnie

instrumenty kształtowania polityki naukowej przyjmują charakter instrumentów systemowych86

.

Polityka naukowa powinna być dziedziną innowacyjną. Procedura formułowania

założeń polityki naukowej wymaga rozpoznania potencjału naukowo-badawczego kraju,

stanu zasobów kapitału intelektualnego i infrastruktury badawczej, struktury potencjału

80


J.E. Rubio, N. Tshipamba, dz. cyt., s. 70-75; S. Borrás, C. Edquist, dz. cyt., s. 1514. 82


S. Borrás, C. Edquist, dz. cyt., s. 1518. 84

J.E. Rubio, N. Tshipamba, dz. cyt., s. 70-75. 85


S. Borrás, C. Edquist, dz. cyt., s. 1518.

27

naukowego, regionalnego rozmieszczenia potencjału naukowego, planów badań i prac

rozwojowych oraz zastosowania odpowiednich narzędzi metodycznych w zakresie analizy

i interpretacji tych obszarów87

. Wiele decyzji polityki naukowej wymaga umocowania

na podstawach empirycznych88

. Konieczna jest głęboka analiza celów poszczególnych prac

naukowych, prognoz rozwoju nauki i techniki, szans realizacji projektowanych prac

naukowych i związanego z tym wysiłku, pożądanych i niepożądanych konsekwencji

wykorzystywania spodziewanych wyników w różnych dziedzinach nauki i w innych

dziedzinach działalności społecznej89

. Sukces polityki naukowej zależy zatem w dużej mierze

od dostępu do wiarygodnych i dobrze zdefiniowanych danych.

W tym nurcie, w międzynarodowej przestrzeni naukowej obecnie kształtuje się nowa

koncepcja kreowania polityki naukowej – podejście naukowe do polityki naukowej

(ang. science of science policy, SoSP). Jest to nowy interdyscyplinarny obszar badawczy,

który ma na celu zapewnić naukowe podstawy wspomagania procesów decyzyjnych

w sektorze nauki w środowisku rządowym i naukowym. Obszar ten rozwija się w odpowiedzi

na pilną potrzebę opracowywania wielowymiarowych analiz, bardziej informacyjnych modeli

implikacyjnych, pokonujących ograniczenia i słabości wskaźników czy szeregów czasowych

jednej zmiennej. Nowy obszar badawczy jest ukierunkowany na opracowywanie modeli

wyjaśniających, niezbędnych do zrozumienia współzależności między różnymi wielkościami

mierzalnymi (zmiennymi, cechami) lub metrykami, które będą również wyjaśniały

przyczyny, skutki i implikacje polityki naukowej90

.

Podejście nauki o polityce naukowej ugruntowało się na następujących przesłankach,

które ujawniają ogólne kierunki tej dziedziny91

:

infrastruktura danych jest niewystarczająca do podejmowania decyzji;

gromadzenie i analiza danych o nauce i środowisku naukowym jest niejednorodna

i niesystematyczna;

instytucje narodowe stosują różne modele i narzędzia oraz zbiory danych, żeby zrozumieć

mechanizm inwestowania w naukę i technologie;

zaawansowany dorobek nauk społecznych pozwala na szybkie zastosowanie tej wiedzy

do badań procesu nauki i innowacji (zasoby wiedzy są już skoncentrowane).

Wynika z tego, że w obszarze polityki naukowej rozwija się potrzeba dynamicznego

monitorowania i prognozowania rozwoju naukowego i przełomowych odkryć technologicznych

oraz poprawy i mierzenia społecznego wpływu badań. Decydenci są zainteresowani

87

J. Kozłowski, OECD doradza… 88

M.G. Colombo, L. Grilli, L. Piscitello, C. Rossi-Lamastra, dz. cyt., s. 4. 89

S. Chaskielewicz, A. Tuszko, Polityka naukowa drugiej generacji, Wiedza Powszechna, Warszawa 1975, s. 120. 90

J. Marburger, The science of science and innovation technology, [w:] Science, technology and innovation

indicators in a changing world. Responding to policy needs, OECD Publishing, 2007, s. 27-32. 91

J. Marburger, dz. cyt., s. 27-32.

28

rozpoznawaniem obiecujących osiągnięć w dotychczasowych i nowych obszarach badawczych

na wczesnym etapie opracowywania programów i podejmowania decyzji inwestycyjnych92

.

Warto zwrócić uwagę, że nie ma sposobu, aby zagwarantować natychmiastowe korzyści przy

podejmowaniu badań naukowych93

. Dlatego istnieje potrzeba lepszego zrozumienia

instytucjonalnych i organizacyjnych uwarunkowań rozwoju nauki dla poprawy efektywności

systemu badań94

. Wsparcie analityczne decyzji politycznych powinno koncentrować się

na konkretnych kwestiach przez dążenie do syntezy i integrowania wiedzy uzyskanej na temat

różnych elementów systemu nauki, a szczególnie jednostek naukowych.

Koncepcja połączenia nauki i polityki naukowej jest oparta na racjonalistycznej

koncepcji nauki95

. Według tego podejścia nauka jest użytecznym narzędziem w procesie

podejmowania decyzji w zakresie polityki naukowej. Możliwości nauki w zakresie

zapewnienia wyjaśnień przyczynowych działań, zarówno obecnych, jak i przyszłych,

poprawia zdolność decydentów w kierunku osiągnięcia pożądanych rezultatów. Poleganie

na nauce jest skuteczne wtedy, gdy informacja oparta na naukowych przesłankach pozwala

decydentom wybrać takie rozwiązanie, które pozwala zbliżyć się do określonych celów

i przewyższa inne rozwiązania w osiąganiu tych celów. Nauka w takim wypadku,

postrzegana jest jako mechanizm rozumienia celów politycznych96

.

Nowe podejście do kształtowania polityki naukowej dotyczy stosowania narzędzi

wspierających kreowanie polityki naukowej opartych na naukowych przesłankach,

które ułatwiają wdrożenie cyklu polityki naukowej (tabela 1.1). Prezentowane narzędzia

mają charakter metodologiczny i powinny tworzyć przesłanki stosowania instrumentów

polityki naukowej.

Wiedza i instrumenty, które zostały opracowane w ostatnich latach, utorowały drogę

do znacznego wkładu ekonomii do wsparcia procesu decyzyjnego w odniesieniu do postępu

naukowego97

. Daje to podstawę do rozwijania narzędzi w kwestiach: efektywnego

finansowania, uwarunkowań instytucjonalnych i alokacji zasobów oraz problemu związanego

92

P. van den Besselaar, K. Börner, A. Scharnhorst, dz. cyt., s. 262. 93

J.E. Rubio, N. Tshipamba, dz. cyt., s. 63. 94

P. van den Besselaar, K. Börner, A. Scharnhorst, dz. cyt., s. 262. 95

A.C. Keller, Science in environmental policy. The politics of objective advise, Massachusetts Institute

of Technology, Cambridge, Massachusetts, London 2009, s. 28. 96

A.C. Keller, dz. cyt., s. 28. 97

C. Antonelli, C. Franzoni, A. Geuna, The contributions of economics to a science of science policy,

[w:] Science and innovation policy for the new knowledge economy, M.G. Colombo, L. Grilli, L. Piscitello,

C. Rossi-Lamastra (red.), Edward Elgar, Cheltenham-Northampton 2011, s. 31.

29

z identyfikacją dziedzin, w które zasoby te powinny zostać zainwestowane98

. W zakresie

narzędzi analizy, istnieje potrzeba, aby wyjść poza skonsolidowany zestaw technik

bibliometrycznych na rzecz pomiaru produktywności99

.

Tabela 1.1. Narzędzia wspierające kreowanie polityki naukowej

Cele koncepcji Wyszczególnienie

Rozwój kapitału ludzkiego

i współpraca gospodarcza

powiązana z rezultatami

prac nauki i przemysłu

transdyscyplinarne zespoły badawcze

współpraca między naukowcami ośrodków akademickich i nieakademickich

wirtualne sieci społeczne

narzędzia ewaluacji oparte dziedzinowo i kulturowo

Powrót

do międzynarodowych przepływów wiedzy

stymulowanie współpracy międzynarodowej

zaangażowanie zagranicznych doktorantów i doktorów w procesie tworzenia

i dyfuzji wiedzy

Kreatywność

i innowacyjność

modele poznawcze naukowych odkryć i innowacji

narzędzia innowacyjnego projektowania oparte na podstawowych procesach

poznawczych

Systemy produkcji wiedzy

kompleksowe systemy modelowania ewolucji technologicznej

narzędzia mapowania nauki do korelowania poziomu finansowania

z wynikami badań

międzynarodowa baza danych międzyorganizacyjnych umów o współpracy

Implikacje polityki

naukowej

ramy teoretyczne dla oceny polityki naukowo-technologicznej i efektu

społecznego dobrobytu

ewaluacyjne narzędzia oceny efektów dystrybucyjnych inicjatyw

politycznych

narzędzia oceny inicjatyw polityki naukowej i innowacyjnej

model nauki i innowacji oparty na wartościach publicznych

Zwiększenie wpływu,

rozumienia zależności

modele symulacyjne tworzenia wiedzy i systemu transferu

projekty organizacyjne i sieci społeczne do inicjowania, wzbogacania

i przyspieszania (procesu) innowacji

narzędzia decyzyjne optymalizacji potencjału finansowania

baza międzynarodowych badań i partnerstw technologicznych

baza wideo narzędzi i artefaktów w innowacyjnym projektowaniu

wirtualne narzędzia do oceny działalności

programy ewaluacji metodami granicznymi

teoretyczne podstawy systemu innowacji i powiązania do wzrostu

gospodarczego i dobrobytu społecznego

Źródło: J. Lane, Science of Science & Innovation Policy(SciSIP), www.oecd.org/science/inno/40858284.pdf

[22.08.2013].

Dostęp do właściwych, dokładnych i aktualnych informacji służących

do opracowywania celów polityki naukowej, ustalania priorytetów i planowania instrumentów

uzasadnia zatem prowadzanie ewaluacji na różnych poziomach polityki naukowej100

.

Ocena i ewaluacja są jednym z głównych narzędzi wspomagających procesy

decyzyjne polityki naukowej. Wkomponowanie ewaluacji w planowanie i programowanie

nadaje jej funkcję strategiczną w procesie ustalania priorytetów i ulepszania całego procesu

98

C. Antonelli, C. Franzoni, A. Geuna, dz. cyt.., s. 32. 99

Tamże, s. 33. 100

J. Kozłowski, Ewaluacja instytucji naukowych w Polsce w świetle porównań międzynarodowych

i konsultacji, Departament Strategii Ministerstwa Nauki i Szkolnictwa Wyższego, Warszawa 2010, s. 8.

30

wdrażania polityki. Wnioski z ewaluacji stanowią ważny wkład w proces formułowania

długookresowej wizji i planowania101

.

Charakterystyczne dla sektora naukowego i badawczo-rozwojowego jest

projektowanie, wdrażanie i rozliczanie efektów przedsięwzięć o różnym zakresie. Ewaluacja

w tym sektorze jest złożona ze względu na specyfikę działalności naukowej oraz znaczne

zróżnicowanie podmiotów pod względem struktury, celów, misji, czy realizowanych zadań.

Ewaluacja w ramach kreowania polityki naukowej przeprowadzana jest na poziomie

pojedynczych interwencji publicznych, podsystemów lub na poziomie całego systemu

nauki102

. Ewaluacja może obejmować103

:

politykę naukową i system nauki i innowacji;

programy i instrumenty polityczne;

projekty realizowane w ramach poszczególnych programów i instrumentów;

narzędzia decyzyjne;

agencje zarządzające systemem nauki;

jednostki naukowe;

dokonania w dziedzinie badań naukowych i technologicznych kraju na tle świata;

dyscypliny naukowe oraz technologie.

Proces ewaluacji powinien być zintegrowany z planowaniem strategicznym,

programowaniem i wdrażaniem polityki zgodnie z następującymi kryteriami ewaluacji

polityki naukowej104

:

trafność (ang. relevance) – określa zasadność i prawidłowość planowanych celów i metod

wdrażania interwencji polityki naukowej w stosunku do problemów i wyzwań społeczno-

gospodarczych;

skuteczność (ang. effectiveness) – określa stopień realizacji zakładanych celów, skuteczność

zastosowanych narzędzi;

efektywność (ang. efficiency) – koncentruje analizę na relacjach między nakładami a efektami;

użyteczność (ang. utility) – określa rzeczywiste, osiągnięte efekty i ich adekwatność, analiza

użyteczności jest prowadzona po zamknięciu interwencji lub w jej końcowej fazie wdrażania;

trwałość (ang. sustainability) – obejmuje zapewnienie ciągłości efektów w perspektywie

średnio- i długookresowej.

Po ich spełnieniu ewaluacja przyjmie funkcję formatywną i prowadzić będzie do lepszego

planowania lub wdrażania działań w zakresie polityki naukowej.

101

M. Miedziński, dz. cyt., s. 488; B. Smólski, I. Kasprzyk-Młynarczyk, Benchmarking w zastosowaniu

do działalności naukowej, [w:] Benchmarking w systemie szkolnictwa wyższego, J. Woźnicki (red.), Fundacja

Rektorów Polskich, Warszawa 2008, s. 42-43. 102

M. Miedziński, dz. cyt., s. 487-488. 103

J. Kozłowski, Ewaluacja instytucji naukowych w Polsce…, s. 30-31. 104

K. Olejniczak, dz. cyt., s. 23.

31

Rysunek 1.5. Elementy polityki naukowej

Źródło: opracowanie własne na podstawie J.E. Rubio, N. Tshipamba, Elements of the public policy of science,

technology and innovation, “Canadian Social Sciences” 2010, t. 6, nr 6, s. 76.

Zagadnienia kreowania polityki naukowej w literaturze uwzględniają także inne

aspekty. Istotną problematykę stanowi podejście instytucjonalne i rola różnych organów

w procesie kształtowania i oddziaływania polityki naukowej oraz znaczenie udziału różnych

środowisk w procesie decyzyjnym polityki naukowej. Syntetyzując rozważania, można

wyróżnić pięć głównych elementów zainteresowania polityki naukowej zaprezentowanych

na rysunku 1.5. Każdy z nich stanowi szeroki zakres problemowy w obszarze

organizacyjnym, prawnym, finansowym, zarządzania kapitałem intelektualnym

oraz ewaluacji i oceny.

1.3. Ewaluacja instytucjonalna badań naukowych

Ewaluacja działalności naukowej jest ważnym instrumentem zarządzania organizacją

i finansowaniem badań naukowych. Stanowi istotny element realizacji polityki naukowej

i ukierunkowywania działalności jednostek sektora naukowego105

. Ewaluacja pozwala,

w sposób możliwie systematyczny i obiektywny, na ocenę wartości interwencji publicznej

w odniesieniu do pewnych ustalonych wcześniej kryteriów106

.

Najszerzej ujmując, ewaluacja to systematyczne badanie społeczno-ekonomiczne

gromadzące dowody, oceniające i informujące o jakości i wartości badanych obiektów.

105

A. Guena, B.R. Martin, University research evaluation and funding: an international comparison, Kluwer

2007; J. Brennan, T. Shah, Quality assessment and institutional change: experience from 14 countries, ”Higher

Education” 2000, t. 40, nr 3, s. 331-349. 106

K. Olejniczak, M. Ferry, Ewaluacja w praktyce sektora publicznego, [w:] Ewaluacja jako standard

zarządzania w sektorze publicznym, B. Pietras-Goc (red.), Wyższa Szkoła Europejska im. ks. Józefa Tischnera,

Kraków 2008, s. 10.

Polityka

naukowa

Agencje

polityki

naukowej

Instytucje

naukowe

Regulacje

prawne

Inwestycje

w badania

i rozwój

Zasoby

ludzkie

System

ewaluacji

i oceny

32

Zorientowane jest na krytyczną refleksję nad wartością i jakością interwencji publicznych

– zarówno procesów ich wdrażania, jak i ich efektów107

. Ewaluacja bywa niekiedy

definiowana jako wzorzec postępowania badawczego, charakteryzujący się stosowaniem

określonych kryteriów ewaluacyjnych108

. Bezpośrednim zadaniem ewaluacji jest poprawa

jakości i wartości interwencji publicznej.

Cechą charakterystyczną ewaluacji jest połączenie badań empirycznych

i diagnostycznych z wartościowaniem. W odróżnieniu od form pokrewnych – audytu czy

kontroli – w zamiarze ewaluacji nie ma negatywnych konsekwencji. Ewaluację cechuje

utylitaryzm – jest podstawą do formułowania rekomendacji109

.

Zasadnicze cele ewaluacji ukazują jej charakter poznawczy i instrumentalny.

Ewaluacja jest procesem uczenia się, powinna generować wiedzę diagnostyczną, wyjaśniającą

i pokazującą szerszy kontekst, oraz preskryptywną, oceniającą, ukazującą rozwiązania

i wskazującą konieczne działania. W zakresie diagnozy powinna pokazywać stan, wyjaśniać

zależności, pokazywać wzorce, a w preskryptywnej pokazać jak poprawić, udoskonalić,

wskazać działania naprawcze. Ewaluacja instytucjonalna ma zatem zdiagnozować bądź

dokonać oceny sytuacji, a następnie wspierać poszczególne instytucje w rozwiązywaniu

kwestii problemowych110

.

W literaturze przedmiotu wymienia się cztery zasadnicze cechy ewaluacji111

:

analityczny i usystematyzowany charakter, co oznacza konieczność stosowania podejścia

naukowego;

zróżnicowanie metodologiczne, polega na łączeniu różnych narzędzi i źródeł, w celu

zapewnienia obiektywizmu i wiarygodności;

systemowość, ma przejawiać się w podejściu całościowym i cyklicznym;

wartościowanie, jest prowadzone w odniesieniu do konkretnych kryteriów i standardów,

w zakresie jakości i wartości.

Ewaluacja instytucjonalna badań naukowych to jeden z typów ewaluacji nauki

i polityki naukowej. Oznacza proces oceny jednostek naukowych pod względem realizacji ich

misji, poziomu produktywności, skuteczności oraz oddziaływania112

. Pozwala gromadzić

wiedzę i dostarcza informacji na temat efektów oraz szerszego oddziaływania polityki

107

K. Olejniczak, Wprowadzenie do zagadnień ewaluacji, [w:] Teoria i praktyka ewaluacji interwencji

publicznych, K. Olejniczak, M. Kozak, B. Ledzion (red.), Wydawnictwa Akademickie i Profesjonalne,

Warszawa 2008, s. 19. 108

Ewaluacja w służbach społecznych, B. Szatur-Jaworska (red.), Mazowieckie Centrum Polityki Społecznej,

Warszawa 2010, s. 45. 109

K. Olejniczak, dz. cyt., s. 22. 110

Tamże. 111

K. Olejniczak, M. Ferry, dz. cyt., s. 9-10. 112

J. Kozłowski, Ewaluacja instytucji naukowych…, s. 28.

33

naukowej. Jej zadaniem jest wzmacnianie odpowiedzialności za wykorzystanie środków

publicznych, wyjaśnianie mechanizmów działania programów oraz upowszechnianie wiedzy na

temat poziomu ich skuteczności i efektywności. Ewaluacja instytucjonalna jest narzędziem

polityki naukowej do sterowania, zarządzania i poprawy działania jednostek naukowych

oraz powiązania decyzji z zakresie alokacji środków finansowych pomiędzy jednostki naukowe.

Główne przesłanki prowadzenia ewaluacji instytucjonalnej dotyczą pomocy

w planowaniu i bieżącym zarządzaniu jednostkami naukowymi. Związane jest to z podnoszeniem

jakości badań i realizacją priorytetów rządowych. Założenia ewaluacji instytucjonalnej mogą

dotyczyć alokacji zasobów, określenia przyszłości jednostek naukowych, ustalenia struktury,

kontroli, oceny strategii, instrumentów i stylu zarządzania jednostkami naukowymi,

wprowadzenia zmian do polityki naukowej.

Ewaluacja instytucjonalna związana jest często ze sposobem publicznego

finansowania jednostek naukowych opartego na dokonaniach (ang. performance-based

funding)113

. Przyjmuje wówczas formę krajowego systemu ewaluacji jednostek naukowych.

Finansowanie sektora badawczego w coraz większym stopniu opiera się na realizacji

uzgodnionych celów i przyjmuje charakter budżetowania zadaniowego114

. Celem tego

mechanizmu jest finansowanie instytucjonalne badań naukowych na podstawie ewaluacji

ex post produktów i efektów działalności naukowo-badawczej jednostek naukowych.

Wprowadzenie takiego modelu do praktyki wielu państw europejskich uzasadnione było

potrzebą koncentracji zasobów, podniesienia jakości badań oraz ich umiędzynarodowienia.

Najsilniejszy i najbardziej bezpośredni związek pomiędzy oceną a skalą finansowania

rozwinięto w Wielkiej Brytanii i Polsce115

.

Według typologii ewaluacji, ewaluacja instytucjonalna badań naukowych

ma charakter ewaluacji podmiotowej, ex post, zewnętrznej, opiera się na ocenie produktów,

procesów i wpływu oraz tworzy ogólnokrajowy system. Jako ewaluacja podmiotowa służy

analizie funkcjonowania jednostek naukowych i stymulowania kierunków ich rozwoju.

Ewaluacja ex post dostarcza empirycznych dowodów o efektach i użyteczności polityki

naukowej, sile i relacji implikacji przyjętego modelu finansowania, dokonuje podsumowania

i rozliczenia, a następnie rekomendacji. W ten sposób przyczynia się do rozpoznania słabych

stron finansowania budżetowego. Ewaluacja zewnętrzna oznacza, że proces jest inicjowany

poza jednostkami naukowymi. Niekiedy podejmowana jest także wewnętrznie

113

D. Hicks, Performance-based university research funding systems, “Research Policy” 2012, t. 41, s. 252. 114

M. Postuła, Rola ewaluacji w budżetowaniu zadaniowym, [w:] Ewaluacja wobec wyzwań stojących

przed sektorem finansów publicznych, A. Haber, M. Szałaj (red.), Polska Agencja Rozwoju Przedsiębiorczości,

Warszawa 2009, s. 41-42. 115


34

przez poszczególnie jednostki naukowe (przykładowo w Irlandii), bądź stosowany jest układ

mieszany (przykładowo w Holandii)116

.

Na podstawie zestawienia różnych podejść w literaturze można wyróżnić funkcje

ewaluacji instytucjonalnej w zakresie badań naukowych przedstawione w tabeli 1.2.

Tabela 1.2. Funkcje ewaluacji instytucjonalnej w zakresie badań naukowych

Funkcja Wyjaśnienie

Formatywna związana z kształtowaniem polityki publicznej lub poszczególnych programów

Zarządcza związana ze sterowaniem i koordynacją jednostek naukowych, dająca podstawę

do planowania racjonalnie uzasadnionej interwencji polityki naukowej

Oceniająca służąca określeniu i kontroli jakości i wartości prowadzonej działalności naukowej

Rozliczeniowa w kierunku wzmacniania społecznej odpowiedzialności zarówno ze strony

jednostek naukowych, jak i polityki naukowej

Poznawcza umożliwiająca rozumienie obszaru ewaluacji i przewidywanie trendów

Konkluzywna związana z selekcją, certyfikacją i rozliczaniem wyników jednostek naukowych

Wspomagająca dla procesu decyzyjnego

Stymulująca związana ze wzbudzaniem motywacji do działania i nadawaniem pożądanych

kierunków rozwoju

Edukacyjna wspierająca proces uczenia się, służąca usprawnianiu, doskonaleniu, poprawie

wdrażania celów i bieżącej jakości

Społeczna źródło prestiżu i reputacji jednostek naukowych

Źródło: opracowanie własne na podstawie: Ewaluacja w służbach społecznych, B. Szatur-Jaworska (red.),

Mazowieckie Centrum Polityki Społecznej, Warszawa 2010, s. 31; K. Olejniczak, Wprowadzenie do zagadnień

ewaluacji, [w:] Teoria i praktyka ewaluacji interwencji publicznych, K. Olejniczak, M. Kozak, B. Ledzion (red.),

Wydawnictwa Akademickie i Profesjonalne, Warszawa 2008, s. 28; J. Kozłowski, Ewaluacja instytucji

naukowych w Polsce w świetle porównań międzynarodowych i konsultacji, Departament Strategii Ministerstwa

Nauki i Szkolnictwa Wyższego, Warszawa 2010, s. 33-34.

W praktyce ewaluacji instytucjonalnej wyróżnia się dwa podejścia: model ekspercki

i model metryczny117

. Model ekspercki jest stosowany między innymi w Wielkiej Brytanii,

Australii i Nowej Zelandii. Obejmuje on ocenę dorobku naukowego, wizytacje jednostek

naukowych oraz wywiady z pracownikami. Dąży się do nadania jednostkom naukowym rang,

będących podstawą do finansowania w przyjętym okresie. Podejście eksperckie uwzględnia

również szersze oddziaływanie badań, które opiera się na analizach studiów przypadków

badań o potencjalnie największym znaczeniu dla otoczenia, a także samoocenę badaczy

lub jednostek naukowych.

Model metryczny jest oparty na ilościowej analizie dorobku naukowego.

Zastosowanie mają tu modele i mierniki naukometryczne. Podejście metryczne w różnych

odmianach stosowane jest w Norwegii, Belgii, Danii, Finlandii oraz Polsce.

Proces ewaluacji instytucjonalnej działalności naukowej zorganizowany jest

w czterech etapach: projektowania, wdrażania, stosowania i ewaluacji (tabela 1.3).

116

J. Kozłowski, Ewaluacja instytucji naukowych…, s. 79. 117

A. Gryzik, A. Płoszaj, Ewaluacja w sektorze badań i rozwoju oraz w szkolnictwie wyższym,

[w:] Jak ewaluować i monitorować efekty projektów sektora B+R i szkolnictwa wyższego?, P. Kościelecki,

B. Warzybok (red.), Ośrodek Przetwarzania Informacji – Instytut Badawczy, Warszawa 2011, s. 50.

35

Najważniejsze kwestie związane z organizacją procesu metodycznego ewaluacji dotyczą

ustalenia ogólnych wymiarów oceny, określenia parametrów w poszczególnych kategoriach,

nadanie wag wybranym cechom, ustalenie stopnia i formy różnicowania dyscyplin

naukowych oraz uzgodnienie skali ocen końcowych118

.

Pierwszy etap ma charakter przygotowawczy. Projektowanie ewaluacji

instytucjonalnej rozpoczyna się od określenia założeń, zdefiniowania celów i sprecyzowania

funkcji ewaluacji. Ma to odniesienie do założeń polityki naukowej, cyklu polityki naukowej

i powiązań z innymi instrumentami polityki naukowej. W kontekście tych działań następuje

rozpoznanie zasobów informacyjnych pod kątem potrzeb ewaluacji oraz ustalenie roli grup

interesariuszy na różnych etapach ewaluacji. Sprecyzowanie zasad systemu ewaluacji

obejmuje ustalenie ram czasowych i metodologicznych ewaluacji. Następnie dokonuje się

zdefiniowania i wyboru kluczowych parametrów ewaluacji w zakresie przedmiotowym

i podmiotowym. Ostatnie działanie na tym etapie obejmuje konceptualizację systemu

ewaluacji, planowanie organizacji całego procesu, ustalenie norm prawnych, opracowanie

kodeksu zasad i dobrych praktyk oraz techniczne przygotowanie.

Tabela 1.3. Fazy ewaluacji instytucjonalnej

Faza ewaluacji Działania

Projektowanie

określenie założeń

zdefiniowanie celu ewaluacji

zdefiniowanie szczegółowych funkcji ewaluacji instytucjonalnej

rozpoznanie zasobów informacyjnych

ustalenie roli interesariuszy ewaluacji

sprecyzowanie zasad systemu ewaluacji

zdefiniowanie kluczowych parametrów

operacjonalizacja

Wdrażanie realizacja harmonogramu ewaluacji

monitoring procesu ewaluacji

Stosowanie

administrowanie systemu

gromadzenie danych

analiza danych

podejmowanie decyzji opartych na ewaluacji

realizacja funkcji ewaluacji

ocena

monitoring systemu ewaluacji

ocena systemu ewaluacji

doskonalenie systemu ewaluacji

Źródło: opracowanie własne na podstawie: J. Kozłowski, Ewaluacja instytucji naukowych w Polsce w świetle

porównań międzynarodowych i konsultacji, Departament Strategii Ministerstwa Nauki i Szkolnictwa Wyższego,

Warszawa 2010, s. 48-53.

118


36

Kolejne kroki zależne są od etapu projektowania. Faza wdrażania systemu ewaluacji

dotyczy realizacji założeń z fazy projektowania. Następuje aktywacja procesu ewaluacji

jednostek naukowych zgodnie z harmonogramem i bieżący monitoring procesu ewaluacji. Faza

stosowania obejmuje weryfikację przyjętego modelu ewaluacji i realizację wymienionych

wcześniej funkcji ewaluacji. Faza ewaluacji dotyczy oceny i doskonalenia systemu ewaluacji

w następnych cyklach (tak zwana ewaluacja ewaluacji)119

.

Ewaluacja instytucjonalna w zakresie działalności naukowej jest złożona, z uwagi

na różnorodność obszarów naukowych, form prowadzenia prac naukowych oraz rezultatów.

Często są one trudne zarówno do pomiaru ilościowego, jak i oceny jakościowej.

Dotychczasowe próby ewaluacji obejmują jedynie wybrane aspekty i niekiedy brak jest

powiązań przyczynowo-skutkowych. Przykładowo, wskaźniki dotyczące wyników badań

nie wynikają wprost ze wskaźników nakładów, a wskaźniki dotyczące publikacji

nie uwzględniają innych form rezultatów naukowych120

.

Ewaluacja instytucjonalna przeprowadzana jest z zastosowaniem kryteriów z trzech grup:

wewnętrznych, zewnętrznych i środowiskowych. Kryteria wewnętrzne są skupione na kwestiach

dojrzałości badawczej jednostki naukowej, skali i wartości prowadzonej działalności naukowej.

Kryteria zewnętrzne dotyczą oceny użyteczności prowadzonych badań naukowych w znaczeniu

gospodarczym, społecznym i naukowym. Związane jest to z szeroko pojętą komercjalizacją

wyników działalności naukowej, ich wpływie na rozwój społeczny oraz wkładem w rozwój

dyscyplin naukowych. Kryteria środowiskowe mają, w odróżnieniu od pozostałych, charakter

prospektywny i dotyczą oceny potencjału i możliwości jednostek naukowych121

.

Działalność jednostek naukowych można przedstawić jako system organizacyjny

(rysunek 1.6). Jednostki naukowe można scharakteryzować przez jej zasoby wejściowe

(nakłady – wejścia systemu) i efekty (wyjścia systemu). Zdolność jednostek do przekształcenia

nakładów w efekty zależy od struktur i procesów w organizacji, ale cały proces

transformacyjny zależy również od uwarunkowań krajowych.

Rysunek 1.6. Jednostka naukowa jako system organizacyjny

Źródło: E. Arnold, K. Guy, Technology diffusion programmes and the challenge for evaluation, [w:] Policy

Evaluation in Innovation and Technology: Towards Best Practices, OECD, Paris 1997, s. 74,

http://www.oecd.org/dataoecd/34/40/1907926.pdf [08.04.2013].

119

J. Kozłowski, Ewaluacja instytucji naukowych…, s. 48-53. 120

A. Gryzik, A. Płoszaj, dz. cyt., s. 48. 121

J. Kozłowski, Ewaluacja instytucji naukowych…, s. 37-38.

zasoby struktura,

procesy efekty

37

Model ten ilustruje parametry opisujące jednostki naukowe. Zasoby jednostek

naukowych są określone przez wskaźniki finansowe, kapitału ludzkiego i infrastruktury.

Struktura stanowi źródło zmiennych charakteryzujących system. Procesy pomagają określić

zmienne opisujące, w jaki sposób system działa i funkcjonuje. Efekty określają zakres

rezultatów działalności naukowej, czyli wskaźniki produktów i rezultatów pracy naukowo-

badawczej i wskaźniki oddziaływania badań prowadzonych przez pracowników danej

jednostki. Ewaluacja instytucjonalna oznacza pomiar systemu w kwestiach zasadności celów,

efektywności gospodarowania zasobami, produktywności jednostek naukowych,

racjonalności i skuteczności procesów, doskonalenia procesów, sprawności systemu, jakości

rezultatów, bądź oddziaływania rezultatów.

Obecnie badania naukowe są ściśle związane z kontekstem społecznym. W związku

z tym pojawiła się potrzeba analizy racjonalności wydatków publicznych na badania

naukowe. Ewaluacja instytucjonalna dąży do rozstrzygnięcia w sprawach122

:

ustalenia kryteriów i miar wyznaczania optymalnego poziomu finansowania;

określenia miar do oceny zasadności programów badawczych w świetle rosnących

wymagań w zakresie odpowiedzialności i pomiaru działalności;

ustalenia, jakie kryteria i procedury powinny być stosowane do realokacji środków pomiędzy

różne dziedziny nauki, a nawet do wzajemnej oceny propozycji w każdej dziedzinie;

ustalenia kryteriów oceny podmiotów badawczych o zróżnicowanym zakresie działalności;

ustalenia kryteriów prowadzących do lepszych osiągnięć przyznawania środków

na badania przełomowe i interdyscyplinarne;

określania kryteriów oceny wartości naukowej, interdyscyplinarnych projektów

badawczych i publikacji naukowych.

Zagadnienia te stanowią koncepcyjnie połączony zestaw decyzji i oceny całej nauki

i cyklu polityki naukowej, od strategicznego planowania do pomiaru wyników. Obejmują

potrzebę projekcji względem stopy zwrotu dla długoterminowych inicjatyw naukowych;

założeniu, że granice badań naukowych coraz częściej leżą na styku różnych dyscyplin;

oceny, że rola i relacje sektorów tradycyjnego generowania wiedzy i sektorów

wykorzystujących wiedzę w ramach krajowych systemów innowacji ewoluują, i pojawia się

potrzeba do podjęcia krytycznego przemyślenia istniejącego mechanizmu ustalania

priorytetów naukowych i wybierając spośród propozycji konkurujących w ramach,

ale szczególnie wśród dziedzin badań naukowych123

. System oceny i ewaluacji powinien

być podstawowym komponentem motywacyjnego systemu finansowania instytucji B+R124

.

122

I. Feller, dz. cyt., s. 101-102. 123

Tamże, s. 102. 124

A. Gryzik, A. Płoszaj, dz. cyt., s. 61-62.

38

ROZDZIAŁ 2.

PRODUKTYWNOŚĆ NAUKI

1.1. Paradygmat produktywności

W teorii zarządzania przypisuje się duże znaczenie produktywności

(ang. productivity), zarówno w skali makro, jak i mikro. Produktywność jest uznawana

za podstawowy czynnik wzrostu gospodarczego, postępu społecznego i poprawy poziomu

życia1. Zauważa się, że rozwój produktywności gospodarki podnosi jej konkurencyjność,

daje wkład do dochodu narodowego, sprzyja ograniczaniu inflacji oraz likwidacji bezrobocia.

Niedostateczne tempo wzrostu produktywności prowadzi do stagnacji gospodarczej lub nawet

zapaści cywilizacyjnej2. Na poziomie organizacji, produktywność stanowi podstawę

budowania przewagi konkurencyjnej3 i przesądza o zdolności do działania i rozwoju

4.

Chociaż produktywność należy do podstawowych kategorii elementarnych w naukach

ekonomicznych, jest pojęciem marginalizowanym. Zdaniem wielu badaczy, główną przyczyną

takiego stanu jest między innymi niedostateczne rozpoznanie istoty produktywności oraz duża

rozbieżność w stosowanej terminologii dotyczącej produktywności5.

Analizując literaturę przedmiotu autorka pracy wyróżniła trzy podejścia

do pojmowania produktywności:

podejście techniczne;

podejście społeczno-ekonomiczne;

podejście traktujące produktywność jako syntezę efektywności (ang. efficiency)

i racjonalności (ang. effectiveness).

1 A. Sharpe, Productivity concept, trends and prospects: an overview, “The Review of Economic Performance

and Social Progress” 2002, t. 2, s. 31-56; C. Kao, L. Chen, T. Wang, S. Kuo, S. Horng, Productivity

improvement: efficiency approach vs effectiveness approach, “Omega International Journal of Management

Science” 1995, t. 23, nr 2, s. 197-204; Centre for the Study of Living Standards, Productivity: key to economic

success, Report, The Atlantic Canada Opportunities Agency, Ottawa, Ontario1998, s. 1-45; OECD Manual,

Measuring productivity. Measurement of aggregate and industry-level productivity growth, OECD Publishing,

France 2001, s. 12; S. Krugman, The age of diminished expectations [za:] D. Camus, The ONS productivity

handbook. A statistical overview and guide, Office for National Statistics, Pelgrave Macmillan, New York

2007, s. 2; A.H. Munnell, Why has productivity growth declines? Productivity and public investment, “New

England Economic Review”1990, January/February, s. 1-22. 2 S. Rao, J. Tang, W. Wang, The importance skills for innovation and productivity, “International Productivity

Monitor” 2002, nr 4, s. 15-23; Vademecum produktywności, S. Lis (red.), Agencja Wydawnicza Placet,

Warszawa 1999, s. 11. 3 H. Singh, J. Motwani, A. Kulmar, A review and analysis of the state-of-the-art research on productivity

measurement, “Industrial Management & Data Systems” 2000, t. 100, nr 5, s. 234. 4 S. Tangen, Demystifying productivity and performance, “International Journal of Productivity and Performance

Management” 2005, t. 54, nr 1, s. 35; J. Prokopenko, Productivity management. A practical handbook,

International Labour Office, Geneva 1987, s. v. 5 I. Bernolak, Effective measurement and successful elements of company productivity: The basis of competitiveness

and world prosperity, “International Journal of Production Economics” 1998, t. 52, s. 203; S. Tangen, dz. cyt.,

s. 35; H. Singh, J. Motwani, A. Kulmar, dz. cyt., s. 234; B. Chew, No-nonsense guide to measuring

productivity, “Harvard Business Review” 1988, January-February, s. 3-9.

39

Podstawowy nurt badań nad produktywnością rozwijał podejście techniczne,

traktujące produktywność jako relację efektów do nakładów przeznaczonych na ich uzyskanie

w określonym czasie6. Pierwsze wzmianki na temat produktywności przypisywane są

F. Quesnayowi (1766) i były odnoszone były do rolnictwa7. Quesney twierdził, że tylko

ziemia i rolnictwo pozwalają uzyskać znacznie większą wartość w stosunku do poniesionych

nakładów. Pracę w rolnictwie uznawał za unikalne źródło bogactwa, a rolników określał

mianem produktywnej klasy społecznej. Inny typ działalności uznawał za jałowy,

nieprzynoszący dodatkowych korzyści ponad te wypływające z poniesionych nakładów

(uzyskiwane efekty zrównywał z ponoszonymi nakładami)8.

Wraz z rozwojem przemysłu i kształtowaniem się nurtu klasycznego teorii organizacji

i zarządzania, w którym kluczowym aspektem było poszukiwanie sposobów

efektywniejszego wykorzystania siły roboczej9, produktywność zaczęto odnosić

do działalności produkcyjnej. W tym kontekście badacze przytaczają wiele definicji

produktywności. Ich różnorodność zależna jest od kontekstu stosowania i wynika ze sposobu

definiowania nakładów i efektów.

Początkowo produktywność utożsamiana była ze zdolnością wytwórczą10

. P. Drucker

produktywność wyjaśnia jako równowagę między wszystkimi czynnikami produkcji, która

da najlepszy wynik przy możliwie najmniejszym wysiłku11

. A. Sharpe uznaje, iż jest

to relacja, wyrażona wskaźnikiem, pomiędzy efektami w postaci dóbr i usług oraz nakładami

zasobów ludzkich i rzeczowych wykorzystanych w procesie produkcji12

. G.A. Oyeranti

odwołuje się do definicji produktywności jako wskaźnika pomiaru efektów do wskaźnika

zużycia zasobów, podawanej przez J.M. Eatwella i P. Newmana13

. R. Kaplan i R. Cooper

konceptualizują produktywność jako relację faktycznych nakładów organizacji do faktycznie

zużytych zasobów14

. D.S. Sink i T.C. Tuttle wyrażali pogląd, że produktywność to relacja

6 A. Kosieradzka, Zarządzanie produktywnością w przedsiębiorstwie, Wydawnictwo C.H. Beck, Warszawa

2012, s. 20; J. Prokopenko, Productivity management. A practical handbook, dz. cyt., s. 3; T. Coelli,

D.S.S. Rao, G.E. Battese, An introduction to efficiency and productivity analysis, Kluwer Academic

Publishers, Boston, Dordrecht, London 2002, s. 2. 7 S. Tangen, dz. cyt., s. 34.

8 R. Bleischwitz, Rethinking productivity: why has productivity focused on labour instead of natural resources,

“Environmental and Resource Economics” 2001, t. 19, s. 25. 9 R.W. Griffin, Podstawy zarządzania organizacjami, Państwowe Wydawnictwo Naukowe, Warszawa 2007, s. 42.

10 S. Tangen, Demystifying productivity and performance, dz. cyt., s. 36.

11 S. Smoleński, Zarządzanie produktywnością w przedsiębiorstwie, Oficyna Wydawnicza Ośrodka Postępu

Organizacji, Bydgoszcz 2000, s. 78. 12

A. Sharpe, dz. cyt., s. 31-56. 13

G.A. Oyeranti, Concept and measuring of productivity, Central Bank of Nigeria, Abuja 2000, s. 3,

http://www.cenbank.org/out/Publications/occasionalpapers/rd/2000/Abe-00-1.PDF [26.07.2011]. 14

S. Tangen, dz. cyt., s. 34.

40

realnie osiągniętych efektów do oczekiwanego zużycia zasobów15

. T. Fisher wprowadził

zależność całkowitego przychodu do kosztów i docelowego zysku16

. Z kolei U. Aspén i in.

wskazywali, że produktywność wpływa na przyrost wartości dóbr w wyniku określonego

procesu produkcji i definiowali produktywność jako relację uzyskanej wartości dodanej

do nakładów czynników wytwórczych17

. A. Ghobadian i T. Husband wyodrębnili trzy

kategorie koncepcji produktywności: technologiczną (relacja wejść i wyjść użytych

w produkcji), inżynieryjną (relacja między faktycznym a potencjalnym efektem procesu

produkcji) i ekonomiczną (efektywność zużytych zasobów)18

. T. Prokopenko podkreśla

znaczenie jakości w procesie wytwarzania dóbr i usług, relacja między wielkością i jakością

wytwarzanych dóbr i usług do ilości zużytych zasobów19

. B. Moseng i A. Rolstadås

podkreślają w swojej koncepcji produktywności zdolność do zaspokajania potrzeb rynkowych

przy wykorzystaniu minimalnego poziomu całkowitych nakładów20

jako efektywność

przekształcania nakładów w efekty21

.

W literaturze polskiej E. Hauswald po raz pierwszy zdefiniował produktywność

(produkcyjność, produktywizm) jako ilość wyrobów wytworzonych w danych warunkach

w określonym czasie22

. T. Kotarbiński uznawał produktywność za odwrotność oszczędności.

Wyższa produkcyjność jest osiągana wówczas, gdy osiąga się cenniejszy wytwór przy danym

zużyciu zasobów23

. Według Małej encyklopedii prakseologii i teorii organizacji

produktywność to stosunek wyniku użytecznego do poniesionego wkładu24

. A. Kosieradzka

i S. Lis określają produktywność jako stosunek ilości produkcji wykonanej i sprzedanej

w rozpatrywanym okresie do ilości wykorzystywanych lub zużytych zasobów wejściowych25

.

Kluczowe znaczenie ma określenie „sprzedanej‟, które wskazuje różnicę między wydajnością

a produktywnością. S. Smoleński produktywnością nazywa kombinację produktywności

15

D.S. Sink, T.C. Tuttle, Planning and measurement in your organization of the future, Industrial Engineering

and Management Press, Norcross 1989, s. 180. 16

T. Fisher, Business productivity measurement using standard cost accounting information, “International

Journal of Operations &Production Management” 1990, t. 10, nr 8, s. 61-69 [za:] S. Tangen, Demystifying

productivity and performance, dz. cyt., s. 34. 17

S. Tangen, dz. cyt., s. 34. 18

j.w. 19

G.A. Oyeranti, dz. cyt. s. 3. 20

S. Tangen, dz. cyt., s. 36. 21

C. Grӧnroos, K. Ojsalo, Service productivity. Towards a conceptualization of the transformation of inputs

into economic results in services, “Journal of Business Research” 2004, t. 57, s. 414- 415. 22

A. Kosieradzka, S. Lis, Programowanie poprawy produktywności, Instytut Organizacji i Zarządzania

w Przemyśle „ORGMASZ”, Warszawa 1998, s. 9. 23

T. Kotarbiński, Traktat o dobrej robocie, Zakład Narodowy Imienia Ossolińskich, Wrocław, Warszawa,

Kraków 1969, s. 401. 24

T. Pszczołowski, Mała encyklopedia prakseologii i teorii organizacji, Wydawnictwo Ossolineum, Wrocław,

Warszawa, Kraków, Gdańsk 1978, s. 187. 25

A. Kosieradzka, S. Lis, dz. cyt. s. 9.

41

pracy, produktywności kapitału i jakości26

. Natomiast J. Pawłowski utożsamia produktywność

z techniczną efektywnością produkcji jako funkcji wielkości produkcji i kosztu jednostkowego27

.

Równolegle do indywidualnego podejścia kształtowało się podejście w skali makro.

W literaturze dość wcześnie podkreślano związek produktywności przedsiębiorstw

z produktywnością krajów. A. Smith (1776), któremu przypisuje się wprowadzenie pojęcia

produktywności do literatury ekonomicznej, w książce An inquiry into the nature and caoses

of the wealth of nations przedstawił twierdzenie, że roczny produkt każdego narodu może

wzrosnąć przez zwiększenie liczby produktywnych pracowników lub wzrost ich siły

produkcyjnej (produktywność pracy)28

. Podobnie M. Porter zauważał, że rozwój gospodarki

zależy przede wszystkim od sprawności funkcjonowania przedsiębiorstw – wzrost poziomu

życia uzależniał od zdolności krajowych przedsiębiorstw do osiągania wysokiego poziomu

produktywności i wzrostu ich produktywności w czasie29

. Obecnie, w krajach rozwiniętych,

działalność na rzecz poprawy produktywności prowadzona jest z dużą intensywnością,

wspieraną przez centralne ośrodki zarządzania. Największe efekty w tym zakresie uzyskano

w Japonii, gdzie ruch poprawy produktywności rozwinął się na skalę masową i przyczynił się

do radykalnej transformacji gospodarczej i tym samym stworzenia jednej z czołowych

gospodarek światowych30

.

Wraz z rozwojem metod zarządzania i uwzględniania specyficznych cech

współczesnych gospodarek, zaczęto szerzej rozumieć pojęcie produktywności. Znaczenie

produktywności zaczęto odnosić do działalności gospodarczej, publicznej, administracyjnej

i instytucjonalnej przy uwzględnieniu czynników ludzkich i społecznych31

. Rozpatrywana jest

na poziomie ponadnarodowym, narodowym, krajowym, sektorowym, regionalnym,

branżowym, instytucjonalnym, pojedynczej organizacji, działu, obszaru funkcjonalnego

czy stanowiska pracy, zarówno w aspekcie strategicznym, jak i operacyjnym32

.

26

S. Smoleński, dz. cyt., s. 79. 27

J. Pawłowski, Metodyka oceny efektywności finansowej przedsięwzięć gospodarczych, Wydawnictwo

Uniwersytetu Łódzkiego, Łódź 2004, s. 44. 28

I. Bernolak, dz. cyt., s. 204. 29

Tamże. 30

A. Stainer, Productivity management: the Japanese experience, “Management Decision” 1995, t. 33, nr 8, s. 4-

12; Vademecum produktywności, dz. cyt., s. 11. 31

W.S. Pawlak, Produktywność. Podstawy, Zarządzanie przez jakość, Wydawnictwo Bellona, Warszawa, 1995, s. 2. 32

A. Kosieradzka, S. Lis, dz. cyt., s. 10; M. Kaci, Understanding productivity: a primer, „Canadian Productivity

Review” 2006, catalogue no. 15-206-XIE, nr 002, s. 6-7.

42

Niezależnie jednak od typu działalności, politycznego i ekonomicznego aspektu,

produktywność zawsze oznacza to samo. W podstawowej koncepcji jest rozumiana

jako ilościowa relacja efektów do nakładów przeznaczonych na ich uzyskanie33

, a wzrost

produktywności oznacza, że zachodzi jedna z następujących implikacji34

:

efekty rosną i jednocześnie nakłady maleją;

efekty rosną, przy stałych nakładach;

efekty i nakłady rosną, lecz nakłady rosną proporcjonalnie wolniej niż efekty;

efekty są stałe, lecz nakłady maleją;

efekty maleją, lecz nakłady maleją bardziej niż proporcjonalnie.

Podstawową przesłanką metodologiczną rozważań na temat produktywności

jest związanie jej z określonym obiektem badawczym. Zdaniem autorki, produktywność nie ma

charakteru samodzielnego bytu, lecz powinna być rozpatrywana w konkretnym odniesieniu,

podmiotowym lub przedmiotowym. Można odnieść się do koncepcji organizacji jako systemu35

(rysunek 2.1), aby zachować uniwersalność pojęcia. Wejścia systemu (nakłady) wykorzystywane

są do wytwarzania wyniku wyjściowego (efektów). Pod pojęciem nakładów rozumie się zasoby

ludzkie, finansowe, rzeczowe i informacyjne. Procesy transformacji to ogół działań, mających

na celu przetworzenie wejść systemu w wyjścia (produkty lub usługi). Z punktu widzenia

pomiaru produktywności istotne jest, czy daną jednostkę można scharakteryzować przez jej

zasoby wejściowe (nakłady – wejścia systemu), efekty (wyjścia systemu) oraz procesy

transformacji przekształcające zasoby w efekty. W ujęciu technicznym produktywność stanowi

miarę działania takiego systemu o szeroko rozumianych zasobach i efektach.

Każdy system wykorzystuje różne rodzaje zasobów ix w pewnych ilościach i dostarcza

do otoczenia określony wolumen wytworzonych przez siebie produktów iy . Wielość nakładów

i ich kombinacji, a także wielość możliwych ujęć efektów związanych z tymi nakładami

powoduje, iż istnieje wiele sposobów odzwierciedlania i interpretowania produktywności

oraz jej implementacji. T. Coelli, D. Rao i G. Battese wyróżniają trzy podstawowe wymiary:

stosunek pojedynczego efektu do pojedynczego nakładu, całkowitych efektów do nakładów

używanych w procesie produkcji (ang. Total Factor Productivity, TFP) lub wybranych

efektów do wybranych nakładów (ang. partial indexes)36

.

33

J. Prokopenko, dz. cyt., s. 3; T. Coelli, D.S.S. Rao, G.E. Battese, dz. cyt., s. 2. 34

I. Alsyouf, The role of maintenance in improving companies’ productivity and profitability, “International

Journal of Production Economics” 2007, t. 105, s. 74. 35

J. Penc, Sztuka skutecznego zarządzania, Oficyna Ekonomiczna, Kraków 2006, s. 19-22. 36

T. Coelli, D.S.S. Rao, G.E. Battese, dz. cyt. s. 2-3.

43

Rysunek 2.1. Koncepcja techniczna produktywności

Źródło: opracowanie własne na podstawie D.S. Sink, T.C. Tuttle, Planning and measurement in your

organization of the future, Industrial Engineering and Management Press, Norcross 1989, p. 180.

Należy tu wyjaśnić za C.A. Knoxem Lovellem, że produktywność ogólna nie oznacza

ujęcia wszystkich czynników określających nakłady i efekty, lecz adekwatnych do poziomu

wybranego problemu. W przeciwnym wypadku, wielość zmiennych nie będzie różnicować

wskaźników produktywności badanych obiektów37

. Pożądany jest zatem wybór użytecznych,

przydatnych cech i ich ekonomicznie uzasadniona agregacja. W literaturze szeroko stosowane

są mierniki produktywności całkowitej, dlatego produktywność definiowana jest niekiedy

jako relacja zagregowanych wyjść do zagregowanych wejść38

. Syntetyczne podejście prezentuje

I. Alsyouf. Relację produktywności przedstawia jako ilość wytworzonych efektów w określonym

czasie do sumy jednego lub wszystkich czynników wymaganych do produkcji efektów39

.

W ujęciu społeczno-ekonomicznym produktywność pojmuje się zgodnie z definicją

Europejskiej Agencji Produktywności40

. Produktywność formułuje się jako mentalność

postępu, wyrażającą się w organizowaniu i wspieraniu wszelkiego rodzaju przedsięwzięć,

mających na celu ciągłe doskonalenie organizacji, poprawę stanu obecnego oraz zwiększanie

37

Knox Lovell C.A., Production frontiers and productive efficiency, [w:] The measurement of productive

efficiency: techniques and applications, H.O. Fried, S.S. Schmidt, C.A. Knox Lovell (red.), Oxford University

Press, New York 1993, s. 3. 38

C. Kao, L. Chen, T. Wang, S. Kuo, S. Horng, dz. cyt., s. 197. 39

I. Alsyouf, , dz. cyt., s. 74. 40

EPA (European Productivity Agency) była inicjatywą powołaną w 1953 roku w ramach Planu Marshalla

jako półautonomiczna jednostka Organizacji Europejskiej Współpracy Gospodarczej (OEEC). Jej celem było

promowanie produktywności wśród krajów członkowskich. Była kluczowym narzędziem napędzającym

wzrost produktywności w Europie w latach 50. Należy podkreślić, że EPA była przedsięwzięciem bardzo

innowacyjnym w ówczesnym czasie. Została jednak rozwiązana 1961 roku, kiedy OEEC zostało

przekształcone w Organizację Współpracy Gospodarczej i Rozwoju (OECD). B. Boel w książce The European

Productivity Agency and Transatlantic Relations 1953-1961 (Museum Tusculanum Press, Denmark 2003,

249 s.) dowodzi niesłuszności rozwiązania EPA.

gdzie:

xi i-ty nakład

yi j-ty efekt

I liczba nakładów

J liczba efektów

Produktywność

PROCESY

TRANSFORMACJI

NAKŁADY xi

i=1,2,…, I

EFEKTY yj

j=1,2,…, J

i x

I

i 1

j y

J

j 1

44

zadowolenia pracowników z warunków pracy i poziomu życia41

. „Jest to pewność, że to,

co robi się dziś, jest lepsze od tego, co robiło się wczoraj, a gorsze od tego, co będzie się robić

jutro”42

. Traktowana jest jako filozofia unikania marnotrawstwa i szacunku do ludzi43

.

Japończycy, uznając techniczne ujęcie produktywności, za bardziej istotny uważają

aspekt ekonomiczno-społeczny. Japońskie Centrum Produktywności definiuje produktywność

jako rezultat pracy człowieka przy wykorzystaniu materiałów, kapitału i technologii i wyraża

się w postawie ciągłego dążenia do technicznego doskonalenia44

.

Poprawa poziomu produktywności w tym podejściu przejawia się we wdrażaniu takich

koncepcji zarządzania, jak TQM, Kaizen, 5S, Six Sigma, Kanban, Just In Time, Lean

Management i innych45

. Podejście to jest popularyzowane przez instytucje wspierające

tak zwany Ruch Produktywności46

.

Trzecie podejście prezentowane w literaturze dotyczące zagadnienia produktywności

przyjmuje, że produktywność stanowi syntezę dwóch pojęć: efektywności (ang. efficiency)

i racjonalności (ang. effectiveness)47

. Koncepcja rozpowszechniona za D.S. Sinkiem

i T.C. Tuttlem rozpatruje produktywność jako podejmowanie właściwych działań (ang. doing

right things) i realizację ich we właściwy sposób (ang. doing things right)48

(rysunek 2.2).

Innymi słowy produktywność oznacza efektywne i racjonalne użycie zasobów w celu

uzyskania pożądanych rezultatów.

To podejście porządkuje chaos terminologiczny w obszarze zagadnienia

produktywności i wyjaśnia relację zakresową między pojęciami produktywności, efektywności,

skuteczności i racjonalności. Brak spójności w stosowaniu tych pojęć, błędne utożsamianie

pojęć pokrewnych jest zauważalne zarówno w literaturze polskiej i zagranicznej49

.

41

Vademecum produktywności, dz. cyt., s. 35; S. Tangen, dz. cyt., s. 36. 42

S. Smoleński, dz. cyt., s. 79. 43

M.M. Helms, Perspective on quality and productivity for competitive advantage, ”The TQM Magazine” 1996,

t. 8, nr 3, s. 6. 44

S. Tangen, S. Tangen, Demystifying productivity and performance, s. 36. 45

S. Smoleński, dz. cyt., s. 117-244; A. Hamrol, W. Mantura, Zarządzanie jakością: teoria i praktyka, Państwowe

Wydawnictwo Naukowe, Warszawa 2011; L. Pacholski, B. Malinowski, S. Niedźwiedź, Procesowe, strukturalne

i kooperacyjne aspekty innowacyjności organizacyjnej przedsiębiorstw, Wydawnictwo Politechniki Poznańskiej,

Poznań 2011; A. Hamrol, Zarządzanie jakością z przykładami, Państwowe Wydawnictwo Naukowe, Warszawa 2011. 46

Vademecum produktywności, dz. cyt., s. 13-27. 47

H.J. Bernardin, Academic research under siege: toward better operational definitions of scholarship to increase

effectiveness, efficiencies and productivity, “Human Resource Management Review” 1996, t. 6, nr 3, s. 207-229;

T. Coelli, D.S.S. Rao, G.E. Battese, dz. cyt.; C. Kao, L. Chen, T. Wang, S. Kuo, S. Horng, dz. cyt., s. 197-204. 48

S. Tangen, Understanding the concept of productivity, Proceedings of the 7th

Asia Pacific Industrial

Engineering and Management Systems Conference (APIEMS2002), Taipei, s. 3. 49

E. Szymańska, Efektywność przedsiębiorstw – definiowanie i pomiar, „Roczniki Nauk Rolniczych” 2010,

seria G, t. 97, nr 2, s. 154-158; J. Pawłowski, dz. cyt., s. 41, 44; L. Kozioł, Istota i ocena produktywności,

„Zeszyty Naukowe Małopolskiej Wyższej Szkoły Ekonomicznej w Tarnowie. Zarządzanie zasobami

ludzkimi” 2004, nr 5, s. 63-73.

45

Rysunek 2.2. Koncepcja produktywności jako syntezy efektywności i racjonalności

Źródło: opracowanie własne na podstawie S. Tangen, Understanding the concept of productivity, Proceedings of the

7th Asia Pacific Industrial Engineering and Management Systems Conference (APIEMS2002), Taipei 2002, p. 3.

Termin efficiency jest tłumaczony z języka angielskiego jako efektywność, sprawność,

skuteczność, wydajność50

. Efektywność jest pojęciem traktowanym jednak wieloaspektowo.

Podobnie jak produktywność, pojęcie to nie jest jednoznacznie wyjaśniane. Współczesne

definicje zatracają jasną granicę między efektywnością a produktywnością, często wyjaśniane

są w taki sam sposób, bądź ze sobą utożsamiane. J. Juzwiszyn, W. Rybicki, A. Smoluk

w publikacji O definicji efektywności. Rozważania nad celowością w naturze i rozwojem

podejmują wnikliwe rozważania nad istotą efektywności i jej aspektem prakseologicznym,

ekonomicznym i matematycznym51

. W. Rybicki kontynuuje te rozważania w pracy

O wielostronności, relatywizmie i złożoności kategorii efektywności52

.

Przede wszystkim, należy podkreślić, że termin efektywność odnosi się

do gospodarowania nakładami. Sięgając do rozważań J. Zieleniewskiego z 1972 efektywność

rozumiana jest jako „rzeczywisty wpływ wprowadzenia danej ilości, danego rodzaju zasobów

na podstawie określonego produktu danego działania”53

. Efektywność wywodzi się zasady

racjonalnego gospodarowania zasobami i oznacza osiąganie danych wyników przy możliwie

najniższych nakładach (formuła oszczędnościowa) albo uzyskanie jak najlepszego rezultatu

z danej ilości nakładów (formuła wydajnościowa)54

. W. Rybicki interpretuje efektywność jako

poprawność, prawidłowość, kojarzy z oszczędnością, ekonomicznością, gospodarnością

50

Mały słownik techniczny angielsko-polski i polsko-angielski, Wydawnictwa Naukowo-Techniczne, Warszawa

1990, s. 78. 51

J. Juzwiszyn, W. Rybicki, A. Smoluk, O definicji efektywności. Rozważania nad celowością w naturze

i rozwojem, [w:] Efektywność – rozważania nad istotą i pomiarem, T. Dudycz (red.), „Prace Naukowe

Akademii Ekonomicznej we Wrocławiu” 2005, nr 1060, s. 191-203. 52

W. Rybicki, O wielostronności, relatywizmie i złożoności kategorii efektywności, [w:] Efektywność –

rozważania nad istotą i pomiarem, T. Dudycz (red.), „Prace Naukowe Akademii Ekonomicznej

we Wrocławiu” 2005, nr 1060, s. 358-379. 53

J. Zieleniewski, Prakseologiczne problemy wydajności i produktywności pracy, [w:] Dynamika wydajności

pracy w świetle prakseologii, Państwowe Wydawnictwo Naukowe, Warszawa 1972, s. 21, 25, 36. 54

E. Szymańska, dz. cyt., s. 156.

PRODUKTYWNOŚĆ

(ang. productivity)

EFEKTYWNOŚĆ

(ang. efficiency)

realizacja działań we właściwy sposób

(ang. doing things right)

RACJONALNOŚĆ

(ang. effectiveness)

podejmowanie właściwych działań

(ang. doing right things)

46

i racjonalnością sposobu i stopnia pożytkowania zasobów55

. W tym znaczeniu efektywność

oznacza relację minimalnego możliwego poziomu nakładów niezbędnych na realizację procesów

w stosunku do faktycznie zużytych nakładów na ten cel56

. Minimalny – idealny – poziom może

być wyznaczany przez odniesienia w czasie lub do innych jednostek. Natomiast wykorzystywanie

zasobów mądrze, bez zbędnego marnotrawstwa określa się mianem sprawności57

.

Zdaniem J. Pawłowskiego, efektywność wskazuje na ekonomiczność zużycia

zasobów58

. Miarą ekonomiczności jest stosunek wyniku użytecznego do kosztów działania.

Wynik użyteczny oznacza wszystkie zamierzone i niezamierzone pozytywne skutki

działania59

. Organizacja jest efektywna, gdy realizuje swoje cele, przy optymalnym poziomie

nakładów na działania zmierzające do realizacji celów60

. Stąd często w literaturze przytaczana

jest definicja efektywności jako cechy działań, dających pozytywnie oceniany wynik

bez względu na to, czy był on zamierzony, czy też niezamierzony61

. T. Kotarbiński jednak

za skuteczne uważa tylko działanie prowadzące do skutku zamierzonego jako cel. Zatem

wynik pozytywny niezamierzony jest skutkiem działań efektywnych, lecz nieskutecznych62

.

Efektywność przejawia się zatem w usprawnieniu technologii, wzrostu wielkości

organizacji, która pozwala na redukcję kosztów wynikających z korzyści skali i innych

organizacyjnych zmian63

. Obejmuje działania skupiające się na rzetelnej realizacji, unikaniu

błędów, analizy wykorzystanych nakładów, nastawienie na ekonomiczność zużycia zasobów

przy zachowaniu poziomu satysfakcji klienta oraz doskonalenie techniki realizacji tych

działań. Produktywność mierzy efektywność przekształcania nakładów w efekty64

.

Termin effectiveness tłumaczony jest z języka angielskiego jako „skuteczność‟65

.

W koncepcji produktywności skuteczność rozumiana jest tak, jak definiuje ją R.W. Griffin,

jako podejmowanie właściwych decyzji i realizowanie ich z powodzeniem66

. W polskiej

literaturze skuteczność definiowana jest raczej jako zgodność rezultatu z zamierzonym

celem67

. Autorka niniejszej rozprawy skłania się do tłumaczenia terminu effectiveness

jako racjonalności. Oznacza to bowiem celowość podejmowanych działań oraz ich skuteczność.

55

W. Rybicki, dz. cyt., s. 359. 56

S. Tangen, Understanding…; I. Alsyouf, dz. cyt., s. 73. 57

R.W. Griffin, dz. cyt., s. 6. 58

I. Alsyouf, dz. cyt., s. 73. 59

J. Pawłowski, dz. cyt., s. 31. 60

Tamże, s. 33. 61

E. Szymańska, dz. cyt., s. 154; J. Pawłowski, dz. cyt., s. 32-34. 62

T. Kotarbiński, dz. cyt., s. 113-115; T. Pszczołowski, dz. cyt., s. 60. 63

M. Kaci, dz. cyt., s. 5. 64

C. Grӧnroos, K. Ojsalo, dz. cyt., s. 414- 415. 65

Mały słownik techniczny…, s. 75. 66

R.W. Griffin, dz. cyt., s. 6. 67

T. Pszczołowski, dz. cyt., s. 202-203, 34.

47

Jest to podejmowanie działań ugruntowanych poznawczo, opartych na logicznym

rozumowaniu, naukowych metodach, zaplanowanych i dających dobre wyniki68

. Racjonalność

zorientowana jest na efekty w relacji produktywności, skupia się na kreowaniu wartości

dla odbiorcy i wyraża się relacją obecnego stanu do pożądanego.

Wyjaśnienie rozróżnienia wymienionych pojęć przedstawiono na rysunku 2.3.

Rysunek 2.3. Koncepcja produktywności w odniesieniu do pojęć pokrewnych

Źródło: opracowanie własne.

Takie podejście wskazuje, iż działanie racjonalne może być nieefektywne, a działanie

efektywne – nieracjonalne. Teoretycznie nie ma limitu jak efektywna może być organizacja,

lecz wzrost efektywności nie gwarantuje wzrostu produktywności69

.

Rozróżnienie pojęć produktywności i efektywności następuje także w sposobie

prezentowania jednostek wyrażenia i jednostek odniesienia70

(jednostki wyrażenia występują

w liczniku i traktowane są jako zależne, jednostki odniesienia występują w mianowniku

i traktowane są jako niezależne). Zdaniem W.B. Chew produktywność należy wyrażać

w jednostkach fizycznych (naturalnych). Podkreśla, że produktywność powinna pokazywać

rzeczywisty obraz organizacji, tj. optymalny układ nakładów i efektów, w długim okresie71

.

Zatem wychodzi się od funkcji produkcji. Produktywność ma wyjaśniać, jak uzyskać większy

efekt z posiadanych zasobów w stosunku do konkurencji. Wartości wyrażone w jednostkach

finansowych są zależne od zmieniających się cen w czasie72

. M. Kaci wyjaśnia, że w krótkim

okresie, zmiany zachodzące w otoczeniu, szczególnie wahania cen czy trendy sezonowe,

68

Słownik języka polskiego, Państwowe Wydawnictwo Naukowe, http://sjs.pwn.pl/szukaj/racjonalność.html

[18.07.2013]. 69


J. Zieleniewski, dz. cyt., s. 27-28. 71

W.B. Chew, dz. cyt., s. 4. 72

Tamże.

poziom

racjonalności

poziom

efektywności

produktywność sprawność

skuteczność nieracjonalność

niski wysoki

nis

ki

wy

sok

i

48

mogą mieć wpływ na rentowność organizacji. I. Alsyouf uzasadnia, że wskaźniki finansowe

odzwierciedlają bieżącą sytuację, lecz nie powinny stanowić podstawy do oceny sytuacji

długofalowej, ponieważ są zależne od wielu czynników zmiennych w krótkim czasie73

. M. Kaci

nazywa taką sytuację „iluzją monetarną”74

. R.P. Mohanty wyjaśnia, że prawdopodobną jest

sytuacja, gdy w danym czasie zyski organizacji są wysokie, podczas gdy produktywność

spada75

. Podobny pogląd prezentuje A. Shape, którego zdaniem właściwa relacja wejść i wyjść

jest zachowana, gdy jest niezależna od wpływu zmian cen w czasie76

. Istota produktywności

wyraża się w tym, że nie jest poddawana „iluzji monetarnej”. Wzrost produktywności nie

powinien być związany z obniżeniem kosztów, ale może nastąpić przykładowo przez wzrost

efektywności pracowników i lepsze zastosowanie technologii. Produktywność odzwierciedla

nie tylko stopień wykorzystania zasobów, ale również skutki zmian w strukturze zasobów

i poziom jakości procesów.

Poziom cen zasobów ma jednak znaczący wpływ na dobór technologii produkcji.

Nakłady i efekty wyrażone w jednostkach finansowych dotyczą koncepcji efektywności77

.

Efektywność opisuje zdolność organizacji do pokonywania niepewności otoczenia,

kształtowania warunków otoczenia w kierunku sprzyjającym organizacji. Przy założeniu,

że organizacja ma charakter systemu otwartego, występuje duża substytucyjność produktów

i metod ich wytwarzania, zasoby są ograniczone (rzadkie), występuje limitacja

technologiczno-czasowa, a także rozwój sił wytwórczych, następuje konieczność

dokonywania wyborów spośród wielości wariantów rozwiązań technologicznych,

angażujących różne kombinacje zasobów78

. Efektywność wskazuje na optymalną relację

nakładów przy założonych cenach tych nakładów.

Problematyka produktywności ugruntowała się na podłożu działalności

przedsiębiorczej, lecz jej adaptacja nastąpiła w sektorze publicznym. Cele zarządzania

podmiotami sektora publicznego nie różnią się znacząco od zarządzania w sektorze

prywatnym79

. Niemniej jednak złożoność sektora publicznego jest inna. Wynika

to ze specyficznego charakteru sektora publicznego, który nie jest rynkiem konkurencyjnym,

a podmioty nie są nastawione na osiąganie zysku, lecz spełnianie pewnych funkcji

73


M. Kaci, dz. cyt., s.10. 75

R.S. Mohanty, Productivity growth: some imperatives, ”Work Study” 1995, t. 44, nr 1 s. 16-17. 76

A. Sharpe, dz. cyt., s. 31. 77

M. Kaci, dz. cyt., s. 10. 78

W. Rybicki, dz. cyt., s. 367. 79

S.F. Drucker, Zarządzanie w XXI wieku, Wydawnictwo Muza SA, Warszawa 2000, s. 39.

49

publicznych. Charakteryzuje się on złożonością wpływów otoczenia i jego niestabilnością

(częste zmiany polityczne i prawne), wielością i niejednoznacznością celów, mnogością

interesariuszy ze sprzecznymi oczekiwaniami i preferencjami oraz obawą przed

innowacyjnością80

. Innym czynnikiem charakteryzującym sektor publiczny jest

ograniczoność środków finansowych, których zasady wydatkowania podlegają szczegółowym

regulacjom i nadzorowi. Od instytucji publicznych oczekuje się efektywnej alokacji środków

publicznych, dbałości o efektywność realizowanych procesów, podnoszenia jakości

świadczonych usług oraz doskonalenia zarządzania instytucjami publicznymi. Duże

organizacje publiczne złożone z wielu jednostek organizacyjnych (działają na wielu

płaszczyznach) cechuje mnogość świadczonych usług i celów. Trudno też określić (ustalić)

ceny usług świadczonych przez organizacje publiczne81

.

W literaturze podkreśla się, że pomiar produktywności instytucji publicznych kreuje

substytut konkurencyjności i wspiera ewaluację i monitorowanie, dzięki czemu wymusza

dbałość o efektywność realizowanych procesów, podnoszenia jakości świadczonych usług,

doskonalenia zarządzania instytucjami publicznymi i racjonalne wydatkowanie środków

publicznych.

2.2. Istota i determinanty produktywności jednostek naukowych

Produktywność przyjmuje różne znaczenie w zależności od sektora, a także segmentów

tego sektora82

. Obecnie pojęcie to nabrało szerokiego kontekstu i znajduje swoje

odzwierciedlenie także w sektorze nauki. Początkowo adaptacja produktywności w sektorze

nauki rodziła wiele wątpliwości. Najczęściej podnoszonym argumentem było ogólne

stwierdzenie, że nie można obiektywnie zmierzyć poziomu i wartości pracy naukowej83

. Mimo

to, wciąż trwały prace nad doskonaleniem metod pomiaru i oceny efektów pracy naukowej.

Problematyka produktywności nauki rozwija się od lat siedemdziesiątych XX wieku84

,

ale zagadnienia dotyczące produktywności w sektorze nauki były podejmowane znacznie

80

M. Bratnicki, A. Frączkiewicz-Wronka, Efektywność organizacyjna i zarządzanie publiczne – wyłaniające się

koncepcje, kluczowe wyzwania i kierunki dalszych badań w obszarze pomiaru efektywności, „Organizacja

i Kierowanie” 2006, nr 3 (125), s. 18. 81

A. Jääskeläinen, E. Uusi-Rauva, Bottom-up approach for productivity measurement in large public organizations,

“International Journal of Productivity and Performance Management” 2011, t. 60, nr 3, s. 254. 82

I.A. Al-Darrab, Relationships between productivity, efficiency, utilization, and quality, “Work Study” 2000,

MCB University Press, t. 49, nr 3, s. 98. 83

A. Guena, B.R. Martin, dz. cyt., s. 278. 84

G. Abramo, C.A. D‟Angelo, F. Di Costa, Research collaboration and productivity: is there correlation?,

“Higher Education” 2009, t. 57, s. 157; H. Dundar, D.R. Lewis, Determinants of research productivity

in higher education, ”Research in Higher Education” 1998, t. 39, nr 6, s. 609.

50

wcześniej85

. W polskim piśmiennictwie do niedawna brak było odniesień do problematyki

produktywności nauki, a nadal brak jest systematycznych opracowań na ten temat.

Podejmowana tematyka odnosi się głównie do analiz bibliometrycznych86

.

Produktywność nauki powinna stanowić centralny element dyskusji na temat

działalności jednostek naukowych. Pomiar produktywności dostarcza pełniejszej analizy

i oceny niż tradycyjnie stosowane wskaźniki87

. Z punktu widzenia zarządzania sektorem

publicznym, analiza produktywności pozwala badać poziom systemu nauki w różnych

wymiarach88

.

Punktem wyjścia do prowadzonych rozważań jest założenie, że − zgodnie

z paradygmatem produktywności − jednostkę naukową można scharakteryzować przez jej

zasoby wejściowe, efekty, procesy transformacji przekształcające zasoby w efekty

oraz czynniki środowiskowe wynikające z wpływu otoczenia. Produktywność jednostki

naukowej rozumiana jest zatem jako ogół wyników jej działalności w stosunku do nakładów

poniesionych na ten obszar działalności w określonym czasie89

. Głównym celem pomiaru

produktywności jednostek naukowych jest pomiar zakresu działalności oraz ocena jakości

tych działań. Efektywność w sektorze nauki można rozumieć jako poziom i jakość działań

realizowanych za pomocą posiadanych zasobów. Z kolei racjonalność wyznaczana jest przez

stopień spełnienia potrzeb i oczekiwań decydentów i odbiorców działalności naukowej90

.

Przy czym jednostki naukowe odgrywają kluczową rolę w kształtowaniu poziomu

produktywności naukowej własnej i indywidualnej zatrudnionych pracowników naukowych91

.

Produktywność nauki jest pojęciem wielowymiarowym i złożonym z uwagi

na mnogość rezultatów działalności naukowej, dyscyplin i obszarów naukowych. Funkcje

produkcji dla działalności naukowej są znacznie zróżnicowane92

.

85

R.M. Hogan, Productivity in research and development, “Science” 1950, t. 112, nr 2917, s. 613-616;

B. Godin, The value of science: changing conceptions of scientific productivity, 1869 to circa 1970, “Social

Science Information” 2009, t. 48 (4), s. 549. 86

J. Wolszczak-Derłacz, A. Parteka, dz. cyt.; R. Siemienska, dz. cyt. 87

Improving measurement of productivity in higher education, s. 2. 88

S. Gates, A. Stone, dz. cyt., s. 5. 89

M. Print, J. Hattie, Measuring quality in universities: An approach to weighting research productivity,

„Higher Education” 1997, t. 33, s. 454. 90

H. Dundar, D.R. Lewis, dz. cyt., s. 608; S. Gates, A. Stone, dz. cyt., s. 5. 91

H. Dundar, D.R. Lewis, dz. cyt., s. 613. 92

G. Rhoades, Managing productivity in an academic institution: rethinking the whom, which, what, and whose

of productivity, “Research in Higher Education” 2001, t. 42, nr 5, s. 623.

51

Efekty działalności naukowej można podzielić na trzy kategorie93

:

produkcję wiedzy;

upowszechnianie wiedzy;

rozwój naukowy pracowników.

Produkcja wiedzy wyraża się głównie w publikacjach i cytowaniach. Działalność

upowszechniająca dotyczy działań związanych z komercjalizacją wyników badań (wdrożenia,

patenty) oraz kształceniem. Trzeci obszar przejawia się w rozwoju wysoko

wykwalifikowanych kadr naukowych i związany jest z awansami naukowymi i podnoszeniem

kompetencji pracowników naukowo-badawczych.

Badania nad pomiarem produktywności nauki pozwoliły zidentyfikować czynniki

determinujące jej wzrost. Wpływ tych czynników stanowi istotny problem badawczy z uwagi

na zmienność roli i natężenia tych czynników w czasie.

Determinanty produktywności jednostek naukowych mają charakter wielowymiarowy

i mogą być rozpatrywane na poziomie indywidualnym, jednostki naukowej

oraz środowiskowym94

. Na wyniki jednostki naukowej znaczny wpływ mają wyniki

indywidualnych pracowników lub zespołów, i odwrotnie − działania na poziomie jednostki

naukowej mogą skutecznie pobudzić rozwój produktywności indywidualnej pracowników

naukowych95

. Czynniki środowiskowe mają podwójny wymiar – związane są z czynnikami

społecznymi, gospodarczymi i demograficznymi, niezależnie wpływającymi na działalność

jednostek naukowych i ich pracowników. Druga grupa czynników środowiskowych związana

jest z uwarunkowaniami instytucjonalnymi i prawnymi sektora nauki.

Czynniki wpływające na wzrost produktywności naukowej na poziomie indywidualnym

budzą spore zainteresowanie badawcze. W literaturze są prezentowane wyniki badań dotyczące

takich czynników, jak wiek, płeć, status socjoekonomiczny96

, wykształcenie, doświadczenie,

cechy wewnętrzne97

, zajmowane stanowisko, rodzaj dyscypliny naukowej98

, a także czynniki

zewnętrzne jak lokalizacja organizacji zatrudniającej, jej prestiż, kultura organizacyjna, poziom

naukowej orientacji, dostęp do sieci naukowych99

, autonomia w miejscu pracy, wiek i pozycja

93

G. Crespi, A. Geuna, The productivity of science, University of Sussex, 2004, s. 1, www.kurul.inet-

tr.org.tr/inovasyon/crespiost2.pdf, [22.10.2013]. 94

G. Abramo, C.A. D‟Angelo, F. Di Costa, dz. cyt., s. 157; H. Dundar, D.R. Lewis, dz. cyt., s. 610. 95

E.A. Silver, Some ideas on enhancing research productivity, “International Journal of Production Economics”

2009, t. 118, s. 353. 96


H. Dundar, D.R. Lewis, dz. cyt., s. 610; R. Long, A. Crawford, M. White, K. Davis, Determinants of faculty

research productivity in information systems: an empirical analysis of the impact of academic origin

and academic affiliation, “Scientometrics” 2009, t. 78, nr 2, s. 231-360. 98

N. Carayol, M. Matt, Individual and collective determinants of academic scientists productivity, “Information

Economics and Policy” 2006, t. 18, s. 55-72. 99

H. Dundar, D.R. Lewis, dz. cyt., s. 610; R. Long, A. Crawford, M. White, K. Davis, dz. cyt., s. 231-360.

52

współpracowników100

, czy ogólne warunki pracy takie, jak czas pracy, warunki kontraktów,

proporcja prac naukowych do zajęć dydaktycznych, poziom biurokracji, bariery pracy

zespołowej, mobilność101

.

Identyfikacja i zdefiniowanie tych czynników jest szczególnie istotne z punktu

widzenia kształtowania systemowych instrumentów polityki naukowej. Przeprowadzone

w tym zakresie studia literaturowe wykazały, że czynniki warunkujące poziom

produktywności naukowej są silnie zróżnicowane, a badania często niejednoznaczne.

Dysharmonia w obrębie tych zagadnień wynika być może z faktu, że badania głównie

odnoszą się do analiz bibliometrycznych i często nie uwzględniają innych rodzajów

rezultatów naukowych oraz specyficznych uwarunkowań krajów, co podkreślają

V.A. Markusova, A.I. Tsygankova i T.A. Krylova102

.

Za bardziej użyteczne dla celów publicznych i politycznych ocenia się studia

nad podejściem instytucjonalnym w odniesieniu do produktywności nauki i jej

determinantów103

. Wyniki różnych badań dotyczące czynników wpływających na wzrost

produktywności nauki na poziomie instytucjonalnym są bardziej zgodne niż w odniesieniu

do indywidualnych, także w przekroju czasowym. Determinanty produktywności nauki często

są zależne jednak od uwarunkowań poszczególnych krajów oraz stopnia zaawansowania

systemu nauki. Wśród głównych wymieniane są: struktura i wielkość jednostki naukowej,

wysokość nakładów na badania, struktura finansowania, a także stopień zaawansowania

krajowych systemów oceny jednostek naukowych104

.

Jednym z kluczowych czynników sprzyjających rozwojowi badań wskazywanym

w literaturze jest wielkość jednostki naukowej. Większe instytucje sprzyjają zwiększaniu

interakcji między pracownikami, tworzeniu zespołów badawczych i podejmowanie

współpracy przy wspólnych projektach badawczych. Uzyskuje się w ten sposób tak zwany

efekt synergii intelektualnej105

. Ponadto, większe jednostki naukowe i badawcze przyciągają

lepszych naukowców, dysponują większymi zasobami oraz większym stopniem swobody

w dysponowaniu nimi. Również korzyści dużej skali jednostki prowadzą do lepszego

wykorzystania zasobów. Z drugiej jednak strony, zbytni rozrost infrastrukturalny jednostek

naukowych może stwarzać – z uwagi na więcej formalnych zasad i procedur działania

− trudności w komunikacji bądź wpływać na zmniejszenie liczby podejmowanych inicjatyw.

100

N. Carayol, M. Matt, dz. cyt., s. 55-72. 101

B. Torrisi, Academic productivity correlated with well-being at work, “Scientometrics” 2013, t. 94, s. 811. 102

V.A. Markusova, A.I. Tsygankova, T.A. Krylova, The indices of scientific productivity and ratings of domestic

universities, “Scientific and Technical Information Processing” 2009, t. 36, nr 4, s. 229-230. 103


R. Long, A. Crawford, M. White, K. Davis, dz. cyt., s. 231-260. 105

H. Dundar, D.R. Lewis, dz. cyt., s. 611.

53

Wielkość jednostki często pozytywnie sprzyja rozwojowi współpracy w środowisku

naukowym. Współpraca ta wykazywana jest jako jeden z istotniejszych determinantów

produktywności naukowej. Badania nad produktywnością były realizowane również

w zakresie dotyczącym form współpracy zarówno wewnętrznej i zewnętrznej, stacjonarnej

i niestacjonarnej, narodowej i międzynarodowej oraz publiczno-prywatnej106

. Wnioski

jednoznacznie wskazują, iż zachodzi silna dodatnia korelacja między rozwijaniem różnych

form współpracy naukowej a wzrostem produktywności nauki107

.

Rodzaj jednostki naukowej i sposób jej kontroli również ma wpływ na uzyskiwane

wyniki, ale jest to zależne od systemu naukowego poszczególnych krajów. Charakterystyczny

przykład stanowią amerykańskie prywatne jednostki naukowe, które uzyskują lepsze wyniki

działalności naukowej niż jednostki publiczne. W Polsce jest inna sytuacja. Analizując wyniki

oceny parametrycznej, można stwierdzić, że lepiej rozwinięty jest sektor publicznych jednostek

naukowych. Kluczowy wpływ na to ma poziom finansowania publicznego oraz wielkość

pozarządowych środków finansowych pozyskiwanych przez jednostki naukowe.

Nakłady na badania stanowią podstawowy instrument zarządzania w sektorze

naukowym. Podstawowe źródło stanowi finansowanie publiczne. Struktura finansowania jest

jednak zróżnicowana względem różnych krajów. Wyróżnia się finansowanie wewnętrzne

i zewnętrzne108

. Do źródeł finansowania wewnętrznego są zaliczane podstawowe fundusze

publiczne przeznaczone na naukę w postaci dotacji. Zewnętrzne źródła finansowania stanowią

publiczne i prywatne fundusze, które nie wchodzą w skład funduszy podstawowych i mają

charakter konkursowy. Zewnętrzne finansowanie publiczne stanowią granty i kontrakty

z administracją publiczną. Są to fundusze, które wymagają aktywnego pozyskiwania i zwykle

mają charakter zadaniowy. Fundusze publiczne są głównym źródłem finansowania jednostek

naukowych, dlatego cele i kryteria alokacji tych zasobów mają kluczowe znaczenie dla

produktywności nauki.

Relacja funduszy wewnętrznych i zewnętrznych jest zróżnicowania w poszczególnych

regionach geograficznych. Ogólnie, wyróżnia się cztery typy finansowania jednostek

naukowych w zależności od ich orientacji podstawowego finansowania i udziału źródeł

finansowania zewnętrznego (rysunek 2.4).

106

G. Abramo, C.A. D‟Angelo, F. Di Costa, dz. cyt., s. 157-159. 107

B. Stefaniak, International cooperation of Polish researchers with partners from abroad: a scientometric

study, “Scientometrics” 1998, t. 41, nr 1-2, s. 156. 108

O. Auranen, M. Nieminen, University research funding and publication performance – an international

comparison, “Research Policy” 2010, t. 39, s. 823.

54

ori

enta

cja

źró

deł

fin

an

sow

an

ia

po

dst

aw

ow

ego

na wyniki

System zorientowany

na wyniki

z wysokim udziałem funduszy

zewnętrznych

System zorientowany na wyniki

z niskim udziałem funduszy

zewnętrznych

na zasoby

System zorientowany

na zasoby

z wysokim udziałem funduszy

zewnętrznych

System zorientowany na zasoby

z niskim udziałem funduszy

zewnętrznych

wysoki niski

udział funduszy zewnętrznych

Rysunek 2.4. Typologia systemów finansowania jednostek naukowych

Źródło: O. Auranen, M. Nieminen, University research funding and publication performance – an international

comparison, “Research Policy” 2010, t. 39, s. 824.

Jednostki naukowe w krajach, gdzie dominuje system z niskim udziałem funduszy

zewnętrznych są oparte głównie na alokacji środków publicznych. Wówczas państwo

ma bezpośredni wpływ na jednostki naukowe. Wysoki udział funduszy zewnętrznych

charakteryzuje mnogość źródeł finansowania jednostek naukowych. Rola państwa nie jest

koniecznie mniejsza, lecz ma charakter raczej pośredni. Również większa bezpośrednia

kontrola nad jednostkami naukowymi charakterystyczna jest obserwowana w systemach

finansowania wewnętrznego zorientowanych na wyniki, gdzie wyraźnie oczekuje się

pożądanych rezultatów i poziom finansowania powiązany jest bezpośrednio z poziomem

produktywności. Odmienne systemy zorientowane zasobowo są skoncentrowane

na zapewnieniu dostatecznej ilości nakładów109

.

Badania O. Auranena i M. Nieminena dowodzą, że produktywność nauki jest silniej

determinowana przez finansowanie oparte na wynikach lub konkursach110

. Podstawową

przesłanką takiego podejścia jest wywoływanie konkurencyjności oraz możliwość wykazania

zasadności przydziału środków na podstawie decyzji merytokratycznych111

.

System zorientowany na wysoki udział funduszy zewnętrznych jest zorientowany

na kształtowanie współpracy z przemysłem, w którym promuje się zdolność jednostek

naukowych do pozyskiwania funduszy zewnętrznych i aktywacji ważnych kanałów transferu

wiedzy. Badania A. Muscio i in. wykazały, że zdolność do prowadzenia badań na wysokim

poziomie jest warunkiem wstępnym dla rozwoju silnej roli jednostek naukowych w kierunku

współpracy z przemysłem112

. Wzrasta za tym presja polityczna w publicznych jednostkach

naukowych do zintensyfikowania interakcji z przemysłem w celu powiększenia możliwości

109

O. Auranen, M. Nieminen, dz. cyt., s. 824. 110

Tamże, s. 831. 111

C. Grimp, Extramural research grants and scientists’ funding strategies: beggars cannot be choosers?,

“Research Policy” 2012, t. 41, s. 1451. 112

A. Muscio, D. Quaglione, G. Vallanti, Does government funding complement or substitute private research

funding to universities?, “Research Policy” 2013, t. 42, s. 64.

55

finansowania badań. Wiąże się to z przyjęciem przez jednostki naukowe, oprócz tradycyjnych

funkcji kształcenia i badań, tzw. trzeciej misji (ang. third mission), czyli zaangażowanie się

w działania przyczyniające się do wzrostu gospodarczego i konkurencyjności przez

bezpośredni transfer wiedzy. Jednostki naukowe zwiększają nacisk na: poszerzanie form

przedsiębiorczości akademickiej, powoływanie uniwersyteckich spółek spin-off

czy generowanie patentów lub licencji. Ostatnio, więcej uwagi poświęca się też innym

kanałom współpracy pomiędzy uczelniami a przemysłem, takim jak kontrakty badawcze

i działalność konsultingowa, charakteryzujących się wyższym stopniem relacyjnych

powiązań, zdolnych do wywoływania efektów uczenia się przez interakcje113

.

Auranen i Nieminen dochodzą do wniosku, że obie formy finansowania, zarówno

wewnętrzne, jak i zewnętrzne, są kluczowe dla kształtowania produktywności jednostek

naukowych, lecz istotna wydaje się być odpowiednia proporcja zależna od uwarunkowań

poszczególnych krajów. Układy, w których dominuje rządowe finansowanie podstawowe

są wrażliwe na zmiany mechanizmów alokacji i zachęt finansowania publicznego. Z drugiej

strony zapewniają stabilność systemu z uwagi na zapewnienie stałych źródeł finansowania

kapitału ludzkiego i podstawowych wydatków infrastrukturalnych. Do realizacji tych celów

nie jest możliwe zaangażowanie funduszy zewnętrznych. Fundusze zewnętrzne stwarzają

za to szersze możliwości w zakresie kreowania nowych inicjatyw i poszerzania działalności

jednostek naukowych114

. Badania T. Bolli i F. Somogyi ujawniają, że środki publiczne mają

wpływ szczególnie na produktywność w obszarze produkcji wiedzy, natomiast środki

prywatne odgrywają znaczącą rolę w zakresie transferu technologii115

. Potwierdzają także,

że konkurencyjne finansowanie badań publicznych podnosi efektywność i produktywność

badań naukowych w porównaniu do tradycyjnych mechanizmów finansowania116

. C. Grimp

podkreśla jednak, że mnogość źródeł finansowania wiąże się często z różnymi kryteriami

oceny, a to z kolei prowadzi do sytuacji, gdy naukowcy stosują różne strategie działania

i koncentrują swoje wysiłki na pozyskiwaniu wybranych rodzajów grantów117,

*.

Inne czynniki determinujące poziom produktywności nauki wymieniają H. Dundar

i D.R. Lewis. Analizują liczbę kształconych studentów na wydziałach, realizowane granty

badawcze, relację liczby studentów do liczby pracowników naukowych, jakość insfrastruktury,

113

A. Bonaccorsi, L. Secondi, E. Setteducati, A. Ancaiani, Participation and commitment in third-party research

funding: evidence from Italian universities, “Journal of Technology Transfer” 2014, t. 39, nr 2, s. 170-172. 114

O. Auranen, M. Nieminen, dz. cyt., s. 824. 115

T. Bolli, F. Somogyi, Do competitively acquired funds induce universities to increase productivity?,

“Research Policy” 2011, t. 40, s. 146. 116

Tamże. 117

C. Grimp, dz. cyt., s. 1448-1460.

* Więcej o mechanizmach finansowania zawarto w rozdziale 3.1.

56

wielkość zasobów bibliotecznych, dostępność sekretariatów oraz administracji oraz wsparcia

dydaktycznego118

. Badania Dundara i Lewisa wykazały, że na poziom produktywności

naukowej pozytywnie wpływa liczba profesorów zatrudnionych w jednostce naukowej, liczba

asystentów oraz wydatki na rozwój biblioteki119

. Inne badania potwierdzają istnienie

pozytywnej relacji liczby profesorów w roli mentora zespołu naukowego na wzrost

produktywności naukowej120

. Natomiast brak jest zgodności co do wyraźnego wpływu liczby

wypromowanych studentów i czasu poświęconego na działania związane z procesem

dydaktycznym na produktywność naukową121

. A.R. Babu i Y.P. Singh na podstawie badań

własnych wyróżniają adekwatność zasobów finansowych i infrastruktury badawczej, dostęp

do literatury, stwarzanie możliwości młodym naukowcom kreatywnej pracy, stymulujące

przywództwo, otwarcie organizacji na zewnątrz (stwarzanie możliwości udziału

w konferencjach, współpracy z zespołami badawczymi z innych jednostek naukowych

krajowych i zagranicznych, sieci)122

.

Rysunek 2.5. Model produkcji naukowej

Źródło: M. Cave, The use of performance indicators in higher education: the challenge of the quality movement,

Jessica Kingsley Publishers, Philadephia 1991, p. 29.

Podjęte w rozdziale wątki nie wyczerpują problematyki uwarunkowań

produktywności nauki. Zdaniem autorki, różne czynniki mające bezpośredni i pośredni

wpływ na działalność jednostek naukowych są adekwatne do etapów modelu produkcji

naukowej M. Cave‟a przedstawionego na rysunku 2.5 i w każdej fazie istnieją możliwości

wywoływania pożądanych interakcji.

118

H. Dundar, D.R. Lewis, dz. cyt., s. 611-613. 119

Tamże, s. 623-625. 120

J.G. Cohen, A.E. Sherman, T.K. Kiet, D.S. Kapp, K. Osann, L. Chen, S.S. O‟Sullivan, J.K. Chan,

Characteristics of success in mentoring and research productivity – A case-control study of academic centers,

“Gynecologic Oncology” 2012, t. 125, s. 8-13. 121

W. Hong, C. Xuezhu, Z. Ke, On the relationship between research productivity and teaching effectiveness

at research universities, “Frontiers of Education in China” 2007, t. 2 (2), s. 299-300; H. Dundar, D.R. Lewis,

dz. cyt., s. 625. 122

A.R. Babu, Y.S. Singh, Determinants of research productivity, “Scientometrics” 1998, t. 43, nr 3, s. 318-327.

proces uruchamiania

(finanse)

zasoby (np. kadry, wyposażenie)

proces badawczy

wyniki, rezultaty (np. publikacje,

patenty)

wykorzystanie, użytkowanie (wpływ,

oddziaływanie) efekty

57

2.3. Metody pomiaru produktywności nauki

W literaturze wyróżnia się wiele podejść do pomiaru, oceny i analizy produktywności.

Dobór metodyki jest zależny od typu badanych obiektów, realizowanych celów, czynników

środowiskowych; często ma charakter subiektywny i jest dokonywany pod wpływem

wartości, preferencji i interesów podmiotu dokonującego oceny.

Szczególne zagadnienie stanowi pomiar produktywności nauki. Z uwagi na złożoność

procesów realizacji działalności naukowej oraz powiązanie wyników oceny z systemem

finansowania, jest zagadnieniem trudnym i dyskusyjnym. Pomiaru produktywności nauki

dokonuje się głównie w celu123

:

wsparcia decyzji w sprawie alokacji zasobów;

oceny inwestycji w sektorze nauki;

ułatwienia zarządzania jednostkami naukowymi;

dokonania rozliczenia za inwestycje publiczne oraz prywatne w jednostki naukowe.

Zasadniczym elementem w analizie produktywności nauki jest właściwe

zdefiniowanie rezultatów działalności naukowej i nakładów z nimi powiązanymi124

. Dobór

metody oceny produktywności zazwyczaj jest kompromisem między jej kompleksowością,

dopasowaniem do specyfiki i potrzeb ocenianych jednostek, pracochłonnością użycia

i możliwością pozyskania danych do analizy.

Tradycyjne metody pomiaru produktywności oraz efektywności odnoszą się

do uzyskiwanych zysków lub maksymalizacji wartości organizacji. Specyfika sektora

publicznego, którego elementem jest także sektor nauki, opiera się na założeniu, że jednostki

naukowe dążą do osiągnięcia pewnej wartości publicznej125

. Jednocześnie działalność instytucji

sektora publicznego nie podlega presji konkurencyjnej i nie jest zorientowana na zysk. W ten

sposób osiągane rezultaty nie mogą być poddane ocenie w wymiarze finansowym. Niezbędne

jest zatem poszukiwanie adekwatnych metod pomiaru do tego typu działalności.

W ujęciu technicznym koncepcji produktywności, metody i techniki pomiaru

produktywności naukowej można sklasyfikować następująco: tradycyjne wskaźnikowe,

parametryczne oparte na modelach ekonometrycznych oraz nieparametryczne oparte

na programowaniu matematycznym (rysunek 2.6). Mnogość metod jest związana

z koniecznością stosowania podejść wielowymiarowych, ponieważ w praktyce zasadniczo

obiekty poddane analizie opisane są wieloma nakładami i efektami. Konieczna jest zatem

agregacja tych wielkości126

.

123


C. Daraio, L. Simar, Advanced robust and nonparametric methods in efficiency. Methodology

and applications, Springer, New York 2007, s. 167-168. 125


C. Daraio, L. Simar, dz. cyt., s. 13.

58

Rysunek 2.6. Klasyfikacja metod pomiaru produktywności

Źródło: opracowanie własne na podstawie: Improving measurement of productivity in higher education,

T. Sullivan, C. Mackie, W.F. Massy, E. Sinha (red.), The National Academies Press, Washington 2012, p. 21;

M. Pawłowska, Konkurencja i efektywność na polskim rynku bankowym na tle zmian strukturalnych

i technologicznych, „Materiały i Studia” 2005, nr 192, s. 2.

Przez metody wskaźnikowe należy rozumieć metody oparte na analizie relacji

zmiennych wejściowych i wyjściowych, ważnych z punktu widzenia ich wzajemnych

związków. Sprowadzają się do konstruowania indeksów pomiędzy różnymi wielkościami,

odpowiedniego oszacowania tych wielkości i ich interpretacji, której dokonuje się

na podstawie porównania obliczonych wskaźników z przyjętymi bazami odniesienia.

Podejście wskaźnikowe jest dość szerokie, z uwagi na mnogość i otwarty charakter

konstrukcji wskaźników. Produktywność jest zatem określana przez różne wskaźniki

o charakterze kompleksowym, cząstkowym lub specyficznym, wyrażające zależności między

innymi ekonomiczne, techniczne, fizyczne, ilościowe, finansowe, jakościowe127

.

Metody wskaźnikowe można opisać ogólnym równaniem:

1

1

s

r rj

rj m

i ij

i

y

P

x

(2.1)

gdzie:

– wektor wejść (nakładów/zasobów) zużywanych przez j-tą jednostkę

– wektor wyjść (efektów) uzyskiwany przez j-tą jednostkę

– wektor wag przypisanych każdemu efektowi

– wektor wag przypisanych każdemu nakładowi

– liczba wejść

– liczba wyjść

127

W.R. Pawlak, dz. cyt., s. 2.

Metody pomiaru produktywności naukowej

podejście wskaźnikowe

podejście parametryczne

SFA

COLS

TFA

DFA

podejście nieparametryczne

DEA

FDH

59

Podejście indeksowe jest oparte na pojedynczych wskaźnikach i zakłada przyjęcie

jednego typu nakładu i jednego typu efektu do pomiaru i oceny produktywności. Pomija się

wszystkie relacje komplementarności i substytucji pomiędzy wejściami i efektami. Słabość

metod indeksowych wynika także z założenia liniowego związku pomiędzy nakładami

a efektami oraz stałych efektów skali w sektorze. W takim podejściu przyjmuje się identyczne

wagi dla każdej badanej jednostki, niezależnie od warunków, w których działa, czy innego

akcentu kładzionego na poszczególne nakłady i efekty w badanych jednostkach128

.

Inne podejście zakłada uwzględnienie różnych nakładów lub/i efektów. Ze względu

na kryterium kompleksowości wyróżnia się wskaźniki ogólne i cząstkowe. Całkowity wskaźnik

produktywności (Total Factor Productivity, TFP*) wyraża stosunek ilościowego wszystkich

wielkości wyjściowych i wszystkich wielkości wejściowych. Natomiast cząstkowe (partial

factor productivity) pozwalają uwzględnić poszczególne rodzaje efektów w stosunku

do poszczególnych rodzajów nakładów. Ich użycie jest związane z poziomem pomiaru

produktywności129

. Przykładem stosowania metody wskaźnikowej do pomiaru i oceny

produktywności nauki są badania przeprowadzone we Włoszech130

.

Produktywność nauki może być mierzona w sposób statyczny w odniesieniu

do benchmarków, czyli jednostek naukowych wzorcowych, i dynamiczny przez analizę zmian

w czasie131

. Analiza zmian w czasie pozwala porównać zmiany wskaźnika produktywności

oraz zidentyfikować strukturę tych zmian. Przykłady wskaźników do analizy produktywności

w czasie stanowią indeksy Malmquista132

, Fishera133

, Tornquista oraz Hicks-Moorsteena134

.

Analiza porównawcza pozwala na porównanie wyników własnych z wynikami uzyskiwanymi

przez inne jednostki naukowe.

128

C. Daraio, L. Simar, dz. cyt., s. 13.

* Total Factor Productivity jest stosowany: (1) jako relacja efektów do nakładów wyrażonych numerycznie

oraz (2) jako wskaźnik pośredni stosowany w metodach parametrycznych (SFA) i nieparametrycznych (DEA). 129

A. Bonaccorsi, C. Daraio, Econometric approaches to the analysis of productivity of R&D systems

[w:] Handbook of Quantitative Science and Technology Research, H.F. Moed i in. (red.), Kluwer Academic

Publishers, Netherlands 2004, s. 53. 130

G. Abramo, C. A. D‟Angelo, F. Di Costa, Variability of research performance across disciplines within

universities in non-competitive higher education systems, “Scientometrics” 2014, t. 98, s. 777-795. 131

A. Jääskeläinen, E. Uusi-Rauva, dz. cyt., s. 256. 132

K. Tone, Malmquist productivity index: efficiency change over time, [w:] Handbook on Data Envelopment

Analysis, W.W. Cooper, L.M. Seiford, J. Zhu (red.), Kluwer Academic Publishers, Boston, Dordrecht, London

2004, s. 203-227. 133

R. Färe, S. Grosskopf, Malmquist productivity indexes and Fisher ideal indexes, “Economic Journal” 1992,

t. 102, s. 158-160. 134

D.W. Caves, L.R. Christensen, E.R. Diewert, The economic theory of index numbers and the measurement

of input, output, and productivity, “Econometrica” 1982, t. 50, nr 6, s. 1393-1414.

60

W literaturze wskaźniki produktywności nauki odnoszą się głównie do wielkości

bibliometrycznych135

. Uważa się jednak, że pomiar produktywności nauki jako relacji liczby

publikacji i liczby pracowników naukowych nie pokazuje pełnego poziomu jednostki

naukowej136

. Sam wskaźnik nie daje poglądu na pierwotne przyczyny występowania różnic

w wynikach. Pożądane są modele wielokryterialne, które obejmują w ocenie różne aspekty

i czynniki mające wpływ na poziom produktywności nauki137

.

Potrzeby ujęcia wielokryterialności zostały ujęte w modelach parametrycznych

i nieparametrycznych. Są to metody porównawcze, oparte na koncepcji produktywności

granicznej. Punktem wyjścia metod granicznych jest założenie, że badane obiekty są zdolne do

działania na założonym, granicznym poziomie produktywności. Granica ta stanowi wzorzec,

wskazując docelowy poziom produktywności możliwej do uzyskania na dwa sposoby138

:

przez porównanie uzyskanych wielkości efektów z maksymalną, jaką można byłoby

uzyskać przy ustalonych nakładach (na podstawie funkcji granicznej);

przez porównanie wielkości poniesionych nakładów z najniższą, przy której można

uzyskać dany poziom efektów.

Poziom maksymalny określa tzw. krzywa graniczna. W zależności od podejścia

do wyznaczania krzywej następuje rozróżnienie na metody parametryczne i nieparametryczne.

W grupie metod parametrycznych jest szacowana teoretyczna funkcja produkcji,

określająca wzorzec pełnego wykorzystania zasobów. Konieczna jest znajomość zależności

funkcyjnej między efektami a nakładami. W grupie metod nieparametrycznych krzywa

graniczna wyznaczana jest na podstawie wartości empirycznych najlepszych jednostek

w grupie analizowanych jednostek, bez konieczności wyznaczania zależności funkcyjnej

nakładów i efektów139

.

Podejście parametryczne zakłada stosowanie metod ekonometrycznych do stworzenia

specyfikacji określonej granicznej funkcji produkcji i ekonometrycznej estymacji jej

parametrów. Parametry ustala się za pomocą klasycznych narzędzi estymacji

135

J.M. Russell, R. Rousseau, Bibliometrics and institutional evaluation, 20 s., http://www.vub.ac.be

/BIBLIO/itp/ lecturers/ronald_rousseau/ronald_roussea_stim1_bibliometrics_russell.pdf [18.09.2013];

L. Bornmann, R. Mutz, C. Neuhaus, H.D. Daniel, Citation counts for research evaluation: standards of good

practice for analyzing bibliometric data and presenting and interpreting results, “Ethics in Science

and Environmental Politics” 2008, t. 8, s. 93-102; R.K. Toutkoushian, S.R. Porter, C. Danielson, S.R. Hollis,

Using publications counts to measure an institution’s research productivity, “Research in Higher Education”

2003, t. 44, nr 2, s. 121-148. 136



J. Osiewalski, Ekonometria bayesowska w zastosowaniach, Wydawnictwo Akademii Ekonomicznej, Kraków

2001, s. 110. 139

S.C. Kumbhakar, C.A. Knox Lovell, Stochastic frontier analysis, Cambridge University Press, Cambridge,

New York, Melbourne, Madrid 2000, s. 2-4.

61

ekonometrycznej. Funkcja ta wyznacza krzywą produktywności. Punkty znajdujące się

na krzywej określają jednostki produktywne. Punkty położone poza krzywą opisują jednostki

nieefektywne, a odległość od krzywej jest determinowana przez poziom tej nieefektywności

oraz błędy losowe.

Wartości graniczne mogą być w wypadku stosowania metod parametrycznych

określone za pomocą stochastycznej metody granicznej SFA (ang. Stochastic Frontier

Approach), metody grubej granicy TFA (ang. Thick Frontier Approach), metody swobodnego

rozkładu DFA (ang. Distribution Free Approach) oraz skorygowanej metody najmniejszych

kwadratów COLS (ang. Corrected Ordinary Least Squares).

Metoda SFA należy do grupy metod całościowych, stosowanych do oceny ogólnej

działalności obiektów, przez określanie różnych zależności pomiędzy zmiennymi

wejściowymi i wyjściowymi. Stochastyczne modele graniczne (ang. stochastic frontiers

models) zostały wprowadzone w 1977 roku140

. Modele te składają się z odpowiednio

wyspecyfikowanej funkcji produkcji lub kosztu oraz dwóch składników losowych, z których

jeden opisuje czynnik losowy jako wpływ czynników stochastycznych oraz występujących

błędów pomiarowych, a drugi potencjalną nieefektywność techniczną (nieproduktywność)141

.

W modelach zakłada się, że każdy badany obiekt ma swobodny dostęp do tej samej

technologii i można oszacować funkcję produkcji dla grupy obiektów. Odchylenia od krzywej

produkcji traktuje się jako dowód niepełnego wykorzystania zasobów. Im odległość większa,

tym wyższy wskaźnik nieefektywności technicznej142

. Ogólny model SFA można zapisać

równaniem:

( ) (2.3)

gdzie:

( ) – graniczna funkcja produkcji

– wektor nieznanych parametrów

– zakłócenia losowe

– nieefektywność techniczna j-tej jednostki

W odróżnieniu od innych metod, w metodzie SFA uwzględnia się błędy danych. Ideę

metody przedstawiono na rysunku 2.7. Odległości obiektów B, D, E od krzywej granicznej

określają błąd pomiaru, natomiast przyczyną odchyleń obiektów A, C jest błąd pomiaru

oraz nieefektywność obiektów.

140

J.D. Aigner, C.A.K. Lovell, S. Schmidt, Formulation and estimation of stochastic frontier production

function models, „Journal of Econometrics” 1977, t. 6, nr 1, s. 21-37; W. Meeusen, J. van den Broeck,

Efficiency estimation from Cobb-Douglas production functions with composed error, ”International Economic

Review” 1977, t. 18, nr 2, s. 435-444. 141

J. Osiewalski, dz. cyt., s. 94-97. 142

Tamże, s. 93.

62

Rysunek 2.7. Graficzna prezentacja metody SFA

Źródło: V. Sarafidis, An assessment of comperative efficiency measurment techniques, Europe Economics, 2002,

s. 9, http://europe-economics.com/publications/efficiency_measurement.pdf [25.08.2011].

Metody TFA (A.N. Berger and D.B. Humphrey, 1991) oraz DFA (P. Schmidt,

R.C. Sickles, 1984; A.N. Berger, 1993) polegają na określeniu zależności funkcyjnej

pomiędzy nakładami a efektami za pomocą funkcji kosztów podobnej do tej stosowanej

w modelu SFA, różnią się jednak założeniami odnośnie rozkładu błędu losowego

od nieefektywności143

. W metodzie DFA zakłada, że składnik losowy sumuje się do zera,

natomiast efektywność podmiotu charakteryzuje się określonym, stałym poziomem w danym

okresie. Występujące odchylenia od efektywności spowodowane są przez czynnik

przypadkowy. W metodzie TFA uwzględnia się dodatkowo podział analizowanych jednostek

na klasy. Podziału na poszczególne klasy dokonuje się opierając się na poziomie przeciętnym

określany na podstawie danych empirycznych144

.

W warunkach metody COLS krzywa graniczna szacowana jest za pomocą metody

najmniejszych kwadratów. Ogólna postać modelu może być zapisana wzorem:

( ) (2.2)

gdzie:



( ) – wzorcowa (graniczna) funkcja produkcji

– wektor nieznanych parametrów

– nieefektywność techniczna j-tej jednostki

143

S.W. Bauer, A.N. Berger, G.D. Ferrier, D.B. Humphrey, Consistency conditions for regulatory analysis

of financial institutions: a comparison of frontier efficiency methods, ”Journal of Economics and Business”

1998, t. 50, s. 94-96. 144

M. Kisielewska, Charakterystyka wybranych metod pomiaru efektywności bazujących na krzywych

efektywności, Zeszyty Naukowe Akademii Ekonomicznej we Wrocławiu, 2005, nr 4, s. 4-6.

poziom graniczny SFA

nakłady x

efekty y

błąd danych

nieefektywność

błąd danych

nieefektywność

C

E

D A

B poziom graniczny DFA

63

W metodzie punktem wyjścia jest oszacowanie funkcji produkcji dla modelu regresji OLS,

gdzie wartości są ustalane na podstawie wartości przeciętnych, a metoda COLS podwyższa

stosowane kryteria, przesuwając wartość średnią w stronę najlepszych wyników145

. Ideę

skorygowanej metody najmniejszych kwadratów zilustrowano na rysunku 2.8.

Rysunek 2.8. Ilustracja graficzna metody COLS

Źródło: V. Sarafidis, An Assessment of Comperative Efficiency Measurment Techniques, Europe Economics,

2002, s. 9, http://europe-economics.com/publications/efficiency_measurement.pdf [25.08.2011].

Wskaźnik produktywności obiektu D leżącego na krzywej COLS wynosi 100%.

Pozostałe obiekty są nieefektywne. Im większa odległość od krzywej COLS, tym wyższa

nieefektywność. Obiekty A, C położone powyżej krzywej OLS uzyskują wyniki poniżej

przeciętnych oraz wykazują najwyższy poziom nieefektywności.

Metody parametryczne nie są uniwersalne; są użyteczne w wypadkach, gdy możliwe

jest oszacowanie funkcji produkcji oraz rozkładu błędów. Niezbędna jest również znajomość

ważności przyjmowanych założeń oraz dokładne dostrojenie wag ustalonych dla każdej

zmiennej, co narzuca konieczność analizowania dużej liczby danych.

Metody nieparametryczne pomiaru produktywności wykorzystują techniki

programowania liniowego. Zakładają one brak wpływu składnika losowego, a więc

nie uwzględniają wpływu czynników przypadkowych oraz potencjalnych błędów pomiaru.

Metody te nie przyjmują również żadnych założeń odnośnie zależności funkcyjnej pomiędzy

nakładami i efektami. W metodach nieparametrycznych na podstawie badań empirycznych

estymuje się krzywą możliwości produkcyjnych, którą traktuje się jako empiryczną funkcję

produkcji. Podmioty znajdujące się na krzywej granicznej uznawane są za produktywne,

a wskaźnik ich produktywności wynosi 100%. Odległość między punktem charakteryzującym

145

S.C. Kumbhakar, C.A. Knox Lovell, dz. cyt., s. 70.

OLS

C E

D B

COLS

A

nakłady x

efekty y

nieefektywność

64

daną jednostkę a estymowaną krawędzią dostarcza informacji na temat miary nieefektywności.

Możliwość porównania do najlepszego obiektu lub grupy produktywnych podmiotów pozwala

nieefektywnym jednostkom zlokalizować obszary działalności, które należy usprawnić146

.

U źródeł formalizacji metod parametrycznych i nieparametrycznych analizy

produktywności i efektywności znajdują się badania G. Debreu147

, T.C. Koopmansa148

,

M.J. Farella149

oraz R.W. Sheparda150

. Do metod nieparametrycznych zalicza się: metodę

granicznej analizy danych (obwiedni danych) DEA (ang. Data Envelopment Analysis)

oraz metodę swobodnego ustalania obwiedni FDH (ang. Free Disposal Hull).

Metoda DEA została po raz pierwszy zaprezentowana w 1978 roku przez twórców

pierwszego modelu A. Charnesa, W.W. Coopera i E. Rhodesa151

. Estymacja miar

produktywności metodą DEA ma charakter deterministyczny, uwarunkowany przyczynowo.

W metodzie obiektami analizy są tak zwane jednostki decyzyjne DMU (ang. Decision Making

Units)152

. Przedmiotem analizy jest pomiar i analiza poziomu produktywności określonej

liczby jednostek DMU, które korzystają z m nakładów i produkują s efektów. Miarą

produktywności jest relacja produktywności danego obiektu do maksymalnej

produktywności, jaką może osiągnąć w określonych warunkach technologicznych. Ogólny

model metody DEA przedstawia się następująco:

1

1

s

rj rj

rj m

ij ij

i

v y

P

u x

(2.3)

gdzie:





– liczba rodzajów zasobów zużywanych

– liczba typów efektów wytwarzanych

– liczba DMU

146

E. Thanassoulis, Introduction to the theory and application of Data Envelopment Analysis, Kluwer Academic

Publishers, Massachusetts 2003, s. 9-12. 147

G. Debreu, The coefficient of resource utilization, “Econometrica” 1951, t. 19, s. 273-292. 148

T.C. Koopmans, An analysis of production as an efficient combination of activities, [w:] Activity analysis

of production and allocation, cowles commission for research in economics, T.C. Koopmans (red.), Wiley,

New York 1951, s. 33-97. 149

M.J. Farrell, The measurement of the productive efficiency, “Journal of the Royal Statistical Society” 1957,

seria A, nr 3, s. 253-290. 150

C. Daraio, L. Simar, dz. cyt., s. 27. 151

A. Charnes, W.W. Cooper, E. Rhodes, Measuring the efficiency of decision making units, “European Journal

of Operational Research” 1978, t. 2, s. 429-444. 152

R. Ramanathan, An introduction to data envelopment analysis. a tool for performance measurement, Sage

Publications, New Delhi, Thousand Oaks, London 2003, s. 25.

65

Metoda DEA nie wymaga uprzedniej znajomości wag przypisanych do cech.

W trakcie obliczeń, są wyszukiwane wagi maksymalizujące produktywność każdego obiektu

za pomocą metod programowania liniowego, przy uwzględnieniu pewnych ograniczeń

określonych przez pozostałe jednostki w analizowanej grupie. Graficzną ilustrację istoty

metody przedstawiono na rysunku 2.9.

Rysunek 2.9. Ilustracja graficzna metody DEA oraz FDH

Źródło: opracowanie własne na podstawie: W.W. Cooper, L.M. Seiford, J. Zhu, Handbook on Data Envelopment

Analysis, Kluwer Academic Publishers, Boston, Dordrecht, London 2004, s. 10; B.U. Park, L. Simar, C. Weiner,

The FDH estimator for productivity efficiency score, “Econometric Theory” 2000, t. 16, t. 855-877.

Obiekty A, C, E wyznaczają krzywą produktywności, co oznacza, że ich wskaźnik

produktywności wynosi 100%. Jednostki B, D wykazują nieefektywność proporcjonalną

do odległości od krzywej granicznej.

Technologia graniczna dostarcza prostych metod obliczania odległości do granicy.

Ten sposób pomiaru odległości do granicy pozwala na interpretację wyników

przez ujawnienie możliwych proporcjonalnych zmian dopuszczalnych w działalności

technologii danego obiektu.

Metoda DEA należy do jednych z najczęściej stosowanych do wyznaczania poziomu

produktywności obiektów gospodarczych i publicznych. Jest też najpowszechniej rozwijaną

metodą analizy produktywności zarówno w zakresie metodologicznym, jak i jej zastosowań153

.

Metoda FDH jest odmianą metody DEA. Metoda swobodnego ustalania obwiedni

została zaproponowana w 1984 roku przez D. Deprinsa, L. Simara i H. Tulkensa154

. W tej

153

A. Emrouznejad, B.R. Parker, G. Tavares, Evaluation o fresearch in efficiency and productivity: A survey

and analysis of the first 30 years of scholarly literature in DEA, “Socio-Economic Planning Sciences” 2008,

t. 42, s. 151-157. 154

C. Daraio, L. Simar, dz. cyt., s. 33-38 .

nakłady x

efekty y

A

B

C

D E

krzywa produktywności DEA

nieefektywność

krzywa produktywności FDH

66

metodzie nie uwzględnia się założenia o wypukłości zbioru możliwości produkcyjnych,

dlatego też otrzymana w niej krzywa efektywności znajduje się wewnątrz krzywej

wyznaczonej w metodzie DEA (rysunek 2.9). Model ma charakter dyskretny i punktem

odniesienia dla obiektu nieefektywnego nie jest punkt na krzywej ciągłej, lecz punkt

wyznaczony przez obiekt produktywny. Otrzymana przy użyciu metody FDH wycena

efektywności technicznej ma bardziej ogólny charakter niż przy użyciu metody DEA155

.

Istnienie różnych metod oceny produktywności pokazuje, że nie istnieje jeden

uniwersalny miernik produktywności. W wielowymiarowych układach danych, zarówno

po stronie nakładów, jak i efektów, tradycyjne metody analizy wskaźnikowej zawodzą.

Również metody bazujące na konstrukcji modeli ekonometrycznych wykazują w tym

wypadku szereg słabości. Dzieje się tak, ponieważ metody wskaźnikowe i ekonometryczne

zakładają znajomość wielkości nakładu, jaki został bezpośrednio przeznaczony na uzyskanie

poszczególnych efektów. Natomiast funkcja produkcji w sektorze naukowym nie jest

dostatecznie rozpoznana, więc tendencyjna i niespójna estymacja może prowadzić

do nieprawidłowego określenia parametrów. Ponadto, w wypadku regresji funkcji produkcji

na ogół nie jest możliwe wspólne oszacowanie wpływu wielu nakładów na wiele efektów156

.

Ograniczenia te skutecznie rozpatrywane są w modelach nieparametrycznych.

Produktywność jednego obiektu szacowana jest w odniesieniu do wyników innych obiektów,

co skutkuje niekoniecznością tworzenia założeń dotyczących produktywności a priori. Istotną

korzyścią stosowania metod nieparametrycznych jest możliwość ich zastosowania w wypadku

wielu wejść i wielu wyjść.

Metody nieparametryczne, w szczególności metoda DEA, znalazła szerokie

zastosowanie w ocenie produktywności sektora publicznego, gdzie istnieje konieczność

stosowania cech wyrażonych w różnych jednostkach. Przegląd literatury wskazuje metodę

DEA jako najbardziej trafną do pomiaru, oceny i analizy produktywności naukowej.

Przykłady zastosowań wymienionych w rozdziale metod zaprezentowano w tabeli 2.1.

155

C. Daraio, L. Simar, dz. cyt., s.2-3. 156

C. Salerno, What we know about the efficiency of higher education institutions: The best evidence, The Center for

Higher Education Policy Studies University of Twente, s. 23-24, http://doc.utwente.nl/47097/1/bhw-99-bgo99.pdf

[17.04.2013].

67

Tabela 2.1. Publikacje z przykładami zastosowania metod pomiaru produktywności nauki

METODY INDEKSOWE

G. Abramo, T. Cicero, C.A. D‟Angelo, A sensitivity analysis of research institutions’ productivity rankings

to the time of citation observation, “Journal of Infometrics” 2012, t. 6, s. 298-306.

G. Abramo, C.A. D‟Angelo, A. Caprasecca, Allocative efficiency in public research funding: Can bibliometrics

help?, “Research Policy” 2009, t. 38, s. 206-215.

H.F. Moed, New developments in the use of citation analysis in research evaluation, “Archivum Immunologiae

et Therapiae Experimentalis” 2009, t. 57, s. 13-18.

L. Bornmann, R. Mutz, C. Neuhaus, H.D. Daniel, Citation counts for research evaluation: standards of good

practice for analyzing bibliometric data and presenting and interpreting results, “Ethics In Science

And Environmental Politics” 2008, t. 8, s. 93-102.

Ç. Önder, M. Sevkli, T. Altinok, C., Tavukçuoğlu, Institutional change and scientific research: A preliminary

bibliometric analysis of institutional influences on Turkey’s recent social science publications, “Scientometrics”

2008, t. 76, nr 3, s. 543-560.

L.H. Barrow, J. Settlage, P.J. Germann, Institutional research productivity in science education for the 1990s:

Top 30 rankings, “Journal of Science Education and Technology” 2008, t. 17, s. 357-365.

A.J. Nederhof, Policy impact of bibliometric rankings of research performance of departments and individuals

in economics, “Scientometrics” 2008, t. 74, nr 1, s. 163-174.

Y. Hu, W. Liang, Malmquist index analysis of the dynamic changes in scientific research productivity of some

Chinese universities before and after merger, “Frontiers Education China” 2008, t. 3, nr 3, 2008, s. 429-447.

R. Wagner-Döbler, The system of research and development indicators: Entry points for information agents,

“Scientometrics” 2005, t. 62, nr 1, s. 145-153.

B. Taylor, G. Harris, Relative efficiency among South African universities: A data envelopment analysis, “Higher

Education” 2004, t. 47, s. 73-89.

G. Crespi, A. Geuna, The productivity of science, University of Sussex, 2004, s. 24 www.kurul.inet-

tr.org.tr/inovasyon/crespiost2.pdf [22.10.2013].

R.K. Toutkoushian, S.R. Porter, C. Danielson, PR. Hollis, Using publications counts to measure an institution’s

research productivity, “Research in Higher Education” 2003, t. 44, nr 2, s. 121-148.

A.C. Worthington, B.L. Lee, Efficiency, technology and productivity change in Australian universities, 1998-

2003, “Economics of Education Review” 2008, t. 27, s. 285-298.

R.K. Toutkoushian, S.R. Porter, C. Danielson, P.R. Hollis, Using publications counts to measure an institution’s

research productivity, “Research in Higher Education” 2003, t. 44, nr 2, s. 121-148.

METODY PARAMETRYCZNE

R.R. Duh, K.T. Chen, R.C. Lin, L.C. Kuo, Do internal controls improve operating efficiency of universities?,

”Annals of Operations Research” 2014, t. 221, nr 1, s. 173-195.

A.C. Zoghbi, F. Rocha, E. Mattos, Education production efficiency: Evidence from Brazilian universities,

“Economic Modelling” 2013, t. 31, s. 94-103.

Z. Daghbashyan, The economic efficiency of Swedish higher education institutions, The Royal Institute

of Technology, Centre of Excellence for Science and Innovation Studies (KTH-CESIS), Working Paper Series in

Economics and Institutions of Innovation, Stockholm 2012, nr 245,

http://www.kth.se/dokument/itm/cesis/CESISWP245.pdf [17.04.2013].

J. Wolszczak-Derlacz, A. Parteka, Efficiency of European public higher education institutions: a two-stage

multicountry approach, “Scientometrics” 2011, t. 89, 2011, s. 887-917.

G. Johnes, J. Johnes, Higher education institutions’ costs and efficiency: Taking the decomposition a further step,

“Economics of Education Review” 2009, t. 28, s. 107-113.

G. Abramo, C.A. D‟Angelo, F. Pugini, The measurement of Italian universities’ research productivity by a non

parametric-bibliometric methodology, “Scientometrics” 2008, t. 76, nr 2, s. 225-244.

J. Horne, B. Hu, The cost efficiency impact of the university operation fund on public universities in Taiwan,

“Mathematics and Computers Simulation” 2008, t. 78, s. 266-275.

68

J.S. Kuo, Y.C. Ho, The cost efficiency impact of the university operation fund on public universities in Taiwan,


P. Lenton, The cost structure of higher education in further education colleges in England, „Economics

of Education Review” 2008, t. 27, s. 471-482.

M.C.N. Castano, E.C.Cabanda, Performance evaluation of the efficiency of Philippine Private Higher

Educational Institutions: application of frontier approaches, “International Transactions in Operational

Research” 2007, t. 14, s. 431-444.

G. Kempkes, C. Pohl, The efficiency of German universities – some evidence from non-parametric

and parametric methods, Ifo Working Paper nr 36, 2006, www.ifo.de.

L. Johnes, Data envelopment analysis and its application to the measurement of efficiency in higher education,

“Economics of Education Review” 2006, t. 25, nr 3, s. 273-288.

M. Gulbrandsen, J. Smeby, Industry funding and university professors’ research performance, “Research Policy”

2005, t. 34, s. 932-950.

G. Johnes, J. Johnes, P. Lenton, E. Thanassoulis, A. Emrouznejad, An exploratory analysis of the cost structure

of higher education in England, Lancaster University Management School, Research Report RR641, 2005.

W. Chapple, A.Lockett, D. Siegel, M.Wright, Assessing the relative performance of U.K. university technology

transfer offices: parametric and non-parametric evidence, “Research Policy” 2005, t. 34, s. 369-384.

A. Crespi, A. Geuna, The productivity of science, University of Sussex, 2004, s. 25-28, www.kurul.inet-

tr.org.tr/inovasyon/crespiost2.pdf, [22.10.2013].

C. Salerno, What we know about the efficiency of higher education institutions: The best evidence, The Center

for Higher Education Policy Studies, University of Twente, 2003, http://doc.utwente.nl/47097/1/bhw-99-

bgo99.pdf [22.10.2013].

METODY NIEPARAMETRYCZNE

J. Nazarko, J. Ńaparauskas, Application of DEA method in efficiency evaluation of public higher education

institutions, “Technological and Economic Development of Economy” 2014, t. 20, No 1, s. 1-20.

M.H.C. Ho, J.S. Liu, W.M. Lu, C.C. Huang, A new perspective to explore the technology transfer efficiencies

in US universities, “Journal of Technology Transfer” 2014, t. 39, nr 2, s. 247-275.

H.-Y. Wu, J.-K. Chen, I-S. Chen, H.-H. Zhuo, Ranking universities based on performance evaluation by a hybrid

MCDM model, “Measurement” 2014, t. 45, nr 5, s. 856-880.

M.A.S. Monfared, M. Safi, Network DEA: an application to analysis of academic performance, “Journal

of Industrial Engineering International” 2013, t. 9, nr 15, s. 1-10.

S. Sunitha, M. Duraisamy, Measuring efficiency of technical education institutions in Kerala, India: A Data

Envelopment Analysis approach, [w:] Human capital and development. The Indian experience, N.S. Siddharthan,

K. Narayan (red.), Springer 2013, s. 129-145.

Z. Daghbashyan, The economic efficiency of Swedish higher education institutions, The Royal Institute

of Technology, Centre of Excellence for Science and Innovation Studies (KTH-CESIS), Working Paper Series in

Economics and Institutions of Innovation, Stockholm 2012, nr 245,

http://www.kth.se/dokument/itm/cesis/CESISWP245.pdf [17.04.2013].

S.Y. Sohn, Y. Kim, DEA based multi-period evaluation system for research in academia, “Expert Systems

with Applications” 2012, t. 39, s. 8274-8278.

G. Abramo, T. Cicero, C.A. D‟Angelo, A field-standardized application of DEA to national-scale research

assessment of universities, “Journal of Infometrics” 2011, t. 5, s. 618-628.

G. Li, Output efficiency evaluation of university human resource based on DEA, “Procedia Engineering” 2011,

t. 15, s. 4707-4711.

M. Świtłyk, Z. Mongiało, Zastosowanie metody Data Envelopment Analysis do pomiaru efektywności

na uczelniach publicznych w latach 2004-2008, „Zeszyty Naukowe Uniwersytetu Ekonomicznego w Poznaniu”

2011, nr 171, s. 375-384.

J. Urban, Measuring productivity of Polish research units: A DEA approach, [w:] Performance management

and measurement with data envelopment analysis, A. Emrouznejad, I.H. Osman, A.L. Anouze (red.), Olayan

School of Business, American University of Beirut, 2010, s. 233-238.

69

Y.M. Wang, K.S. Chin, Some alternative models for DEA cross-efficiency evaluation, “International Journal

of Production Economics” 2010, t. 128, s. 332-338.

N. Tzeremes, G. Halkos, A DEA approach for measuring university departments’ efficiency, University

of Thessaly, Paper nr 24029, 2010, 26 s., http://mpra.ub.uni-muenchen.de/24029/ [17.04.2013].

P. Tyagi, S.P. Yadav, S.P. Singh, Relative performance of academic departments using DEA with sensitivity

analysis, “Evaluation and Program Planning” 2009, t. 32, s. 168-177.

J. Nazarko, M. Komuda, K. Kuźmicz, E. Szubzda, J. Urban, Metoda DEA w efektywnym zarządzaniu podmiotami

sektora publicznego, „Badania Operacyjne i Decyzje” 2008, nr 4, s. 89-105.

W. Meng, D. Zhang, L. Qi, Q. Liu, Two-level DEA approaches in research evaluation, “The International

of Management Science” 2008, t. 36, s. 950-957.

C. Kao, H.T. Hung, Efficiency analysis of university departments: An empirical study, “The International Journal

of Management Science” 2008, t. 36, nr 4, s. 653-664.

J. Johnes, L. Yu, Measuring the research performance of Chinese higher education institutions using data

envelopment analysis, “China Economic Review” 2008, t. 19, s. 679-696.

G. Abramo, C.A. D‟Angelo, F. Pugini, The measurement of Italian universities’ research productivity by a non

parametric-bibliometric methodology, “Scientometrics” 2008, t. 76, nr 2, s. 225-244.

M.C.N. Castano, E.C. Cabanda, Performance evaluation of the efficiency of Philippine Private Higher Educational

Institutions: application of frontier approaches, “International Transactions in Operational Research” 2007, t. 14,

s. 431-444.

E.C. Wang, W. Huang, Relative efficiency of R&D activities: A cross-country study accounting for environmental

factors in the DEA approach, “Research Policy” 2007, t. 36, s. 260-273.

B.I.S. Fernando, E.C. Cabanda, Measuring efficiency and productive performance of colleges at the university

of Santo Tomas: a nonparametric approach, “International Transactions in Operational Research” 2007, t. 14,

s. 217-229.

K.H. Leitner i in., The impact of size and specialisation on universities’ department performance: A DEA

analysis applied to Austrian universities, “Higher Education” 2007, t. 53, s. 517-538.

W.D. Cook, J. Zhu, Classifying inputs and outputs in data envelopment analysis, “European Journal of Operational

Research”, t. 180, nr 2, 2007, s. 692-699.

M. Khodabakhshi, A super-efficiency model based on improved outputs in data envelopments analysis, “Applied Mathematics and Computation” 2007,t. 184, nr 2, s. 695-703.

G. Fandel, On the performance of universities in North Rhine-Westphalia, Germany: Government’s redistribution of

funds judged using DEA efficiency measures, “European Journal of Operational Research” 2007, t. 176, s. 521-533.

T. Groot, T. Garciá-Valderrama, Research quality and efficiency. An analysis of assessments and management

issues in Dutch economics and business research programs, “Research Policy” 2006, t. 35, s. 1362-1376.

G. Kempkes, C. Pohl, The efficiency of German universities – some evidence from non-parametric and parametric

methods, Institute for Economic Research, Univeristy of Munich, Working Paper nr 36, Dresden 2006,

http://www.cesifo-grous.de/ifoHome/publications/docbase/details.html?docId=14582089 [22.10.2013].

A. Bonaccorsi, C. Daraio, L. Simar, Advanced indicators of productivity of universities. An application of robust

nonparametric methods to Italian data, “Scientometrics” 2006, t. 66, nr 2, s. 389-410.

J.C. Glass, G. McCallion, D.G. McKillop, S. Rasaratnam, K.S. Stringer, Implications of variant efficiency measures

for policy evaluations in UK higher education, “Socio- Economic Planning Sciences” 2006, t. 40, s. 119-142.

M.L. Bougnol, J.H. Dulá, Validating DEA as a ranking tool: An application of DEA to assess performance

in higher education, “Annals of Operations Research” 2006, t. 145, s. 339-365.

M.G. Kocher, M. Luptacik, M. Sutter, Measuring productivity of research in economics: A cross-country study

using DEA, “Socio- Economic Planning Sciences” 2006, t. 40, s. 314-332.

J. Johnes, Data envelopment analysis and its application to the measurement of efficiency in higher education,


W. Chapple, A. Lockett, D. Siegel, M. Wright, Assessing the relative performance of U.K. university technology

transfer offices: parametric and non-parametric evidence, “Research Policy” 2005, t. 34, s. 369-384.

R. Carrington, T. Coelli, D.S.P. Rao, The performance of Australian universities: conceptual issues

and preliminary results, “Economic Papers”, t. 24, nr 2, 2005, s. 145-163.


70

Metody indeksowe są stosowane głównie do analiz bibliometrycznych. Według

badaczy, ocena jednowskaźnikowa nie daje wiarygodnej informacji o dorobku naukowym.

Wybór decydującego wskaźnika jest w znacznym stopniu dowolny, a uzyskany obraz jest

powierzchowny i jednostronny. Zdecydowanie lepsze są systemy wielowskaźnikowe. Zbiór

dużej liczby dobrze określonych wskaźników daje stosunkowo obiektywny obraz dorobku

i reputacji. Obraz taki sugeruje profil działalności obiektu, uwidacznia jego silne i słabe strony.

Metody parametryczne znajdują zastosowanie przy pomiarze efektywności kosztowej

lub ekonomicznej. Metody nieparametryczne znajdują najszersze zastosowanie, zarówno

w analizach bibliometrycznych, jak i w analizach wielokryterialnych. Spośród proponowanych

metod porównawczych, najszersze zastosowanie mają metody DEA i SFA. Metody COLS,

DFA, TFA, FDH prezentowane są w zestawieniu porównawczym bądź uzupełniającym

z metodami wiodącymi, natomiast brak jest propozycji jednoznacznych ich zastosowań

w badaniu produktywności nauki.

Odniesienie się do założeń metody DEA i metody SFA (tabela 2.2) ułatwia wybór

jednej z nich.

Tabela 2.2. Porównanie założeń metod DEA i SFA

Kategoria porównania Data Envelopment Analysis (DEA) Stochastic Fontier Analysis (SFA)

Zmienne wiele nakładów i wiele efektów pojedynczy nakład i wiele efektów

lub wiele nakładów i jeden efekt

Algorytm programowanie liniowe regresja (zwykle za pomocą

największej wiarygodności)

Zakłócenia model deterministyczny model stochastyczny

Postać funkcyjna relacji

wejścia-wyjścia nie określa się postać funkcyjna jest określona

Wagi czynników indywidualny zestaw wag dla każdej

jednostki (nieparametryczna)

brak indywidualnego zestawu wag

(parametryczna)

Źródło: H.W. Lampe, D. Hilgers, Trajectories of efficiency measurement: A bibliometric analysis of DEA and SFA,

“European Journal of Operational Research” 2015, t. 240, p. 2.

Metoda DEA z powodzeniem stosowana jest w obszarach sektora publicznego. Liczne

przykłady aplikacji metody DEA w Polsce i na świecie prezentują analizę między innymi

jednostek sektora edukacji i szkolnictwa wyższego, bibliotek, instytucji kultury, szpitali

i zakładów opieki zdrowotnej, policji i więziennictwa. W literaturze polskojęzycznej większość

prac ma charakter poglądowy, wskazujący jedynie na możliwość zastosowania metody,

bez pogłębionej analizy i interpretacji wyników*.

* publikacje na temat zastosowań metody DEA w Polsce, będące wynikiem studiów literaturowych autorki,

przedstawiono w aneksie, załącznik 7.

71

Analiza produktywności, w tym jej pomiar, ma szczególne znaczenie w ocenie

instytucji sektora publicznego. Ograniczoność środków finansowych i brak presji

konkurencyjnej w sektorze publicznym powoduje, że zarządzanie jednostkami non-profit jest

niekiedy trudniejsze od zarządzania przedsiębiorstwami prywatnymi. Jest to rynek

reprezentujący dużą część gospodarki. Istotne staje się zatem wykreowanie stymulatorów

racjonalnego gospodarowania środkami publicznymi oraz poprawy jakości świadczonych

usług. Ocena produktywności może być traktowana jako substytut konkurencyjności

i kreować proefektywnościowe reguły wolnego rynku bez utraty korzyści płynących

z tradycyjnych zasad administracji publicznej. Obecnie w światowych badaniach

porównawczych produktywności znaczącą pozycję zajmuje metoda DEA, wskazywana

również do pomiaru produktywności nauki.

72

ROZDZIAŁ 3.

SYSTEMY OCENY JEDNOSTEK NAUKOWYCH

W WYBRANYCH KRAJACH

3.1. Uwarunkowania systemów oceny jednostek naukowych w Europie

Ostatnie dziesięciolecia były okresem istotnych przemian w systemach nauki

w Europie, które dokonywały się w wyniku rosnącego znaczenia badań naukowych

i innowacji w poszczególnych krajach oraz w skali międzynarodowej. Relatywny spadek

nakładów publicznych wraz z niewystarczającym poziomem finansowania ze środków

prywatnych, coraz szersza konkurencja skłoniły do rewidowania struktur zarządzania nauką.

W Europie, jedną z głównych sił napędowych zmian była Strategia lizbońska,

realizowana w latach 2000-2010, której nadrzędnym celem było zmniejszenie luki

rozwojowej między Europą a Stanami Zjednoczonymi i Japonią oraz konieczność podjęcia

działań w związku z rosnącą konkurencyjnością Chin i Indii – przez zwiększenie środków

na badania i rozwój dla przyspieszenia rozwoju technologicznego1. Nie osiągnięto jednak

założonego poziomu wzrostu produktywności krajów uprzemysłowionych, szczególnie

w zakresie przeznaczenia 3% PKB na działalność badawczo-rozwojową2. Nowa strategia

Europa 2020 zakłada między innymi racjonalne wykorzystanie środków publicznych, których

wielkość na badania i rozwój ma osiągnąć niezrealizowany w poprzedniej strategii poziom,

a ponadto stworzenie innowacyjnych instrumentów finansowania, wykorzystanie działalności

badawczo-rozwojowej i innowacji do rozwiązywania kwestii społeczno-gospodarczych

przez szybki wzrost transmisji wiedzy teoretycznej do praktyki gospodarczej3.

Istotny wpływ na sektor nauki miał również kryzys gospodarczy, który radykalnie

wpłynął na możliwości sprostania wyzwaniom sektora naukowego. Zmniejszenie dostępnych

zasobów publicznych skłoniło do podejmowania działań w kierunku bardziej wydajnego

i skutecznego sektora publicznego. Stało się ważne, aby aktywizować działania

naukowo-badawcze i zwiększać ich produktywność, ponieważ, jak uzasadnia F. Betz, nauka

jest kosztowna4. Wymaga środków na wynagrodzenia dla naukowców, zakup sprzętu

1 European Commission, Europe 2020 flagship initiative innovation union, communication nr 546, Brussels 2010,

http://ec.europa.eu/commission_2010-2014/geoghegan-quinn/headlines/documents/com-2010-546-final_en.pdf

[19.01.2014]. 2 Komisja Europejska, Ocena strategii lizbońskiej, SEK nr 114, Bruksela 2010, s. 3,

ec.europa.eu/europe2020/pdf/lisbon_strategy_evaluation_pl.pdf [19.09.2013]. 3 Komisja Europejska, Europa 2020. Strategia na rzecz inteligentnego i zrównoważonego rozwoju sprzyjającego

włączeniu społecznemu, KOM nr 2020, Bruksela 2010, ec.europa.eu/eu2020/pdf/1_PL_ACT_part1_v1.pdf

[19.09.2013]. 4 F. Betz, Managing science: Methodology and organization of research, Springer, New York 2011, s. 54, 107.

73

badawczego, konserwację urządzeń laboratoryjnych, badań i wsparcia administracji badań5.

Stąd podstawowym instrumentem zarządzania w sektorze nauki są nakłady na badania*.

Poziom finansowania działalności badawczo-rozwojowej w krajach europejskich oraz USA,

Japonii i Chinach w 2011 roku przedstawiono na rysunku 3.1. Wskaźnik GERD (ang. Gross

Domestic Expenditure on R&D) prezentuje całkowite wydatki na prace B+R realizowane

na terytorium kraju w danym okresie sprawozdawczym jako % PKB. Na rysunku

przedstawiono także strukturę wskaźnika GERD według sektorów. Wyznaczając wskaźnik

GERD uwzględnia się fundusze, które są sumą wszystkich rocznych inwestycji w badania

i rozwój w biznesie (ang. Business Expenditures on R&D, BERD), ośrodkach akademickich

(ang. Higher Education Expenditures on R&D, HERD) oraz w sektorach rządowym

(ang. Government Expenditures on R&D, GOVERD) i non-profit (ang. Private Non-profit

Expenditures on R&D, PNPERD).

*Turcja, Japonia 2010

Rysunek 3.1. Krajowe wydatki na badania i rozwój (GERD) w podziale na sektory

Źródło: opracowanie własne na podstawie danych: Eurostat, Erawatch (2011).

5 M. Herbst, Financing Public Universities: The case of performance funding, Higher Education Dynamics,

t. 18, Springer, Zurich 2007, s. 90.

* Patrz: rozdział 2.2.

0 0,5 1 1,5 2 2,5 3 3,5 4

CyprRumuniaBułgaria

GrecjaSłowacja

ŁotwaMalta

PolskaChorwacja

Turcja*Litwa

WęgryWłochy

HiszpaniaPortugalia

CzechyNorwegia

IrlandiaChiny

HolandiaBelgia

FrancjaEstoniaIslandia

SłoweniaUSA

AustriaNiemcy

DaniaJaponia*SzwecjaFinlandia

GERD

BERD HERD GOVERD PNPERD

Euro

pa 2

020

GE

RD

, średn

ia EU

28

=2

,04

74

Ranking krajów względem wskaźnika GERD różnicowany jest głównie przez wydatki

na działalność B+R w sektorze przemysłowym. W Europie, Finlandia oraz Szwecja mają

najwyższy udział badań w tym sektorze i są jedynymi krajami UE, w których nakłady

na badania przekroczyły w roku 2011 3% PKB. Wydatki tylko 9 krajów osiągają poziom

średniego wskaźnika dla krajów Unii Europejskiej (2,04). W krajach, gdzie wskaźnik GERD

przyjmuje wartość poniżej 1% PKB dominują publiczne wydatki B+R na działalność

w jednostkach naukowych. Poza Grecją, są to kraje, które przystąpiły do UE w 2004 roku

lub później.

Udział sektora przemysłowego jest dominujący także w zakresie źródeł finansowania

działalności badawczo-rozwojowej. Strukturę źródeł nakładów na badania i rozwój

w poszczególnych krajach przedstawiono na rysunku 3.2, w kolejności odpowiadającej

wielkości wskaźnika GERD na rysunku 3.1. Można zaobserwować, że proporcja środków

finansowych z poszczególnych źródeł jest zgodna ze strukturą inwestycji na badania i rozwój.

Rysunek 3.2. Struktura krajowych nakładów na badania i rozwój (GERD) według źródeł finansowania

Źródło: opracowanie własne na podstawie danych Eurostatu (2011).

0 10 20 30 40 50 60 70 80 90 100

CyprBułgaria

ŁotwaPolskaLitwa

GrecjaSłowacjaRumunia

CzechyChorwacjaPortugaliaNorwegiaHiszpania

WłochyTurcja

AustriaWęgry

IslandiaIrlandia

HolandiaMalta

EstoniaFrancja

SzwecjaUSA

BelgiaDania

SłoweniaNiemcy

FinlandiaChiny

Japonia*

Przemysł Fundusze rządowe Środki zagraniczne Szkolnictwo wyższe Prywatne instytucje non-profit

*Japonia 2010

b.d.

75

Zasadniczo, działalność badawcza wymaga finansowania przez rząd, przemysł

lub filantropów6. Z danych Eurostatu (rysunki 3.1 i 3.2) wynika, że o wielkości krajowych

nakładów na B+R stanowią wydatki sektora biznesowego. Środki z biznesu zwykle pozostają

w biznesie. Im niższy wskaźnik GERD, tym niższy udział funduszy z sektora

przemysłowego. W takim wypadku wzrasta udział funduszy rządowych oraz zagranicznych.

Należy jednak podkreślić, że fundusze publiczne i niepubliczne są względem siebie

komplementarne7. A. Muscio i in. przeprowadzili badania dotyczące relacji finansowania

publicznego i niepublicznego i ich wpływu na działania publicznych jednostek naukowych.

Badania empiryczne miały na celu określenie, czy presja finansowa związana

ze zmniejszeniem interwencji rządowej, wywołuje efekt substytucji, to znaczy wpływa

na poszukiwanie alternatywnych źródeł finansowania i stymulowanie interakcji między

publicznymi jednostkami naukowymi a przemysłem, czy efekt komplementarności,

czyli hamuje ich zdolność do pozyskiwania funduszy zewnętrznych. Autorzy badań wyraźnie

podkreślają, że finansowanie publiczne i finansowanie z umów badawczych

i konsultingowych są pozytywnie powiązane, co oznacza, że te dwie formy finansowania

są strategicznie komplementarne. Innymi słowy, środki publiczne mogą odgrywać ważną rolę

w stymulowaniu interakcji pomiędzy publicznymi jednostkami naukowymi a przemysłem.

W konsekwencji, obecne inicjatywy mające na celu cięcia środków publicznych jednostek

naukowych mogą negatywnie wpłynąć na współpracę uczelni z przemysłem oraz ich

zdolności pozyskiwania środków zewnętrznych. Co ciekawe, fundusze z projektów UE

są bardziej skuteczne w zwiększaniu środków prywatnych niż inne źródła finansowania

krajowego. Ponadto, autorzy wskazują na wysoki stopień trwałości środków prywatnych

w czasie, co oznacza, że zmniejszenie środków publicznych jednostek naukowych

prawdopodobnie skutkować będzie dalszym poszerzeniem obecnie istniejącej luki pomiędzy

tymi jednostkami naukowymi, które są w stanie przyciągać środki prywatne i tymi,

które nie mają tej zdolności8.

Znaczenie środków publicznych w finansowaniu działalności B+R podkreślają także

R. Viale i H. Etzkowitz. Ich zdaniem, w okresie kryzysu, gdy przemysł ogranicza swoje

wydatki na badania i rozwój, to właśnie działania rządowe na szczeblu centralnym

66

F. Betz, dz. cyt., s. 54. 7 A. Muscio, D. Quaglione, G. Vallanti, Does government funding complement or substitute private research

funding to universities?, “Research Policy” 2013, t. 42, s. 63-75. 8 Tamże, s. 74.

76

i regionalnym mogą okazać się niezbędnym wsparciem dla utrzymania i rozwoju relacji

nauka-przemysł9.

Udział środków publicznych w finansowaniu działalności jednostek naukowych jest

zatem pożądany. Zasadnicze znaczenie ma jednak poziom i forma tego finansowania.

Systemy finansowania, a zwłaszcza mechanizmy alokacji zasobów dla środków publicznych

są istotnym elementem reform systemów nauki w wielu krajach. Obecnie mechanizmy

finansowania jednostek naukowych przyjmują cztery główne formy (rysunek 3.3):

– dotacje;

– środki konkursowe;

– kontrakty rządowe i pozarządowe;

– fundusze filantropijne.

W zależności od kraju, rozwijane są różne strumienie finansowania.

Rysunek 3.3. Źródła finansów jednostek naukowych

Źródło: opracowanie własne na podstawie: Erawatch, http://erawatch.jrc.ec.europa.eu [27.11.2013].

Z przeglądu 32 krajów europejskich przeprowadzonego przez autorkę wynika,

że formy finansowania jednostek naukowych różnią się w poszczególnych krajach. Dotacja

czy granty blokowe stanowią główne źródło finansowania publicznych jednostek naukowych

w Europie. W celu rozdzielenia tych środków, niemal we wszystkich krajach stosuje się

algorytmy. W większości krajów europejskich w algorytmach finansowania wykorzystuje się

wskaźniki. Finansowanie w wyniku negocjacji i przetargów politycznych, tak zwany budżet

negocjowany, stosowany jest na przykład we Francji. System cypryjski jest przykładem

9 R. Viale, H. Etzkovitz, The capitalization of knowledge: a triple helix of university-industry-government,

Edward Elgar Publishing Ltd., Northampton, USA 2010, s. 1-2.

Władze publiczne

dotacja instytucjonalna

finansowanie celowe

finansowanie projektów

kontrakty

UE / Inne fundusze międzynarodowe

finansowanie projektów

przetargi inne

(np. fundusze filantropijne)

Przemysł/ Sektor biznesu

kontrakty badawcze / konsultacje

kontrakty szkoleniowe

fundusze filantropijne

nabycie innych usług

(wyposażenie badawcze,

konferencje)

Studenci

czesne i opłaty

administracyjne

Fundacje / organizacje

charytatywne

darowizny, finansowanie

projektów, usług

Inne (np. absolwenci)

opłaty, usługi, finansowanie filantropijne

JEDNOSTKI NAUKOWE

77

systemu finansowania, w którym poziom finansowania ustalany jest na podstawie poziomu

finansowania z poprzedniego okresu oraz wielkość zasobów. Z kolei system kontraktowy

realizowany jest w Danii. Finansowanie filantropijne popularne jest przykładowo w USA,

Szwecji, Danii, we Włoszech. Znaczny udział w finansowaniu badań naukowych w Wielkiej

Brytanii mają organizacje charytatywne.

Formy finansowania są różnie uwarunkowane przez wewnętrzne krajowe zasady.

Szczególnie formy finansowania publicznego przyjmują wiele wariantów. Klasyfikację form

finansowania publicznego według J. Jabłeckiej przedstawiono w tabeli 3.1.

Tabela 3.1. Klasyfikacja form publicznego finansowania działalności naukowej

Kryterium Rodzaj finansowania

Obiekt finansowania instytucjonalne (podmiotowe), przedmiotowe, strukturalne

Swoboda dysponowania środkami warunkowe, finansowanie bezwarunkowe

Charakter powiązań dotacja, kontrakt

Zasady przyznawania funduszy w wyniku negocjacji i przetargów politycznych (budżet

negocjowany), na podstawie poziomu finansowania z poprzedniego

okresu (tzw. metoda historyczna lub przyrostowa), na podstawie

kalkulacji kosztów i planu rzeczowego realizacji zadań, konkursowe

na podstawie oceny ex ante, konkursowe na podstawie oceny ex post

Zasięg instytucji finansującej międzynarodowe, krajowe, regionalne, lokalne

Forma organizacji system scentralizowany, system zdecentralizowany

Liczba źródeł finansowania dwa strumienie finansowania (dotacje podstawowe, granty

(finansowanie konkursowe), trzy strumienie finansowania (dotacje

podstawowe, granty oraz środki zewnętrzne, uzupełniające, dotacje

i kontrakty pozarządowe)

Źródło: opracowanie własne na podstawie: J. Jabłecka, Innowacje w sposobie finansowania uniwersytetów.

Analiza na przykładzie wybranych krajów OECD, „Problemy Zarządzania” 2004, t. 1, s. 62-81.

Dotacja instytucjonalna to podstawowa forma finansowania jednostek naukowych

(ang. core funding, floor funding), przekazywana bezpośrednio przez ministerstwo

odpowiedzialne za naukę, w celu umożliwienia realizacji działalności naukowej

w podstawowym zakresie. Przyjmuje różne formy w zależności od poziomu i sposobu

różnicowania dotacji. Występuje głównie jako10

:

ogólna dotacja bezwarunkowa (ang. block grant, lump sum), gdzie dysponowanie

środkami przyznanej dotacji nie jest zastrzeżone szczegółowymi warunkami; jest

to forma finansowania stosowana w sytuacji obfitych zasobów;

dotacja z wyszczególnieniem kategorii kosztów (ang. indicator-based, formula-based,

formula-driven), szacowana na podstawie kosztów bieżących i inwestycji; algorytm

finansowania może być oparty na wskaźnikach wejściowych (zasobach) lub wzorcach

historycznych, gdzie punktem odniesienia dla ustalenia poziomu finansowania jest

10

J. Jabłecka, Innowacje w sposobie finansowania uniwersytetów. Analiza na przykładzie wybranych krajów

OECD, „Problemy Zarządzania” 2004, t. 1, s. 65-68; M. Herbst, Financing public universities: the case

of performance funding, Higher Education Dynamics, t. 18, Springer, Zurich 2007, s. 65-76.

78

poziom z roku poprzedniego; swoboda dysponowania środkami ograniczona jest rygorem

przestrzegania zaplanowanych kosztów; system ten dominował pod koniec XX wieku,

obecnie jednak odchodzi się od tego typu finansowania;

dotacja oparta na algorytmie, ustalana na podstawie oceny nakładów i uzyskiwanych

efektów działalności naukowej w określonych czasie (ang. performance-based);

kategoria finansowania ustalana może być na podstawie oceny wskaźników wyjściowych

(efektów), poziomu produktywności jednostek naukowych, oceny jakości, bądź

stosowane mogą być kryteria mieszane; finansowanie ma charakter selektywny

i konkurencyjny, gdzie wysokość dotacji zależy od rangi określonej na podstawie

określonych wskaźników związanych z wynikami;

finansowanie celowo-zadaniowe, może występować w formie dotacji lub kontraktowania

na realizację programów określonych w założeniach strategicznych kraju; ten rodzaj

finansowania łączony jest z innym typem finansowania instytucjonalnego; występuje

tu zwiększona kontrola wydatkowania środków przez ich celowe ukierunkowanie.

W krajach europejskich dominuje system dualny obejmujący finansowanie blokowe

oraz finansowanie oparte na konkursach. W ostatnich latach obserwuje się stopniowe

przechodzenie od pełnego finansowania instytucjonalnego w kierunku finansowania

konkursowego.

We wszystkich krajach dominuje sektor publiczny, jednak udział sektora prywatnego

stale się zwiększa. Sprzyja temu lokalizacja dużych koncernów przemysłowych, które

podnoszą wskaźniki BERD, ale i współpracują z podmiotami publicznymi.

We wszystkich krajach środki na określone projekty lub programy badawcze przyznaje

się na zasadach konkurencyjnych. W kilku krajach ten mechanizm podziału środków stanowi

główne źródło środków publicznych na badania. Niemal wszystkie kraje przyznają również

dotacje instytucjonalne na badania, które nie są związane z określonymi projektami

badawczymi. Podstawą algorytmów finansowania blokowego instytucjonalnego w niektórych

krajach jest skala działalności jednostki naukowej, lecz najbardziej znaczące formy

finansowania publicznego – w ramach nowego sposobu zarządzania zorientowanego na rynek

– przyjęły formę finansowania opartego na wynikach (ang. performance-based funding)11

.

Alokację zasobów opartą na wynikach należy rozpatrywać w szerszym kontekście

alokacji zasobów opartych na wskaźnikach. Analiza oparta na wynikach ma miejsce

wówczas, gdy wskaźniki związane są z alokacją zasobów, tj. do finansowania opartego

11

M. Herbst, dz. cyt., s. 67.

79

na wynikach lub budżetowania, niezależnie od tego czy są to wskaźniki określające relację

efektów do nakładów (efektywność, produktywność)12

.

Według M. Herbsta, uzasadnieniem finansowania na podstawie wyników jest

założenie, że finansowane powinny być jednostki „manifestujące” swoją produktywność.

Efektywniej działające jednostki powinny otrzymywać więcej niż jednostki mniej efektywne,

co powinno stanowić podstawę ich przewagi konkurencyjnej i aktywizacji działalności

naukowej. Nagradzane powinny być efekty, a nie nakłady. Innymi słowy, nakłady powinny

dynamizować efekty. Herbst podkreśla także, że dobrze finansowany system działa sprawniej,

szczególnie w obrębie jednostek tej samej klasy. Należy jednak pamiętać, że finansowanie

wyników nie ma służyć jako substytut sił rynkowych, ponieważ sprzyja bardziej

cementowaniu istniejących struktur, aniżeli promowaniu wydajności13

.

W niektórych krajach jedynie część środków publicznych przyznaje się adekwatnie

do osiągnięć naukowych. Wielka Brytania jest przykładem kraju, w którym dotacja blokowa

na działalność badawczą jest bezpośrednio uzależniona od wyników jednostek naukowych.

W większości krajów europejskich uwzględnia się wielkość jednostek i ich osiągnięcia naukowe.

Tylko w niektórych krajach występuje trzeci strumień finansowania – zewnętrzny,

przykładowo w Szwajcarii i Luksemburgu. Z uwagi na duży udział funduszy z sektora

przemysłowego, wzrasta presja polityczna w publicznych jednostkach naukowych

do zintensyfikowania interakcji jednostek naukowych z przemysłem w celu powiększenia

możliwości finansowania ich badań. Wiąże się to z przyjęciem przez jednostki naukowe,

oprócz tradycyjnych funkcji prowadzenia badań naukowych i kształcenia, tak zwanej trzeciej

misji (ang. third mission), czyli zaangażowanie się w działania przyczyniające się do wzrostu

gospodarczego i konkurencyjności przez bezpośredni transfer wiedzy. Jednostki naukowe

zwiększają nacisk na: poszerzanie form przedsiębiorczości akademickiej, powoływanie

uniwersyteckich spółek spin-off, czy generowanie patentów lub licencji. Ostatnio, więcej

uwagi poświęca się też innym kanałom współpracy pomiędzy uczelniami a przemysłem,

takim jak kontrakty badawcze i działalność konsultingowa, charakteryzujących się wyższym

stopniem relacyjnych powiązań, zdolnych do wywoływania efektów uczenia się przez

interakcje14

. Te formy trzeciej misji odzwierciedlone są w zwiększonym trzecim strumieniu

finansowania (ang. third-party funding) w budżecie jednostek naukowych. Ten rodzaj

finansowania ma swoje źródło u użytkowników wiedzy i technologii z otoczenia zewnętrznego.

12

M. Herbst, dz. cyt., s. 65. 13

Tamże, s. 90. 14

A. Bonaccorsi, L. Secondi, E. Setteducati, A. Ancaiani, dz. cyt., s. 170-171.

80

Z przeglądu przeprowadzonego przez autorkę wynika, że mechanizmy i formy

finansowania zależne są od sposobu organizacji systemów nauki. Złożoność tych systemów

wynika przede wszystkim ze zróżnicowania podmiotów w nim uczestniczących i relacji

między tymi podmiotami. Poza takimi krajami jak Belgia, Francja i Niemcy, w Europie

dominują silnie scentralizowane systemy nauki. Władze publiczne odgrywają centralną rolę

w regulowaniu i koordynacji rozwiązań w systemach nauki w całej Europie. Ogólnie przyjęty

model struktury systemu nauki opiera się na czterech poziomach (rysunek 3.4).

Rysunek 3.4. Model systemu nauki w Europie

Źródło: opracowanie własne na podstawie przeglądu modeli europejskich krajowych systemów nauki, Erawatch,

http://erawatch.jrc.ec.europa.eu [10.2013-12.2013].

Parlament i rząd krajowy są odpowiedzialne za podejmowanie decyzji na najwyższym

szczeblu. Zwykle dotyczy to ustalenia poziomu środków finansowych z budżetu państwa.

Decyzje te często wspomagane są przez rady i agencje doradcze. Ministerstwa działają

na poziomie operacyjnym, będąc odpowiedzialnymi za ustanawianie programów

badawczych, implementację polityki naukowej. Trzeci poziom wykonawczy stanowią agencje

finansowania nauki oraz monitorujące. Czwarty poziom to organizacje realizujące działalność

naukowo-badawczą, czyli ośrodki akademickie, krajowe akademie nauk i ich instytuty,

publiczne instytuty badawcze oraz ośrodki przemysłowe.

O potencjale badawczo-rozwojowym kraju stanowi poziom i jakość jednostek

naukowych. Potencjał badawczo-rozwojowy stanowi podaż wyników badań naukowych,

które zwiększają zasób wiedzy w samej nauce i podnoszą innowacyjność gospodarki. Wpływ

na to ma liczba jednostek prowadzących działalność tego typu, zasoby kadrowe i ponoszone

• parlament

Poziom polityczny

• ministerstwa

• agencje

Poziom operacyjny

• agencje finansujące lub/i nadzorujące programy

• agencje monitorujące

Poziom wykonawczy

• ośrodki akademickie

• krajowe akademie nauki

• publiczne instytuty badawcze

• ośrodki przemysłowe

Jednostki naukowe

81

nakłady. Liczba i struktura publicznych jednostek naukowych jest dość zróżnicowana

w krajach europejskich (tabela 3.2). W większości krajów europejskich badania naukowe

są realizowane głównie w ośrodkach akademickich. Jedynie w Danii większość badań

naukowych jest realizowanych w sektorze prywatnym15

.

Tabela 3.2. Liczba jednostek naukowych w wybranych krajach europejskich

Kraj

Liczba publicznych jednostek naukowych (2012) Populacja

[mln] (2013) ośrodki

akademickie

instytuty

badawcze Łącznie

Niemcy ~300 264 ~564 80,5

Francja 83 13 96 65,6

Wielka Brytania 115 98 213 63,9

Włochy 67 13 80 59,7

Hiszpania 50 582 632 46,7

Polska 132 186 318 38,5

Rumunia 56 179 235 20,0

Holandia 53 95 148 16,7

Belgia 55 209 264 11,2

Grecja 34 31 65 11,1

Czechy 26 54 80 10,5

Portugalia 30 · · 10,5

Węgry 28 131 159 9,9

Szwecja 33 28 61 9,6

Austria 43 272 315 8,4

Szwajcaria 21 28 49 7,9

Bułgaria 37 90 127 7,3

Dania 8 7 15 5,6

Słowacja 23 64 87 5,4

Finlandia 41 18 59 5,4

Norwegia 39 113 152 4,95

Irlandia 21 4 25 4,6

Chorwacja 20 26 46 4,2

Litwa 15 45 60 3,0

Łotwa 18 138 156 2,24

Słowenia 3 47 50 2,06

Estonia 16 24 40 1,3

Cypr 3 12 15 0,87

Luksemburg 1 4 5 0,5

Malta 2 2 4 0,4

Źródło: opracowanie własne na podstawie: Erawatch, GUS, Forskning.se.

Analizując liczbę ośrodków akademickich, należy przyjąć, że jest to liczba uczelni

publicznych o różnym profilu. Strukturalnie wyodrębnia się w ramach każdej co najmniej

kilka obszarów badawczych. Ponieważ jednak jest to zorganizowane różnie, brak jest danych

szczegółowych na ten temat. Natomiast liczba ośrodków akademickich jest zależna

od wielkości populacji danego kraju.

15

Private sector interaction in the decision making processes of public research policies: Denmark,

http://ec.europa.eu/invest-in-research/pdf/download_en/psi_countryprofile_denmark.pdf [22.11.2013].

82

W wypadku instytutów badawczych, przeważnie dominujących jest kilka ośrodków

w kraju, na które przeznaczana jest większość środków finansowych. Głównie

są to państwowe akademie nauk, w ramach których są zorganizowane zależne ośrodki

badawcze, lub inne instytuty o dużej skali działania lub obszarach naukowych strategicznych

dla danego kraju. Pozostałe ośrodki mają charakter zwykle regionalny lub lokalny.

Przykładem kraju, w którym instytuty badawcze są silnie rozproszone jest Hiszpania.

Liczba jednostek naukowych w systemie determinuje złożoność instrumentów

finansowania. Poszczególne kraje różnią się w zakresie organizacji systemów nauki

i sposobów finansowania jednostek naukowych. Te uwarunkowania mają wpływ

na stosowane systemy oceny i ewaluacji jednostek naukowych.

W wielu krajach Europy obowiązują ogólnokrajowe systemy ewaluacji oparte

na ocenie jakościowej, ilościowej bądź formie mieszanej. Ewaluacja instytucjonalna

w zależności od kraju stanowi podstawę decyzji finansowanych lub/i decyzji zarządczych.

Udział finansowania instytucjonalnego badań naukowych różni się pomiędzy poszczególnymi

krajami. Z tych uwarunkowań wynikają różnice w stosowanych systemach oceny. Wyraźnie

zauważa się rozwój funduszy konkursowych, lecz widzi się też potrzebę wprowadzenia

finasowania statutowego. W Wielkiej Brytanii w latach 2013-2014 dotacja instytucjonalna

ma stanowić około 65% przychodów jednostek naukowych16

. Alokacja dotacji

instytucjonalnej dokonywana jest na podstawie oceny jakościowej i względnych kosztów

badań w poszczególnych obszarach naukowych. W Szwecji i Norwegii dostrzega się

znaczenie dotacji instytucjonalnej i obecne rozwijane są w tych krajach systemy oceny

jednostek naukowych w kontekście alokacji środków publicznych. W Holandii finansowanie

instytucjonalne stanowi 60% funduszy publicznych na badania17

. Ośrodki akademickie

w Finlandii otrzymują dotację rządową, która stanowi 64% ich finansów18

.

Rezultaty działalności naukowej są wypadkową zasobów i struktury instytucji,

w której są prowadzone badania. Kraje różnią się wielkością i jakością naukowej produkcji.

Wynika to z różnych czynników, ale badania pokazują, że istnieje istotna korelacja pomiędzy

wydatkami publicznymi na badania a wskaźnikami cytowań19

.

16

Higher Education Founding Council for England (HEFCE), How we fund research,

http://www.hefce.ac.uk/whatwedo/rsrch/howfundr/ [22.11.2013]. 17

Platform on research and innovation policies and systems,

http://erawatch.jrc.ec.europa.eu/erawatch/opencms/information/country_pages/nl/country [21.11.2013]. 18

Education, research and innovations in Finland, http://www.research.fi/en/innovationsystem.html

[21.11.2013]. 19

A. ab Iorwerth, Methods of Evaluating University Research Around the World, Department of Finance,

Canada, Working Paper 2005-04, s. 17, 22; O. Auranen, M. Nieminen, dz. cyt, s. 822-834.

83

3.2. Przegląd narodowych systemów oceny jednostek naukowych

Systematyczna ocena jednostek naukowych przeprowadzana jest w wielu krajach

Europy i świata. W rozdziale dokonano przeglądu systemów głównie krajów europejskich,

z uwagi na porównywalne uwarunkowania do realiów polskiego systemu nauki.

Charakterystykę poszczególnych systemów zaprezentowano w celu wskazania uzasadnienia

pewnych procedur i metodyk oraz identyfikacji dobrych praktyk. Odniesiono się także

do kontekstu międzynarodowego.

Praktyka ewaluacji działalności rządowej w sektorze nauki w krajach rozwiniętych

gospodarczo sięga lat pięćdziesiątych i wiąże się, ogólnie, z opieraniem działalności

na ocenach porównujących docelowe rezultaty z uzyskanymi efektami. Problematyka

wdrażania, adaptowania i doskonalenia tego procesu jest dość złożona. Różne

uwarunkowania systemów nauki w poszczególnych krajach różnicują specyfikę jednostek

naukowych. Wymaga to odrębnego podejścia do praktyki oceny i ewaluacji instytucjonalnej.

Różny status, charakter i założenia systemów ewaluacji wynikają z praktycznych

potrzeb politycznych. Jak wynika z przeglądu autorki, bywa nim selektywna alokacja środków

finansowych, wyznaczenie wskaźników jakości w odniesieniu do międzynarodowych

standardów, zapewnienie stabilnych ram dla wsparcia wiodących ośrodków badawczych,

określenie przyszłości ocenianej organizacji, ustalenie jej struktury, przyjęcie programu zadań

lub zmiana profilu badawczego, bieżąca kontrola, dostarczenie informacji porównawczej

i ustalenie miary reputacji jednostek naukowych, ocena strategii, instrumentów i stylu

zarządzania agencji centralnych, uzasadnienie inwestycji publicznych, wprowadzenie zmian

do polityki naukowej bądź ocena skuteczności wdrożonych działań.

Można zaobserwować wzrost znaczenia systematycznej oceny jednostek naukowych.

Systemy oceny z reguły są przeprowadzane co kilka lat i stopniowo doskonalone w myśl

zmian zachodzących zarówno w roli społecznej nauki, jak i charakterze polityki naukowej,

a także w wyniku pogłębiania doświadczeń w zakresie metodyki oceny i ewaluacji. Można

zauważyć, że kryteria są coraz bardziej precyzyjne. Ustala się wyraźne standardy jednostek

naukowych, od najwyższego światowego lidera, przez międzynarodowego, krajowego,

po lokalnego czempiona. Od wyników oceny uzależnia się poziom finansowania

podstawowego bądź kwalifikuje się dostęp do funduszy dodatkowych, przykładowo

w Wielkiej Brytanii, Australii, Polsce, Hong Kongu czy Chinach. Inną przesłanką stosowania

oceny jest funkcja informacyjna, wydawanie opinii i komentarzy o poszczególnych

jednostkach lub obszarach naukowych, jak na przykład w Holandii, Finlandii, Szwajcarii,

Danii czy Japonii.

84

Kraje europejskie, w których wdrożono systematyczne inicjatywy oceny lub ewaluacji

instytucjonalnej jednostek naukowych zaznaczono na rysunku 3.5. W pozostałych krajach

stwierdzono brak systematycznego podejścia do analizowanego zagadnienia lub dostęp

do informacji był znacznie ograniczony.

Legenda:

kolorem szarym zaznaczono kraje, w których wdrożono systematyczne inicjatywy oceny lub ewaluacji instytucjonalnej

jednostek naukowych

Rysunek 3.5. Systematyczne inicjatywy oceny lub ewaluacji instytucjonalnej jednostek naukowych

w Europie


W Europie można wyróżnić dwa rodzaje systemów pomiaru działalności naukowej

jednostek naukowych. Podejście to konkretyzuje D.F.J. Cambell, który wskazuje systemy

parametryczne oraz systemy ewaluacyjne20

. W systemach parametrycznych dokonuje się

pomiaru poziomu działalności naukowej na podstawie danych ilościowych. Kluczowe

są wskaźniki dotyczące poziomu i struktury kadr i zespołów badawczych, publikacji,

patentów i innych artefaktów działalności naukowej. Liczbowa reprezentacja wyników

umożliwia zastosowanie zaawansowanych analiz statystycznych i graficznych. Wskaźniki

stosowane systematycznie przyjmują formę systemów monitorujących.

20

D.F.J. Cambell, The evaluation of university research in the United Kingdom and the Netherlands, Germany

and Austria [w:] Learning from science and technology policy evaluation. experiences from the United States

and Europe, P. Shapira, S. Kuhlmann, Edward Elgar Publishers, Northampton, Cheltenham, 2003, s. 106-107.

85

Systemy oparte na ewaluacji odnoszą się głównie do wskaźników jakościowych.

Metodycznie mogą być wsparte również wskaźnikami liczbowymi. Główne zastosowanie

mają tu oceny ekspertów. W krajach europejskich dominuje ten typ ewaluacji. Najbardziej

rozpoznawalny jest system Wielkiej Brytanii, do którego odniesienia są zauważalne

w systemach Łotwy, Estonii, Portugalii czy Włoch. Główne charakterystyki obu rodzajów

systemów zestawiono na rysunku 3.6.

Ewaluacja Parametryzacja

Metodyka

ocena ekspercka peer review,

wskaźniki ilościowe

wskaźniki ilościowe

zewnętrzna ewaluacja (możliwe

zastosowanie wskaźników ilościowych)

wewnętrzna ewaluacja

Zalety kompleksowość obiektywizm

Słabości subiektywizm fragmentaryczność

Rysunek 3.6. Zestawienie podejścia parametrycznego i ewaluacji w systemach instytucjonalnej oceny

jednostek naukowych

Źródło: opracowanie własne na podstawie D.F.J. Cambell, The evaluation of university research in the United

Kingdom and the Netherlands, Germany and Austria, [w:] Learning from Science and Technology Policy

Evaluation. Experiences from the United States and Europe, P. Shapira, S. Kuhlmann, Edward Elgar Publishers,

Northampton, Cheltenham 2003, s. 107.

Ewaluacja odnosi się z reguły do szerszego spektrum informacji. W większość

wypadków w procesie ewaluacji wyodrębnia się dwa etapy, w pierwszym następuje ocena

wskaźników ilościowych lub raportu samooceny, po czym panele ekspertów dokonują oceny

jakości wyników działalności naukowej. W drugim etapie przeprowadza się wizyty

i wywiady pogłębione. Słabością ewaluacji może być subiektywny charakter oceny

ekspertów. Ważnym elementem ewaluacji jest sformułowanie rekomendacji – dla każdej

jednostki odrębnie, dla grupy jednostek reprezentujących wyodrębnioną dziedzinę

lub dyscyplinę naukową, lub systemu nauki w kontekście instytucjonalnym.

Systemy jakościowe mają bardziej złożoną procedurę niż ilościowe. Wymagają zatem

większego nakładu pracy i finansowania. Z obserwacji wynika, że procedura ewaluacji

jest osadzona w dłuższej perspektywie czasowej, wynikającej przykładowo z konieczności

zrealizowania wizyt lub przeprowadzenia wywiadów pogłębionych.

Z przeglądu europejskich systemów przeprowadzonego przez autorkę wynika,

że systemy silnie zorientowane na ocenę ekspercką wprowadzone zostały w krajach

o wieloletnich doświadczeniach w praktyce ewaluacji. Systemy stosowane w wybranych

krajach europejskich i pozaeuropejskich zestawiono w tabeli 3.3.

86

Tabela 3.3. Modele oceny instytucjonalnej jednostek naukowych w wybranych krajach europejskich

i pozaeuropejskich

Kraj Nazwa systemu Rodzaj

systemu

Austria

Belgia,

Region Flamandii The Special Research Fund key (BOF-key) parametryczny

Bułgaria

Chorwacja Reakredytacja (akredytacja) publicznych jednostek naukowych mieszany

Cypr

Czechy

Ocena rezultatów organizacji badawczych

(systematyczna ewaluacja w celu powiązania z finansowaniem

planowana jest na rok 2014-2016)

Dania

Estonia Evaluating institutional research parametryczny

Finlandia

Francja Ewaluacja AERES ewaluacja

Grecja Ewaluacja prowadzona przez Hellenic Quality Assurance Agency

for Higher Education (QAAHE) ewaluacja

Hiszpania

Holandia Standard Evaluation Protocol (SEP) ewaluacja

Irlandia

Litwa Ewaluacja wyników instytucji naukowych mieszany

Luksemburg

Ewaluacja coroczna publicznych instytutów badawczych oparta

na peer review z rekomendacjami, uniwersytety poddawane są

ewaluacji zewnętrznej zleconej ekspertom międzynarodowym

ewaluacja

Łotwa Latvia: Research Assesment Excersise RAE ewaluacja

Malta · ·

Niemcy Ewaluacja instytucji naukowych ewaluacja

Norwegia Model instytucjonalnej oceny w przygotowaniu

Polska Ocena parametryczna MNiSW parametryczny

Portugalia Research Unit Evaluation parametryczny

Rumunia Ocena instytucjonalna jednostek naukowych ·

Słowacja Ewaluacja jednostek szkolnictwa wyższego oraz ewaluacja

jednostek Słowackiej Akademii Nauk ·

Słowenia · ·

Szwajcaria · ·

Szwecja

Węgry

Wielka Brytania Research Excellence Framework (REF) ewaluacja

Włochy The Research Evaluation Exercise ewaluacja

Australia Excellence in Research for Australia (ERA) ewaluacja

USA

Południowa Korea Research Assessment Excercise (RAE) ewaluacja

Hong Kong RAE ewaluacja

Chiny RAE ewaluacja

Tajwan RAE ewaluacja

Nowa Zelandia Performance-Based Research Fund (PBRF) ewaluacja


Jednym z najbardziej zaawansowanych systematycznych systemów oceny działalności

naukowej w Europie jest system Wielkiej Brytanii. Rozwijany od roku 1986 system RAE

(ang. Research Assessment Excercise) obecnie został przekształcony w system REF

(ang. Research Excellence Framework).

87

Przez system oceny działalności naukowej w Wielkiej Brytanii podejmuje się próbę

stymulowania pożądanego rozwoju jednostek naukowych przez dostrzeganie i promowanie

współpracy naukowej, interdyscyplinarnego charakteru badań, rozróżnianie specyfiki wyników

naukowych w dyscyplinach naukowych, uwzględnianie różnych form i przejawów działalności

naukowej – oprócz wskaźników bibliometrycznych. Jakościowy charakter oceny pozwala na

kształtowanie indywidualnego charakteru działania jednostek naukowych i zachowanie

autonomii w sposobie realizowania działań statutowych. Ocena jakościowa wymaga złożonej

procedury poczynając od określenia metodyki i kryteriów ewaluacji, doboru i zaangażowania

ekspertów (wykluczając konflikt interesów), zebrania i weryfikacji raportów jednostek, analizy

i oceny jednostek, zachowania możliwie najwyższego poziomu obiektywizmu oraz poufności.

Jest to proces długotrwały. System ewaluacji w Wielkiej Brytanii ma charakter

bezprecedensowy. Możliwość uwzględnienia zróżnicowanych form wyników pozwala

na uniknięcie wąskotorowego rozwoju jednostek naukowych, gdyż naturalną tendencją

ocenianych obiektów jest koncentrowanie działań na kryteriach oceny.

System REF przeprowadzany jest przez cztery brytyjskie organy finansowania

szkolnictwa wyższego i nauki: Radę Finansowania Szkolnictwa Wyższego w Anglii

(ang. Higher Education Funding Council for England, HEFCE), Szkocką Radę Nauki

(ang. Scottish Funding Council, SFC), Radę Finansowania Szkolnictwa Wyższego Walii

(ang. Higher Education Funding for Wales, HEFCW) oraz Departament Edukacji

i Doskonalenia Zawodowego Irlandii Północnej (ang. Department for Employment

and Learning, Northern Ireland, DEL).

Podobnie do poprzedniego systemu RAE, obecny system oparty jest na ocenie

ekspertów, którzy dokonują oceny wyników działalności jednostek naukowych zgłoszonych w

formie ankiet. Formularze nie mają jednolitej formy, w dużej części mają charakter opisowy.

Ocenie poddawane są różnorodne formy rezultatów prac naukowo-badawczych

z ograniczeniem ich liczebności.

Ewaluacja przeprowadzana jest w czterech panelach głównych: A, B, C, D, w których

zgrupowano 36 dyscyplin tematycznych (ang. Units of Assessment, UOA), (tabela 3.4). Ocena

przeprowadzana jest jedynie wśród jednostek akademickich. Każda uczelnia może złożyć tylko

jedną aplikację w UOA. Grupy oceny z założenia są rozłączne i homogeniczne, choć ich

identyfikacja, a także kwalifikacja jednostek naukowych do poszczególnych grup nastąpiła

na podstawie oceny ekspertów. Badania interdyscyplinarne oceniane są w grupie najbliższej,

istotnej tematycznie.

88

Tabela 3.4. Grupy oceny w systemie REF

Panel Grupa oceny UOA

A 1) medycyna kliniczna

2) zdrowie publiczne, usługi zdrowotne oraz opieka podstawowa

3) zawody medyczne wspierające, stomatologia, pielęgniarstwo i farmacja

4) psychologia, psychiatria i neuronauka

5) nauki biologiczne

6) rolnictwo, weterynaria i nauki o żywności

B 7) nauki o Ziemi i środowisku

8) chemia

9) fizyka

10) nauki matematyczne

11) informatyka

12) inżynieria lotnicza, inżynieria mechaniczna, inżynieria chemiczna i inżynieria produkcji

13) elektrotechnika i elektronika, metalurgia i inżynieria materiałowa

14) inżynieria lądowa i budownictwo

15) inżynieria ogólna

C 16) architektura, ochrona i kształtowanie środowiska i planowanie przestrzenne

17) geografia, badania środowiska, archeologia

18) ekonomia i ekonometria

19) zarządzanie

20) prawo

21) politologia i studia międzynarodowe

22) praca socjalna i polityka społeczna

23) socjologia

24) antropologia i studia rozwoju

25) edukacja

26) nauki o kulturze fizycznej, rekreacja i turystyka

D 27) studia przestrzenne

28) języki nowożytne i językoznawstwo

29) język i literatura angielska

30) historia

31) klasyka

32) filozofia

33) teologia i studia religijne

34) sztuka i projektowanie: historia, praktyka i teoria

35) muzyka, teatr, taniec i sztuki performatywne

36) komunikacja, media i kultura, bibliotekoznawstwo i zarządzanie informacją

Źródło: REF2014: Assessment framework and guidance on submissions, Northhavon House, Bristol 2011, s. 49,

http://www.ref.ac.uk/pubs [29.10.2013].

W modelu REF jednostki naukowe oceniane są w trzech grupach kryteriów21

:

– rezultaty badań – ocena jakości wyników prac pod względem ich oryginalności,

znaczenia i poziomu warsztatu badawczego, z wagą 0,65;

– wpływ badań – ocena zasięgu i wpływu na gospodarkę i społeczeństwo w różnych

aspektach, z wagą 0,2;

– środowisko badawcze – ocena środowiska badawczego pod względem jego aktywności

i trwałości jego rozwoju stanowiących o poziomie wkładu w rozwój dyscypliny

naukowej lub bazy badawczej, z wagą 0,15.

21

REF2014: Assessment framework and guidance on submissions, Northhavon House, Bristol 2011, s. 6-8,

http://www.ref.ac.uk/pubs [29.10.2013]; REF2014: Panel criteria and working methods, Northhavon House,

Bristol 2012, http://www.ref.ac.uk/pubs [29.10.2013].

89

Produktami badań są artefakty prac naukowo-badawczych. Jednostki naukowe

dla każdego pracownika mogą zgłosić maksymalnie 4 rezultaty jego pracy naukowej.

Do rezultatów pracy naukowej zalicza się różne formy przejawów pracy naukowej22

:

publikacje (monografie lub rozdziały w monografiach, prace w recenzowanych

czasopismach, artykuły w materiałach konferencyjnych; recenzje, podręczniki, raporty

z badań, publikacje syntetyzujące, w tym systematyczne przeglądy, analizy, metaanalizy,

metasyntezy, artykuły przeglądowe lub podręczniki i podobne prace naukowe, gdzie

dodano znaczącą nową perspektywę, oparte na badaniach studia przypadków, prace

teoretyczne i metodologiczne; raporty badawcze dla instytucji rządowych, organizacji

charytatywnych, sektora wolontariatu, organizacji zawodowych, przemysłowych

lub handlowych inne dokumenty);

inne (nowe materiały, urządzenia, oprogramowanie, fotografie, przedmioty kultury

materialnej, spektakle, wystawy i wydarzenia, produkty, budynki, raporty techniczne,

poufne raporty, prawa własności intelektualnej, badania pochodzące z opracowania,

analizy i interpretacji baz danych bioinformatycznych; prace niedrukowane, publikowane

w mediach, wyceny technologii i inne).

Produkty badań są poddawane ocenie na trzech poziomach: oryginalności, znaczenia

dla poszerzenia wiedzy oraz metodycznym23

.

Kryteria wpływu analizowane są w kategoriach oddziaływania na gospodarkę

i społeczeństwo, w zależności od rodzaju i formy prowadzonych badań naukowych. Odnoszą

się do dwóch obszarów: zasięgu, ale nie tylko w kategoriach geograficznych, lecz także

w odniesieniu do potencjału badawczego oraz znaczenia wyników badań. Podstawowym

elementem oceny wpływu są wskaźniki cytowań, dalej raporty samooceny, studia

przypadków, opinie użytkowników badań.

Interesującym elementem oceny jest sposób oceny wpływu wyników naukowych

w obszarze nauk humanistycznych i artystycznych. Sposób oceny wpływu badań jest inny

od pozostałych obszarów naukowych, ponieważ zauważa się, iż wpływ tych badań często

ma charakter rozproszony, nieliniowy i trudno przewidywalny. Rozpatrywany jest wpływ

na jakość życia na szczeblu lokalnym, krajowym i międzynarodowym wykazanego dorobku

w zakresie oddziaływania na rozwój społeczeństwa obywatelskiego, życia kulturalnego,

edukacji, kształtowania polityki, usług publicznych oraz na rzecz publicznego dyskursu24

.

22

REF2014: Assessment framework…, dz. cyt., s. 21-28. 23

Tamże, s. 141. 24

Tamże, 143-144.

90

Przedmiotem oceny kryteriów środowiska badawczego są grupy, zespoły, jednostki

naukowe, analizowane pod kątem udziału i wpływu na dynamikę rozwoju, rolę, istotność

oraz aktualność i trwałość dyscypliny naukowej. Ocena dokonywana jest na podstawie

analizy trzech aspektów: zasobów, zarządzania i zaangażowania. Pod uwagę brane są dane

jakościowe i liczbowe dotyczące organizacji badawczej i jej struktur, strategii badawczej

i osiągnięć celów strategicznych, zasobów, rekrutacji i rozwoju kadry oraz studentów

i doktorantów zaangażowanych w prace badawcze, dochodów, infrastruktury i wyposażenia

oraz współpraca w ramach dyscypliny lub badań (sieci współpracy, partnerstwo na szczeblu

lokalnym, krajowym i międzynarodowym, włączając współpracę o charakterze

interdyscyplinarnym), a także zaangażowanie w inicjatywy publiczne.

W wymienionych trzech grupach kryteriów, panele eksperckie dokonują oceny

w kierunku określenia profilu jakości dla każdej jednostki naukowej w każdej grupie

kryteriów. Profile jakości skategoryzowano w pięciu klasach: poziom wybitny (lider

wiodący), poziom doskonały (lider międzynarodowy), poziom znaczący (lider krajowy),

poziom uznany (lider lokalny) oraz poziom niesklasyfikowany (tabela 3.5).

W każdej z grup kryteriów określa się procentowy udział badań w każdym profilu

jakości (rysunek 3.6). Profil jednostki naukowej stanowi sumę ważonych ocen w grupach:

rezultaty, wpływ i środowisko. Profil jakości jednostki naukowej określany jest na podstawie

wartości skumulowanych i nie oznacza pojedynczej oceny, lecz określa procentowy udział

działalności naukowej w każdym z profili jakości. Definiuje się profile dla każdej kategorii

kryteriów oraz profil ogólny.

**** *** ** * NS Suma

Określenie

procentowego udziału

badań w każdym

profilu jakości

Rezultaty (r) 100%

Wpływ (w) 100%

Środowisko (s) 100%

**** *** ** * NS

Wyznaczenie profilu

jednostki naukowej

Profil wstępny

Profil ostateczny

Rysunek 3.7. Metodyka oceny w systemie Research Excellence Framework (REF)

Źródło: opracowanie własne na podstawie: REF2014: Assessment framework and guidance on submissions,

Northhavon House, Bristol 2011, s. 46-47, http://www.ref.ac.uk/pubs [29.10.2013].

91

Określając profil jakości w systemie REF promuje się poziom i jakość badań,

istotność i znaczenie podejmowanych tematów badawczych, wpływ na rozwój obszaru

badawczego, wkład w sposób myślenia, rozwój paradygmatów i praktyk, skalę badań i ich

zastosowań, innowacyjność, twórczość i nowatorstwo (tabela 3.5).

Tabela 3.5. Klasyfikacja jednostek naukowych w systemie oceny REF

Profil jakości

Punkt

odniesienia

w badaniach

Wpływ

na rozwój

obszaru

badawczego

Wkład w sposób

myślenia, rozwój

paradygmatów

i praktyk

Poziom

zakresu

i skali

badań i ich

zastosowań

Poziom

innowacyjności

**** Wiodący lider

główny silny kluczowy znaczący wybitny

*** Międzynarodowy

lider ważny trwały

ważny (będący

katalizatorem) istotny istotny

** Krajowy lider

uznany obserwowalny podstawowy przydatny niezauważalny

* Lokalny lider

niezauważalny niezauważalny

opierający się

na istniejącej

tradycji myślenia,

metodologii i/lub

praktyce twórczej

przydatny niezauważalny

Niesklasyfikowany poniżej progu jakości lokalnego lidera


Cztery gwiazdki przyznawane są jednostkom o cechach lidera wiodącego, których

poziom i jakość dokonań naukowych osiąga poziom światowego lidera w zakresie

oryginalności prowadzonych badań, ich znaczenia oraz metodyki pracy. Trzy gwiazdki

określają międzynarodowego lidera, który jednak nie spełnia najwyższych standardów.

Badania stanowią ważny punkt odniesienia i wywierają trwały wpływ na rozwój dyscypliny

naukowej i ważny wkład w rozwój myślenia i paradygmatów. Dwie gwiazdki są przyznawane

liderom krajowym, których jakość pracy jest rozpoznawana na świecie w zakresie

oryginalności, znaczenia i metodyki pracy. Jedna gwiazdka oznacza poziom lidera lokalnego,

którego działania naukowe są rozpoznawane w kraju. Jednostki sklasyfikowane niżej

nie spełniają wymogów oceny.

W ostatniej rundzie ewaluacji w 2008 roku zbadano jakość 2363 obiektów

w 67 obszarach oceny25

. Analiza wyników pokazała, że około 47% prowadzonych badań

w Wielkiej Brytanii ma charakter badań wiodących lub doskonałych z skali międzynarodowej.

Około 84% brytyjskich jednostek wykazuje prowadzenie badań naukowych na poziomie

światowych liderów26

.

25

Research Assessment Excercise 2008: the outcome, http://www.rae.ac.uk/results [6.11.2013]. 26

Tamże.

92

W Europie można zaobserwować wiele odniesień do systemu RAE w krajowych

systemach oceny i ewaluacji jednostek naukowych. Bezpośredniej adaptacji dokonano

na Łotwie, gdzie procedura ewaluacji przeprowadzana jest co 6 lat przez niezależnych

międzynarodowych ekspertów w koordynacji organizacji Technopolis. Ewaluacja odbywa się

w 6 panelach głównych27

:

panel A – nauki rolnicze, leśne i weterynaryjne;

panel E – inżynieria i informatyka;

panel H – nauki humanistyczne;

panel L – nauki o życiu i medyczne;

panel M – nauki naturalne i matematyczne;

panel S – nauki społeczne.

W każdym panelu zasiada 6 ekspertów. Ostatnia ocena dotyczyła wyników

działalności naukowej w latach 2006-2011.

Jednostki naukowe oceniane są w kontekście pięciu kryteriów28

:

1. Poziom i jakość badań.

2. Wpływ badań na rozwój dyscypliny naukowej.

3. Wpływ gospodarczy i społeczny badań.

4. Środowisko naukowe oraz infrastruktura naukowa jednostki.

5. Potencjał rozwojowy jednostki.

Jakość działalności jednostki w każdej grupie kryteriów oceniana jest w pięciu poziomach:

(5) wybitnie wysoki poziom badań określa jednostkę naukową prowadzącą badania

na porównywalnym poziomie z najlepszymi instytucjami w innych krajach w tym samym

obszarze badań;

(4) bardzo dobry poziom badań na poziomie międzynarodowym;

(3) dobry poziom badań, wyniki publikowane na poziomie międzynarodowym i krajowym;

(2) umiarkowany poziom badań, wyniki badań dostrzegane tylko w kraju;

(1) niski poziom badań, badania wyłącznie krajowe, jednostka nie uczestniczy

w międzynarodowej społeczności naukowej.

27

E. Arnold, P. Knee, Latvia: Research Assessment Exercise, Technopolis, Riga 2013, s. 4, 18-24, izm.izm.gov.lv

[12.11.2013]. 28

Latvijas Republikas Izglitibas un zinãtnes ministrija, Zinātnisko institūciju zinātniskās darbības kvalitātes

vērtēšanas metodika, izm.izm.gov.lv [12.11.2013].

93

Sąsiadująca z Łotwą Litwa jest przykładem kraju, w którym zastosowano system

z elementami ewaluacji jakościowej wzorowanej na systemie brytyjskim z elementami systemu

parametrycznego. System na Litwie opiera się głównie na ocenie publikacji i dokonań

naukowych mających wpływ na życie gospodarcze-społeczne. System oceny instytucji

naukowych na Litwie przeprowadzany jest w celu zbadania rocznej produkcji naukowej,

efektywności działalności naukowej i poziomu konkurencyjności międzynarodowej. Ocena

składa się z dwóch poziomów. Poziom pierwszy stanowi ocena ekspertów, poziom drugi

to ocena formalna. Na poziomie pierwszym dokonuje się oceny najlepszych osiągnieć jednostki

naukowej. Ocena formalna wskazuje zakres prac badawczych i rozwojowych, efektywność

pracy, zasobów i źródeł finansowania oraz jego wpływu na rozwój gospodarczy i społeczny

kraju. Ocena formalna ma stanowić weryfikację oceny ekspertów.

Ocena przeprowadzana jest na podstawie różnych kryteriów ilościowych przyjętych

w skali międzynarodowej. Do kryteriów jakościowych stosowana jest ocena ekspertów.

Na poziomie pierwszym dokonuje się oceny najlepszych osiągnieć jednostki naukowej

według przyjętych międzynarodowych kryteriów dotyczących publikacji w czasopismach

recenzowanych i monografiach, patentów oraz nowych osiągnięć w dziedzinie naukowej.

Kryteria są jasno sprecyzowane, przykładowo publikacje z listy filadelfijskiej są uznawane,

jeśli wskaźnik impact factor (IF) czasopisma jest wyższy o 20% od średniego wskaźnika IF

dla danej grupie czasopism. Każdej pozycji przyznawane są punkty i ostatecznie sumowane.

Na poziomie drugim są analizowane pozostałe osiągnięcia działalności naukowej w zakresie

publikacji i patentów.

Ostateczna ocena jest syntezą obu poziomów i wyznaczana jest w skali od 0 do 5:

(5) lider światowy;

(4) praca na wysokim szczeblu międzynarodowym;

(3) praca międzynarodowa;

(2) praca na wysokim poziomie krajowym;

(1) praca na poziomie krajowym;

(0) praca niesklasyfikowana.

Jednostki naukowe poddane ocenie sklasyfikowane są w trzy grupy naukowe:

nauki humanistyczne i społeczne;

nauki naturalne, rolnicze, biomedyczne i technologiczne;

dziedziny artystyczne.

94

Litewski system jest efektem intensywnej polityki kraju w celu podniesienia

potencjału naukowego kraju. Rozwój jednostek naukowych i poprawa jakości badań została

przyspieszona przez zastosowanie systemu ewaluacji jednostek naukowych29

.

Zdaniem autorki, interesujący system jest realizowany we Włoszech. System włoski

również inspirowany jest brytyjskim systemem RAE30

. Niedawna gruntowna reforma

wprowadziła system promowania efektywności w budżecie i dystrybucji dodatkowych

środków finansowych dla najlepszych uczelni w dziedzinie badań i szkoleń.

Ewaluacja instytucjonalna jednostek naukowych została przeprowadzona po raz pierwszy

w roku 2003 (wł. Valutazione triennale della ricerca VTR, ang. Triennial Research Assessment,)

za lata 2001-200331

. Druga ewaluacja odbyła się w roku 2013 (wł. Valutazione della Qualità

della Ricerca VQT, ang. Evaluation of Research Quality) i obejmowała lata 2004-2010.

Metodyka ewaluacji obejmuje 14 obszarów naukowych i paneli eksperckich

zdefiniowanych przez National University Council (CUN)32

. W systemie włoskim ocenie

poddawane są następujące rezultaty pracy naukowej:

– artykuły w czasopismach, książki oraz rozdziały, włączając materiały konferencyjne;

– analiza bibliometryczna na podstawie cytowań oraz wskaźnika impact factor czasopism;

– recenzje, tłumaczenia i komentarze naukowe;

– patenty;

– kompozycje, malarstwo i projektowanie, występy, pokazy, wystawy, produkcja i sztuka

operowa, bazy danych i oprogramowanie.

Ocena niezależnych ekspertów na temat jakości ocenianych rezultatów następuje

względem następujących kryteriów33

:

– znaczenie dla obszaru naukowego, wpływ społeczny, efektywność;

– oryginalność i innowacyjność badań;

– pozycja międzynarodowa;

– transfer technologii i rozwój technologii.

29

Ministry of Higher Education and Research, Higher education and research reform in Lithuania: resetting the

system towards competitive future, Vilnius 2011, 13 s., planipolis.iiep.unesco.org [12.11.2013]. 30

G. Rebora, M. Turri, The UK and Italian research assessment exercises face to face, “Research Policy” 2013,

t. 42, s. 1657-1666. 31

M. Franceschet, A. Costantini, The first Italian research assessment exercise: a bibliometric perspective,

2009, http://arxiv.org/abs/0912.2601[19.11.2013]. 32

National Agency for the Evaluation of Universities and Research Institutes (ANVUR), Evaluation of Research

Quality (VQR), Evaluation of research quality 2004-2010, 2011, s. 2,

www.researchitaly.it/en/understanding/overview/assessment [26.11.2013]; G. Rebora, M. Turri, dz. cyt. 33

ANVUR, dz. cyt., s. 7.

95

System VQR opiera się na analizie jakości wyników badań wiodących w zakresie

istotności, oryginalność i internacjonalizacji. Kryteria te oceniane są w skali

sześciostopniowej i jednostce przyznawana jest ocena jakości produkcji naukowej

odpowiednio od A do F: doskonała (waga 1), dobra (waga 0,8), akceptowalna (waga 0,5),

minimalna (waga 0), niepodlegający ocenie (waga -1) oraz ocena przyznawana w wypadkach

oszustwa lub plagiatu (waga -2).

W literaturze przedmiotu, przeciwstawianym często do systemu brytyjskiego

jest rozwiązanie zastosowane w Holandii, gdzie praktyka ewaluacji również jest dość

zaawansowana. W Holandii obowiązuje system ewaluacji instytucjonalnej pod nazwą

Standard Evaluation Protocol (SEP) przeprowadzany co 6 lat przez trzy holenderskie organy:

Królewską Holenderską Akademię Sztuki i Nauki (ang. Royal Netherlands Academy of Arts

and Sciences, KNAW), Stowarzyszenie Uniwersytetów w Holandii (ang. Association

of Universities in the Netherlands, VSNU) oraz Holenderską Organizację Badań Naukowych

(ang. Netherlands Organisation for Scientific Research, NWO). Rezultaty systemu SEP

są podstawą dotacji instytucjonalnej. Obowiązujący SEP 2009-2015 jest czwartą edycją

ewaluacji. Poprzednie przeprowadzane były w latach 1994, 1998 i 200334

.

Obecny system jest przeprowadzany na dwóch poziomach: jednostki naukowej

jako całości oraz zespołów badawczych lub programów35

. Ocena jednostki naukowej skupia

się na jakościowych aspektach prowadzonej polityki naukowej i zarządzaniu badaniami

naukowymi. Natomiast ocena zespołów lub programów ma charakter ilościowo-jakościowy.

Proces ewaluacji składa się z trzech głównych etapów: samooceny, ewaluacji

zewnętrznej i ewaluacji monitorującej. Podstawą oceny jest raport samooceny jednostki

naukowej, w którym jednostki dostarczają informacje ilościowo-jakościowe o efektach

działalności naukowej jednostki w okresie 6 lat. Na tej podstawie przeprowadzana jest

ewaluacja zewnętrzna wraz z wizytą w jednostce naukowej.

Komitet ewaluacji zewnętrznej ocenia jednostkę naukową względem czterech

kryteriów: jakości, produktywności, znaczenia społecznego badań i ich aktualności

oraz wykonalności, w odniesieniu do trzech głównych zadań jednostek naukowych: produkcji

wyników naukowych, produkcji wyników istotnych dla społeczeństwa oraz rozwoju młodej

kadry naukowej (tabela 3.6).

34

KNAW, VSNU, NWO, Standard Evaluation Protocol 2009-2015. Protocol for research assessment

in the Netherlands, The Netherlands 2010, s. 12-22, www.knaw.nl/ses. 35

Tamże.

96

Tabela 3.6. Kryteria oceny zewnętrznej w systemie Standard Evaluation Protocol 2009-2015 w Holandii

Kryterium główne Kryteria cząstkowe

Jakość jakość i przydatność naukowa badań; przywództwo; prestiż naukowy; zasoby

ludzkie i finansowe; kształcenie doktoranckie

Produktywność relacja efektów działalności naukowej do nakładów

Znaczenie społeczne badań wymiar, wpływ i waloryzacja

Aktualność i wykonalność

prowadzonych badań strategia, SWOT, trwałość i stabilizacja

Źródło: opracowanie własne na podstawie: KNAW, VSNU, NWO, Standard Evaluation Protocol 2009-2015.

Protocol for research assessment in the Netherlands, The Netherlands 2010, s. 11, www.knaw.nl/sep [11.12.2013].

Co 3 lata przeprowadzana jest ewaluacja monitorująca (ang. mid-term evaluation).

Głównym celem przeglądu śródokresowego jest ocena działań następczych z zaleceń ewaluacji

zewnętrznej oraz formułowanie przyszłych działań. Wyniki ewaluacji monitorującej

wraz z kolejnym raportem samooceny dają podstawę do następnej ewaluacji zewnętrznej.

Jednym z głównych celów systemu SEP jest dążenie do ciągłej poprawy poziomu

i jakości badań oraz samego zarządzania badaniami naukowymi. Przyjęte rozwiązanie

opracowywania przez jednostkę naukową raportu samooceny nawiązuje do systemu

brytyjskiego. Odmiennym elementem jest analiza SWOT, która pozwala określić pozycję

jednostki i możliwe perspektywy rozwoju. Kategorie i kryteria przyjęte do oceny w systemie

SEP zestawiono w tabeli 3.7. Dane te określa się dla całej jednostki i poszczególnych

programów lub zespołów badawczych.

Na podstawie kryteriów z raportu samooceny, eksperci w ewaluacji zewnętrznej

oceniają jednostkę według czterech kryteriów przedstawionych w tabeli 3.7.

Według kryterium jakości oceniany jest poziom i istotność badań naukowych, sposób

zarządzania badaniami naukowych, prestiż naukowy, poziom zasobów oraz kształcenie

na poziomie doktoranckim. Kształcenie doktoranckie w Holandii organizowane jest zwykle

w szkołach badawczych. Częstą praktyką na tej płaszczyźnie jest współpraca różnych uczelni

lub różnych jednostek w ramach uczelni. Kształcenie doktoranckie wymaga akredytacji raz

na sześć lat. Kryterium produktywności jest wyrażone w relacji efektów do nakładów. Jako

efekty przyjmuje się publikacje naukowe, rozprawy doktorskie, inne publikacje, wykorzystanie

infrastruktury badawczej przez osoby trzecie. Kryterium znaczenia społecznego, gospodarczego

i kulturalnego badań naukowych jest akcentowane podobnie do systemu REF. Czynnik ten

nawiązuje do potrzeby realizowania badań o praktycznym wymiarze, ukierunkowanych na

realizowanie potrzeb społeczeństw. Kryterium czwarte dotyczy zdolności reagowania na istotne

zmiany w otoczeniu wyrażające się w planowaniu strategicznym, trybie wyboru tematów

badawczych, polityce badawczej, pozycji jednostki naukowej w otoczeniu, zasobach

finansowych, wyposażeniu badawczym oraz mobilności kadry.

97

Tabela 3.7. Kategorie i kryteria raportu samooceny w systemie SEP 2009-2015

Kategoria Kryteria

1. Cele i obszary

badawcze – wizja, misja i cele jednostki

– obszary badawcze i programy

2. Struktura – liczba pracowników na poszczególnych stanowiskach

– zestawienie różnych źródeł finansowania (wewnętrzne i zewnętrzne)

3. Środowisko

badawcze

– krajowa i międzynarodowa pozycja (benchmarking oparty na analizie SWOT),

liczba i przynależność naukowców wizytujących (wewnętrznie i zewnętrznie

finansowanych)

4. Jakość

i znaczenie

naukowe

– 3-5 najistotniejszych rezultatów dla dyscypliny dla każdej grupy/zespołu badawczego

– 3-5 kluczowych publikacji dla każdej grupy/zespołu badawczego oraz ich cytowania

– liczba artykułów naukowych wśród 10% najbardziej cenionych publikacji z danej

dyscypliny naukowej

– liczba artykułów naukowych wśród 25% najbardziej cenionych publikacji z danej

dyscypliny naukowej

– 3-5 najważniejszych monografii lub rozdziałów w monografiach

5. Efekty – liczba publikacji (artykuły recenzowane i nierecenzowane, monografie, rozdziały

w monografiach, rozprawy doktorskie, artykuły konferencyjne, publikacje

zawodowe, publikacje skierowane do ogółu społeczeństwa, inne efekty naukowe)

– liczba przewodów doktorskich i uzyskanych doktoratów

– liczba użytkowników korzystających z infrastruktury badawczej (jeśli jest to misją

jednostki)

6. Zdolność

pozyskiwania

środków

finansowych

– liczba projektów i programów z funduszy konkurencyjnych, z funduszy

publicznych i prywatnych, krajowych i międzynarodowych, i innych

7. Prestiż

naukowy

– najważniejsze przejawy uznania dla pracowników naukowych (nagrody,

wyróżnienia, zaproszenia do podejmowania największych konferencji, działalność

organizacji konferencji, redaktorstwo, członkostwo akademii)

8. Znaczenie

społeczne:

jakość, wpływ

i waloryzacja

Informacje dotyczące trzech aspektów:

– społeczny wymiar działalności naukowej – dotyczy interakcji z decydentami

społecznymi w odpowiedzi na ich zapotrzebowanie na naukowe podejście

do danego zagadnienia, wkład i zaangażowanie w sprawy ważne społecznie

wyrażające się między innymi przez debaty społeczne

– społeczny wpływ działalności naukowej na interesariuszy lub regulacje

i procedury (prawne, protokoły)

– waloryzacja wyraża się w prowadzeniu badań użytecznych, ukierunkowanych

na opracowanie produktów, procesów, usług

9. Rentowność – aktywność jednostki w zakresie zarządzania zasobami, dostępnej infrastruktury

i potencjału badawczego

10. Rozwój młodej

kadry naukowej

– dane o kształceniu doktoranckim: cele i rezultaty programu doktorskiego,

przynależność instytucjonalna, nadzór: prawa i obowiązki przełożonych

i doktorantów , elementy kształcenia, wskaźniki sukcesu (uzyskiwanie doktoratów

w poszczególnych latach kariery od 4 do 7 roku, liczba ukończonych doktoratów,

w trakcie realizacji oraz zaniechanych )

11. Analiza SWOT – procedura i wyniki analizy SWOT

– wnioski dotyczące strategii i działań na podstawie analizy SWOT

12. Strategia – na podstawie analizy SWOT

Źródło: opracowanie własne na podstawie: KNAW, VSNU, NWO, Standard Evaluation Protocol 2009-2015.

Protocol for research assessment in the Netherlands, The Netherlands 2010, s. 11, www.knaw.nl/sep

[11.12.2013].

98

W efekcie jednostkom naukowym są przyznawane oceny w skali pięciostopniowej36

:

1. Ocena doskonała, która oznacza jakość badań naukowych na światowym poziomie,

o istotnym i znaczącym wkładzie w swojej dyscyplinie naukowej.

2. Ocena bardzo dobra, która określa badania naukowe jako konkurencyjne w skali

światowej, o znaczącym wkładzie w rozwój dyscypliny naukowej; badania mają

charakter wiodący w kraju;

3. Ocena dobra, która oznacza realizację badań naukowych konkurencyjnych w skali kraju

i jednocześnie wartościowych na poziomie międzynarodowym.

4. Ocena satysfakcjonująca nadawana jest, gdy badania naukowe przyczyniają się

do lepszego zrozumienia i są znaczące w skali kraju.

5. Ocena niesatysfakcjonująca przyznawana jest za badania odtwórcze, nieprawidłowe

w podejściu naukowych i technicznym.

Holandia ma wieloletnie doświadczenie i stabilny system zapewnienia jakości

w badaniach naukowych w porównaniu z innymi krajami. System SEP zapewnia

różnorodność zakresu oceny pod względem przedmiotowym i podmiotowym, co niekiedy

ogranicza analizy porównawcze. Należy jednak podkreślić skuteczność systemu. Wyniki

działalności naukowej w Holandii znacznie wzrosły i są konkurencyjne w skali

międzynarodowej37

. Trzeba zwrócić uwagę, że system ewaluacji w Holandii jest konsekwencją

systematycznych działań politycznych i organizacyjnych na szczeblu krajowym.

System SEP w wersji z lat 2003-2009 stanowił podstawę oceny jednostek Akademii

Nauk w Bułgarii. Zmodyfikowane kryteria zastosowane w systemie Bułgarii to:

– jakość i produktywność międzynarodowe uznanie i innowacyjny potencjał, dorobek

naukowy oraz pozycja międzynarodowa instytutów;

– znaczenie badań skutki społeczno-gospodarcze;

– perspektywy badawcze żywotność badań, ich wykonalności, zarządzanie, przywództwo,

potencjał i zdolność podejmowania nowych wyzwań naukowych.

Bogate doświadczenia w praktyce ewaluacji nauki na różnych poziomach wykazuje

również Finlandia. Prowadzone są tam działania w zakresie ewaluacji polityki i narodowego

systemu nauki, dyscyplin i obszarów naukowych, centralnych organizacji naukowych,

36

KNAW, VSNU, NWO, dz. cyt. 37

L. van Drooge, S. de Jong, M. Faber, D. Westerheijden, Twenty years of research evaluation, „Facts&Figures”,

Rathenau Instituut, The Hague 2013, www.rathenau.nl [11.12.2013].

99

programów i projektów badawczych oraz centrów doskonałości38

. Finlandia jest przykładem

kraju, w którym stosowane są dwa rodzaje systemów: ewaluacji i parametryczny.

Ewaluacja jednostek naukowych przeprowadzana jest w kontekście finansowania

w postaci dotacji publicznej oraz ewaluacji jednostek w obszarach naukowych. Nie ma jednak

charakteru systematycznej oceny, lecz jest realizowana doraźnie dla różnych obszarów

naukowych z uwzględnieniem różnych kryteriów od 1983 roku. W każdym przedsięwzięciu

powoływany był panel ekspertów, którego zadaniem było przeprowadzenie oceny

i sformułowanie rekomendacji dla obszaru naukowego, podobszarów i indywidualnie

jednostek naukowych. Celem ewaluacji była ocena wpływu finansowania w danym obszarze

naukowym i dalsze doskonalenie instrumentów finansowania oraz optymalna alokacja

środków finansowych. Ewaluacja przeprowadzana jest przez Akademię Fińską i ma charakter

ilościowo-jakościowy. Istotną część ewaluacji stanowi autoewaluacja, w której jednostki

prezentują wymagane informacje na temat strategii, analizy SWOT, oceny dostępnej

infrastruktury, najistotniejszych publikacji, oceny jednostki w relacji do głównych

konkurentów naukowych, współpracy naukowej, wpływu społecznego badań, obciążeń

administracyjnych i dydaktycznych, budżetu, perspektyw na przyszłość39

.

Jeśli chodzi o finansowanie podstawowe, w Finandii przekazywane jest ono

z Ministerstwa Edukacji i Kultury w postaci dotacji statutowej na podstawie ustalonego

algorytmu (ang. funding formula for allocation of university resources). Dotychczas algorytm

opierał się głównie na liczbie uzyskanych stopni naukowych. Obecnie trwają prace nad nowym

systemem40

. Proponowany algorytm podzielony został na trzy grupy kryteriów: wskaźniki

dydaktyczne (41%), wskaźniki naukowe (34%) i inne wskaźniki naukowo-dydaktyczne

związane ze strategią finansowania obszarów naukowych i zadań krajowych (25%). Naukowe

kryteria dotyczą uzyskanych doktoratów (9%), publikacji (13%, z czego 10% dotyczą

publikacji międzynarodowych), pozyskanych projektów ze źródeł konkursowych (9%),

doktoratów przyznawanych obcokrajowcom (1%) oraz obcokrajowych pracowników

naukowych i dydaktycznych (2%)41

. W trzeciej grupie wskaźników 8% przeznaczonych jest na

obszary badawcze. Priorytety w tym zakresie ustalono między dziedziny sztuki (2,75%), nauki

naturalne (1,5%), nauki techniczne (1,5%) oraz medyczne (2,25%)42

.

38

Academy of Finland, www.aka.fi [11.12.2013]. 39

Tamże. 40

The Finnish Higher Education Evaluation Council (FINHEEC), http://www.finheec.fi/en [11.12.2013]. 41

Finnish Ministry of Eduation and Culture, Proposal for a reform of the university financing model from 2013,

http://www.minedu.fi/OPM/Julkaisut/2011/yliopistot.html?lang=en [11.12.2013]. 42

Tamże.

100

Większość systemów oceny i ewaluacji jednostek naukowych jest dokonywana

na podstawie osiągniętych wyników, przyjmuje zatem charakter oceny ex post. Odmienne

podejście zastosowano w Estonii, gdzie dotacja instytucjonalna jest przydzielana

na podstawie oceny raportu proponowanych badań.

Ocena instytucjonalna jednostek naukowych w Estonii jest najważniejszym

instrumentem finansowania badań43

. System w Estonii ma charakter systemu

parametrycznego. Instytucje składają raporty, na podstawie których ocenianych jest pięć

zagadnień: obszar badawczy, zespół badawczy, infrastruktura badawcza, znaczenie

instytucjonalne i krajowe jednostki oraz budżet jednostki.

Dwie pierwsze grupy kryteriów są oceniane przez zewnętrznych ekspertów, natomiast

pozostałe przez ekspertów lokalnych lub krajowy komitet ewaluacji w skali 1-5 (wybitny,

bardzo dobry, dobry, zadowalający, niezadawalający), a sekcja 4 oceniana jest w skali 1-3

(wybitny, dobry, niezadawalający).

Jeszcze inny rodzaj systemu parametrycznego z elementami ewaluacji jest

prowadzany w Portugalii, gdzie ewaluacji instytucjonalnej jednostek naukowych dokonuje się

od roku 1996 co 3 lata44

. Finansowanie statutowe jest zależne od wyników ewaluacji. Ostatnia

miała miejsce w 2013 roku (ang. Performance Indicators for 2008-2012 and the Strategic

Programme for 2015-2020). Ocenie poddawane są dwa obszary: wyniki działalności

naukowej za zdefiniowany okres oraz strategia naukowa jednostki i plan pracy na następne

6 lat. Główne kryteria oceny przedstawiono w tabeli 3.8. W pierwszym etapie ewaluacji

kryteria A-D oceniane są w pięciostopniowej skali w równych wagach 25%. W drugim etapie,

kryteria A-E oceniane są w skali dziesięciopunktowej z wagami odpowiednio A – 20-30%;

B, C, D – 20%; E – 5-20%, w zależności od obszaru naukowego. Drugi etap procesu oceny

polega głównie na bardziej szczegółowej ocenie. Do drugiego etapu oceny kwalifikują się

jednostki, które w pierwszym etapie uzyskały założony poziom minimalny uzyskanych

punktów. Drugi etap obejmuje również wizyty i wywiady.

Ewaluacja przeprowadzana jest w czterech dziedzinach naukowych i 47 obszarach

naukowych. Rezultatem procedury jest ocena jednostki naukowej w zakresie:

od nadzwyczajnej, jako rozpoznawalnej w zakresie dorobku naukowego, technologicznego

i badawczego w skali międzynarodowej, przez ocenę doskonałą, bardzo dobrą, dobrą,

dostateczną do oceny słabej.

43

Fundação para a Ciência e a Tecnologia (FCT), http://www.fct.pt/apoios/unidades/avaliacoes [12.12.2013]. 44

Tamże.

101

Tabela 3.8. Kryteria ewaluacji jednostek naukowych w Portugalii

1 2 3 4

4a 4b

A

Produktywność

i wkład

do krajowego

systemu naukowo-

technologicznego

wyniki działalności naukowej, transfer technologii i wiedzy;

akumulacja wiedzy, szkolenia naukowców; wkład w promowanie

i upowszechnianie badań naukowych i technologicznyc,

relacja między finansowaniem a efektami tego finansowania

stopień multidyscyplinarności i internacjonalizacji badań

X

B

Zasługi naukowe

i technologiczne

zespołu naukowego

produktywność naukowa i poziom wyników badań jednostki,

poziom internacjonalizacji działalności naukowej, w tym

publikacje i cytowania opublikowanych prac

kompetencje i skład zespołu badawczego

zdolność do skutecznego konkurowania na krajowych

i międzynarodowych grantów badawczych i umów,

w tym umów z przedsiębiorstwami

X X

C

Innowacyjność

programu

badawczego

znaczenie, oryginalność i wpływ programu strategicznego

udział w działaniach naukowych, technicznych, artystycznych

lub kulturalnych proponowanego programu na rzecz strategii

inteligentnych specjalizacji w regionie, w którym jest

zarejestrowana jednostka badawczo-rozwojowa

stopień multidyscyplinarności i internacjonalizacji

X

D

Wykonalność

planu pracy

i zasadność

budżetu

organizacja zasobów

adekwatność budżetu

zasoby instytucjonalne (techniczne, naukowe, organizacyjne

i kierownicze)

X

E

Wpływ efektów

naukowych,

technologicznych

i kulturowych

produkcja wiedzy, która może stymulować gospodarkę opartą

na wiedzy;

wkład do krajowego i regionalnego wzrostu gospodarczego

i rozwoju;

transfer wiedzy i technologii oraz ich rozpowszechnianie.

X X

Legenda:

1 – grupa kryteriów

2 – nazwa grupy

3 – wyszczególnienie informacji

4 – obszary oceny

4a – wskaźniki działalności

4b – program strategiczny

Źródło: opracowanie własne na podstawie: Fundacja na rzecz Nauki i Technologii (FCT), Ministerstwo Edukacji

i Nauki, FCT Evaluation of R&D Units 2013. Evaluation guide, s. 8-9,

www.fct.pt/apoios/unidades/avaliacoes/2013 [31.07.2013].

Środki na finansowanie statutowe są przydzielane wyłącznie jednostkom, które uzyskały

ocenę co najmniej dobrą. Środki z funduszy strategicznych przekazywane są jednostkom

naukowym z oceną bardzo dobrą, doskonałą oraz nadzwyczajną45

.

We Francji ewaluacje w obszarze nauki i szkolnictwa wyższego są scentralizowane

w jednostce o nazwie Agence d’évaluation de la recherche et de l’enseignement supérieur (ang.

Evaluation Agency for Research and Higher Education, AERES). Ewaluacja jednostek

naukowych obejmuje sześć grup szczegółowych kryteriów o charakterze mieszanym

– jednostki są oceniane według wskaźników ilościowych i jakościowych (tabela 3.9)46

.

45

Fundacja na rzecz Nauki i Technologii (FCT), Ministerstwo Edukacji i Nauki, FCT Evaluation of R&D Units

2013. Evaluation guide, s. 8-9, www.fct.pt/apoios/unidades/avaliacoes/2013 [31.07.2013]; Critérios

de Atribuiçăo de Financiamento 2015-2020, http://www.fct.pt/apoios/unidades/avaliacoes/2013 [20.11.2014]; 46

AERES, Criteria for the evaluation of research institutions: The AERES standards, 2013, s. 10-16,

www.aeres-evaluation.com [19.12.2013].

102

Tabela 3.9. Kryteria oceny instytucjonalnej we Francji

Kryterium Wskaźniki ilościowe Wskaźniki jakościowe

Produkcja

naukowa i jej

jakość

publikacje: książki, rozdziały, tłumaczenia, artykuły w czasopismach,

recenzje, prace w materiałach konferencyjnych

wykłady i inne niepublikowane formy ustne, plakaty konferencyjne,

referaty, zestawy slajdów

inne raporty naukowe lub techniczne (np. raporty wykopaliskowe),

katalogi wystaw, atlasy, korpusy, testy psychometryczne, pokazy,

oprogramowanie, prototypy, naukowe, produkcje audiowizualne

opracowania instrumentów, zasobów, metodologii: słowniki, bazy

danych, zbiory, kohorty, obserwatoria, platformy technologiczne

oryginalność i zakres badań

teoretyczne i metodologiczne przełomy, zmiany paradygmatu,

pojawienie się nowych problemów i nowych badań

wpływ badań w kategoriach naukowych w całym środowisku

akademickim (np. cytowania)

obecność na polu międzynarodowym lub krajowym

reputacja i selektywność opracowań do publikacji

Reputacja

akademicka udział w krajowych i międzynarodowych projektach badawczych

współpraca z innymi laboratoriami

udział w krajowych i międzynarodowych sieciach, organach

międzynarodowych, organizacjach, towarzystwach naukowych

udział we francuskim programie „Inwestycje w przyszłość”

organizacja krajowych i międzynarodowych sympozjów

liczba naukowców

nagrody i wyróżnienia dla pracowników jednostki, zaproszenia

na imprezy naukowe

zarządzanie wydawnictwami ciągłymi, udział w komitetach

redakcyjnych, komitetach sympozjów, konwencji lub naukowych

organach odwoławczych

odpowiedzialność za kierunek i poziom zaangażowania naukowego

w międzynarodowych projektach

partner wiodący w sieci, sieci doskonałości (np. REX )

wysoki standard zagranicznych naukowców i adiunktów

rekrutowanych przez instytucję

obowiązki podjęte w międzynarodowych instytucjach akademickich

reputacja nagród i wyróżnień przyznawanych pracownikom jednostki

jakość naukowa recenzowanych czasopism, w których pracownicy

jednostki zasiadają w radach redakcyjnych

proces selekcji i znaczenie zagadnień naukowych poruszanych na

międzynarodowych imprezach, w których instytucja uczestniczy

lub które organizuje

poziom i renoma czasopism, którymi jednostka zarządza

Relacje

ze środowiskiem

gospodarczym,

społecznym

i kulturalnym

rezultaty naukowe skierowane do różnych nieakademickich decydentów

zaangażowanie w partnerstwa, w działania społeczno-gospodarcze

i kulturalne

wskaźniki wpływu badań i partnerstw

oryginalność transferowanych metod i produktów

jakość i sukces rozpowszechniania wiedzy

wskaźniki wykorzystania transferowanej wiedzy i obiektów

technicznych

pozycja w partnerstwie: strategiczny lider w dziedzinie, kreator

wartości innowacyjnej w spółce start-up

jakość i czas trwania partnerstwa

wpływ partnerstwa na gospodarczą, społeczną lub kulturową pozycję

partnerów; wpływ na politykę publiczną

akredytacja lub certyfikacja procedur przeznaczonych do użytku

publicznego

102

103

Kryterium Wskaźniki ilościowe Wskaźniki jakościowe

Organizacja

i życie instytucji posiadanie celów lub strategii naukowej w poprzednim okresie

organizacja jednostki w zespoły lub grupy tematyczne

koordynacja naukowa i interakcje między zespołami, tematami

i dyscyplinami

proces decyzyjny i zaangażowany personel, rola inżynierów, techników,

pracowników administracyjnych, pracowników tymczasowych (np. na

podstawie umów na czas określony) w systemie naukowym jednostki

komunikacja wewnętrzna i zewnętrzna

podejście do kwestii ochrony środowiska i BHP oraz ich powiązań

w zakresie badań i kształcenia

realizacja celów strategicznych i sposobów, w jaki strategia została

wdrożona

organizacja instytucji w kierunku spójnej logiki naukowej

istnienie naukowych struktur koordynacyjnych, bodźców

do powstania zespołów, tematów i innowacyjnych programów

rola działów technicznych

strategia zasobów ludzkich w odniesieniu do kształcenia i mobilności

klarowność komunikacji polityki naukowej i programów badawczych

adekwatność pomieszczeń do prowadzenia działalności naukowej

jednostki i potrzeb pracowników

Zaangażowanie

w szkolenia udział stażystów studiów II stopnia i doktorantów w badaniach

prace dyplomowe i doktorskie obronione

posiadanie polityki wsparcia dla stażystów i doktorantów

materiały dydaktyczne

projektowanie i koordynacja przez instytucję certyfikowanych modułów

szkoleniowych i kursów oraz wkład w ewolucję ich treści edukacyjnych

seminaria dla studiów doktoranckich lub szkół letnich dla młodych

naukowców

wkład w międzynarodową sieć szkoleń (ITN, Erasmus, itp.)

udział w pracach komitetów sterujących w zakresie kształcenia

magisterskiego i doktoranckiego

skuteczność wsparcia udzielanego studentom i jakość nadzoru

wyrażająca się m.in. w czasie realizacji prac dyplomowych, liczbie

studentów przerywających naukę

jakość zakończonych prac dyplomowych

monitorowanie kariery doktorantów

zapewnienie, że najnowsze osiągnięcia nauki są zintegrowane

z nauczaniem

krajowe lub międzynarodowe certyfikaty szkoleń

stopień zaangażowania i odpowiedzialności w międzynarodowych

sieciach szkoleniowych

zaangażowanie naukowców w obowiązki dydaktyczne

Strategia

i perspektywy

badawcze

na następny

okres

kontraktowy

zrozumienie przyszłej ewolucji w dziedzinie naukowej i dobra

znajomość bieżących prac w danej dziedzinie

specyfikacja potencjalnego wkładu projektu badawczego w rozwiązanie

problemów zidentyfikowanych przez decydentów społecznych,

gospodarczych i kulturowych

cele w dziedzinie naukowej krajowej lub międzynarodowej, w krótkim

i średnim okresie

cele szkoleniowe przez prowadzenie badań

kompetencje dostępnych zasobów

rozwój umiejętności (szkolenia, mobilność, rekrutacja)

polityka własności intelektualnej

oryginalność perspektyw badawczych i podejmowanie ryzyka

ogólna spójność perspektyw badawczych

synergia zespołu projektowego, zadania, cele

wiarygodność strategii

otwartość na partnerstwa z jednostkami naukowymi

i nieakademickimi

umiejętność strategicznie adaptacji i reorientacji w odpowiedzi

na zmiany w środowisku

jakość samooceny (np. analiza SWOT)

Źródło: opracowanie własne na podstawie: AERES, Criteria for the evaluation of research institutions: The AERES standards, 2013, s. 10-16, www.aeres-evaluation.com

[19.12.2013].

103

104

Ewaluacja składa się z dwóch zasadniczych etapów: ocena wniosków oraz wizyta

ekspertów. Kryteria te oceniane są w skali czterostopniowej i jednostce przyznawana jest

ocena jakości produkcji naukowej A+, A, B, C. Oprócz kryteriów podanych w tabeli 3.9

oceniana jest działalność multi-, inter- oraz transdyscyplinarna47

. Metodyka ewaluacji

we Francji uwzględnia zróżnicowane kryteria ilościowe i ich jakościowe określenia. Mnogość

wskaźników wynika z faktu, że nie różnicuje się metodyki dla różnych obszarów i dyscyplin

naukowych. Jedynie doprecyzowane są kryteria dla nauk społecznych i humanistycznych,

głównie w zakresie publikacji48

.

Inny model jest realizowany w Niemczech, gdzie na sektor naukowy przeznacza się

najwięcej środków finansowych wśród krajów Unii Europejskiej. System ten charakteryzuje

współodpowiedzialność między szczeblem federalnym i 16 landami. Rządy poszczególnych

landów są odpowiedzialne za finansowanie badań naukowych i kształcenie w uczelniach

publicznych w danym landzie. Duży udział badań podstawowych w Niemczech jest

realizowany w nieuniwersyteckich placówkach badawczych (na przykład Max Planck

Society, Fraunhofer Society, Helmholtz Association, Leibniz Association).

Ewaluacja instytucjonalna przeprowadzana jest przez Niemiecką Radę Nauki

(Wissenschaftsrat, WR) ze wsparciem Instytutu Informacji Naukowej i Zapewnienia Jakości

(Institut für Forschungsinformation und Qualitätssicherung, iFQ). Ocena instytucji

naukowych w Niemczech ma na celu określenie celów organizacji, jej mocnych i słabych

stron w dążeniu do zapewnienia rekomendacji dalszych działań jednostki i poprawy jakości

badań i nauczania, infrastruktury, usług naukowych i konsultingowych49

.

Ewaluacja w Niemczech ma charakter jakościowy i jest oparta na ocenie w czterech

grupach kryteriów: wyniki badań, usługi w zakresie udostępniania infrastruktury i doradztwa,

struktury organizacji i jej wyposażenia oraz zgodności realizacji działalności z federalną

i stanową polityką naukową (tabela 3.10).

47

AERES, dz. cyt., s. 17-23. 48

Tamże. 49

Wissenschaftsrat WR, Aufgaben, Kriterien und Verfahren des Evaluationsausschusses des Wissenschaftsrates,

Mainz 2013, s. 7, www.wissenschaftsrat.de [17.12.2013].

105

Tabela 3.10. Kryteria oceny instytucjonalnej w Niemczech

Grupa kryteriów Kryteria

I. OCENA WYNIKÓW BADAŃ

Program badawczy innowacyjność realizowanych zadań (w tym szczególnie kreatywne, ryzykowne

i interdyscyplinarne projekty)

spójność programu badawczego

średniookresowe perspektywy pracy naukowej

integracja w krajowej i międzynarodowej społeczności naukowej

Wyniki badań w naukach humanistycznych: kwalifikowane publikacje, artykuły

w czasopismach recenzowanych, monografie, udział w radach redakcyjnych

czasopism

w naukach inżynierskich: referaty konferencyjne, patenty

zaproszenia do wykładów na konferencjach krajowych i międzynarodowych

finansowanie konkursowe, w tym w szczególności przyznawane w procesie

intensywnej kontroli jakości,

nagrody i wyróżnienia naukowe

Jakość wyników badań instytucji jest monitorowana przez uzupełniający przegląd

wybranych publikacji, odwołanie się do wskaźników bibliometrycznych i analizy

cytowań.

Zapewnienie jakości

zapewnienie regularnej wewnętrznej kontroli jakości przez Radę Naukową

lub podobną instytucję, audyt wewnętrzny, controlling, zasady dobrej praktyki

naukowej.

Współpraca naukowa

współpraca z innymi jednostkami naukowo-badawczymi w kraju i za granicą

tworzenie i rozwój regionalnych klastrów i współpracy badawczej

wspólne spotkania z kadrą zarządzającą i doświadczonymi naukowcami z innych

szkół wyższych

udział naukowców z instytucji w dydaktyce

zaproszenia naukowców na stanowiska profesorskie i stanowiska kierowniczych

w innych instytucjach badawczych

wizyty naukowe w kraju i za granicą, wizyty naukowców z kraju i zagranicy

znaczenie jednostki w krajowym i międzynarodowym środowisku badawczym.

Promowanie młodych

talentów

opieka nad pracami doktorskimi, udział w promocji absolwentów

dostępność punktów szkolenia umiejętności lub/i stypendiów podoktorskich

stabilność perspektywy rozwoju młodych naukowców (organizacja pracy

i wyposażenie)

zespoły naukowo-badawcze

organizacji szkół letnich, konferencji oraz innych imprez dla młodych

naukowców

Orientacja

na zastosowania

praktyczne

wykorzystanie wyników badań

rejestracja przedsiębiorstw spin-off

Orientacja

międzynarodowa

zagraniczna i międzynarodowa współpraca w zakresie publikacji, konferencji

i pozyskiwania funduszy zewnętrznych

zatrudnienie młodych pracowników naukowych i badaczy z zagranicy

zagraniczne staże naukowe pracowników

II. OCENA USŁUG INFRASTRUKTURY I DORADZTWA

Usługi badawcze

i infrastruktura rozwój infrastruktury badawczej i konkretnych rozwiązań związanych

z metodami naukowymi

znaczenie infrastruktury badawczej dla środowiska naukowego

dostępność wewnętrzna i zewnętrzna infrastruktury badawczej

rezultaty wyników badań naukowych uzyskane przez zewnętrznych

użytkowników infrastruktury (istotność, wpływ)

usługi naukowe świadczone przez realizację badań własnych i/lub wykorzystanie

wiedzy eksperckiej

strategie komunikacji z użytkownikami/społeczeństwem

transfer wyników badań do praktyki, w tym innowacje produktowe

produktywność (stosunek nakładów do rezultatów/produktów)

106

Grupa kryteriów Kryteria

Ocena usług

doradczych usługi doradcze świadczone przez realizację badań własnych i/lub wykorzystanie

wiedzy eksperckiej

działalność autonomicznych agencji doradczych

strategia i przejrzystość procedur konsultacyjnych

pozyskanie odpowiednich grup docelowych dla usług konsultingowych

III. OCENA ORGANIZACJI I WYPOSAŻENIA

Kontrola wewnętrzna – interakcje różnych organów (rady powierniczej, rady doradczej) w działalność

jednostki

– adekwatność struktury zarządzania

– znaczenie i zastosowanie systemów motywacyjnych

– elastyczność organizacyjna w realizacji zadań

– kontroling

Struktura

i kwalifikacje kadr

– adekwatność struktury zatrudnienia do realizowanych zadań

– elastyczność kariery i stabilne perspektywy rozwoju dla młodych naukowców

– dostateczny udział kadry finansowanej ze środków zewnętrznych

– równość kobiet i mężczyzn w obszarze zarządzania, środki mające na celu

pogodzenie pracy zawodowej z życiem rodzinnym

Finanse

i infrastruktura

badawcza

– adekwatność struktury finansowania

– elastyczność wykorzystania zasobów

– adekwatność i długoterminowość użyteczności infrastruktury badawczej

– koordynacja z innymi instytucjami na nabycie urządzeń wysokiej jakości

IV. KRYTERIA POLITYKI NAUKOWEJ

Opinia na temat jednostki naukowej reprezentantów władz federalnych i stanowych wchodzących w skład

Komitetu Ewaluacji Nauki z perspektywy politycznej

Źródło: opracowanie własne na podstawie: Wissenschaftsrat WR, Aufgaben, Kriterien und Verfahren des

Evaluationsausschusses des Wissenschaftsrates, Mainz 2013, www.wissenschaftsrat.de [14.01.2014].

Doświadczenia niemieckie pozwoliły sformułować dobre praktyki mające wpływ

na powodzenie procesu ewaluacji50

. Są to:

1. Przejrzystość kryteriów i procedur, dane ekspertów i opinie znane są wszystkim

zaangażowanym stronom.

2. Udział wszystkich stron postępowania, w tym instytucji finansujących.

3. Akceptacja procedury oceny przez wszystkie strony – podkreśla się między innymi,

aby jednostki miały możliwość skomentowania raportów, uzasadnienia swoich postaw.

4. Wykorzystanie potencjału recenzentów – optymalny udział młodszej kadry, kobiet

naukowców i naukowców z kraju i zagranicy.

5. Unikanie stronniczości przez wykazanie braku powiązań ekspertów z ocenianymi obiektami.

6. Koncentracja na interdyscyplinarności jednostek, przez między innymi zapewnienie

ekspertów z najszerszej możliwej orientacji zawodowej.

7. Rozpatrywanie różnych profili zadaniowych jednostek – przy definiowaniu wymagań

jakościowych i wyborze ekspertów uwzględnienie różnych akcentów jednostek w zakresie

badań, nauczania, infrastruktury, usług lub/i usług konsultacyjnych.

50

Wissenschaftsrat WR, Aufgaben, Kriterien und Verfahren des Evaluationsausschusses des Wissenschaftsrates,

Mainz 2013, s. 15-17, www.wissenschaftsrat.de [14.01.2014].

107

8. Klasyfikacja w zakresie badań – odniesienie ogólnej oceny do klasyfikacji krajowej

i międzynarodowej.

9. Niezamierzone skutki ewaluacji nie powinny ulegać regulacji w trakcie oceny, kryteria

i procedury powinny być poddawane regularnemu przeglądowi w celu ich doskonalenia.

10. Ustalenie warunków reakcji jednostki na rekomendacje.

W Chorwacji przeprowadzana jest tak zwana reakredytacja jednostek naukowych.

Ewaluacji poddawane są uczelnie i ich jednostki organizacyjne, instytuty badawcze, Chorwacka

Akademia Nauki i Sztuki oraz inne wymienione w rejestrze organizacji naukowych. Ocena

jednostek naukowych jest przeprowadzana na podstawie czterech kryteriów51

:

1) jakość badań naukowych;

2) produktywność jednostek naukowych (ujęcie ilościowe wyników naukowych w odniesieniu

do liczby pracowników naukowych);

3) wpływ i znaczenie badań naukowych;

4) skuteczność i efektywność organizacji naukowych.

Kryteria są współzależne i są podstawą końcowej oceny jakości. W założeniu, jednostka

naukowa musi na określonym poziomie realizować zadania trzech pierwszych kryteriów.

Dla każdego typu jednostek naukowych jest przeprowadzana inna ocena. Uczelnie

publiczne i publiczne instytuty badawcze poddane są bardziej złożonej ocenie jakości badań

naukowych i instytucji jako całości. Są zobowiązane również do spełnienia bardziej

rygorystycznych wymagań. Niepubliczne organizacje naukowe, których główne obszary

działania wykraczają poza badania naukowe (szpitale, muzea) są oceniane tylko w tej części,

która jest finansowana ze środków publicznych przeznaczonych na działalność naukową

i według różnych minimalnych wymagań.

W wypadku publicznych jednostek naukowych, w zakresie jakości oceniane są zasoby

kadry naukowej w kontekście realizowanych zadań badawczych, doktoranci i kierownicy

projektów i zespołów badawczych, oraz badania naukowe (tabela 3.11). Zgodnie z kryterium

produktywności badań naukowych, ocenie poddawane są publikacje w czasopismach,

materiałach konferencyjnych oraz książkach, patenty, rozwiązania techniczne

oraz opracowane produkty i usługi. Wpływ i znaczenie badań analizowane jest pod względem

ich wpływu na gospodarkę, transferu rezultatów badań do społeczeństwa, transferu rezultatów

badań do edukacji wyższej, międzynarodowe znaczenie badań jednostki naukowej. Poziom

skuteczności i efektywności organizacji naukowych określany jest na podstawie planów

strategicznych, zarządzania jednostką, infrastruktury, funduszy z projektów i kontraktów.

Kryteria oceniane są w skali od 1(niepoprawny) do 5 (poprawny).

51

Agency for Science and Higher Education, Principles and criteria for the evaluation of scientific

organisations in the Republic of Croatia, 2013, FILE NO. 355-02-05-13-7, s. 3-19, www.azvo.hr [29.10.2013].

108

Tabela 3.11. Kryteria oceny jakości jednostek naukowych w Chorwacji

Grupa kryteriów Liczba

zmiennych Waga

1. Jakość badań naukowych 13

1.1. Jakość kadry naukowej 7 10

1.2. Jakość badań naukowych 6 15

2. Produktywność jednostek naukowych 7 10

3. Wpływ i znaczenie badań naukowych 24

3.1. Transfer wyników badań do społeczeństwa 9 5

3.2. Wpływ międzynarodowy 6 10

3.3. Wpływ na gospodarkę 4 10

3.4. Transfer wyników badań do edukacji wyższej 5 5

4. Skuteczność i efektywność organizacji naukowych 32

4.1. Plan strategiczny 3 5

4.2. Zarządzanie 11 5

4.3. Infrastruktura 9 5

4.4. Fundusze z projektów i kontraktów 9 10

Źródło: opracowanie własne na podstawie: Agency for Science and Higher Education, Principles and criteria

for the evaluation of scientific organisations in the Republic of Croatia, 2013, FILE NO. 355-02-05-13-7, p. 19,

www.azvo.hr [29.10.2013].

W różnych obszarach naukowych dla poszczególnych jednostek naukowych

uwzględniane są zróżnicowane rodzaje rezultatów badawczych.

W niektórych krajach nie wdrożono systematycznej oceny instytucjonalnej,

co związane jest z modelem finansowania nauki. W Norwegii jednostki naukowe otrzymują

dotację Rady do spraw Badań Naukowych (ang. The Research Council of Norway)

pod warunkiem, że są oceniane co 6 lat. Fundusze przyznawane są na podstawie metody

historyczno-przyrostowej. Obecnie trwają prace nad opracowaniem nowego modelu opartego

na wynikach. W Szwecji nie prowadzi się systematycznej oceny instytucjonalnej. Ewaluacja

ogranicza się od oceny w ramach prowadzonych programów naukowo-badawczych.

Natomiast co cztery lata dokonuje się rewizji polityki naukowej i ustanowionych priorytetów.

W Danii również brak jest systematycznej oceny instytucjonalnej. W roku 1995 odrzucono

propozycję wprowadzenia modelu systemu brytyjskiego52

. W roku 2009 przeprowadzono

ewaluację instytucjonalną uczelni po przeprowadzeniu fuzji uczelni w celu zapewnienia

ciągłego pozytywnego rozwoju na duńskich uniwersytetach53

. W Hiszpanii nie wprowadzono

dotychczas systematycznego centralnego system oceny instytucjonalnej. Niemniej jednak

zauważa się potrzebę wprowadzenia takiego systemu. Przykładem jest model M. José

i G. López54

, gdzie wskazano czynniki związane z dydaktyką, nauką i administracją.

52

A. ab Iorwerth, Methods of Evaluating University Research Around the World, Departament of Finance,

Canada, Working Paper 2005-04, s. 46. 53

Ministry of Higher Education and Science, Denmark, http://fivu.dk/en/education-and-institutions/higher-

education/danish-universities/the-universities-in-denmark/university-evaluation-in-2009, [27.11.2013]. 54

M. José, G. López, Towards decentralized and goal-oriented models of institutional resource allocation: The

Spanish case, “Higher Education” 2006, t. 51, s. 589-617.

109

Wyróżniono dwie grupy jednostek: zorientowane na nakłady i procesy kształcenia

oraz zorientowane na wyniki i efekty kształcenia. Systematycznej oceny nie przeprowadzano

dotychczas również na Cyprze, w Irlandii i na Węgrzech. Brak szczegółowych danych w języku

angielskim ograniczyły wnikliwą analizę systemów w Austrii, Słowenii, Szwajcarii i na Malcie.

Odnosząc się do kontekstu pozaeuropejskiego, istotny wkład do rozwoju metodyki

oceny i ewaluacji instytucjonalnej jednostek naukowych wniósł system Australii

o nazwie Excellence in Research for Australia (ERA). System administrowany jest przez

Australijską Radę do spraw Badań Naukowych (ang. Australian Reseach Council, ARC). Jest

to system rozwijany równolegle do brytyjskiego systemu RAE i w obu systemach zauważyć

można wzajemne odwołania.

Pierwszy model oceny jednostek naukowych w Australii został wprowadzony w roku

2003 pod nazwą Research Quality Framework (RQF). Był to model opracowany na wzór

brytyjskiego systemu RAE z oceną ekspertów peer review. Celem systemu australijskiego

było jednak określenie banchmarków, czyli wzorców krajowych w dyscyplinach i obszarach

naukowych. W australijskim modelu RQF, w odróżnieniu do RAE, wprowadzono dodatkowo

ocenę wpływu badań na otoczenie środowiska akademickiego w zakresie społecznym,

ekonomicznym, środowiskowym i kulturalnym55

. Uwzględnienie tych kryteriów w systemie

brytyjskim widoczne jest dopiero w systemie REF. Innym elementem wprowadzonym

w Australii było unormowanie tzw. jednostek oceny (ang. Units of Evaluation). Przedmiotem

oceny były dyscypliny naukowe w instytucjach, co sprowadzało się do oceny zespołów

badawczych. Wynikało to ze stosowanego modelu otwartej struktury organizacyjnej.

W roku 2009, po wyborach nowego rządu, przekształcono system RQF w system

ERA, którego główną ideą jest dążenie do naukowej doskonałości. W 2009 roku

przeprowadzono rundę testową, natomiast pełnej oceny dokonano w latach 2010 oraz 2012,

a kolejna ma się odbyć w 2015 roku.

Procedura oceny w Australii przeprowadzana jest w 157 dyscyplinach naukowych

zgrupowanych w 22 obszarach badawczych, zgodnie ze Standardową Klasyfikacją Badań

Australii i Nowej Zelandii56

. Ocenie poddawane są grupy badawcze z 41 uniwersytetów57

.

Jednostki oceny poddawane są ewaluacji względem siedmiu grup kryteriów (tabela 3.12).

55

L. Butler, Using a balanced approach to bibliometrics: quantitative performance measures in the Australian

Research Quality Framework, “Ethics in Science and Environmental Politics” 2008, t. 8, s. 1. 56

Australian Research Council, ERA 2012 Evaluation Handbook, Commonwealth of Australia 2012, s. 101-127

www.arc.gov.au [16.12.2013]. 57

Australian Research Council, ERA 2012 National Report – institution list,

http://www.arc.gov.au/era/Outcomes_2012/InstitutionIndex [17.12.2014].

110

Tabela 3.12. Kryteria oceny w systemie Excellence in Research for Australia 2012 (ERA)

Kryterium Wskaźniki

Skala i aktywność liczba i struktura kadr, rezultaty naukowe

Publikacje

artykuły w czasopismach recenzowanych, publikacje konferencyjne, monografie,

rozdziały w monografiach

Cytowania profil rang centylowych (1, 5, 10, 25, 50), klasa relatywnego wskaźnika cytowań RCI

(ang. relative citation impact), RCI w odniesieniu do światowych i australijskich

benchmarków

Opinia peer review

Miary uznania redakcja prestiżowych czasopism, beneficjenci stypendiów lub grantów australijskiej

rady naukowej, członkostwo w komitetach ustawowych lub centralnych

Przychody finansowe kategorie 1-4

Miary zastosowań patenty, przychody z komercjalizacji badań, efekty spełniające wymogi i normy

ustalone przez krajową radę zdrowia i badań medycznych (National Health

and Medical Research Council (NHMRC) endorsed guidelines), zarejestrowane

projekty, wzory użytkowe

Źródło: Australian Research Council, ERA 2012 Evaluation Handbook, Commonwealth of Australia 2012, s. 20,

www.arc.gov.au [16.12.2013].

Analizie poddawane są wskaźniki dotyczące skali jednostki i jej aktywności naukowej.

Skala jednostki wyrażona jest we wskaźnikach ilościowych dotyczących zatrudnienia

i struktury kadr. Aktywność naukowa określona jest przez zdefiniowane rezultaty działalności

naukowej – wskaźniki te stanowią przegląd rodzajów, ilości i struktury wyników badań, w tym

wkładu instytucji do wyników dyscypliny naukowej. W drugim kryterium ocenie poddawane są

publikacje, ich liczba, struktura, poziom i jakość. Trzecie kryterium stanowią cytowania, gdzie

określa się poziom cytowań w odniesieniu do poziomu światowego przez: analizę progów

centyli dla wielkości 1, 5, 10, 25, 50 oraz analizę relatywnego wskaźnika cytowań RCI.

Do oceny czwartego kryterium peer review jednostka oceny typuje 30% publikacji, które

poddawane są ocenie ekspertów. Kolejne miary określają poziom uznania w środowisku

naukowym, poziom przychodów finansowych oraz rezultaty badań stosowanych58

.

Skala oceny stosowana w Australii jest zasadniczo zgodna z podejściem przyjętym

w procesach oceny badań w innych krajach w celu umożliwienia porównań

międzynarodowych. Przyjęto następujący podział kategorii jednostek naukowych59

:

(5) jednostka oceny wykazuje wybitny poziom, znacznie powyżej światowego standardu jakości;

(4) jednostka oceny wykazuje poziom powyżej światowego standardu jakości;

(3) jednostka oceny wykazuje średni poziom względem światowych standardów jakości;

(2) jednostka oceny wykazuje poziom poniżej światowego standardu jakości;

(1) jednostka oceny wykazuje poziom znacznie poniżej światowego standardu jakości;

(NA) jednostki nie oceniano z powodu niskiego poziomu. Liczba rezultatów naukowych

nie spełnia norm standardowego progu oceny w systemie ERA.

58

Australian Research Council, dz. cyt., s. 26-72. 59

Tamże, s. 22.

111

Wyniki oceny są publikowane w postaci raportu krajowego w odniesieniu

do obszarów, dyscyplin naukowych oraz jednostek naukowych60

. System oceny ERA jest

niezależny od skali jednostek naukowych, co oznacza, że konstrukcja jego metodyki

umożliwia małym jednostkom osiągnięcie wysokich kategorii.

W Stanach Zjednoczonych Ameryki Północnej nie wprowadzono systemowego

podejścia ewaluacji jednostek naukowych. Funkcjonuje tam ogromny, rozproszony i złożony

system B+R61

. Dominująca rola amerykańskich jednostek naukowych w wielu dziedzinach

badawczych jest odzwierciedleniem skali nakładów finansowych na sektor naukowo

-badawczy. Wydatki krajowe brutto na badania i rozwój pokrywają około 43% wspólnych

wydatków pozostałych krajów OECD. Należy jednak zwrócić uwagę, że poziom finansowania

publicznego jest stosunkowo niski w porównaniu z krajami europejskimi62

. W USA dominującą

rolę w finansowaniu badań pełni przemysł. Publiczne środki finansowe przekazywane są przez

30 federalnych agencji rządowych, związanych z konkretnymi dyscyplinami naukowymi63

.

W krajach azjatyckich uznanie zyskała metodyka systemu RAE. Stosowana jest

w Południowej Korei, Hong Kongu, Chinach i na Tajwanie.

60

Australian Research Council, dz. cyt., s. 22. 61

X. Wang, D. Liu, K. Ding, X. Wang, Science funding and research output: a study on 10 countries,

“Scientometrics” 2012, t. 91, s. 596. 62

M. Herbst, dz. cyt., s. 87. 63

OECD, www.oecd.org [17.12.2013]; X. Wang, D. Liu, K. Ding, X. Wang, dz. cyt., s. 596.

112

ROZDZIAŁ 4.

SYSTEM OCENY JEDNOSTEK NAUKOWYCH W POLSCE

4.1. System badań naukowych w Polsce

Fundamenty obecnego systemu nauki w Polsce ukształtowane zostały na początku lat

dziewięćdziesiątych XX wieku1. Ważnym czynnikiem kształtowania tego systemu stała się

akcesja Polski do Unii Europejskiej w 2004 roku, a ostatnio oddziaływania globalne i nasilona

konkurencja międzynarodowa w sektorze badań naukowych.

Rozwój nauki przyczynia się do rozwoju gospodarczego i konwergencji w skali

międzynarodowej. Większość dokumentów strategicznych dotyczących regulacji sektora badań

naukowych podporządkowana jest tym nadrzędnym celom. Fundamentem dla realizacji tych

celów są zasadniczo: wzrost nakładów na działalność badawczo-rozwojową oraz ustalenie

zasad efektywnego ich wykorzystania.

Rozwój nauki w Polsce jest utrudniony i ograniczony przez niedostateczny poziom

finansowania, zarówno ze źródeł publicznych, jak i prywatnych. Wydatki na naukę mierzone

wskaźnikiem GERD lokują Polskę wśród państw o najniższych indeksach*. Obecnie krajowe

nakłady na działalność badawczo-rozwojową, mierzone w odniesieniu do PKB, są przeszło

dwukrotnie mniejsze od zakładanego unijnego poziomu 3% do 2020 roku. Wyznaczony

przez UE poziom wydatków na badania i rozwój nie jest osiągalny w Polsce. W odpowiedzi

na dokument strategiczny Europa 2020 przyjęto prognozę wartości docelowej wskaźnika

nakładów na działalność badawczo-rozwojową w Polsce w roku 2020 na poziomie 1,7% PKB2.

Zgodnie jednak z tym założeniem, relatywne nakłady na badania w Polsce systematycznie

są zwiększane od 2006 roku (rysunek 4.1). Mimo to, w Polsce utrzymuje się nadal niski poziom

nakładów budżetowych oraz pozabudżetowych na B+R, szczególnie w porównaniu do innych

krajów UE. Suma krajowych nakładów wewnętrznych na działalność badawczą i rozwojową

(GERD) w 2012 roku wyniosła 14 352,9 mln zł i w stosunku do 2011 roku wzrosła o 22,8%.

Intensywność prac badawczych i rozwojowych, mierzona jako udział nakładów wewnętrznych

poniesionych na badania naukowe i prace rozwojowe w PKB, osiągnęła w 2012 roku wartość

0,90% i wzrosła o 0,14 punktu procentowego w porównaniu do roku poprzedniego3.

1 OECD, Przegląd narodowej polityki naukowej i technicznej: Polska, Fundacja Rozwój Szkoły Głównej

Gospodarstwa Wiejskiego, Warszawa 1996, s. 138-188.

* Patrz: rozdział 3.1, rysunek 3.1. 2 Ministerstwo Nauki i Szkolnictwa Wyższego, http://www.nauka.gov.pl/prognozy-rozwoju/nowa-prognoza-

gerd-dla-polski-w-2020-r-.html [13.01.2014]. 3 GUS, Działalność badawcza i rozwojowa w Polsce w 2012 roku, s. 1, stat.gov.pl/obszary-tematyczne/nauka-i-

technika-spoleczenstwo-informacyjne/nauka-i-technika/dzialalnosc-badawcza-i-rozwojowa-w-polsce-w-2012-

r-,8,2.html [17.04.2014].

113

Rysunek 4.1. Nakłady na działalność B+R w odniesieniu do PKB w Polsce w poszczególnych latach

Źródło: opracowanie własne na podstawie danych GUS-u.

W strukturze nakładów na B+R dominuje udział wydatków z budżetu państwa

(rysunek 4.2) i pod tym względem Polska jest jednym z krajów o najwyższym wskaźniku*.

Ponad połowę nakładów stanowią środki publiczne, natomiast około 1/3 wydatki podmiotów

gospodarczych. W krajach UE średni udział finansowania budżetowego w nakładach ogółem

na B+R wynosi około 38% (2011 rok) i połowa krajów osiąga niższy wskaźnik. Średni udział

wydatków podmiotów gospodarczych na B+R wynosi natomiast prawie 45%. Pod względem

udziału środków zagranicznych w finansowaniu działalności B+R, Polska zajmuje pozycję

blisko poniżej średniej, jednak połowa krajów UE uzyskuje wskaźnik poniżej 12%.

Rysunek 4.2. Nakłady na działalność B+R według źródeł finansowania [%]

Źródło: GUS, Działalność badawcza i rozwojowa w Polsce w 2012 roku, s. 1, stat.gov.pl/obszary-

tematyczne/nauka-i-technika-spoleczenstwo-informacyjne/nauka-i-technika/dzialalnosc-badawcza-i-rozwojowa-

w-polsce-w-2012-r-,8,2.html [17.04.2014].

* Patrz: rozdział 3.1, rysunek 3.1.

0,56 0,57 0,6

0,68 0,74 0,76

0,9

1,06 1,18

1,28 1,34

1,42 1,53

1,60

0,00

0,20

0,40

0,60

0,80

1,00

1,20

1,40

1,60

1,80

2,00

0

0,2

0,4

0,6

0,8

1

1,2

1,4

1,6

1,8

2

2006 2007 2008 2009 2010 2011 2012

PK

B [b

ln zł]

Wy

datk

i n

a B

+R

[%

PK

B]

[lata] GERD PKB

55,8

51,4

28,1

32,3

2,4

2,6

0,3

0,4

13,4

13,3

0 10 20 30 40 50 60 70 80 90 100

2011

2012

[%]

[Lata

]

sektor rządowy sektor przedsiębiorstw

sektor szkolnictwa wyższego sektor prywatnych instytucji niekomercyjnych

zagranica

114

Struktura nakładów na działalność B+R według rodzajów badań wskazuje, że w Polsce

dominują badania podstawowe i stosowane, i relacja ta nie zmienia się od wielu lat. Badania

podstawowe nie są bezpośrednio zorientowane na zastosowanie i nie znajdują się w obszarze

zainteresowania ze strony sektora prywatnego, dlatego ciężar ich finansowania spoczywa

głównie na państwie. Udział źródeł finansowania ze strony podmiotów gospodarczych

związany jest z nakładami w prace rozwojowe. Inwestycja w badania stosowane ma istotne

znaczenie dla transferu wiedzy od badań podstawowych do prac rozwojowych.

Rysunek 4.3. Struktura nakładów na działalność B+R według rodzajów badań [%]

Źródło: opracowanie własne na podstawie danych GUS.

Finansowanie nauki w Polsce obejmuje głównie finansowanie działań na rzecz

realizacji badań naukowych, prac rozwojowych oraz realizacji innych zadań istotnych

dla postępu cywilizacyjnego, rozwoju gospodarczego i kulturalnego państwa4. Rozwój

polityki naukowej i finansowanie opiera się na rocznych cyklach budżetowych, zgodnie

z wieloletnim krajowym planem strategicznym, obejmujących okres do 2020 roku,

oraz przyznanych dodatkowych programach długoterminowych (finansowanie badań

stosowanych z Narodowego Centrum Badań i Rozwoju opiera się na planach budżetowych

obejmujących horyzont czasowy dłuższy niż jeden rok).

4 ustawa z dnia 30 kwietnia 2010 r. o zasadach finansowania nauki, Dz. U. nr 96, poz. 615.

36,4

33,1

33,9

34,5

36,2

38,5

37,9

38,8

38,8

39,5

37,4

36,5

37,8

38,2

38,4

39,7

36,4

36,7

26,8

28,9

27,9

25,8

24,5

24,9

25,7

25,7

25,7

25,2

24,2

24,6

23,9

22,4

18,9

20,5

24

21

36,8

38

38,2

39,7

39,3

36,6

36,4

35,5

35,5

35,3

38,4

38,9

38,3

39,4

42,7

39,8

39,6

42,3

0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%

1995

1996

1997

1998

1999

2000

2001

2002

2003

2004

2005

2006

2007

2008

2009

2010

2011

2012

[%]

[Lata

]

Badania podstawowe Badania stosowane Badania rozwojowe

115

Nakłady publiczne w Polsce na naukę zwiększane są od 2002 roku (rysunek 4.4).

Znaczny wzrost środków nastąpił po roku 2009. Jest to jednak spowodowane głównie

zwiększonym udziałem środków Unii Europejskiej. Środki budżetowe w ostatnich latach

relatywnie malały.

Rysunek 4.4. Zestawienie nakładów publicznych na finansowanie nauki (poz. 28 w budżecie kraju) oraz dotację

statutową [mln zł]

Źródło: opracowanie własne na podstawie:; Ministerstwo Finansów, Departament Budżetu Państwa,

www.finanse.mf.gov.pl/pl/web/bip; sprawozdania Najwyższej Izby Kontroli www.nik.gov.pl/kontrole/analiza-

budzetu-panstwa; Ministerstwo Nauki i Szkolnictwa Wyższego www.mnisw.gov.pl [7.7.2014].

Znaczna część środków z budżetu państwa na badania naukowe i prace rozwojowe

przekazywana jest w postaci dotacji podmiotowej lub dotacji celowej według zasad

określonych w ustawie z dnia 30 kwietnia 2010 r. o zasadach finansowania nauki

i rozporządzenia Ministra Nauki i Szkolnictwa Wyższego z dnia 5 listopada 2010 r. w sprawie

kryteriów i trybu przyznawania oraz rozliczania środków finansowych na naukę

na finansowanie działalności statutowej5. Wysokość dotacji statutowej na utrzymanie

potencjału badawczego nie ulega radykalnym zmianom na przestrzeni lat (rysunek 4.4),

ale jej relatywny udział w budżecie na naukę uległ znacznemu zmniejszeniu z 70% w 2001

roku do 47% w 2014 roku na rzecz finansowania konkursowego. Nadal jednak dotacja

podmiotowa stanowi główne źródło finansów jednostek naukowych.

5 rozporządzenie Ministra Nauki i Szkolnictwa Wyższego z dnia 5 listopada 2010 r. w sprawie kryteriów i trybu

przyznawania oraz rozliczania środków finansowych na naukę na finansowanie działalności statutowej, Dz. U.

2010 nr 218 poz. 1438.

2319,67

1990,60 1957,30 2138,59 2105,45

2294,65 2349,67 2285,86 2587,21 2293,99 2238,13 2227,46

2377,24 2408,69

0

1000

2000

3000

4000

5000

6000

7000

8000

2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014*

[mln

zł]

[Lata] Dotacja na działalność statutową Dotacja na naukę ogółem Wydatki budżetu państwa

* projekt

116

Rysunek 4.5. Struktura wydatków w 2014 roku (poz. 28 w budżecie kraju)

Źródło: opracowanie własne na podstawie: Ministerstwo Finansów, Departament Budżetu Państwa,

www.finanse.mf.gov.pl/pl/web/bip; Ministerstwo Nauki i Szkolnictwa Wyższego, www.mnisw.gov.pl

[17.07.2014].

Alokacja dotacji instytucjonalnej w Polsce dokonywana jest na podstawie czterech

kryteriów zgodnie z § 6.1 rozporządzenia Ministra Nauki i Szkolnictwa Wyższego z dnia

5 listopada 2010 roku:

1) wielkości jednostki mierzonej liczbą pracowników zatrudnionych w jednostce naukowej

przy prowadzeniu badań lub prac rozwojowych;

0,93%

5,46%

24,18%

17,41%

0,34% 0,83% 3,31% 0,16%

23,02%

11,82%

5,87%

0,45%

0,47%

0,89%

4,86%

47,39%

Działalność upowszechniająca naukę

Współpraca naukowa z zagranicą

Narodowe Centrum Badań i Rozwoju (NCBiR)

Narodowe Centrum Nauki (NCN)

Pozostała działalność

Administracja publiczna

Obrona narodowa

Kultura i ochrona dziedzictwa narodowego

dotacja podmiotowa z budżetu dla jednostek naukowych

dotacja podmiotowa z budżetu dla jednostek niezaliczanych do sektora finansów publicznych

dotacja celowa z budżetu dla pozostałych jednostek zaliczanych do sektora finansów publicznych

dotacja celowa z budżetu na finansowanie lub dofinansowanie zadań zleconych do realizacji pozostałym

jednostkom niezaliczanym do sektora finansów publicznychstypendia różne (stypendia naukowe dla wybitnych młodych naukowców)

zakup usług pozostałych

inwestycje budowlane oraz inwestycje w zakresie dużej infrastruktury badawczej służącej potrzebom badań

naukowych lub prac rozwojowych

Dzi

ała

lność

sta

tuto

wa

i in

wes

tycy

jna j

edn

ost

ek n

au

kow

ych

117

2) przyznanej kategorii jednostki naukowej będącej rezultatem oceny jakości działalności

naukowej lub badawczo-rozwojowej jednostek naukowych (ocena parametryczna);

3) rodzaju jednostki naukowej;

4) względnych kosztów badań w poszczególnych obszarach naukowych.

Dotacje celowe przyznawane są jednostkom naukowym, które uzyskały kategorię A+, A

oraz B w ocenie parametrycznej. O dotacje celowe nie mogą natomiast ubiegać się jednostki

naukowe z kategorią C.

W strukturze wydatków budżetowych na naukę, oprócz dotacji podmiotowej, istotną

część stanowi finansowanie konkursowe (rysunek 4.5), które jest przekazywane

do redystrybucji Narodowego Centrum Badań i Rozwoju (NCBiR) oraz Narodowego

Centrum Nauki (NCN). Pozostałe środki przeznacza się na działalność wspierającą

działalność naukowo-badawczą.

Źródła i mechanizmy finansowania nauki w Polsce zharmonizowane są ze strukturą

systemu nauki (rysunek 4.6). Zgodnie z logiką modelu z rysunku 3.4*, w polskim systemie

można wyróżnić cztery poziomy.

Parlament

Rada Ministrów

UE

Ministerstwo Nauki

i Szkolnictwa WyższegoMinisterstwo Gospodarki Inne ministerstwa

Komitet Polityki Naukowej

(KPN)

Komitet Ewaluacji Jednostek

Naukowych (KEJN)

Narodowe Centrum Nauki (NCN)

Narodowe Centrum Badań

i Rozwoju (NCBiR)Polska Agencja Rozwoju

Przedsiębiorczości (PARP)

Polska Agencja Informacji

i Inwestycji Zagranicznych

(PAIZ)

Urząd Patentowy RP (UPRP)

Rada Główna Nauki

i Szkolnictwa Wyższego

Rada Główna Instytutów

Badawczych

Ośrodki

akademickie

Instytuty Polskiej

Akademii Nauk

Instytuty

badawcze

Ośrodki

przemysłoweInne jednostki

Fundacja Nauki Polskiej (FNP)

Rysunek 4.6. Struktura systemu nauki w Polsce



118

Na poziomie politycznym Parlament i Rada Ministrów zatwierdzają wysokość środków

budżetowych na naukę. Bezpośredni wpływ na kształtowanie krajowej polityki naukowej

ma również polityka unijna realizowana przez wieloletnie programy ramowe i operacyjne.

Na poziomie operacyjnym, system koordynowany jest przez Ministerstwo Nauki

i Szkolnictwa Wyższego (MNiSW)6. Ministerstwo posiada centralną rolę decyzyjną. Minister

Nauki i Szkolnictwa Wyższego planuje i przekazuje środki finansowe dla jednostek

naukowych i innych podmiotów jako dysponent części budżetowych Nauka oraz Szkolnictwo

Wyższe oraz instytucja pośrednicząca w trzech programach operacyjnych: Innowacyjna

Gospodarka, Kapitał Ludzki oraz Infrastruktura i Środowisko.

Minister Nauki i Szkolnictwa Wyższego, odgrywa kluczową rolę w formułowaniu

polityki badań i nauki w Polsce oraz przygotowaniu dokumentów strategicznych.

Najważniejsze z nich to: Krajowy Program Badań (KPB)7, Strategia rozwoju nauki w Polsce do

2015 roku8, Strategia innowacyjności i efektywności gospodarki „Dynamiczna Polska 2020”

9,

Program Operacyjny Inteligentny Rozwój 2014-2020 (POIR)10

, Europa 202011

.

Urząd Ministra Nauki i Szkolnictwa Wyższego jest także odpowiedzialny

za finansowanie dotacji podmiotowej, selekcję wniosków i ocenę jednostek naukowych.

Ministerstwo jest wspierane przez organy doradcze: Komitet Polityki Naukowej (KPN),

Komitet Ewaluacji Jednostek Naukowych (KEJN), Radę Główną Nauki i Szkolnictwa

Wyższego (RGNiSW) oraz Radę Główną Instytutów Badawczych (RGIB).

Główne agencje finansujące to Narodowe Centrum Nauki (NCN) nadzorujące

finansowanie badań podstawowych oraz Narodowe Centrum Badań i Rozwoju (NCBiR)

odpowiedzialne za zarządzanie strategicznymi programami badań naukowych i rozwoju

z naciskiem na komercjalizację i transfer wyników badań naukowych do gospodarki.

Inne ministerstwa sektorowe współuczestniczą w zarządzaniu sektorem nauki przez

nadzór niektórych uczelni, finansowanie projektów oraz dystrybucję środków unijnych.

6 rozporządzenie Prezesa Rady Ministrów z dnia 16 listopada 2007 r. w sprawie szczegółowego zakresu działania

Ministra Nauki i Szkolnictwa Wyższego, Dz. U. nr 216, poz. 1596; Rozporządzenie Rady Ministrów z dnia

5 maja 2006 r. w sprawie utworzenia Ministerstwa Nauki i Szkolnictwa Wyższego Dz. U. 2006 nr 76 poz. 533;

Zarządzenie nr 145 Prezesa Rady Ministrów z dnia 23 grudnia 2008 r. w sprawie nadania statutu Ministerstwu

Nauki i Szkolnictwa Wyższego, z późniejszymi zmianami, Monitor Polski z 31 grudnia 2008, nr 97, poz. 845. 7 Krajowy Program Badań, Warszawa 2011, http://www.bip.nauka.gov.pl/krajowy-program-badan [17.07.2013].

8 Departament Strategii i Rozwoju Nauki Ministerstwa Nauki i Szkolnictwa Wyższego, Strategia rozwoju nauki

w Polsce do 2015 roku, Warszawa 2007. 9 Ministerstwo Gospodarki, Strategia innowacyjności i efektywności gospodarki „Dynamiczna Polska 2020”

(SIEG), Warszawa 2013. 10

Ministerstwo Infrastruktury i Rozwoju, Program Operacyjny Inteligentny Rozwój 2014-2020 (POIR),

Warszawa 2014. 11

Komisja Europejska, Europa 2020..., dz. cyt.

119

Prace badawcze prowadzone są głównie przez ośrodki akademickie, jednostki naukowe

PAN, instytuty badawcze oraz przedsiębiorstwa. W Polsce powołanych jest 967 publicznych

jednostek naukowych, w tym 778 w uczelniach publicznych, 70 instytutów Polskiej Akademii

Nauk i 119 państwowych instytutów badawczych (rysunek 4.7). Dodatkowo, w uczelniach

niepublicznych wyodrębnionych jest 665 jednostek naukowych.

Rysunek 4.7. Liczba jednostek naukowych w Polsce w podziale na typ jednostki naukowej i województwo (stan na 31.12.2012)

Źródło: opracowanie własne na podstawie danych z raportu Nauka w Polsce 2013 roku, Edycja 1, Ministerstwo

Nauki i Szkolnictwa Wyższego, Warszawa 2013.

Analizując liczebność jednostek w układzie terytorialnym (rysunek 4.7) można

wyodrębnić cztery grupy ośrodków naukowych:

I grupa (powyżej 150 jednostek naukowych) – województwo mazowieckie;

II grupa (100-150 jednostek naukowych) – województwa śląskie, wielkopolskie, małopolskie,

łódzkie, dolnośląskie;

III grupa (50-100 jednostek naukowych) – województwa pomorskie, lubelskie, kujawsko-

pomorskie, zachodniopomorskie;

IV grupa (0-50 jednostek naukowych) – podkarpackie, podlaskie, świętokrzyskie, warmińsko-

mazurskie, opolskie, lubuskie.

Badania naukowe są prowadzone w 95 dyscyplinach naukowych i artystycznych

w ośmiu obszarach wiedzy: nauk humanistycznych, nauk społecznych, nauk ścisłych, nauk

przyrodniczych, nauk technicznych, nauk rolniczych, leśnych i weterynaryjnych, nauk

0 50 100 150 200 250 300 350 400 450

lubuskieopolskie

warmińsko-mazurskieświętokrzyskie

podlaskiepodkarpackie

zachodniopomorskiekujawsko-pomorskie

lubelskiepomorskie

dolnośląskiełódzkie

małopolskiewielkopolskie

śląskiemazowieckie

Liczba jednostek naukowych

Jednostki naukowe w uczelniach publicznych

Jednostki naukowe w uczelniach niepublicznych

Instytuty PAN

Instytuty badawcze

120

medycznych, o zdrowiu i o kulturze fizycznej oraz obszar sztuki12

. Zatrudnionych

w jednostkach naukowych w działalności naukowej i badawczo-rozwojowej, według stanu

na 31 grudnia 2012 roku, było 76 069 naukowców (z tytułem lub stopniem naukowym),

co stanowi 0,45% ogółem aktywnych zawodowo w wieku produkcyjnym w Polsce13

. Spośród

krajów europejskich większą liczbę zatrudnionych w działalności B+R wykazują Niemcy,

Wielka Brytania, Francja, Hiszpania i Włochy. Prawie 85% zatrudnionych naukowców

reprezentuje uczelnie, co dowodzi, że publiczne ośrodki akademickie odgrywają główną rolę

w kreowaniu wiedzy.

Ogółem w działalności badawczej i rozwojowej w Polsce zatrudnionych jest około

140 000 osób według stanu na 31 grudnia 2012 roku, z czego 21% stanowią pracownicy

podmiotów gospodarczych, ponad 57% to pracownicy szkół wyższych14

. Należy tu zaznaczyć,

że udział pracowników naukowo-badawczych w ogółem zatrudnionych w kraju w 2011 roku

wyniósł 0,65%, przy średniej UE27 1,17% i najwyższym wskaźniku Finlandii 2,27%15

.

Rysunek 4.8. Liczba i struktura zatrudnionych w działalności badawczej i rozwojowej według poziomu

wykształcenia [tys.]

Źródło: opracowanie własne na podstawie: Rocznik statystyczny 2013, GUS, Warszawa 2013, s. 426.

Pracownicy z tytułem lub stopniem naukowym stanowiący 51% ogółem zatrudnionych

w działalności B+R, głównie skoncentrowani są w ośrodkach akademickich, instytutach

badawczych i jednostkach PAN (rysunek 4.8).

Najliczniej pod względem zatrudnienia pracowników z tytułem lub stopniem

naukowym reprezentowane są odpowiednio nauki humanistyczne (21%), techniczne (20%),

12

Rozporządzenie Ministra Nauki i Szkolnictwa Wyższego z dnia 8 sierpnia 2011 r. w sprawie obszarów

wiedzy, dziedzin nauki i sztuki oraz dyscyplin naukowych i artystycznych , Dz. U. nr 179, poz. 1065. 13

Na podstawie danych GUS-u. 14

Rocznik statystyczny 2013, GUS, Warszawa 2013, s. 426. 15

Dane Eurostatu, http://appsso.eurostat.ec.europa.eu/nui/submitViewTableAction.do?dvsc=8 [17.07.2014].

0 10 20 30 40 50 60 70 80

Pozostałe jednostki

Jednostki naukowe PAN

Instytuty badawcze (dawne JBR)

Podmioty gospodarcze

Ośrodki akademickie

Liczba zatrudnionych [tys.] profesordoktor habilitowanydoktortytuł zawodowy magistra, inżyniera, lekarza, licencjatapozostali

10599

14046

46045 53644

15199

121

grupa nauk medycznych, nauk o zdrowiu i nauk o kulturze fizycznej (17%) oraz nauki

społeczne (16%). Strukturę zatrudnienia pracowników z tytułem lub stopniem naukowym

profesora, doktora habilitowanego oraz doktora w jednostkach naukowych według obszarów

wiedzy przedstawiono na rysunku 4.9.

Rysunek 4.9. Struktura zatrudnienia z tytułem lub stopniem naukowym profesora, doktora habilitowanego

oraz doktora w jednostkach naukowych według obszarów wiedzy (stan na 31.12.2012)

Źródło: opracowanie własne na podstawie danych z raportu Nauka w Polsce 2013 r., Edycja 1, MNiSW,

Warszawa 2013.

Badania w obszarze nauk humanistycznych i społecznych są rozwijane głównie

w ośrodkach akademickich. Uczelnie publiczne są dość zróżnicowane względem

uprawianych obszarów wiedzy. Instytuty PAN stanowią centrum badań nauk ścisłych,

przyrodniczych i technicznych. W instytutach badawczych głównie rozwijane są nauki

techniczne, rolnicze, leśne i weterynaryjne oraz grupa nauk medycznych.

Podsumowując, prawie 85% zatrudnionych naukowców reprezentuje uczelnie,

co dowodzi, że publiczne ośrodki akademickie odgrywają główną rolę w kreowaniu wiedzy.

Stosunkowo niewielka liczba zatrudnionych w sektorze B+R nie pozwala jednak

na wykorzystanie potencjału badawczego.

Główną cechą systemu badań w Polsce jest fakt, że jest nadal zdominowany przez

fundusze publiczne, charakteryzuje się dużym rozdrobnieniem organizacyjnym i tematycznym

oraz przewagą badań podstawowych i stosowanych nad badaniami przemysłowymi i pracami

rozwojowymi. Niesatysfakcjonujący postęp w rozwoju nauki w Polsce ma zatem swoje

przyczyny w rozwiązaniach instytucjonalnych i postawach przejawiających się na szczeblu

podstawowych jednostek naukowych16

. Wynikiem tego jest bardzo duże zróżnicowanie

16

Ministerstwo Nauki i Szkolnictwa Wyższego, Strategia rozwoju nauki...

0 0,2 0,4 0,6 0,8 1

Instytuty badawcze

Jednostki naukowe PAN

Jednostki naukowe w uczelniach

niepublicznych

Jednostki naukowe w uczelniach

publicznych

nauki humanistycznenauki społecznenauki ścisłenauki przyrodniczenauki technicznenauki rolnicze, leśne i weterynaryjnenauki medyczne, nauki o zdrowiu oraz nauki o kulturze fizycznejobszar sztuki

122

aktywności badawczej, jakości badań i kształcenia pomiędzy uczelniami i placówkami

badawczymi w kraju17

.

Należy podkreślić, iż mimo rozdrobnionej struktury podmiotowej nauki polskiej,

nie istnieje żaden mechanizm koordynacji finansowania i oceny efektywności ponoszonych

nakładów. Zdaniem autorki, kluczowe dla rozwoju innowacyjności w Polsce jest zwiększenie

poziomu finansowania, a przy jego znacznym ograniczeniu, wprowadzenie mechanizmów

finansowania, które będą stymulować produktywność jednostek naukowych. Dotacja statutowa

ma istotne znaczenie i powinna być silniej powiązana z jakością jednostek naukowych,

co zaleca również J. Wilkin18

. Według raportu Najwyższej Izby Kontroli w zakresie

prawidłowości wykorzystania środków publicznych przeznaczonych na naukę w latach

2009-2011, w tym środków budżetowych i środków z unii Europejskiej oraz ocena

uzyskanych efektów badawczych i wdrożeniowych, zjawisko rozproszenia środków

finansowych na naukę było podtrzymywane przez niewłaściwie skonstruowany system oceny

jednostek naukowych, który nie gwarantował koncentracji środków finansowych

w jednostkach o najwyższym potencjale naukowym19

.

Słabość polskiej gospodarki z punktu widzenia jej innowacyjności jest także związana

z niekorzystną strukturą finansowania. Pożądanym kierunkiem zmian jest przenoszenie

ciężaru finansowania wydatków na B+R z sektora rządowego do sektora przedsiębiorstw.

Następuje wówczas lepsze powiązanie działalności B+R z rynkiem, a to z kolei stwarza

warunki do poprawy efektywności gospodarowania20

. Istnieje jednak związek między

wysokością finansowania badań i wdrożeń ze środków publicznych i prywatnych. Tam, gdzie

przeznacza się stosunkowo dużo środków na badania z funduszy publicznych, tam również

wzrasta skłonność podmiotów prywatnych do finansowania badań naukowych i wdrożeń21

.

17

J. Wilkin, Finansowanie nauki i szkolnictwa wyższego w Polsce. Wybrane problemy i postulowane kierunki

reform, „Studia BAS” 2013, nr 3(35), s. 51-70. 18

Tamże, s. 63. 19

Najwyższa Izba Kontroli, Wykorzystanie środków publicznych na naukę, nr 162/2012/P/11/070/KNO,

Warszawa 2012, s. 23-28. 20

Z. Wołodkiewicz‑Donimirski, Innowacyjność polskiej gospodarki na tle międzynarodowym, „Studia BAS”

2011, nr 1(25), s. 12. 21

J. Wilkin, dz. cyt., s. 53.

123

4.2. Metodyka oceny parametrycznej jednostek naukowych

System instytucjonalnej oceny jednostek naukowych w Polsce opiera się na podejściu

parametrycznym. Przesłanki metodologiczne wynikają z przyjęcia założenia, że istotą

działalności naukowej jest „produkcja naukowa”, która znajduje swoje odzwierciedlenie m.in.

w publikacjach naukowych, awansach pracowników nauki, patentach, wdrożeniach its. Zakłada

się, że jej wielkość można zmierzyć posługując się metodami badań naukometrycznych. Stąd,

ocena parametryczna i wynikająca z niej kategoryzacja to pewien system porównywania

wielkości „produkcji naukowej” poszczególnych jednostek naukowych.

Podstawą oceny są udokumentowane wyniki badań naukowych i prac rozwojowych,

zawarte w ankiecie jednostki naukowej, corocznie składane w formie sprawozdań

do ośrodków centralnych. Efektem każdej oceny parametrycznej jest ranking jednostek

naukowych i przyznane kategorie jakości ustalone na podstawie syntetycznego wskaźnika.

Wskaźnik ten wyznaczany jest na podstawie zestawu kryteriów (zmiennych, cech)

o charakterze ilościowym, którym przypisuje się wartości punktowe, stanowiące wagi tych

cech. Kryteria i parametry wyznacza się arbitralnie w zespołach eksperckich.

Warunkiem sformalizowanych systemów oceny jednostek naukowych jest ich

uniwersalność problemowa i instytucjonalna. W ocenie parametrycznej wyraża się

to w stosowaniu zróżnicowanych kryteriów dla różnych dziedzin i dyscyplin naukowych,

metodyce wyznaczania wskaźnika oceny, lub grupowaniu jednostek naukowych o podobnym

profilu działania w celu uzyskania wspólnych odniesień.

Systematyczna ocena parametryczna w Polsce jest przeprowadzana jest od 1997 roku

(rysunek 4.10). Przeprowadzono wówczas pilotażową kategoryzację wybranych jednostek

w celu praktycznego sprawdzenia ustalonych kryteriów, a w 1998 roku skategoryzowano

wszystkie jednostki naukowe. Przedtem Komitet do Spraw Nauki i Postępu Technicznego

przy Radzie Ministrów, przeprowadził wstępną ocenę placówek naukowych w Polsce w 1990

roku. Rok później, powołany w 1991 roku Komitet Badań Naukowych wprowadził nową

koncepcję organizacji i finansowania badań naukowych, następnie w 1992 roku opracował

nowe zasady kategoryzacji22

.

Pierwsza inicjatywa systematycznej oceny parametrycznej obejmowała okres trzyletni

i miała charakter pilotażowy. Kolejne, cztery pełne oceny jednostek naukowych

przeprowadzono za działalność naukową w okresie czteroletnim. Następny cykl oceny ma

nastąpić w roku 2017 za lata 2013-2016.

22

D. Dąbrowska-Charytoniuk, Ocena parametryczna jednostki naukowej – utrapienie czy szansa dla bibliotek?,

XXI Konferencja Problemowa Bibliotek Medycznych, "Biblioteki medyczne wobec problemu

bibliometrycznej oceny dorobku naukowego uczelni", Poznań 28-29.10.2002.

124

1995

2013

1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013

2001 - 2004

Ocena parametryczna 2006

1997 - 2000


1995 - 1997


1

2005 - 2008


2009 - 2013

Kompleksowa ocena

jakości naukowej 2013

Rysunek 4.10. Proces oceny parametrycznej w Polsce


Nadrzędnymi celami systemu oceny instytucjonalnej w Polsce jest:

dostarczenie w stałych odstępach czasowych, danych o faktycznej kondycji naukowej

jednostek;

ustalenie kategorii jakości działalności jednostek naukowych;

stymulowanie i ukierunkowanie rozwoju jednostek naukowych;

dostarczenie informacji jednostkom naukowym o ich pozycji w danym obszarze

naukowym.

Podstawę prawną systemu oceny instytucjonalnej stanowi właściwe rozporządzenie

ministra w sprawie kryteriów i trybu przyznawania oraz rozliczania środków finansowych

na działalność statutową, w którym ustala się zakres, metodykę oraz tryb przeprowadzania

oceny. Procedura systemu oceny jednostek naukowych obejmuje trzy główne etapy:

klasyfikację jednostek naukowych, parametryzację i kategoryzację. Można zaobserwować,

że metodyka realizacji tych etapów jest rozwijana w każdym cyklu oceny. Zestawienie

ogólnych zasad stosowanych w ocenie parametrycznej w poszczególnych latach

przedstawiono w tabeli 4.1.

Założenia systemu oceny parametrycznej zostały ugruntowane w roku 1999, kiedy

po raz pierwszy zastosowano ten system do oceny działalności jednostek naukowych

i badawczo-rozwojowych za lata 1995-1997. Ocena parametryczna opracowana

i przeprowadzona została wówczas przez Komitet Badań Naukowych (KBN) w 13 zespołach

eksperckich. W ogólnych zasadach przyjęto 19 zmiennych sklasyfikowanych w 6 grupach*.

Główny nacisk położony został na publikacje w wiodących czasopismach i monografiach oraz

rozwój naukowy pracowników naukowo-badawczych wyrażony w awansach naukowych.

* Patrz: kryteria oceny parametrycznej w 1999 roku zawarte w aneksie, załącznik 1.

125

Tabela 4.1. Założenia i rozwój oceny parametrycznej w Polsce w poszczególnych latach

Nazwa Nadzór

Klasyfikacja

jednostek

naukowych

Parametryzacja Kategoryzacja

Grupy kryteriów Liczba

zmiennych Metoda Kategorie

Ocena

parametryczna

1999

(OP1999)

Komitet Badań

Naukowych (KBN)

grupy

jednorodne

1. Publikacje recenzowane

2. Monografie naukowe, podręczniki akademickie

3. Stopnie naukowe, tytuły naukowe

4. Patenty, wzory użytkowe

5. Wykorzystanie w praktyce wyników prac jednostki (wdrożenia)

6. Systemy jakości, akredytacja laboratoriów

7. Ocena ogólna jednostki

20-28 ocena ekspercka 1, 2, 3, 4, 5, 6

Ocena

parametryczna

2003

(OP2003)

Ministerstwo Nauki

i Informatyzacji

(MNiI) – KBN

grupy

jednorodne

1. Publikacje recenzowane

2. Monografie naukowe (książki), prace zbiorowe i podręczniki

akademickie

3. Stopnie naukowe, tytuły naukowe

4. Opatentowane wynalazki, prawa ochronne na wzory użytkowe

5. Praktyczne wykorzystanie poza jednostką wyników badań

naukowych i prac rozwojowych prowadzonych w jednostce

6. Systemy jakości, akredytacja laboratoriów, udział w programach

ramowych unii europejskiej

7. Ocena ogólna jednostki

24-30 ocena ekspercka 1, 2, 3, 4, 5

Ocena

parametryczna

2006

(OP2006)

Ministerstwo

Edukacji i Nauki

(MEiN); Ministerstwo

Nauki i Szkolnictwa

Wyższego (MNiSW)

– Rada Nauki

grupy

jednorodne

1. Wyniki działalności naukowej

2. Aktywność jednostki naukowej

3. Zastosowania praktyczne

37 ocena ekspercka 1, 2, 3, 4, 5

Ocena

parametryczna

2010

(OP2010)

MNiSW – Komitet

Ewaluacji Jednostek

Naukowych (KEJN)

grupy

jednorodne

1. Wyniki działalności naukowej i uprawnienia do nadawania stopni


23-38 ocena ekspercka A, B, C

Kompleksowa

ocena jakości

2013

(OP2013)

MNiSW – Komitet

Ewaluacji Jednostek

Naukowych (KEJN)

grupy

wspólnej

oceny (GWO)

1. Osiągnięcia naukowe i twórcze

2. Potencjał naukowy

3. Materialne efekty działalności naukowej

4. Pozostałe efekty działalności naukowej

32-46 metoda

porównań

parami z

uwzględnieniem

jednostek

referencyjnych

A+, A, B, C


125

126

W ramach poszczególnych zespołów eksperckich opracowano szczegółowe kryteria

oraz przyporządkowano im wagi dla 13 obszarów naukowych. Dla każdej ocenionej jednostki

określono liczbę E, która była parametrem charakteryzującym efektywność prowadzonych

przez jednostkę prac B+R. Liczba E wyrażona była relacją ważonej sumy punktów oceny

parametrycznej do przeliczeniowej liczby N osób zatrudnionych w jednostce w celu

prowadzenia prac B+R.

j

n

i

iij

jN

vx

E 1

,

(4.1)

gdzie:

ijx , wartość i-tej zmiennej dla j-tej jednostki,

iv wartość wagi i-tej zmiennej,

n liczba zmiennych,

Nj liczba pracowników B+R w j-tej jednostce.

(4.2) gdzie:

x1 – liczba pracowników z tytułem profesora, na stanowisku profesorskim, lub ze stopniem doktora

habilitowanego

x2 – liczba pracowników liczba pracowników ze stopniem doktora

x3 – liczba pozostałych pracowników zatrudnionych przy badaniach

Na podstawie tak przyjętej procedury wyznaczano kategorię jednostki naukowej

od 1do 6 (tabela 4.2). Kategoria jednostki naukowej w założeniu miała wpływ na wysokość

dotacji statutowej. Uzyskanie kategorii 3 pozwalało na zachowanie wysokości dotacji

na stałych poziomie w stosunku do roku poprzedniego. Odpowiednio wyższa kategoria

gwarantowała wzrost dotacji, niższa kategoria jej zmniejszenie.

Tabela 4.2. Algorytm alokacji dotacji statutowej

Kategoria Przedział punktów liczby

E

Wysokość dotacji

(w stosunku do wysokości

dotacji z roku 1998)

1 > 35 pkt. 150%

2 35 – 30 pkt. 120%

3 30 – 25 pkt. 100%

4 20 – 25 pkt. 80%

5 20 – 10 pkt. 60%

6 < 10 pkt 0

Źródło: opracowanie własne na podstawie: Komitet Badań Naukowych,

http://kbn.icm.edu.pl/finauki98/zespoly.html [07.05.2011].

Kolejna ocena parametryczna, przeprowadzona w roku 2003 za lata 1999-2001,

opierała się na podobnych założeniach*. Doprecyzowano kryteria, modyfikacjom uległy też


127

poszczególnie parametry. Przyznawane kategorie zmniejszono do 5. Wprowadzono

ograniczenia ilościowe jednostek, którym przyznano kategorię 1 i 2.

Zasadnicze zmiany w procedurze oceny parametryczne wprowadzono w roku 2006

pod koordynacją Rady Nauki*. W przeprowadzonej wówczas ocenie parametrycznej

wyróżniono 36 zmiennych sklasyfikowanych w trzy grupy kryteriów działalności naukowej k:

(1) aktywność jednostki naukowej, (2) wyniki działalności naukowej oraz (3) zastosowania

praktyczne. Zastosowano ten sam zestaw zmiennych do wszystkich jednostek naukowych.

Znaczny nacisk został położony na realizację projektów naukowo-badawczych i zastosowania

praktyczne wyników badań naukowych.

Ważona suma zmiennych w każdej grupie k była podstawą do wyznaczenia

cząstkowych wskaźników efektywności (Ej,k) danej jednostki j. Obliczano je jako iloraz sumy

uzyskanych przez jednostkę punktów (dla zmiennych wchodzących w skład grupy) do liczby

pracowników zatrudnionych w jednostce na stanowiskach B+R (formuła 4.3).

j

n

i

iij

kjN

vx

E

k

1

,

, (4.3)

gdzie:

,j ix wartość i-tej zmiennej dla j-tej jednostki,


kn liczba zmiennych w grupie cech k,

jN liczba pracowników B+R w j-tej jednostce.

Oceniane jednostki naukowe podzielone zostały na 20 tak zwanych grup

jednorodnych. Podstawą podziału były reprezentowane przez nie dyscypliny naukowe

(załącznik 3). W poszczególnych grupach jednorodnych wyznaczono wskaźniki efektywności

względnej jednostek (Ew,j,k) dla każdej grupy k. Obliczano je przez odniesienie cząstkowych

wskaźników efektywności jednostek do najwyższego wskaźnika w danej grupie jednorodnej.

)max(E

,

,

kj

kj

w,j,kE

E (4.4)

gdzie:

kjE , cząstkowy wskaźnik efektywności w grupie cech k dla jednostki j

Końcowy wskaźnik efektywności danej jednostki wyznaczano się jako sumę ważoną

jej wskaźników efektywności względnej dla trzech grup k, przy czym wagi poszczególnych

grup kryteriów ustalone były odrębnie dla poszczególnych grup jednorodnych.

3

1

,,,

k

gkkjwj wEE (4.5)

gdzie:

wk,g waga efektywności względnej jednostki w filarze k dla grupy jednorodnej g.


128

Tak wyznaczone wskaźniki efektywności stanowiły podstawę rangowania jednostek

w ramach grup jednorodnych i przyznania im odpowiedniej kategorii naukowej: od 1 do 5.

W roku 2010 powołano Komitet Ewaluacji Jednostek Naukowych (KEJN), który

opracował nowe zasady oceny parametrycznej. Komitet Ewaluacji Jednostek Naukowych

złożony z dwudziestu członków zgłoszonych przez jednostki naukowe posiadające

co najmniej kategorię A oraz dziesięciu zgłoszonych przez środowiska społeczno-

gospodarcze o uznanym dorobku w zakresie innowacyjności, poddał ocenie wyniki

działalności naukowej za lata 2005-2008. W ramach Komisji wypracowano trzy zestawy

zmiennych:

1) K1 dla nauk humanistycznych i społecznych – 23 zmienne;

2) K2 dla nauk ścisłych, technicznych i nauk o życiu – 34 zmienne;

3) K3 dla dziedzin sztuki i wchodzących w ich skład dyscyplin artystycznych –38 zmiennych.

Wyodrębniono 23 grupy jednorodne i przyporządkowano im jeden z trzech zestawów

zmiennych*. Zmienne sklasyfikowano w dwie grupy k o równych wagach: (1) wyniki

działalności naukowej i uprawnienia do nadawania stopni oraz (2) zastosowania praktyczne.

Wskaźnik efektywności jE obliczano jako ważoną sumę punktów oceny parametrycznej

do przeliczeniowej liczby N osób zatrudnionych w jednostce w celu prowadzenia prac B+R.

j

n

i

iij

jN

vx

E 1

,

(4.6)

gdzie:



n liczba zmiennych,


O przyznaniu określonej kategorii jednostce naukowej decyduje wysokość końcowego

wskaźnika efektywności tej jednostki. Przyjęto arbitralnie, że do kategorii pierwszej zalicza

się do 30% jednostek, które uzyskały najwyższe wartości końcowego wskaźnika

efektywności, a liczba jednostek pierwszej i drugiej kategorii nie powinna być wyższa niż

50% ogólnej liczby jednostek w grupie jednostek jednorodnych.

Przyznana kategoria naukowa A, B lub C była jednym z czynników uwzględnianych

w algorytmie podziału dotacji bazowej dla jednostek naukowych23

oraz algorytmie podziału

dotacji na finansowanie działalności polegającej na prowadzeniu badań naukowych lub prac

* Patrz: kryteria oceny parametrycznej w 2010 roku zawarte w aneksie, załącznik 4. 23

rozporządzenie Ministra Nauki i Szkolnictwa Wyższego z dnia 5 listopada 2010 roku w sprawie kryteriów

i trybu przyznawania oraz rozliczania środków finansowych na naukę na finansowanie działalności statutowej,

Dz. U. 2010 nr 218 poz. 1438, załącznik 2.

129

rozwojowych oraz zadań z nimi związanych, służących rozwojowi młodych naukowców

oraz uczestników studiów doktoranckich24

.

W 2013 roku, na podstawie rozporządzenia Ministra Nauki i Szkolnictwa Wyższego

z dnia 13 lipca 2012 roku w sprawie kryteriów i trybu przyznawania kategorii naukowej

jednostkom naukowym roku wprowadzono nowe, obecnie obowiązujące, zasady oceny

parametrycznej i zmieniono jej nazwę na kompleksową ocenę jakości jednostek naukowej25

.

Kategoryzacji nadal dokonuje się na podstawie wartości syntetycznego wskaźnika jakości

działalności naukowej E. W ocenie wyróżniono cztery obszary naukowe, dla których

zdefiniowano zestawy zmiennych:

K1 dla grupy nauk humanistycznych i społecznych (32 zmienne);

K2 dla grupy nauk ścisłych i inżynierskich (46 zmiennych);

K3 dla grupy nauk o życiu (36 zmiennych);

K4 dla grupy nauk o sztuce i twórczości artystycznej (41 zmiennych).

W każdym zestawie zmiennych wyróżniono cztery zakresy działalności naukowej k:

(I) osiągnięcia naukowe i twórcze, (II) potencjał naukowy, (III) materialne efekty działalności

naukowej oraz (IV) pozostałe efekty działalności naukowej i przyporządkowano

im odpowiednie zmienne*. Dla każdej jednostki naukowej ustala się wartości miar zmiennych

na podstawie ankiet jednostek. Podstawą do wyznaczenia cząstkowych wskaźników (Ej,k)

w grupach I oraz III jest relacja ważonej sumy zmiennych do liczby pracowników B+R,

w grupach II oraz IV ważona suma zmiennych. Wyższa wartość wskaźnika odzwierciedla

lepszą jakość efektów działalności jednostki naukowej.

(II) osiągnięcia naukowe i twórcze

(III) materialne efekty działalności naukowej

(II) potencjał naukowy

(IV) pozostałe efekty działalności naukowej

j

n

i

iij

kjN

vx

E

k

1

,

, (4.7)

kn

i

iijkj vxE1

,, (4.8)

gdzie:

kjE , cząstkowy wskaźnik w grupie cech k dla jednostki j



kn liczba zmiennych w grupie cech k,


24

Algorytm podziału dotacji na finansowanie działalności polegającej na prowadzeniu badań naukowych

lub prac rozwojowych oraz zadań z nimi związanych, służących rozwojowi młodych naukowców

oraz uczestników studiów doktoranckich Rozporządzenie Ministra Nauki i Szkolnictwa Wyższego z dnia

5 listopada 2010 roku w sprawie kryteriów i trybu przyznawania oraz rozliczania środków finansowych na

naukę na finansowanie działalności statutowej, Dz. U. 2010 nr 218 poz. 1438, załącznik 3. 25

rozporządzenie Ministra Nauki i Szkolnictwa Wyższego z dnia 13 lipca 2012 roku w sprawie kryteriów i trybu

przyznawania oraz rozliczania środków finansowych na działalność statutową, Dz. U. 01.08.2012, poz. 877.


130

Grupy jednorodne zostały zastąpione przez 60 tak zwane grup wzajemnej oceny

(GWO), czyli zdefiniowane przez ekspertów zbiory jednostek podobnych w zakresie obszaru

prowadzonych badań, o wspólnych kryteriach oceny. Grupy wzajemnej oceny wyodrębniono

w ramach trzech obszarów: nauk humanistycznych i społecznych (HS), nauk ścisłych

i inżynierskich (SI) oraz nauk o życiu (NZ). Przynależność jednostki naukowej do danej

GWO nastąpiła na podstawie deklaracji jednostki oraz oceny ekspertów. Poddane

kategoryzacji jednostki naukowe zostały dodatkowo podzielone na cztery typy (uczelnie,

PAN, instytuty badawcze, inne), do których w ramach jednego obszaru były tworzone osobne

grupy wspólnej oceny (GWO).

Rangowanie jednostek naukowych zrealizowano z zastosowaniem metody porównań

parami. Metoda ta polega na porównaniu każdej jednostki z pozostałymi w ramach GWO

w obszarze każdego kryterium k względem wskaźników Ej,k. W wyniku pojedynczego

porównania P dwóch jednostek X oraz Y uzyskuje się wartości punktowe dla obu jednostek.

Zastosowana metoda bazuje na teorii wielokryterialnej analizy decyzyjnej, w której

zasadniczym problemem jest znalezienie rozwiązania, które zapewnia zadowalającą realizację

konkurencyjnych celów. Cele te formułowane są przez zbiór decyzji dopuszczalnych,

a podstawę rozstrzygnięcia stanowi zestaw warunków sformułowanych w stosunku

do celów26

. W kompleksowej ocenie jakości jednostek naukowych cele wyrażone zostały

w cząstkowych wskaźnikach (Ej,k).

Jednym z modeli w wielokryterialnej analizie decyzyjnej jest model relacyjny, którego

jedną z reprezentacji jest relacja przewyższania (ang. outranking relation), reprezentująca ściśle

określone preferencje podejmującego decyzję (warunki decyzyjne). Relacyjny model

wspomagania decyzji wykorzystuje aksjomat o ograniczonej porównywalności, w którym określa

się warunki sytuacji nierozróżnialności, nieporównywalności, silnej preferencji (próg pełnego

przewyższania) oraz słabej preferencji. Oznacza to, że wynikiem porównania par wskaźników

jednostek naukowych jest nie tylko stwierdzenie, która z wartości jest większa, lecz wycena ich

różnicy na podstawie zdefiniowanych warunków (preferencji) .

(4.9)

gdzie:

cząstkowy wskaźnik w grupie cech k dla jednostki wyżej ocenionej X,

cząstkowy wskaźnik w grupie cech k dla jednostki niżej ocenionej Y,

wartość różnicy wskaźników jednostek X i Y.

26

K. Stachowiak, Wielokryterialna analiza decyzyjna w badaniach przestrzenno-ekonomicznych

(w:) Możliwości i ograniczenia zastosowań metod badawczych w geografii społeczno-ekonomicznej

i gospodarce przestrzennej, H. Rogacki (red.), Bogucki Wydawnictwo Naukowe, Poznań 2002, s. 128-130.

131

Przyjęto następujące warunki brzegowe dla porównania pary jednostek naukowych X i Y:

1) próg nierozróżnialności wynosi 10% oceny przyznanej niżej ocenionej jednostce naukowej

za kryterium k, ale nie mniej niż 10% średniej wartości ocen uzyskanych za to kryterium

przez wszystkie jednostki naukowe w danej GWO ( );

2) próg pełnego przewyższania wynosi 30% oceny przyznanej niżej ocenionej jednostce

naukowej za kryterium k, ale nie mniej niż trzykrotność progu nierozróżnialności ( ).

Wynik relacji przewyższania jednostek X i Y przyjmuje wartość z przedziału <0,1>.

Punkty przyznawane są według następujących kryteriów:

1) jeżeli różnica wartości ocen uzyskanych przez dwie porównywane jednostki

naukowe za kryterium k nie przekracza założonego progu nierozróżnialności, to jednostki

naukowe w zakresie tego kryterium są traktowane jako równorzędne, a wynik punktowy

ich porównania wynosi 0;


naukowe za kryterium k przekracza próg pełnego przewyższania, to wynik punktowy ich

porównania dla jednostki ocenionej wyżej wynosi 1, a wynik punktowy

dla jednostki ocenionej niżej wynosi -1;


naukowe X i Y za kryterium k znajduje się między wartościami progowymi, to wynik

punktowy jest obliczany jako stosunek dodatniej różnicy ocen obu jednostek

naukowych pomniejszonej o wartość progu nierozróżnialności do różnicy

wartości progu pełnego przewyższania i progu nierozróżnialności .

Punkty są przyznawane jednostce naukowej, która w zakresie danego kryterium

została oceniona wyżej. Jednostce naukowej, która została oceniona niżej przyznaje się

punkty ujemne .

{

(4.10)

gdzie:

– cząstkowy wynik przypisany jednostce X przy porównaniu jej z jednostką Y względem kryterium k.

(4.11)

gdzie:

– cząstkowy wynik przypisany jednostce Y przy porównaniu jej z jednostką X względem kryterium k.

132

Całkowity wynik punktowy porównania pary jednostek naukowych stanowił

ważoną sumę wyników porównań względem poszczególnych kryteriów k, z uwzględnieniem

wartości wag dla tych kryteriów zdefiniowanych odrębnie dla każdej grupy, dziedzin nauki

i rodzaju jednostki naukowej (tabela 4.3).

∑

gdzie:

– całkowity wynik przypisany jednostce X przy porównaniu jej z jednostką Y,

– wagi przypisane poszczególnym kryteriom.

Tabela 4.3. Wartości wag w kompleksowej ocenie jakości w roku 2013

Kryterium

oceny

Rodzaj jednostki naukowej

podstawowe jednostki

organizacyjne uczelni

jednostki naukowe PAN

i międzynarodowe

instytuty naukowe

instytuty badawcze i inne

Obszary naukowe

K1 K2 K3 K4 K1 K2 K3 K4 K1 K2 K3 K4

65 70 65 60 65 75 65 60 65 60 35 60

15 5 10 20 15 5 10 20 15 5 10 20

5 15 15 5 5 10 15 5 5 25 45 5

15 10 10 15 15 10 10 15 15 10 10 15

Suma 100 100 100 100 100 100 100 100 100 100 100 100

Źródło: opracowanie własne na podstawie: rozporządzenie Ministra Nauki i Szkolnictwa Wyższego z dnia

13 lipca 2012 roku w sprawie kryteriów i trybu przyznawania oraz rozliczania środków finansowych

na działalność statutową, Dz. U. 01.08.2012, poz. 877, załącznik nr 8.

Ostateczna ocena jednostki naukowej jest relacją sumy wyników punktowych jej

porównań ze wszystkimi pozostałymi jednostkami naukowymi oraz tak zwanymi jednostkami

referencyjnymi w obrębie danej GWO, do liczby tych jednostek pomniejszoną o 1.

∑

gdzie:

– liczebność GWO wraz z jednostkami referencyjnymi.

Do każdej GWO włączono dwie jednostki referencyjne i . Są to jednostki

modelowe, dla których grupa ekspertów zdefiniowała odrębnie dla każdej GWO cząstkowe

wskaźniki w grupie cech k, które odpowiadają minimalnym wartościom ocen, jakich eksperci

oczekują odpowiednio od jednostek kategorii A oraz B. Wartości minimalne, w uproszczeniu,

eksperci ustalają bazując na swoim doświadczeniu w konkretnych obszarach nauki odnośnie

do zwyczajów publikacyjnych oraz na analizach statystycznych ocen jednostek w ramach GWO.

Tak wyznaczone wskaźniki jakości działalności naukowej stanowiły podstawę

rangowania i kategoryzacji jednostek w ramach grup wzajemnej oceny. W wyniku

(4.12)

(4.13)

133

kompleksowej oceny jakości działalności naukowej lub badawczo-rozwojowej jednostkom

naukowym przyznano kategorie:

A+ – poziom wiodący;

A – poziom bardzo dobry;

B – poziom akceptowalny, z rekomendacją wzmocnienia działalności naukowej, badawczo-

rozwojowej lub stymulującej innowacyjność gospodarki;

C – poziom niezadowalający.

Do kategorii A zaproponowano wszystkie jednostki, których wynik był nie niższy

od wyniku , przy czym jednostka zaliczona do kategorii A nie musiała mieć wszystkich

ocen wyższych od ocen jednostki referencyjnej A. Jeżeli jednostka nie spełniła wymagań

jednostki referencyjnej , ale wynik był nie niższy od wyniku , wówczas jednostce

przyznawano kategorię B. Pozostałym jednostkom przyznano kategorię C. Ostateczne kategorie

przydzielał minister. Kategoria A+ przyznawana jest na podstawie oceny eksperckiej27

.

4.3. Krytyczna analiza oceny parametrycznej

Ocena instytucjonalna w Polsce jest trudną i dyskusyjną próbą zobiektywizowania

decyzji o kategoryzacji jednostek sfery nauki i o finansowaniu ich działalności statutowej.

Dążenie do opracowania intersubiektywnego systemu oceny jednostek naukowych jest

procesem złożonym i wymaga uwzględnienia różnych czynników. Jednostki naukowe

są zróżnicowane pod względem sposobu prowadzenia badań, ich przydatności teoretycznej

i praktycznej, a za tym też formy prowadzenia działalności.

W różnych krajach są podejmowane liczne próby uwzględnienia różnych przejawów

działalności jednostek naukowych. Przyjmują one głównie formę systemów ewaluacyjnych

oraz systemów parametrycznych*. Podejście ewaluacyjne ocenia się jako bardziej

kompleksowe i wnikliwe, między innymi z uwagi na możliwość stosowania czynników

jakościowych. Słabości takiego rozwiązania wynikają jednak właśnie z atrybutów oceny

eksperckiej. Ma ona charakter subiektywny i jest czasochłonna. Odmiennym podejściem jest

podejście parametryczne. Zachowuje ono obiektywizm, ale ogranicza się do wskaźników

ilościowych.

27

rozporządzenie Ministra Nauki i Szkolnictwa Wyższego z dnia 13 lipca 2012 roku w sprawie kryteriów i trybu

przyznawania oraz rozliczania środków finansowych na działalność statutową, Dz. U. 01.08.2012, poz. 877,

§ 18 pkt. 7.


134

W Polsce, z uwagi na dużą liczbę jednostek naukowych*, słusznym wydaje się być

przyjęcie podejścia parametrycznego jako podejścia systemowego. Wprowadzona w 1999 roku

ocena parametryczna w miejsce oceny jakościowej, ukształtowała fundamenty zasad

kategoryzacji jednostek naukowych. Zarówno sama ocena parametryczna, jak i jej kolejne

modyfikacje wywoływały liczne dyskusje środowiskowe. Najczęściej podnoszonym

argumentem było twierdzenie, że nie można obiektywnie zmierzyć poziomu i wartości pracy

naukowej. Subiektywność takiego pomiaru przejawia się w wyborze i definicji wskaźników,

a także wag przypisanych poszczególnym wskaźnikom28

.

W środowisku naukowym, można zaobserwować trzy nurty dyskusji nad zasadami oceny

parametrycznej – w zakresie merytorycznym, proceduralnym i organizacyjnym. Autorka zebrała

uwagi przedstawicieli nauki oraz uzupełniła je własnymi analizami (tabela 4.4).

Liczne publikacje odnoszące się do zasad oceny jednostek naukowych w Polsce

ukazują szereg słabości dotyczących prawidłowości doboru zmiennych będących podstawą

oceny jednostek, grupowania zmiennych w zakresy działalności naukowej i doboru wag

kryteriów oraz zakresów. Istotne wątpliwości środowiska budzi klasyfikacja jednostek

na grupy jednorodne (grupy wspólnej oceny). Dostrzega się także brak preferencji

dla jednostek oszczędnych.

Drugim wątkiem dyskusyjnym są przyjęte procedury i metodyka wyznaczania

wskaźnika jakości i przyznawania ostatecznych kategorii jednostkom naukowym. Mimo

istotnych zmian wprowadzonych w ostatnim cyklu oceny w 2013 roku, wątpliwości nadal

budzi brak transparentności i arbitralność pewnych etapów. Nie jest również jasny sposób

przyznawania kategorii poszczególnym jednostkom w ramach grupy jednorodnej

oraz identyfikacji jednostek o najwyższym potencjale naukowym. Jako niesatysfakcjonującą

ocenia się metodykę w zakresie porównywania małych jednostek naukowych z dużymi.

W trzecim zakresie polemikę wywołują zagadnienia organizacyjne oceny

parametrycznej. Argumentem najczęściej podnoszonym jest zbyt późne ogłoszenie zasad

oceny, brak informacji o wartościach cząstkowych wyników, nadmierna centralizacja systemu

oceny oraz dokonywanie zmian w zakresie przypisania jednostek naukowych

do poszczególnych grup jednorodnych w trakcie procesu parametryzacji po dokonaniu

pierwotnego podziału.

* Patrz: rozdział 4.1, rysunek 4.7. 28

J.M. Brzeziński, Reguły parametryzacji, „Forum Akademickie” 2007, nr 2, s. 21-24; M. Żylicz, Ocena

parametryczna dzisiaj i jutro, „Forum Akademickie” 2006, nr 6, s. 22-24.

135

Tabela 4.4. Uwagi krytyczne przedstawicieli środowiska nauki do oceny parametrycznej

Źródło Cykl

oceny Uwagi krytyczne

P. Kieraciński, Premia za jakość, „Forum

Akademickie” 2003, nr 2, s. 28-29.

OP2003 brak uwzględnienia działalności wdrożeniowej

J.M. Brzeziński, Reguły parametryzacji,

„Forum Akademickie” 2007, nr 2, s. 21-24.

OP2006 niejasny dobór kryteriów

brak powiązania wyników działalności naukowej jednostki z liczbą zatrudnianych przez nią badaczy

dyskusyjna klasyfikacja grup jednorodnych

nieporównywalność małych i wielkich jednostek naukowych

M. Żylicz, Ocena parametryczna dzisiaj

i jutro, „Forum Akademickie” 2006, nr 6,

s. 22-24.

OP2006 zbyt duża liczba kryteriów,

dyskusyjna relacja wag poszczególnych kryteriów

słabe zróżnicowanie najlepszych i przeciętnych osiągnięć naukowymi/wdrożeniowymi

brak preferencji jednostek oszczędnych

w małych jednostkach system oceny parametrycznej słabiej odzwierciedla rzeczywistość

nieprecyzyjna liczba pracowników uwzględniana w ocenie (problem wieloetatowości)

jedna lista czasopism dla wszystkich obszarów naukowych

zbyt późne ogłoszenie zasad oceny

dyskusyjna ocena publikacji wieloautorskich

Z. Drozdowicz, Kategoryzacja nauki, „Forum


OP2006 wagi kryteriów

nadmierna (patologiczna) centralizacja systemu oceny

słaby nacisk na wskaźnik jakościowy publikacji, uwzględnianie zbyt dużej liczby publikacji

wykazywanych przez jednostkę przypadających na jednego statystycznego pracownika

(proponowane 2N)

M. Kosmulski, Quo vadis, KEJN?, „Forum

Akademickie” 2011, nr 10, s. 34.

OP2006 brak jasnych kryteriów zaliczania jednostek dla danej kategorii naukowej

zbyt duże jednostki naukowe

J. Nazarko, K.A. Kuźmicz, E. Szubzda,

J.Urban (Jakuszewicz), Analiza oceny

parametrycznej z perspektywy

benchmarkingu, [w:] Benchmarking

wsystemie szkolnictwa wyższego, J. Woźnicki

(red.), Oficyna Wydawnicza Politechniki

Warszawskiej, Warszawa 2008, s. 49-64.

OP2006 istotna i silna korelacja niektórych zmiennych

niski poziom zróżnicowania jednostek względem niektórych kryteriów

słaba różnicowalność jednostek przez nadmiarowy zbiór kryteriów

nieprawidłowy dobór zmiennych do poszczególnych zakresów działalności naukowej k

nieseparowalność grup jednorodnych

arbitralność wag poszczególnych zakresów działalności naukowej k

brak jasnych kryteriów zaliczania jednostek dla danej kategorii naukowej

A. Sawicki, Obraz polskiej nauki po rankingu

MNiSW, „Forum Akademickie” 2010, nr 11,

s. 40-41.

OP2010 dyskusyjny dobór zmiennych

arbitralne przyporządkowanie wag kryteriów

brak zróżnicowania jednostek pod względem formy prowadzenia działalności

brak wag dla różnych przejawów działalności naukowo-badawczej i rozwojowej

135

136

Źródło Cykl


K. Stępień, Rzeczywiste wyniki naukowe,

„Forum Akademickie” 2011, nr 2.

OP2010 niewłaściwy dobór kryteriów

J.M. Brzeziński, Kontrowersje wokół oceny

jednostek naukowych z obszaru nauk

społecznych, „Kultura i Edukacja” 2011, nr 2,

s. 177-192.

OP2010 heterogeniczność naukowa wydziałów szkół wyższych zakłóca klasyfikację wszystkich jednostek

naukowych do grup jednorodnych

nietrafna metoda klasyfikacji jednostek naukowych do kategorii naukowych

problem porównywania małych jednostek z dużymi

brak minimalnego ograniczenia liczby N jednostki naukowej, która będzie oceniana

brak jasnych zasad obliczania wskaźnika N

brak spójności liczby N oraz E w aspekcie uwzględnianych w ocenie pracowników (E – wszyscy, N

bez dodatkowych etatów), problem szczególnie osobliwy w wypadku jednostek niepublicznych

jednakowy wskaźnik liczby publikacji 3N dla wszystkich grup jednorodnych

dobór kryteriów nieuwzględniający specyfiki obszarów naukowych

jednakowe wagi kryteriów dla różnych grup jednorodnych

eliminacja dorobku doktorantów niezatrudnionych w jednostce naukowej

wielokrotne uwzględnianie jednej publikacji współautorów z różnych jednostek naukowych

M. Pigłowski, Prawny i moralny aspekt

publikowania, „Nauka” 2011, nr 3, s. 145-156.

OP2010 niekorzystna relacja punktów za monografię do punktów za artykuł w czasopiśmie

nieprawidłowości w interpretacji zasad oceny punktowej w zakresie monografii pokonferencyjnych

M. Ratajczak, Nie wszyscy razem i nie wszyscy

tak samo, „Forum Akademickie” 2012, nr 7-8,

s. 26-29.

OP2010 arbitralne wagi kryteriów

dobór kryteriów dyskryminujący nauki humanistyczne i społeczne

Najwyższa Izba Kontroli, Wykorzystanie

środków publicznych na naukę.

Informacja wynikach kontroli, KNO-4101-

08-00/2011, nr 162/2012/P/11/070/KNO, s.

10-11, 24-28.

OP2010 słabe zróżnicowanie jednostek naukowych

niesatysfakcjonująca identyfikacja jednostek o najwyższym potencjale naukowym

niezgodny z obowiązującymi przepisami prawa odsetek jednostek naukowych kategorii naukowej

pierwszej i drugiej

brak zróżnicowania jednostek prowadzących podstawowe badania naukowe oraz jednostki

nastawione na rozwój technologiczny i innowacje

zastosowanie średniej arytmetycznej (zamiast średniej ważonej) przy obliczaniu wskaźnika

efektywności naukowej jednostki (na czele rankingów w zdecydowanej większości grup

jednorodnych znalazły się instytuty badawcze jako osiągające znaczne przychody z działalności

B+R, ale posiadające relatywnie niewielkie osiągnięcia naukowe)

dokonywanie oceny bez uwzględnienia pozycji danej jednostki w nauce światowej

ustalenie jednakowych dla poszczególnych zakresów ocen dla wszystkich grup jednostek

jednorodnych wag, bez względu na profil jednostek

dokonywanie zmian w zakresie przypisania jednostek naukowych do poszczególnych grup

jednorodnych po dokonaniu pierwotnego podziału, niespójność wyników parametryzacji Rady

136

137

Źródło Cykl


Nauki i po opinii Ministra Nauki i Szkolnictwa Wyższego

uwzględnianie wyników działalności jednostek naukowych niemających charakteru naukowego

nierzetelność danych w zakresie liczby pracowników zatrudnionych w działalności B+R,

przychodów z tytułu umów zawartych z innymi podmiotami na wykonanie w jednostce prac B+R,

liczby i przychodów z wdrożeń udokumentowanych i wykorzystanych poza jednostką wyników

badań naukowych i prac rozwojowych

brak procedur wyłaniania członków zespołów opiniodawczo-doradczych Ministra, w tym zespołów

roboczych właściwych organów Rady Nauki dokonujących oceny parametrycznej, które

przeciwdziałałyby wystąpieniu potencjalnego konfliktu interesów

D. Antonowicz, S. Jackowski, A. Pilc,

B. Skoczeń, M. Zabel, Kategoryzacja nauki,


OP2010 podejście niepoprawne metodologicznie (sumowanie wartości punktowej za wszystkie kryteria, przy

jednakowych wagach dla często bardzo odległych przejawów działalności jednostek naukowych)

D. Antonowicz, J.M. Brzeziński,

Doświadczenia parametryzacji jednostek

naukowych z obszaru nauk humanistycznych

i społecznych 2013 – z myślą o parametryzacji

2017, „Nauka” 2013, nr 4, s. 51-85.

J.M. Brzeziński, Ocena parametryczna

– co dobre, co zmienić, „Forum Akademickie”

2013, nr 11, s. 30-33.

OP2010,

OP2013 zbyt złożona procedura (OP2013)

arbitralne przyjęcie wartości jednostek referencyjnych

limitowanie liczby jednostek w poszczególnych kategoriach

brak transparentności procedur, uwzględnianie w ocenie jednostek z sektora niepublicznego

zbyt duża liczba zmiennych, małe zróżnicowanie kategorii

mierzenie grantów poziomem finansowania

brak standaryzacji wszystkich wskaźników cząstkowych (z czterech – dwa wskaźniki cząstkowe

niestandaryzowane oraz jeden wskaźnik globalny o zakresie od -100 do +100)

zbyt duża rozpiętość punktowa w zakresie pozostałych efektów działalności naukowej

brak uwzględnienia liczby kształconych studentów

brak jasności kryteriów przyznawania kategorii A+

brak informacji o wartościach cząstkowych wyników i o szczególnie ważnych wartościach jednostek

referencyjnych

problem zdefiniowania grup wspólnej oceny (GWO), brak satysfakcjonującego rozwiązania

zbyt duża liczba grup GWO, kontrowersyjna liczebność grup GWO

relatywnie duży udział uprawnień akademickich

niedostateczne zróżnicowanie heterogeniczności struktur organizacyjnych jednostek naukowych

zbyt uproszczona procedura wyznaczania ostatecznego wskaźnika

G. Racki, W mozole po kategorie, „Forum


OP2013 zbyt złożona procedura oceny, mnogość parametrów, korelacja kryteriów

różne podejście w sposobie obliczania wskaźników cząstkowych

brak systematycznych analiz w celu odpowiedniego doboru parametrów oceny


137

138

Parametryczny system oceny i finansowania działalności jednostek badawczych

przez kolejne cykle oceny stawał się coraz bardziej skomplikowany wskutek uwzględniania

kolejnych elementów aktywności naukowej, dalszego rozszerzania skali punktowej

oraz ustawicznego precyzowania kryteriów. Zauważyć można, że MNiSW nie prowadzi

systematycznych analiz w celu odpowiedniego doboru parametrów oceny29

. Analiza

statystyczna danych o jednostkach naukowych za lata 2001-2004, będących podstawą oceny

w roku 2006, przeprowadzona przez J. Nazarko i in. w celu zbadania zasadności stosowanej

metodyki w ocenie parametrycznej, wykazała znaczną nadmiarowość zbioru uwzględnianych

zmiennych30

. Istotna i silna korelacja zmiennych zakłóca różnicowalność ocenianych

jednostek. Ponadto nieuzasadnione wymieszanie w jednym filarze zmiennych opisujących

różne aspekty działalności jednostki powoduje, przez układ wag filarów, niezamierzone

wzmacnianie lub osłabianie niektórych kryteriów oceny.

Autorzy dowodzą także nieseparowalności grup jednorodnych, a tym samym niewłaściwą

klasyfikację jednostek naukowych. Jest to zagadnienie dotychczas nierozwiązane w sposób

satysfakcjonujący. J. Brzeziński wyjaśnia, że wiele wydziałów szkół wyższych nie wykazuje

jednorodnorodności naukowej, przy czym wpływa to na uzyskanie lepszych pozycji takich

wydziałów w rankingu oceny parametrycznej ze względu na kumulowanie wartościowego

dorobku31

. Heterogeniczność wydziałów szkół wyższych pod względem obszarów naukowych

utrudnia zatem rzetelną klasyfikację jednostek naukowych w grupy jednorodne.

Przeprowadzona przez autorkę analiza grup jednorodnych w cyklu oceny 2010

pokazała, że nie rozwiązano znaczących słabości systemu w tym zakresie z 2006 roku32

.

Do ilustracji tego zagadnienia wykorzystano graficzną metodę prezentacji struktury danych

wielowymiarowych, zaproponowanej przez M. Rybaczuka33

.

Istotę graficznej prezentacji odwzorowania czterech obiektów: O1, O2, O3 i O4

scharakteryzowanych cechami: X1-X18 w pole koła na płaszczyźnie przedstawiono

na rysunku 4.11.

29

G. Racki, W mozole po kategorie, „Forum Akademickie” 2012, nr 1, s. 33-34. 30

J. Nazarko, K.A. Kuźmicz, E. Szubzda, J. Urban (Jakuszewicz), Analiza oceny parametrycznej z perspektywy

benchmarkingu, [w:] Benchmarking w systemie szkolnictwa wyższego, J. Woźnicki (red.), Oficyna

Wydawnicza Politechniki Warszawskiej, Warszawa 2008, s. 49-64. 31

J.M. Brzeziński, Ocena parametryczna – co dobre, co zmienić, „Forum Akademickie” 2013, nr 11, s. 30-33;

J.M. Brzeziński, Kontrowersje wokół oceny jednostek naukowych z obszaru nauk społecznych, „Kultura

i Edukacja”, nr 2, 2011, s. 178-179. 32 J. Urban, Klasyfikacja polskich jednostek naukowych w ocenie parametrycznej MNiSW, XIX Konferencja

Naukowa Sekcji Klasyfikacji i Analizy Danych Polskiego Towarzystwa Statystycznego oraz XXIV

Konferencja Taksonomiczna "Klasyfikacja i analiza danych – teoria i zastosowania”. Streszczenia referatów,

Toruń, 15-17 września 2010 r., s. 45. 33

M. Rybaczuk, Graficzna prezentacja struktury danych wielowymiarowych, Prace Naukowe Akademii

Ekonomicznej we Wrocławiu, nr 942, Akademia Ekonomiczna, Wrocław, 2002, s. 146-153.

139

Legenda: cechy X; obiekty O

Rysunek 4.11. Przykład wyniku zastosowania metody prezentacji struktury danych wielowymiarowych

M. Rybaczuka


Graficzna interpretacja wyników odwzorowania struktury wielowymiarowych danych

na płaszczyznę umożliwia analizę porównawczą obiektów i cech, przy czym:

im bliżej położone są punkty reprezentujące obrazy obiektów, tym bardziej podobne obiekty;

im bliżej znajdują się obrazy cech, tym silniejsza dodatnia korelacja między nimi;

im wyraźniej obrazy cech znajdują się po przeciwległej stronie względem środka koła,

tym silniejsza ujemna korelacja między nimi;

im większą odległość punktu reprezentującego obraz obiektu od obrazu cechy, tym wyższy

poziom cechy dla danego obiektu, i odwrotnie.

Odnosząc się do analizy kryteriów oceny parametrycznej, w pierwszej kolejności

zbadano jaką siłę różnicującą mają poszczególne zmienne (rysunek 4.12).

Na rysunku 4.12 pokazano na przykładzie grupy N8 i G1*, że niektóre zmienne,

których obrazy znajdują się w bliskiej odległości lub nakładają się na siebie są ze sobą

skorelowane. To oznacza, że w bardzo małym stopniu cechy różnicują porównywane

jednostki. Świadczy to o pominięciu właściwych kryteriów doboru zmiennych przy ustalaniu

zasad oceny parametrycznej.

* Nazwy grup zostały przedstawione w aneksie, załącznik 4.

O1

O2

O3

O4

X9 X5

X1

4

X6

X3

X1

7

X1

2

X1

1 X1

7

X2 X1

0

X8

X1

5 X1

X1

3

X4

X1

8

140

Legenda: numery zmiennych odpowiadają kolejności zmiennych w aneksie, załącznik 4.

Rysunek 4.12. Zróżnicowanie jednostek naukowych w grupach jednorodnych G1 i N8


Zbadano również separowalność grup jednorodnych. Przykładowe zestawienia

dla grup G8 i N8 przedstawiono na rysunku 4.13.

Legenda: numery zmiennych odpowiadają kolejności zmiennych w aneksie, załącznik 4.

Rysunek 4.13. Porównanie dwóch grup jednorodnych G8 i N8


Jednostki z grup jednorodnych G8 i N8 (według klasyfikacji MNiSW) są wymieszane

i nie tworzą odrębnych klastrów, co oznacza, że jednostki naukowe zaliczone do różnych grup

jednorodnych nie różnią się zasadniczo między sobą ze względu na przyjęte kryteria.

Następnie zbadano zasadność przyporządkowania jednostek naukowych do kategorii

(rysunek 4.14).

N8 – Nauki rolnicze i leśne G1 – Mechanika, materiały, inżynieria chemiczna

i procesowa

Grupa G8

Grupa N8

141

Rysunek 4.14. Klasyfikacja jednostek naukowych do kategorii w grupie N1


Kategorie nie są wyraźnie wyodrębnione. Z układu zmiennych wynika, że jednostki są

głównie różnicowane względem zmiennych, których obrazy ulokowane są na części linii

prawej koła. Poszczególne kategorie są wymieszane, co wskazuje na niewłaściwą metodykę

przyznawania kategorii naukowych.

Nadmiarowy zbiór zmiennych słabo różnicuje jednostki naukowe. Graficzną strukturę

wartości wskaźnika E, różnice tych wartości dla dwóch kolejnych uczelni oraz ich kategorie

zobrazowano na rysunku 4.15. Numery jednostek naukowych wynikają z ich pozycji

w rankingu względem wielkości wskaźnika E.

Rysunek 4.15. Rozkład wartości cech, różnice tych cech wartości dwóch kolejnych jednostek naukowych

oraz ich kategorie naukowe w ocenie parametrycznej 2010


0

1

2

3

4

5

0

200

400

600

800

1000

1200

1400

0

20

40

60

80

100

120

140

160

180

200

220

240

260

280

300

320

340

360

380

400

420

440

460

480

500

520

540

560

580

600

620

640

660

680

Ka

tego

ria M

NiS

W

Wsk

aźn

ik E

Jednostki naukowe

E, wskaźnik efektywności MNiSW

Różnica wartości wskaźnika E dwóch kolejnych jednostek

Kategoria MNiSW

Kategoria 1

Kategoria 2

Kategoria 3

Kategoria 4

Kategoria 5

142

Z analizy rysunku 4.15 wynika, że tylko kilkanaście pierwszych jednostek naukowych

otwierających listę rankingową przyjmuje wysoką wartość wskaźnika E. Ponadto, dokonując

analizy różnic pomiędzy wartościami wskaźnika kolejnych dwóch jednostek można

stwierdzić, iż w przypadku połowy ocenianych jednostek nie przekracza ona 0,20. Znaczne

różnice występują tylko między jednostkami o numerach od 1 do 10. Można zatem

stwierdzić, że większość ocenianych jednostek przyjmuje podobne oceny.

Rysunek 4.16. Rozkład wartości cech, różnice tych cech wartości dwóch kolejnych jednostek naukowych

oraz ich kategorie naukowe w ocenie parametrycznej 2013


0

1

2

3

4

0

10

20

30

40

50

60

70

80

90

100

0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300 320

Ka

tego

ria M

NiS

W

Wsk

aźn

ik E

Jednostki naukowe grupy SI

0

1

2

3

4

0

10

20

30

40

50

60

70

80

90

100

0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300

Ka

tego

ria M

NiS

W

Wsk

aźn

ik E

Jednostki naukowe grupy NZ

0

1

2

3

4

0

10

20

30

40

50

60

70

80

90

0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190 200 210 220 230

Ka

tego

ria M

NiS

W

Wsk

aźn

ik E

Jednostki naukowe grupy HS

E, ostateczny wskaźnik efektywności MNiSWRóżnica wartości wskaźnika E dwóch kolejnych jednostekKategoria MNiSW (+A - 4; A - 3; B - 2; C - 1)

143

Liczebność jednostek oraz rozpiętość przedziałów poszczególnych kategorii

względem wskaźnika efektywności E w grupach jednorodnych są zróżnicowane*. Nie są

jasne reguły podziału na kategorie. Zarówno liczbowy, jak i procentowy udział liczby

jednostek danej kategorii jest różny. W niektórych grupach nie przyznano kategorii 4 oraz 5.

Grupy z oznaczeniem M zostały wyodrębnione z tradycyjnego podziału grup dla jednostek

naukowych o małej liczbie zatrudnionych pracowników w działalności B+R. Podział ten

ma jednak charakter arbitralny.

W ocenie parametrycznej z 2013 roku nadal zróżnicowanie jednostek jest nieznaczne.

Analogicznie do rysunku 4.15, dokonano analizy wskaźników oceny w 2013 roku

i przedstawiono na rysunku 4.16. Z analizy rysunku 4.16 wynika, że różnica między ostateczną

oceną jednostek naukowych jest we wszystkich wypadkach nieznaczna. Co więcej, przyznane

kategorie nie mają jasnego odzwierciedlenia w wysokości wskaźników. Reguły oceny

parametrycznej z roku 2013 w wyniku zaleceń po kontroli NIK, muszą zostać zmienione.

Zdaniem autorki, system oceny parametrycznej w Polsce wymaga dalszego doskonalenia,

szczególnie w zakresie metodyki. Przyjęte zasady oceny parametrycznej niedostatecznie

różnicują jednostki. Liczny zbiór cech pierwotnych w dużym stopniu utrudnia, a niekiedy

wręcz uniemożliwia poznanie najważniejszych prawidłowości występujących w badanych

zjawiskach i procesach. Dotychczasowe procedury oceny jednostek naukowych

nie dostarczały też możliwości analitycznych dla ocenianych jednostek, gdzie ważnym

aspektem systemu oceny i ewaluacji instytucjonalnej jest możliwość konfrontowania

wyników własnych z pozostałymi jednostkami. Duży poziom podejścia subiektywnego

ekspertów na każdym etapie oceny (tabela 4.5) nie sprzyja uzyskaniu akceptacji środowiska,

co ma wpływ na osiągnięcie pożądanych efektów takiej oceny wskazanych w rozdziale 1.3.

Tabela 4.5. Zastosowana metodyka w poszczególnych etapach oceny parametrycznej

Etapy oceny parametrycznej Zastosowana metoda

Klasyfikacja jednostek dobór arbitralny

Dobór kryteriów dobór arbitralny

Dobór wag kryteriów dobór arbitralny

Klasyfikacja zmiennych w zakresy dobór arbitralny

Wagi zakresów dobór arbitralny

Metodyka wyznaczania wskaźnika E

OP1999-OP2010 ważona suma punktów oceny parametrycznej

do przeliczeniowej liczby N zatrudnionych do prac B+R;

OP2013 metoda porównań parami z uwzględnieniem arbitralnie

przyjętych wartości jednostek referencyjnych

Kategoryzacja podział arbitralny


* Patrz: aneks, załącznik 6.

144

Kryteria kategoryzacji powinny ukierunkowywać działalność jednostki naukowej.

Silną stroną niektórych jednostek są wdrożenia, innych granty bądź publikacje. W systemie

finansowania nauki w Polsce, w którym prawie 70% budżetu przeznaczonego na naukę jest

wydatkowanych na podtrzymanie działalności statutowej jednostek naukowych, muszą istnieć

jasne kryteria podziału tych środków. Powinien jednocześnie istnieć system promujący

jednostki produktywne, uwzględniający nakłady jednostek i czynniki środowiskowe.

145

ROZDZIAŁ 5.

ZAŁOŻENIA METODYCZNE BADANIA PRODUKTYWNOŚCI

METODĄ DATA ENVELOPMENT ANALYSIS

5.1. Propedeutyka metodyki Data Envelopment Analysis

Metoda Data Envelopment Analysis (DEA) służy do pomiaru, oceny i analizy

względnej produktywności określonej liczby jednostek decyzyjnych (ang. Decision Making

Units, DMU) zdefiniowanych jako jednostki zdolne do przekształcania zasobów wejściowych

(nakładów) w efekty1. Metoda należy do grupy metod granicznych, nieparametrycznych.

Obecnie stosowana jest jako narzędzie wielokryterialnej analizy decyzyjnej (ang. Multi

-Criteria Decision-Making, MCDM)2.

Pierwsze wzmianki w literaturze na temat metody DEA pojawiły się w 1978 roku,

kiedy jej twórcy, A. Charnes, W.W. Cooper i A. Rhodes, przedstawili w artykule źródłowym

założenia pierwszego modelu. Ogólna koncepcja zrodziła się w Stanach Zjednoczonych

w trakcie badań prowadzonych w sektorze publicznym, których celem było dostarczenie

narzędzia umożliwiającego ocenę efektywności programów edukacyjnych3. Bazując

na koncepcji produktywności, zdefiniowanej przez M.J. Farrella (1951) i G. Debreu (1957)

jako relacji pojedynczego wyniku i pojedynczego nakładu4, autorzy odnieśli tę metodę

do sytuacji wielowymiarowej. Dla jednostek charakteryzujących się wielością nakładów

i efektów, produktywność została zdefiniowana jako iloraz ważonej sumy efektów

do ważonej sumy nakładów zgodnie ze wzorem (5.1).

1

1

s

rj rj

rj m

ij ij

i

v y

P

u x

(5.1)

gdzie:

Pj – wskaźnik produktywności obiektu DMUj

– nakład i-ty obiektu DMUj (wejście)

– waga przypisana nakładowi

– efekt r-ty obiektu DMUj (wyjście)

– waga przypisana efektowi

– liczba efektów

– liczba nakładów

– liczba DMU

1 W.W. Cooper, L.M. Seiford, J. Zhu, dz. cyt., s. 8.

2 R. Ramanathan, dz. cyt., s. 109-110; T.J. Stewart, Relationships between Data Envelopment Analysis

and Multicriteria Decision Analysis, “Journal of the Operational Research Society” 1996, t. 47, nr 5, s. 654-665. 3 A. Charnes, W.W. Cooper, A.Y. Lewin, L.M. Seiford, Data Envelopment Analysis: theory, methodology,

and application, Kluwer Academic Publishers, Boston, Dordrecht, London 1996, s. 3-4. 4 M.J. Farrell, The measurement of productive efficiency, “Journal of the Royal Statistical Society”, Series A,

Part III, t. 120, nr 3, 1957, s. 253-290, http://www.lib.ctgu.edu.cn:8080/wxcd/qw/285.pdf [19.05.2013].

146

Tak zagregowane względne wskaźniki produktywności wyznacza się dla grupy

obiektów. Uwzględnia się skończoną ich liczbę n i zakłada, że produkują s efektów przy

wykorzystaniu m nakładów. Zakłada się, że nakłady xij i efekty yrj są nieujemne i dla każdego

obiektu przynajmniej jeden nakład i jeden efekt jest liczbą dodatnią. Czynnik opisujący efekt

jest tak zdefiniowany, że jego wzrost jest pożądany z punktu widzenia celu działania obiektu,

natomiast wzrost nakładów przy ustalonym poziomie efektów oceniany jest niekorzystnie5.

Miarą końcową jest relacja produktywności danego obiektu do maksymalnej produktywności,

jaką może osiągnąć w określonych warunkach technologicznych. Otrzymany współczynnik

przyjmuje wartość z przedziału ⟨ ⟩.

Metoda DEA ma charakter deterministyczny. Każdy obiekt j ma zdefiniowaną własną

technologię empiryczną T, tj. niezerowy wektor kolumnowy nakładów i efektów6.

[ ] (5.2)

gdzie:

– technologia obiektu j

Zbiór technologii empirycznych badanego zbioru obiektów wyznacza przestrzeń

produkcyjną, to znaczy zbiór dopuszczalnych kombinacji nakładów i efektów7. Istotą metody

DEA jest dążenie się do znalezienia technologii optymalnych *

jT , wyznaczających optymalne

sposoby przekształcania nakładów w efekty. Metoda opiera się na koncepcji analizy

granicznej (ang. best practice frontier). Zakłada się, że wszystkie obiekty powinny być zdolne

do działania na założonym, granicznym poziomie produktywności, określonym przez

jednostki produktywne. Jednostki, osiągające niższy poziom produktywności od granicznego,

działają nieproduktywnie (bądź nieefektywnie)8, (rysunek 5.1). Zakres poprawy

ich produktywności wyznaczany jest przez odniesienie ich wyników do wyników jednostek

produktywnych9. Dodatkowym uproszczeniem jest założenie o braku składnika losowego.

Ponieważ krzywa produktywności jest estymowana na podstawie danych empirycznych

o wielkościach nakładów i efektów, pozwala to określić realne możliwości (potencjał)

obiektów10

.

5 A. Charnes, W.W. Cooper, A.Y. Lewin, L.M. Seiford, dz. cyt., s. 24-25.

6 B. Guzik, Podstawowe modele DEA w badaniu efektywności gospodarczej i społecznej, Wydawnictwo

Uniwersytetu Ekonomicznego, Poznań 2009, s. 20. 7 Tamże, s. 38.

8 W.W. Cooper, L.M. Seiford, K. Tone, Data Envelopment Analysis. A comprehensive text with models, applications,

references and DEA-solver software, Kluwer Academic Publishers, Boston, Dordrecht, London 2007, s. 5. 9 C.A. Knox Lovell, dz. cyt., s. 1-12.

10 W.W. Cooper, L.M. Seiford, K. Tone, dz. cyt, s. 2.

147

Wyróżniającą cechą metody DEA jest to, że jej zastosowanie nie wymaga uprzedniej

znajomości wag, a ich wartości ustala się oddzielnie dla każdej jednostki przez rozwiązanie

zagadnienia programowania liniowego, w którym zdefiniowana wzorem (5.1) relacja

efekty/nakłady jest maksymalizowana przy zadanych ograniczeniach. Zadanie formułowane

jest n razy. Umożliwia to wyznaczenie maksymalnej wartości pomiaru dla każdej jednostki,

ale w odniesieniu do innych jednostek w analizowanej populacji i porównaniu jej z graniczną

wartością ekstremalną11

. W ten sposób zostają wyeksponowane silne strony każdej jednostki.

Ponadto pozwala to ustalić tak zwane „martwe” zasoby, które nie wpływają w istotnym

stopniu na osiągane wyniki danej jednostki.

Rysunek 5.1. Graficzna ilustracja koncepcji metody DEA

Źródło: opracowanie własne na podstawie J. Zhu, Quantitative models for performance evaluation

and benchmarking: Data Envelopment Analysis with spreadsheets and DEA Excel solver, Kluwer Academic

Publishers, Boston 2003, s. 8-11.

Graficzną prezentacją rezultatów metody DEA jest częściowo liniowa funkcja, łącząca

jednostki produktywne (rysunek 5.1). Obiekty leżące na linii CRS lub VRS wyznaczają zbiór

technologii optymalnych (krzywa produktywności), osiągając tym samym współczynnik

produktywności równy 1. Oznacza to, że dla tych obiektów, nie jest możliwe zmniejszenie

wartości jednego nakładu dla poprawy produktywności, bez zwiększania pozostałych

lub zwiększenie wartości jednego efektu, bez pogorszenia pozostałych12

. W wypadku

obiektów leżących poniżej krawędzi zbioru możliwości, współczynnik produktywności

przyjmuje wartość z przedziału ⟨ ).

11

E. Thanassoulis, Introduction to the theory and application of Data Envelopment Analysis, Kluwer Academic

Publishers, Norwell 2003. 12

W.W. Cooper, L.M. Seiford, J. Zhu, dz. cyt., s. 3.

C4

C3

E

D

B

C

A

nakłady

efekty

VRS

CRS

C2 C1

148

Granica produktywności wyznaczana jest w zależności od przyjętych efektów skali

(ang. Constant Returns to Scale – CRS, Variable Constant to Scale – VRS). Dla stałych

efektów skali krzywą produktywności CRS wyznacza jednostka B, a przy założeniu zmiennych

efektów skali VRS granica produktywności wyznaczona jest przez jednostki A, B oraz E.

Wyznaczenie jednostek o najwyższym wskaźniku produktywności pozwala określić

nie tylko poziom produktywności, ale również strukturę technologii optymalnych. Dzięki

temu możliwa jest ocena, jakie nadwyżki nakładów lub niedobory efektów w stosunku

do wielkości optymalnych wykazują obiekty nieproduktywne. Obiekty znajdujące się poniżej

krzywej produktywności są skalowane do najbliższych jednostek położonych na krzywej.

Na tej podstawie możliwa jest identyfikacja technologii docelowych, czyli programów

poprawy, zaleceń dla obiektów nieproduktywnych13

. W wypadku obiektu C (rysunek 5.1),

w zależności od przyjętego wariantu orientacji modelu, możliwe jest wskazanie potencjału

zmniejszenia nakładów do poziomów C1 lub C2 dla osiągnięcia efektów na poziomie C, bądź

też zwiększenia efektów do poziomu C3 lub C4 przy nakładach na poziomie C. Przyjmuje się,

że obiekty leżące poniżej krzywej produktywności są zdominowane przez obiekty leżące

na krzywej, stąd istotny jest prawidłowy dobór obiektów.

Zastosowanie metody DEA pozwala także określić kluczowe (priorytetowe), dla danej

jednostki, grupy bądź danego sektora, czynniki mające wpływ na osiąganie określonych

wyników oraz dokonywanie symulacji wprowadzenia potencjalnych zmian. Stąd metoda

DEA służy nie tylko do pomiaru i oceny produktywności, ale może stanowić także kluczowe

narzędzie wspomagające podejmowanie decyzji. Użyteczność metody DEA zależy jednak

od prawidłowego przebiegu procesu badawczego.

W procesie analizy produktywności za pomocą metody DEA wyróżnia się pięć

etapów (rysunek 5.2). Negatywny wynik walidacji uzyskanych wyników poszczególnych

etapów, wymaga modyfikacji założeń dokonanych na poprzednich poziomach.

Pierwszą fazą jest określenie skończonego zbioru badanych jednostek decyzyjnych.

Podstawowym założeniem metody DEA jest homogeniczność grupy obiektów poddanych

analizie względem czynników charakteryzujących działalność poszczególnych jednostek

(nakłady i efekty), z wyjątkiem różnic w rozmiarze i intensywności ich zastosowania.

Jednostki powinny operować w tych samych warunkach rynkowych i dążyć do tego samego

celu14

. Pomiar produktywności dokonywany jest bez uśredniania danych, co umożliwia

wykrycie wielkości ekstremalnych.

13

B. Guzik, dz. cyt., s. 58-59. 14

R. Ramanathan, dz. cyt., s. 173.

149

Rysunek 5.2. Etapy pomiaru produktywności metodą DEA

Źródło: opracowanie własne na podstawie: M. Gospodarowicz, Procedury analizy i oceny banków, „Materiały

i Studia” 2000, nr 103, Narodowy Bank Polski, s. 48; R. Ramanathan, An introduction to data envelopment analysis.

A tool for performance measurement, Sage Publications, New Delhi, Thousand Oaks, London 2003, s. 173-177.

W literaturze są prezentowane różne metody rozstrzygające problem niejednorodności

obiektów. Można je podzielić na trzy podejścia. Z jednej strony badacze sugerują badania

jednorodności zbioru obiektów i wykluczenie obiektów niejednorodnych15

. Sugerowane są

procedury oparte na wstępnej analizie rozkładu statystycznego zbiorów danych, badaniu

obiektów skrajnych, analizie skupień oraz analizie wyników. Metody te wymagają jednak

dużego zbioru DMU.

Drugie podejście uwzględnia procedury korygowania niejednorodności. D.A. Haas

i F.H. Murphy zidentyfikowali kilka metod z tego zakresu16

:

1. Porównywanie wyników uzyskanych metodą DEA z wynikami analizy regresji w celu

potwierdzenia trafności wyników.

2. Zastosowanie analizy regresji do skorygowania zmiennych. Początkowo dokonuje się

obliczeń metodą DEA stosując surowe dane i na tej podstawie przeprowadza się analizę

regresji wieloczynnikowej. Zmienne koryguje się przez pomnożenie ich wartości przez

stosunek wskaźnika produktywności DEA do wartości oczekiwanej. Następnie ponownie

wyznacza się wskaźniki produktywności metodą DEA na podstawie danych skorygowanych.

3. Estymacja wejść i wyjść za pomocą analizy regresji. Wskaźnik produktywności DEA jest

następnie wyznaczany na podstawie różnic lub ilorazu między aktualnymi i szacowanymi

wartościami wejść i wyjść.

15

J. Sarkis, Preparing your data for DEA, [w:] Modeling data irregularities and structural complexities in Data

Envelopment Analysis, J. Zhu, W.D. Cook (red.), Springer, New York 2007, s. 306. 16

D.A. Haas, F.H. Murphy, Compensating for non-homogeneity in decision-making units in data envelopment

analysis, “European Journal of Operational Research” 2003, t. 144, s. 530-544.

Zdefiniowanie i wybór jednostek decyzyjnych

Określenie czynników analizy

Wybór i konfiguracja modelu

Weryfikacja modelu

Interpretacja wyników

150

W trzecim podejściu postuluje się klasyfikację jednostek DMU w mniejsze jednorodne

grupy względem ustalonych kryteriów (przykładowo położenie geograficzne lub wielkość)17

lub z wykorzystaniem metod statystycznych (przykładowo metodą Warda)18

.

Przyjęta metodyka wyboru grupy badanych jednostek ma bezpośredni wpływ

na uzyskiwane rezultaty, gdyż wynik DMU jest zależny od pozostałych obiektów w grupie.

Z jednej strony powinna zatem uwzględniać organizacyjne, fizyczne i regionalne różnice

między jednostkami, a z drugiej dbać o zwartość danych wykluczając wartości skrajne.

Istotnym elementem analizy na tym etapie jest również dobór odpowiedniej liczby

badanych jednostek. Liczebność grupy nie powinna być zbyt mała, gdyż grozi

to niedokładnościami w uzyskiwanych rezultatach, prowadząc do mylnej identyfikacji

jednostek produktywnych. Zbyt duża liczba jednostek decyzyjnych przyczynia się natomiast

do zachwiania jednorodności grupy19

. Duża liczba jednostek umożliwia jednak lepszą

identyfikację relacji między nakładami a efektami przy wyborze czynników analizy, a także

uwzględnienie większej liczby czynników20

. Dodatkowo zwiększa siłę różnicowania jednostek

produktywnych i nieefektywnych. Zakłada się, że wielkość próby powinna być co najmniej

2 lub 3 razy większa niż suma liczby wejść i wyjść21

lub iloczyn liczby wejść i liczby wyjść22

.

Kolejnym aspektem w procedurze aplikacji metody DEA jest wybór wejść (nakładów)

i wyjść (efektów) modelu. Faza ta obejmuje wyszukiwanie i zestawienie czynników, które

istotnie określają produktywności jednostek decyzyjnych. Wybór analizowanych czynników

ma znaczący (krytyczny) wpływ na wyniki, jednak nie ma formalnych reguł, które

jednoznacznie określałyby, co powinno stanowić wejścia i wyjścia w modelach DEA.

Ich dobór zależy od specyfiki badanych jednostek decyzyjnych i w zasadzie jest procesem

opartym na intuicji, doświadczeniu i subiektywnych odczuciach badacza. Wstępnie

zdefiniowany, na podstawie przesłanek merytorycznych, zbiór wejść i wyjść powinien,

zdaniem autorki, uwzględniać następujące przesłanki23

:

bezpośredni związek z celem badawczym;

aspekty jakościowe zmiennych;

właściwości statystyczne zbioru zmiennych.

17

D.A. Haas, F.H. Murphy, dz. cyt., s. 530-544. 18

J. Sarkis, dz. cyt., s. 306. 19

N.K. Avkiran, Investigating technical and scale efficiencies of Australian universities through data envelopment

analysis, “Socio-Economic Planning Sciences” 2001, t. 35, s. 68. 20

R. Ramanathan, dz. cyt., s. 173. 21

T.J. Stewart, dz. cyt., s. 655; J. Sarkis, dz. cyt., s. 307. 22

N.K. Avkiran, dz. cyt., s. 68. 23

R. Ramanathan, dz. cyt., s. 174; E. Thanassoulis, dz. cyt., s. 89.

151

Na bazie zbioru zidentyfikowanych czynników produktywności jest budowana

technologia produkcji, stanowiąca zależność między nakładami oraz efektami jako punkt

odniesienia późniejszej analizy. Bardzo ważna w tej fazie jest możliwość uwzględnienia

czynników środowiskowych wynikających z otoczenia jednostki decyzyjnej. Są to zmienne

poza kontrolą decyzyjną jednostki, lecz mające wpływ produktywność jednostek.

W zależności od badanych obiektów czynnikiem środowiskowym może być na przykład

rodzaj własności jednostki (prywatna czy publiczna), jej położenie (w wypadku analiz spółek

dystrybucyjnych energii elektrycznej bardzo istotna jest gęstość zaludnienia24

) czy regulacje

rządowe i przepisy25

. Często czynniki egzogeniczne dla jednej organizacji są czynnikami

endogenicznymi i kontrolowanymi dla innej. Określenie tego typu czynników zależne jest

zatem od konkretnego zadania badawczego. Możliwość wyodrębnienia zmiennych

środowiskowych stanowi poważną wartość metody DEA. Istnieją co najmniej dwa sposoby

uwzględnienia zmiennych kontrolowanych w analizie26

:

przez wprowadzenie dodatkowego ograniczenia do modelu;

przez uwzględnienie zmiennych kontrolowanych, a następnie badanie wpływu

zmiennych niekontrolowanych analizą regresji.

Drugi wariant jest częściej stosowany przez badaczy.

Kolejnym etapem jest wybór i konfiguracja modelu DEA. Rozwiązanie

poszczególnych zadań badawczych wymaga doboru odpowiedniego modelu dla konkretnego

zastosowania DEA. Schemat wyboru modelu dla poszczególnych zadań optymalizacji bazuje

przede wszystkim na orientacji oraz założeniach dotyczących efektów skali. Przyjmuje się,

że DMU, których celem jest przede wszystkim minimalizacja kosztów lub mają nałożone

ograniczenia co do wielkości osiąganych efektów, powinny być analizowane za pomocą

modelu zorientowanego na nakłady (ang. input orientation, input minimization, contraction).

Natomiast obiekty maksymalizujące efekty swojej działalności lub dysponują stałymi, trudno

modyfikowalnymi nakładami, za pomocą modelu zorientowanego na efekty (ang. output

orientation, output maximization, expansion). W przypadku braku decyzji co do klasyfikacji,

stosuje się modele niezorientowane, będące jednak trudniejsze w interpretacji27

.

24

J. Nazarko, J. Chrabołowska, Benchmarking w ocenie efektywności krajowych spółek dystrybucyjnych energii

elektrycznej, Prace Naukowe Akademii Ekonomicznej we Wrocławiu, „Taksonomia” 2005, nr 12, s. 38-47. 25

T. Coelli, D.S.P. Rao, G.E. Battese, dz. cyt., s. 166. 26

R. Ramanathan, dz. cyt. , s. 102-103. 27

P. Tyagi, S.P. Yadav, S.P. Singh, Relative performance of academic departments using DEA with sensitivity

analysis, “Evaluation and Program Planning” 2009, t. 32, s. 170-171; W.W. Cooper, L.M. Seiford, J. Zhu,

dz. cyt., s. 16-17.

152

Różnicowanie między zmiennymi bądź stałymi efektami skali zależy od tego,

czy czynniki te zostaną ujęte w analizie. Wiąże się to z tym, w jakim stopniu jednostka

decyzyjna może sama wpływać na swoją wielkość.

Rozwój metody DEA od 1978 roku, zarówno w obszarze badań teoretycznych,

jak i zastosowań empirycznych, wniósł modyfikacje i rozszerzenia modeli DEA związane

z lepszym dopasowaniem do danego problemu badawczego28

. Modyfikacje te uwzględniają

dodatkowe czynniki mające wpływ na produktywność i są dzięki temu w stanie zapewnić

większą dokładność pomiaru. Rozwój metody odbywał się w czterech obszarach:

wprowadzanie nowych interpretacji, rozszerzenia modeli, wprowadzanie alternatywnych form

funkcji i wprowadzanie informacji dodatkowych29

. Wszystkie modyfikacje i rozszerzenia

modeli DEA mają na celu najpełniejsze zobrazowanie procesów transformacyjnych jednostek

decyzyjnych oraz dostosowanie do specyfiki działania DMU*.

Kolejnym etapem procedury DEA jest formalno-statystyczna i merytoryczna

weryfikacja modelu. Jedną ze słabych stron modeli DEA wskazywanych w literaturze jest ich

wrażliwość na błędy pomiaru (obserwacji) zmiennych. Badano, jak na wrażliwość i stabilność

metody wpływa liczba jednostek decyzyjnych, liczba wejść i wyjść w modelu, wybór modelu,

zmiana danych lub zmiennych, lub obecność składnika losowego przy różnego rodzaju

pomiarach. Obecność zakłóceń w danych będących podstawą analizy produktywności może

zniekształcać klasyfikację ocenianych obiektów i prowadzić do błędnej oceny

ich efektywności działania30

. Stąd każdą aplikację modelu DEA do oszacowania

produktywności jednostek powinna poprzedzać analiza jego wrażliwości i stabilności.

Po przeprowadzeniu analizy, rezultaty poddaje się interpretacji bazującej na wiedzy

o czynnikach uwzględnionych przy obliczeniach. Intencją stosowania metody DEA jest

przede wszystkim identyfikacja DMU, które są nieproduktywne i ustalenie źródeł ewentualnej

nieefektywności. Choć modele DEA z formalnego punktu widzenia są zadaniami

decyzyjnymi, a metodyka DEA jest stosowana do badań operacyjnych, główny cel metody

jest opisowo-statystyczny, tzn. dąży się do ustalenia charakterystyki obiektów31

. Przy czym

28

A. Emrouznejad, B.R. Parker, G. Tavares, Evaluation of research in efficiency and productivity: A survey

and analysis of the first 30 years of scholarly literature in DEA, “Socio-Economic Planning Sciences” 2008, t. 42,

s. 151-157; C.T. Kuah, K.Y. Wong, F. Behrouzi, A Review on Data Envelopment Analysis (DEA), [w:] Fourth

Asia International Conference on Mathematical/Analytical Modelling and Computer Simulation AMS2010,

D. Al-Dabass i in. (red.), IEEE 2010, s. 168-173. 29

J.S. Liu, L.Y.Y. Lu, W.-M. Lu, B.J.Y. Lin, Data envelopment analysis 1978-2010: A citation-based literature

survey, “Omega” 2013, t. 41, s. 13.

* Więcej informacji o modelach DEA zawarto w rozdziale 5.2. 30

J. Nazarko, J. Urban, Sensitivity to measurements errors of DEA models, Annales Universitatis Mariae Curie-

Skłodowska. Sectio AI. Informatica, Lublin 2007, s. 101-106. 31

B. Guzik, Efektywność w standardowym modelu CCR-DEA przy zmianach rozmiaru zadania, „Wiadomości

Statystyczne” 2009, nr 11(582), s. 19.

153

ma ona charakter bardziej opisowy niż normatywny. Oszacowane metodą DEA współczynniki

produktywności pozwalają generować rankingi jednostek oraz dokonywać ich klasyfikacji32

,

podają informację na temat pozycji danej jednostki w odniesieniu do innych, służą porównaniu

jej działalności z pracą podobnych organizacji czy przedsiębiorstw, pozwalają dostrzec

możliwości usprawnień, lecz są też odpowiednią podstawą do dalszych studiów.

Przykłady licznych zastosowań metody DEA potwierdzają jej użyteczność w zakresie

badania produktywności jednostek zarówno w sektorze publicznym i niepublicznym. Główną

zaletą na tle innych metod jest możliwość dopasowania modeli, z dużą elastycznością,

do posiadanych danych. Popularność tej metody wynika także z następujących własności:

możliwość analizowania działalności jednostek gospodarczych charakteryzujących się

wielością nakładów i wyników;

brak konieczności dokładnej specyfikacji zależności funkcyjnej między poszczególnymi

nakładami i efektami, dzięki czemu pomija się etap sprawdzenia i udowodnienia

przydatności poszczególnych typów funkcji dla badanego problemu;

uwzględnienie dodatkowych zmiennych (jakościowych bądź niekontrolowanych)

pozwala na pełniejszą analizę, podnosi także poziom neutralności i obiektywności;

łatwość zastosowania tej metody w przypadku jednostek, których nie można

scharakteryzować przez miary efektywności oparte o współczynniki finansowe, czynniki

analizy mogą być wyrażone w różnych jednostkach miary;

empiryczny charakter metody;

identyfikacja najlepszych praktyk i określenie nadwyżek zasobów jednostek słabszych.

Słabymi stronami metody, wskazywanymi w literaturze, są:

duża wrażliwość wyników w wypadku nietypowych danych w obiektach produktywnych33

;

niestabilność wyników w wypadku silnego skorelowania zmiennych34

;

duża wrażliwość wyników na błędne lub nieprecyzyjne dane35

;

duża wrażliwość wyników na dobór zmiennych opisujących nakłady i efekty36

;

przyjęcie założenia, że odchylenia od krzywej granicznej interpretuje się jako skutek braku

efektywności, podczas gdy mogą one być wywołane np. składnikami losowymi bądź

zmiennymi ukrytymi (pod tym pojęciem rozumie się szum statystyczny i błędy pomiaru)37

.

32

N. Adler, L. Friedman, Z. Sinuany-Stern, Review of ranking methods in the data envelopment analysis context,

”European Journal of Operational Research” 2002, t. 140, s. 249-265; F. Hosseinzadeh Lotfi i in., A review

of ranking models in Data Envelopment Analysis, ”Journal of Applied Mathematics” 2013, t. 2013, s. 1-20. 33

B. Guzik, Podstawowe modele DEA…, s. 30. 34

Tamże. 35

L.M. Seiford, J. Zhu, Sensitivity and stability of the classifications of returns to scale in Data Envelopment

Analysis, “Journal of Productivity Analysis” 1999, t. 12, s. 55-75. 36

L.M. Seiford, J. Zhu, dz. cyt., s. 55-75.

154

Przykłady licznych publikacji i zastosowań metody DEA potwierdzają jej użyteczność

w zakresie badania produktywności jednostek w sektorze publicznym i niepublicznym.

Do połowy lat dziewięćdziesiątych XX wieku odnotowywano stopniowy rozwój zarówno

w obszarze badań teoretycznych, jak i zastosowań empirycznych. Intensyfikacja prac

badawczych z wykorzystaniem metody DEA nastąpiła po 1995 roku, a szczególnie

dynamiczny rozwój obserwuje się od 2009 roku (rysunek 5.3).

Rysunek 5.3. Liczba publikacji w tematyce metody DEA w latach 1978-2014 (stan 13.06.2014)

Źródło: opracowanie własne na podstawie danych bazy Scopus.

Według danych bazy bibliograficznej Scopus, dotychczas opublikowano ponad 8500

artykułów naukowych o zasięgu międzynarodowym na temat metody DEA, napisanych

przez ponad 3500 autorów, pochodzących z prawie 120 krajów. Ponad 80% tych publikacji

to artykuły zamieszczone w czasopismach, z czego blisko 35% ukazało się w: ”European

Journal of Operational Research”, ”Journal of the Operational Research Society”, ”Journal

of Productivity Analysis”, ”Expert Systems with Applications”, ”Omega”, ”Annals of Operations

Research”, ”Applied Economics” oraz ”Socio Economic Planning Sciences”. W ciągu

trzydziestu lat największy wkład w rozwój metody DEA wnieśli: W.W. Cooper, R.D. Banker,

A. Charnes, L.M. Seiford, W.D. Cook, J.K. Sengupta, W. Sueyoshi, J. Zhu, E. Thanassoulis,

C.A.K. Lovell, S. Grosskopf oraz R. Färe. Największą aktywność w zakresie prac

nad rozwojem i zastosowaniem metody DEA obecnie przejawiają uczeni z USA, krajów Azji

Wschodniej, krajów Bliskiego Wschodu, Wielkiej Brytanii, Hiszpanii, Kanady i Australii.

Metodę DEA stosowano w niemal wszystkich sektorach gospodarki. Badano jednostki

w sektorach: administracji, budownictwa, edukacji, energii, finansów, górnictwa, metalurgii,

obrony, rolnictwa, rybołówstwa, środowiska, ochrony zdrowia, transportu i logistyki,

37

N.C. Avkiran, T. Rowlands, How to better identify the true managerial performance: state of the art using

DEA, “Omega” 2008, t. 36, s. 318.

0

100

200

300

400

500

600

700

800

900

1000

1100

197

81

97

91

98

01

98

11

98

21

98

31

98

41

98

51

98

61

98

71

98

81

98

91

99

01

99

11

99

21

99

31

99

41

99

51

99

61

99

71

99

81

99

92

00

02

00

12

00

22

00

32

00

42

00

52

00

62

00

72

00

82

00

92

01

02

01

12

01

22

01

32

01

4

[Lic

zba p

ub

lik

acj

i]

[Lata]

155

ubezpieczeń, telekomunikacji i innych. Analizowano zagadnienia z sektora przemysłu, handlu

i usług na poziomie jednostki, organizacyjnym, systemowym, regionalnym, krajowym

i międzynarodowym. Systematycznie prowadzone są obserwacje na temat obszarów zastosowań,

kierunków rozwoju modeli, między innymi na stronie internetowej A. Emrouznejada o nazwie

DEA Zone38

, a także publikacjach przeglądowych o międzynarodowym zasięgu39

.

Wiele prac dotyczących zastosowań metody DEA miało formę projektów

pilotażowych lub jednorazowych badań odnoszących się do teoretycznych rozszerzeń

metodologii. Tylko w niektórych wypadkach były czynione próby, aby stworzyć stabilny

system ocen osiągnięć oparty na metodzie DEA.

Liczne zastosowania metody DEA prezentowane w literaturze polskiej potwierdzają

rosnące zainteresowanie tą metodą również w kraju. Najwcześniejsze publikacje, odnotowane

przez autorkę, pojawiły się w l996 roku i dotyczyły analiz w sektorze bankowym.

Jest to obecnie najbardziej popularny obszar zastosowań metody DEA w Polsce. Równie licznie

reprezentowany jest sektor rolny, a ostatnio również energetyczny i edukacji, szczególnie

w zakresie badań efektywności działalności szkół wyższych, szkół podstawowych

i gimnazjalnych w zakresie kształcenia i zarządzania. Inne zastosowania dotyczą sektora

ochrony zdrowia, rynku inwestycyjnego, budownictwa, efektywności gospodarowania gmin

i województw, sektora bezpieczeństwa i transportu*. Należy zauważyć, że właściwie wszystkie

prace dotyczą zastosowania metody DEA do analizy efektywności. Nie zidentyfikowano prac

odnoszących się do problematyki produktywności poza odniesieniem do działalności

produkcyjnej.

38

Ali Emrouznejad’s Data Envelopment Analysis, www.deazone.com/en/resources/bibliography. 39

H.W. Lampe, D. Hilgers, Trajectories of efficiency measurement: A bibliometric analysis of DEA and SFA,

“European Journal of Operational Research” 2015, t. 240, nr 1, s. 1-21; J.S. Liu, L.Y.Y. Lu, W.-M. Lu,

B.J.Y. Lin, dz. cyt., s. 3-15; J.S. Liu, L.Y.Y. Lu, W.-M. Lu, B.J.Y. Lin, A survey of DEA applications,

“Omega” 2013, t. 41, s. 893-902; C.T. Kuah, K.Y. Wong, F. Behrouzi, dz. cyt., s. 168-173; W.D. Cook,

L.M. Seiford, Data envelopment analysis (DEA) – Thirty years on, ”European Journal of Operational

Research” 2009, t. 192, s. 1-17; A. Emrouznejad, B.R. Parker, G. Tavares, dz. cyt., s. 151-157; M.G. Kocher,

M. Luptacik, M. Sutter, Measuring productivity of research in economics: A cross-country study using DEA,

“Socio-Economic Planning Sciences” 2006, t. 40, s. 314-332; S. Gattoufi, M. Oral, A. Reisman, A taxonomy

for data envelopment analysis, “Socio-Economic Planning Sciences“ 2004, t. 38, s. 141-158; S. Gattoufi,

M. Oral, A. Reisman, Data envelopment analysis literature: a bibliography update (1951-2001), “Socio-

Economic Planning Sciences” 2004, t. 38, s. 159-229; W.W. Cooper, L.M. Seiford, E. Thanassoulis,

S.H. Zanakis, DEA and its uses in different countries, ”European Journal of Operational Research” 2004,

t. 154, s. 337-344; G. Tavares, A Bibliography of Data Envelopment Analysis (1978-2001), Rutcor Research

Report, Rutgers University, Piscataway 2002, 186 s., http://rutcor.rutgers.edu/pub/rrr/reports2002/1_2002.pdf,

[12.02.2009]; L.M. Seiford, A bibliography for Data Envelopment Analysis (1978-1996), “Annals

of Operations Research” 1997, t. 73, s. 393-438.

* Publikacje na temat zastosowań metody DEA w Polsce, będące wynikiem studiów literaturowych autorki,

przedstawiono w aneksie, załącznik 7.

156

5.2. Przegląd modeli Data Envelopment Analysis

Ustalanie poziomu produktywności metodą DEA polega ogólnie na rozwiązaniu

dla każdego obiektu pewnego ściśle zdefiniowanego liniowego zadania decyzyjnego,

w którym dokonuje się wartościowania uzyskanych przez ten obiekt rezultatów

i wykorzystanych nakładów oraz oblicza wskaźnik względnej produktywności badanego

obiektu. Wyznaczenie wskaźnika produktywności sprowadza się do rozstrzygnięcia zadania

programowania ilorazowego na podstawie danych empirycznych, w którym licznik wyraża

sumę zysków dla danej decyzji, a mianownik wyraża sumę kosztów z niej wynikających40

.

Przy zadanych ograniczeniach dąży się do takiego rozwiązania, gdzie układ wag jest

dla danego obiektu najkorzystniejszy. Zadanie matematyczne ma postać41

:

0 0

0

0 0

1

,

1

max

s

rj rj

rj m

u v

ij ij

i

v y

P

u x

(5.3)

0 0

0 0

1

1

0 1

s

rj rj

r

m

ij ij

i

v y

u x

(5.4)

, 0rj ijv u (5.5)

gdzie: oznaczenia jak w równaniu (5.1).

Postać ilorazową sprowadza się do liniowej, w zależności od przyjętego modelu DEA.

Wybór modelu związany jest dopasowaniem do danego problemu badawczego.

W metodologii DEA dało to wyraz powstaniu szeregu modeli liniowych, które definiują

odpowiednie mierniki. Skonstruowano modele do pomiaru efektywności skali, do analizy

przekrojowo-czasowej (np. zmiany produktywności w czasie). W literaturze spotyka się także

problematykę stałych i zmiennych czynników produkcji związanych z analizą krótko-

i długookresową. Dodatkowo sformułowane zostały także modele hybrydowe, sieciowe,

hierarchiczne, stochastyczne oraz rozmyte42

. Rozwój modeli DEA wyodrębnianych

w literaturze przedstawiono w tabeli 5.1.

Podstawowym modelem DEA jest model CCR sformułowany przez A. Charnesa,

W.W. Coopera i A. Rhodesa. Pozostałe modele DEA stanowią modyfikacje modelu CCR.

40

Programowanie matematyczne. Zbiór zadań, S. Krawczyk (red.), Polskie Wydawnictwo Ekonomiczne,

Warszawa 1978, s. 81-89; Z. Jędrzejczyk, K. Kukuła, J. Skrzypek, A. Walkosz, Badania operacyjne

w przykładach i zadaniach, Państwowe Wydawnictwo Naukowe, Warszawa 2004, s. 86-87. 41

R. Ramanathan, dz. cyt., s. 45. 42

C.T. Kuah, K.Y. Wong, F. Behrouzi, dz. cyt., s. 168-173.

157

Tabela 5.1. Wybrane modele standardowe DEA

Skrót i nazwa modelu Autorzy

CCR (CRS)

constant returns to scale model dla stałych korzyści skali Charnes, Cooper, Rhodes (1978)

invariant multiplicative

models model multiplikatywny

Charnes, Cooper, Golany, Seiford,

Stutz (1982, 1983)

BCC (VRS)

variable return to scale

model dla zmiennych korzyści

skali Banker, Charnes, Cooper (1984)

additive model model addytywny Charnes, Cooper, Golany, Seiford,

Stutz (1985)

SBM slack-based model model oparty na luzach

Charnes, Cooper, Golany, Seiford,

Stutz (1985)

CEM cross-efficiency model model efektywności krzyżowej Sexton, Silman, Hogan (1986)

extended additive model model addytywny rozszerzony Charnes, Cooper, Golany, Seiford,

Stutz (1987)

SE-DEA

super-efficiency DEA model nadefektywności

Banker, Gilford (1988);

Andersen, Petersen (1993)

NR-DEA non-radial DEA model efektywności nieradialnej Thanassoulis, Dyson (1992);

Zhu (1996)

CEP

cross-efficiency profiling

model sprofilowanej

efektywności krzyżowej Doyle, Green (1994); Tofalis (1996)

ML-DEA

multi-level DEA

(dynamic DEA, hierarchic

DEA, network DEA)

wielopoziomowa DEA

Cook, Chai, Green, Doyle (1998);

Nemoto, Gato (1999)

T-DEA transconvex DEA model z transformacją nakładów

lub (i) efektów Post (1997)

HRS

hybrid return-to-scale

model z hybrydowymi

korzyściami skali Podinovski (2004)

FDEA

Fuzzy Data Envelopment

Analysis

modele rozmyte DEA Sengupta (1992)

FDH Free Disposal Hull odmiana metody DEA Tulkens (1993)

TFDEA Technology

Forecasting using DEA odmiana metody DEA

Anderson, Hollingsworth, Inman

(2001)

Źródło: opracowanie własne na podstawie: B. Guzik, Podstawowe modele DEA w badaniu efektywności

gospodarczej i społecznej, Wydawnictwo Uniwersytetu Ekonomicznego, Poznań 2009, s. 26-27.

Modele DEA klasyfikowane są według dwóch podstawowych kryteriów: ze względu

na orientację modelu oraz podejście do efektów skali (tabela 5.2). Oba podziały nakładają się

na siebie.

Tabela 5.2. Klasyfikacja modeli DEA według kryterium orientacji i efektów skali

Kryterium korzyści

skali

Kryterium orientacji

zorientowane

na nakłady (I)

zorientowane

na efekty (O) niezorientowane

stałe efekty skali

CRS CCR-I (CRS-I) CCR-O (CRS-O)

niezorientowany model

ze stałymi efektami skali

zmienne efekty skali

VRS BCC-I (VRS-I) BCC-O (VRS-O) model multiplikatywny

ze zmiennymi efektami skali

model addytywny

ze zmiennymi efektami skali

nierosnące efekty skali

NIRS NIRS-I NIRS-O

niemalejące efekty skali

NDRS NDRS-I NDRS-O

I- input (wejście), O – output (wyjście)


158

W modelach zorientowanych wartość wskaźnika produktywności pokazuje zmianę

w nakładach lub efektach, która sprawia, że dany obiekt staje się produktywny. Model jest

zorientowany na nakłady (wejścia), gdy zadaniem funkcji celu jest zminimalizowanie

zapotrzebowania na nakłady przy zachowaniu tej samej wielkości uzyskanych efektów.

Orientacja modelu na efekty (wyjścia) wskazuje, o ile należy zwiększyć wyniki danego

DMU, przy zachowaniu tej samej wielkości nakładów, aby był on produktywny. Przykładami

modelu bez orientacji są modele addytywny oraz multiplikatywny.

Kryterium efektów skali umożliwia natomiast wyodrębnienie modeli DEA

zakładających stałe korzyści skali (CRS – Constant Returns to Scale) i zmienne efekty skali

(VRS – Variable Returns to Scale). W grupie modeli o zmiennych efektach skali wyróżnia się

modele przyjmujące założenie o następujących efektach skali: malejących (DRS – Decreasing

Returns to Scale), nierosnących (NIRS – Non-Increasing Returns to Scale), rosnących (IRS

– Increasing Returns to Scale) lub niemalejących (NDRS – Non-Decreasing Returns to Scale).

W modelu CCR zakłada się stałe korzyści skali. Odnosząc się do wzoru (5.3),

formułuje się właściwe funkcje celu odpowiednie dla przyjętej orientacji i odpowiadające im

warunki ograniczające. Zlinearyzowana, w wyniku transformacji Charnesa-Coopera43

,

pierwotna postać modelu CCR z orientacją na nakłady (CCR-I) wyraża się wzorem44

:

0 0 0

1

minm

j ij ij

i

z u x

(5.6)

przy założeniach:

0 0

0 0

0

0

1

0

1 1

1

0, 1,..., ,...,

, 1,...,

, 1,...,

s

rj rj

j

s m

rj rj ij ij

r i

rj

ij

v y

v y u x j j n

v r s

u i m

gdzie:

0jz – funkcja celu programowania liniowego dla modelu zorientowanego na nakłady

pozostałe oznaczenia jak w równaniu (5.1).

Istotą modelu CCR jest ustalenie, czy w zbiorze technologii dopuszczalnych,

technologia obiektu j0 jest technologią optymalną. Poszczególne założenia modelu

wyznaczane są przez odniesienie się do technologii pozostałych DMU w grupie. W wyniku

realizacji modelu w postaci pierwotnej uzyskuje się ranking obiektów produktywnych

43

W.W. Cooper, L.M. Seiford, J. Zhu, dz. cyt., s. 9-10. 44


159

i nieproduktywnych oraz wagi u oraz v wyrażające jednostkową wycenę nakładów

i rezultatów, tak zwane mnożniki45

.

Problemowi programowania liniowego odpowiada problem dualny. Przejście

do problemu dualnego ułatwia obliczenia oraz zwiększa możliwości interpretacyjne metody

DEA. Wersja dualna modelu CCR-I przyjmuje postać46

:

0

0

1max j

j

(5.7)

przy założeniach:

0

0 0

1

1

, 1, 2,...,

, 1, 2,...,

0, 1,2,...,

n

j ij ij

j

n

j rj j rj

j

j

x x i m

y y r s

j n

gdzie:

j – wektor współczynników,

0j – współczynnik produktywności

W równaniu dualnym, w odróżnieniu od modelu pierwotnego, poszczególne założenia

uwarunkowane są przez zmienne wejścia i wyjścia modelu. Zmienia się za tym interpretacja

wyników. Model dualny pozwala wyznaczyć tak zwane wagi intensywności 1,..., j , służące

do określenia optymalnej technologii obiektu 0

*

j47

. Pozwala to zidentyfikować benchmarki

oraz technologie optymalne obiektów nieproduktywnych.

W literaturze przedmiotu częściej wyróżnia się modele dualne jako pierwotne48

,

co doprowadziło do zakłócenia terminologii. Z matematycznego punktu widzenia model

dualny do modelu dualnego jest jego początkowym zagadnieniem pierwotnym.

Dla jednoznacznego rozróżnienia postaci modelu, stosuje się terminy multiplier model

dla modelu pierwotnego i envelopment model dla modelu dualnego49

.

Analogicznie do modelu zorientowanego na nakłady, sformułowano model

zorientowany na efekty CCR-O50

:

0 0 0

1

max ' 's

j rj rj

r

z v y

(5.8)

45

B. Guzik, Podstawowe modele DEA…, s. 55-56. 46

W.W. Cooper, L.M. Seiford, J. Zhu, dz. cyt., s. 10. 47

B. Guzik, Efektywność w standardowym modelu…, s. 19. 48




160

przy założeniach:

0 0

1

' 1m

ij ij

i

u x

0 0 0

1 1

' ' 0, 1,..., ,...,s m

rj rj ij ij

r i

v y u x j j n

0

0

' , 1,...,

' , 1,...,

rj

ij

v r s

u i m

gdzie:

0' jz – funkcja celu programowania liniowego dla modelu zorientowanego na efekty.

Oraz jego postać dualną:

0min j

(5.9)

przy założeniach:

0

0 0

1

1

, 1, 2,...,

, 1, 2,...,

0, 1,2,...,

n

j rj rj

j

n

j ij j ij

j

j

y y r s

x x i m

j n

gdzie:

j – wektor współczynników,

0j – współczynnik produktywności.

Rozwiązanie modelu CCR-I oraz CCR-O umożliwia przede wszystkim pomiar i ocenę

poziomu produktywności przez wyznaczenie wskaźników produktywności i ich odniesienie

do skali grupy obiektów. Rozwiązanie optymalne *

j uzyskuje się wówczas, gdy 0

* 1j

dla * *,v u , gdzie * 0v i * 0u 51

. Przypadek dla obiektów nieproduktywnych,

gdy 0

0 1j , oznacza, że optymalne nakłady lub efekty, jakie zaobserwowano w badanym

obiekcie, są odpowiednio nie większe lub nie mniejsze od rzeczywiście poniesionych

przez ten obiekt. Sygnalizuje to sytuację, w której w badanym obiekcie nastąpiło

nieefektywne gospodarowanie nakładami, a w rezultacie ich marnotrawstwo, wynikające

z porównania z obiektami produktywnymi, które w założeniu realizują lepiej procesy

transformacji nakładów w efekty. W zależności od przyjętej orientacji modelu, jednostki

nieproduktywne mogą osiągać dotychczasowe efekty przy niższych nakładach lub lepsze

rezultaty przy dotychczasowym poziomie nakładów. Przypadek, gdy 0

1j nie może zaistnieć,

gdyż oznaczałoby to sytuację, w której zadanie nie zostało zoptymalizowane względem 0j .

Wyjątek od tego przypadku stanowią modele nadefektywności (ang. super-efficiency).

51

W.W. Cooper, L.M. Seiford, K. Tone, Introduction to Data Envelopment Analysis and its uses. With DEA-

Solver software and references, Springer, New York 2006, s. 24.

161

Na podstawie wyznaczonych wskaźników j wyznaczany jest ranking obiektów

nieproduktywnych. Obiekty produktywne o wskaźniku 1j tworzą grupę obiektów

klasyfikowanych na miejscu pierwszym. Udział jednostek uznanych za produktywne w modelu

CCR często kształtuje się na poziomie 30-50%52

. W celu dokonania szczegółowego rangowania

obiektów produktywnych, stosuje się modele nadefektywności (ang. super-efficiency),

w których dokonuje się dodatkowego różnicowania jednostek uznanych za produktywne53

.

Dla rozwiązania tego zagadnienia, wprowadza się dodatkowe założenie, że własny współczynnik

obiektu produktywnego jest zerowy (0

0j ). Wówczas dopuszcza się, aby 1j .

W teorii metodologii DEA istotne znaczenie ma również wyjaśnienie

zagadnienia luzów (ang. slacks). W niektórych okolicznościach może nastąpić

niedoszacowanie obiektów leżących na granicy produktywności. Dzieje się tak w sytuacji,

gdy fragment krzywej produktywności wyznaczanej przez obiekty produktywne jest

równoległy do osi nakładów lub efektów (rysunek 5.4).

Rysunek 5.4. Zjawisko luzów w modelach DEA

Źródło: J. Zhu, Quantitative models for performance evaluation and benchmarking: data envelopment analysis

with spreadsheets and DEA Excel Solver, Kluwer Academic Publishers, Boston 2003, s. 6.

Obiekty A, B, C i D tworzą granicę produktywności. Jednostka C jest jednak tylko

pozornie produktywna i może zmniejszyć nakłady co najmniej do poziomu obiektu D

nie zmniejszając wyników. W celu eliminacji tego zjawiska, funkcję celu oraz ograniczenia

uzupełnia się o element luzów. W tym celu postać standardową modelu przekształca się

do postaci kanonicznej i wprowadza zmienne swobodne: s dla oznaczenia nadwyżki nakładów

oraz s dla oznaczenia niedoborów rezultatów empirycznej technologii obiektu j054

:

52


J. Zhu, dz. cyt., s. 198-215. 54

S.C. Ray, Data Envelopment Analysis. Theory and techniques for economics and operations research,

Cambridge University Press, New York 2004, s. 35-36.

efekty

nakłady

A B

C

D

E

F

162

CCR-I (5.9)

0

1 1

maxm s

j i r

i r

s s

przy założeniach:

0

0 0

1

1

, 1, 2,...,

, 1, 2,...,

0, 1,2,...,

0

n

j ij i ij

j

n

j rj r j rj

j

j

x s x i m

y s y r s

j n

gdzie:

infinitezymalna stała

CCR-O (5.10)

0

1 1

minm s

j i r

i r

s s

przy założeniach:

0

0 0

1

1

, 1, 2,...,

, 1, 2,...,

0, 1,2,...,

0

n

j rj i rj

j

n

j ij i j ij

j

j

y s y r s

x s x i m

j n

Po wyznaczeniu wskaźnika *

j , w wypadku identyfikacji luzów, wyznacza się wskaźnik

skorygowany wartości początkowej *

j , w którym dokonuje się

optymalizacji luzów55

.

W literaturze przedmiotu często podaje się wzory dualne modeli podstawowych jedynie

w postaci kanonicznej uwzględniające luzy56

.

Szczególną cechą metody DEA, oprócz identyfikacji źródeł nieproduktywności, jest

możliwość wyznaczenia formuł benchmarkingowych dla obiektów nieproduktywnych.

Formuła benchmarkigowa obiektu nieproduktywnego j0 opisywana jest przez optymalne

współczynniki j ,

gdzie 1,...,j n , które określają, jaką krotność technologii obiektu

wzorcowego j należy przyjąć konstruując technologię optymalną (docelową) obiektu j0.

Na podstawie technologii optymalnych można ocenić nadwyżki nakładów lub niedobory

efektów w stosunku do wielkości optymalnych. Pozwala to także ustalić strukturę technologii

docelowej, czyli udział poszczególnych obiektów wzorcowych w docelowych nakładach

i efektach57

. Ilustracją formuły benchmarkingowej jest graf benchmarkingowy58

.

Mimo, iż model CCR uwzględnia stałe efekty skali, na podstawie sumy optymalnych

współczynników j można także określić, czy dana jednostka działa w obszarze zmiennych

efektów skali oraz ustalić kierunek korzyści skali. Oceny efektów skali można też dokonać

na podstawie zmodyfikowanego modelu standardowego w postaci prymarnej lub modelu

55

B. Guzik, Podstawowe modele DEA…, s. 271-273. 56

J. Zhu, dz. cyt., s. 5-11; A. Charnes, W.W. Cooper, A.Y. Lewin, L.M. Seiford, dz. cyt., s. 23-41; W.W. Cooper,

L.M. Seiford, J. Zhu, dz. cyt., s. 13. 57


Tamże, s. 78-79.

163

addytywnego59

. W literaturze jednak wykorzystuje się głównie postać dualną, gdzie podstawą

wnioskowania jest wartość sumy współczynników j60

:

0

1

n

j j

j

L

(5.11)

gdzie:

0jL – suma optymalnych współczynników j

uzyskanych w zadaniu CCR

Parametr 0j

L określa typ korzyści skali:

jeśli 0

1jL , to dla obiektu j0 występują rosnące korzyści skali (IRS);

jeśli 0

1jL , to dla obiektu j0 występują malejące korzyści skali (DRS);

jeśli 0

1jL , to dla obiektu j0 występują stałe efekty skali (CRS).

Właściwości modelu CCR wskazują na możliwości zastosowania do określonego zadania.

Podsumowane przez B. Guzika główne obszary analityczne modelu CCR są następujące61

:

identyfikacja obiektów produktywnych i nieproduktywnych względem przyjętych

zmiennych;

określenie technologii optymalnych (docelowych) obiektów nieproduktywnych;

wyznaczenie rankingu obiektów na postawie poziomu wskaźnika produktywności;

zdefiniowanie formuł benchmarkingowych dla obiektów nieproduktywnych;

ustalenie nadwyżek nakładów i niedoborów rezultatów obiektów nieproduktywnych;

określenie struktury technologii docelowej;

wskazanie stopnia dopasowania technologii aktualnej do technologii docelowej;

rozpoznanie typu korzyści skali.

Podobne właściwości zachowują kolejne modyfikacje modeli DEA, w tym także

model BCC, będący pierwszym rozszerzeniem modelu CCR.

Model BCC traktowany jest w literaturze jako podstawowy model DEA

uwzględniający efekty skali. Sformułowany został przez R.D. Bankera, A. Charnesa,

W.W. Coopera w 1984 roku. W modelu tym wprowadzono dodatkowe równanie,

ograniczające wypukłość, w postaci 1

1n

j

j

, gdzie λ opisuje efekt skali (tabela 5.1).

Krzywa produktywności przyjmuje postać wypukłą (rysunek 5.1). Analogicznie, modele

NIRS oraz NDSR także wymagają wprowadzenia dodatkowego ograniczenia: odpowiednio

1

1n

j

j

oraz 1

1n

j

j

.

59

J. Zhu, Quantitative models for performance evaluation and benchmarking: Data Envelopment Analysis

with spreadsheets and DEA Excel Solver, Springer, New York 2003, s. 34, 40. 60

W.W. Cooper, L.M. Seiford, K. Tone, Introduction…, s. 138. 61

B. Guzik, Podstawowe modele DEA…, s. 65.

164

W modelu BCC, obiekt j0 jest produktywny jeżeli 0

1j oraz 0s i 0s 62

.

W zagadnieniu pierwotnym współczynniki 0

*

ju0j

u oraz 0

*' jv identyfikują typ efektów skali63

:

jeśli 0

* 0ju (lub

0

*' 0jv ), to dla obiektu j0 występują rosnące korzyści skali (IRS);

jeśli 0

* 0ju (lub

0

*' 0jv ), to dla obiektu j0 występują malejące korzyści skali (DRS);

jeśli 0

* 0ju (lub 0

*' 0jv ), to dla obiektu j0 występują stałe efekty skali (CRS).

Strefy efektów skali w zależności od przyjętego modelu przedstawiono na rysunku 5.4.

Rysunek 5.5. Obszary efektów skali

Źródło: opracowanie własne na podstawie: J. Zhu, Quantitative models for performance evaluation

and benchmarking: Data Envelopment Analysis with spreadsheets and DEA Excel solver, Kluwer Academic

Publishers, Boston 2003, s. 62-63.

Położenie punktu A wskazuje, iż jest to obiekt nieproduktywny. W modelu

zorientowanym na nakłady, technologię optymalną określa punkt A’, który działa w obrębie

rosnących efektów skali (IRS). W wypadku orientacji modelu na efekty, punkt A” wyznacza

technologię docelową w obszarze efektów skali malejących (DRS).

Należy jednak zaznaczyć, że przedstawione w tabeli 5.3 oraz we wzorze (5.11)

metody określania efektów skali są skuteczne w wypadku, gdy istnieje tylko jedno

rozwiązanie optymalne. W wypadku alternatywnych rozwiązań, obie metody mogą okazać się

niewłaściwe. Należy wówczas dokonać porównań modeli CRS, VRS, NIRS, DRS64

.

62

W.W. Cooper, L.M. Seiford, K. Tone, Introduction…, s. 92. 63


J. Zhu, Quantitative Models for Performance Evaluation and Benchmarking: Data Envelopment Analysis

with spreadsheets and DEA Excel solver, Kluwer Academic Publishers, Boston 2003, s. 65-66.

IRS

CRS

A”

nakłady

efekty

VRS

CRS

B’

B A’

DRS

IRS-I

CRS-O

IRS-I

DRS-O

CRS-I

DRS-O

A

165

Tabela 5.3. Funkcje celu modelu BCC dla zagadnienia pierwotnego i dualnego z orientacją na nakłady i efekty

BCC-I zagadnienie pierwotne (multiplier model) BCC-O zagadnienie pierwotne (multiplier model)

0 0 0 0

1

minm

j ij ij j

i

z u x u

(5.12)

(5.7)

przy założeniach:

0 0

0 0 0

0

0

1

0

1 1

1

0, 1,..., ,...,

, 1,...,

, 1,...,

s

rj rj

j

s m

rj rj ij ij j

r i

rj

ij

v y

v y u x u j j n

v r s

u i m

0 0 0 0

1

max ' ' 's

j rj rj j

r

z v y v

(5.13)

(5.6)

przy założeniach:

0 0

0 0 0

0

0

1

0

1 1

' 1

' ' ' 0, 1,..., ,...,

' , 1,...,

' , 1,...,

m

ij ij

i

s m

rj rj ij ij rj

r i

rj

ij

u x

v y u x v j j n

v r s

u i m

BCC-I zagadnienie dualne (envelopment model) BCC-O zagadnienie dualne (envelopment model)

0 0

1 1

maxm s

j j i r

i r

z s s

(5.14)

przy założeniach:

0

0 0

1

1

1

, 1, 2,...,

, 1, 2,...,

1

0, 1,2,...,

0

n

j ij i ij

j

n

j rj r j rj

j

n

j

j

j

x s x i m

y s y r s

j n

0 0

1 1

min 'm s

j j i r

i r

z s s

(5.15)

przy założeniach:

0

0 0

1

1

1

, 1, 2,...,

, 1, 2,...,

1

0, 1,2,...,

0

n

j ij i ij

j

n

j rj r j rj

j

n

j

j

j

x s x i m

y s y r s

j n

Źródło: opracowanie własne na podstawie W.W. Cooper, L.M. Seiford, K. Tone, Introduction to Data Envelopment

Analysis and its uses. With DEA-Solver Software and References, Springer, New York, 2006, s. 91-93.

Kolejną grupę modeli DEA tworzą modele niezorientowane, gdzie optymalizacja

odbywa się przez równoczesne zmniejszanie nakładów i zwiększanie efektów. Interpretacja

rozwiązań tych modeli jest trudniejsza, gdyż nie można traktować ich jako prostej miary

produktywności. Wśród modeli niezorientowanych wyróżnia się addytywne i multiplikatywne.

Modele addytywne zaproponowane przez A. Charnesa, W.W. Coopera, B. Golany,

L.M. Seiforda i J. Stutza w 1985 roku65

, konstruuje się dla stałych i zmiennych efektów skali.

W modelu addytywnym o stałych efektach skali obiekt A będzie produktywny, jeśli

odpowiednio zredukuje nakłady i jednocześnie zwiększy efekty tak, by znaleźć się na granicy

produktywności między punktami B i B’ (rysunek 5.5). Natomiast przy założeniu zmiennych

efektów skali, obiekt A będzie produktywny, zajmując pozycję na odcinku o końcach A i A”.

Ograniczeniem modeli addytywnych jest to, że nie określają jednoznacznie poziomu

65

A. Charnes, W.W. Cooper, B. Golany, L.M. Seiford, J. Stutz, Foundations of Data Envelopment Analysis

for Pareto-Koopmans efficient empirical production functions, ”Journal of Econometrics” 1985, t. 30, s. 91-107.

166

produktywności. W modelu multiplikatywnym ograniczenia mają postać funkcji logistycznej.

Dzięki temu są mniej wrażliwe na wartości skrajne.

Szczególnym rozwiązaniem stosowanym w modelach DEA są ograniczenia nałożone

na wagi nakładów i efektów. Wprowadzenie takich restrykcji proponuje się, gdy dysponuje

się dodatkową wiedzą na temat znaczenia poszczególnych nakładów i efektów. Jako pierwsi

takie ograniczenia zastosowali R.G. Thompson, F.D. Singleton Jr, R.M. Thrall i B.A. Smith66

oraz R.G. Dyson i E. Thanassoulis67

.

Innym istotnym zagadnieniem dotyczącym modeli DEA jest problematyka substytucji

i komplementarności nakładów lub efektów. W klasycznych modelach DEA zakłada się,

że zmiany wskaźnika produktywności mogą być dokonywane przez proporcjonalne zmiany

wszystkich efektów – w wypadku modeli ukierunkowanych na efekty, lub zmiany wszystkich

nakładów – w wypadku modeli ukierunkowanych na nakłady. Jest to produktywność radialna.

Z ekonomicznego punktu widzenia podstawową cechą podejścia radialnego jest pełna

komplementarność efektów (lub nakładów), a w konsekwencji ich zerowa substytucja68

.

Rozwiązaniem zagadnienia substytucji rezultatów (lub efektów) w metodzie DEA jest

zastosowanie modelu nieradialnego (ang. non-radial, NR). W wypadku nieradialnym

dopuszcza się, że produktywność cząstkowa ze względu na dany rezultat może być inna

dla każdego efektu, przy czym wskaźnik cząstkowy ma charakter radialny. W modelach

zorientowanych na nakłady przyjmuje się wskaźnik produktywności jako średnią arytmetyczną

wskaźników cząstkowych, natomiast w modelach zorientowanych na efekty – odwrotność

średniej arytmetycznej. Różnicę między radialnym i nieradialnym pomiarem odległości obiektu

od granicy produktywności przedstawiono na rysunku 5.6. Obiekty wytwarzają dwa rezultaty

y1 oraz y2 wykorzystując do tego jeden nakład oznaczony przez x. Jednostki DMU1, DM2,

DMU3 i DMU4 wyznaczają krzywą produktywności, jednostka DMU5 jest nieproduktywna.

Poziom pełnej produktywności radialnej DMU5, zakładającej proporcjonalne zwiększenie

efektów, wyznacza punkt Q. Zwiększenie efektów odbywa się po promieniu, łączącym

początek układu współrzędnych i obraz jednostki DMU5 (ang. radial). Innym sposobem

osiągnięcia przez obiekt DMU5 pełnej produktywności jest zwiększenie tylko jednego nakładu

y1 lub y2, by osiągnąć poziom jednostki DMU2 lub DMU3. Taki sposób zwiększania efektów

nazywany jest nieradialnym, gdyż dokonywany jest nieproporcjonalnie.

66

R.G. Thompson, F.D. Singleton Jr, R.M. Thrall, B.A. Smith, Comparative site evaluations for locating a high-

energy physics lab in Texas, “Interfaces” 1986, t. 16(6), s. 35-49. 67

R.G. Dyson, E. Thanassoulis, Reducing weight flexibility in Data Envelopment Analysis, “Journal of the Operational

Research Society” 1988, t. 39, nr 6, s. 563-576. 68

J. Zhu, dz. cyt., s. 77-79.

167

Rysunek 5.6. Radialna i nieradialna miara odległości od granicy produktywności

Źródło: opracowanie własne na podstawie J Zhu, Quantitative models for performance evaluation

and benchmarking: Data Envelopment Analysis with spreadsheets and DEA Excel Solver, Kluwer Academic

Publishers, Boston 2003, s. 78.

Nieradialne modele DEA, wprowadzając postulat istnienia substytucji w obrębie

rezultatów, pozwalają ocenić jej wielkość. Substytucja rezultatów oznacza możliwość

wykorzystania identycznego wektora nakładów do osiągnięcia innego wektora rezultatów.

Dla obiektów w pełni efektywnych rezultaty są komplementarne. Przyjmuje się, że obiekty

w pełni produktywne w modelu radialnym, są też w pełni produktywne w sensie

nieradialnym, i odwrotnie. Ta sama zależność dotyczy obiektów nieproduktywnych. Jeśli

obiekt jest nieproduktywny w modelu radialnym, to w nieradialnym modelu

jest nieproduktywny przynajmniej ze względu na jeden rezultat69

. Modele nieradialne

są adekwatnie stosowane i interpretowane w modelach z orientacją na nakłady.

Przedstawione w rozdziale modele DEA i wybrane ich rozszerzenia nie wyczerpują

możliwości metody, czego dowodem jest bardzo obszerna i stale powiększające się bibliografia

metody DEA.

5.3. Przykłady zastosowań metody Data Envelopment Analysis w ocenie wyników

działalności naukowej

Metoda DEA jest stosowana z sukcesem w ocenie wyników działalności naukowej

szkół wyższych. Zidentyfikowano kilkadziesiąt badań prowadzonych w tym zakresie.

Najbardziej znaczące badania przedstawiono w tabeli 5.3.

Należy zauważyć, że metoda DEA znajduje szerokie zastosowanie w ogólnej ocenie

działalności uczelni, odnoszące się zarówno do działalności naukowej, dydaktycznej

oraz administracyjnej. Autorka przywołała natomiast tylko te badania, w których

uwzględniono działalność naukową. W tym ujęciu, najwcześniejsze badania przeprowadzono

69

B. Guzik, Podstawowe modele DEA…, s. 207.

DMU3

O

DMU1 DMU2

DMU5

DMU4

Q

y1/x

y2/x

krzywa produktywności

168

w Stanach Zjednoczonych w 1988 roku70

. Przez kolejne lata przeprowadzono badania

uniwersytetów w wielu krajach Europy i Azji, a także w Australii oraz Afryce. Badania

prowadzano na różnych poziomach: od indywidualnych naukowców71

, przez zespoły

naukowe72

, wydziały w ramach jednej uczelni73

lub wielu uczelni, ale w ramach dyscypliny

naukowej74

, instytuty75

, uniwersytety76

, aż po porównania międzynarodowe77

.

W Polsce badania dotyczyły głównie uczelni78

. Zasadniczo badania światowe koncentrują

się na pomiarze i ocenie produktywności nauki, efektywności technicznej, alokacyjnej i skali.

Prezentowane badania nie są jednorodne. Wszystkie badania różnią się w konkretnych

definicjach zmiennych wykorzystywanych w celu odzwierciedlenia wejść i wyjść,

stosowanych modeli i przebiegu procedury badawczej.

Jak wynika z doświadczeń badawczych, uniwersalny zestaw zmiennych nie istnieje,

a zależny jest od dostępnych danych lub wymagań badania. Zmienne dobierane są raczej

subiektywnie, bez wyraźnych, formalnych zasad przy określaniu procedury wyboru wejść

i wyjść modelu. W niektórych wypadkach wybór poszczególnych zmiennych jest uzasadniony

doświadczeniami innych badaczy lub poprzedzony analizą korelacji.

70

G. Abramo, T. Cicero, C.A. D’Angelo, A field-standardized application of DEA to national-scale research

assessment of universities, “Journal of Informetrics” 2011, t. 5, s. 619. 71

S.Y. Sohn, Y. Kim, DEA based multi-period evaluation system for research in academia, ”Expert Systems

with Applications” 2012, t. 39, s. 8274-8278. 72

F. Jiménez-Sáez, J.M. Zabala-Iturriagagoitia, J.L. Zofίo, Who leads research productivity growth? Guidelines

for R&D policy-makers, ”Scientometrics” 2013, t. 94, s. 273-303. 73

B. Taylor, G. Harris, Relative efficiency among South African universities: A data envelopment analysis,

“Higher Education” 2004, t. 47, s. 73-89; G.E. Halkos, N.G. Tzeremes, S.A. Kourtzidis, Measuring public

owned university departments’ efficiency: a bootstrapped DEA approach, ”Journal of Economics

and Econometrics” 2012, t. 55, nr 2, s. 1-24. 74

K.H. Leitner, M. Schaffhauser-Linzatti, R. Stowasser, K. Wagner, Data envelopment analysis as method

for evaluating intellectual capital, ”Journal of Intellectual Capital” 2005, t. 6, nr 4, s. 528-543. 75

D. Zhang, R.D. Banker, X. Li, W. Liu, Performance impact of research policy at the Chinese Academy

of Science, “Research Policy” 2011, t. 40, s. 875-885. 76

J. Berbegal-Mirabent, E. Lafuente, F. Solé, The pursuit of knowledge transfer activities: An efficiency analysis

of Spanish universities, ”Journal of Business Research” 2013, t. 66, s. 2051-2059; G. Abramo, C.A. D’Angelo,

F. Pugini, The measurement of Italian universities’ research productivity by a non parametric-bibliometric

methodology,”Scientometrics” 2008, t. 76, nr 2, s. 225-244. 77

M.G. Kocher, M. Luptacik, M. Sutter, dz. cyt., s. 314-332; E.C. Wang, W. Huang, Relative efficiency of R&D

activities: A cross-country study accounting for environmental factors in the DEA approach, “Research

Policy” 2007, t. 36, s. 260-273. 78

J. Nazarko, J. Šaparauskas, Application of DEA method in efficiency evaluation of public higher education

institutions, “Technological and Economic Development of Economy” 2014, t. 20, nr 1, s. 1-20; M. Świtłyk,

Z. Mongiało, Zastosowanie metody DEA do pomiaru efektywności na uczelniach publicznych w latach 2004-

2008, Zeszyty Naukowe Uniwersytetu Ekonomicznego w Poznaniu 2011, nr 171, s. 375-384; A. Ćwiąkała-

Matys, Wykorzystanie Data Envelopment Analysis (DEA) do badania relacji nakłady-efekty w publicznym

szkolnictwie akademickim w Polsce, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu, nr 56,

2009, s. 67-82.

169

Tabela 5.3. Zastosowanie metody DEA do oceny działalności naukowej

Autorzy (rok) Kraj Nakłady Efekty DMU (liczba

jednostek) Model

T. Ahn, A. Charnes,

W.W. Cooper (1988)

USA wydatki szkoleniowe

koszty stałe

inwestycje majątkowe

liczba studentów i absolwentów

federalne granty i kontrakty badawcze

uczelnie (161) bd

G. Johnes, G. Johnes

(1993, 1995)

Wielka

Brytania czas pracy pracowników poświęcony

na badania (roboczomiesiące)

czas pracy pracowników poświęcony na

badania i dydaktyce (roboczomiesiące)

wartość grantów

artykuły w czasopismach naukowych

listy w czasopismach naukowych

rozdziały w monografiach

dokumenty lub komunikaty w topowych

czasopismach

wydziały (36) CRS-I

N.K. Avkiran (2001) Australia liczba pracowników akademickich

liczba pracowników pozostałych

rejestracje na studia I i II stopnia

ocena Research Quantum*

uczelnie (36) VRS

E. Martín (2003) Hiszpania pracownicy ze stopniem doktora (grupa

naukowa)

pozostali pracownicy naukowo-dydaktyczni

(grupa dydaktyczna)

budżet

roczne zużycie czynników kapitałowych

ważona liczba zarejestrowanych kredytów

dydaktycznych

liczba kredytów doktoranckich

liczba prac doktorskich w danym roku

roczne naukowe przychody finansowe

zaangażowanie w pracę naukową

wydziały (55)

M. Abbott,

C. Doucouliagos (2003)

Australia liczba pracowników naukowych

i dydaktycznych FTE**

liczba pracowników technicznych,

administracyjnych i pomocniczych FTE

wydatki uczelni z wyłączeniem nakładów

pracy

wartość aktywów trwałych

liczba studentów w przeliczeniu na studentów

studiujących w pełnym wymiarze (EFTS),

liczba studentów studiów I i II stopnia

liczba absolwentów studiów I i II stopnia

poziom finansowania (Research Quantum

Allocation)

przychody na badania poniesione w trakcie

roku. (wydatki na badania)

uczelnie (36) VRS-I

B. Taylor, G. Harris (2004) RPA wydatki ogółem

zaangażowany kapitał

liczba studentów

liczba pracowników

wydatki na badania i kształcenie

liczba absolwentów

rezultaty naukowe

uczelnie (10) 7 modeli

169

170


jednostek) Model

K.H. Leitner,

M. Schaffhauser-Linzatti,

R. Stowasser, K. Wagner

(2005)

K.H. Leitner, J.

Prikoszovits, R. Stowasser,

K. Wagner (2007)

Austria liczba pracowników

liczba pomieszczeń

Efekty współpracy z otoczeniem

środki finansowe pozyskane ze źródeł

trzecich

projekty zamawiane zrealizowane przez

pracowników

projekty zamawiane zrealizowane przez

wydział

Efekty kształcenia

liczba egzaminów

liczba wypromowanych prac dyplomowych

Efekty naukowe

monografie, publikacje oryginalnych badań

raporty z projektów, patenty,

prezentacje/wystąpienia (konferencyjne)

liczba wypromowanych doktorów

wydziały

(133)

VRS-O

A. Bonaccorsi, C. Daraio,

L. Simar (2006)

Włochy liczba pracowników naukowych w podziale

na stanowiska

liczba pracowników technicznych

i administracyjnych

skumulowane nakłady finansowe ogółem

skumulowane wydatki na 100 przyjętych

studentów

skumulowane wydatki na 1 uczonego

liczba miejsc w salach wykładowych

Czynniki zewnętrzne

liczba przyjętych studentów

liczba wydziałów w uczelni

liczba przedmiotów na 100 studentów

stosunek skumulowanej sumy publikacji

do skumulowanej liczby cytowań

udział prywatnych kontraktów

w całkowitym budżecie uczelni

skumulowana suma publikacji w latach 1995-

1999

skumulowana suma cytowań w latach 1995-

1999

liczba publikacji na 100 studentów

skumulowana liczba absolwentów

liczba absolwentów na 100 przyjętych

studentów

uczelnie (45) FDH-O

170

171


jednostek) Model

G. Kempkes, C. Pohl

(2006)

Niemcy liczba pracowników naukowych


wydatki bieżące

liczba absolwentów

kwota dotacji na badania

uczelnie (72) VRS-O

J.C. Glass, G. McCallion,

D.G. McKillop,

S. Rasaratnam, K.S.

Stringer (2006)

Wielka

Brytania pracownicy naukowi

pozostali pracownicy

granty badawcze (£ na pracownika)

wydatki inwestycyjne (£ na studenta)

ocena badań naukowych (wynik RAE od 1 do

7 pomnożony przez liczbę pracowników)

doktoranci i studenci ze średnimi ocenami

jakości nauczania (Teaching Quality

Assessment) w skali od 1 do 24

uczelnie (98) VRS-I,

VRS-O,

bez

orientacji

T. Groot, T. García-

Valderrama (2006)

Holandia liczba doktorantów FTE

liczba pracowników naukowych

artykuły w czasopismach kategorii A i B

publikacje naukowe międzynarodowe

publikacje naukowe krajowe

zespoły

naukowe

(169)

CRS

J. Johnes (2006) Wielka

Brytania ważona liczba studentów pierwszego roku

liczba doktorantów FTE


i dydaktycznych

łączna amortyzacja i odsetki

wydatki na administrację

wydatki na infrastrukturę biblioteczną

i informatyczną

ważona liczba absolwentów I stopnia

liczba absolwentów studiów II i III stopnia

wartość dotacji na badania o charakterze

powtarzającym przyznana przez Radę

Finansowania Szkolnictwa Wyższego

w Anglii (HEFCE)

uczelnie (109) VRS-O

M.G. Kocher, M.

Luptacik, M. Sutter (2006)

między-

narodowe wydatki B+R

liczba uniwersytetów z wydziałami

ekonomicznymi

publikacje w 10 topowych czasopismach

ekonomicznych z lat 1980-1998

kraje OECD

21

CRS-O,

VRS-O

T.R. Anderson, T.U. Daim,

F.F. Lavoie (2007)

USA całkowite nakłady na badania przychody z licencji

licencje zrealizowane

utworzone firmy start-up

złożone wnioski o patenty US

wydane patenty US

uczelnie (54) VRS-O

E.C. Wang, W. Huang

(2007)

między-

narodowe liczba pracowników naukowych FTE


i pomocniczych FTE

wydatki B+R ogółem (GERD)

wydatki B+R do zasobów kapitałowych

netto

liczba patentów krajowych

liczba patentów zarejestrowanych w USA

roczna liczba publikacji

w międzynarodowych czasopismach

indeksowanych w Science Citation Index

(SCI) oraz Engineering Index (EI)

kraje (30) DEA,

analiza

tobitowa

171

172


jednostek) Model

A. Hadi-Vencheh,

A.A. Foroughi,

M. Soleimani-damaneh

(2008)

liczba studentów studiów I stopnia

liczba wykładowców

liczba absolwentów

liczba publikacji


G. Abramo, C.A.

D’Angelo, F. Pugini

(2008)

Włochy liczba profesorów (full professors)

liczba profesorów nadzwyczajnych

(associate professors)

liczba pozostałych pracowników

naukowych

poziom finansowania z funduszy National

Interest Research Projects

liczba publikacji co najmniej jednego autora

z danego uniwersytetu należących do obszaru

naukowego

wkład w publikacje (relacja pomiędzy liczbą

autorów należących do danej dyscypliny

naukowej i całkowitą liczbę autorów)

siła naukowa (średnia ważona wszystkich

publikacji z danego uniwersytetu w ramach

każdej dyscypliny naukowej)

uczelnie (77) DEA-O

J. Johnes, L. Yu (2008) Chiny relacja liczby pracowników FTE do liczby

studentów

procent wykładowców na stanowisku

profesora

udział doktorantów w ogólnej liczbie

studentów

wydatki na badania

indeksy biblioteczne w przeliczeniu

na studenta

powierzchnia budynków

prestiż

ważona liczba publikacji naukowych

liczba publikacji naukowych w przeliczeniu

na pracowników naukowych

uczelnie (109) VRS-O

W. Meng, D. Zhang, L. Qi,

W. Liu (2008)

Chiny liczba pracowników naukowych

wydatki na wyposażenie

nakłady na badania

rezultaty naukowe (zaproszone wykłady,

publikacje, nagrody, opracowane patenty,

raporty lub opracowanie norm krajowych)

finansowanie zewnętrzne

rozwój naukowców

instytuty

Chińskiej

Akademii

Nauk (15)

CRS,

VRS,

regresja

A. Hadi-Vencheh, A.A.

Foroughi, M. Soleimani-

damaneh (2008)

Iran liczba studentów studio I stopnia

liczba pracowników akademickich FTE

liczba absolwentów

liczba artykułów naukowych

wydziały (17) CRS-O

P. Tyagi, S.P. Yadav,

S.P. Singh (2009)

Indie liczba pracowników akademickich

liczba pracowników nieakademickich

koszty operacyjne wydziału

ważona liczba przyjętych studentów (studia

I i II stopnia oraz doktoranckie)

rozwój młodych pracowników nauki

ważona suma rezultatów pracy naukowej

wydziały (19) CRS-O,

VRS-O

172

173


jednostek) Model

M. Katharaki, G.

Katharakis (2010)

Grecja liczba pracowników naukowych

liczba pracowników administracyjnych

liczba zarejestrowanych studentów

koszty operacyjne inne niż nakłady pracy

liczba absolwentów studiów I, II i III stopnia

przychody z tytułu prowadzonych badań

naukowych lub całkowite zasoby finansowe

na badanie, kształcenie i kadrę naukową

uczelnie (20) CRS-O

N.G. Tzeremes, G.E.

Halkos (2010)

Grecja liczba pracowników naukowych

liczba pracowników technicznych,

administracyjnych i pomocniczych

liczba studentów studiów I, II i III stopnia

całkowity dochód (dotacja publiczna)

dochody z badań naukowych

liczba publikacji

wydziały (16) CCR,

VRS,

bootstrap

S. Aoki, K. Inoue, R.

Gejima (2010)

Japonia liczba wydziałów

liczba pracowników

wydatki na edukację i badania

pomoc zarządcza na pozyskanie grantów

badawczych

wydatki ogólne i administracyjne

darowizny

maksymalne odchylenia

liczba publikacji

liczba studentów studiów I i II stopnia

liczba monografii

granty naukowe

zyski ze współpracy z biznesem

uczelnie (31) CRS-I

G. Abramo, T. Cicero,

C.A. D’Angelo (2011)

Włochy pracownicy naukowi w podziale

na stanowiska

siła naukowa (ważona suma

standaryzowanych cytowani publikacji)

uczelnie (78) CRS-I

C.T. Kuah, K.Y. Wong

(2011)

Malezja wydatki uniwersytetu


średnia ważona kwalifikacji pracowników

naukowych (profesor 4 pkt., hab. 3 pkt., dr

2 pkt., magister 1 pkt.)

liczba doktorantów

granty

liczba doktoratów

liczba publikacji

liczba nagród

liczba obiektów własności intelektualnej

uczelnie (30) joint

DEA max

D. Zhang, R.D. Banker, X.

Li, W. Liu (2011)

Chiny liczba pracowników naukowych FTE

wydatki (nakłady) na działalność B+R

łączna wartość wyposażenia B+R

liczba doktorantów i studentów II stopnia

publikacje naukowe w międzynarodowych

czasopismach indeksowanych w bazach

Science Citation Index (SCI), Engineering

Index (EI), and Index to Scientific and

Technical Proceedings (ISTP)

cytowania w danym roku artykułów

opublikowanych w ciągu poprzednich 5 lat

instytuty

Chińskiej

Akademii

Nauk 59

VRS-O

S.Y. Sohn, Y. Kim (2012) Korea liczba studentów

poziom finansowania

liczba publikacji w ostatnim roku

średnia liczba publikacji z trzech lat

profesorowie

(20)

SE-CRS

173

174


jednostek) Model

W.-M. Lu (2012) Taiwan koszty kształcenia

inne koszty operacyjne

koszty zarządzania i ogólne

Zmienne pośrednie:

nauczyciele w przeliczeniu na pełne etaty

pracownicy administracyjni wspierający

kształcenie

infrastruktura informatyczna

publikacje naukowe

przychody z nauczania

przychody dotowane

uczelnie (40) VRS-I,

regresja

G.E. Halkos, N.G.

Tzeremes, S.A. Kourtzidis

(2012)

Grecja liczba pracowników akademickich

w podziale na stanowiska

liczba pracowników administracyjnych,

technicznych i pomocniczych

liczba studentów

całkowite nakłady na badania

liczba absolwentów

liczba publikacji

wydziały (16) CRS,

bootstrap

J. Berbegal-Mirabent,

E. Lafuente, F. Solé (2013)

Hiszpania liczba wykładowców


wydatki administracyjne

nakłady B+R

liczba absolwentów

liczba wydanych publikacji w czasopismach

indeksowanych w bazach ISI

liczba utworzonych przedsiębiorstw spin-off

uczelnie (44) VRS-O

F. Jiménez-Sáez, J.M.

Zabala-Iturriagagoitia, J.L.

Zofίo (2013)

Hiszpania liczba pracowników FTE

wartość finansowania publicznego

liczba studentów

liczba prac doktorskich

liczba publikacji międzynarodowych

liczba zarejestrowanych patentów

wartość umów z podmotami zewnętrznym

zespoły

naukowe (51)

CRS

N.A.A. Aziz, R.M. Janor,

R. Mahadi (2013)

Malezja liczba pracowników naukowych


poziom rocznych kosztów operacyjnych

liczba absolwentów w roku

łączna kwota dotacji na badania

liczba publikacji naukowych pracowników

uczelni


J. Wolszczak-Derlacz

(2013)

Polska liczba nauczycieli akademickich

przychody ogółem

publikacje indeksowane w WoS

cytowania

wartość grantów ministerialnych

uczelnie (31) CRS,

VRS

* Research Quantum jest rodzajem funduszy federalnych przyznawanych uczelni w uznaniu ich udziału w ogólnej działalności badawczej. Fundusze przyznawane są

na podstawie wskaźnika oceny wyników badań uczelni Composite Research Index, w którym publikacje uwzględniane są z wagą 12,5%.

** FTE (Full-time equivalent) – w przeliczeniu na pełne etaty multiplier model

Źródło: opracowanie własne na podstawie literatury. 174

175

Stosowane są zarówno zmienne bezpośrednie79

, wskaźniki syntetyczne80

oraz zmienne

standaryzowane81

. Wskaźniki są liczone dla pojedynczych lat lub okresów. Wejścia są zwykle

definiowane jako zasoby wykorzystywane przez DMU lub warunki wpływające na jego

produktywność, a wyjścia stanowią efekt lub rezultat działań, albo korzyści uzyskane w wyniku

działania DMU82

.

Jako nakłady w analizowanych badaniach są stosowane zasadniczo trzy grupy

zmiennych: zasoby kadrowe, nakłady finansowe oraz liczba studentów. W literaturze można

jednak zauważyć pewną niezgodność w sprawie kwalifikacji zasobów finansowych. Całkowity

dochód z badań występuje jako zarówno jako wejście, jak i wyjście w stosowanych modelach.

P. Tyagi, S.P. Yadav, S.P. Singh uzasadniają włączenie budżetu na naukę do grupy

zmiennych wyjściowych w wypadku, gdy rozpatrywany jest jako efekt jakości badań, przy

założeniu, że jednostka realizująca bardziej znaczące badania przyciąga więcej dochodu83

.

Podobny pogląd wyrażają M. Abbott, C. Doucouliagos84

. Przychody na badania w trakcie

roku (wydatki na badania) przyjmują jako zmienną wyjściową, ponieważ jej wielkość zależy

od dotacji i finansowania grantów, które z kolei zależą od rezultatów działalności naukowej.

Przyjęto zatem, że jest oceną wielkości i jakości rezultatów badań naukowych jest poziom

finansowania. Natomiast G. Johnes i J. Johnes zdecydowanie skłaniają się do uwzględniania

wartości budżetu jako nakładów85

. Zgadzają się z poglądem, że finanse na badania

odzwierciedlają rynkową wartość badań. Jednocześnie z dotacji i grantów finansowane

są także zadania wspierające badania oraz wyposażenie, które stanowią nakłady w procesie

produkcji wiedzy. Poziom finansowania jest skorelowany z rezultatami pracy naukowej,

zatem uwzględnianie jednocześnie publikacji i grantów jako efektów modelu powoduje

niepożądane wzmacnianie kryteriów oceny. Można zatem uznać, że rozstrzygnięcie tego

zagadnienia zależy od celu badania. Podobną kwestię stanowi klasyfikacja mierników

w zakresie studentów i absolwentów.

79

M. Katharaki, G. Katharakis, A comparative assessment of Greek universities’ efficiency using quantitative

analysis, “International Journal of Educational Research” 2010, t. 49, s. 117-118. 80

G. Abramo, T. Cicero, C.A. D’Angelo, dz. cyt., s. 621. 81

W. Meng, D. Zhang, L. Qi, W. Liu, Two-level DEA approaches in research evaluation, “Omega” 2008, t. 36,

s. 951-952. 82

P. Tyagi, S.P. Yadav, S.P. Singh, dz. cyt., s. 168-177. 83

N.G. Tzeremes, G.E. Halkos, A DEA approach for measuring university departments' efficiency, MPRA Paper

2010, nr 24029, s. 8, http://mpra.ub.uni-muenchen.de/24029/ [20.08.2013]. 84

M. Abbott, C. Doucouliagos, The efficiency of Australian universities: a data envelopment analysis,

“Economics of Education Review” 2003, t. 22, s. 92. 85

G. Johnes, J. Johnes, Measuring the research performance of UK economics departments: an application

of Data Envelopment Analysis, “Oxford Economics Papers” 1993, t. 45, s. 338.

176

Badacze wyrażają natomiast koherentny pogląd w sprawie publikacji i patentów

jako głównych predyktorów produktywności nauki.

Głównym ograniczeniem prezentowanych badań jest trudność w uzyskaniu

odpowiednich i szczegółowych danych. Panuje ogólny pogląd, że jest to najbardziej

dyskusyjny etap badań i ma wpływ na uzyskiwane wyniki. Potwierdzają to analizy

wrażliwości modeli86

. Autorzy badań przyznają, że arbitralność wyboru zmiennych jest

słabością przeprowadzonych badań, dlatego dobór nakładów i efektów przyjętych do oceny

działalności w sektorze szkolnictwa wyższego często jest krytykowany za nieadekwatność

zmiennych i selekcję sprzyjającą analizie efektywności87

.

Wybór modelu DEA do analizy jest mniej dyskusyjny. Większość badań prezentuje

klasyczne podejście. Stosowane modele CRS i VRS uzupełniane są natomiast często

o dodatkowe modyfikacje. G.E. Halkos, N.G. Tzeremes i S.A. Kourtzidis zaproponowali

zastosowanie metody bootstrapowej do pomiaru efektywności instytucji w badaniach

efektywności wydziałów Uniwersytetu w Tesalii w Grecji zaproponowanych

przez G.E. Halkosa, N.G. Tzeremesa, S.A. Kourtzidisa88

. Badania stanowią kontynuację badań

z 2010 roku89

. Dwuetapowy model DEA (two-level DEA model) do pilotażowej oceny

15 instytutów Chińskiej Akademii Nauk zaproponowali W. Meng, D. Zhang, L. Qi, W. Liu90

oraz W.M. Lu, gdzie dodatkowo zastosowano również model regresji uciętej (truncated

regression model) w celu sprawdzenia czy kapitał intelektualny wpływa na efektywność pracy

uczelni91

. Dodatkowe analizy zmiany produktywności w czasie z zastosowaniem indeksu

Malmquista D. Zhang, R.D. Banker, X. Li, W. Liu92

. S.Y. Sohn, Y. Kim dla przyjętego zestawy

zmiennych zaproponowali model nadefektywności, indeks Malmquista oraz analizę okienkową

dla liczby publikacji93

. J.C. Glass i in. wskazują zastosowanie nieradialnych modeli DEA94

.

C.T. Kuah, K.Y. Wong proponują zastosowanie modelu joint DEA maximization,

który znajduje swoje zastosowanie w wypadku współdzielonych nakładów. Dodatkowe analizy

86

G. Johnes, J. Johnes, dz. cyt., s. 332-347; N.A.A. Aziz, R.M. Janor, R. Mahadi, Comparative departmental

efficiency analysis within a university: A DEA approach, “Procedia – Social and Behavioral Sciences” 2013, t. 90,

s. 540-548. 87

P. Tyagi, S.P. Yadav, S.P. Singh, dz. cyt., s. 170. 88

G.E. Halkos, N.G. Tzeremes, S.A. Kourtzidis, dz. cyt., s. 1-24. 89

N.G. Tzeremes, G.E. Halkos, dz. cyt. 90

W. Meng, D. Zhang, L. Qi, W. Liu, dz. cyt., s. 950-957. 91

W.-M. Lu, Intellectual capital and university performance in Taiwan, “Economic Modelling” 2012, t. 29,

s. 1081-1089. 92

D. Zhang, R.D. Banker, X. Li, W. Liu, dz. cyt., s. 875-885. 93

S.Y. Sohn, Y. Kim, dz. cyt., s. 8274-8278. 94

J.C. Glass, G. McCallion, D.G. McKillop, S. Rasaratnam, K.S. Stringer, Implications of variant efficiency

measures for policy evaluations in UK higher education, “Socio-Economic Planning Sciences” 2006, t. 40,

s. 119-142.

177

stanowią głównie uzupełnienie modeli głównych. Często dla danego zestawu zmiennych

proponowanych jest kilka modeli z różnych układem zmiennych i dokonywane są porównania

wyników. Modele z różnym układem zmiennych stosowali B. Taylor, G. Harris (7 modeli)95

,

E. Martín (4 modele)96

. S. Aoki, K. Inoue, R. Gejima (8 modeli)97

, G. Johnes i J. Johnes

(192 modele)98

.

Wiele opracowań ma charakter poglądowy i wskazuje na możliwość zastosowania

specyficznych modeli. Inne ukierunkowane są na użyteczność wyników, informacji z analiz.

Badania mają na ogół charakter ogólny i w zasadzie poglądowy. Tylko niektóre badania

projektowane są jako propozycja zastosowania, szczególnie do kształtowania polityki naukowej.

Wyniki wszystkich badań pokazują zróżnicowanie DMU. Badania pokazują jednak,

że im więcej zmiennych, tym więcej jednostek efektywnych99

.

Odnosząc się do poziomu prowadzonej analizy, G. Kempkes i C. Pohl zastosowali

metodę DEA oraz SFA do oceny uniwersytetów w Niemczech. Następnie przeprowadzili

analizy porównawcze wyników. Autorzy sugerują, iż metoda DEA nie jest odpowiednia

do analizy efektywności na poziomie uniwersytetu, ponieważ uniwersytety są zbyt niejednorodne.

Wskazują jednak na zastosowanie metody DEA do analizy na poziomie wydziałów100

.

Szczególne znaczenie w ocenie produktywności badawczej miały badania podjęte

w Australii, Włoszech, Hiszpanii i Wielkiej Brytanii. W ostatnich latach zainteresowanie

tą problematyką można zauważyć również w środowisku chińskim.

W Australii wiodące badania, potwierdzone licznymi cytowaniami w literaturze

międzynarodowej, prowadzili M. Abbott, C. Doucouliagos101

oraz N.K. Avkiran102

.

M. Abbott i C. Doucouliagos w 2003 roku przeprowadzili badania pomiaru

efektywności technicznej i skali w odniesieniu do działalności naukowej i dydaktycznej.

Badania przeprowadzili w dwóch etapach. W pierwszym badaniu przeprowadzono procedurę

DEA dla wszystkich uczelni (tabela 5.3). Następnie DMU podzielono na odrębne kategorie

według dwóch kryteriów: poziomu relacji wskaźnika Research Quantum i EFTS (liczba

95

B. Taylor, G. Harris, dz. cyt., s. 73-89. 96

E. Martín, An application of the Data Envelopment Analysis methodology in the performance assessment of the

Zaragoza University Departments, 20 s., http://ideas.repec.org/p/zar/wpaper/dt2003-06.html [20.08.2013]. 97

S. Aoki, K. Inoue, R. Gejima, Data envelopment analysis for evaluating Japanese universities, “Artif Life

Robotics” 2010, t. 15, s. 165-170. 98

G. Johnes, J. Johnes, dz. cyt., s. 332-347. 99

K.H. Leitner, M. Schaffhauser-Linzatti, R. Stowasser, K. Wagner, dz. cyt., s. 528-543. 100

G. Kempkes, C. Pohl, The efficiency of German universities – some evidence from non-parametric

and parametric methods, Institute for Economic Research at the University of Munich, IFO Working Paper 2006,

nr 36, s. 23. 101

M. Abbott, C. Doucouliagos, dz. cyt., s. 89-97. 102

N.K. Avkiran, dz. cyt., s. 57-80.

178

studentów w przeliczeniu na studentów studiujących w pełnym wymiarze) oraz zasięgu uczelni

wyszczególniając uczelnie regionalne i miejskie. Autorzy podkreślają istotność warunku

o jednorodności DMU. Wskazują, iż uczelnie finansowane z innych lub dodatkowych źródeł

rządowych mogą ograniczać analizy. Podkreślają także znaczenie efektów skali. Podają,

że australijski rząd w dążeniu do poprawy skuteczności systemu szkolnictwa wyższego przez

wykorzystanie efektu skali i zakresu, skonsolidował dużą liczbę instytucji szkolnictwa

wyższego w niewielką liczbę wielkich multikampusowych uniwersytetów.

N.K. Avkiran z kolei zaprezentował trzy modele: ogólnej efektywności

uwzględniający działalność naukową, efektywności usług edukacyjnych oraz efektywności

rekrutacji studentów finansujących studia.

We Włoszech G. Abramo, C.A. D’Angelo i F. Pugini (2008) podjęli się opracowania

alternatywnej do rządowego systemu, metodyki pomiaru i oceny działań naukowo-badawczych

w sektorze publicznym, aby zastosować go do włoskiego systemu w celu pokonania ograniczeń

związanych z metodami stosowanymi przez rząd103

. Oceny działań naukowych dokonano

w dwóch etapach: przy zastosowaniu modeli radialnych DEA w 9 obszarach dyscyplin

naukowych, zwanych skrótowo UDA (University Disciplinary Areas), w drugim, przez budowę

globalnego indeksu produktywności DEA dla każdego uniwersytetu w odpowiednim

połączeniu ważonej sumy punktów uzyskanych w poszczególnych obszarach. To pozwoliło

pokonać, zdaniem autorów, ograniczenia techniczne i metodologiczne związane

z niejednorodnością obszarów naukowych w uczelniach, szczególnie w zakresie

i intensywności publikowania między różnymi obszarami oraz reprezentatywności w zakresie

czasopism w bazach danych źródłowych, umożliwiając w ten sposób bardziej spójną i solidną

analizę porównawczą uniwersytetów. Do badania wybrano metodę DEA ze względu na to,

iż eliminuje zakłócenia w pomiarze wydajności ze względu na możliwość uwzględnienia

zmiennych korzyści skali czynników produkcji. Dane obejmowały lata 2001-2003.

Takie podejście, zdaniem autorów, pozwala pokonać słabości analiz

bibliometrycznych przez uwzględnienie częstości występowania różnych form nakładów

i efektów działalności badawczej. Co ważne, zostały uwzględnione trzy parametry: ilość,

jakość i wkład. Pomiar na poziomie obszarów naukowych ogranicza zakłócenia wynikające

z heterogeniczności zasobów. Autorzy podkreślają, że w zastosowanym podejściu, gdzie

każdy wynik powiązany był z indywidualnym pracownikiem naukowym, osiągnięto wysoką

dokładność pomiaru. Autorzy sugerują również zastosowanie cytowań zamiast liczby

publikacji oraz uzupełnienie danych o dodatkowe 3 lata104

.

103

G. Abramo, C.A. D’Angelo, F. Pugini, dz. cyt., s. 225-244. 104

Tamże, s. 225-244.

179

Rozwinięcie zastosowanego podejścia, G. Abramo, T. Cicero i C.A. D’Angelo

zaprezentowali trzy lata później, gdzie zastosowano ograniczoną liczbę zmiennych w modelu

o stałych efektach skali105

.

Na przykładzie włoskich uczelni, A. Bonaccorsi, C. Daraio i L. Simar przeprowadzili

badania, gdzie podjęli kilka istotnych wątków106

:

zagadnienie ekonomii skali i zakresu w działalności dydaktycznej;

relacje między dydaktyką a badaniami oraz obszarem prowadzonych badań;

relacje między publikacjami a badaniami na rzecz przemysłu.

Grupę obiektów tworzyło 45 uniwersytetów. Z grupy 69, wyeliminowane zostały

prywatne uniwersytety w celu zapewnienia porównywalności i kompletności danych.

Do badań zastosowano 4 modele o różnym układzie zmiennych. Badania włoskich badaczy

stanowią przykład analizy wpływu zmiennych zewnętrznych. Uwzględniono między innymi

takie czynniki środowiskowe, jak: liczba przyjętych studentów oraz udział prywatnych

kontraktów w całkowitym budżecie uczelni.

Na podstawie wyników badań autorzy dowodzą, że wysoka efektywność dydaktyczna

nie osłabia efektywności naukowej, a wysoka jakość naukowa ma pozytywny wpływ

na jakość publikacji oraz poprawę efektywności kształcenia. Badacze wyjaśniają również,

że czynniki dotyczące ekonomii skali i zakresu nie są istotne w wyjaśnianiu produktywności

badawczej i dydaktycznej. Przeprowadzone badania wykazały również, że zwiększenie

udziału źródeł przemysłowych w budżecie uczelni ma korzystny wpływ na produktywność

badawczą, a współpraca uczelni z przemysłem i aktywność publikacyjna na forum

międzynarodowym ma charakter komplementarny.

W Hiszpanii J. Berbegal-Mirabent, E. Lafuente, F. Solé zbadali efektywność transferu

technologii między uczelnią a przemysłem107

. W procedurze doboru zmiennych uwzględnili

analizę skupień w celu uzupełnienia modelu efektywności, dając bardziej kompleksowy

obrazu wyników uniwersytetów.

W Wielkiej Brytanii kluczowe badania prowadzili G. Johnes i J. Johnes, którzy zbadali

różne modele pomiaru efektywności technicznej wydziałów ekonomii w zakresie produktywności

nauki108

. Zaproponowali oni zastosowanie metody DEA do oceny działalności naukowej

105

G. Abramo, T. Cicero, C.A. D’Angelo, dz. cyt., s. 618- 628. 106

A. Bonaccorsi, C. Daraio, L. Simar, Advanced indicators of productivity of universities. An application

of robust nonparametric methods to Italian data, “Scientometrics” 2006, t. 66, nr 2, s. 389-410. 107

J. Berbegal-Mirabent, E. Lafuente, F. Solé, dz. cyt., s. 2051-2059. 108

G. Johnes, J. Johnes, dz. cyt., s. 332-347; G. Johnes, J. Johnes, Research funding and performance in U.K. university

departments of economics: a frontier analysis, “Economics of Education Review” 1995, t. 14, nr 3, s. 301-314.

180

w odpowiedzi na ówczesne niezrozumiałe zasady systemu oceny oparte na peer-review. Dane

użyte w badaniach pokrywały się z danymi z oceny przeprowadzonej przez Universities Funding

Council (UFC). Omówili potencjalne problemy doborze wejść i wyjść.

Podobną procedurę badawczą zastosowali J. Johnes i L. Yu w analizie produktywności

chińskich uniwersytetów109

. Dodatkowo przeanalizowano wyniki dla grup uniwersytetów

według trzech kryteriów:

lokalizacja uczelni (wybrzeże, centralna lub zachodnie regiony Chin);

źródło finansowania (centralnie lub z funduszy regionalnych);

profil uczelni (ogólny lub wyspecjalizowany).

Uwzględniając różne modele autorzy badali, jaki wpływ mają wymienione czynniki

środowiskowe na poziom efektywności. Wskazano, że położenie geograficzne ma wpływ

na poziom efektywności, źródła finansowania mają wpływ na poziom efektywności

w wariantach, gdzie nie uwzględniono kadry. Natomiast uniwersytety specjalistyczne mają

na ogół niższe wyniki w przyjętych modelach.

Antynomiczne wnioski dotyczące profilu uczelni pokazują badania J.C. Glassa i in.,

którzy poruszają ważną kwestię, czy analizy z zastosowaniem metody DEA mogą być

użyteczne do formułowania bieżącej polityki naukowej w Wielkiej Brytanii, szczególnie

w zakresie wysoko wyspecjalizowanych uczelni, wielkich ośrodków badawczych w kierunku

zachęty do korzystnych fuzji uczelni110

. Ich wnioski sugerują, że uniwersytety o silnej

orientacji na badania lub silnej orientacji na kształcenie są bardziej efektywne od tych, które

na równych poziomie ukierunkowane są jednocześnie na badania i kształcenie, co ma istotne

znaczenie dla polityki naukowej w dłuższej perspektywie.

Bezpośrednie badania skuteczności alokacji środków publicznych przeprowadzili

N.A.A. Aziz, R.M. Janor, R. Mahadi w Malezji111

. Przeanalizowano cztery modele. Przyjęto

model CRS zorientowany na nakłady z uwagi na możliwość ich kontrolowania. Z przyjętych

modeli wynika, że efektywność wydziałów jest wyższa w zakresie kształcenia.

Autorzy T. Groot, T. García-Valderrama dokonują porównania systemu holenderskiego

systemu oceny produktywności nauki VSNU z metodą DEA112

. Podejmują się wyjaśnienia

różnic w jakości wyników badań i produktywności czynników organizacyjnych, jak wielkość

grupy badawczej, struktura kadry, źródła finansowania badań i dyscyplina akademicka. Autorze

109

J. Johnes, L. Yu, Measuring the research performance of Chinese higher education institutions using data

envelopment analysis, “China Economic Review” 2008, t. 19, s. 679-696. 110

J.C. Glass, G. McCallion, D.G. McKillop, S. Rasaratnam, K.S. Stringer, dz. cyt., s. 119-142. 111

N.A.A. Aziz, R.M. Janor, R. Mahadi, dz. cyt., s. 540-548. 112

T. Groot, T. García-Valderrama, Research quality and efficiency. An analysis of assessments and management

issues in Dutch economics and business research programs, “Research Policy” 2006, t. 35, s. 1362-1376.

181

przeprowadzili dwie rundy badań w 1995 i 2001 roku. Z ich badań wynika, że liczba publikacji

w czasopismach międzynarodowych jest najlepszym predyktorem wyników oceny oceny peer

review. Wielkość grupy badawczej ma pozytywny wpływ na jakość badań, ale badacze

wskazują na problemy w utrzymaniu wysokiej produktywności badawczej wszystkich

członków zespołu. Pozostałe cechy organizacyjne wydają się być czasowo związane z jakością

badań naukowych i produktywności.

M. Katharaki, G. Katharakis zwracają jednak uwagę na znaczne ograniczenia swoich

analiz z uwagi na brak szczegółowych danych na temat działalności naukowej. Postulują

jednak zastosowanie metody DEA jako instrumentu kształtowania wpływu na decyzje

decydentów politycznych w zakresie finansowania badań naukowych i ogólną pomoc

państwa w sektorze akademickim113

.

Autorzy F. Jiménez-Sáez, J.M. Zabala-Iturriagagoitia, J.L. Zofίo rozważają użyteczność

metody DEA jako instrumentu polityki naukowo-badawczej, szczególnie w kontekście

alokacji środków finansowych, aby lepiej odpowiadać na rzeczywiste potrzeby grup

badawczych oraz do przyszłego kształtowania polityki dostosowania się do osiągnięcia celów

polityki średnich długoterminowych (mezopoziom i makropoziom)114

.

W Polsce badania efektywności naukowej publicznych szkół wyższych

z wykorzystaniem metody DEA podjęła J. Wolszczak-Derlacz. Zaproponowane zostały trzy

modele oceny szkół wyższych: działalności naukowej, działalności dydaktycznej

oraz działalności wdrożeniowej i współpracy z otoczeniem. Badaniem objęto 17 politechnik

i 14 uniwersytetów publicznych. W modelu naukowym zostały przyjęte jako nakłady liczba

pracowników akademickich oraz przychody uczelni ogółem. Nie mają one precyzyjnego

odniesienia do działalności naukowej. Autorka wyraża pogląd, że udział środków

finansowych ze źródeł publicznych negatywnie wpływa na efektywność naukową uczelni.

Zwraca jednak uwagę, że badania mają charakter jedynie poglądowy115

.

Przykłady aplikacji metody DEA do oceny działalności naukowej uczelni wskazują

na użyteczność metody do pomiaru, oceny i analizy produktywności nauki. Mimo, że wszystkie

uczelnie są osadzone w identycznych ramach politycznych i finansowych, różne struktury

wewnętrzne mają wpływ na ich produktywność. Badacze stwierdzają, że DEA pomaga odkryć

różne czynniki wpływające na charakterystykę badanych obiektów, między innymi dziedzina

nauki, wielkość DMU. Zdaniem autorki, ocena działalności naukowej powinna prowadzić

do wyraźnego wyodrębnienia i zróżnicowania poziomu naukowego jednostek w Polsce.

113

M. Katharaki, G. Katharakis, dz. cyt. s. 127. 114

F. Jiménez-Sáez, J.M. Zabala-Iturriagagoitia, J.L. Zofίo, dz. cyt., s. 273-303. 115

J. Wolszczak-Derlacz, Efektywność naukowa, dydaktyczna i wdrożeniowa publicznych szkół wyższych

w Polsce – analiza nieparametryczna, Wydawnictwo Politechniki Gdańskiej, Gdańsk 2013.

182

ROZDZIAŁ 6.

BADANIA PRODUKTYWNOŚCI JEDNOSTEK NAUKOWYCH

6.1. Analiza danych źródłowych

Przeprowadzenie procedury badania produktywności jednostek naukowych w Polsce

z wykorzystaniem metody DEA wymaga realizacji etapów wskazanych na rysunku 5.2

w rozdziale 5.1. Pierwszym elementem badania jest określenie skończonego zbioru badanych

jednostek decyzyjnych oraz zestawu zmiennych charakteryzujących własności tych obiektów.

Od prawidłowego doboru zmiennych w znacznym stopniu zależą wyniki badania.

Dobór zmiennych opisujących własności jednostek naukowych zależy przede

wszystkich od celów analizy i jej zakresu. Zdaniem T. Panka, bez względu na cel i zakres

analizy obowiązują pewne reguły i metody ich doboru. Dobór zmiennych może być

dokonywany za pomocą1:

kryteriów merytorycznych i formalnych, gdy w świetle posiadanej wiedzy merytorycznej

o badanym zjawisku wybierane są zmienne najważniejsze dla dokonania analizy

porównawczej badanych obiektów, a następnie poddawane są one weryfikacji ze względu

na kryteria formalne;

z zastosowaniem odpowiednich procedur statystycznych.

Uzyskanie ostatecznego zbioru zmiennych diagnostycznych będących podstawą analizy

porównawczej produktywności jednostek naukowych wymaga zastosowania obu podejść.

W pierwszym etapie tworzy się zbiór zmiennych potencjalnych, oparty na kryteriach

merytorycznych i formalnych, a następnie dokonuje się analizy właściwości statystycznych

w celu eliminacji zmiennych o małym stopniu diagnostyczności, czyli charakteryzujących się

niskim stopniem zmienności oraz wysokim stopniem skorelowania.

Wybór zmiennych do modelu DEA determinuje w zasadniczy sposób wartość

otrzymywanych wskaźników produktywności. Zarówno identyfikacja nakładów

wpływających w największym stopniu na osiągane przez jednostki naukowe wyniki,

jak i określenie, co stanowi najistotniejszy rezultat uczelni jest zadaniem złożonym.

Problemem jest też ocena istotności wybranych wskaźników w procesie edukacji. Jednostki

naukowe różnią się profilem działania i realizują w różnym natężeniu zadania produkcji

wiedzy, jej wdrożenia i dyfuzji. Z założenia metody DEA wynika, że na granicy efektywności

1 T. Panek, Statystyczne metody wielowymiarowej analizy porównawczej, Szkoła Główna Handlowa, Warszawa

2009, s. 16-17.

183

może znaleźć się wysoce wyspecjalizowana jednostka maksymalizująca produkcję tylko

jednego efektu i marginalizująca produkcję pozostałych. Wyznaczane w metodzie DEA wagi

maksymalizujące produktywność każdej jednostki, pozwalają zidentyfikować

i wyeksponować jej mocne strony, ale mogą czasami wymagać nałożenia dodatkowych

ograniczeń. Ograniczenia te wskazują minimalny poziom poszczególnych efektów.

Ma to szczególne znaczenie, gdy system oceny instytucjonalnej związany jest ze wzbudzaniem

motywacji do działania i nadawaniem pożądanych kierunków rozwoju jednostek naukowych.

Inną bardzo ważną kwestią jest też liczba nakładów i efektów*. Im więcej zmiennych

zawiera model, tym większe prawdopodobieństwo zakwalifikowania poszczególnych

jednostek do zbioru jednostek produktywnych.

Do przeprowadzenia badania produktywności jednostek naukowych w Polsce

zgromadzono dane o jednostkach naukowych za lata 2004-2008**,2będące podstawą oceny

parametrycznej MNiSW w roku 2010. Dane zostały pozyskane z Ośrodka Przetwarzania

Informacji oraz zweryfikowane i uzupełnione na podstawie danych pozyskanych z Ministerstwa

Nauki i Szkolnictwa Wyższego na pisemną prośbę Autorki oraz bazy POLON3.

Zbiór danych uzupełniono o dane na temat wysokości środków finansowych

na finansowanie lub dofinansowanie działalności statutowej w latach 2003-2010. Jednym

z punktów krytyki systemu oceny jednostek naukowych w Polsce w środowisku naukowym,

z którym Autorka się zgadza, jest brak preferencji jednostek oszczędnych. Autorka podjęła

zatem próbę zbadania zależności między poziomem finansowania a osiąganymi wyniki przez

jednostki naukowe w Polsce, co ma swoje uzasadnienie w praktyce pomiaru produktywności

naukowej z zastosowaniem metody DEA***. Autorka jednocześnie podkreśla, że dotychczas

nie spotkała się proponowanym podejściem zastosowania metody DEA oraz uwzględnienia

danych finansowych w krajowych systemach ocen instytucjonalnych.

Dane finansowe zostały pozyskane z Dzienników Urzędowych MNiSW. Dane

uwzględniają środki finansowe na finansowanie lub dofinansowanie działalności statutowej

jednostek naukowych, w tym ich zwiększenia na dany rok. Źródła danych finansowych

przedstawiono w tabeli 6.1. Po weryfikacji danych i ich wstępnej analizie statystycznej

przyjęto zakres z lat 2005-2008.


** Autorce odmówiono dostępu do danych z lat 2009-2012 będących podstawą oceny parametrycznej w roku

2013, powołując się na przepisy ustaw o ochronie danych osobowych oraz o zwalczaniu nieuczciwej

konkurencji. 3 Zintegrowany system informacji o nauce i szkolnictwie wyższym, www.polon.nauka.gov.pl.

*** Patrz: rozdział 5.3.

184

Tabela 6.1. Źródła danych w sprawie przyznania środków finansowych na finansowanie

lub dofinansowanie działalności statutowej jednostek naukowych w latach 2003-2010

Rok Tytuł komunikatu Akt prawny

2003

Uchwała nr 1/2003 Komitetu Badań Naukowych z dnia

10 stycznia 2003 r. w sprawie przyznania środków

finansowych na finansowanie lub dofinansowanie

działalności statutowej jednostek naukowych w 2003 roku

Dz.U. MN i KBN, nr 1/2003, poz. 1

Zarządzenie nr 13/2003 z dnia 8 kwietnia 2003 r.

w sprawie przyznania środków finansowych

na finansowanie lub dofinansowanie działalności

statutowej jednostek naukowych w 2003 roku


Zarządzenie nr 22/2003 z dnia 25 maja 2003 r. zmieniająca

uchwałę w sprawie przyznania środków finansowych




Zarządzenie nr 25/2003 z dnia 26 czerwca 2003 r.

zmieniająca uchwałę w sprawie przyznania środków




Zarządzenie nr 47/2003 z dnia 5 grudnia 2003 r.










2004

Zarządzenie nr 1/2004 z dnia 15 stycznia 2004 r.

w sprawie przyznania środków finansowych




Zarządzenie nr 18/2004 z dnia 18 marca 2004 r. w sprawie

przyznania środków finansowych na finansowanie

lub dofinansowywanie działalności statutowej jednostek

naukowych w 2004 roku


Zarządzenie nr 32/2004 z dnia 27 maja 2004 r. zmieniająca

uchwałę w sprawie przyznania środków finansowych



Dz.U. MNiI i KBN, nr 7/2004, poz. 41

Zarządzenie nr 54/2004 z dnia 21 października 2004 r.










2005

Zarządzenie nr 3/2005 z dnia 20 stycznia 2005 r.




Dz.U. MNiI, nr 1/2005, poz. 3





Dz.U. MNiI, nr 2/2005, poz. 17

2006

Komunikat nr 8 Ministra Nauki i Szkolnictwa Wyższego

z dnia 28 marca 2007 r. o przyznanych dotacjach

ze środków finansowych na naukę na podstawową

działalność statutową

Dz.U. MNiSW, nr 2/2007, poz.24

185

Rok Tytuł komunikatu Akt prawny

2007

Komunikat nr 2 Ministra Nauki i Szkolnictwa Wyższego

z dnia 6 lutego 2007 r. o przyznanych dotacjach ze

środków finansowych na naukę na podstawową

działalność statutową

Dz.U. MNiSW, nr 1/2007, poz. 9

Komunikat nr 4 z dnia 16 stycznia 2008 r. o przyznanych

dotacjach ze środków finansowych na naukę na

podstawową działalność statutową


2008

Komunikat nr 8 z dnia 26 lutego 2008 r. o przyznanych




Komunikat nr 1 z dnia 27 lutego 2009 r. o przyznanych

zwiększeniach dotacji ze środków finansowych na naukę

na finansowanie podstawowej działalności statutowej


2009

Komunikat nr 14 z dnia 3 lipca 2009 r. o przyznanych




Komunikat nr 4 z dnia 29 stycznia 2010 r. o przyznanych




2010

Komunikat nr 12 z dnia 29 kwietnia 2010 r. o przyznanych




Komunikat nr 7 z dnia 8 kwietnia 2011 r. o przyznanych





Gromadzenie danych było utrudnione z uwagi na liczne przekształcenia jednostek

naukowych w analizowanych okresie. Autorka napotkała częste przypadki powoływania

nowych lub wyodrębnienia ich z już istniejących jednostek naukowych, łączenia jednostek,

zmiany nazw lub ich likwidacje. Wielokrotnie wymagało to indywidualnego prześledzenia

historii jednostek naukowych. Wiele jednostek naukowych powstało w trakcie okresu oceny,

w związku z tym ich dorobek nie uwzględniał pełnych 4 lat. Przykładowo, Wydział Nauk

Humanistycznych i Społecznych Akademii Marynarki Wojennej w Gdyni czy Wydział Nauk

Politycznych i Dziennikarstwa Uniwersytetu im. A. Mickiewicza w Poznaniu zostały

powołane w 2008 roku, a poddane ocenie parametrycznej w 2010 roku. Innym przykładem

jest Wydział Nauk Pedagogicznych Uniwersytetu Mikołaja Kopernika w Toruniu,

który w 2007 roku został wyłączony z Wydziału Humanistycznego. Podobnie Wydział Nauk

Pedagogicznych Uniwersytetu Kardynała Stefana Wyszyńskiego powstały w 2008 roku

(wykazanych 35 pracowników FTE w 2008 roku), wchodził wcześniej w skład Wydziału

Nauk Humanistycznych, gdzie w 2004 roku wykazano zatrudnienie na poziomie 56,35 FTE,

zaś po wyodrębnieniu ze struktur Wydziału Nauk Pedagogicznych w 2008 wskazano liczbę

pracowników FTE na poziomie 55,4. Inny przykład stanowi Uniwersytet Kazimierza

Wielkiego Wydział Administracji i Nauk Społecznych, który został wyodrębniony

186

z Wydziału Humanistycznego w roku akademickim 2009/2010, a oceniony w 2010 roku

za lata 2004-2008. Odmienną kwestię stanowiły jednostki typu Akademii Obrony Narodowej

oraz Akademii Pedagogiki Specjalnej w Warszawie, które w 2006 roku były oceniane

jako uczelnie, natomiast w 2010 roku oceniane były ich wyodrębnione wydziały.

W konsekwencji dotacja statutowa również była przyznawana zgodnie z tym podejściem.

Jeśli chodzi o dane finansowe, poważną barierę stanowił brak konsekwencji

stosowania jednolitych nazw jednostek naukowych przez Ministerstwo Nauki i Szkolnictwa

Wyższego. Ministerstwo udostępnia dane finansowe dotyczące alokacji dotacji statutowej

przyjmując w każdym roku inne nazwy jednostek naukowych, uniemożliwiając tym samym

automatyczne scalenie baz danych. Dotychczas są to dokumenty w formie skanowanej

z brakiem możliwości wykorzystania właściwości dokumentu elektronicznego.

Innym problematycznym zagadnieniem było ustalenie wysokości dotacji statutowej

wśród jednostek artystycznych, które otrzymują dotację statutową dla uczelni. Biorąc

to pod uwagę, a także specyficzne uwarunkowania efektów działalności tego typu jednostek

i niespójność danych z pozostałymi jednostkami, autorka wyłączyła grupę 86 jednostek

artystycznych z dalszych badań.

W wypadku pozostałych jednostek, znaczne braki odnotowano szczególnie w 2007

roku, w którym niektóre jednostki nie znalazły się w wykazie ministra. Sytuacja ta dotyczyła,

przykładowo Wydziału Inżynierii Produkcji i Energetyki Uniwersytetu Rolniczego

im. Hugona Kołłątaja w Krakowie, Wojskowego Instytutu Medycyny Lotniczej, Instytutu

Biotechnologii i Antybiotyków, czy Wydziału Nauk Biologicznych Uniwersytetu

Wrocławskiego. Ponieważ autorka nie znalazła dokumentów wskazujących poziom

przyznanej dotacji, przyjęła, iż nie przyznano jednostkom dotacji statutowej w danym roku.

Przyjęto populację publicznych jednostek naukowych, które podlegały ocenie

parametrycznej MNiSW z roku 2010, otrzymujących środki finansowe na finansowanie

lub dofinansowanie działalności statutowej. Uniwersum stanowiły 823 publiczne jednostki

naukowe. Z grupy tej wyłączono jednostki artystyczne z uwagi na specyficzne rezultaty

działalności, braki danych i brak możliwości ustalenia wysokości dotacji statutowej. Ponadto

wyłączono obiekty o niepełnych danych, lub powstałe po 2007 roku. Ostatecznej obserwacji

statystycznej poddano 683 obiektów, w tym 482 podstawowe jednostek uczelni,

117 instytutów badawczych, 75 jednostek naukowych PAN i 10 innych jednostek

naukowych. Strukturę obiektów przedstawiono na rysunku 6.1.

187

Rysunek 6.1. Struktura jednostek naukowych badanych przez autorkę [%]


Do analizy produktywności zbioru publicznych jednostek naukowych przyjęto

40 zmiennych zaprezentowanych w tabeli 6.2. Jako nakłady wstępnie przyjęto dwie zmienne:

X3 oraz X47. Pozostałe zmienne zakwalifikowano jako zmienne charakteryzujące efekty.

Tabela 6.2. Zbiór zmiennych charakteryzujących nakłady i efekty jednostek naukowych w badaniach autorki

Kategoria

zmiennej

Kod

zmiennej Opis zmiennej

Charakterystyka

jednostki

naukowej

X1 Siedziba jednostki naukowej

X2

X2a

Rodzaj jednostki (uczelnia, instytut badawczy, jednostka naukowa PAN, inna

jednostka naukowa); typ jednostki naukowej uczelni (ekonomiczna, medyczna,

morska, pedagogiczna, rolnicza/przyrodnicza, służb państwowych, techniczna,

teologiczna, wojskowa, wychowania fizycznego, uniwersytet)

X3

Liczba osób, w przeliczeniu na pełny wymiar czasu pracy (FTE), zatrudnionych

w jednostce naukowej przy prowadzeniu badań naukowych lub prac

rozwojowych na podstawie stosunku pracy, dla których jednostka jest

podstawowym miejscem pracy

X4 Liczba uprawnień do nadawania stopnia doktora

X5 Liczba uprawnień do nadawania stopnia doktora habilitowanego

X6 Posiadanie statusu Państwowego Instytutu Badawczego

X7

Liczba punktów za posiadanie laboratorium akredytowanego przez Polskie

Centrum Akredytacji – 20 pkt za każdą akredytowaną dziedzinę lub program

certyfikacji, ale nie więcej niż 80 pkt

X8 Liczba laureatów konkursów "Pomysły" Europejskiej Rady Nauki

Publikacje X9

Liczba punktów za publikacje w czasopiśmie wyróżnionym w Journal Citation

Reports (JCR)

X10 Liczba punktów za publikacje w czasopiśmie wyróżnionym w ERIH

X11 Liczba punktów za publikacje w recenzowanym czasopiśmie krajowym

17%

11%

2%

3%

1%

5%

1%

2% 6%

0% 22%

0%

26%

2% 2%

72%

Instytuty badawcze (117) Jednostki naukowe PAN (75)Inne jednostki naukowe (10) Uczelnie ekonomiczneUczelnie kościelne (1) Uczelnie medyczne (37)Uczelnie morskie (7) Uczelnie pedagogiczne (15)Uczelnie rolnicze (41) Uczelnie służb państwowych (3)Uczelnie techniczne (147) Uczelnie teologiczne (1)Uniwersytety (180) Uczelnie wojskowe (13)Uczelnie wychowania fizycznego (11)

188

Kategoria

zmiennej

Kod

zmiennej Opis zmiennej

lub zagranicznym wymienionym w wykazie ministra

X12

Liczba punktów za redakcję czasopisma pracownika ocenianej jednostki,

otrzymuje podwójną liczbę punktów przypisanych danemu czasopismu

w wykazie ministra. Punkty otrzymuje jednostka za cały oceniany okres

X13 Liczba monografii autorstwa pracownika jednostki lub podręcznika autorskiego

w języku angielskim lub podstawowym dla danej dyscypliny

X14 Liczba monografii lub podręcznika autorskiego w języku innym niż angielski

lub podstawowy dla danej dyscypliny

X15 Liczba rozdziałów w monografii lub podręczniku autorskim w języku

angielskim lub podstawowym dla danej dyscypliny

X16 Liczba rozdziałów w monografii lub podręczniku autorskim w języku innym

niż angielski lub podstawowy dla danej dyscypliny

X17

Liczba punktów za redaktora naczelnego wieloautorskiej monografii,

podręcznika autorskiego lub serii wydawniczej: 5 pkt język angielski

lub podstawowy dla danej dyscypliny, 3 pkt - inny język

Patenty,

wynalazki X18

Liczba udzielonych przez Urząd Patentowy Rzeczypospolitej Polskiej prawa

rejestracji wzoru przemysłowego, który został zastosowany

X19 Liczba praw z rejestracji wzoru przemysłowego udzielone przez Urząd

Patentowy Rzeczypospolitej Polskiej

X20 Liczba udzielonych za granicą, innych niż prawa autorskie, praw wyłącznych

do wzoru przemysłowego, który został zastosowany

X21 Liczba innych niż prawa autorskie praw wyłącznych do wzoru przemysłowego

udzielone za granicą

X22 Wartość udzielonych licencji (opłaty licencyjne) [tys. zł]

X23 Liczba wzorów przemysłowych, wystawionych na krajowych

lub międzynarodowych wystawach lub targach

X24 Liczba patentów udzielonych przez Urząd Patentowy Rzeczypospolitej Polskiej

X25 Liczba zawartych umów o wspólności patentu ocenianej jednostki z podmiotem

gospodarczym

X26 Liczba zgłoszonych wynalazków w Urzędzie Patentowym Rzeczypospolitej

Polskiej

X27 Patent udzielony za granicą na wynalazek, który został zastosowany za granicą

X28 Patent udzielony za granicą

X29 Zgłoszenie wynalazku za granicą

X30 Prawo ochronne na wzór użytkowy, który został zastosowany

X31 Prawo ochronne na wzór użytkowy

X32 Patent udzielony przez Urząd Patentowy Rzeczypospolitej Polskiej

na wynalazek, który został zastosowany

X33

Przysługujące prawo autorskie do utworu, będącego wynikiem działalności

twórczej o indywidualnym charakterze, z zakresu architektury, urbanistyki

i wzornictwa przemysłowego

Współpraca

z otoczeniem X34

Liczba projektów koordynowanych w projektach Programów Ramowych

lub innych konkursach Unii Europejskiej

X35 Liczba projektów (uczestnictwo instytucjonalne) w projektach Programów

Ramowych lub innych konkursach Unii Europejskiej

X36 Wartość umów zawartych z innymi podmiotami na wykonanie prac B+R [tys. zł]

X37 Przychody z tytułu wdrożenia prac B+R jednostki wdrażającej [tys. zł]

X38 Przychody jednostki naukowej (uzyskane wpływy) z tytułu wdrożenia [tys. zł]

Budżet X47

Suma dotacji na finansowanie lub dofinansowanie działalności statutowej

w latach 2005-2008 [tys. zł]


189

Zmienną X7 usunięto ze zbioru, ponieważ analiza danych wskazuje, iż w wielu

wypadkach jednostki naukowe otrzymywały wielokrotność maksymalnego progu 80 punktów.

Dodatkowo usunięto zmienną X17, ponieważ ma charakter zmiennej ważonej.

Przyjęty zbiór zmiennych w ocenie parametrycznej jest nadmiarowy i słabo różnicuje

obiekty, co zostało zaprezentowane na rysunku 6.2. Dla ukazania nieznacznych różnic

w ocenie pomiędzy jednostkami naukowymi dokonano graficznej prezentacji konfiguracji

zbioru analizowanych obiektów. W tym celu wykorzystano jedną z technik redukcji danych

zwaną skalowaniem wielowymiarowym. Graficzną prezentację struktury jednostek

naukowych zredukowano do dwóch wymiarów przestrzeni kryteriów oceny.

Wykres rozrzutu 2W

Konfiguracja końcowa, wymiar 1 wzgl. wymiaru 2

U607U598U582U604U581U601U288U603U174U298U597U600U602U578U596U304U599U525U290U287U482U294U577U425U307U422U164U483U672U24U177U553U73U179U681U74U568U293U606U580U594U508U250U292U285U57U123U398U605U517U674U6U486U301U441U52U480U202U633U49U430U516U121U608U467U565U364U313U283U494U627U61U75U409U468U308U361U499U673U519U476U548U479U471U643U188U680U13U404U526U295U206U366U539U171U574U207U451U373U29U569U406U683U68U120U500U644U215U300U342U560U282U498U474U190U431U466U51U528

U166

U564U669U488

U219

U261U26U186U649U21U396U25U687U239U642U131U624U3U213U316U542U446U140U55U382U18U368U363U348U636U648U656U609U473U85U168U232

U434U450U119U37U360U572U524U592U484U595U566U260U493U259U534U36U286U378U9U514U203U402U690U144U289U530U345U563U676U14U618U686U641U195U621U246U257U555U623U535U550U679U632U314U625U327U330U554U489U511U400U365U189U118U39U487U513U255U631U79U201U390U192U351U541U381U297U619U620U559U249U146U343U183U478U439U660U80U397U589U128U157U225U443U502U536U87U543U97U640U335U362U64U319U175

U99

U302U7U374U438U266U615U417U675U11U520U221

U252U587U662U359U410U127U591U485U369U386U682U204U457U495U614U125U296U67U646U172U185U573U4U242U318U20U338U340U544U258U567U570U315U408U521U375U527U384U385U415U151U684U53U370

U91

U30U352U17U103U142U23U452U31U299U38U447U111U115U194U324U540U579U98U350U630U639U16U69U437U133U229U333U122U353U56U367U585U233U613U77U262U284U677U65U187U109U181U163U380U158U305U341U355U510U442U547U145U139U70U8U32U328U492U518U254U346U667U78U323U634U170U561U637U280U448U44U617U180U191U464U344U60U356U387U424U22U200U269

U685U317U413U427U176U210U611U34U538U490U496U337U501U537U372U389U63U173U35U433U184U137U268U28U106U156U399U586U349U379U395U647U321U209U197U198U336U138U576U546U54U650U50U147U161U552U653U558U645U515U497U377U141U462U267

U193U275U610U196U354U477U391U401U405U504U545U657U463U507U216U253U277U263U236U278U426U159U218U303U154U655U222U388

U208

U506U244U549U19U529U182U237U418U40U309U663U58U629U347U84U241U291U357U472U116U59U82U227U654U414U231U445U41U243U76U247U556U62U162U251U10U358U94U583U503U104U135U226U588U27U551U532U491U160U412U376U12U126U223U155U205U392U178U235U416U279U469U2U505U454U281U635U96

U93

U129U230U245U310U312U143U664U475U436U593U523U1U95U105U449U652U458U270U322U326U531U149U393U234U92U616U455U509U666U15U5U66U71U403U212U456

U43

U590U101U481U329U453U571U394U678U46U311U651U671U238U668U407U628U240U658U334U659U256U460U661U444U90U107U562U220U228U124U224U423U461U273U117U622U533U575U214U522U47U276U217U33U665U169U320U432U557U110U626U429U132U612U211U383U152U325U130U638U670U689U512U86U248U108U339U265U113U272U470U42U167U371U465U264U419U48U88U148U100U112U688U102U428U584U411U420U136U440U134U199U332U692U150U45U274U89U435U691U83U81U331U459U114U271U72U421

-2 0 2 4 6 8 10 12 14 16 18

Wymiar 1

-10

-8

-6

-4

-2

0

2

4

6

8

10

Wym

iar

2

U607U598U582U604U581U601U288U603U174U298U597U600U602U578U596U304U599U525U290U287U482U294U577U425U307U422U164U483U672U24U177U553U73U179U681U74U568U293U606U580U594U508U250U292U285U57U123U398U605U517U674U6U486U301U441U52U480U202U633U49U430U516U121U608U467U565U364U313U283U494U627U61U75U409U468U308U361U499U673U519U476U548U479U471U643U188U680U13U404U526U295U206U366U539U171U574U207U451U373U29U569U406U683U68U120U500U644U215U300U342U560U282U498U474U190U431U466U51U528

U166

U564U669U488

U219

U261U26U186U649U21U396U25U687U239U642U131U624U3U213U316U542U446U140U55U382U18U368U363U348U636U648U656U609U473U85U168U232

U434U450U119U37U360U572U524U592U484U595U566U260U493U259U534U36U286U378U9U514U203U402U690U144U289U530U345U563U676U14U618U686U641U195U621U246U257U555U623U535U550U679U632U314U625U327U330U554U489U511U400U365U189U118U39U487U513U255U631U79U201U390U192U351U541U381U297U619U620U559U249U146U343U183U478U439U660U80U397U589U128U157U225U443U502U536U87U543U97U640U335U362U64U319U175

U99

U302U7U374U438U266U615U417U675U11U520U221

U252U587U662U359U410U127U591U485U369U386U682U204U457U495U614U125U296U67U646U172U185U573U4U242U318U20U338U340U544U258U567U570U315U408U521U375U527U384U385U415U151U684U53U370

U91

U30U352U17U103U142U23U452U31U299U38U447U111U115U194U324U540U579U98U350U630U639U16U69U437U133U229U333U122U353U56U367U585U233U613U77U262U284U677U65U187U109U181U163U380U158U305U341U355U510U442U547U145U139U70U8U32U328U492U518U254U346U667U78U323U634U170U561U637U280U448U44U617U180U191U464U344U60U356U387U424U22U200U269

U685U317U413U427U176U210U611U34U538U490U496U337U501U537U372U389U63U173U35U433U184U137U268U28U106U156U399U586U349U379U395U647U321U209U197U198U336U138U576U546U54U650U50U147U161U552U653U558U645U515U497U377U141U462U267

U193U275U610U196U354U477U391U401U405U504U545U657U463U507U216U253U277U263U236U278U426U159U218U303U154U655U222U388

U208

U506U244U549U19U529U182U237U418U40U309U663U58U629U347U84U241U291U357U472U116U59U82U227U654U414U231U445U41U243U76U247U556U62U162U251U10U358U94U583U503U104U135U226U588U27U551U532U491U160U412U376U12U126U223U155U205U392U178U235U416U279U469U2U505U454U281U635U96

U93

U129U230U245U310U312U143U664U475U436U593U523U1U95U105U449U652U458U270U322U326U531U149U393U234U92U616U455U509U666U15U5U66U71U403U212U456

U43

U590U101U481U329U453U571U394U678U46U311U651U671U238U668U407U628U240U658U334U659U256U460U661U444U90U107U562U220U228U124U224U423U461U273U117U622U533U575U214U522U47U276U217U33U665U169U320U432U557U110U626U429U132U612U211U383U152U325U130U638U670U689U512U86U248U108U339U265U113U272U470U42U167U371U465U264U419U48U88U148U100U112U688U102U428U584U411U420U136U440U134U199U332U692U150U45U274U89U435U691U83U81U331U459U114U271U72U421

Rysunek 6.2. Graficzna prezentacja struktury jednostek naukowych w dwuwymiarowej przestrzeni

kryteriów oceny

Źródło: opracowanie własne z wykorzystaniem pakietu STATISTICA, moduł skalowanie wielowymiarowe.

Rozrzut analizowanych jednostek potwierdza fakt, iż szeregowanie jednostek

naukowych na podstawie zbyt dużej liczby cech może przyczynić się do nadania różnych

pozycji jednostkom naukowych na liście rankingowej pomimo braku znaczących różnic

ich rezultatów naukowych. Zebrany zbiór danych poddano zatem analizie statystycznej,

która sprowadzała się do analizy parametrów opisowych, doboru zmiennych diagnostycznych

i określenia ich charakteru. Analiza parametrów opisowych polega na badaniu struktury

otrzymanego zbioru indywidualnych danych statystycznych. W zakresie analiz strukturalnych

zastosowane miary statystyki opisowej przedstawiono w tabeli 6.3. Zagadnienie prawidłowego

doboru formy miary opisowej jest podstawowym warunkiem poprawnego formułowania

wniosków z analizy opisowej.

190

Tabela 6.3. Zastosowane miary statystyki opisowej w zakresie analizy strukturalnej

Grupy miar Miary statystyczne

Miary położenia, w tym miary tendencji centralnej średnia arytmetyczna

mediana

dominanta

najniższe i najwyższe wartości cech

rozstęp

kwartyle

Miary rozproszenia wariancja

odchylenie standardowe

klasyczny współczynnik zmienności

Miary skośności i kurtozy współczynnik asymetrii

kurtoza

Źródło: opracowanie własne na postawie W. Starzyńska, Statystyka praktyczna, Państwowe Wydawnictwo

Naukowe, Warszawa 2000, s. 46-87.

Miary położenia stosowane są do wskazania przeciętnego położenia wartości

liczbowych cech. Miary tendencji centralnej służą do wyznaczania tej wartości cechy, wokół

której grupują się dane. Najczęściej stosowane są: średnia arytmetyczna, mediana

i dominanta. Miary rozproszenia (zróżnicowania, dyspersji, zmienności) pokazują przeciętne

odchylenie od położenia charakterystyk tendencji centralnej. Innymi słowy pozwalają

sprawdzić, czy informacje są rozproszone czy skoncentrowane. Miary asymetrii określają

kierunek i siłę asymetrii rozkładu cech. Ma to znaczenie w wypadku, gdy dwie lub więcej

zbiorowości charakteryzuje się podobnymi niektórymi wartościami średnimi (np. dominantą),

a jednak szczegółowa obserwacja wyklucza to podobieństwo. Miarą spłaszczenia rozkładu

realizacji cech względem rozkładu normalnego jest kurtoza4.

Wartości zastosowanych miar opisowych dla grupy wszystkich jednostek naukowych

przedstawiono w tabeli 6.4. Poszczególne miary przeanalizowano również w grupach

ze względu na typ jednostki naukowej.

Jednostki naukowe charakteryzują się wysokim niejednorodnym zróżnicowaniem

względem zmiennych. Istnieją również znaczne dysproporcje między typami jednostek

naukowych. Miary asymetrii wskazują na silną asymetrię prawostronną zmiennych,

co oznacza, że dla wszystkich cech w analizowanej grupie przeważają jednostki naukowe

o wartościach zmiennych znacznie niższych od średniej. Innymi słowy, dla każdej zmiennej

występuje grupa jednostek naukowych o skrajnie wysokich wartościach danej zmiennej.

Wynika to prawdopodobnie z różnych orientacji działalności naukowej jednostek.

4 W. Starzyńska, Statystyka praktyczna, Państwowe Wydawnictwo Naukowe, Warszawa 2000, s. 46-87.

191

Tabela 6.4. Statystyki opisowe całego zbioru danych

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

X3 683 98,44 84,00 Wielokr. 4 0,59% 4,4 760,6 49,20 124,40 756,20 76,50 77,72 3,06 17,08

X4 683 1,42 1,00 1 273 39,97% 0,0 7,0 1,00 2,00 7,00 1,17 82,58 1,15 1,99

X5 683 1,00 1,00 0 269 39,39% 0,0 6,0 0,00 2,00 6,00 1,07 107,50 1,31 2,43

X6 683 0,01 0,00 0 674 98,68% 0,0 1,0 0,00 0,00 1,00 0,11 866,02 8,56 71,43

X8 683 0,01 0,00 0 678 99,27% 0,0 1,0 0,00 0,00 1,00 0,09 1165,33 11,58 132,58

X9 683 2630,97 997,00 0 66 9,66% 0,0 28231,0 123,00 3439,00 28231,00 3934,46 149,54 2,65 9,17

X10 683 73,16 0,00 0 555 81,26% 0,0 3400,0 0,00 0,00 3400,00 292,89 400,34 6,14 46,76

X11 683 843,91 567,00 0 119 17,42% 0,0 8530,3 136,00 1201,00 8530,25 967,87 114,69 2,68 13,28

X12 683 52,01 18,00 0 199 29,14% 0,0 6196,0 0,00 48,00 6196,00 256,13 492,48 20,86 489,79

X13 683 3,43 1,00 0 259 37,92% 0,0 152,0 0,00 4,00 152,00 9,68 282,35 9,36 113,22

X14 683 28,16 16,00 0 139 20,35% 0,0 226,0 3,00 39,00 226,00 35,80 127,13 2,28 6,51

X15 683 20,52 3,00 0 296 43,34% 0,0 338,0 0,00 25,00 338,00 40,58 197,80 3,85 19,15

X16 683 9,54 0,00 0 542 79,36% 0,0 375,0 0,00 0,00 375,00 30,41 318,62 5,41 42,04

X18 683 0,00 0,00 0 681 99,71% 0,0 2,0 0,00 0,00 2,00 0,09 1946,79 21,01 462,96

X19 683 0,01 0,00 0 678 99,27% 0,0 4,0 0,00 0,00 4,00 0,19 1329,81 16,11 290,59

X20 683 0,00 0,00 0 681 99,71% 0,0 1,0 0,00 0,00 1,00 0,05 1846,62 18,44 338,99

X21 683 0,00 0,00 0 682 99,85% 0,0 1,0 0,00 0,00 1,00 0,04 2613,43 26,13 683,00

X22 683 200,12 0,00 0 554 81,11% 0,0 30143,0 0,00 0,00 30143,00 1616,55 807,79 13,54 214,10

X24 683 4,59 0,00 0 410 60,03% 0,0 175,0 0,00 4,00 175,00 12,78 278,73 6,62 62,59

X25 683 0,31 0,00 0 617 90,34% 0,0 14,0 0,00 0,00 14,00 1,30 416,41 5,92 42,16

X26 683 6,70 0,00 0 348 50,95% 0,0 195,0 0,00 6,00 195,00 17,17 256,39 5,41 38,79

X27 683 0,04 0,00 0 665 97,36% 0,0 6,0 0,00 0,00 6,00 0,30 785,70 13,58 240,95

X28 683 0,26 0,00 0 607 88,87% 0,0 23,0 0,00 0,00 23,00 1,24 472,81 11,37 178,53

X29 683 0,54 0,00 0 580 84,92% 0,0 42,0 0,00 0,00 42,00 2,45 451,47 10,09 138,85

X30 683 0,31 0,00 0 638 93,41% 0,0 28,0 0,00 0,00 28,00 2,07 659,83 10,28 120,77

X31 683 1,65 0,00 0 604 88,43% 0,0 352,0 0,00 0,00 352,00 18,80 1141,57 16,53 287,21

X32 683 1,04 0,00 0 553 80,97% 0,0 45,0 0,00 0,00 45,00 3,79 365,14 7,03 63,04

191

192

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

X33 683 2,68 0,00 0 637 93,27% 0,0 280,0 0,00 0,00 280,00 18,98 709,20 10,00 116,34

X34 683 0,39 0,00 0 539 78,92% 0,0 10,0 0,00 0,00 10,00 1,02 259,39 4,09 22,76

X35 683 4,22 2,00 0 250 36,60% 0,0 52,0 0,00 5,00 52,00 6,59 156,09 2,88 11,67

X36 683 4372,78 322,75 0 261 38,21% 0,0 111375,0 0,00 3487,80 111375,00 10493,67 239,98 4,76 31,02

X37 683 42298,15 0,00 0 588 86,09% 0,0 4662870,0 0,00 0,00 4662870,00 244607,93 578,29 12,02 196,58

X38 683 937,94 0,00 0 585 85,65% 0,0 137464,3 0,00 0,00 137464,30 6981,75 744,37 13,40 228,07

X47 683 9274,58 4373,00 Wielokr. 2 0,29% 23,0 141696,0 1404,40 11395,20 141673,00 13671,50 147,41 3,51 19,17

Oznaczenia kolumn:

1 N ważnych

2 Średnia

3 Mediana

4 Dominanta

5 Liczność dominanty

6 Liczność dominanty / N

7 Minimum

8 Maksimum

9 Dolny kwartyl

10 Górny kwartyl

11 Rozstęp

12 Odchylenie standardowe

13 Współczynnik zmienności

14 Skośność

15 Kurtoza

Źródło: opracowanie własne z wykorzystaniem programu STATISTICA.

Tabela 6.5. Udział dominanty w relacji do zbioru jednostek naukowych według typu jednostek

Grupa jednostek X3 X4 X5 X6 X8 X9 X10 X11 X12 X13 X14 X15

Wszystkie: 0,59% 39,97% 39,39% 98,68% 99,27% 9,66% 81,26% 17,42% 29,14% 37,92% 20,35% 43,34%

Instytuty badawcze 1,71% 59,83% 76,07% 93,16% 99,15% 15,38% 99,15% 8,55% 29,91% 62,39% 20,51% 42,74%

Jednostki naukowe PAN 2,67% 57,33% 45,33% 98,67% 97,33% 5,33% 84,00% 61,33% 29,33% 50,67% 66,67% 81,33%

Inne jednostki naukowe 10,00% 100,00% 100,00% 100,00% 100,00% 20,00% 100,00% 10,00% 80,00% 70,00% 30,00% 70,00%

Uczelnie: 0,83% 40,04% 35,27% 100,00% 99,38% 8,71% 75,93% 13,07% 27,80% 29,25% 12,86% 36,93%

ekonomiczne 9,52% 52,38% 57,14% 100,00% 100,00% 9,52% 66,67% 4,76% 33,33% 19,05% 9,52% 80,95%

medyczne 5,41% 32,43% 27,03% 100,00% 100,00% 5,41% 100,00% 8,11% 16,22% 59,46% 10,81% 43,24%

morskie 14,29% 71,43% 100,00% 100,00% 100,00% 14,29% 100,00% 14,29% 57,14% 42,86% 28,57% 28,57%

pedagogiczne 13,33% 46,67% 66,67% 100,00% 100,00% 13,33% 60,00% 13,33% 20,00% 20,00% 20,00% 20,00%

rolnicze 4,88% 68,29% 70,73% 100,00% 100,00% 4,88% 100,00% 4,88% 34,15% 39,02% 7,32% 34,15%

służb państwowych 33,33% 100,00% 100,00% 100,00% 100,00% 33,33% 100,00% 33,33% 66,67% 66,67% 66,67% 66,67%

techniczne 1,36% 34,69% 34,69% 100,00% 99,32% 2,72% 92,52% 13,61% 35,37% 23,13% 13,61% 34,69%

uniwersytety 1,11% 39,44% 37,78% 100,00% 99,44% 17,22% 52,78% 17,22% 21,11% 27,22% 20,56% 33,89%

wojskowe 7,69% 53,85% 38,46% 100,00% 100,00% 7,69% 100,00% 30,77% 53,85% 30,77% 15,38% 76,92%

wychowania fizycznego 18,18% 72,73% 54,55% 100,00% 100,00% 9,09% 100,00% 9,09% 27,27% 45,45% 18,18% 18,18%

kościelne 20,00% 60,00% 40,00% 100,00% 100,00% 20,00% 20,00% 20,00% 20,00% 20,00% 20,00% 40,00%

192

193

Grupa jednostek X16 X18 X19 X20 X21 X22 X24 X25 X26 X27 X28 X29

Wszystkie 79,36% 99,71% 99,27% 99,71% 99,85% 81,11% 60,03% 90,34% 50,95% 97,36% 88,87% 84,92%

Instytuty badawcze 68,38% 99,15% 97,44% 99,15% 100,00% 63,25% 46,15% 76,92% 35,04% 97,44% 87,18% 76,07%

Jednostki naukowe PAN 100,00% 100,00% 100,00% 100,00% 100,00% 86,67% 65,33% 90,67% 58,67% 98,67% 82,67% 80,00%

Inne jednostki naukowe 50,00% 100,00% 100,00% 90,00% 100,00% 40,00% 40,00% 100,00% 60,00% 100,00% 90,00% 90,00%

Uczelnie: 79,25% 99,59% 99,38% 100,00% 99,59% 85,27% 62,86% 93,15% 53,32% 96,89% 90,04% 87,55%

ekonomiczne 100,00% 100,00% 100,00% 100,00% 100,00% 57,14% 100,00% 100,00% 100,00% 100,00% 100,00% 100,00%

medyczne 97,30% 100,00% 100,00% 100,00% 100,00% 91,89% 75,68% 97,30% 32,43% 94,59% 83,78% 67,57%

morskie 100,00% 100,00% 100,00% 100,00% 100,00% 85,71% 42,86% 100,00% 28,57% 100,00% 100,00% 85,71%

pedagogiczne 46,67% 100,00% 100,00% 100,00% 100,00% 86,67% 73,33% 100,00% 86,67% 100,00% 86,67% 100,00%

rolnicze 97,56% 100,00% 97,56% 100,00% 97,56% 87,80% 36,59% 87,80% 31,71% 95,12% 90,24% 90,24%

służb państwowych 33,33% 100,00% 100,00% 100,00% 100,00% 100,00% 100,00% 100,00% 100,00% 100,00% 100,00% 100,00%

techniczne 78,23% 99,32% 99,32% 100,00% 100,00% 77,55% 35,37% 84,35% 23,81% 95,92% 84,35% 82,99%

uniwersytety 76,67% 100,00% 100,00% 100,00% 100,00% 91,11% 82,22% 98,33% 76,67% 98,33% 93,89% 92,22%

wojskowe 84,62% 100,00% 100,00% 100,00% 100,00% 100,00% 46,15% 100,00% 30,77% 92,31% 92,31% 76,92%

wychowania fizycznego 18,18% 100,00% 100,00% 100,00% 100,00% 100,00% 90,91% 100,00% 90,91% 100,00% 100,00% 100,00%

kościelne 80,00% 100,00% 100,00% 100,00% 100,00% 80,00% 100,00% 100,00% 100,00% 100,00% 100,00% 100,00%

Grupa jednostek X30 X31 X32 X33 X34 X35 X36 X37 X38 X47

Wszystkie: 93,41% 88,43% 80,97% 93,27% 78,92% 36,60% 38,21% 86,09% 85,65% 0,29%

Instytuty badawcze 80,34% 80,34% 56,41% 89,74% 68,38% 28,21% 23,93% 60,68% 64,10% 0,85%

Jednostki naukowe PAN 100,00% 96,00% 92,00% 98,67% 65,33% 24,00% 32,00% 97,33% 90,67% 2,67%

Inne jednostki naukowe 80,00% 60,00% 70,00% 80,00% 90,00% 80,00% 10,00% 60,00% 20,00% 10,00%

Uczelnie: 95,64% 89,63% 85,27% 93,36% 83,20% 39,63% 43,45% 90,87% 91,29% 0,42%

ekonomiczne 100,00% 100,00% 100,00% 100,00% 76,19% 19,05% 38,10% 100,00% 100,00% 4,76%

medyczne 100,00% 89,19% 94,59% 97,30% 94,59% 64,86% 100,00% 100,00% 100,00% 5,41%

morskie 100,00% 85,71% 100,00% 100,00% 100,00% 57,14% 42,86% 85,71% 100,00% 14,29%

pedagogiczne 100,00% 93,33% 100,00% 100,00% 93,33% 46,67% 93,33% 100,00% 100,00% 13,33%

rolnicze 87,80% 73,17% 78,05% 87,80% 85,37% 29,27% 14,63% 90,24% 80,49% 4,88%

służb państwowych 100,00% 100,00% 100,00% 100,00% 100,00% 66,67% 66,67% 100,00% 100,00% 66,67%

techniczne 92,52% 79,59% 69,39% 85,71% 76,87% 27,21% 17,69% 78,91% 82,31% 1,36%

uniwersytety 98,89% 99,44% 93,89% 98,89% 82,78% 44,44% 50,56% 98,33% 97,78% 1,11%

wojskowe 84,62% 92,31% 76,92% 92,31% 100,00% 53,85% 38,46% 69,23% 76,92% 7,69%

wychowania fizycznego 100,00% 100,00% 100,00% 90,91% 90,91% 81,82% 100,00% 100,00% 100,00% 9,09%

kościelne 100,00% 100,00% 100,00% 100,00% 100,00% 100,00% 100,00% 100,00% 100,00% 20,00%

Legenda: Kolorem wyszczególniono wskaźniki dla dominanty równej 0. Czerwony kolor oznacza sytuację, gdzie wszystkie jednostki w danej grupie wykazują brak

wartości; niebieski, gdy liczba jednostek w danej grupie znajduje się w przedziale <90% ;100%). Źródło: opracowanie własne.

193

194

Współczynniki skośności i kurtozy wskazują także na odchylenia od rozkładu normalnego

zmiennych, co wyklucza zastosowanie niektórych metod, przykładowo analizy czynnikowej.

Współczynnik zmienności wskazuje na silną dyspersję wszystkich zmiennych. Zatem

ze względu na ten współczynnik żadna ze zmiennych nie może zostać odrzucona. Inne miary

wskazują, iż zagadnienie jest bardziej złożone. Uwagę zwracają zmienne, dla których średnia,

dominanta i mediana wynosi 0. W zbiorze danych wiele jednostek naukowych wykazuje

wartości zerowe w licznych kategoriach. Takie zjawisko wynika z nadmiarowego

zbioru zmiennych bądź z doboru zbyt szczegółowych cech. Autorka przeanalizowała miary

w grupach obiektów według typu jednostek. Liczebność dominanty równej 0 w relacji

do zbioru jednostek naukowych według typu jednostek zostały przedstawione w tabeli 6.4.

Z analizy wskaźników w tabeli 6.5 wynika, że w wypadku zmiennych X6, X8, X18,

X19, X20, X21, X27 obiekty wykazują niską aktywność. Udział dominanty równej 0 dla tych

zmiennych w większości wynosi 100% . Stanowi to przesłankę do usunięcia wymienionych

zmiennych ze zbioru danych. Ma to również swoje uzasadnienie merytoryczne w wypadku

zmiennej X6. Status Państwowego Instytutu Badawczego posiada tylko 9 jednostek

naukowych spośród instytutów badawczych i jednostek naukowych PAN (w 2014 r. – 15).

Status ten nadawany jest instytutom badawczym na wniosek ministra sprawującego nadzór

nad daną instytucją5. Zdaniem Autorki zmienna nie ma charakteru obiektywnego, a znaczenie

jednostki odwzorowane jest w poziomie finansowania. Państwowy instytut badawczy

otrzymuje dodatkowo dotację celową na finansowanie realizacji zleconych zadań. Ponadto

średni poziom dotacji statutowej państwowych instytutów badawczych w latach 2005-2008

prawie dwukrotnie przekracza średnią w całej grupie jednostek naukowych (198,27%).

W wypadku zmiennej X8, tylko 5 jednostek naukowych wykazało po jednym

laureacie konkursów "Pomysły" Europejskiej Rady Nauki.

Wśród zmiennych charakteryzujących publikacje, zmienna X10 wykazuje brak

wartości dla instytutów badawczych i innych jednostek naukowych. Cecha ta reprezentuje

jednak jednostki, które publikują w czasopismach z wykazu punktowanych czasopism

europejskich z nauk humanistycznych (ERIH) i jest znacząca dla tej grupy jednostek.

Analogiczna relacja zachodzi w wypadku zmiennych X31, X32, X33, X37 i X38, dla których,

w tych wypadkach, jednostki naukowe PAN wykazują niski udział. Zatem proponuje się

poddanie tych zmiennych dalszym analizom.

5 ustawa z dnia 30 kwietnia 2010 r. o instytutach badawczych, Dz. U. 2010, nr 96, poz. 618, art. 22.

195

Z kolei zmienne X18, X19, X20, X21 charakteryzują liczbę udzielonych praw

rejestracji wzoru przemysłowego. Jednostki naukowe wykazują niską aktywność w tym

zakresie. Podobnie w wypadku zmiennych X25 i X27. Korzystniej wygląda sytuacja

w wypadku patentów oraz licencji. Inne jednostki naukowe nie posiadają uprawnień

do nadawania stopni naukowych.

Analizując jednostki naukowe z perspektywy ich zasobów, można zauważyć,

że są dość zróżnicowane pod względem wielkości mierzonej liczbą zatrudnionych osób przy

prowadzeniu badań naukowych lub prac rozwojowych na podstawie stosunku pracy,

dla których jednostka jest podstawowym miejscem pracy wynosi. Średnia dla wszystkich

jednostek wynosi 97,8 (93,7 bez 5 jednostek uczelnie medycznych). Dysproporcje w zakresie

zmiennej X3 przedstawiono na rysunku 6.3.

Rysunek 6.3. Wykres pudełkowy liczby zatrudnionych w jednostkach naukowych w działalności B+R

Źródło: opracowanie własne z wykorzystaniem pakietu STATISTICA.

Generalnie rozpiętość poziomu zatrudnienia jest znaczna i mieści się w przedziale

(4,4;228,6). Istnieje też grupa jednostek o wyższym zatrudnieniu. Najwyższe zatrudnienie

prezentują wydziały lekarskie uczelni medycznych zatrudniające powyżej 400 pracowników.

Są to przykładowo jednostki U607, U598, U582, U604, U581 oraz U601.

jednostki

naukowe uczelni

medycznych

196

Analizując zatrudnienie w jednostkach naukowych według typów, uczelnie stanowią

grupę o średniej liczbie zatrudnionych wynoszącej 116,25 FTE. Pozostałe grupy jednostek

naukowych charakteryzuje niższe zatrudnienie, w przedziale (43;63). Wartości średnie w tym

zakresie zostały przedstawione na rysunku 6.4.

Rysunek 6.4. Średni poziom zatrudnienia i średni poziom dotacji statutowej w poszczególnych grupach

jednostek naukowych


Należy jednak zauważyć, że średnia liczba zatrudnionych pracowników nie jest

ekwiwalentna do średniej wartości dotacji statutowej w poszczególnych grupach jednostek

naukowych. Średnio najwyższe dotacje otrzymują jednostki naukowe PAN, następnie

instytuty badawcze. Poziom dotacji statutowej uczelni i innych jednostek naukowych jest

ponad czterokrotnie niższy.

Średni poziom dotacji statutowej w okresie 2005-2008 przypadający na 1 pracownika

również jest zróżnicowany względem rodzaju jednostki naukowej (rysunek 6.5).

W jednostkach naukowych PAN poziom ten wynosi 496,59 tys. zł, w instytutach badawczych

300,19 tys. zł, w innych jednostkach naukowych129,81 tys. zł. Najniższy poziom przypada

na 1 pracownika uczelni – prawie 12 razy mniejszy w stosunku do jednostek naukowych

PAN. Analizując poszczególne typy uczelni, z danych wynika, że najwyższy poziom dotacji

przypadającej na 1 pracownika otrzymują uczelnie wojskowe i służb państwowych.

25 797 850 zł

18 389 000 zł

4 594 760 zł 3 811 700 zł

50,86 63

116,25

43,8

0

20

40

60

80

100

120

140

Jednostki

naukowe PAN

Instytuty

badawcze

Uczelnie Inne jednostki

naukowe

0 zł

5 000 000 zł

10 000 000 zł

15 000 000 zł

20 000 000 zł

25 000 000 zł

30 000 000 zł

Lic

zba p

raco

wn

ików

Pozio

m d

ota

cji [tys. zł]

Średni poziom dotacji statutowej w poszczególnych grupach w latach 2005-2008

Średni poziom zatrudnienia w działalności B+R, stan na dzień 31.12.2008 r.

Średni poziom dotacji statutowej dla wszystkich jednostek

Średni poziom zatrudnienia dla wszystkich jednostek

197

Rysunek 6.5. Średni poziom dotacji statutowej na 1 pracownika w poszczególnych grupach jednostek

naukowych


Rozpatrując średni poziom finansowania jednostek naukowych w układzie

geograficznym należy odnotować, że jest on zróżnicowany względem województw. Średni

poziom dotacji statutowej jednostek naukowych w latach 2004-2008 przypadającej

na jednostkę naukową wraz z liczbą jednostek naukowych zlokalizowanych

w poszczególnych województwach przedstawiono na rysunku 6.6. Województwa można

pogrupować w pięć klas względem poziomu średniej dotacji statutowej:

1) mazowieckie;

2) małopolskie;

3) śląskie, wielkopolskie, dolnośląskie, łódzkie lubelskie;

4) pomorskie, warmińsko-mazurskie;

5) zachodniopomorskie, kujawsko-pomorskie, podlaskie, opolskie, podkarpackie, lubuskie,

świętokrzyskie.

Średni poziom dotacji statutowej jest istotnie skorelowany z wielkością ośrodka

akademickiego mierzonego liczbą jednostek naukowych w województwie (współczynnik

korelacji na podstawie badań autorki na poziomie 0,86).

0 50 100 150 200 250 300 350 400 450 500

Uczelnia teologiczna

Uczelnia kościelna

Uczelnia pedagogiczna

Uczelnia wychowania fizycznego

Uczelnia morska

Uczelnia medyczna

Uczelnia ekonomiczna

Uniwersytet

Uczelnia rolnicza / przyrodnicza

Uczelnia techniczna

Uczelnia służb państwowych

Uczelnia wojskowa

Uczelnia

Inna jednostka naukowa

Instytut badawczy

Jednostka naukowa PAN

Poziom dotacji [tys. zł]

198

Rysunek 6.6. Liczba jednostek naukowych i średni poziom dotacji statutowej jednostek naukowych

w latach 2005-2008 według województw [tys. zł]

Źródło: opracowanie własne w wykorzystaniem programu Quantum GIS.

Studiując jednostki naukowe pod względem uzyskiwanych przez nie rezultatów

naukowych, można zauważyć, że największą aktywność przejawiają w obszarach publikacji

i współpracy z otoczeniem. Dokonując bardziej wnikliwej analizy, zbadano jaka jest

orientacja jednostek naukowych w zakresie realizowanych obszarów naukowo-badawczych.

Dla uzyskania porównywalności zmiennych o różnych skalach dokonano standaryzacji

wybranych zmiennych. Uwzględniono uśrednione wartości zmiennych charakteryzujących

publikacje (X9, X10, X11), patenty i inne prawa z tytułu wynalazków i wzorów

przemysłowych (X19X31), wartość umów wynikających z prac B+R (X36), wpływy

z wdrożenia wyników prac B+R (X37, X38) oraz udział w projektach naukowo-badawczych

(X34, X35). Wyniki przedstawiono na rysunku 6.7.

Podstawowe jednostki naukowe uczelni realizują zadania w analizowanych obszarach

równomiernie. Dominują wśród pozostałych jednostek naukowych w zakresie publikacji.

Jednostki naukowe PAN przejawiają zbliżony do uczelni poziom w realizacji grantów

i publikacji. Realizują jednak najwięcej umów B+R, charakteryzują się natomiast niskim

poziomem patentów w stosunku do pozostałych jednostek. Patenty są dominującym obszarem

instytutów badawczych, które przejawiają również wysoką aktywność w zakresie wdrożeń

i umów B+R.

199

Rysunek 6.7. Średni poziom uzyskiwanych wyników w poszczególnych obszarach naukowych według

rodzaju jednostki naukowej


Zdecydowanie silną stroną innych jednostek naukowych jest współpraca z otoczeniem

wynikająca z wdrożeń finalnych produktów i nowych technologii oraz realizacja prac B+R

na rzecz podmiotów zewnętrznych. Na tym polu znacznie przekraczają poziom pozostałych

jednostek naukowych. Zestawienie będące podsumowaniem orientacji poszczególnych

rodzajów jednostek naukowych zaprezentowano w tabeli 6.5. Odnosząc się do rysunku 6.4,

można zauważyć brak bezpośredniego wpływu poziomu finansowania na uzyskiwane

rezultaty naukowe.

Tabela 6.6. Orientacja działalności jednostek naukowych

Grupa jednostek

naukowych Publikacje Granty

Patenty

i wynalazki Wdrożenia

Umowy

B+R

Instytuty badawcze + + +++ ++ ++

Jednostki naukowe PAN ++ ++ + + ++

Uczelnie ++ ++ ++ + +

Inne jednostki naukowe + + +++ +++

Legenda:

+ oznacza skalę poziomu osiąganych wyników w poszczególnym zakresie

oznacza niski poziom wyników w poszczególnym zakresie


-1

-0,5

0

0,5

1

1,5

2

2,5

3

3,5

Publikacje

Granty

Umowy B+RWdrożenia

Patenty

Inne jednostki naukowe Instytuty badawcze Jednostki naukowe PAN Uczelnie

200

Analogiczne, do rysunku 6.7, zestawienie sporządzono dla typów uczelni. Z rysunku

6.8 wynika duże zróżnicowanie w poszczególnych obszarach działalności podstawowych

jednostek szkół wyższych. Należy zauważyć, że nie ma grupy jednostek, które dominowałyby

we wszystkich zakresach. Każda grupa wyraża pewną specyfikę. Przykładowo jednostki

uczelni technicznych charakteryzują się wyróżniającym poziomem w zakresie patentów

oraz wysokim poziomem realizowanych grantów, wdrożeń oraz umów B+R. Publikacje

w stosunku do innych obszarów nie mają charakteru pierwszorzędnego, ale w porównaniu

do innych grup jednostek wskazują poziom wysoki. Ma to znaczenie w wypadku oceny

porównawczej jednostek naukowych.

Rysunek 6.8. Średni poziom uzyskiwanych wyników w poszczególnych obszarach naukowych według

rodzaju uczelni


Dla uczelni medycznych wyróżniającym obszarem są publikacje, a dla ekonomicznych

i służb państwowych – granty. Uczelnie wojskowe specjalizują się we wdrożeniach i umowach

B+R. Silną stroną rolniczych szkół wyższych są patenty i umowy B+R.

Przeprowadzone analizy wskazują, że jednostki naukowe są zróżnicowane w poziomie

finansowania statutowego i zakresie realizacji własnych zadań statutowych.

-1,5

-1

-0,5

0

0,5

1

1,5

2

2,5

3

3,5kościelne

służb państwowych

wojskowe

wychowania fizycznego

ekonomiczne

morskierolnicze

pedagogiczne

techniczne

uniwersytety

medyczne

Publikacje Granty Umowy B+R Wdrożenia Patenty

201

Poziom finansowania jest głównym czynnikiem determinującym poziom

produktywności nauki*. Zatem w ocenie produktywności jednostek naukowych należy

uwzględnić nie tylko poziom zatrudnienia, ale również zasoby środków finansowych.

Rodzaj jednostki naukowej czy typ uczelni wskazuje na pewną charakterystyczność.

Mając to na uwadze, zdaniem autorki, ocena jednostek naukowych powinna uwzględniać

ich specjalizację. Każda grupa jednostek wykazuje pewne silne strony i słabości. Stosowanie

jednakowych miar, a szczególnie tych samych wag cech, do oceny wszystkich jednostek

naukowych ogranicza autonomię jednostek naukowych przez komprymowanie i reglamentację

swobody badawczej. Specjalizacja instytucjonalna jednostek naukowych jest historycznie

uwarunkowanym efektem rozwoju nauki i dokonanego w niej podziału pracy o różnym zasięgu,

od instytucji, przez środowisko, region do nauki światowej. Zagadnienie specjalizacji

instytucjonalnej związane jest z ściśle z obszarem wiedzy i dziedziną nauki reprezentowanej

przez jednostkę naukową i wynika z konieczności zastosowania odpowiedniego warsztatu

naukowo-badawczego. Stąd, w wielu systemach oceny nauki** stosowane są liczne kryteria

pozwalające uwzględnić jak najszerszy zakres wyników działalności jednostek naukowych

o różnym profilu naukowo-badawczym. Sprzyja temu stosowanie jakościowych systemów.

W Polsce, duża liczba jednostek naukowych ogranicza wdrożenie oceny jakościowej. Zatem

istnieje potrzeba wypracowania kompleksowego i wielostronnego systemu ilościowego oceny.

Mając również na uwadze najnowszy nurt badań, który ma na celu zapewnić naukowe

podstawy wspomagania procesów decyzyjnych w sektorze nauki***, autorka proponuje

zastosowanie metody DEA i metod statystycznych do oceny jednostek naukowych w Polsce.

6.2. Wybór zmiennych do oceny produktywności jednostek naukowych

Metoda DEA była wykorzystywana w wielu krajach do oceny działalności naukowej

uczelni i jednostek państwowych akademii nauk, jednak brak jest jednomyślności,

co do stosowanego modelu i wyboru zmiennych decyzyjnych****. Na podstawie przeglądu

literatury można wysunąć konkluzję, że badania powinny uwzględniać lokalną specyfikę sektora

nauki, wymagają też konsensusu i akceptacji zarówno przez ocenianych, jak i oceniających.

Wybierając zmienne do modelu DEA należy pamiętać o postulatach metody.

Metodologia DEA oprócz założenia jednorodności zbioru obiektów wymaga


** Patrz: rozdział 3.2.

*** Patrz: rozdział 1.2.

**** Patrz: rozdział 5.2.

202

odpowiedniej liczby obserwacji w stosunku do rozważanych nakładów i efektów*. Innym

postulatem, który należy spełnić jest nieujemność nakładów i efektów, którą uzyskać

można chociażby przez dodanie stałej w wypadku, gdy jakaś wielkość przyjęła wartość

niedodatnią. Każdy nakład powinien też być wyraźnie powiązany z przynajmniej jednym

rezultatem. Wielkość uznana za rezultat musi być tak zdefiniowana, aby jej wzrost

oceniany był pozytywnie z punktu widzenia celu działania. Wzrost nakładów

przy ustalonym poziomie rezultatów natomiast niekorzystnie.

Kwestią wymagającą założenia a priori jest podział wybranych zmiennych

wejściowych na zmienne tzw. kontrolowane i niekontrolowane (środowiskowe). W wypadku

istnienia istotnych zmiennych niekontrolowanych powinno odnosić się produktywność danej

jednostki tylko do tych, które osiągają lepsze wyniki przy niższym poziomie zmiennych

wejściowych kontrolowanych i jednocześnie tym samym poziomie niekontrolowanych.

Statystyczny dobór cech kryterialnych w teorii sprowadza się do badania struktury

danych polegającego na analizie zdolności dyskryminacyjnej oraz analizie współzależności6.

W zadaniach wielowymiarowej analizy porównawczej, zmiennym diagnostycznym stawia się

dwa główne postulaty:

– wysoki poziom ich zmienności względem badanych obiektów;

– niski poziom skorelowania pomiędzy nimi.

W wyniku analizy zmienności i innych statystyk opisowych** zbiór zmiennych został

zredukowany (tabela 6.7).

Tabela 6.7. Zestaw zmiennych po analizie statystyki opisowej

Rodzaj zmiennych Numery zmiennych

Efekty działalności naukowej

X4, X5, X9, X10, X11, X12, X13, X14, X15, X16,

X22, X24, X25, X26, X28, X29, X30, X31, X32,

X33, X34, X35, X36, X37, X38

Nakłady X3, X47

Zmienne środowiskowe X1, X2, X2a

Zmienne usunięte X6, X7, X8, X17, X18, X19, X20, X21, X23, X27


W zakresie analiz współzależności specjalną użytecznością charakteryzują się miary

korelacji. Korelacja między zmiennymi jest pewną miarą związku między nimi. W zakresie

analiz metodą DEA przyjmuje się, że zmienne wejściowe lub zmienne wyjściowe

* Patrz: rozdział 5.1. 6 T. Panek, dz. cyt., s. 18-23.

** Patrz: rozdział 6.1.

203

nie powinny być skorelowane w ramach własnej grupy. Pożądana jest jednak sytuacja, gdy

istnieje zależność nakładów z efektami7.

Wśród metod doboru zmiennych diagnostycznych opartych na analizie korelacji

wymienia się:

współczynnik korelacji liniowej;

metodę parametryczną Z. Hellwiga;

analizę czynnikową.

Współczynnik korelacji mierzy siłę (stopień) korelacji liniowej. Przyjmuje wartości

z przedziału (-1;+1). Możliwe wartości współczynnika interpretuje się następująco8:

gdy 0 , brak korelacji między dwiema zmiennymi;

gdy 1 , zachodzi ścisły dodatni związek między dwiema zmiennymi, to znaczy

wzrostowi wartości jednej zmiennej odpowiada wzrost wartości drugiej zmiennej;

gdy 1 , zachodzi ścisły ujemny związek między dwiema zmiennymi, to znaczy

wzrostowi wartości jednej zmiennej odpowiada spadek wartości drugiej zmiennej;

jeżeli bezwzględna wartość mieści się w przedziale [0;1], to mierzy siłę liniowego

związku między zmiennymi.

Wartości istotnych i większych od 0,5 współczynników korelacji przyjętego zestawu

zmiennych dla wszystkich jednostek naukowych przedstawiono w tabeli 6.8. Pojemność

informacyjna zmiennej jest tym wyższa, im jest ona słabiej skorelowana z innymi zmiennymi

i jednocześnie silnie skorelowana ze zmiennymi, które nie wchodzą do ostatecznego zbioru

zmiennych diagnostycznych9.

Analizując macierz korelacji można zauważyć znaczącą współzależność niektórych

mierników opisujących rezultaty działalności naukowej jednostek. Wysoki współczynnik

korelacji (0,79) odnotować można dla liczby uprawnień do nadawania stopnia doktora (X4)

oraz liczby uprawnień do nadawania stopnia doktora habilitowanego (X5). Liczba patentów

udzielonych przez Urząd Patentowy RP (X24) jest skorelowana na poziomie 0,76 z liczbą

zgłoszonych wynalazków w Urzędzie Patentowym RP. Analogicznie skorelowane

są zmienne: patenty udzielony za granicą oraz zgłoszenia wynalazków za granicą (0,69).

Znaczącą korelację (0,66) wykazują również zmienne charakteryzujące przychody z tytułu

wdrożenia prac B+R jednostki wdrażającej (X37) oraz przychody jednostki naukowej

(uzyskane wpływy) z tytułu wdrożenia (X38).

7 J. Nazarko, J. Šaparauskas, dz. cyt., s. 12.

8 A.D. Aczel, Statystyka w zarządzaniu, Państwowe Wydawnictwo Naukowe, Warszawa 2006, s. 480.

9 T. Panek, dz. cyt., s. 20.

204

Tabela 6.8. Współczynniki korelacji cech wraz z poziomem ich istotności

Ś Ś N E E E E E E E E E E E E E E E E E E E E E E E E E N

X1 X2 X3 X4 X5 X9 X10 X11 X12 X13 X14 X15 X16 X22 X24 X25 X26 X28 X29 X30 X31 X32 X33 X34 X35 X36 X37 X38 X47

X1 - -0,03 -0,06 -0,09 -0,20 -0,08 -0,06 -0,06 -0,06 -0,04 -0,07 0,06 0,07 0,00 -0,09 -0,01 -0,07 -0,08 -0,07 0,07 0,01 0,01 -0,04 -0,04 -0,11 -0,03 0,00 0,05 -0,12

X2 0,46 - -0,32 -0,42 -0,33 -0,13 -0,10 -0,24 -0,06 -0,12 -0,32 -0,22 -0,05 0,14 0,07 0,21 0,07 0,06 0,07 0,20 -0,02 0,24 0,03 0,08 0,13 0,41 0,20 0,26 0,41

X3 0,10 0,00 -- 0,61 0,57 0,56 0,23 0,74 0,08 0,12 0,43 0,44 0,16 0,01 0,05 -0,05 0,05 0,04 0,00 -0,04 0,05 -0,05 0,00 0,04 0,11 0,02 -0,03 -0,06 0,13

X4 0,01 0,00 0,00 - 0,79 0,34 0,32 0,35 0,13 0,19 0,36 0,35 0,07 -0,01 0,09 -0,04 0,11 0,02 -0,01 -0,08 0,00 -0,11 -0,02 0,03 0,11 -0,08 -0,09 -0,14 0,07

X5 0,00 0,00 0,00 0,00 - 0,38 0,34 0,35 0,13 0,19 0,32 0,26 -0,04 -0,01 0,11 -0,02 0,13 0,05 0,02 -0,06 0,01 -0,11 -0,07 0,10 0,17 -0,04 -0,06 -0,11 0,18

X9 0,04 0,00 0,00 0,00 0,00 - -0,16 0,19 0,01 -0,07 -0,17 -0,16 -0,11 0,02 0,22 0,04 0,22 0,18 0,18 -0,06 -0,04 -0,04 -0,01 0,17 0,20 0,00 -0,04 -0,04 0,40

X10 0,11 0,01 0,00 0,00 0,00 0,00 - 0,00 0,09 0,21 0,23 0,48 0,00 -0,03 -0,09 -0,06 -0,10 -0,05 -0,06 -0,04 -0,02 -0,07 -0,04 -0,07 -0,12 -0,07 -0,04 -0,03 -0,05

X11 0,11 0,00 0,00 0,00 0,00 0,00 0,90 - 0,07 0,06 0,42 0,19 0,01 0,02 -0,02 -0,04 0,03 -0,03 -0,06 0,03 0,05 0,01 -0,03 -0,01 0,10 0,05 0,04 -0,03 -0,01

X12 0,15 0,12 0,03 0,00 0,00 0,91 0,02 0,09 - 0,09 0,07 0,03 -0,04 -0,01 -0,04 0,14 -0,03 0,02 -0,02 -0,01 -0,01 0,03 -0,02 0,09 0,08 0,02 -0,02 -0,02 0,02

X13 0,35 0,00 0,00 0,00 0,00 0,05 0,00 0,12 0,02 - 0,14 0,18 -0,03 -0,03 -0,06 -0,04 -0,06 -0,04 -0,05 -0,04 0,00 -0,04 -0,01 -0,02 0,00 -0,01 -0,04 -0,04 -0,06

X14 0,06 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,06 0,00 - 0,36 0,12 -0,05 -0,13 -0,10 -0,15 -0,10 -0,12 -0,07 0,00 -0,10 -0,03 -0,06 -0,04 -0,08 -0,06 -0,08 -0,19

X15 0,12 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,50 0,00 0,00 - 0,06 -0,05 -0,11 -0,09 -0,12 -0,07 -0,08 -0,02 0,02 -0,05 -0,01 -0,04 -0,08 -0,05 -0,03 -0,04 -0,15

X16 0,07 0,22 0,00 0,07 0,26 0,00 0,95 0,80 0,27 0,49 0,00 0,15 - -0,02 -0,05 -0,06 -0,09 -0,04 -0,05 -0,02 0,12 -0,03 0,23 -0,07 -0,04 -0,01 -0,03 0,00 -0,06

X22 0,99 0,00 0,79 0,82 0,79 0,59 0,42 0,68 0,73 0,50 0,21 0,22 0,62 - 0,31 0,33 0,24 0,01 0,04 0,08 0,00 0,17 0,09 0,03 0,06 0,21 0,19 0,21 0,09

X24 0,02 0,07 0,24 0,02 0,01 0,00 0,02 0,52 0,32 0,12 0,00 0,00 0,18 0,00 - 0,38 0,76 0,13 0,14 0,05 0,14 0,22 0,08 0,07 0,13 0,18 0,11 0,06 0,17

X25 0,80 0,00 0,15 0,26 0,49 0,32 0,12 0,29 0,00 0,32 0,01 0,02 0,12 0,00 0,00 - 0,34 0,02 0,06 0,04 0,00 0,30 0,13 0,11 0,10 0,26 0,30 0,22 0,14

X26 0,06 0,09 0,22 0,01 0,00 0,00 0,01 0,56 0,37 0,11 0,00 0,00 0,02 0,00 0,00 0,00 - 0,15 0,22 0,17 0,01 0,37 0,01 0,10 0,18 0,26 0,23 0,19 0,22

X28 0,04 0,13 0,33 0,65 0,22 0,00 0,17 0,36 0,57 0,31 0,01 0,06 0,33 0,84 0,00 0,55 0,00 - 0,69 0,02 -0,01 0,02 0,04 0,09 0,11 0,07 0,00 0,00 0,15

X29 0,06 0,09 1,00 0,69 0,72 0,00 0,15 0,10 0,67 0,20 0,00 0,04 0,15 0,29 0,00 0,11 0,00 0,00 - 0,13 -0,01 0,06 0,04 0,07 0,05 0,10 0,08 0,02 0,18

X30 0,06 0,00 0,28 0,03 0,10 0,11 0,32 0,45 0,79 0,32 0,06 0,59 0,56 0,05 0,18 0,36 0,00 0,67 0,00 - 0,11 0,24 0,02 0,05 0,16 0,22 0,21 0,06 0,12

X31 0,74 0,70 0,20 0,89 0,72 0,35 0,57 0,16 0,76 1,00 0,96 0,60 0,00 0,97 0,00 0,97 0,74 0,76 0,78 0,00 - 0,02 0,25 -0,02 0,01 0,00 0,00 0,00 0,00

X32 0,84 0,00 0,17 0,00 0,01 0,25 0,07 0,80 0,43 0,34 0,01 0,17 0,40 0,00 0,00 0,00 0,00 0,69 0,13 0,00 0,70 - 0,03 0,03 0,15 0,26 0,43 0,38 0,16

X33 0,30 0,50 0,96 0,54 0,08 0,77 0,36 0,44 0,59 0,80 0,48 0,76 0,00 0,02 0,03 0,00 0,72 0,29 0,27 0,59 0,00 0,50 - -0,04 0,06 0,00 0,01 0,00 0,03

X34 0,27 0,04 0,33 0,47 0,01 0,00 0,07 0,65 0,03 0,61 0,12 0,29 0,06 0,50 0,07 0,01 0,01 0,03 0,08 0,23 0,58 0,41 0,33 - 0,35 0,18 0,07 0,06 0,31

X35 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,01 0,05 1,00 0,40 0,04 0,28 0,11 0,00 0,01 0,00 0,00 0,16 0,00 0,84 0,00 0,11 0,00 - 0,32 0,12 0,08 0,31

X36 0,40 0,00 0,71 0,02 0,28 0,85 0,05 0,24 0,69 0,87 0,05 0,18 0,78 0,00 0,00 0,00 0,00 0,07 0,01 0,00 0,91 0,00 0,99 0,00 0,00 - 0,28 0,26 0,38

X37 0,96 0,00 0,41 0,02 0,13 0,24 0,26 0,30 0,61 0,29 0,12 0,38 0,48 0,00 0,00 0,00 0,00 0,91 0,04 0,00 0,96 0,00 0,89 0,08 0,00 0,00 - 0,66 0,14

X38 0,23 0,00 0,13 0,00 0,00 0,26 0,38 0,46 0,60 0,29 0,03 0,32 0,99 0,00 0,14 0,00 0,00 0,92 0,69 0,14 0,95 0,00 0,97 0,12 0,05 0,00 0,00 - 0,08

X47 0,00 0,00 0,00 0,08 0,00 0,00 0,18 0,77 0,59 0,11 0,00 0,00 0,09 0,02 0,00 0,00 0,00 0,00 0,00 0,00 0,96 0,00 0,39 0,00 0,00 0,00 0,00 0,03 -

Legenda

E – efekty, N – nakłady, Ś – środowiskowe

wartości współczynników korelacji w przedziale od 0 do 0,5

wartości współczynników korelacji w przedziale od 0,51 do 1

Poniżej przekątnej przedstawiono współczynniki istotności. Kolorem czerwonym oznaczono współczynniki istotności <0,05.

Źródło: opracowanie własne z wykorzystaniem programu STATISTICA.

204

205

Wymienione zależności mają wpływ na zakłócenia w zbiorze zmiennych, to znaczy

osłabiają różnicowalność ocenianych jednostek i powodują nadmiarowość opisu10

. W zbiorze

nie zaobserwowano istotnych i silnych korelacji ujemnych, co potwierdza, że pożądany

kierunek zmiennych jest zachowany. Zróżnicowanie między poszczególnymi grupami

jednostek naukowych ma swoje odzwierciedlenie w relacjach między zmiennymi*.

Grupa uczelni zachowuje korelacje zbieżne z wynikami współzależności dla wszystkich

jednostek naukowych. W grupie instytutów badawczych dodatkowo zachodzi współzależność

(0,67) między liczbą patentów (X24) a wartością udzielonych licencji (X22). Zasadnicze różnice

zachodzą szczególnie w grupie jednostek naukowych PAN oraz grupie innych jednostek.

W grupie jednostek PAN zachodzą znaczące korelacje liczby uprawnień do nadawania

stopnia doktora (X4) oraz liczby uprawnień do nadawania stopnia doktora habilitowanego

(X5). Ponadto liczba patentów (X24) jest skorelowana za poziomie 0,78 z liczbą zgłoszonych

wynalazków (X26). Odpowiednio skorelowane są patenty i wynalazki zgłoszone za granicą

(X28, X29) z siłą 0,94. Z tymi zmiennymi skorelowana jest również zmienna X33 (X28

– 0,95; X29 – 0,94). Liczba patentów i wynalazków zgłoszonych za granicą koresponduje

z przychodami z tytułu wdrożenia prac B+R (X37) oraz uzyskanymi wpływami z tytułu

wdrożenia (X38), które również wykazują zależność względem siebie na poziomie 0,64.

Dodatkowo zachodzi zależność (0,51) między liczbą punktów za redakcję czasopisma

pracownika ocenianej jednostki (X12) a liczbą punktów za publikacje w czasopiśmie

wyróżnionym w ERIH (X10).

W wypadku innych jednostek naukowych zachodzą silne zależności między

największą liczbą zmiennych. Jest to grupa jednostek wykazująca się znacznym dorobkiem

w zakresie wdrożeń i umów B+R. Z analizy korelacji w tej grupie wynika znaczny związek

między liczbą punktów za publikacje w recenzowanym czasopiśmie z listy MNiSW (X11)

i licencjami i patentami (X22, X28, X29) oraz działalnością wdrożeniową (X34, X35).

Podobnie działalność wdrożeniowa wykazuje związek w zakresie zmiennych X24, X31, X32,

X33, X36, X37, X38.

Skorelowane zmienne opisujące efekty należy wykluczyć ze zbioru zmiennych.

Do określenia, które zmienne należy wyłączyć zastosowano pomocniczo metodę Z. Hellwiga.

Jest to jedna z najczęściej stosowanych metoda parametryczna analizy pojemności

informacyjnej zmiennych. Ideą metody jest wyznaczenie, na podstawie współczynników

korelacji liniowej, tzw. zmiennych centralnych i skorelowanych z nimi zmiennych

10

J. Dąbkowski, O problemie redukcji wymiarów, Polskie Towarzystwo Inżynierii Rolniczej, Kraków 2000, s. 12.

* Tablice korelacji dla poszczególnych grup zawarto w aneksie, załącznik 8.

206

satelitarnych oraz zmiennych izolowanych. Do ostatecznego zbioru zmiennych

diagnostycznych, będącego podstawą analiz porównawczych, wchodzą wszystkie zmienne

centralne i zmienne izolowane11

. Wyniki analizy metodą Hellwiga przedstawiono w tabeli 6.9*.

Za progową wartość statystyki współczynnika korelacji przyjęto wartość stosowaną

najczęściej12

– 0,5.

Tabela 6.9. Wyniki metody Hellwiga dla efektów

Wszystkie

jednostki

naukowe

Zmienne centralne Zmienne satelitarne

X26 X24 (0,76)

X5 X4 (0,79)

X37 X38 (0,66)

X28 X29 (0,69)

Zmienne izolowane

X25, X14, X35, X15, X36, X9, X33, X12, X32, X13, X34, X31, X27, X22, X11, X16, X10

Uczelnie


X4 X5 (0,75)

X26 X24 (0,81)

X10 X15 (0,52)

Zmienne izolowane

X36, X9, X35, X14, X16, X28, X32, X30, X25, X38, X33, X11, X34, X13, X29, X31, X12,

X22, X37

Instytuty

badawcze


X26 X24 (0,59), X32 (0,67)

X4 X5 (0,75)

X13 X14 (0,69)

X38 X37 (0,70)

X25 X22 (0,52)

Zmienne izolowane

X11, X36, X15, X9, X35, X29, X12, X33, X31, X28, X10, X34, X16, X33

Jednostki

naukowe

PAN


X29 X22 (0,55), X28 (0,94), X33 (0,94), X37 (0,94), X38 (0,60)

X9 X36 (0,60)

X5 X4 (0,90)

X14 X11 (0,58)

X24 X26 (0,78)

X12 X10 (0,51)

Zmienne izolowane

X34, X25, X13, X31, X32, X35, X15, X16, X30

Inne

jednostki

naukowe


X26 X22 (0,85), X28 (0,83), X29 (0,83), X34 (0,83), X35 (0,88)

X32 X24 (0,69), X31 (0,88), X36 (0,80), X37 (0,83), X38 (0,93)

X33 X15 (0,99), X16 (0,96)

X30 X9 (0,71), X12 (0,84)

Zmienne izolowane

X11, X13, X14

Legenda: kolorem czerwonym wyróżniono relacje inne niż w wypadku korelacji dla wszystkich jednostek


11

T. Panek, Statystyczne metody wielowymiarowej analizy porównawczej, Szkoła Główna Handlowa, Warszawa

2009, s. 21-22.

* Na podstawie współczynników korelacji, aneks, załącznik 8. 12

Tamże, s. 21.

207

W dalszej kolejności dokonano analizy korelacji między nakładami a efektami. W tym

wypadku korelacje są pożądane. Wartości istotnych i większych od 0,5 współczynników

korelacji wstępnie wybranych zmiennych przedstawiono w tabeli 6.11.

Analizując dane w tabeli 6.10 można zauważyć znaczącą współzależność różnych

mierników opisujących osiągnięcia naukowe jednostek naukowych do liczby pracowników

zatrudnionych w działalności B+R (X3). Poza grupą innych jednostek naukowych, korelacje

zachodzą w zakresie uprawnień do nadawania stopni naukowych (X4, X5), liczbą punktów

za publikacje na listach JCR (X9) i MNiSW (X11). Dla instytutów badawczych dodatkowo

zachodzi zależność z liczbą rozdziałów w monografii lub podręczniku autorskim w języku

innym niż angielski lub podstawowy dla danej dyscypliny (X16).

Dla innych jednostek naukowych zasoby kadry naukowej warunkują poziom

zmiennych charakteryzujących liczbę rozdziałów w monografiach, zarówno w języku

angielskim (X15), jak i polskim (X16), liczbę patentów (X22), liczbę zgłoszonych

wynalazków (X26), prawa autorskie (X33) oraz liczbę projektów UE, w które zaangażowana

była jednostka naukowa.

Tabela 6.10. Korelacje między efektami a nakładami

Wszystkie Uczelnie

Instytuty

badawcze

Jednostki

naukowe PAN

Inne jednostki

naukowe

X3 X47 X3 X47 X3 X47 X3 X47 X3 X47

X4 0,61 - 0,58 - 0,56 0,54 - - - -

X5 0,57 - 0,56 0,51 0,51 0,60 0,56 - - -

X9 0,56 - 0,56 0,74 0,65 0,67 0,82 0,69 - -

X10 - - - - - - - - - -

X11 0,74 - 0,72 - 0,73 - - - - -

X12 - - - - - - - - - -

X13 - - - - - - - - - -

X14 - - - - - - - - - -

X15 - - - - - - - - 0,72 -

X16 - - - - 0,66 - - - 0,65 -

X22 - - - - - - - - 0,90 -

X24 - - - - - - - - - -

X25 - - - - - - - - - -

X26 - - - - - - - - 0,67 -

X28 - - - - - - - - - -

X29 - - - - - - - - - -

X30 - - - - - - - - - -

X31 - - - - - - - - - -

X32 - - - - - - - 0,51 - -

X33 - - - - - - - - 0,76 -

X34 - - - - - - - - - -

X35 - - - - - - - - 0,66 -

X36 - - - - - - - - - -

X37 - - - - - - - - - -

X38 - - - - - - - - - -


208

Ustalając uwarunkowania finansowania jednostek naukowych, należy zwrócić uwagę

na wskaźniki w poszczególnych grupach. W grupie uczelni, instytutów badawczych

i jednostek naukowych PAN istnieje znacząca – wynosząca 0,74 – pozytywna zależność

między poziomem finansowania a liczbą punktów za publikacje na liście JCR (tak zwana lista

filadelfijska). Poziom finansowania wykazuje również zależność w stosunku do uprawnień

do nadawania stopni naukowych doktora (w wypadku instytutów badawczych) oraz doktora

habilitowanego (w wypadku uczelni i instytutów badawczych).

W ostatniej części analizy współzależności zbadano relacje między nakładami.

Wartości istotnych i większych od 0,5 współczynników korelacji wstępnie wybranych

zmiennych wystąpiły między liczbą pracowników B+R (X3) oraz poziomem finansowania

(X47). Poziom korelacji wynosi odpowiedni: dla uczelni 0,53, w grupie instytutów

badawczych 0,68, a w wypadku instytutów naukowych PAN – 0,70.

Tabela 6.11. Wybrane zmienne analizowanych jednostek naukowych

Kod zmiennej Opis zmiennej

X3 Liczba osób, w przeliczeniu na pełny wymiar czasu pracy (FTE), zatrudnionych

w jednostce naukowej przy prowadzeniu badań naukowych lub prac rozwojowych

na podstawie stosunku pracy, dla których jednostka jest podstawowym miejscem pracy

X47 Suma dotacji na finansowanie lub dofinansowanie działalności statutowej w latach

2005-2008 [tys. zł]

X5 Liczba uprawnień do nadawania stopnia doktora habilitowanego

X9 Liczba punktów za publikacje w czasopiśmie wyróżnionym w Journal Citation

Reports (JCR)

X10 Liczba punktów za publikacje w czasopiśmie wyróżnionym w ERIH

X11 Liczba punktów za publikacje w recenzowanym czasopiśmie krajowym

lub zagranicznym wymienionym w wykazie ministra

X12 Liczba punktów za redakcję czasopisma pracownika ocenianej jednostki, otrzymuje

podwójną liczbę punktów przypisanych danemu czasopismu w wykazie ministra.

Punkty otrzymuje jednostka za cały oceniany okres

X13 Liczba monografii autorstwa pracownika jednostki lub podręcznika autorskiego

w języku angielskim lub podstawowym dla danej dyscypliny

X14 Liczba monografii lub podręcznika autorskiego w języku innym niż angielski

lub podstawowy dla danej dyscypliny

X15 Liczba rozdziałów w monografii lub podręczniku autorskim w języku angielskim

lub podstawowym dla danej dyscypliny

X16 Liczba rozdziałów w monografii lub podręczniku autorskim w języku innym

niż angielski lub podstawowy dla danej dyscypliny

X22 Wartość udzielonych licencji (opłaty licencyjne) [tys. zł]

X24 Liczba patentów udzielonych przez Urząd Patentowy Rzeczypospolitej Polskiej

X28 Patent udzielony za granicą

X31 Prawo ochronne na wzór użytkowy

X34 Liczba projektów koordynowanych w projektach Programów Ramowych lub innych

konkursach Unii Europejskiej

X35 Liczba projektów (uczestnictwo instytucjonalne) w projektach Programów

Ramowych lub innych konkursach Unii Europejskiej

X36 Wartość umów zawartych z innymi podmiotami na wykonanie prac B+R [tys. zł]

X37 Przychody z tytułu wdrożenia prac B+R jednostki wdrażającej [tys. zł]


209

Zidentyfikowane zależności między zmiennymi wskazują na konieczność redukcji

zmiennych. Analiza czynnikowa w zakresie redukcji zmiennych nie wskazała dodatkowych

zależności. Przeprowadzony statystyczny dobór cech kryterialnych pozwolił na wyłonienie

nowego zbioru 19 charakterystyk jednostek naukowych, składającego się z 17 zmiennych

opisujących wyniki działalności naukowej jednostek oraz 2 zmiennych charakteryzujących

ich nakłady.

6.3. Klasyfikacja jednostek naukowych i wybór modelu Data Envelopment Analysis

Podstawowym założeniem metody DEA jest homogeniczność grup obiektów

poddanych analizie względem czynników charakteryzujących działalność poszczególnych

jednostek (nakłady i efekty). Jednostki naukowe w Polsce są zróżnicowane między innymi

w zakresie realizowanych obszarów działania*. Zastosowanie tego samego zestawu zmiennych

wymaga zatem rozważnej kwalifikacji jednostek naukowych o zbliżonej strukturze technologii

do poszczególnych grup. Klasyfikacja ta będzie miała bezpośredni wpływ na uzyskane

wskaźniki produktywności, ponieważ w metodzie DEA wynik każdej DMU jest zależny

od pozostałych obiektów w grupie. Oznacza to, że należy dążyć do takiej klasyfikacji obiektów

w grupy, aby obiekty należące do tej samej grupy były jak najbardziej do siebie podobne

(jak najwyższa homogeniczność grup obiektów), a należące do różnych grup były do siebie

jak najbardziej niepodobne (heterogeniczne). W rozdziale 5.1 wskazano metody wyznaczania

jednorodności obiektów. Autorka postuluje zastosowanie odpowiednich metod statystyki

wielowymiarowej w celu utrzymania poziomu obiektywności procedury badawczej.

Istotnym elementem analizy na tym etapie jest również dobór odpowiedniej liczby

badanych jednostek. Na podstawie wskazanych w rozdziale 5.1 metod wyznaczania

minimalnej liczby jednostek w grupach, należy rozważyć następujące wielkości:

dwu- lub trzykrotność sumy wejść i wyjść – minimum 38-56 DMU w każdej grupie;

iloczyn liczby wejść i liczby – minimum 34 DMU w każdej grupie.

Przyjęto minimalny poziom liczebności grupy na poziomie 34 jednostek.

Dalsza klasyfikacja obiektów polega na konstrukcji reguły decyzyjnej pozwalającej

kwalifikować obserwacje jako realizacje poszczególnych klas podobieństwa obiektów13

.

* Patrz: rozdział 6.1. 13

W literaturze często synonimicznie używa się terminów: grupowanie, podział, dyskryminacja, taksonomia,

taksometria, analiza skupień, czy identyfikacja.

210

Związki między obiektami można oceniać na podstawie miar odległości lub miar zgodności.

Metody grupowania obiektów mogą być klasyfikowane według różnych kryteriów14

:

wzorcowe i bezwzorcowe;

obszarowe i czynnikowe;

hierarchiczne i niehierarchiczne;

aglomeracyjne i podziałowe;

liniowe i nieliniowe.

Większość metod opiera się na grupowaniu względem pojedynczych cech.

Porównywanie i grupowanie obiektów opisanych za pomocą wielu cech jest zagadnieniem

bardziej złożonym. W wypadku zbiorów obiektów opisanych za pomocą wielu cech

praktyczne zastosowanie znajdują przykładowo metody aglomeracyjne, k-średnich, analiza

składowych głównych, analiza czynnikowa15

.

W celu klasyfikacji jednostek naukowych w Polsce przeprowadzono szereg analiz

szczegółowych różnych zbiorów danych i metod. Większość metod pozostaje bezbronna

wobec problemu wielowymiarowych, rozbudowanych zbiorów danych. Przeprowadzone

analizy wskazały użyteczność metod analizy składowych głównych oraz analizy

czynnikowej. Metod aglomeracji i grupowania k-średnich nie zastosowano ze względu na ich

ograniczenia względem dużych zbiorów danych. Klasyfikacji przypadków dokonano

względem wszystkich zmiennych.

Metody analizy skupień i analizy czynnikowej w praktyce znajdują główne

zastosowanie do analizy grupowania zmiennych. W tych zastosowaniach w większości

wypadków, obie metody dają bardzo podobne wyniki. Analiza składowych głównych jest

często preferowana jako metoda redukcji danych, przy czym analiza czynnikowa jest chętniej

stosowana, gdy celem jest wykrycie struktury w związkach między zmiennymi16

. Obie

metody można również zastosować do klasyfikacji przypadków. W obliczeniach

wykorzystywana jest macierz korelacji pomiędzy zmiennymi pozwalająca na identyfikowanie

ukrytych wymiarów. Wymiary te można traktować jako zmienne ukryte, które korelują

z wielkościami bezpośrednio obserwowanymi17

.

14

T. Grabiński, S. Wydymus, A. Zeliaś, Metody taksonomii numerycznej w modelowaniu zjawisk społeczno-

gospodarczych, Państwowe Wydawnictwo Naukowe, Warszawa 1989. 15

J. Kolonko, Analiza dyskryminacyjna i jej zastosowanie w ekonomii, Państwowe Wydawnictwo Naukowe,

Warszawa 1980, s. 13-93; T. Panek, dz. cyt., s. 105-166, 175-210. 16

T. Panek, dz. cyt., s. 176-179. 17

Tamże.

211

Analizę czynnikową zastosowano dla różnej liczby grup. Maksymalnie uzyskano

klasyfikację jednostek dla 6 grup. Zastosowanie analizy składowych głównych pozwala

na przeprowadzenie symulacji dla maksymalnie 19 grup. Jednak zwiększenie liczby grup

powoduje jednocześnie zmniejszenie liczby jednostek naukowych wewnątrz grup – poniżej

założonego poziomu minimalnego. Wyniki symulacji zestawiono w tabeli 6.12.

Tabela 6.12. Liczebność grup jednorodnych

Liczba grup Analiza czynnikowa Analiza składowych głównych

1 309 281 225 210 281 210 207 203 199

2 250 169 152 148 169 148 146 143 141

3 123 100 89 73 100 73 69 65 63

4 132 100 80 132 80 80 73 68

5 116 106 281 106 96 86 80

6 65 65 55 50 37

7 29 28 23

8 34 34

9 37

Legenda: Kolorem czerwonym zaznaczono grupy, które nie osiągnęły przyjętej minimalnej liczebności.

Źródło: opracowanie własne z wykorzystaniem programu Statistica.

Rozstrzygające rozwiązanie w wyniku zastosowania obu metod uzyskano dla 6 grup.

Przyporządkowanie do grup przeprowadzono na podstawie współrzędnych czynnikowych

przypadków. Położenie punktów reprezentujących przypadki względem osi czynnikowych

(głównych składowych) pozwala na zakwalifikowanie obiektów do odpowiednich kategorii.

Poglądowy przykład dla dwóch czynników (J3 oraz J4) przedstawiono na rysunku 6.9.

Jednostki naukowe

U1U2U3

U4

U5

U6

U7

U8

U9U10

U11

U12U13U14

U15U16

U17

U18U19U20

U21U22U23U24

U25

U26

U27U28

U29U30

U31

U32U33U34U35U36U37U38U39U40U41

U42

U43

U44

U45

U46

U47U48

U49

U50U51

U52U53

U54

U55

U56U57U58U59U60U61

U62

U63

U64

U65U66U67

U68U69U70U71U72

U73U74U75U76U77U78

U79U80U81U82U83U84U85U86U87U88U89

U90

U91

U92

U93U94

U95

U96

U97

U98

U99

U100U101U102U103U104U105U106U107U108

U109U110U111U112U113U114

U115U116U117

U118U119U120U121

U122

U123

U124

U125

U126U127U128U129U130U131U132U133

U134

U135U136

U137U138U139

U140U141

U142U143

U144U145U146 U147

U148U149

U150U151

U152U153

U154

U155

U156

U157

U158

U159

U160

U161U162U163

U164

U165U166

U167U168U169

U170U171

U172U173U174U175U176U177U178U179U180U181U182U183U184U185U186

U187

U188U189U190

U191U192

U193

U194

U195

U196U197

U198

U199U200

U201

U202

U203U204

U205

U206U207U208U209

U210

U211

U212U213U214U215U216U217U218U219U220U221U222U223

U224

U225U226U227U228U229

U230U231

U232U233

U234U235U236

U237U238U239

U240

U241

U242

U243

U244U245U246

U247

U248U249

U250U251U252U253U254U255U256

U257U258

U259

U260

U261

U262U263U264U265U266U267U268U269

U270

U271U272

U273

U274

U275U276

U277

U278

U279

U280

U281

U282

U283U284U285

U286

U287U288U289

U290

U291U292U293U294U295

U296U297

U298

U299

U300

U301

U302U303

U304U305U306

U307

U308U309

U310

U311U312U313U314

U315

U316U317U318U319U320U321U322U323U324

U325U326U327

U328U329U330U331U332

U333

U334

U335U336

U337

U338U339U340U341U342

U343U344U345U346U347U348U349

U350

U351U352

U353U354U355U356U357U358U359U360

U361U362U363

U364U365U366U367U368U369U370U371

U372U373U374U375U376U377U378U379

U381U382

U383U384U385

U386

U387

U388

U389

U390U391U392U393U394

U395

U396U397

U398U399U400U401U402U403

U404

U405U406U407U408U409U410U411U412

U413

U414

U415

U416U417U418U419

U420

U421U422U423

U424

U425U426U427U428U429U430

U431U432U433

U434U435U436

U437U438U439U440U441U442

U443U444U445U446U447U448U449U450U451U452U453U454

U455U456

U457U458

U459U460U461U462U463U464

U465U466

U467

U468

U469U470

U471U472

U473

U474U475U476U477U478U479U480U481U482U483U484U485U486U487U488U489U490U491

U492U493

U494

U495

U496U497U498U499

U500U501U502U503U504U505

U506U507

U508U509U510U511U512U513U514U515

U516U517U518U519

U520U521U522U523U525

U526

U527

U528

U529

U530

U531U532U533U534

U535U536U537U538U539U540U541U542U543

U544

U545U546U547U548U549

U550

U551

U552U553U554U555U556

U557U558

U559U560U561U562U563U564U565

U566U567U568U569U570

U571

U572

U573

U574U575U576U577U578U579

U580

U581U582U583U584U585U586

U587U588U589

U590U591U592U593U594

U595

U596U597

U598

U599U600U601U602

U603

U604

U605U606U607U608U609U610U611U612U613U614U615U616U617U618

U619U620U621U622U623

U624U625U626U627U628

U629U630U631U632U633U634U635U636

U637

U638U639

U640

U641U642U643U644U645U646

U647

U648

U649U650

U651

U652

U653

U654

U655U656U657U658U659U660U661U662

U663U664U665

U666U667

U668U669U670

U671U672U673U674U675U676U677U678

U679

U680

U681U682U683

-15 -10 -5 0 5 10 15 20

Grupa J3

-15

-10

-5

0

5

10

15

Gru

pa

J4

U1U2U3

U4

U5

U6

U7

U8

U9U10

U11

U12U13U14

U15U16

U17

U18U19U20

U21U22U23U24

U25

U26

U27U28

U29U30

U31

U32U33U34U35U36U37U38U39U40U41

U42

U43

U44

U45

U46

U47U48

U49

U50U51

U52U53

U54

U55

U56U57U58U59U60U61

U62

U63

U64

U65U66U67

U68U69U70U71U72

U73U74U75U76U77U78

U79U80U81U82U83U84U85U86U87U88U89

U90

U91

U92

U93U94

U95

U96

U97

U98

U99

U100U101U102U103U104U105U106U107U108

U109U110U111U112U113U114

U115U116U117

U118U119U120U121

U122

U123

U124

U125

U126U127U128U129U130U131U132U133

U134

U135U136

U137U138U139

U140U141

U142U143

U144U145U146 U147

U148U149

U150U151

U152U153

U154

U155

U156

U157

U158

U159

U160

U161U162U163

U164

U165U166

U167U168U169

U170U171

U172U173U174U175U176U177U178U179U180U181U182U183U184U185U186

U187

U188U189U190

U191U192

U193

U194

U195

U196U197

U198

U199U200

U201

U202

U203U204

U205

U206U207U208U209

U210

U211

U212U213U214U215U216U217U218U219U220U221U222U223

U224

U225U226U227U228U229

U230U231

U232U233

U234U235U236

U237U238U239

U240

U241

U242

U243

U244U245U246

U247

U248U249

U250U251U252U253U254U255U256

U257U258

U259

U260

U261

U262U263U264U265U266U267U268U269

U270

U271U272

U273

U274

U275U276

U277

U278

U279

U280

U281

U282

U283U284U285

U286

U287U288U289

U290

U291U292U293U294U295

U296U297

U298

U299

U300

U301

U302U303

U304U305U306

U307

U308U309

U310

U311U312U313U314

U315

U316U317U318U319U320U321U322U323U324

U325U326U327

U328U329U330U331U332

U333

U334

U335U336

U337

U338U339U340U341U342

U343U344U345U346U347U348U349

U350

U351U352

U353U354U355U356U357U358U359U360

U361U362U363

U364U365U366U367U368U369U370U371

U372U373U374U375U376U377U378U379

U381U382

U383U384U385

U386

U387

U388

U389

U390U391U392U393U394

U395

U396U397

U398U399U400U401U402U403

U404

U405U406U407U408U409U410U411U412

U413

U414

U415

U416U417U418U419

U420

U421U422U423

U424

U425U426U427U428U429U430

U431U432U433

U434U435U436

U437U438U439U440U441U442

U443U444U445U446U447U448U449U450U451U452U453U454

U455U456

U457U458

U459U460U461U462U463U464

U465U466

U467

U468

U469U470

U471U472

U473

U474U475U476U477U478U479U480U481U482U483U484U485U486U487U488U489U490U491

U492U493

U494

U495

U496U497U498U499

U500U501U502U503U504U505

U506U507

U508U509U510U511U512U513U514U515

U516U517U518U519

U520U521U522U523U525

U526

U527

U528

U529

U530

U531U532U533U534

U535U536U537U538U539U540U541U542U543

U544

U545U546U547U548U549

U550

U551

U552U553U554U555U556

U557U558

U559U560U561U562U563U564U565

U566U567U568U569U570

U571

U572

U573

U574U575U576U577U578U579

U580

U581U582U583U584U585U586

U587U588U589

U590U591U592U593U594

U595

U596U597

U598

U599U600U601U602

U603

U604

U605U606U607U608U609U610U611U612U613U614U615U616U617U618

U619U620U621U622U623

U624U625U626U627U628

U629U630U631U632U633U634U635U636

U637

U638U639

U640

U641U642U643U644U645U646

U647

U648

U649U650

U651

U652

U653

U654

U655U656U657U658U659U660U661U662

U663U664U665

U666U667

U668U669U670

U671U672U673U674U675U676U677U678

U679

U680

U681U682U683

Rysunek 6.9. Rzut przypadków na płaszczyznę czynników J3 i J4 Źródło: opracowanie własne z wykorzystaniem pakietu STATISTICA, moduł skalowanie wielowymiarowe.

212

Przykładowo, rozważając położenie punktów względem osi poziomej, obiekty mogą

być zakwalifikowane do jednej z dwóch kategorii, zależnie od tego po której stronie tej osi

leżą obrazy ich ładunków czynnikowych. Tym samym klasyfikacja jest dokonywana

ze względu na znaki ładunków czynnikowych. Jeżeli rozpatruje się jednocześnie obie osie

czynnikowe, to obiekty mogą być kwalifikowane do jednej z czterech kategorii, zależnie

od kombinacji znaków ich ładunków czynnikowych. Im bliżej siebie leżą na wykresie punkty

reprezentujące obiekty, tym bardziej podobne są do siebie względem wskazanych zmiennych.

W wypadku jednostek naukowych, rozpatrywana była sześciowymiarowa przestrzeń

czynnikowa, na której rozmieszczone zostały punkty reprezentujące obrazy obiektów.

Współrzędnymi tych punktów są odpowiadające im współczynniki (ładunki czynnikowe)

przypadków. Jednostka została zakwalifikowana do grupy, dla której wykazywała wartość

ładunku czynnikowego najwyższą dla danej grupy. Wyniki klasyfikacji przedstawiono

w tabeli 6.13.

Tabela 6.13. Jednostki naukowe według grup jednorodnych

Grupa Kod jednostki

J1

U7, U10, U15, U19, U27, U28, U33, U34, U35, U38, U40, U45, U46, U47, U48, U58, U59, U63,

U65, U66, U71, U72, U76, U81, U82, U83, U84, U86, U88, U89, U100, U101, U102, U104, U107,

U108, U109, U110, U111, U112, U113, U114, U117, U124, U127, U129, U132, U133, U139, U144,











U659, U661, U662, U666, U668, U669, U679, U680, U682, U683

J2

U41, U67, U70, U77, U78, U79, U80, U126, U130, U135, U173, U177, U178, U179, U183, U186,









U628, U630, U631, U632, U636, U639, U641, U644, U673, U674, U675, U676

J3

U42, U43, U44, U52, U73, U75, U90, U91, U92, U93, U94, U95, U96, U97, U98, U115, U116,




U299, U303, U307, U326, U350, U416, U499, U504, U505, U510, U516

213

Grupa Kod jednostki

J4

U37, U49, U56, U57, U60, U61, U68, U85, U87, U128, U136, U138, U142, U146, U156, U164,





U637, U640, U672, U677

J5

U4, U6, U8, U9, U11, U12, U16, U18, U20, U21, U22, U23, U25, U29, U30, U32, U36, U39, U51,



U318, U321, U324, U329, U336342, U364, U365, U366, U367, U369, U370, U381, U383, U386,



U610, U611, U612, U613, U614, U658, U663, U664, U667, U670, U671, U681

J6

U1, U2, U3, U5, U13, U14, U17, U24, U26, U31, U50, U53, U54, U55, U62, U74, U103, U105,




U665, U678


Analizując skład poszczególnych grup, można zaobserwować pewne relacje o podłożu

merytorycznym*.

W strukturze grupy J1 znalazła się znaczna część instytutów badawczych, jednostek

naukowych PAN oraz innych jednostek naukowych (tabela 6.14). Do grupy tej zostały

zakwalifikowane jednostki naukowe inżynieryjne z zakresu nauk inżynierii chemicznej

i materiałowej, konstrukcji i technologii, mechaniki, elektrotechniki, biologicznych oraz nauk

fizycznych, chemicznych i matematycznych.

Tabela 6.14. Struktura grup jednorodnych

J1 J2 J3 J4 J5 J6

Uczelnie 110 144 28 76 81 42

Jednostki naukowe PAN 35 3 2 - 19 15

Instytuty badawcze 58 1 41 3 6 8

Inne jednostki naukowe 7 - 2 1 - -


Do grupy J1 zostało zakwalifikowanych również kilka jednostek o innym profilu

(wnioskując z rodzaju jednostki i jej nazwy), przykładowo Wydział Inżynieryjno-

Ekonomiczny Uniwersytetu Ekonomicznego we Wrocławiu, który w ocenie parametrycznej

MNiSW deklarował przynależność do grupy wspólnej oceny (GWO) nauk humanistycznych

i społecznych HS1EK**. Jednostka ta uzyskała 6 wynik w rankingu MNiSW w swojej

grupie wśród 93 jednostek naukowych. W wyniku przeprowadzonej klasyfikacji statystycznej,

* Szczegółowy wykaz jednostek naukowych i grup zawarto w aneksie, załącznik 9.

** Wyjaśnienie oznaczeń grup znajduje się w aneksie, załącznik 5, tabela Grupy wzajemnej oceny w roku 2013.

214

na podstawie przyjętych zmiennych, jednostka ta została wskazana do grupy o profilu

inżynieryjnym. Podobna sytuacja zachodzi w wypadku Wydziału Informatyki i Gospodarki

Elektronicznej Uniwersytetu Ekonomicznego w Poznaniu (HS1EK), Wydziału Ekonomicznego

Uniwersytetu Technologiczno-Humanistycznego w Radomiu (HS1EK), a także Wydziału

Nauczycielskiego Uniwersytetu Technologiczno-Humanistycznego w Radomiu (SI1EA),

który w 2012 roku został przekształcony w Wydział Informatyki i Matematyki. Skłania

to do zastanowienia się i dyskusji nad kwestiami rzetelności i prawidłowości procedury

deklaracji przynależności jednostek naukowych do grup GWO w ocenie parametrycznej

MNiSW.

Na podstawie graficznej prezentacji struktury grup jednorodnych przedstawionej

na rysunku 6.10 można dokonać analizy porównawczej analizowanych grup, która sprowadza

się między innymi do wskazania ich atrybutów i wskaźników kryterialnych stanowiących ich

słabości w ocenie. Przy interpretacji odległości grupa-cecha należy pamiętać, że im ona

większa, tym wyższy poziom reprezentacji cechy przypisanej tej grupie.

Rysunek 6.10. Graficzna prezentacja wartości średnich dla wyznaczonych grup jednorodnych

z wykorzystaniem metody M. Rybaczuka Źródło: opracowanie własne z wykorzystaniem autorskiego programu M. Rybaczuka Wizualizacja.

Charakterystyka grupy J1 względem ich średnich wartości cech wskazuje, że jest to grupa

jednostek o względnie niskim zatrudnieniu. Położenie najbliżej środka okręgu wskazuje,

że jednostki z tej grupy osiągają umiarkowany poziom zmiennych względem innych grup.

X16

X31

X3

X34

X9

X28 X47X35

X24

X36

X22

X37

X13

X10

X15

X14X11

J6

J5

J4

J3

J1

J2

X5 X12

215

Grupa J2 składa się głównie z jednostek naukowych uczelni. Zakwalifikowane

tu zostały przede wszystkim wydziały społeczno-humanistyczne: filologiczne,

humanistyczne, zarządzania, administracji, ekonomiczne, pedagogiczne, teologiczne i inne.

Większość z nich jest zbieżna z kwalifikacją MNiSW. Inne przyporządkowanie otrzymał

przykładowo Wydział Informatyki i Zarządzania Politechniki Wrocławskiej, który deklarował

udział w grupie SI1EA z wydziałami elektrycznymi i elekrotechnicznymi, Wydziały

Inżynierii Produkcji Politechniki Warszawskiej (SI1MH) i Szkoły Głównej Gospodarstwa

Wiejskiego (NZ1R). Analiza informacji o jednostkach wykazała, że Wydział Inżynierii

Produkcji wyodrębniony został w 2010 roku z Wydziału Zarządzania Politechniki

Warszawskiej18

, a Wydział Inżynierii Produkcji SGGW od roku 2000 orientuje się

na kształcenie menedżerów i organizacyjnie podzielony jest na Katedry Podstaw Inżynierii,

Organizacji i Inżynierii Produkcji oraz Maszyn Rolniczych i Leśnych19

. Między innymi

te przykłady demonstrują, że klasyfikacja arbitralna lub samodzielna deklaracja jednostki

nie odzwierciedla rzeczywistego profilu jednostek i może prowadzić do niewłaściwej

i niesprawiedliwej oceny jednostek naukowych.

Do grupy J2 przyporządkowanych zostało również kilkanaście wydziałów

technicznych, między innymi Wydział Inżynierii Lądowej Politechniki Warszawskiej

(SI1BA), który w zestawieniu MNiSW z wydziałami architektury osiągnął ujemną ocenę

ostateczną. Podobnie Wydziały Budownictwa i Inżynierii Środowiska Politechniki

Rzeszowskiej, Szkoły Głównej Gospodarstwa Wiejskiego oraz Wydział Nauk Przyrodniczych

Uniwersytetu Kazimierza Wielkiego w Bydgoszczy (NZ1B), który osiągnął jeden

z najniższych wyników w grupie MNiSW. Przynależność do tej grupy wykazały także

wydziały nauk o zdrowiu i wychowania fizycznego.

Grupę J2 tworzą jednostki, których silną stroną są publikacje recenzowane

w czasopismach z listy MNiSW (X11) oraz monografii i rozdziałów w monografiach (X14,

X15). Ich słabą stroną są publikacje w czasopismach z listy JCR (X9), patenty (X24, X28),

projekty UE (X35). Jednostki te średnio otrzymują najniższą dotację statutową.

W grupie J3 dominują instytuty badawcze oraz jednostki uczelni o pokrewnym profilu.

Zakwalifikowane instytuty badawcze, w odróżnieniu od grupy J1, mają silniejszą reprezentację

cech charakteryzujących licencje (X22), patenty krajowe (X24), udział w projektach UE (X35)

oraz realizację prac na rzecz otoczenia (X36, X37). Są to zatem jednostki najmniej liczne pod

18

Wydział Inżynierii Produkcji PW, http://www.wis.pw.edu.pl/wydzial/historia [20.10.2014]. 19

Wydział Inżynierii Produkcji SGGW, http://wis.sggw.pl/historia [20.10.2014].

216

względem zatrudnienia, ale wysoce zorientowane na aspekty wdrożenia wyników działalności

naukowo-badawczej. Jest to silna grupa pod tym względem.

Spośród jednostek uczelnianych dominują wydziały inżynieryjne reprezentujące nauki

techniczne (inżynieria środowiska, transport) i o Ziemi (geologia). Włączonych zostało także

6 wydziałów ekonomicznych oraz 2 humanistyczno-społeczne. Są to wydziały, które

w swoim grupach MNiSW uzyskały wysokie oceny. Przykładowo, Wydział Nauk

Historycznych i Pedagogicznych osiągnął najwyższą ocenę i kategorię A+ w grupie HS1HS.

Z analizy statystycznej wynikać może, że ma ona profil nieporównywalny z pozostałymi

jednostkami w grupie HS1HS, co ma znaczenie w zakresie analiz i odniesień

benchmarkingowych.

W grupie J4 wyróżniają się uczelniane jednostki w obszarze nauk medycznych

i o zdrowiu. Dodatkowo zostały zakwalifikowane jednostki rolnicze i przyrodnicze

oraz techniczne o profilu elektrycznym i mechanicznym. Pojedynczo są reprezentowane wydziały

ekonomiczne. Grupę tę tworzą jednostki o słabej orientacji wdrożeniowej, ale wysokim poziomie

publikacji krajowych. Publikacje z listy JCR stanowią przewagę jednostek medycznych.

Dość charakterystyczną i odmienną do J4, stanowią jednostki z grupy J5. Z rysunku

6.9 wynika, że są to jednostki o reprezentacji pewnych cech podobnej do grupy J3. Dominują

w tej grupie wydziały chemii oraz elektroniki, informatyczno-matematyczne. Drugą podgrupę

stanowią wydziały o nauk o żywności i medycyny weterynaryjnej, natomiast trzecią wydziały

farmaceutyczne. Można zauważyć pewną symetrię dziedzinową. Znaczną podgrupę stanowią

również wydziały filologiczne i historyczne. Przeważają zatem wydziały z zakresu nauk

podstawowych, o średnio najniższej liczebności pracowników B+R, ale wysokim poziomie

działalności wdrożeniowej. W strukturze tej grupy wyodrębnić można stosunkowo liczną

grupę jednostek naukowych PAN.

Grupa J6 składa się z jednostek największych pod względem średniego zatrudnienia.

Podobnie do grup J5 i J3, jednostki otrzymują wysoką dotację statutową. Wykazują wysokie

zaangażowanie w zakresie publikacji w czasopismach z listy JCR (X9), redakcji czasopism

(X12), patentów zagranicznych (X28), uprawnień do nadawania stopnia doktora

habilitowanego (X5), aplikowaniu i koordynacji projektów PR i innych projektów UE (X34).

Grupę tę definiują jednostki o profilu nauk przestrzennych, w tym architektury, geografii,

inżynierii i ochrony środowiska, przyrodnicze. Dodatkowo jednostki chemii (chemii fizycznej,

fizykochemii, chemii bioorganicznej), fizyki jądrowej, biologii doświadczalnej, mechaniki

i mechatroniki. Również w tej grupie kwalifikowane są nieliczne jednostki humanistyczne

(pedagogiki i psychologii) oraz medycyny pracy. Nieoczekiwanie zakwalifikowany został

217

również jeden wydział ekonomiczny Wydział Zarządzania i Inżynierii Produkcji Politechniki

Opolskiej, który w klasyfikacji MNiSW zadeklarował przynależność o grupy SI1EA, wspólnie

z wydziałami elektronicznymi, elektrycznymi i informatycznymi. Analiza historii wydziału

ujawniła, iż wywodzi się on z jednostki o profilu matematyczno-fizyczno-chemicznym. Przez

lata struktura jednostki zachowała spójność z tymi obszarami naukowymi, mimo zmieniających

się parokrotnie nazw wydziału i jego instytutów.

W klasyfikacji jednostek naukowych w grupy jednorodne na podstawie analiz

z wykorzystaniem metod statystycznych, można zauważyć pewne uzasadnienie merytoryczne

– jednostki grupują się wokół obszarów naukowych z uwzględnieniem specyficznego

charakteru działania. Wybrane przykłady pokazują, że pozornie odmienne jednostki wykazują

integralność z innymi jednostkami w ramach współtworzonej grupy. Należy mieć na uwadze,

że klasyfikacja została dokonana na podstawie przyjętego układu zmiennych.

Zaproponowana klasyfikacja jednostek zostanie uwzględniona w dalszym etapie

badań. Rozwiązanie podjętego zadania badawczego wymaga doboru odpowiedniego modelu

DEA. W literaturze brak jest jednomyślności, co do stosowanego modelu*. Zakres modeli jest

szeroki i powinien być optymalnie dostosowany do sformułowanego problemu badawczego.

Schemat wyboru modelu dla poszczególnych zadań optymalizacji bazuje przede

wszystkim na orientacji. W wypadku przyjętych do modelu zmiennych, zdaniem autorki,

należy rozważyć model zorientowany na efekty. Można uznać, że jednostki naukowe mają

większy wpływ na osiągane rezultaty niż na dyspozycje nakładami. Zatem należy przyjąć

założenie, że jednostki naukowe powinny maksymalizować efekty przy danym poziomie

ponoszonych nakładów. Ponadto zdaniem R. Ramanathana, jeśli uwzględnia się zmienne

niekontrolowane, właściwe jest zastosowanie modelu o orientacji na efekty20

.

Kolejną kwestią jest rozstrzygnięcie wyboru modelu o określonych korzyściach skali.

Wybór stałych lub zmiennych zwrotów skali zależy od konkretnego zastosowania. Przyjmuje

się, że jeśli działalność DMU nie zależy od skali działania (na przykład porównania

produktywności kilku dużych monopoli), do skalowania stosuje się modele o stałych

korzyściach skali (CRS). W większości innych przypadków, bardziej odpowiednie jest

przyjęcie założenia o zmiennych korzyściach skali (VRS)21

. W rozdziale 5.3 zaprezentowano

35 przypadków użycia metody DEA do badania działalności jednostek naukowych.

Ich analiza nie wykazała jednoznacznych przesłanek wyboru modelu. Zastosowanie


R. Ramanathan, dz. cyt., s. 130-131. 21

Tamże, s. 175.

218

obu modeli pozwala jednak na określenie wskaźnika efektywności skali (ang. the most

productive scale size, MPSS)22

. MPSS wskazuje obszar optymalnych korzyści skali danej

jednostki. Jeżeli DMU jest w pełni produktywna w modelach CRS i VRS, to oznacza,

że DMU działa w obszarze najbardziej produktywnych korzyści skali. Na rysunku 5.1* MPSS

osiąga obiekt B. Jeżeli DMU jest produktywna w modelu VRS, ale nie w CRS, wówczas

DMU jest produktywna lokalnie w zakresie korzyści skali, lecz nie w sensie globalnym.

Poziom jej korzyści skali wynosi:

*

*

CCR

BCC

SE

(6.1)

gdzie:

SE – efektywność korzyści skali *

CCR – wskaźnik produktywności wyznaczony modelem CCR

*

BCC – wskaźnik produktywności wyznaczony modelem BCC

Wskaźnik SE kształtuje się w przedziale <0;1>.

Innym istotnym zagadnieniem dotyczącym wyboru modelu jest problematyka

substytucji i komplementarności nakładów lub efektów.

R. Viale i H. Etzkovitz są zdania, że rezultaty naukowe są komplementarne,

choć autorzy wyjaśniają też aspekty ich substytucyjności. Rozważają relację publikowania

i patentowania. W naturalnie kształtujących się relacjach, patentowanie wpływa pozytywnie

na publikowanie. W przytoczonych badaniach amerykańskich, ponad połowa naukowców

uznaje, że współpraca z przemysłem ma korzystny wpływ na ich badania naukowe. Publikacje

naukowców, którzy uzyskali więcej patentów, są wyżej cytowane. Liczba patentów jest istotnie

skorelowana z liczbą publikacji w naukach o życiu i naukach technicznych23

. Założenie

o komplementarności wyników naukowych potwierdzają badania L. Manjarrés-Henríqueza

i in.24

, A. Klotkou i M. Gulbrandsena25

, K.-S. Kwona i B.R. Martina26

.

Zjawisko ewentualnej substytucji może występować w wyniku działania mechanizmów

rynkowych oddziałujących na strukturę korzyści naukowców. Naukowcy coraz częściej stoją

przed koniecznością alokacji swojego czasu w wybrane formy działalności naukowej. Narasta

22

W.W. Cooper, L.M. Seiford, K. Tone, dz. cyt., s. 92.


R. Viale, H. Etzkovitz, dz. cyt., s. 6-9. 24

L. Manjarrés-Henríquez, A. Gutiérrez-Gracia, A. Carrión-García, J. Vega-Jurado, The Effects of university

-industry relationships and academic research on scientific performance: synergy or substitution?, ”Research

in Higher Education” 2009, t. 50, s. 795-811. 25 A. Klotkou, M. Gulbrandsen, The relationship between academic patenting and scientific publishing

in Norway, “Scientometrics” 2010, t. 82, 2010, s. 93-108. 26

K.-S. Kwon, B.R. Martin, Synergy or separation mode: the relationship between the academic research

and the knowledge transfer activities of Korean academics, “Scientometrics” 2012, t. 90, s. 177-200.

219

też presja polityczna na rozwój technologiczny i współpracę z przemysłem. Poświęcają swój

czas na działalność konsultacyjną, realizację umów badawczych z partnerami przemysłowymi,

licencjonowanie patentów lub prace związane z transferem technologii. Wybór celów

komercyjnych sprzyja krótkoterminowym trajektoriom badawczym i prowadzeniu badań

naukowych na niższym poziomie. Dodatkowo, wymagania kontraktów komercyjnych obligują

do zachowania poufności w zakresie publikowania procedury badawczej i jej wyników.

Te mechanizmy mogą wpływać na redukcję ilości i jakości produkcji naukowej. Jest to niejako

kompromis realizacji działalności naukowej i wdrożeniowej27

. Takie podejście potwierdzają

badania H. Lee i M. Miozzo28

.

W Polsce jednostki naukowe charakteryzują się różną strukturą technologii produkcji

rezultatów naukowych. Zdaniem autorki, rezultaty osiągane przez jednostki naukowe mają

generalnie charakter komplementarny, co wskazuje użycie modeli radialnych. W rozdziale 6.1

wskazano, że inny rodzaj rezultatów osiągają jednostki naukowe w zależności

od realizowanej dziedziny naukowej. Zróżnicowanie to zależne jest także od rodzaju

jednostki naukowej. Nie zidentyfikowano jednak jednostek, które osiągają w równie wysokim

stopniu rezultaty w zakresie publikacji, patentowania, realizacji projektów krajowych

lub międzynarodowych czy wdrożeń.

Ponadto, z metodycznego punktu widzenia i z obserwacji autorki wynika, że modeli

nieradialnych zorientowanych na efekty nie można wykorzystać, gdy jednostki wykazują

zerowe wartości w niektórych rezultatach, ponieważ dokonując obliczeń wskaźnika

produktywności w modelach o takiej orientacji, w takim wypadku niemożliwe

jest wyznaczenie odwrotności średniej arytmetycznej optymalnych wskaźników cząstkowych.

Próba zastąpienia wartości zerowych względnie małą liczbą prowadzi do skrajnie niskich

wartości wskaźnika produktywności. Dążąc do uzyskania modelu uniwersalnego

dla wszystkich jednostek, należy przyjąć komplementarność rezultatów.

W badaniu produktywności jednostek naukowych w Polsce, w celu dokonania

szczegółowego rangowania obiektów produktywnych, użyteczne będzie zastosowanie modelu

nadproduktywności (nadefektywności). Jeśli frakcja jednostek uznanych za produktywne jest

znaczna w stosunku do liczby DMU w grupie, powstaje potrzeba ustalenia rankingu również

obiektów produktywnych i wskazania obiektów rzeczywiście wzorcowych. W modelu tym

27

R. Viale, H. Etzkovitz, The capitalization of knowledge…, s. 2-3. 28

H. Lee i M. Miozzo, How does working on university-industry collaborative projects affect science

and engineering doctorates’ careers? Evidence from a UK research-based university, “The Journal

of Technology Transfer”, 2014 May.

220

dokonuje się dodatkowego różnicowania jednostek uznanych za produktywne i jest

on naturalnym uogólnieniem podstawowego modelu DEA. Konsekwencją jest brak

ograniczenia wskaźnika produktywności od góry wartością 1. Interpretacja tak otrzymanych

współczynników jest następująca: obiekty, których współczynnik jest co najmniej równy

1 są w pełni produktywne.

Trzeba jednak rozważyć połączenie modelu naproduktywności z modelem

nieradialnym. Należy zwrócić uwagę, że o ile radialny model nadproduktywności (SE-R) jest

rozszerzeniem zwykłego modelu radialnego (R), to nieradialny model nadproduktywności

(SE-NR) nie jest prostym uogólnieniem zwykłego nieradialnego modelu (NR). Efektywności

cząstkowe wynikające z modelu SE-NR w wielu wypadkach są bowiem inne niż ustalone

w zwykłym modelu NR. Występujące różnice wynikają z następujących zależności

dla modelu ukierunkowanego na efekty29

:

jeśli w modelu SE-NR obiekt jest produktywny ze względu na wszystkie efekty,

to w modelu NR obiekt też jest nieproduktywny ze względu na wszystkie efekty;

odwrotne twierdzenie też jest prawdziwe;

jeśli w modelu SE-NR obiekt jest produktywny ze względu na wszystkie efekty,

to w modelu NR obiekt też jest produktywny ze względu na wszystkie efekty; odwrotne

twierdzenie nie jest jednak prawdziwe;

jeśli w modelu NR obiekt jest nieproduktywny ze względu na niektóre efekty,

to w modelu SE-NR obiekt też jest nieproduktywny ze względu na te efekty.

Zdaniem B. Guzika, modele SE-NR oraz NR to wyraźnie różne modele. Autor

sugeruje posługiwanie się modelami nadproduktywności, ponieważ zwykłe modele radialne

oraz nieradialne dość często przeszacowują wskaźniki produktywności30

.

Ostatecznie w pracy wykorzystano radialny model nadproduktywności o zmiennych

korzyściach skali, zorientowany na efekty (SE-VRS-O). W celu ustalenia efektywności skali

zastosowano również model o stałych korzyściach skali (SE- CRS-O). Ze względu na rozmiar

materiału badawczego, wyniki obliczeń zostaną przedstawione na przykładzie grupy

jednostek J1, natomiast analizy zbiorcze będą dotyczyły wszystkich grup. W przyjętym

modelu pomiaru produktywności jednostek naukowych w Polsce, każda jednostka naukowa

charakteryzuje się wektorem określającym jego technologię własną określoną wzorem:

29

B. Guzik, dz. cyt., s. 245-246. 30

Tamże, s. 247.

221

1 , 2 , 1 ,..., 17j j j j jT X X Y Y (6.2)

gdzie:

Xj – nakłady obiektu DMUj (wejście);

Yj – efekty obiektu DMUj (wyjście).

Oznaczenia zmiennych oraz wskazanie ich rodzaju w modelu przedstawiono

w tabeli 6.15. Kwestią wymagającą założenia a priori jest podział wybranych wejść na tak

zwane zmienne kontrolowane i zmienne niekontrolowane. Metoda DEA w wypadku istnienia

istotnych zmiennych niekontrolowanych powinna odnosić produktywność danej jednostki

tylko do tych, które osiągają lepsze wyniki przy niższym poziomie zmiennych wejściowych

kontrolowanych i jednocześnie o tym samym poziomie zmiennych niekontrolowanych.

Tabela 6.15. Zmienne w modelu oceny produktywności jednostek naukowych

Kod

zmiennej

Oznaczenie

zmiennej w modelu Rodzaj zmiennej

X3 X1 Nakład

X47 X2 Nakład niekontrolowany X5 Y1 Efekt

X9 Y2 Efekt

X10 Y3 Efekt

X11 Y4 Efekt

X12 Y5 Efekt

X13 Y6 Efekt

X14 Y7 Efekt

X15 Y8 Efekt

X16 Y9 Efekt

X22 Y10 Efekt

X24 Y11 Efekt

X28 Y12 Efekt

X31 Y13 Efekt

X34 Y14 Efekt

X35 Y15 Efekt

X36 Y16 Efekt

X37 Y17 Efekt


Istotnym problemem, który może prowadzić do różnych wyników, jest wpływ

czynników środowiskowych na badane jednostki decyzyjne. W celu włączenia do analizy

zmiennych środowiskowych, przyjęto dwuetapową procedurę (ang. two-stage DEA)

mierzenia produktywności jednostek naukowych. Najpierw zastosowano modele

zorientowane na efekty analizując zmienne będące pod kontrolą ocenianych jednostek.

Następnie, dokonano analizy regresji w celu określenia siły i kierunku wpływu zmiennych

środowiskowych i skorygowano otrzymane wskaźniki produktywności. Zasadnicze znaczenie

ma uzyskanie wiarygodnych wyników. Dwuetapowy sposób mierzenia efektywności

był zastosowany w przeważającej części ostatnich prac dotyczących aplikacji metody DEA.

222

6.4. Obliczenia produktywności

W pierwszym etapie oceny produktywności jednostek naukowych w Polsce

dla przyjętych nakładów kontrolowanych i efektów (tabela 6.15) zastosowano modele DEA

CRS-O oraz VRS-O w celu zbadania efektywności skali*. Wyniki obliczeń wykonano

za pomocą oprogramowania Banxia Software, programu Frontier Analyst w wersji 4.0.10.

Postulat o nieujemności wartości rezultatów i nakładów (w wypadku analizowanych danych

sprowadzający się do usunięcia zerowych wartości wśród wybranych zmiennych) spełniono

przez zastąpienie wartości zerowych liczbą 0,131

.

Analiza wskaźników efektywności skali pokazuje, że tylko 34,93% jednostek

naukowych w grupie G1 działa w obrębie najbardziej produktywnych efektów skali (MPSS),

49,89% jednostek działa w obszarze rosnących efektów skali, zaś nieco ponad 18%

w obszarze malejących efektów skali.

W kolejnym kroku dokonano analizy wpływu zmiennych środowiskowych testując

pięć różnych zmiennych środowiskowych zaprezentowanych w tabeli 6.16.

Tabela 6.16. Zmienne środowiskowe poddane analizie regresji

Model Zmienna

objaśniana Zmienna objaśniająca

model 1

wskaźnik

produktywności

SE-VRS-O

S1 typ jednostki naukowej (jednostka naukowa PAN,

uczelnia, inna jednostka, instytut badawczy)

model 2 S2 województwo

model 3 S3 wskaźnik PKB według województw [mln zł]

model 4 S4 wskaźnik PKB na 1 mieszkańca według województw [zł]

model 5 S5 dotacja statutowa w latach 2005-2008


Zastosowano model regresji wielorakiej. Jako zmienną objaśnianą przyjęto uzyskany

wskaźnik produktywności w modelu SE-VRS-O. Analizowane zmienne środowiskowe

zostały wskazane ze względu na wcześniejsze analizy, gdzie pokazano zróżnicowanie

jednostek naukowych. Badania wykazały zróżnicowanie jednostek względem regionów,

uwzględniono następujące czynniki: S2, S3, S4. Autorka przyjęła dotację statutową jako

zmienną środowiskową**, ponieważ faktycznie jednostki mają ograniczony wpływ na jej

wysokość analizując algorytm podziału dotacji bazowej (formuła 6.3). Algorytm nominalnego

* Wyniki obliczeń przedstawiono w aneksie, załącznik 10. 31

Jest to wartość ustalona na podstawie symulacji. Przyjęcie niższych wartość uniemożliwiało przeprowadzenie

analiz z powodu zbyt dużego rozrzutu wartości zmiennych.

** Uwzględnienie środków finansowych jako zmiennej niekontrolowanej zastosowano w jednym z przykładów

aplikacji metody DEA do oceny uczelni w rozdziale 5.3.

223

poziomu odniesienia dotacji bazowej dla jednostki naukowej co prawda uwzględnia

współczynnik przypisany kategorii naukowej32

, lecz wpływ ten jest ograniczony:

1

lj j

i i i i

j

S q w k N

(6.3)

gdzie:

qi – współczynnik przypisany kategorii i-tej jednostki naukowej (1,5 – A+; 1,0 – A; 0,75 – B; 0,4 – C),

wi – współczynnik rodzaju grupy jednotek naukowych (1,0 – jednostki PAN; 0,7 – instytuty badawcze; 0,4

podstawowe jednostki organizacyjne uczelni; 0,4 –inne jednostki naukowe);

l – liczba dziedzin;

kj – współczynnik kosztochłonności badań dla j-tej dziedziny, ogłaszany w formie komunikatu w Biuletynie

Informacji Publicznej na stronie podmiotowej Ministra;

Nij – liczba osób w i-tej jednostce naukowej w j-tej dziedzinie naukowej, w przeliczeniu na pełny wymiar czasu

pracy, zatrudnionych w jednostce naukowej przy prowadzeniu badań naukowych lub prac rozwojowych

na podstawie stosunku pracy, ustalona na podstawie corocznie składanych przez pracowników pisemnych

oświadczeń o wyrażeniu zgody na zaliczenie do tej liczby.

Dla każdej zmiennej środowiskowej przyjęto, że funkcja regresji zmiennej objaśnianej

Y ma jedną zmienną objaśniającą X, a hipoteza zerowa przyjmuje postać:

ˆ: ( )o y yH Y f X X , (6.3)

gdzie parametry funkcji są dwiema niewiadomymi i oznaczają współczynnik regresji liniowej

y oraz wyraz wolny tej funkcji y . Parametry te oszacowano na podstawie wyników

empirycznych. Hipotezy zerowe sformułowano jako brak wpływu zmiennej objaśniającej

na objaśnianą. W tabeli 6.16 przedstawiono podstawowe statystyki analizy regresji

poszczególnych zmiennych środowiskowych.

Deklarowany poziom istotności wynosi 0,05. Ocena punktowa współczynnika regresji

y od x wynosi y , ze średnim błędem losowym równym ya . Wyznaczony poziom

istotności wynosi t , a krytyczny poziom istotności ustalono na poziomie p. Ogólnie, hipoteza

H0 jest odrzucana, jeżeli wartość bezwzględna statystyki t jest większa od wartości krytycznej

przy danym poziomie istotności33

. Na podstawie analizy parametrów w tabeli 6.17

jednoznacznie odrzucono model 5, co oznacza, że dotacja statutowa w latach 2005-2008

ma istotny wpływ na wskaźnik produktywności. Brak podstaw do odrzucenia hipotezy

o braku wpływu zaobserwowano w modelach 1, 2 i 5. W modelach 3 i 4 brak podstaw

do odrzucenia hipotezy zerowej dla współczynnika y , ale istnieją przesłanki do odrzucenia

hipotezy zerowej dla współczynnika y .

32

obwieszczenie Ministra Nauki i Szkolnictwa Wyższego z dnia 5 czerwca 2013 r. w sprawie ogłoszenia

jednolitego tekstu rozporządzenia Ministra Nauki i Szkolnictwa Wyższego w sprawie kryteriów i trybu

przyznawania oraz rozliczania środków finansowych na naukę na finansowanie działalności statutowej,

Warszawa, Dz. U. z dnia 20 stycznia 2014 r., poz. 90, załącznik nr 2. 33

A. Luszniewicz, T. Słaby, Statystyka z pakietem komputerowym STATISTICA PL. Teoria i zastosowania,

Wydawnictwo C.H. Beck, Warszawa 2008, s. 228.

224

Tabela 6.17. Wyniki analizy regresji wielorakiej

Model Parametry b̂ b

Średni

błąd

ya

Poziom

istotności

t

Poziom

p

Hipoteza

Ho

model 1 y -136,147 1009,814 -0,13482 0,89288 +

y 0,0208 0,0694 2,945 9,811 0,30020 0,76432 +

model 2 y -98,3085 311,8701 -0,31522 0,75291 +

y 0,0590 0,0693 2,5223 2,9631 0,85126 0,39560 +

model 3 y 185,8833 22,32872 8,32485 0,00000 –

y -0,0692 0,0693 -0,0001 0,00014 -0,99833 0,31928 +

model 4 y 201,7276 42,68510 4,72595 0,00000 –

y -0,0587 0,0693 -0,0010 0,00120 -0,84726 0,39782 +

model 5 y 189,8673 14,93316 12,7144 0,00000 –

y -0,1688 0,0685 -0,0037 0,00151 -2,4648 0,01452 –

Legenda:

+ brak podstaw do odrzucenia hipotezy H0

– odrzucenie hipotezy H0


Nie uzyskano jednoznacznej kwalifikacji w zakresie uznania wpływu zmiennej

środowiskowej na wyniki obiektów. W celu ograniczenia ryzyka odrzucenia zmiennej, która

mogłaby ewentualnie poprawić jakość modelu wykorzystano procedurę regresji krokowej

wstecznej, która jest często stosowana w analizach DEA. W metodzie regresji krokowej

wstecznej najpierw budowany jest model początkowy zawierający wszystkie zmienne

środowiskowe oraz określane są wartości progowe statystyki do usuwania i do wprowadzania

zmiennych do modelu, zwykle za pomocą statystyki F lub poziomu istotności p. Następnie,

w każdym kroku dla każdej zmiennej obliczane są wartości statystyk. Jeśli żadna

ze zmiennych nie da wartości mniejszej od określonej krytycznej wartość statystyki F

lub przekraczającej progową wartość p to procedura krokowa zostaje przerwana. Natomiast

w przeciwnym wypadku z modelu zostaje usunięta zmienna z najmniejszą wartością

statystyki F do usunięcia lub z największą wartością p. W wypadku doboru zmiennych

tą metodą w każdym kroku zmienne mogą być wprowadzane i usuwane z modelu, dlatego

też wartość p do wprowadzania musi być mniejsza od p do usuwania, tak aby zmienne

właśnie wprowadzone nie były natychmiast, w następnym kroku usuwane (i odwrotnie).

Analogicznie, F do wprowadzania musi być większe od F do usuwania.

225

W zastosowanej analizie przyjęto współczynniki: p do wprowadzenia 0,05,

oraz p do usunięcia 0,06 (ustawiając wartości progowe F od 3 do 4, co odpowiada w przybliżeniu

5% poziomowi istotności testu F). Wyniki analizy krokowej wstecznej zawarto w tabeli 6.18.

Tabela 6.18. Wyniki analizy regresji krokowej wstecznej

Zmienna

środowiskowa Kroki

F do

usunięcia

p do

usunięcia

F do

wprowadzenia

p do

wprowadzenia Efekt

S1 krok nr 1 2,0642 0,1523

w modelu

S2 0,0450 0,8320

usunięty

S3 0,8169 0,3671

w modelu

S4 0,7154 0,3986

w modelu

S5 7,1947 0,0079

w modelu

S1 krok nr 2 2,1485 0,1442

w modelu

S5 7,1886 0,0079

w modelu

S3 0,8574 0,3555

w modelu

S4 0,6788 0,4109

usunięty

S2

0,045068 0,832092 poza

S1 krok nr 3 1,8199 0,1788

w modelu

S5 6,9410 0,0090

w modelu

S3 0,3161 0,5745

usunięty

S4

0,678864 0,410940 poza

S2

0,005326 0,941895 poza

S1 krok nr 4 1,5804 0,2101

usunięty

S5 7,5801 0,0064

w modelu

S3

0,316176 0,574529 poza

S4

0,137155 0,711508 poza

S2

0,211617 0,645990 poza

S5 krok nr 5 6,0756 0,0145

w modelu

S1

1,580451 0,210119 poza

S3

0,071173 0,789903 poza

S4

0,017820 0,893935 poza

S2

0,014140 0,905462 poza


Wynik uzyskano w piątym kroku. Zmienne przyjęte do modelu są zgodne

z wnioskami przedstawionymi po wykonaniu wstępnej analizy regresji. Na podstawie analiz

regresji przyjęto, że dotacja statutowa w latach 2005-2008 ma wpływ na wskaźnik

produktywności. Wprowadzenie tej zmiennej do modelu oznacza skorygowanie wyników

modelu SE-VCR-O. Do oszacowania wartości oczekiwanych, najlepsze dopasowanie

wykazał model segmentowej regresji liniowej w następującej postaci:

( ) 0,0029 228,99f x x

gdzie:

x – wskaźnik produktywności w modelu SE-VCR-O bez zmiennej środowiskowej;

y – wskaźnik produktywności uwzględniający wysokość dotacji statutowej.

226

Oceny modelu regresji do danych empirycznych dokonano na podstawie

współczynnika determinacji R2, który jest opisową miarą liniowego związku między

zmiennymi. Współczynnik determinacji przyjmuje wartości z przedziału <0;1>.

W uzyskanym modelu współczynnik R2 wynosi 0,8181, co oznacza, że model wyjaśnia

81,81% zmienności y. Podstawowe statystyki opisowe analizowanego modelu przedstawiono

w tabeli 6.19.

Tabela 6.19. Wybrane statystyki opisowe opracowanych rankingów

Statystyki opisowe

SE-VRS-O

bez zmiennej

środowiskowej

Skorygowany

model SE-VRS-O*

ze zmienną

środowiskową

Minimum 37,54 94,69

Maksimum 1000,00 228,76

Średnia 166,98 126,19


Włączenie zmiennej o zasobach finansowych zmniejsza zróżnicowanie jednostek

naukowych. Ponadto uwzględnienie dotacji statutowej całkowicie różnicuje ranking jednostek

naukowych w stosunku do modelu bez zmiennej środowiskowej (rysunek 6.11). Jednostki

naukowe poniżej czerwonej linii, po uwzględnieniu zasobów finansowych, osiągają wyższy

wskaźnik produktywności. Oznacza to, że efektywniej wykorzystują posiadane zasoby.

Jednostki powyżej linii czerwonej, osiągają relatywnie słabsze wyniki. Z posiadanych

zasobów produkują mniej efektów w porównaniu z innymi jednostkami w grupie.

Rysunek 6.11. Porównanie rankingów modeli SE-VRS-O i skorygowanego SE-VRS-O w grupie J1


0

20

40

60

80

100

120

140

160

180

200

220

U44

7

U45

0

U26

3

U21

8

U25

0

U31

9

U35

U10

9

U50

0

U10

4

U65

9

U15

4

U31

7

U57

9

U60

3

U64

9

U31

6

U61

9

U16

1

U45

2

U41

0

U15

U49

3

U21

6

U12

9

U34

7

U68

3

U40

2

U18

8

U66

8

U40

U22

6

U88

U36

2

U37

8

U40

7

U37

6

U40

6

U64

3

U64

2

U57

0

U54

8

Mie

jsce

w r

an

kin

gu

DMU

Ranking SE-VRC-O Skorygowany ranking SE-VRS-O*

227

Włączenie zmiennej charakteryzującej zasoby finansowe pozwala w pełniejszy sposób

wyjaśnić poziom uzyskiwanych efektów. Potwierdza to wnioski płynące z przeglądu

literatury, że nakłady finansowe na działalność naukową determinują osiągane efekty

naukowe przez jednostki naukowe. To pokazuje, jak ważne jest uwzględnienie poziomu

finansowania w ocenie jednostek naukowych, szczególnie w wypadku, kiedy alokacja

środków finansowych uzależniona od wyników tej oceny jednostek.

6.5. Testy odporności i stabilności modeli Data Envelopment Analysis

Realizacja zadania wielowymiarowej analizy porównawczej metodą DEA jest

związana z podejmowaniem pewnych rozstrzygnięć związanych z wyborem poszczególnych

procedur na każdym jego etapie. Implikuje to bowiem rezultat analizy porównawczej.

W poprzednich podrozdziałach wskazano rozwiązania, przesłanki i uzasadnienie wyboru

zmiennych, obiektów czy modelu DEA. Zdaniem autorki, wieloetapowa analiza DEA

powinna być uzupełniona o analizę wrażliwości i stabilności na błędy i perturbacje danych.

Ma to znaczenie szczególnie w obrębie prawidłowości i niepodważalności analiz i wyników.

Zagadnienie wrażliwości i stabilności rozwiązań metodą DEA na zmianę materiału

empirycznego jest istotne i często przywoływane w literaturze przedmiotu. Badania z tego

zakresu zostały zapoczątkowane przez prekursorów metody DEA. Pierwszą analizę

wrażliwości zaproponował A. Charnes dla zmiany pojedynczego efektu34

. To zapoczątkowało

serię dalszych badań i ich publikacji. W eksperymentalnych studiach bada się zazwyczaj

stopień stabilności wyników ze względu na zmianę liczby obiektów35

, wybór analizowanych

zmiennych36

, błędy pomiaru37

, a także dobór modelu38

.

34

A. Charnes, W.W. Cooper, A.Y. Lewin, R.C. Morey, J. Rousseau, Sensitivity and stability analysis in DEA,

“Annals of Operation s Research” 1985, t. 2, s. 139-156. 35

B. Guzik, dz. cyt., s. 17-34. 36

G.R. Jahanshahloo i in., Sensitivity of efficiency classifications in the inverse DEA models, “Applied

Mathematics and Computation” 2005, t. 169, s. 905-916; P. Tyagi, S.P. Yadav, S.P. Singh, dz. cyt., s. 168-177;

K. Lee, K. Choi, Cross redundancy and sensitivity in DEA models, “Journal of Productivity Analysis” 2010, t.

34, nr 2, s. 151-165. 37

A. Mostafaee, M. Soleimani-damaneh, Identifying the anchor points in DEA using sensitivity analysis in linear

programming, “European Journal of Operational Research” 2014, t. 237, s. 383-388; W.W. Cooper, S. Li,

L.M. Seiford, J. Zhu, Sensitivity Analysis in DEA, [w:] Handbook on Data Envelopment Analysis,

W.W. Cooper, L.M. Seiford, J. Zhu (red.), Stanford University, 2011, s. 71-91; S. Singh, Multiparametric

sensitivity analysis of the additive model in data envelopment analysis, “International Transactions

in Operational Research” 2010, t. 17, s. 365-380; J. Nazarko, J. Urban, dz. cyt., s. 101-106; V. Boljunčić,

Sensitivity analysis of an efficient DMU in DEA model with variable returns to scale (VRS), “Journal

of Productivity Analysis” 2006, t. 25, s. 173-192; G.R. Jahanshahlo i in., Sensitivity and stability analysis

in DEA, “Applied Mathematics and Computation” 2005, t. 169, s. 897-904; W.W. Cooper, S. Li, L.M. Seiford,

K. Tone, R.M. Thrall, J. Zhu, Sensitivity and stability analysis in DEA: some recent developments, “Journal

of Productivity Analysis” 2001, t. 15, s. 217-246.

228

Badacz B. Guzik syntetyzuje zależności dotyczące liczby zmiennych i obiektów39

.

Przez wzrost produktywności jednostek, spowodowanej wzrostem liczby nakładów lub/i

rezultatów, otrzymywane wyniki stają się mniej zróżnicowane i model jest mniej selektywny.

Z kolei rozszerzenie zbioru obiektów ocenianych nie polepsza efektywności obiektów już

uwzględnianych. Dołączenie nowego obiektu, o ile nie okaże się on w pełni efektywny,

nie zmienia wskaźnika efektywności dotychczas ujętych jednostek. Jeżeli natomiast

dodatkowo uwzględniony obiekt jest w 100% efektywny, efektywność dotychczas ujętych

spada lub co najwyżej pozostaje na poprzednim poziomie, w zależności czy obiekt będzie

wzorował się na obiekcie wprowadzonym czy nie. Analogicznie, jak w wypadku zmiany

liczby nakładów lub/i rezultatów, wynika to bezpośrednio z wykorzystania programowania

liniowego do określenia optymalnych wag maksymalizujących efektywność*.

Szczególny typ analizy wrażliwości i stabilności i odrębne badania prowadzi się

na modelach nadproduktywności, pierwotnie zaproponowana przez A. Charnesa i innych

dla równoczesnej proporcjonalnej zmiany wszystkich nakładów i efektów40

. J. Zhu41

oraz L.M. Seiford i J. Zhu42

ten warunek zmienności złagodzili do sytuacji, w której wejścia

lub wyjścia modelu można zmienić indywidualnie i określić obszar największej stabilności.

Wymienione metody były stosowane dla zmiany danych jedynie jednostek produktywnych.

Rozszerzenie analizy na obiekty nieefektywne zastosowali J. Zhu i L.M. Seiford43

.

Wymienione metody analizy wrażliwości oparte były na założeniu wzrostu pojedynczych

lub wszystkich wejść i spadku niektórych lub wszystkich wyjść. G.R. Jahanshahloo i inni

oraz W.W. Cooper i inni rozważyli pozostałe trzy przypadki44

:

wzrost nakładów i efektów;

spadek efektów i wzrost nakładów;

spadek efektów i nakładów.

38

T. Anh, L.M. Seiford, Sensitivity of DEA to models and variable sets in a hypothesis test setting: the efficiency

of university operations, [w:] Creative and innovative approaches to the science of management, Y. Ijiri (red.),

Quorum Books, New York 1993, s. 191-208. 39

B. Guzik, dz. cyt., s. 108.


A. Charnes, S. Haag, P. Jaska, J. Semple, Sensitivity of efficiency classifications in the additive model of data

envelopment analysis, “International Journal of Systems Science” 1992, t. 23, s. 789-798; A. Charnes,

J. Rousseau, J. Semple, Sensitivity and stability of efficiency classifications in data envelopment analysis,

“Journal of Productivity Analysis” 1996, t. 7, s. 5-18. 41

J. Zhu, Robustness of the efficient DMUs in data envelopment analysis, “European Journal of Operational

Research” 1996, t. 90, s. 451-460. 42

L.M. Seiford, J. Zhu, Stability regions for maintaining efficiency in data envelopment analysis, “European

Journal of Operational Research” 1998, t. 108 (1), s. 127-139. 43

L.M. Seiford, J. Zhu, Sensitivity analysis of DEA models for simultaneous changes in all the data, “Journal

of the Operational Research Society” 1998, t. 49, 1998, s. 1060-1071. 44

G.R. Jahanshahloo i in., Sensitivity of efficiency, s. 897-904; W.W. Cooper, S. Li, L.M. Seiford, J. Zhu, dz.

cyt., s. 72.

229

Przypadek spadku nakładów i wzrostu efektów nie jest analizowany, ponieważ

z założenia nie wpływa na pogorszenie wyników DMU.

W wyniku różnych badań prezentowanych w literaturze, zakłada się, że metoda DEA

charakteryzuje się generalnie stosunkowo niską odpornością na błędy pomiaru. Jest to również

naturalna konsekwencja jej specyfiki – tego, że oznaczana jest względna produktywność,

a granica produktywności jest formułowana na podstawie rzeczywistych, najlepiej działających

jednostek. Dodatkowo, ponieważ DEA jest metodą nieparametryczną, stosowanie tradycyjnych

testów statystycznych, weryfikowanie hipotez, budowanie przedziałów ufności parametrów

modelu jest utrudnione. W tej sytuacji dużego znaczenia nabiera diagnostyka empiryczna

wybranego modelu przeprowadzana a posteriori45

.

Zgodnie z podejściem przyjętym w literaturze, dokonano obliczeń określających

odporność klasyfikacji jednostek produktywnych i nieproduktywnych na występowanie błędów

pomiaru w modelu nadproduktywności. Zakłócano losowo wartość zmiennych wejściowych

w grupie jednostek naukowych J1 szumem o rozkładzie normalnym , ,( , )i j i j iN , gdzie

,i j

oryginalna wartość zmiennej i-tej dla obiektu j, vi określony współczynnik zmienności

zmiennej i, a następnie dokonywano wtórnych obliczeń produktywności. Procedurę powtarzano

wielokrotnie z różnym poziomem współczynnika zmienności vi starając się określić

akceptowalny poziom błędów nienaruszający stabilności modeli.

Tabela 6.20. Podstawowe statystyki zmiennych w grupie J1

Rodzaj zmiennej Kod zmiennej Średnia x Odchylenie standardowe

Nakład X1 45,60 26,63

Zmienna środowiskowa X2 6154,15 7771,55

Efekt Y1 0,28 0,49

Efekt Y2 1563,54 1691,01

Efekt Y3 4,89 26,80

Efekt Y4 369,63 369,54

Efekt Y5 17,42 27,34

Efekt Y6 1,38 2,46

Efekt Y7 9,74 10,54

Efekt Y8 4,29 7,77

Efekt Y9 3,67 10,29

Efekt Y10 31,01 155,24

Efekt Y11 1,86 3,49

Efekt Y12 0,09 0,35

Efekt Y13 0,18 0,87

Efekt Y14 0,23 0,66

Efekt Y15 2,45 3,52

Efekt Y16 2099,31 3848,83

Efekt Y17 7766,78 30280,00


45


230

Zakłócenia wprowadzono do wszystkich zmiennych, lecz z różnym natężeniem

zależnym od poziomu parametrów średniej i odchylenia standardowego. W tabeli 6.20

przedstawiono wartość statystyk opisowych zmiennych wyjściowych, wejściowych modeli

oraz zmiennych środowiskowych.

Cechy charakteryzują się wysoką zmiennością. Ustalenie jednakowych poziomów

zakłóceń dla każdej ze zmiennych miałoby nieadekwatne przełożenie na rzeczywiste wartości

przyjmowane przez zmienne, dlatego też przyjęto odpowiednio 1%, 5%, 10%, 20% oraz 30%,

wartości średniej i odchylenia standardowego danej zmiennej. Otrzymane wartości

zaprezentowano w tabeli 6.21.

Tabela 6.21. Zestawienie wartości średniej i odchylenia standardowego poszczególnych zmiennych

dla różnych poziomów zakłóceń danych w grupie J1

Kod

zmiennej

Poziom zakłóceń

1% 5% 10% 20% 30%

x x x x x

X1 0,46 0,27 0,91 0,53 1,37 0,80 2,28 1,33 4,56 2,66

X2 61,54 77,72 123,08 155,43 184,63 233,15 307,71 388,58 615,42 777,16

Y1 0,00 0,01 0,01 0,01 0,01 0,02 0,01 0,03 0,03 0,05

Y2 15,64 16,91 31,27 33,82 46,91 50,73 78,18 84,55 156,35 169,10

Y3 0,05 0,27 0,10 0,54 0,15 0,80 0,25 1,34 0,49 2,68

Y4 3,70 3,70 7,39 7,39 11,09 11,09 18,48 18,48 36,96 36,95

Y5 0,17 0,27 0,35 0,55 0,52 0,82 0,87 1,37 1,74 2,73

Y6 0,01 0,03 0,03 0,05 0,04 0,07 0,07 0,12 0,14 0,25

Y7 0,10 0,11 0,20 0,21 0,29 0,32 0,49 0,53 0,97 1,05

Y8 0,04 0,08 0,09 0,16 0,13 0,23 0,22 0,39 0,43 0,78

Y9 0,04 0,10 0,07 0,21 0,11 0,31 0,18 0,52 0,37 1,03

Y10 0,31 1,55 0,62 3,11 0,93 4,66 1,55 7,76 3,10 15,52

Y11 0,02 0,04 0,04 0,07 0,06 0,11 0,09 0,18 0,19 0,35

Y12 0,00 0,00 0,00 0,01 0,00 0,01 0,01 0,02 0,01 0,04

Y13 0,00 0,01 0,00 0,02 0,01 0,03 0,01 0,04 0,02 0,09

Y14 0,00 0,01 0,01 0,01 0,01 0,02 0,01 0,03 0,02 0,07

Y15 0,03 0,04 0,05 0,07 0,07 0,11 0,12 0,18 0,25 0,35

Y16 20,99 38,49 41,99 76,98 62,98 115,47 104,97 192,44 209,93 384,88

Y17 77,67 302,80 155,34 605,60 233,00 908,40 388,34 1514,00 776,68 3028,00


Do wygenerowania zakłóceń wykorzystano narzędzie analizy danych Generowanie

liczb losowych należące do pakietu Analysis Toolpak programu Microsoft Excel. Następnie

obliczono produktywność jednostek w modelach SE-DEA-VRS i skorygowanym SE-DEA-

VRS* przy określonych poziomach zakłóceń zmiennych w celu zbadania ich interferencji.

Do oceny wpływu poziomu zakłóceń na klasyfikację wykorzystano analizę korelacji rang

R Spearmana, tau Kendalla oraz Gamma* dla oryginalnych oraz otrzymanych po zakłóceniu

zmiennych. Wyniki zawarto w tabeli 6.22.

* Szerzej omówiono statystyki korelacji rang w rozdziale 7.1.

231

Tabela 6.22. Stabilność rankingów DEA na perturbacje danych

Model Statystyki Poziom zakłóceń

1% 5% 10% 20% 30%

SE-DEA-VRS RSpearmana 0,99 0,97 0,91 0,85 0,73

Gamma, tau Kendalla 0,89 0,89 0,80 0,73 0,59

skorygowany

SE-DEA-VRS*

RSpearmana 0,94 0,79 0,79 0,72 0,62

Gamma, tau Kendalla 0,93 0,81 0,81 0,74 0,64

Źródło: opracowanie własne z wykorzystaniem pakietu Analysis Toolpak Microsoft Excel oraz oprogramowania

STATISTICA.

W modelu SE-DEA-VRS* produktywność oceniana jest dwuetapowo: najpierw

wykorzystywana jest metoda DEA, a następnie metoda regresji uwzględniająca zakłócenia

w zmiennej środowiskowej. W tabeli 6.22 zestawiono współczynniki korelacji dla obu etapów.

Zakłócenia zmiennych do poziomu 10% ich średniej wartości zmieniają klasyfikację

jednostek naukowych. Korelacja oryginalnego rankingu i rankingu po wprowadzeniu

zakłóceń wynosi powyżej 91%. Zakłócenia danych powyżej 20% mają większe przełożenie

na finalną pozycję. Przyjmuje się istotny poziom korelacji R Spearmana powyżej 0,6

za wysoki (zależność znaczna), powyżej 0,8 za bardzo wysoki, a wskaźnik powyżej 0,9

traktuje się jako zależność praktycznie pełną46

.

Fluktuacje korelacji wraz ze wzrostem poziomu zakłóceń wykazują pewną tendencję

rosnącą. Oznacza to, że wraz ze wzrostem amplitudy zakłóceń rankingi coraz bardziej

odbiegają od pierwotnego, jednak niedopuszczalna jest dewaluacja znaczenia zmian

jednostkowych wartości charakteryzujących pojedyncze obiekty nawet przy niskim

współczynniku zmienności na ostateczną klasyfikację.

Zbadano zatem, jak zakłócenia wpływają na zmianę kwalifikacji jednostki w obrębie

grup jednostek produktywnych i nieproduktywnych. Wyniki przedstawiono w tabeli 6.23.

Tabela 6.23. Stabilność rankingów DEA w zakresie jednostek produktywnych i nieproduktywnych

Wyszczególnienie Poziom zakłóceń

1% 5% 10% 20% 30%

nieproduktywne → produktywne 5 (6%) 4 (4%) 5 (6%) 8 (10%) 18 (20%)

produktywne → nieproduktywne 0 0 0 0 0

Źródło: opracowanie własne z wykorzystaniem pakietu Analysis Toolpak Microsoft Excel oraz oprogramowania

STATISTICA.

Okazuje się, że zakłócenia nie miały wpływu na jednostki produktywne, które

utrzymały swoją klasyfikację. Natomiast w obrębie jednostek nieproduktywnych pojawiły się

zmiany. W wyniku zakłóceń na poziomie 1-10% nieliczne jednostki osiągnęły poziom pełnej

46

A. Maksymowicz-Ajchel, Wstęp do statystyki, Wydawnictwo Uniwersytetu Warszawskiego, Warszawa 2007,

s. 175.

232

produktywności. Z obserwacji danych wynika, że były to jednostki o wyniku oryginalnym

powyżej 95% czyli znacznie zbliżonym do progu pełnej produktywności.

Wyniki przeprowadzonych symulacji polegających na pewnych zmianach materiału

empirycznego i weryfikacji stabilności uzyskiwanych wyników, zdaniem autorki,

nie pozwalają na podważenie wiarygodności pierwotnych oszacowań efektywności. Błędy

pomiaru w każdej statystycznej metodzie analizy danych w jakimś stopniu oddziałują

na wyniki. W metodzie DEA ten wpływ może być szczególnie znaczący. Jednakże

w wypadku analizowanych danych, stabilność zaproponowanego modelu można uznać

za co najmniej zadowalającą. Stwierdzona eksperymentalnie znaczna odporność wyników

na błędy i perturbacje danych jest szczególnie korzystna dla oceny modeli

nadproduktywności, co potwierdzają inne badania47

.

47

J. Zhu, Super-efficiency and DEA sensitivity analysis, ”European Journal of Operational Research” 2001, t. 129,

s. 454.

233

ROZDZIAŁ 7.

REKOMENDACJE DO METODYKI DATA ENVELOPMENT ANALYSIS

W OCENIE JEDNOSTEK NAUKOWYCH

7.1. Porównanie produktywności jednostek naukowych

System nauki można traktować jako system produkcyjny, w którym nakłady pracy

i kapitału są zużywane w celu produkcji, upowszechniania i wdrażania wiedzy. Wymiernym

efektem tego procesu są między innymi: publikacje, awanse pracowników, udział

w konferencjach naukowych, patenty, licencje, wdrożenia, zrealizowane projekty naukowo

-badawcze i inne. Do oceny produktywności tego procesu możliwe jest zastosowanie metody

DEA. W aplikacji metody DEA aspekt obliczeniowy, choć ważny, to ze względu

na możliwość zastosowania dedykowanego oprogramowania, przesuwa się na drugi plan.

Kwestią zasadniczą stają się podejmowane decyzje dotyczące wyboru zbioru ocenianych

jednostek, doboru zmiennych, klasyfikacji jednostek w grupy jednorodne, wyboru

konkretnego modelu tak, by proces ten był obiektywny i uzasadniony. Sprzyja temu

stosowanie odpowiednich metod naukowych.

W pracy dokonano oceny produktywności publicznych jednostek naukowych

w Polsce. Wstępny zbiór zmiennych obejmował dane będące podstawą oceny parametrycznej

MNiSW w latach 2005-2008 oraz dane na temat wysokości środków finansowych

na finansowanie lub dofinansowanie działalności statutowej. W wyniku zastosowania

wybranych metod statystycznych wyłoniono zestaw zmiennych niezależnych opisujących

efekty uzyskiwane przez jednostki naukowe. Zaproponowany model oceny produktywności

o dwóch nakładach i siedemnastu efektach przedstawiono na rysunku 7.1.

Rysunek 7.1. Koncepcja modelu oceny produktywności jednostek naukowych

Źródło: opracowanie własne..

DEA

SE-VCR-O

Uprawnienia do nadawania stopnia

doktora habilitowanego

Publikacje z listy JCR

Publikacje z listy ERIH

Publikacje z listy MNiSW

Redakcja czasopism

Monografie

(w języku angielskim i polskim)

Rozdziały w monografiach

(w języku angielskim i polskim)

Licencje

Patenty (krajowe i zagraniczne)

Prawo ochronne na wzór użytkowy

Liczba projektów UE

(koordynacja i udział)

Wartość umów na prace B+R

Przychody z tytułu wdrożenia prac B+R

EFEKTY

NAKŁADY

Liczba

pracowników B+R

kontrolowane

Dotacja statutowa

niekontrolowane

234

Przyjętą metodykę zastosowano odrębnie dla zdefiniowanych sześciu grup

jednorodnych jednostek naukowych*. Ze względu na rozmiar zbioru jednostek ograniczona

jest możliwość analizy indywidualnej wszystkich obiektów. Dokonano ogólnej oceny

poziomu produktywności i wskazano główne możliwości interpretacyjne modelu

na przykładzie wybranych jednostek. Syntetyczne zestawienie wyników jednostek

naukowych w poszczególnych grupach przedstawiono w tabeli 7.1.

Tabela 7.1. Zestawienie wyników oceny jednostek naukowych

Grupy jednorodne

Lp. Kryterium J1 J2 J3 J4 J5 J6

1. Liczba produktywnych

SE-VRC-O

120

(57,41%)

148

(100%)

61

(83,56%)

63

(78,75%)

60

(56,60%)

53

(81,54%)

2. Liczba nieproduktywnych

model SE-VRC-O*

89 0 12 17 46 12

3.

Liczba produktywnych

model skorygowany

SE-VRC-O*

57

(27,27%)

148

(100%)

72

(98,63%)

80

(100%)

70

(66,04%)

65

(100%)

4.

Liczba nieproduktywnych

model skorygowany

SE-VRC-O*,

w tym:

152 0 1 0 36 0

uczelnie 86 - - - 36 -

jednostki naukowe PAN 25 - - - - -

instytuty badawcze 33 - - 1 - -

inne jednostki naukowe 7 - - - - -

5. Liczba MPSS 59

(28,23%)

79

(53,38%)

45

(61,64%)

55

(68,75%)

45

(42,45%)

42

(64,62%)

6. Średnia, w tym: 126,38 140,55 157,38 152,27 141,92 171,04

uczelnie 121,64 141,00 156,35 147,46 141,30 167,38

jednostki naukowe PAN 108,14 124,97 260,45 - 136,00 175,89

instytuty badawcze 139,70 122,07 146,51 176,04 169,11 181,12

inne jednostki naukowe 178,07 - 291,58 446,08 - -

7. Mediana 95,23 106,92 113,94 117,17 100,87 117,26

8. Min 94,69 105,40 97,49 114,22 99,26 114,85

9. Max 228,76 361,26 296,57 484,16 289,80 295,91

10. Rozstęp 134,08 255,85 199,08 369,95 190,5353 181,06

11. Odchylenie standardowe 51,65 75,69 72,81 92,42 72,86 79,33

12. Współczynnik zmienności 40,87 53,85 46,26 60,70 51,10 46,33


Zastosowany model dostarcza szeregu możliwości analitycznych. W wyniku

zastosowanej procedury uzyskano rankingi jednostek w poszczególnych grupach

jednorodnych. Wobec interpretacji współczynników produktywności oczywista jest zasada,

że obiekt o niższym wskaźniku klasyfikowany jest na dalszym miejscu. Ponieważ większość

jednostek osiągnęła poziom co najmniej 100%, zastosowano model nadproduktywności (SE)

w celu zróżnicowania jednostek produktywnych. Wskaźnik produktywności w modelu SE

dla jednostek produktywnych unormowany jest w przedziale <1;100>, co odpowiada skali

* Wyniki pomiaru produktywności poszczególnych jednostek naukowych zawarto w aneksie, załącznik 10.

235

100-1000%. Jednostki nieproduktywne w modelu SE osiągają tę samą wartość

jak w zwykłym modelu.

Na podstawie poziomu wskaźników produktywności można sformułować pogląd,

że względna produktywność jednostek naukowych w Polsce jest dość wysoka. Większość

jednostek naukowych uzyskuje poziom pełnej produktywności. Mniej niż 30% jednostek

naukowych osiągnęło wskaźnik produktywności względnej poniżej 100%. Są to jednostki

zakwalifikowane głównie do grupy J1 i J5. Należy jednak podkreślić, że wszystkie

nieproduktywne jednostki uzyskały wynik powyżej 90% po uwzględnieniu poziomu

finansowania. Relatywnie, co czwarta jednostka naukowa uczelni osiągnęła wskaźnik

produktywności poniżej progu 100% (122 jednostki), a co trzecia jednostka PAN

(75 jednostek). Prawie 30% spośród instytutów badawczych i 70% innych jednostek

naukowych może uzyskać lepsze rezultaty naukowe przy posiadanych zasobach.

Jeśli chodzi o skalę działania, 48% wszystkich jednostek naukowych działa

w obszarze najbardziej produktywnych korzyści skali (MPSS). Są to zarówno jednostki

produktywne, jak i nieproduktywne. Oznacza to, że pozostałe jednostki nie wykorzystują

w pełni zależności ekonomii skali.

Wnosząc po współczynniku zmienności, obiekty są dość zróżnicowane. Dokonując

analizy podstawowych statystyk opisowych, zaobserwowano, że w każdej grupie wyodrębnia się

zbiór jednostek naukowych o charakterze liderów. Niewielka różnica między wartością

minimalną w grupie a medianą sugeruje, że połowa jednostek w każdej grupie uzyskuje wskaźnik

na niskim poziomie w odniesieniu do wielkości wskaźnika rozstępu w grupach. Najwyższe

różnice zachodzą w grupach J1, J3 i J6. Szczególnie wyraźnie zróżnicowanie obiektów zachodzi

w grupie J1. Świadczy o tym wysoka wartość wskaźnika rozstępu (721,92) oraz rozrzut wyników

wokół średniej (154,80). Należy pamiętać, że statystyki w poszczególnych grupach mają

charakter względny, nie są to porównywalne kategorie względem grup.

Dokonując porównania wyników modelu SE-VRC-O bez zmiennej środowiskowej

oraz modelu SE-VRC-O* uwzględniającego zasoby finansowe, można zauważyć, że wyniki

dla jednostek nieproduktywnych zasadniczo uległy poprawie. Kształtowanie się poziomu

wskaźników produktywności w poszczególnych grupach jednorodnych oraz różnice między

pierwotnym a skorygowanym modelem przedstawiono na rysunku 7.2 a-f. Na tych rysunkach

wyraźnie widać grupę jednostek naukowych „odstających” o wysokich wskaźnikach

produktywności. Dalej, duża część jednostek uzyskuje wskaźniki na zbliżonym poziomie.

236

0

100

200

300

400

500

600

700

800

900

1000U

44

7

U13

9

U21

5

U10

0

U45

U21

8

U25

7

U20

6

U20

8

U16

8

U35

U48

U58

U68

0

U47

U10

4

U66

1

U40

4

U46

U57

8

U31

7

U57

4

U39

4

U31

1

U33

U64

9

U26

2

U60

7

U21

2

U62

9

U16

1

U20

3

U34

4

U64

8

U10

2

U15

U32

8

U65

0

U45

6

U34

1

U12

9

U17

6

U14

4

U66

U28

U40

2

U21

0

U17

4

U61

7

U37

2

U40

U81

U42

6

U34

5

U18

5

U36

2

U10

7

U39

8

U51

4

U37

5

U37

6

U26

8

U56

6

U82

U83

U64

2

U47

2

U44

9

U52

2

U62

5

Wsk

aźn

ik p

rod

uk

tyw

no

ści

Jednostki naukowe w grupy J1

SE-VRS-O bez zmiennej środowiskowej skorygowany SE-VRS-O* ze zmienną środowiskową MNiSW

0

100

200

300

400

500

600

700

800

900

1000

U28

3U

52

3U

43

5U

46

7U

50

2U

67

6U

79

U34

8U

42

5U

28

2U

67

U35

3U

49

2U

45

3U

52

9U

17

3U

12

6U

28

4U

77

U17

8U

50

1U

51

1U

55

5U

45

5U

50

9U

51

7U

46

9U

13

5U

43

7U

46

2U

53

1U

18

6U

28

7U

13

0U

47

7U

44

1U

43

4U

29

0U

45

9U

47

8U

46

5U

47

1U

43

3U

56

1U

56

3U

17

9U

52

8U

47

4U

43

8U

63

0U

44

2U

46

4U

64

4U

55

7U

47

9U

44

3U

51

8U

42

7U

53

8U

44

5U

29

2U

46

3U

53

6U

46

0U

53

4U

54

0U

53

5U

43

0U

53

7U

48

1U

56

7U

46

6U

48

2U

29

1

Wsk

aźn

ik p

rod

uk

tyw

no

ści

Jednostki naukowe z grupy J2


a)

b)

236

237

0

100

200

300

400

500

600

700

800

900

1000

1100

1200

1300

1400

U2

86

U4

2U

41

6U

21

3U

49

9U

73

U9

3U

23

2U

51

6U

19

3U

20

4U

90

U5

2U

24

2U

21

1U

23

0U

43

U3

03

U9

1U

98

U2

31

U1

95

U1

94

U2

14

U2

21

U5

05

U1

25

U5

04

U1

19

U2

02

U5

10

U1

18

U2

17

U7

5U

14

8U

30

7U

35

0U

23

7U

19

6U

12

1U

16

2U

12

0U

20

0U

11

6U

32

6U

19

9U

25

9U

23

5U

29

9U

96

U9

5U

24

4U

26

1U

97

U2

01

U1

98

U9

4U

14

7U

92

U2

60

U2

58

U2

33

U2

38

U2

07

U4

4U

15

2U

14

9U

11

5U

24

9U

19

2U

15

0U

23

4U

24

7

Wsk

aźn

ik p

rod

uk

tyw

no

ści

Jednostki naukowe w grupie J3


0

100

200

300

400

500

600

700

800

900

1000

U4

88

U4

75

U5

6U

22

4U

20

5U

60

U1

82

U4

9U

24

6U

57

U5

95

U1

66

U5

89

U5

98

U6

27

U5

92

U5

73

U5

87

U5

90

U1

69

U5

69

U5

91

U6

00

U1

64

U6

1U

18

0U

37

U5

68

U3

55

U5

94

U6

72

U5

93

U3

39

U3

57

U5

71

U1

56

U2

52

U5

97

U5

15

U1

28

U1

75

U6

18

U5

88

U3

56

U5

99

U5

30

U3

59

U6

15

U6

8U

25

3U

25

1U

35

1U

50

8U

35

2U

35

4U

34

3U

59

6U

36

0U

14

2U

64

0U

13

6U

18

4U

58

6U

61

6U

13

8U

62

4U

37

7U

51

9U

85

U8

7U

14

6U

48

9U

63

7U

54

5U

67

7U

63

4U

48

4U

63

5U

56

5U

63

3

Wsk

aźn

ik p

rod

uk

tyw

no

ści



c)

d)

237

238

Rysunek 7.2. Porównanie poziomu wskaźników produktywności w modelach DEA oraz MNiSW w poszczególnych grupach jednorodnych


0

100

200

300

400

500

600

700

800

900

1000

U49

8

U61

3

U19

7

U49

7

U31

5

U32

1

U41

4

U41

3

U18

1

U15

8

U99

U38

3

U41

5

U51

U58

3

U60

2

U22

U31

2

U16

5

U41

7

U29

U66

3

U9

U39

5

U36

7

U58

5

U66

4

U16

3

U39

7

U11

U39

U38

8

U8

U34

2

U32

4

U38

1

U68

1

U32

9

U36

5

U32

U36

6

U61

4

U61

0

U60

6

U60

5

U67

0

U60

9

U27

5

U27

4

U42

4

U36

U46

8

U55

0

Wsk

aźn

ik p

rod

uk

tyw

no

ści

Jednostki naukowe w grupie J5


0

100

200

300

400

500

600

700

800

900

1000

U6

51

U5

72

U2

43

U3

02

U1

57

U1

3U

5U

1U

31

U5

5U

10

3U

33

3U

38

4U

54

U6

2U

10

5U

12

3U

30

8U

47

6U

47

3U

13

1U

30

1U

65

3U

38

7U

38

9U

3U

24

1U

39

3U

60

4U

36

3U

2U

30

0U

65

4U

17

U5

3U

18

7U

66

0U

14

U7

4U

24

U2

6U

66

5U

31

0U

49

6U

50

U1

60

U3

34

U1

40

U1

22

U3

61

U3

37

U1

43

U3

09

U1

37

U1

41

U1

34

U6

78

U4

85

U4

48

U4

90

U6

47

U4

86

U4

91

U6

45

U5

43

Wsk

aźn

ik p

rod

uk

tyw

no

ści



e)

f)

243

238

239

Zaobserwować można, jak poziom finansowania wpływa na osiągane wyniki.

Z obserwacji wyodrębniających się podgrup względem wskaźnika produktywności, można

sformułować ogólne twierdzenie, że poziom finansowania determinuje poziom rezultatów

naukowych. W pewnych więc okolicznościach może stanowić również czynnik ograniczający

rozwój jednostki naukowej.

Uwzględnienie poziomu finansowania zróżnicowało rankingi we wszystkich grupach.

Do oceny tego zróżnicowania zastosowano analizę korelacji rang, czyli analizę zależności

między zmiennymi wyznaczoną dla pozycji przypadków w rankingach. Popularne

współczynniki korelacji rang to R Spearmana, tau Kendalla oraz Gamma.

Współczynnik R Spearmana, podobnie jak współczynnik korelacji Pearsona, należy

rozumieć jako miarę wyjaśnianej zmienności. Współczynnik tau Kendalla to miara zależności

między zmiennymi obliczana według wzoru (7.1)1:

ZR NRT

R

(7.1)

gdzie:

ZR – liczba par obserwacji, takich że relacje wartości obu zmiennych są takie same, tzn. tzn. jeśli wartość

pierwszej zmiennej dla pierwszej obserwacji jest większa od wartości tej zmiennej dla drugiej obserwacji,

to wartość drugiej zmiennej dla pierwszej obserwacji jest również większa od jej wartości dla drugiej

obserwacji

NR – liczba par obserwacji, takich że relacje wartości obu zmiennych są przeciwne do ZR, tzn. jeśli wartość

pierwszej zmiennej dla pierwszej obserwacji jest mniejsza od wartości tej zmiennej dla drugiej obserwacji,

to wartość drugiej zmiennej dla pierwszej obserwacji jest również mniejsza od jej wartości dla drugiej

obserwacji

R – łączna liczba par

Współczynnik tau Kendalla, w swoich założeniach, odpowiada współczynnikowi

R Spearmana. Dotyczy to również ich statystycznej mocy. Jednakże wielkości obu

współczynników zwykle nie pokrywają się, gdyż ich podstawy logiczne oraz formuły

obliczeniowe różnią się. Zależność pomiędzy tymi dwoma miarami wyrażają w postaci

nierówności:

1 3* 2* 1tauKendalla RSpearmana (7.2)

Współczynniki te posiadają różną interpretację. Współczynnik R Spearmana wyjaśnia

procent zmienności, z kolei współczynnik tau Kendalla odnosi się do różnicy między

prawdopodobieństwem tego, że dwie zmienne układają się w tym samym porządku w obrębie

obserwowanych danych, a prawdopodobieństwem, że ich uporządkowanie się różni.

Założenia dla współczynnika Gamma są takie jak dla R Spearmana i tau Kendalla,

natomiast pod względem interpretacji i obliczeń statystyka gamma jest bardziej podobna do tau

Kendalla. Współczynnik Gamma wyznacza się jako różnicę między prawdopodobieństwem,

1 A. Zeliaś, Metody statystyczne, Polskie Wydawnictwo Ekonomiczne, Warszawa 2000, s. 84-95.

240

że uporządkowanie dwóch zmiennych jest zgodne, a prawdopodobieństwem, że jest niezgodne,

podzieloną przez (1 prawdopodobieństwo występowania obserwacji powiązanych). Wartości

współczynników dla poszczególnych grup zawarto w tabeli 7.2. Wartości statystyk tau

Kendalla i Gamma pokrywają się.

Tabela 7.2. Korelacje rang rankingów w grupach jednorodnych

Korelacje rang Grupy jednorodne

J1 J2 J3 J4 J5 J6

R Spearmana 0,32 0,66 0,75 0,43 0,66 0,66

uczelnie -0,29 0,66 0,65 0,40 0,67 0,67

jednostki naukowe PAN 0,16 0,50 - - 0,61 0,76

instytuty badawcze 0,54 - 0,72 - 0,83 0,76

inne jednostki naukowe 0,23 - - - - -

tau Kendalla, Gamma 0,22 0,48 0,55 0,31 0,46 0,45

uczelnie 0,16 0,48 0,49 0,29 0,49 0,47

jednostki naukowe PAN 0,11 0,33 - - 0,44 0,56

instytuty badawcze 0,38 - 0,54 - 0,73 0,57

inne jednostki naukowe -0,05 - - - - -

Zależność między statystykami 0,02 0,12 0,15 0,07 0,06 0,03

Legenda: kolorem czerwonym oznaczono współczynniki o poziomie istotności 0,05.

Źródło: opracowanie własne. z wykorzystaniem programu Statistica.

Istotna zgodność rankingów zachodzi w grupie J3 przy współczynniku R Spearmana

wynoszącym 0,75. Statystyki tau Kendalla i Gamma są zgodne z wynikami R Spearmana

względem zależności (7.2) na poziomie od 0,02 do 0,15. Oznacza to, że poziom finansowania

ma silny wpływ na uzyskiwane rezultaty naukowe i ranking jednostek naukowych.

Na rysunku 7.2, do celów poglądowych zamieszczono wskaźniki MNiSW. Procedura

MNiSW w roku 2010 nie uwzględniała relatywnych wskaźników, lecz bezpośrednie, wobec

czego klasyfikacja MNiSW do grup jednorodnych nie miała wpływu na uzyskiwany

współczynnik efektywności. Można zauważyć znaczne różnice w wynikach rankingu

MNiSW i rankingu autorki.

Oceniając jednak średni poziom efektywności MNiSW jednostki naukowe szkół

wyższych generalnie uzyskiwały najniższe wskaźniki, zarówno globalnie (tabela 7.3),

jak i w poszczególnych zestawieniach w grupach jednorodnych (rysunek 7.3a). W modelu

DEA, gdzie wagi poszczególnych zmiennych są zróżnicowane i dostosowane do każdej

jednostki odrębnie (przy pewnych ograniczeniach), poziom jednostek naukowych uczelni jest

bardziej zróżnicowany.

Tabela 7.3. Średnie wskaźniki produktywności DEA i efektywności MNiSW według rodzaju jednostek

naukowych

Rodzaj jednostek naukowych MNiSW DEA

Inna jednostka naukowa 184,65 193,55

Instytut badawczy 162,74 175,71

Jednostka naukowa PAN 101,90 141,22

Uczelnia 56,02 151,28


241

Rysunek 7.3. Średni poziom wskaźnika efektywności MNiSW według rodzaju jednostki naukowej


Ważną korzyścią przeprowadzonej analizy metodą DEA jest możliwość określenia

formuły benchmarkingowej obiektów, w celu określenia najlepszych praktyk, ustalenia

kryteriów poprawy funkcjonowania i mierzenia postępów. Formuła benchmarkingowa

wskazuje wzorcowe obiekty odniesienia oraz określa poziom natężenia tych relacji, w celu

wyznaczenia technologii optymalnej. Technologia optymalna obiektu nieproduktywnego j jest

kombinacją technologii empirycznych poszczególnych obiektów produktywnych będących

wzorcami dla jednostki j. Tę kombinację konstruuje się z punktu widzenia

zmaksymalizowania efektów danej jednostki naukowej przy określonym poziomie

zatrudnienia i poziomu dotacji statutowej. Technologią optymalną jednostki produktywnej

jest jej technologia empiryczna*.


0

50

100

150

200

250

300

350

400

G1 G2 G3 G4 G5 G6 G7 G8 N1 N2 N3 N4 N5 N6 N7a N7b N8 N9 N10 N11 N13 N15

Śre

dn

i w

ska

źnik

efek

tyw

no

ści

MN

iSW

Grupy jednorodne MNiSW (2010)

Inna jednostka naukowa Instytut badawczy Jednostka naukowa PAN Uczelnia

a)

0

50

100

150

200

250

300

350

400

450

J1 J2 J3 J4 J5 J6

Śre

dn

i w

ska

źnik

pro

du

kty

wn

ośc

i D

EA

Grupy jednorodne w badaniach autorki Inna jednostka naukowa Instytut badawczy Jednostka naukowa PAN Uczelnia

b)

1353,25

242

W modelach klasycznych DEA formułę benchmarkingową wyznacza się dla jednostek

nieproduktywnych. W modelach nadproduktywności możliwe jest wskazanie możliwości

dalszej poprawy także dla obiektów produktywnych.

Porównując technologię optymalną i empiryczną otrzymuje się wskaźnik

produktywności * (

* ). W celu ustalenia technologii docelowej obiektów nieproduktywnych,

tj. wektorów nakładów i rezultatów zapewniających stuprocentową efektywność, można

proporcjonalnie zredukować wszystkie nakłady do poziomu oszacowanej * -krotności

obecnych, utrzymując dotychczasowe rezultaty lub * -krotnie proporcjonalnie zwiększyć

rezultaty, utrzymując dotychczasowe nakłady. Można też wykorzystać technologię

optymalną, którą określają wartości wag λj występujące we wzorach modeli DEA.

Oszacowane optymalne wartości wag λj definiują, które obiekty i z jaką krotnością ich wektor

nakładów i rezultatów tworzą technologię optymalną nieproduktywnego obiektu j.

Na podstawie tej informacji oszacować można nadwyżki nakładów lub/i niedobory

rezultatów, które występują w obiekcie nieproduktywnym. Technologię optymalną

wybranych jednostek naukowych w grupie J5 zawarto w tabeli 7.4.

Tabela 7.4. Technologia docelowa jednostek nieproduktywnych oparta na technologii optymalnej

wybranych jednostek z grupy J5

Technologia docelowa

Różnica między technologią optymalną

a empiryczną (%)

DMU U30 U21 U4 U414 U613 U30 U21 U4 U414 U613

Score 93,52 117,36 127,66 1000 1000 - - - -

Y1 1,07 1,9 2,35 1 0,1 47,37% 6,54% -27,66% 0,00% 0,00%

Y2 8700,45 11567,86 7100,02 32 851,5 -17,36% 6,48% -27,66% 0,00% 0,00%

Y3 0,11 0,1 0,1 625 0,1 0,00% 9,09% 0,00% 0,00% 0,00%

Y4 0,21 0,68 241,68 81 120 85,29% 52,38% 99,96% 0,00% 0,00%

Y5 19,46 39 20,62 58 0,1 -12,82% 99,49% 99,52% 0,00% 0,00%

Y6 0,11 5,15 0,67 0,5 0,1 98,06% 9,09% 85,07% 0,00% 0,00%

Y7 0,11 0,1 3,15 26 0,1 0,00% 9,09% 96,83% 0,00% 0,00%

Y8 0,11 0,1 0,1 10 2 0,00% 9,09% 0,00% 0,00% 0,00%

Y9 0,11 0,1 5,87 0,1 16 0,00% 9,09% 98,30% 0,00% 0,00%

Y10 3,57 334,39 632,06 0,1 0,1 99,97% 97,20% 93,48% 0,00% 0,00%

Y11 12,61 65 75,2 0,1 22 69,23% 36,56% -27,66% 0,00% 0,00%

Y12 3,11 0,85 0,78 0,1 3 -17,65% 67,85% -28,21% 0,00% 0,00%

Y13 0,11 1,12 0,57 0,1 0,1 91,07% 9,09% 82,46% 0,00% 0,00%

Y14 0,11 0,85 0,29 0,1 0,1 88,24% 9,09% 65,52% 0,00% 0,00%

Y15 10,41 13,63 5,48 0,1 0,1 -17,39% 99,04% -27,74% 0,00% 0,00%

Y16 1424,01 6529,59 4656,8 0,1 0,1 88,06% 57,88% 39,54% 0,00% 0,00%

Y17 413,27 3891,92 4009,79 0,1 0,1 100,00% 99,98% 100,00% 0,00% 0,00%


Technologia docelowa nieproduktywnej jednostki naukowej U30 sugeruje niedobór

rezultatów Y1, Y4, Y6, Y10, Y11, Y13, Y14, Y16 i Y17 oraz nadwyżki rezultatów Y2,Y5, Y12

i Y15. Wartość niedoborów i nadwyżek została wyrażona w procentach. W jej technologii

optymalnej poziom zmiennych Y7, Y8 i Y9 jest taki sam.

243

Obiekty U21 i U4 to jednostki produktywne, które osiągnęły wskaźnik produktywności

powyżej 100%, lecz poniżej 1000%. Mogą one poprawić swoje wyniki względem innych

jednostek produktywnych. Dla jednostki U21 wskazano obszary i zakres poprawy, natomiast

dla jednostki naukowej U4 wskazano również pewne nadwyżki w obszarze efektów Y1, Y2,

Y11, Y12 i Y15. Obiekty U414 i U613 to liderzy w swojej grupie o produktywności

na poziomie 1000%.

Korzystając z optymalnych wartości wag λj można utworzyć też graf benchmarkingu

dla wszystkich obiektów (rysunek 7.4).

Rysunek 7.4. Graf benchmarkingowy grupy J5

Źródło: opracowanie własne. z wykorzystaniem oprogramowania Gephi 0.8.2.

Przedstawione na rysunku 7.4 obiekty oznaczone kolorem czerwonym

i pomarańczowym są w pełni produktywne. Z uwagi na znaczną liczbę obiektów w grupie J5,

szczegóły relacji w grafie benchmarkingowym przedstawiono na rysunku 7.5 dla wybranych

obiektów wskazanych w tabeli 7.4.

obiekty nieproduktywne (Pj <100)

obiekty produktywne (1000> Pj >100)

obiekty produktywne (Pj=1000)

244

Rysunek 7.5. Graf benchmarkingowy wybranych obiektów z grupy J5

Źródło: opracowanie własne. na podstawie B. Guzik, Podstawowe modele DEA w badaniu efektywności

gospodarczej i społecznej, Wydawnictwo Uniwersytetu Ekonomicznego, Poznań 2009, s. 79.

Na rysunku 7.5 strzałka pokazuje kierunek pożądanego imitowania i biegnie

od obiektów wzorujących się do wzorcowego. Nad strzałkami umieszczono optymalne wagi λj.

Jednak ich absolutna wartość nie powinna być interpretowana jako skala wzorowania,

gdyż zależy od wymiaru nakładów i rezultatów w ocenianym obiekcie. Żeby ustalić udział

poszczególnych obiektów wzorcowych w tworzeniu technologii optymalnej należy określić

strukturę technologii docelowej. Na podstawie grafu odnotować można, że dominującymi

obiektami wzorcowymi w grupie J5 są jednostki naukowe U414 i U613 oraz U220, U386, U21,

U395, U413, U613 i U418. Są to jednostki występujące najczęściej jako obiekty wzorcowe.

Natomiast jednostki U165, U18, U274, U29, U318, U400, U585 mimo pełnej produktywności,

nie są wzorcem dla innych. Intensywność benchmarkingu rozumiana jest jako liczba obiektów

w technologiach optymalnych. W grupie J5 maksymalnie wynosi 10 obiektów wzorcowych,

najczęściej 6-7. Strukturę technologii optymalnej wyznacza na podstawie sumy wektorów

nakładów i rezultatów obiektów wzorcowych pomnożonych przez odpowiadające im wartości

współczynnika λj. Najsilniej oddziałujące benchmarki mają najwyższy współczynnik λj

w poszczególnych technologiach optymalnych. Przykładowo dla obiektu U30 (Wydział Chemii

Uniwersytetu Łódzkiego) obiektami wzorcowymi są głównie jednostki U12 (Instytut Chemii

U220

U151

U12

U4

U30

U388 U414

U6

U21

U6

U386

U613

U497

U550

U670

U9

U663

245

Organicznej PAN), U21 (Wydział Chemii Uniwersytetu Wrocławskiego) oraz U4 (Wydział

Chemiczny Politechniki Warszawskiej). Na rysunku 7.4. jednostka U4 ma wskazane relacji

w kierunku trzech innych obiektów. Ponieważ wszystkie te obiekty są produktywne, obiekty

te nie są benchmarkami, lecz jednostkami konkurującymi.

Ocena produktywności metodą DEA, umożliwia również na wskazanie konkurentów

technologicznych obiektów. W modelach nadproduktywności, banchmarki jednostek

produktywnych są ich konkurentami technologicznymi. Dla obiektów nieproduktywnych,

rozwiązując model DEA, sformułowany z wykluczeniem obiektów produktywnych

określonych w pełnym modelu, które stanowiąc wzór do naśladowania, nie mogą być

jednocześnie konkurentami, można określić rywali technologicznych. Konkurentem danego

obiektu będą te obiekty, które w zawężonym modelu DEA tworzą jego technologię optymalną.

Odrzuca się zatem jednostki, które uzyskały pełną produktywność na pierwszym poziomie

(ang. first level best-practice)2. Na drugim i kolejnych poziomach analizy wyznacza się

konkurentów technologicznych pozostałych obiektów. Konkurentów w obrębie obiektów

nieproduktywnych zestawiono w tabeli 7.5.

Tabela 7.5. Konkurenci technologiczni jednostek nieproduktywnych z grupy J5

Kod jednostki Konkurenci technologiczni

U20 U25 U390 U106 U364 U23 U16 U580 U601 U11

U30 U25 U390 U106 U16 U580 U11

U370 U390 U106 U396 U16 U580 U424

U399 U25 U390 U106 U16 U580 U11

U401 U25 U390 U602 U106 U16 U580

U408 U390 U106 U364 U396 U16 U580 U601 U424

U605 U25 U390 U106 U16 U580 U36

U606 U25 U390 U106 U16 U580 U36

U609 U25 U602 U106 U32 U364 U580 U275 U11

U610 U25 U106 U39 U16 U580 U11 U614

U667 U397 U25 U106 U281 U69 U16 U580 U11 U614

Źródło: opracowanie własne. z wykorzystaniem programu Frontier Analyst w wersji 4.0.10.

Przykładowo dla obiektu U30, największymi konkurentami technologicznymi

są obiekty U390 (Instytut Niskich Temperatur i Badań Strukturalnych PAN), U25 (Wydział

Chemii Uniwersytetu Jagiellońskiego) oraz U16 (Wydział Technologii Chemicznej

Politechniki Poznańskiej). Obiekty U16, U25, U106, U390, U580 są konkurentami z różnym

natężeniem λj dla większości obiektów.

2 J. Zhu, dz. cyt., p. 115.

246

7.2. Aplikacja metody Data Envelopment Analysis w ocenie jednostek naukowych

Współczesne systemy wartościowania nauki są zorientowane na osiąganie rezultatów

praktycznych. Powiązanie poziomu finansowania z oceną przydatności badań wywołało silną

presję na przyspieszenie procesu badawczego. Społeczna użyteczność nauki nie może być

jednak traktowana tylko z punktu widzenia doraźnych efektów ekonomicznych, jakie może

przynieść zastosowanie wyników badań. Zadaniem nauki jest zapewnienie ciągłości rozwoju

społeczeństwa, a w konsekwencji prognozowanie rozwoju społeczeństwa i przyszłych potrzeb

na informację naukową3. W tym celu nauka ma prawo wytwarzać informację naukową

również na własny użytek w postaci badań podstawowych. Często trudno określić, czy i kiedy

wyniki te będą przydatne. Ocena wyników badań naukowych powinna zatem uwzględniać

i zachować proporcje między ilością informacji wytworzonej przez naukę na użytek

wewnętrzny a ilością informacji przekazanej odbiorcom zewnętrznym i tam zastosowane

w praktyce. Proporcja ta zależna jest jednak od dziedziny nauki i etapu jej rozwoju. Można

zaobserwować, że w początkowym okresie następuje rozwój ukierunkowany na potrzeby

wewnętrzne: gromadzenie obserwacji, formułowanie teorii i instrumentarium badawczego.

Dalej następuje okres praktycznych zastosowań zdobytej wiedzy i pewnego zwrotu inwestycji

w naukę. Prawidłowy rozwój nauki wymaga podjęcia pewnej strategii badań naukowych,

która uwzględniałaby zarówno potrzeby bieżące, jak i przyszłe. Jednym z istotnych narzędzi

definiowania strategii i jej realizacji jest odpowiednio skonstruowany system oceny badań

naukowych, który dostarczy zarówno informacji o poziomie realizowanych zadań,

jak i będzie stymulował pożądane kierunki rozwoju. Odpowiedni zakres kryteriów i metodyka

powinny sprzyjać stosowaniu zasady precyzyjnego określania kompetencji poszczególnych

elementów strukturalnych instytucji naukowych.

Autorka zaproponowała adaptację koncepcji produktywności nauki i model ilościowy

oceny i analizy produktywności jednostek naukowych oparty na metodzie Data Envelopment

Analysis. Wykorzystanie metody DEA, nowego na gruncie polskim narzędzia pozwalającego

na ocenę produktywności nauki, miałoby większą wartość użytkową, gdyby pomiar odbywał

się systematycznie. Oprócz ustalenia bieżącej produktywności opartej na metodzie DEA,

ewaluacji można byłoby wówczas poddać wpływ zmian w systemie nauki na ogólne

tendencje oraz na stałość pozycji poszczególnych jednostek w rankingach. Regularnie

monitorowanie nakładów i wyników osiągniętych przez jednostkę naukową w czasie,

mogłoby także doprowadzić do wskazania właściwych kierunków zmian w systemie nauki.

3 W. Leszek, B. Wojciechowicz, Analiza pewnych możliwości podniesienia efektywności badań naukowych,

Politechnika Poznańska, Poznań 1975, s. 8-9.

247

Podejmowanie decyzji na podstawie analiz ponawianych w dłuższym czasie, a nie w jednym

okresie, jest dużo bardziej właściwe. Pojedyncza zaobserwowana sytuacja może mieć

przyczynę w niezwykłym splocie okoliczności, które nie pojawią się ponownie. Jednak, gdy

wyniki utrzymują się przez kilka okresów, ryzyko przypadkowości maleje. Warunkiem

wyjścia zastosowania metody DEA poza ramy jednorazowego pilotażowego projektu, jest

zaimplementowane analitycznych narzędzi metody DEA wewnątrz systemu informacyjnego

regularnie zbierającego, przetwarzającego i raportującego dane o ponoszonych nakładach

oraz osiągnięciach jednostek naukowych. Opracowany przez autorkę proces systematycznej

oceny produktywności jednostek naukowych przedstawiono na rysunku 7.6.

Rysunek 7.6. Proces systematycznej oceny produktywności z zastosowaniem metody DEA


Projektowanie ewaluacji i oceny instytucjonalnej rozpoczyna się od określenia

założeń, zdefiniowania celów i sprecyzowania jej funkcji. Ma to odniesienie do założeń

polityki naukowej, cyklu polityki naukowej i powiązań z innymi instrumentami polityki

naukowej. W kontekście tych działań następuje rozpoznanie zasobów informacyjnych

oraz ustalenie roli grup interesariuszy na różnych etapach ewaluacji. Sprecyzowanie zasad

systemu ewaluacji obejmuje ustalenie ram czasowych i metodologicznych ewaluacji.

Drugi etap proponowanego procesu to pozyskanie danych o jednostkach naukowych

oraz o poziomie finansowania blokowego na działalność naukową.

Projektowanie

Pozyskanie danych

Weryfikacja danych

Specyfikacja statystyczna zmiennych

Klasyfikacja statystyczna obiektów

Konstrukcja modelu DEA

Weryfikacja modelu

Ocena produktywności jednostek naukowych

Interpretacja wyników

Sformułowanie rekomendacji

Komunikacja wyników

Monitorowanie postępów

248

W Polsce zauważyć można brak konsultacji środowiskowych w zakresie doboru

kryteriów oceny jednostek naukowych. Przykładem dobrej praktyki w tym aspekcie jest

Wielka Brytania. Istotne jest zaangażowanie wielu interesariuszy w celu konstrukcji arkusza

danych i określenia możliwie szerokiego zestawu efektów działalności naukowej. Zdaniem

autorki, ocena jednostek naukowych nie musi odzwierciedlać społeczno-gospodarczych celów

państwa, ponieważ te są kontrolowane w procesie alokacji środków konkursowych. Zgodnie

z koncepcją produktywności, powinno się gromadzić możliwie obszerną wstępną listę

zmiennych, które mogą okazać się znaczące i uwzględniać w tym zakresie wszelkie efekty

naukowe (artefakty naukowe lub usługi), które mają pewną wartość (niekoniecznie określoną

jawnie) wynikające z działalności jednostki naukowej4. Ważne jest dążenie do osiągnięcia

pewnej równowagi pomiędzy jednolitością kryteriów a ich zróżnicowaniem ze względu

odmienności dyscyplin oraz specyfikę poszczególnych typów jednostek.

Innym ważnym aspektem jest porównywalność danych, której sprzyja stosowanie

parametrów ilościowych, ale odnoszących się do jakiegoś systemu jakości. Przykładowo

jest to liczba habilitacji, publikacje w czasopismach recenzowanych, cytowania, wartość

realizowanych projektów naukowo-badawczych. Porównywalność danych jest również

istotna z punktu widzenia porównywania wyników. Produktywność nauki może być mierzona

w sposób statyczny w odniesieniu do benchmarków, czyli jednostek naukowych wzorcowych,

i dynamiczny przez analizę zmian w czasie. Analiza zmian w czasie pozwala porównać

zmiany wskaźnika produktywności oraz zidentyfikować strukturę tych zmian.

Autorka uważa, że zaproponowany model można wzbogacić o dodatkowe zbiory

danych i odpowiednią ich analizę. Z przeglądu literatury i doświadczeń międzynarodowych

w zakresie oceny jednostek naukowych wynika, że istotne zmienne charakteryzujące

jednostki naukowe to między innymi:

liczba pracowników na poszczególnych stanowiskach (nakład);

liczba habilitacji (efekt);

liczba przewodów doktorskich i uzyskanych doktoratów w jednostce i poza nią (efekt);

referaty i publikacje konferencyjne rejestrowane we wskazanych bazach bibliograficznych

(efekt);

zagraniczna i międzynarodowa współpraca w zakresie publikacji, konferencji

i pozyskiwania funduszy zewnętrznych (efekt);

4 R.D. Banker, W.W. Cooper, Validation and generalization of DEA and its uses, “Top” 1994, t. 2, nr 2, s. 249.

249

najważniejsze przejawy uznania dla pracowników naukowych (nagrody i wyróżnienia

naukowe, zaproszenia do podejmowania największych konferencji, działalność

organizacji konferencji, redaktorstwo, członkostwo akademii) (efekt);

dane o społecznym wymiarze i wpływie działalności naukowej na poziomie lokalnym,

regionalnym, krajowym i międzynarodowym (efekt);

krajowe i zagraniczne staże naukowe pracowników, wizyty naukowe w kraju i za granicą,

wizyty naukowców z kraju i zagranicy (efekt);

udział pracowników jednostki naukowej w kształceniu na I, II i III stopniu (zmienna

środowiskowa).

Im szerszy wstępny zakres danych, tym większe możliwości analityczne. Dobrą

praktyką jest wymóg opracowywania raportu samooceny jednostki naukowej, w którym

corocznie jednostka może wskazać dodatkowe osiągnięcia istotne z perspektywy jej

działalności i uwarunkowań (Holandia, Wielka Brytania).

Zdaniem autorki, jednym z ważniejszych aspektów oceny jednostek naukowych jest

odniesienie się do poziomu finansowania. Należy jednak uwzględnić pełną kwotę dotacji

na badania. W Polsce, oprócz dotacji na finansowanie lub dofinansowanie działalności

statutowej, jednostki naukowe otrzymują z MNiSW5:

– dotacje na badania własne;

– dotacje na utrzymanie potencjału badawczego;

– dotacje na finansowanie utrzymania specjalnych urządzeń badawczych;

dotacje na finansowanie zadań z zakresu działalności upowszechniającej naukę;

dotacje na finansowanie współpracy naukowej z zagranicą;

– dotacje na badania wspólne sieci naukowej;

– dotacje na finansowanie działalności polegającej na prowadzeniu badań naukowych

lub prac rozwojowych oraz zadań z nimi związanych, służących rozwojowi młodych

naukowców oraz uczestników studiów doktoranckich;

inne dotacje celowe.

Ponadto, uwzględnić należałoby dotacje na naukę z innych ministerstw oraz inne

nakłady, które w koncepcji produktywności rozumiane są jako wszelkie zasoby jednostek

naukowych, które uznaje się, że mają pewną wartość (niekoniecznie określoną jawnie)

w produkcji jednego lub więcej rezultatów naukowych. Kluczowe w tym zakresie jest

5 MNiSW, Akty prawne, www.bip.mnisw.gov.pl [27.11.2014].

250

systematyczne gromadzenie rzetelnych, jednorodnych i wiarygodnych danych. Systematyczne

podejście ułatwia ich weryfikację.

Kolejnym etapem w procesie oceny jednostek naukowych jest analiza statystyczna

zbioru danych. W dotychczasowej ocenie MNiSW zauważyć można brak analizy właściwości

statystycznych danych. Zmienne skorelowane prowadzą do niewłaściwych proporcji

zmiennych w ocenie i zafałszowują obraz o rzeczywistej działalności jednostek naukowych.

Natomiast decyzje o wyborze zmiennych do oceny produktywności wymagają umocowania

na podstawach empirycznych. Konieczna jest głęboka analiza do zrozumienia

współzależności między różnymi metrykami, które będą również wyjaśniały przyczyny,

skutki i implikacje decyzji polityki naukowej. Dostęp do właściwych, dokładnych

i aktualnych informacji oraz oparta na metodach naukowych analiza danych stanowi

pożądane uzasadnienie decyzji wyboru kluczowych charakterystyk oceny produktywności

jednostek naukowych i wspiera kreowanie akceptacji kryteriów w środowisku naukowym.

Szczególnie oryginalnym podejściem jest zaproponowanie na kolejnym etapie

statystycznej klasyfikacji jednostek naukowych w grupy jednorodne. Dotychczasowa

klasyfikacja grup jednorodnych, zarówno arbitralna, jak i oparta na deklaracjach jednostek

naukowych, nie zapewniała dostatecznej separowalności grup jednorodnych. Nazwy

podmiotów oraz ich struktura nie wskazują jednoznacznie specyfiki jednostki*. Zastosowanie

właściwych metod statystycznych pozwala na przeprowadzenie analizy porównawczej

obiektów faktycznie jednorodnych pod względem struktury technologii produkcji.

W dalszej kolejności następuje wybór zmiennych, dobór modelu i jego orientacji.

Określenie czynników analizy, czyli wejść i wyjść, jest jednym z najtrudniejszych elementów

w analizie produktywności metodą DEA. Wybór tych czynników ma ogromy wpływ

na wyniki i budzi największe kontrowersje w środowisku naukowym. Warto dokonać

symulacji kilku wariantów modeli, różnych poziomów agregacji danych badając zgodność

otrzymywanych wyników.

Jeśli chodzi o wybór modelu, autorka postuluje stosowanie modelu DEA

nadproduktywności zorientowanego na efekty. Model taki szczególnie pozwala w sposób

czytelny wyłonić liderów, oznaczanych jako jednostki o kategorii A+. Orientacja modelu

na efekty jest bardziej uzasadniona od modelu dążącego do minimalizacji nakładów.

Właściwie każdą aplikację modelu DEA do oszacowania produktywności jednostek

powinna poprzedzać analiza jego wrażliwości. Przetestować warto zgodność osiąganych


251

przez jednostki wyników zarówno w wypadkach liczby branych pod uwagę wejść i wyjść,

jak i wpływu zaburzeń i błędów danych. Autorka w swoich badaniach pominęła analizy

liczby zmiennych, gdyż został on zredukowany do minimum po analizie statystycznej

i usunięciu zmiennych o niepewnych danych.

Po uzgodnieniu modelu następuje jego weryfikacja empiryczna, czyli ocena poziomu

produktywności jednostek naukowych i interpretacja wyników. Wymiernym efektem całej

procedury jest przyznanie określonej kategorii, a w konsekwencji przypisanie reguł alokacji

dotacji podmiotowej.

Dużą korzyścią zaproponowanej procedury jest sformułowanie rekomendacji

dla jednostek naukowych ze wskazaniem słabych i silnych stron, obszarów i zakresów

poprawy oraz potencjalnych obiektów wzorcowych.

Istotnym elementem jest komunikacja wyników. W środowisku naukowym oczekuje

się przedstawienia wyników oceny wraz z analizą, czy osiągnięto zamierzone cele,

z możliwością wzajemnego porównania. Ważne, aby jednostki miały możliwość

skomentowania raportów.

Ostatnim etapem procesu i jednocześnie łączącym z kolejną jego iteracją jest

monitorowanie postępów poprzez porównywanie wyników w czasie. Wsparciem może być

wspomniany wcześniej raport samooceny, w którym jednostka deklaruje wypełnienie

rekomendacji i zaleceń z poprzedniej oceny.

Zaproponowane podejście odpowiada na uwagi krytyczne środowiska naukowego

prezentowane w rozdziale 4.3. Wzrastająca rola nauki spowodowała konieczność

przeprowadzenia analiz samego przebiegu procesu poznawczego i czynników wpływających

na ten proces. Dotychczas jednak nie opracowano wartościowych kryteriów umożliwiających

obiektywne traktowanie procesu badawczego. Pożądany kierunek ewolucji systemu

parametrycznego to coraz bardziej syntetyczna wycena wybranych, jednoznacznie

zdefiniowanych elementów aktywności naukowej, dokumentujących pozycję dorobku jednostki

badawczej na tle nauki polskiej i światowej. Systematyczne przyglądanie się procesom

w obszarze działalności naukowej zachodzącym w jednostkach naukowych, świadomość

nakładów oraz powstających w wyniku ich transformacji efektów oraz ich naukowa

konfrontacja przyczyni się do zwiększenia przejrzystości oceny jednostek naukowych

oraz ułatwi alokację środków publicznych i ich rozliczalność przed interesariuszami.

252

ZAKOŃCZENIE

W rozprawie doktorskiej podjęto się analizy i oceny produktywności jednostek

naukowych. Problematyka stanowiła duże wyzwanie badawcze, zarówno ze względu

na próbę nowatorskiego ujęcia tematu, jak i panujący – zdaniem autorki – chaos pojęciowy

i metodologiczny w literaturze przedmiotu oraz w praktyce oceny jednostek naukowych.

W przekonaniu autorki, zasadniczy problem badawczy niniejszej rozprawy polegający

na analizie możliwości wykorzystania koncepcji produktywności do wartościowania

i porównywania dorobku jednostek naukowych oraz zastosowanie tej koncepcji

w zarządzaniu organizacją i finansowaniem badań naukowych został rozwiązany pomyślnie.

Treści zaproponowane w rozprawie mogą stanowić wypełnienie luki badawczej w zakresie

zarządzania badaniami naukowymi oraz oceny produktywności jednostek naukowych,

a zaproponowana metodyka wnosi nowy wkład do wiedzy z zakresu nauk o zarządzaniu

(wartość poznawcza) oraz może stanowić narzędzie użyteczne dla decydentów,

jak i jednostek naukowych do inicjatyw podejmowanych z zakresie oceny jednostek

naukowych w Polsce przez MNiSW (wartość aplikacyjna). Opracowana metodyka

ma charakter nowatorski, również w kontekście piśmiennictwa zagranicznego.

Zdaniem autorki, w rozprawie wykazano, że:

analiza produktywności jednostek naukowych daje możliwość oceny wykorzystania

ich zasobów materialnych i niematerialnych;

zastosowanie procedury metody DEA zwiększa obiektywność ewaluacji działalności

naukowej;

ocena parametryczna MNiSW wykazuje w jej dotychczasowym kształcie wiele słabości

i wskazano obszary jej dalszego doskonalenia merytorycznego i formalnego;

ocena produktywności działalności naukowej może być podstawą do kształtowania

instrumentów zarządzania organizacją i finansowaniem badań naukowych.

Tym samym pozytywnie konfirmowano hipotezy badawcze postawione w rozprawie.

Powyższe hipotezy zostały uwiarygodnione w treści pracy poprzez wykonanie

logicznie powiązanego ciągu zadań badawczych. W pracy wykonano szerokie prace studialne

z zakresu: (i) zarządzania sektorem nauki, kreowania polityki naukowej, ewaluacji

instytucjonalnej jednostek naukowych; (ii) uporządkowania terminologicznego wokół

zagadnienia produktywności; (iii) adaptacji koncepcji produktywności do analizy jednostek

253

naukowych oraz przeglądu metod jej pomiaru; (iv) obszernej prezentacji obecnego stanu

stosowanych podejść do systematycznej oceny jednostek naukowych w krajach europejskich

i pozaeuropejskich oraz finansowania jednostek naukowych; (v) szczegółowej analizy

metodyki oceny parametrycznej MNiSW; (vi) metody Data Envelopment Analysis i jej

zastosowania do oceny działalności naukowej w kraju i na świecie. Do przeprowadzenia

badania produktywności jednostek naukowych w Polsce zgromadzono dane o jednostkach

naukowych za lata 2004-2008, będące podstawą oceny parametrycznej MNiSW w roku 2010.

Zbiór danych uzupełniono o dane na temat wysokości środków finansowych na finansowanie

lub dofinansowanie działalności statutowej w latach 2003-2010. Dokonano wielowymiarowej

analizy statystycznej dostępnych zbiorów danych w celu programowej identyfikacji i analizy

nakładów i efektów jednostek naukowych oraz przeprowadzono analizy symulacyjne w celu

opracowania metodyki oceny produktywności jednostek naukowych opartej na procedurze

metody DEA. Przeprowadzona ocena i analiza porównawcza produktywności jednostek

naukowych w Polsce oraz dyskusja wyników pozwoliła na wypracowanie propozycji

metodycznych oceny działalności jednostek naukowych opartej na koncepcji produktywności

z wykorzystaniem metody DEA oraz zaprojektowanie modyfikacji procedury oceny

parametrycznej jednostek naukowych stosowanej przez MNiSW.

Realizacja powyższych zadań badawczych pozwoliła – zdaniem autorki –

na osiągnięcie zakładanych celów rozprawy. W zakresie poznawczym przeprowadzono

szeroką i pogłębioną dyskusję nad porównywaniem i wartościowaniem dorobku instytucji

naukowych, dokonano szerokiej analizy i oceny istniejących modeli systematycznej oceny

jednostek naukowych oraz wskazano obszary dyskusyjne metodyki oceny parametrycznej

stosowanej przez MNiSW. W zakresie metodycznym opracowano procedurę oceny

działalności jednostek naukowych opartej na koncepcji produktywności z wykorzystaniem

metody Data Envelopment Analysis (DEA). W zakresie utylitarnym zaprojektowano proces

systematycznej oceny produktywności z zastosowaniem metody DEA jako propozycję

modyfikacji procedury oceny parametrycznej jednostek naukowych stosowanej

przez Ministerstwo Nauki i Szkolnictwa Wyższego w Polsce.

Z przedstawionego materiału teoretycznego i empirycznego zaprezentowanego

w rozprawie wynikają również interesujące uzupełniające wnioski badawcze:

1. Względna produktywność jednostek naukowych w Polsce jest dość wysoka.

2. Poziom finansowania jednostek naukowych w postaci dotacji statutowej w sposób

znaczący determinuje osiągane przez nie rezultaty naukowe i ich rozwój.

254

3. Ponad 50% jednostek naukowych nie działa w obszarze najbardziej produktywnych

korzyści skali (MPSS).

4. Jednostki naukowe w Polsce są znacznie zróżnicowane pod względem poziomu

finansowania i brak jest korelacji między poziomem finansowania w postaci dotacji

statutowej a wynikiem oceny parametrycznej MNiSW; istnieje istotna korelacja między

poziomem finansowania a liczbą punktów za publikacje z listy JCR.

5. Rodzaj jednostki naukowej determinuje jej orientację w zakresie rezultatów działalności

naukowej.

6. Klasyfikacja jednostek naukowych w grupy jednorodne na podstawie metod

statystycznych pozwala ujawnić ich cechy dominujące.

7. Zastosowanie metod statystycznych w procedurze oceny produktywności zwiększa

obiektywność i wiarygodność wyników.

8. Wyniki analizy DEA mogą dostarczyć wartościowych informacji wspomagających

zarządzanie jednostkami naukowymi. Wynika to z faktu, że DEA oprócz nominalnej

wartości efektywności jednostki względem ocenianego zbioru wskazuje również możliwe,

maksymalne do osiągnięcia wyniki. Wytypowane wzorce dla obiektów nieproduktywnych

pozwalają na oszacowanie obszarów oszczędności nakładów lub niedoborów rezultatów.

Można również określić konkurentów technologicznych obiektów.

9. Gromadzenie i analiza danych o nauce i środowisku naukowym w Polsce

jest niejednorodna i niesystematyczna.

10. Uwzględnienie czynników środowiskowych w ocenie produktywności jednostek

naukowych pozwala na pełniejsze rozpoznanie i wyjaśnienie uwarunkowań

ich działalności.

W opinii autorki, zagadnienie oceny i analizy produktywności jednostek naukowych

jest niezwykle interesującym i obszernym zagadnieniem badawczym. Niniejsza praca

nie wyczerpuje w pełni tego zagadnienia. W opinii autorki, przeprowadzone w rozprawie

rozważania – zarówno w warstwie teoretycznej, jak i empirycznej – mogą stanowić podstawę

i inspirację do dalszych prac z tego zakresu. Istotne dalsze kierunki badań są związane

z uzupełnieniem zestawu zmiennych charakteryzujących nakłady i efekty jednostek

naukowych, próbą zdefiniowania innych czynników środowiskowych mających wpływ

na osiągane rezultaty jednostek naukowych. Za interesujący kierunek badań, autorka uznaje

możliwość wprowadzenia ograniczeń wag przypisanych zmiennym w algorytmie metody

DEA oraz ich wpływu na uzyskane wyniki.

255

Dużą trudność w przygotowaniu niniejszej rozprawy stanowił żmudny proces

gromadzenia danych dotyczących wyników działalności naukowej jednostek naukowych

oraz danych finansowych. Ponadto, próba nowatorskiego ujęcia tematu, a przy tym brak

syntetycznych ujęć problematyki będącej przedmiotem pracy spowodowały konieczność

szczegółowego odnoszenia się do wybranych zagadnień. Ze względu na różnorodność opinii

i wielość poglądów wyrażonych w literaturze przedmiotu, potrzeba doprecyzowania podjętej

w rozprawie problematyki w szerokim i wielowątkowym obszarze zarządzania w sektorze

badań naukowych oraz rzetelne przygotowanie rozprawy wymusiło jej obszerność.

256

ANEKS

Załącznik 1. Kryteria oceny parametrycznej w 1999 roku




Załącznik 5. Kryteria oceny parametrycznej i grupy wzajemnej oceny w 2013 roku

Załącznik 6. Liczebność jednostek oraz rozpiętość przedziałów poszczególnych kategorii

względem wskaźnika efektywności E

Załącznik 7. Zestawienie publikacji na temat zastosowań metody DEA w Polsce

Załącznik 8. Współczynniki korelacji cech wraz z poziomem ich istotności w poszczególnych

grupach jednostek naukowych

Załącznik 9. Lista jednostek naukowych w badaniach autorki i ich podział w grupy jednorodne

Załącznik 10. Wyniki oceny jednostek naukowych metodą DEA

257


Kryteria Punkty

H01a H01b H02 P03 P04 P05 P06 T07 T08 T09 T10 T11 T12

1. PUBLIKACJE RECENZOWANE

Publikacja w czasopiśmie wyróżnionym z listy filadelfijskiego Instytutu

Informacji Naukowej 10 10 10 10

5, 8,

10 4-10 4-10 4-10 4-10 4-10 8 4-10 4-10

Publikacja w innym czasopiśmie zagranicznym i w wyróżnionym czasopiśmie

krajowym 7 7 4

1-7 1, 3, 4 1-7

4, 5

1-7 1-7 1-7 4, 6 1-6 1-7 W innym wiodącym czasopiśmie krajowym 7 3

W pozostałych czasopismach krajowych 2 2 1 2

W recenzowanym wydawnictwie zbiorowym nie mającym charakteru

monografii naukowej 1 1 1 1 1, 2 1-2 1 1-2 1-2 1-2 1, 2 1-2 1-2

Rola, reżyseria (teatr, film, TV), wystawa indywidualna twórczości aktualnej,

publikacja partytur mniejszych form muzycznych, udokumentowana

konserwacja obiektu zabytkowego 10

Udział w wystawie zbiorowej, konkursie muzycznym, festiwalu 7 2. MONOGRAFIE NAUKOWE, PODRĘCZNIKI AKADEMICKIE

Autorstwo monografii lub podręcznika o zasięgu międzynarodowym 24 24 24 24 16-24 16-24 24 16-24 16-24 16-24 16, 24 16-24 16-24

Redakcja naukowa monografii lub podręcznika o zasięgu międzynarodowym 10 10 10 3 3-10 3-10 10 3-10 3-10 3-10 5 3-10 3-10

Autorstwo rozdziału w monografii lub podręczniku o zasięgu

międzynarodowym 7 7 7 10 5-10 5-10 5-10 5-10 5-10 5-10 7 5-10 5-10

Autorstwo monografii lub podręcznika o zasięgu krajowym 16 16 16 16 8-16 8-16 16 8-16 8-16 8-16 8, 10,

14, 16 8-16 8-16

Redakcja naukowa monografii lub podręcznika o zasięgu krajowym 5 5 5 2 2-5 2-5 5 2-5 2-5 2-5 2 2-5 2-5

Autorstwo rozdziału w monografii lub podręczniku o zasięgu krajowym 4 4 4 2 2-6 2-6 2-6 2-6 2-6 2-6 4 2-6 2-6

Praca habilitacyjna wydana w Polsce 0-4 Retrospektywna wystawa indywidualna, publikacja teorii o dziele sztuki,

publikacja partytur dużych form muzycznych, płyta CD (kompozytora,

wykonawcy lub dyrygenta), udokumentowana konserwacja ważnego zabytku 24

Wykonanie publiczne, koncert, źródłowe opracowanie dzieła muzycznego,

opracowanie i adaptacja sceniczna 10

Nominacje do prestiżowych nagród międzynarodowych 16 Nominacje do prestiżowych nagród krajowych 4

3. STOPNIE NAUKOWE, TYTUŁY NAUKOWE

Doktorat uzyskany przez pracownika (doktoranta) jednostki 8 8 8 8 8 8 8 8 8 8 8 8 8

Doktorat uzyskany w jednostce przez osobę w niej niezatrudnioną 4 4 4 4 4 4 4 4 4 4 4 4 4

257

AN

EK

S

258

Kryteria Punkty

H01a H01b H02 P03 P04 P05 P06 T07 T08 T09 T10 T11 T12

Habilitacja uzyskana przez pracownika jednostki 12 12 12 12 12 12 12 12 12 12 12 12 12

Habilitacja uzyskana w jednostce przez osobę w niej niezatrudnioną 6 6 6 6 6 6 6 6 6 6 6 6 6

Tytuł profesorski uzyskany przez pracownika jednostki 20 20 20 20 20 20 20 20 20 20 20 20 20

4. PATENTY, WZORY UŻYTKOWE

Uzyskany patent międzynarodowy 5 5 5 5 1-10

5-10 5 1-10 1-10

5-10 8 1-10 1-10

Uzyskany patent krajowy 1-4 7 1-4

Zarejestrowany wzór użytkowy 2 2 2 1 1-2 1-2 2 1-2 1-2 1-2 2 1-2

5. WYKORZYSTANIE W PRAKTYCE WYNIKÓW PRAC JEDNOSTKI (WDROŻENIA)

Udokumentowany efekt praktyczny, gospodarczy lub społeczny, prowadzonych

w jednostce badań naukowych i prac rozwojowych o zasięgu

międzynarodowym

10 10 10 2-24 2-24 2-24 2-24 2-24 2-24

2-24 24 8-24 2-24

o zasięgu krajowym 5 5 5 16

6. SYSTEMY JAKOŚCI, AKREDYTACJA LABORATORIÓW

Wdrożenie międzynarodowego systemu jakości, przyjętego w Unii

Europejskiej 5 5 5 8 8-16 8-16 16 8-16 8-16 8-16 8, 15 12-16 8-16

Uzyskanie akredytacji laboratorium 10 10 10 12 12-24 12-24 24 12-24 12-24 12-24 24 16-24 12-24

Opracowana norma ustanowiona przez PKN 10 7. OCENA OGÓLNA POZYCJI JEDNOSTKI NAUKOWEJ

Ocenę ogólną pozycji i aktywności jednostki naukowej ustala zespół naukowy ekspertów biorąc pod uwagę między innymi: projekty

badawcze, umowy o współpracy międzynarodowej, staże naukowe, cytowania publikacji, nagrody i wyróżnienia naukowe, ekspertyzy,

uprawnienia do nadawania stopni naukowych, działalność popularyzująca i upowszechniająca wyniki badań, prowadzone studia

doktoranckie i liczbę doktorantów, organizację konferencji zagranicznych i krajowych.

Maksymalnie 20% sumy ocen

wyników przedstawionych

w punktach od 1 do 6

Legenda:

H01a – Zespół Nauk Humanistycznych jednostek naukowych i jednostek

badawczo-rozwojowych

H01b – Zespół Nauk Humanistycznych jednostek naukowych wyższych szkół

artystycznych

H02 – Zespół Nauk Społecznych, Ekonomicznych i Prawnych

P03 – Zespół Nauk Matematycznych, Fizycznych i Astronomii

P04 – Zespół Nauk Biologicznych, Nauk o Ziemi i Ochrony Środowiska

P05 – Zespół Nauk Medycznych

P06 – Zespół Nauk Rolniczych i Leśnych

T07 – Zespół Mechaniki, Budownictwa i Architektury

T08 – Zespół Inżynierii Materiałowej i Technologii Materiałowych

T09 – Zespół Nauk Chemicznych, Technologii Chemicznych oraz Inżynierii

Procesowej i Ochrony Środowiska

T10 – Zespół Elektrotechniki, Energetyki i Metrologii

T11 – Zespół Elektroniki, Automatyki i Robotyki, Informatyki i Telekomunikacji

T12 – Zespół Górnictwa, Geodezji i Transportu

Źródło: opracowanie własne na podstawie Komitet Badań Naukowych, http://kbn.icm.edu.pl/finauki98/zespoly.html [07.05.2013].

25

8

259


Kryteria Punkty

H01 H02 P03 P04 P05 P06 T07 T08 T09 T10 T11 T12 O13

1. PUBLIKACJE RECENZOWANE

Publikacja w czasopiśmie wyróżnionym z listy filadelfijskiego Instytutu

Informacji Naukowej 9 10 10

6, 11, 16,

21, 24 6-24 10, 15 7 12 6-24 12 10-24 12 12

Publikacja w innym recenzowanym czasopiśmie zagranicznym

lub w czasopiśmie polskim zamieszczonym na liście A 6 6

1-6

5 1-6 6

1-6

6 4, 6 2, 3,

4

6

0- 6 6 Publikacja w innym recenzowanym czasopiśmie polskim zamieszczonym

na liście B 3 3 · 2-4 3

Publikacja w recenzowanym czasopiśmie krajowym o zasięgu lokalnym 1 1 0 1 1 1 1 1 1 1 1

Publikacja konferencyjna w czasopiśmie wyróżnionym z listy filadelfijskiego

Instytutu Informacji Naukowej 6

6

3

4

Publikacja konferencyjna w innym recenzowanym czasopiśmie zagranicznym 1 3

Publikacje w innych czasopismach recenzowanych (zagranicznych lub

krajowych) publikujących w języku angielskim 3

Publikacje w innych czasopismach recenzowanych publikujących w języku

polskim oraz w innych językach (poza angielskim) 1

2. MONOGRAFIE NAUKOWE (KSIĄŻKI), PRACE ZBIOROWE I PODRĘCZNIKI AKADEMICKIE

Autorstwo monografii lub podręcznika akademickiego w języku angielskim 20 24 24 12, 18, 24 12-24 12-24 14 12-

18

12-

24

16,

24 24 18 12-18

Autorstwo rozdziału w monografii lub podręczniku akademickim w języku

angielskim

7 12 3, 6, 9 5-12 6-12 6 6-9 5-12 1-24 12 8 6-9

Autorstwo monografii lub podręcznika akademickiego w języku polskim

lub innym nie angielskim

15 16 6, 12, 18 6-18 6-18 14 8-13 6-18 12,

18 18 16 8-13

Autorstwo rozdziału w monografii lub podręczniku akademickim w języku

polskim lub innym nie angielskim

3 2 1, 2, 3 0-3 3 6 3 0-3 1-18 6 3 3

Redakcja monografii lub podręcznika akademickiego

5 5 5, 10 5-10 5 5 5-10 5, 10 3, 5,

10 10 5

Autorstwo monografii lub podręcznika akademickiego w dziedzinie, dla której

językiem opisu jest język etniczny, a przedmiotem badania teksty kultury w tym

języku tworzonej

6

Autorstwo monografii lub podręcznika akademickiego w innych językach

obcych 18 10

Autorstwo monografii lub podręcznika akademickiego w języku plskim 16 5

25

9

260

Kryteria Punkty

H01 H02 P03 P04 P05 P06 T07 T08 T09 T10 T11 T12 O13

Autorstwo rozdziału w monografii, pracy zbiorowej lub podręczniku

akademickim w dziedzinie dla której językiem opisu jest język etniczny,

a przedmiotem badania teksty kultury w tym języku tworzonej

4


akademickim w innych językach obcych 3


akademickim w języku polskim 2

Redakcja monografii, pracy zbiorowej lub podręcznika akademickiego w

językach obcych 10

Redakcja monografii, pracy zbiorowej lub podręcznika akademickiego w

języku polskim 5

3. STOPNIE NAUKOWE, TYTUŁY NAUKOWE

Doktorat uzyskany przez pracownika (doktoranta) jednostki 3 3 4 6 8 6 8 6 8 8 8 8 6

Doktorat uzyskany w jednostce przez osobę w niej niezatrudnioną 1 2 2 2 4 3 4 3 4 4 2 4 3

Habilitacja uzyskana przez pracownika jednostki 18 18 18 18 18 19 18 18 18 18 18 18 18

Habilitacja przeprowadzona przez jednostkę w stosunku do osoby w niej

niezatrudnionej 9 9 9 9 9 9 9 9 9 9 9 9 9

Tytuł profesorski uzyskany przez pracownika jednostki 30 30 30 30 30 30 30 30 30 30 30 30 30

Przeprowadzenie postępowania o nadanie tytułu dla osoby nie zatrudnionej w

jednostce 6 6 6 6 6 6 6 6 6 6 6 6 6

4. OPATENTOWANE WYNALAZKI, PRAWA OCHRONNE NA WZORY UŻYTKOWE

Uzyskany patent krajowy lub międzynarodowy, inny niż w p. 4. b 12 4 2 0-12 0-12 12 6 12 10 12 8 12 12

Uzyskany patent europejski, albo w co najmniej dwóch krajach Unii

Europejskiej, w USA, w Japonii lub w Kanadzie 24 8 10 0-24 0-24 24 10 24 20 24 16 24 24

Uzyskane prawo ochronne na wzór użytkowy 2 2 2 2 2 2 2 2 2 2 2 2 2

5. PRAKTYCZNE WYKORZYSTANIE POZA JEDNOSTKĄ WYNIKÓW BADAŃ NAUKOWYCH I PRAC ROZWOJOWYCH PROWADZONYCH

W JEDNOSTCE

Udokumentowany efekt praktyczny, gospodarczy lub społeczny, prowadzonych

w jednostce prac B+R

w języku obcym

10 0-30 0-30 0-30 0-30 0-30 0-30 0-30

6,

12,

24

0-30 0-30 0-30 0-30

w języku polskim 5 0-25

Premia za zrealizowanie bez udziału środków z budżetu nauki – umów

na wykonanie prac B+R prowadzonych w jednostce lub na sprzedaż

wyników takich prac

0-

120 0-60 0-120 0-120 0-120 0-120

0-

120

15-

100 120 0-120 0-120 0-120

26

0

261

Kryteria Punkty

H01 H02 P03 P04 P05 P06 T07 T08 T09 T10 T11 T12 O13

Adaptacja na grunt Polski nowoczesnych metod diagnostycznych i

terapeutycznych oraz technologii np. syntezy leków, preparatów chemicznych,

odczynników, surowic, przeciwciał 1-24

Opracowanie prototypu i wdrożenie produkcji nowoczesnej aparatury

medycznej, badawczej, klinicznej nawiązująca do czołowych osiągnięć

światowych 1-24

Opracowanie nowatorskich procedur badawczych, analitycznych,

diagnostycznych, leczniczych, norm prawnych 1-24

Opracowanie i uruchomienie unikalnego stanowiska badawczego 0-20 Opracowanie i wdrożenie dla potrzeb produkcji stanowiska (systemu) do

sterowania i/lub kontroli produkcji 0-20

Opracowanie nowego oryginalnego programu i wprowadzenie go do sprzedaży

(minimum 10 użytkownikom) 0-15

Opracowanie na zamówienie przemysłu lub innej instytucji elementu,

urządzenia, systemu itp. 0-20

Premia za zrealizowanie wybranych umów na wykonanie prac B+R 0-90

6. SYSTEMY JAKOŚCI, AKREDYTACJA LABORATORIÓW, UDZIAŁ W PROGRAMACH RAMOWYCH UNII EUROPEJSKIEJ

Wdrożenie międzynarodowego systemu jakości, przyjętego w Unii Europejskiej 24 10 15 2-36 2-36 2-36 2-36 18 2-20 9-36 2-36 36 30

Uzyskanie i utrzymanie akredytacji laboratorium za spełnienie wymagań normy

międzynarodowej lub europejskiej (z uwzględnieniem zakresu określonego

liczbą procedur)

24 10 15 2-36 2-36 2-36 2-36 18 2-20 2-36 2-20 36 10-20

Kontrakt w ramach projektu lub innej akcji Programu Ramowego Unii

Europejskiej z udziałem jednostki lub pracowników, dla których jest ona ich

podstawowym miejscem pracy

10 10 20 10 10 10 10 10 10 20 10 10 25

Kontrakt na koordynację przez jednostkę projektu w PR Unii Europejskiej 20 20 20 10 20 20 20 20 20 10 20 20 30

7. OCENA OGÓLNA JEDNOSTKI

Maksymalnie 20% sumy ocen wyników przedstawionych w punktach od 1 do 6

Legenda:

H01– Zespół Nauk Humanistycznych

H02 – Zespół Nauk Społecznych, Ekonomicznych i Prawnych

P03 – Zespół Nauk Matematycznych, Fizycznych i Astronomii

P04 – Zespół Nauk Biologicznych, Nauk o Ziemi i Ochrony Środowiska

P05 – Zespół Nauk Medycznych

P06 – Zespół Nauk Rolniczych i Leśnych

T07 – Zespół Mechaniki, Budownictwa i Architektury

T08 – Zespół Inżynierii Materiałowej i Technologii Materiałowej

T09 – Zespół Chemii, Technologii Chemicznej oraz Inżynierii Procesowej

i Ochrony Środowiska

T10 – Zespół Elektrotechniki, Energetyki i Metrologii

T11 – Zespół Elektroniki, Automatyki i Robotyki, Informatyki i Telekomunikacji

T12 – Zespół Górnictwa, Geodezji i Transportu

O13 – Zespół Badań na Rzecz Obronności i Bezpieczeństwa

Źródło: Opracowanie własne na podstawie Komitet Badań Naukowych, http://kbn.icm.edu.pl/finauki98/system/zasady_zespoly/index.html, [07.05.2013].

261

262

Załącznik 3. Kryteria oceny parametrycznej i grupy jednorodne w 2006 roku

3.A Kryteria oceny parametrycznej w 2006 roku

Kryteria Punkty

1. Aktywność jednostki naukowej

Stopień naukowy doktora uzyskany przez pracownika jednostki 8

Stopień doktora habilitowanego uzyskany przez pracownika jednostki 18

Tytuł profesora uzyskany przez pracownika jednostki 30

Uprawnienie do nadawania stopnia naukowego doktora 5

Uprawnienie do nadawania stopnia naukowego doktora habilitowanego 15

Wdrożenie procedury międzynarodowego systemu jakości 20

Posiadanie laboratorium z akredytacją Polskiego Centrum Akredytacji lub inną

równorzędną

20

Projekt badawczy własny 10

Projekt zamawiany 30

Projekt celowy o udziale wnioskodawcy powyżej 500 tys. zł 30

Projekt celowy o udziale wnioskodawcy od 200 tys. zł do 500 tys. zł 20

Projekt celowy o udziale wnioskodawcy poniżej 200 tys. zł 10

Zrealizowany kontrakt międzynarodowy finansowany ze środków zagranicznych 20

Nagroda lub wyróżnienie międzynarodowe 30-80

Nagroda krajowa za działalność naukową 50

Nagroda lub wyróżnienie za zastosowanie praktyczne wyników prac B+R 50

2. Wyniki działalności naukowej

Publikacja w czasopiśmie wyróżnionym z listy filadelfijskiego Instytutu Informacji Naukowej 10-24

Publikacja w czasopiśmie recenzowanym o zasięgu, co najmniej krajowym w dziedzinie,

dla której narzędziem opisu jest język etniczny, a przedmiotem badania są teksty kultury

w tym języku tworzonej

0-6

Publikacja w innym recenzowanym czasopiśmie zagranicznym lub czasopiśmie polskim

o zasięgu, co najmniej krajowym

0-6

Publikacja w recenzowanym czasopiśmie krajowym o zasięgu lokalnym 0-6

Autorstwo monografii lub podręcznika akademickiego w języku angielskim 12-24

Autorstwo rozdziału w monografii lub podręczniku akademickim w języku angielskim 0-12

Autorstwo monografii lub podręcznika akademickiego w języku polskim lub innym nie

angielskim

6-12

Autorstwo rozdziału w monografii lub podręczniku akademickim w języku polskim

lub innym nie angielskim

0-6

Redakcja monografii lub podręcznika akademickiego 5-10


Umowa zawarta z innym podmiotem na wykonanie prac B+R o wartości powyżej 50 tys.

zł, zakończona osiągnięciem celu

30

Umowa zawarta z innym podmiotem na stałe lub wieloletnie świadczenie usług badawczych 10

Uzyskany patent krajowy 50

Uzyskany patent międzynarodowy 70

Uzyskane prawo ochronne na wzór użytkowy 10

Za średnioroczne przychody z wdrożenia tych produktów lub technologii powyżej 10 mln zł 150

Za średnioroczne przychody z wdrożenia tych produktów lub technologii od 5 do10 mln zł 100

Za średnioroczne przychody z wdrożenia tych produktów lub technologii od 1 do 5 mln zł 80

Licencja o opłacie licencyjnej powyżej 1 mln zł 100

Licencja o opłacie licencyjnej od 500 tys. zł do 1 mln zł 80

Licencja o opłacie licencyjnej poniżej 500 tys. zł 60

Źródło: Opracowanie własne na podstawie Rozporządzenie Ministra Nauki i Informatyzacji z dnia 4 sierpnia 2005 r.

w sprawie kryteriów i trybu przyznawania i rozliczania środków finansowych na naukę, Dz. U. 05.161.1359.

263

3.B. Grupy jednorodne w 2006 roku

Kod

grupy

Grupa jednostek jednorodnych ze względu

na dziedzinę badań

Wagi dla grup cech k

Aktywność

naukowa

w1g

Wyniki

działalności

naukowej

w2g

Zastosowania

praktyczne

w3g

N1 Nauki humanistyczne 2 7 1

N2 Nauki o sztuce 2 5 3

N3 Nauki społeczne, ekonomiczne i prawne 2 6 2

N4a Fizyka, astronomia 2 6 2

N4b Matematyka, podstawy informatyki 2 6 2

N5 Nauki chemiczne 2 6 2

N6 Nauki biologiczne 2 6 2

N7 Nauki o Ziemi 2 5 3

N8 Nauki rolnicze i leśne 2 5 3

N9 Nauki medyczne 2 5 3

N10 Ochrona zdrowia 2 4 4

G1 Mechanika, materiały, inżynieria chemiczna i

procesowa 2 4 4

G2 Maszyny i urządzenia: projektowanie,

wytwarzanie i eksploatacja 2 3 5

G3 Technologie materiałowe, chemiczne i inne 2 3 5

G4 Budownictwo i architektura 2 3 5

G5 Elektrotechnika, automatyka, elektronika oraz

technologie informacyjne 2 4 4

G6 Górnictwo, geologia techniczna, geodezja 2 3 5

G7 Energetyka, transport i inżynieria środowiska 2 3 5

G8 Technologie rolnicze i leśne 2 3 5

G9 Inne dziedziny ogólnotechniczne 2 4 4

Źródło: Opracowanie własne na podstawie Rozporządzenie Ministra Nauki i Informatyzacji z dnia 4 sierpnia

2005 r. w sprawie kryteriów i trybu przyznawania i rozliczania środków finansowych na naukę, Dz.U.

05.161.1359.

264

Załącznik 4. Kryteria oceny parametrycznej i grupy jednorodne w 2010 roku

4.A. Kryteria oceny parametrycznej w 2010 roku

Kryteria Punkty

K1 K2 K3

1. WYNIKI DZIAŁALNOŚCI NAUKOWEJ

I UPRAWNIENIA DO NADAWANIA STOPNI

Publikacja w czasopiśmie wyróżnionym w Journal Citation Reports (JCR) 13-40 13-40 13-40

Publikacja w czasopiśmie wyróżnionym w ERIH 10, 15, 20

10, 15, 20

Publikacja w recenzowanym czasopiśmie krajowym lub zagranicznym

wymienionym w wykazie ministra 1-9 1-9 1-9

Redaktor naczelny czasopisma będący pracownikiem ocenianej jednostki 2-18 2-18 2-18

Autorstwo monografii lub podręcznika autorskiego w języku angielskim lub

podstawowym dla danej dyscypliny 24 24 24

Autorstwo monografii lub podręcznika autorskiego w języku innym niż

angielski lub podstawowy dla danej dyscypliny 12 12 12

Autorstwo rozdziału w monografii lub podręczniku autorskim w języku

angielskim lub podstawowym dla danej dyscypliny 7 7 7

Autorstwo rozdziału w monografii lub podręczniku autorskim w języku

innym niż angielski lub podstawowy dla danej dyscypliny 3 3 3

Redaktor naczelny wieloautorskiej monografii, podręcznika autorskiego lub

serii wydawniczej 3, 5 3, 5 3, 5

Zatrudnienie w jednostce laureata konkursów "Pomysły" Europejskiej Rady

Nauki 150 150 150

Uczestnictwo w projektach Programów Ramowych lub innych konkursach

Unii Europejskiej: - koordynacja 150 150 150

- uczestnictwo instytucjonalne 50 50 50

Uprawnienia do nadawania stopnia doktora 50 50 50

Uprawnienia do nadawania stopnia doktora habilitowanego 150 150 150

Autorstwo zrealizowanego dzieła sztuki o międzynarodowym zasięgu:

muzycznego – kompozytor, dyrygent koncertu symfonicznego / spektaklu

operowego; filmowego -reżyser, operator; teatralnego -reżyser, autor

indywidualnej wystawy plastycznej / pomnika

24

Publikacja utworu artystycznego o zasięgu międzynarodowym: partytury /

nagrania muzycznego utworu solowego, kameralnego, symfonicznego,

chóralnego; dzieła plastycznego, filmu, spektaklu teatralnego, baletowego,

muzycznego, dokumentacja konserwatorska

12

Autorstwo scenariusza, muzyki, scenografii do filmu / spektaklu

zagranicznego lub koprodukcji międzynarodowej; światowego prawykonania

utworu muzycznego i scenicznego 12

Rola pierwszoplanowa w spektaklu, filmie, recital muzyczny, solista w koncercie,

udział w zbiorowej wystawie plastycznej, dyrygent koncertu kameralnego 9

Współautorstwo scenariusza filmowego, autorstwo adaptacji filmowej /

teatralnej, drugi reżyser filmu, autor opracowania plastycznego / muzycznego,

rola drugoplanowa w filmie / spektaklu, udział w koncercie kameralnym 6

Autorstwo zrealizowanego 0) dzieła sztuki o ogólnopolskim znaczeniu:

muzycznego - kompozytor, dyrygent koncertu symfonicznego / spektaklu

operowego; filmowego - reżyser, operator; teatralnego - reżyser; autor

indywidualnej wystawy plastycznej / pomnika

12

Publikacja utworu artystycznego o zasięgu ogólnopolskim: partytury/

nagrania muzycznego utworu solowego, kameralnego, symfonicznego,

chóralnego; dzieła plastycznego; filmu, spektaklu11) teatralnego, baletowego,

muzycznego; dokumentacja konserwatorska

9

Autorstwo scenariusza, muzyki, scenografii do premierowego

spektaklu/filmu; polskie prawykonanie utworu muzycznego (solista /

kameralista); reżyseria światła / dźwięku 6

Realizacja imprezy artystycznej – reżyseria, muzyka, oprawa plastyczna,

reżyseria światła i dźwięku, choreografia – o charakterze masowym:

teatralnym, estradowym, multimedialnym 6

265

Kryteria Punkty

K1 K2 K3

Współautorstwo scenariusza filmowego, autorstwo adaptacji filmowej /

teatralnej, drugi reżyser filmu, opracowanie dźwięku, ruchu w filmie /

spektaklu; oprawa plastyczna / muzyczna koncertu; projekt wystawy

plastycznej, udział w koncercie kameralnym

3

Rola w spektaklu, filmie, małych formach teatralnych: scenariusz, reżyseria

filmu krótkometrażowego, udział w polskim prawykonaniu utworu

muzycznego (członek orkiestry kameralnej, symfonicznej, chóru); udział w

zbiorowej wystawie plastycznej

3

Rekonstrukcja i konserwacja instrumentu zabytkowego, rekonstrukcja i

konserwacja dzieła / obiektu muzealnego / plastycznego 7

Realizacja dźwięku, nagrania; rekonstrukcja filmu, nagrania dźwiękowego,

reżyseria programu edukacyjnego, publicystycznego, dokumentalnego,

informacyjnego 3

Rola w dubbingu, udział wykonawczy w ogólnopolskim koncercie lub

masowej imprezie w ensemblu 3

2. ZASTOSOWANIA PRAKTYCZNE

Umowa zawarta z innym podmiotem na wykonanie prac B+R, zakończona

osiągnięciem celu (potwierdzona fakturą) - każde 5 tys. zł wartości umowy 1 1 1

Posiadanie laboratorium akredytowanego przez Polskie Centrum Akredytacji 20-80 20-80 20-80

Posiadanie statusu Państwowego Instytutu Badawczego 100 100 100

Patent udzielony przez Urząd Patentowy Rzeczypospolitej Polskiej

na wynalazek, który został zastosowany 50

Patent udzielony przez Urząd Patentowy Rzeczypospolitej Polskiej 25 Zawarcie umowy o wspólności patentu ocenianej jednostki z podmiotem

gospodarczym 20

Zgłoszenie wynalazku w Urzędzie Patentowym Rzeczypospolitej Polskiej 10 Patent udzielony za granicą na wynalazek, który został zastosowany za granicą 75 Patent udzielony za granicą 35 Zgłoszenie wynalazku za granicą 15 Prawo ochronne na wzór użytkowy, który został zastosowany 15 Prawo ochronne na wzór użytkowy 10 Udzielone przez Urząd Patentowy Rzeczypospolitej Polskiej prawo

z rejestracji wzoru przemysłowego, który został zastosowany 30 30 30

Prawo z rejestracji wzoru przemysłowego udzielone przez Urząd Patentowy

Rzeczypospolitej Polskiej 10 10 10

Udzielone za granicą, inne niż prawa autorskie, prawo wyłączne do wzoru

przemysłowego, który zastał zastosowany 35 35 35

Inne niż prawa autorskie prawo wyłączne do wzoru przemysłowego udzielone

za granicą 10 10 10

Przysługujące prawo autorskie do utworu, będącego wynikiem działalności

twórczej o indywidualnym charakterze, z zakresu architektury, urbanistyki

i wzornictwa przemysłowego 0-10

Wzór przemysłowy wystawiony na krajowych lub międzynarodowych

wystawach lub targach 3

3

Przychody z tytułu wdrożenia prac B+R jednostki wdrażającej - za każde 200

tys. zł przychodu 3

Przychody jednostki naukowej (uzyskane wpływy) z tytułu wdrożenia - za

każde 100 tys. zł przychodu 10

Umowy licencyjne - za każde uzyskane 10 tys. zł opłaty licencyjnej 1 1 1

Źródło: Opracowanie własne na podstawie Rozporządzenie Ministra Nauki i Szkolnictwa Wyższego z dnia

17 października 2007 roku w sprawie kryteriów i trybu przyznawania oraz rozliczania środków finansowych

na działalność statutową, Dz.U. 2007 nr 205 poz. 1489.

266

4.B. Grupy jednorodne w 2010 roku

Kod Nazwa grupy jednorodnej Zestaw zmiennych

N1 Nauki filologiczne i bibliologia Karta K1 ceny jednostki

naukowej dla nauk

humanistycznych

i społecznych

N2 Nauki historyczne

N3 Nauki o kulturze, filozofia oraz nauki teologiczne

N4 Nauki społeczne

N5 Nauki ekonomiczne

N6 Nauki prawne

N7a Jednostki naukowe kliniczne

Karta K2 oceny jednostki

naukowej dla nauk ścisłych,

technicznych i nauk o życiu

N7b Jednostki naukowe niekliniczne

N8 Ochrona zdrowia i kultura fizyczna

N9 Nauki biologiczne

N10 Nauki o Ziemi

N11 Nauki rolnicze i leśne

N13 Matematyka i podstawy informatyki

N15 Fizyka i astronomia

G1/N12 Nauki chemiczne oraz inżynieria materiałowa, chemiczna

i procesowa

G2 Mechanika, budowa i eksploatacja maszyn, inżynieria produkcji

G3 Technologie materiałowe, chemiczne i inne

G4 Budownictwo i architektura

G5 Elektrotechnika, automatyka elektronika oraz technologie

informacyjne

G6 Górnictwo, geologia techniczna, geodezja, energetyka i transport

G7 Inżynieria i ochrona środowiska, technologie środowiskowe,

rolnicze i leśne

G8 Bezpieczeństwo i inne dziedziny ogólnotechniczne

N14 Dziedziny sztuki

Karta K3 oceny jednostki

naukowej dla dziedzin sztuki

i wchodzących w ich skład

dyscyplin artystycznych

K1 dotyczy nauk prawnych, nauk humanistycznych, nauk teologicznych, nauk ekonomicznych i nauk

wojskowych.

K2 dotyczy nauk chemicznych, nauk fizycznych, nauk matematycznych, nauk technicznych, nauk wojskowych,

nauk biologicznych, nauk farmaceutycznych, nauk leśnych, nauk medycznych, nauk o kulturze fizycznej, nauk

o Ziemi, nauk o zdrowiu, nauk rolniczych i nauk weterynaryjnych.

K3 dotyczy to sztuki filmowej, sztuki muzycznej (dyrygentura, instrumentalistyka, kompozycja i teoria muzyki,

reżyseria dźwięku, rytmika i taniec, wokalistyka), sztuki plastycznej (sztuki piękne, sztuki projektowe,

konserwacja i restauracja dzieł sztuki), sztuki teatralnej.


17 października 2007 roku w sprawie kryteriów i trybu przyznawania oraz rozliczania środków finansowych

na działalność statutową, Dz. U. 2007 nr 205 poz. 1489.

267

Załącznik 5. Kryteria oceny parametrycznej i grupy wzajemnej oceny w 2013 roku

5.B. Kryteria oceny parametrycznej w 2013 roku

Kryteria Punkty

K1 K2 K3 K4

1. OCENA OSIĄGNIĘĆ NAUKOWYCH I TWÓRCZYCH JEDNOSTKI NAUKOWE

Publikacja w czasopiśmie naukowym posiadającym współczynnik wpływu Impact Factor (IF), znajdującym się w bazie

Journal Citation Reports (JCR), wymienionym w części A wykazu Ministra Nauki i Szkolnictwa Wyższego 15-50 15-50 15-50 15-50

Publikacja w czasopiśmie naukowym nieposiadającym współczynnika wpływu Impact Factor (IF), wymienionym

w części B wykazu Ministra Nauki i Szkolnictwa Wyższego 1-10 1-10 1-10 1-10

Publikacja w czasopiśmie znajdującym się w bazie European Reference Index for the Humanities (ERIH), wymienionym

w części C wykazu Ministra Nauki i Szkolnictwa Wyższego 10, 12, 14 10, 12, 14

Publikacja w innym zagranicznym czasopiśmie naukowym, w języku podstawowym w danej dyscyplinie naukowej

lub językach: angielskim, niemieckim, francuskim, hiszpańskim, rosyjskim lub włoskim 4 4

Publikacja w recenzowanych materiałach z konferencji międzynarodowej, uwzględnionej w Web o f Science 10 10

Autorstwo monografii naukowej w języku podstawowym w danej dyscyplinie naukowej lub we wskazanych językach 25 25 25 25

Autorstwo monografii naukowej w języku polskim (jeżeli język polski nie jest językiem podstawowym w danej

dyscyplinie naukowej) lub w języku innym niż języki: angielski, niemiecki, francuski, hiszpański, rosyjski lub włoski 20 20 20 20

Autorstwo rozdziału w monografii naukowej w języku podstawowym w danej dyscyplinie lub we wskazanych językach 5 5 5 5

Autorstwo rozdziału w monografii naukowej w języku polskim (jeżeli język polski nie jest językiem podstawowym w danej

dyscyplinie naukowej) lub w języku innym niż języki: angielski, niemiecki, francuski, hiszpański, rosyjski lub włoski 4 4 4 4

Redakcja naukowa monografii wieloautorskiej w języku podstawowym w danej dyscyplinie naukowej lub w językach:

angielskim, niemieckim, francuskim, hiszpańskim, rosyjskim lub włoskim 5 5 5 5

Redakcja naukowa monografii naukowej wieloautorskiej w języku polskim (jeżeli język polski nie jest językiem podstawowym

w danej dyscyplinie naukowej) lub w języku innym niż: angielski, niemiecki, francuski, hiszpański, rosyjski lub włoski 4 4 4 4

Patent na wynalazek udzielony przez Urząd Patentowy Rzeczypospolitej Polskiej lub udzielony za granicą na rzecz

ocenianej jednostki naukowej, której pracownikiem jest twórca wynalazku oraz jego wdrożenie 25, 50 25, 50 25, 50 25, 50

Patent na wynalazek udzielony za granicą lub udzielony przez Urząd Patentowy Rzeczypospolitej Polskiej na rzecz

podmiotu innego niż oceniana jednostka naukowa, której pracownikiem jest twórca wynalazku 15 15 15 15

Prawa ochronne na wzór użytkowy lub znak towarowy, prawa z rejestracji wzoru przemysłowego lub topografii układu

scalonego, udzielone przez Urząd Patentowy Rzeczypospolitej Polskiej lub udzielone za granicą na rzecz ocenianej

jednostki naukowej oraz zastosowanie wzoru

10, 20 10, 20 10, 20 10, 20

Zgłoszenie wynalazku w Urzędzie Patentowym Rzeczypospolitej Polskiej lub za granicą 2 2 2 2

Wykorzystane autorskie prawa majątkowe do utworu z zakresu architektury i urbanistyki lub sztuk projektowych 10 10

Wyłączne prawa do odmiany roślin udzielone jednostce naukowej przez Centralny Ośrodek Badania Odmian Roślin

Uprawnych lub udzielone za granicą 15

Autorska realizacja dzieła plastycznego upublicznionego i rozpowszechnianego za granicą 25

26

7

268

Kryteria Punkty

K1 K2 K3 K4

Autorska realizacja dzieła plastycznego upublicznionego i rozpowszechnianego w Polsce 12 Autorstwo mniejszych dzieł plastycznych rozpowszechnianych za granicą 12 Autorstwo mniejszych dzieł plastycznych rozpowszechnianych w Polsce 6 Indywidualna, premierowa wystawa plastyczna za granicą 20 Indywidualna, premierowa wystawa plastyczna w Polsce 10 Udział w zbiorowej wystawie plastycznej, udział w realizacji dzieła konserwatorskiego za granicą 4 Udział w zbiorowej wystawie plastycznej, udział w realizacji dzieła konserwatorskiego w Polsce 2 Autorstwo utworu muzycznego na dużą obsadę wykonawczą, autorska realizacja i upublicznienie dzieła plastycznego, dzieło

konserwatorskie wraz z dokumentacją, projekt konserwatorski, reżyseria lub zdjęcia do filmu pełnometrażowego, reżyseria

premierowego spektaklu teatralnego, autorstwo scenariusza, autorstwo scenografii 12, 25

Autorstwo utworu muzycznego na mniejszą obsadę wykonawczą, autorstwo mniejszych dzieł plastycznych i prac

konserwatorskich, konserwacja i rekonstrukcja zabytkowego instrumentu muzycznego, reżyseria lub zdjęcia do filmu

krótkometrażowego lub dokumentalnego 6, 12

Prawykonanie utworu muzycznego, pierwszoplanowa rola w filmie lub premierowym spektaklu, indywidualna,

premierowa wystawa plastyczna 10, 20

Prawykonanie utworu muzycznego, drugoplanowa rola w filmie lub premierowym przedstawieniu teatralnym 5, 10

Recital muzyczny, dyrygowanie koncertem symfonicznym, spektaklem operowym lub baletowym 5, 10

Udział w koncercie kameralnym (dyrygent, kameralista), udział w zbiorowej wystawie plastycznej, udział w realizacji

dzieła konserwatorskiego, realizacja nagrania, rekonstrukcja filmu lub nagrania dźwiękowego, realizacja imprezy

artystycznej (reżyseria, muzyka, oprawa plastyczna, reżyseria światła i dźwięku) 2, 4

2. POTENCJAŁ NAUKOWY

Uprawnienia do nadawania stopnia naukowego doktora habilitowanego lub stopnia doktora habilitowanego sztuki 70 70 70 70

Uprawnienia do nadawania stopnia naukowego doktora lub stopnia doktora sztuki 30 30 30 30

Stopień naukowy doktora lub stopień doktora sztuki uzyskany przez pracownika jednostki naukowej 2 2 2 2

Stopień naukowy doktora habilitowanego lub stopień doktora habilitowanego sztuki uzyskany przez pracownika jednostki 7, 9 7, 9 7, 9 7, 9

Tytuł naukowy profesora lub tytuł profesora sztuki uzyskany przez pracownika jednostki naukowej 10, 14 10, 14 10, 14 10, 14

Postępowanie o nadanie tytułu naukowego profesora lub tytułu profesora sztuki osobie niebędącej pracownikiem jednostki

naukowej, przeprowadzone w tej jednostce i zakończone nadaniem tytułu 5 5 5 5

Przewód habilitacyjny osoby niebędącej pracownikiem jednostki naukowej, przeprowadzony w jednostce i zakończony

uchwałą w sprawie nadania stopnia naukowego doktora habilitowanego lub stopnia doktora habilitowanego sztuki 3 3 3 3

Przewód doktorski osoby niebędącej pracownikiem jednostki naukowej, w tym będącej uczestnikiem studiów

doktoranckich prowadzonych przez jednostkę naukową, przeprowadzony w jednostce naukowej i zakończony uchwałą

w sprawie nadania stopnia naukowego doktora lub stopnia doktora sztuki

1 1 1 1

26

8

269

Kryteria Punkty

K1 K2 K3 K4

Pełnienie funkcji promotora przez pracownika jednostki naukowej w prowadzonym przez inną jednostkę naukową

przewodzie doktorskim osoby niebędącej pracownikiem jednostki naukowej zakończonym uchwałą w sprawie nadania

stopnia naukowego doktora lub stopnia doktora sztuki

1 1 1 1

Posiadanie laboratoriów o kompetencjach potwierdzonych przez uprawnione organizacje (akredytacja Polskiego Centrum

Akredytacji, akredytacja zagranicznej jednostki akredytacyjnej, notyfikacja lub certyfikacja) 10-50 10-50

Wdrożone międzynarodowe systemy jakości 10-30 10-30 Posiadanie statusu państwowego instytutu badawczego 10 10 Członkostwo pracowników jednostki naukowej we władzach zagranicznych lub międzynarodowych towarzystw,

organizacji i instytucji naukowych lub artystycznych, których członkowie pochodzą co najmniej z 10 państw 1, 2 1, 2 1, 2 1, 2

Pełnienie przez pracownika jednostki naukowej funkcji redaktora naczelnego czasopisma umieszczonego na listach

European Reference Index for the Humanities (ERIH) lub Journal Citation Reports (JCR) lub czasopisma naukowego

nieposiadającego współczynnika wpływu IF, za publikację w którym przyznaje się co najmniej 8 pkt, zgodnie z wykazem

Ministra Nauki i Szkolnictwa Wyższego

2 2 2 2

Członkostwo pracowników jednostki naukowej w komitetach redakcyjnych czasopism naukowych umieszczonych na

listach European Reference Index for the Humanities (ERIH) lub Journal Citation Reports (JCR) 1 1 1 1

Członkostwo pracowników jednostki naukowej w zespołach eksperckich powołanych przez organy i instytucje państwowe

oraz instytucje zagraniczne lub międzynarodowe 2 2 2 2

Wydawanie przez jednostkę naukową czasopisma naukowego wymienionego w części A lub C wykazu Ministra Nauki

i Szkolnictwa Wyższego 3 3 3 3

Pozyskane środki finansowe na realizację projektów obejmujących badania naukowe lub prace rozwojowe w ramach

krajowych lub zagranicznych postępowań konkursowych w stosunku do środków przyznanych na utrzymanie potencjału

badawczego (suma środków za okres podlegający ocenie) - za każdy procent powyżej 30% uzyskanych dotacji na

utrzymanie potencjału badawczego w okresie objętym ankietą

3-200

3. EFEKTY MATERIALNE DZIAŁALNOŚCI NAUKOWEJ

Ekspertyzy i opracowania naukowe lub działania artystyczne przygotowane na zlecenie przedsiębiorców, organizacji

gospodarczych, instytucji państwowych, samorządowych oraz zagranicznych lub międzynarodowych - za każde 50 tys. zł

przychodu jednostki naukowej z tego tytułu

1

Realizowane lub współrealizowane projekty obejmujące badania naukowe lub prace rozwojowe, na realizację których

środki finansowe zostały przyznane w ramach międzynarodowych lub zagranicznych postępowań konkursowych - za

każde 100 tys. zł pozyskane przez jednostkę naukową na realizację projektów ogółem

2 2

Realizowane lub współrealizowane projekty obejmujące badania naukowe lub prace rozwojowe, na realizację których

środki na badania zostały przyznane w ramach krajowych postępowań konkursowych - za każde 100 tys. zł pozyskane

przez jednostkę naukową na realizację projektów ogółem

1 1

Wynagrodzenia brutto (osobowe i bezosobowe) wypłacone pracownikom jednostki naukowej z tytułu prowadzenia badań

naukowych lub prac rozwojowych - za każde 50 tys. zł 2 2

269

270

Kryteria Punkty

K1 K2 K3 K4

Udokumentowane nakłady finansowe poniesione przez jednostkę naukową ze środków własnych lub ze środków

finansowych przyznanych na realizację projektów obejmujących badania naukowe lub prace rozwojowe na rozwój

infrastruktury badawczej: zakup, wytworzenie lub modernizację aparatury naukowo-badawczej i oprogramowania

służącego do celów badawczych, z wyłączeniem środków finansowych przyznanych na działalność dydaktyczną lub

pozyskanych z działalności dydaktycznej - za każde 50 tys. zł

2 2

Nowe technologie, materiały, produkty, metody i oprogramowanie opracowane na rzecz innych podmiotów na podstawie

umów zawartych przez jednostkę naukową - za każde 50 tys. zł przychodu jednostki naukowej z tego tytułu 1 1

Sprzedaż licencji i odpłatne przeniesienie praw do know-how - za każde 50 tys. zł przychodu jednostki naukowej z tego

tytułu 1 1

Ekspertyzy i opracowania naukowe lub działania artystyczne przygotowane na zlecenie przedsiębiorców, organizacji

gospodarczych, instytucji państwowych, samorządowych oraz zagranicznych lub międzynarodowych - za każde 50 tys. zł

przychodu jednostki naukowej z tego tytułu 1 1

Uzyskane i potwierdzone przez podmioty przychody ze sprzedaży produktów będących efektem wdrożenia wyników

badań naukowych lub prac rozwojowych zrealizowanych w jednostce naukowej – za każde 500 tys. przychodu podmiotu z

tego tytułu 1 5, 15, 30

4. POZOSTAŁE EFEKTY DZIAŁALNOŚCI NAUKOWEJ

Do 10 najważniejszych osiągnięć oznaczeniu ogólnospołecznym lub gospodarczym:

1) zastosowania wyników badań naukowych lub prac rozwojowych o dużym znaczeniu społecznym lub gospodarczym;

2) efektów wynikających z rozwoju infrastruktury badawczej oznaczeniu ogólnokrajowym lub międzynarodowym i jej

wykorzystania wykraczającego poza daną instytucję, w tym naukowych baz danych;

3) organizacji lub współorganizacji konferencji krajowych, w których wzięli udział przedstawiciele co najmniej 5 jedno-

stek naukowych, lub konferencji międzynarodowych, w których co najmniej 1/3 czynnych uczestników prezentujących

referaty reprezentowała zagraniczne ośrodki naukowe;

4) upowszechniania wiedzy oraz działalności popularnonaukowej;

5) publikacji lub monografii naukowych mających szczególne znaczenie dla dziedzictwa narodowego, rozwoju kultury lub

nauki.

0-100 0-100 0-100 0-100

Źródło: Opracowanie własne na podstawie Rozporządzenie Ministra Nauki i Szkolnictwa Wyższego z dnia 13 lipca 2012 roku w sprawie kryteriów i trybu przyznawania

oraz rozliczania środków finansowych na działalność statutową, Dz.U. 01.08.2012, poz. 877; Rozporządzenie Ministra Nauki i Szkolnictwa Wyższego z dnia 7 lutego 2013 roku

zmieniające rozporządzenie w sprawie kryteriów i trybu przyznawania oraz rozliczania środków finansowych na działalność statutową, Dz.U. 11.02.2013, poz. 191.

27

0

271

5.B. Grupy wzajemnej oceny w roku 2013

Lp. Kod

grupy Liczebność Lp.

Kod

grupy Liczebność Zestaw zmiennych Obszar wiedzy

1. HS1EK 93 2. HS3HS 4 K1

Nauki

humanistyczne i

społeczne

obszar nauk

humanistycznych

obszar nauk

społecznych

3. HS2EK 2 4. HS4HS 1

5. HS3EK 4 6. HS1PR 25

7. HS4EK 2 8. HS2PR 1

9. HS1FB 29 10. HS1SP 93

11. HS2FB 3 12. HS2SP 3

13. HS1FT 16 14. HS3SP 1

15. HS1HS 20 16. HS4SP 1

17. HS2HS 5

18. NZ1B 23 19. NZ1R 50 K2

Nauki o życiu

obszar nauk ścisłych

obszar nauk

technicznych

dyscyplina artystyczna

sztuki projektowe

20. NZ2B 17 21. NZ2R 13

22. NZ4B 1 23. NZ3R 16

24. NZ1M 78 25. NZ1Z 11

26. NZ3M 22 27. NZ3Z 1

28. NZ4M 1

29. SI1BA 32 30. SI2IM 2 K3

Nauki ścisłe

i inżynierskie

obszar nauk

przyrodniczych

obszar nauk rolniczych,

leśnych

i weterynaryjnych

obszar nauk

medycznych i nauk

o zdrowiu oraz nauk

o kulturze fizycznej

31. SI2BA 1 32. SI1MH 36

33. SI1CT 21 34. SI2MH 2

35. SI2CT 5 36. SI1MI 16

37. SI1EA 44 38. SI2MI 1

39. SI2EA 4 40. SI3EG 10

41. SI1FA 26 42. SI4EG 1

43. SI2FA 9 44. SI3EI 12

45. SI1GE 20 46. SI4EI 2

47. SI2GE 2 48. SI3IO 9

49. SI1IM 21 50. SI3MU 13

51. SI4MU 5 52. SI3TM 13

53. SI3TB 10 54. SI4TM 3

55. SI4TB 3

56. TA1MZ 35 57. TA4PR 1 K4

Nauki o sztuce

i twórczości

artystycznej

obszar sztuki

oraz dyscyplinę naukową

nauki o sztuce 58. TA1PK 39 59. TA1TF 14

60. TA1PR 14


13 lipca 2012 roku w sprawie kryteriów i trybu przyznawania oraz rozliczania środków finansowych

na działalność statutową, Dz. U. 01.08.2012, poz. 877; Rozporządzenie Ministra Nauki i Szkolnictwa Wyższego

z dnia 7 lutego 2013 roku zmieniające rozporządzenie w sprawie kryteriów i trybu przyznawania

oraz rozliczania środków finansowych na działalność statutową, Dz. U. 11.02.2013, poz. 191.

272

Załącznik 6. Liczebność jednostek oraz rozpiętość przedziałów poszczególnych kategorii względem wskaźnika efektywności E

Kod

grupy

Liczba

jednostek

w grupie

Kategoria 1 Kategoria 2 Kategoria 3 Kategoria 4 Kategoria 5

N % max min N % max min N % max min N % max min N % max min

N1 34 14 41% 62,15 35,24 7 21% 33,69 31,16 10 29% 26,84 21,67 1 3% 17,31 10,25 0 0% - -

N2 17 6 35% 54,12 41,28 6 35% 39,4 35,22 3 18% 32,9 25,88 2 12% 22,35 18,32 0 0% - -

N3 20 9 45% 44,33 35,87 3 15% 34,89 34,35 7 35% 33,63 21,89 1 5% 19,07 19,07 0 0% - -

N4 64 18 28% 65,22 31,29 18 28% 30,23 22,41 17 27% 22,01 16,16 7 11% 15,07 8,27 1 2% 0 0

N5 86 30 35% 63,24 38,43 15 17% 37,87 32,14 23 27% 31,36 24,58 14 16% 21,71 4,25 0 0% - -

N6 21 9 43% 42,98 33,96 8 38% 31,89 22,65 2 10% 17,68 17,63 1 5% 11,78 11,78 1 5% 8,16 -

N7a 36 17 47% 97,33 56,07 6 17% 54,79 51,71 10 28% 47,85 39,36 1 3% 36,97 36,97 1 3% 25,52 -

N7b 21 10 48% 114,26 72,66 4 19% 65,13 59,86 5 24% 54,88 44,37 2 10% 32,63 31,68 0 0% - -

N8 35 12 34% 58,82 41,84 7 20% 39,68 31,03 8 23% 30,47 23,9 5 14% 22,94 20,41 2 6% 19,99 16,65

N9 40 17 43% 169,49 92,11 16 40% 90,37 51,88 4 10% 48,86 41,35 3 8% 36,68 36,12 0 0% - -

N10 14 6 43% 157,29 86,87 5 36% 79,6 53,76 3 21% 48,51 23,54 0 0% - - 0 0% - -

N11 55 25 45% 137,36 62,35 13 24% 61,9 48,77 15 27% 47,96 34,15 2 4% 32 29,82 0 0% - -

N13 20 11 55% 97,29 71,06 7 35% 69,32 50,48 2 10% 42,44 40,54 0 0% - - 0 0% - -

N14 56 19 34% 619,14 143 12 21% 141,45 103,85 16 29% 98,86 65 5 9% 61,82 46,81 3 5% 23,94 13,86

N15 28 21 75% 225,58 97,76 4 14% 91,46 85,61 3 11% 75,02 61,24 0 0% - - 0 0% - -

G1/N12 41 30 73% 240,96 102,66 6 15% 97,68 79,25 3 7% 77,68 69,82 2 5% 55,93 48,52 0 0% - -

M-N1-N6 51 18 35% 78,75 29,38 10 20% 28,08 20,63 7 14% 19,14 14,50 8 16% 12,62 6 8 16% 0 -

M-N9 5 2 40% 261,55 135,79 2 40% 86,82 86,02 1 20% 4,13 - - - - - - - - -

M-N7a 1 1 100% 59,06 - - - - - - - - - - - - - - - - -

M-N8 2 0 0% - - 0 0% - - 1 50% 26,64 - - - - - 1 50% 16,96 -

M-N14 28 10 36% 846,11 401,69 3 11% 309,73 239,00 6 21% 197,59 134,04 7 25% 115,59 65,50 2 7% 39,75 34,53

M-N15 5 4 80% 130,67 95,86 - - - - 1 20% 67,00 - - - - - - - - -

G2 43 16 37% 384,13 80,92 5 12% 77,39 71,8 17 40% 68,27 43,56 5 12% 36,75 7,27 0 0% - -

G3 28 9 32% 1169,96 196,67 4 14% 187,02 148,44 10 36% 126,48 53,6 5 18% 50,95 19,94 0 0% - -

G4 42 14 33% 119,05 46,22 17 40% 43,68 30,12 9 21% 29,38 20,33 1 2% 12,23 12,23 1 2% 1,12 -

G5 49 16 33% 516,38 87,15 8 16% 86,43 58,7 18 37% 57,6 31,18 6 12% 30,37 4,63 0 0% - -

G6 39 16 41% 185,74 123,05 11 28% 115,65 91,82 7 18% 77,53 45,8 5 13% 33,94 27,21 0 0% - -

G7 29 12 41% 394,55 116,5 3 10% 115,03 103,8 10 34% 86,69 49,36 3 10% 37,75 36,05 1 3% 0 0

G8 14 6 43% 374,23 198,78 3 21% 113,21 60,11 2 14% 54,23 39,5 3 21% 37,26 27,3 0 0% - -

M-G2-G8 21 7 33% 1353,25 103,22 4 19% 96,36 85,41 5 24% 80,66 47,47 5 24% 39,27 8,65 0 0% - -

Legenda: Nazwy grup według kodów znajdują się w aneksie, załącznik 4. Małe jednostki wydzielone z grup jednorodnych oznaczone są literą M.


27

2

273

Załącznik 7. Zestawienie publikacji na temat zastosowań metody DEA w Polsce

Publikacje, źródło Przedmiot analizy

M. Pawłowska, Konkurencja i efektywność na polskim rynku bankowym na tle zmian strukturalnych i technologicznych, „Materiały i Studia”

2005, nr 192.

efektywność banków

M. Pawłowska, S. Kozak, Określenie wpływu przystąpienia do strefy euro na efektywność, poziom konkurencji oraz na wyniki polskiego

sektora finansowego [w:] Raport na temat pełnego uczestnictwa Rzeczypospolitej Polskiej w trzecim etapie Unii Gospodarczej i Walutowej,

Część V. Projekty badawcze, NBP, s. 8-97.


A. Feruś, Zastosowanie metody DEA do określania poziomu ryzyka kredytowego przedsiębiorstw, „Bank i Kredyt” 2006, nr 37 (7), s. 44-59. pomiar ryzyka

kredytowego

M. Pawłowska, T. Słaby, Analiza efektów skali w sektorze banków z zastosowaniem metod statystycznych, „Bank i Kredyt” 2004, nr 35 (7), s. 74-81. efektywność banków

A. Feruś, Szacowanie ryzyka kredytowego przedsiębiorstw z zastosowaniem metody DEA w ramach credit-scoringu [w:] Metody

matematyczne, ekonometryczne i komputerowe w finansach i ubezpieczeniach, P. Chrzan, T. Czernik (red.), Wydawnictwo Akademii

Ekonomicznej w Katowicach, Katowice 2008, s. 77-85.

pomiar ryzyka

kredytowego

T. Kopczewski, M. Pawłowska, Efektywność technologiczna i kosztowa banków komercyjnych w Polsce w latach 1997-2000, cz. II, „Materiały

i Studia” 2001, nr 135.


M. Pawłowska, Wpływ procesów konsolidacyjnych na poziom konkurencji i efektywność systemów bankowych – wyniki badań ilościowych,

[w:] Konkurencyjność sektora bankowego po wejściu Polski do Unii Europejskiej, W. Kwaśniak, M. Pawłowska, A. Topiński, Zeszyty BRE

Bank – CASE , nr 76, 2005, s. 25-53.


K. Chudy, M. Sobolewski, K. Stępień, Ocena produktywności banków w Polsce z zastosowaniem metod taksonomii, „Ekonomia i Nauki

Humanistyczne”, Zeszyty Naukowe Politechniki Rzeszowskiej, nr 286, Z. 19 (1), 2012, s. 35-47.


A. Feruś, Zastosowanie metody DEA do określania poziomu ryzyka kredytowego przedsiębiorstw, „Bank i Kredyt”, nr 7, 2006, s. 44-59. poziom ryzyka

kredytowego

M. Guzowska, M. Kisielewska, J.G. Nellis, D. Zarzecki, Efficiency of the Polish banking sector – assessing the impact of transformation,

[w:] Data Envelopment Analysis and performance management, A. Emrouznejad, V. Podinovski (eds.), 4th

International Symposium of DEA,

Aston Business School Aston University, UK, 5-6 September 2004, pp. 163-170.


A. Domagała, Przestrzenno-czasowa analiza efektywności jednostek decyzyjnych metodą Data Envelopment Analysis na przykładzie banków

polskich, „Badania Operacyjne i Decyzje” 2007, nr 3-4, s. 35-56.


M. Gospodarowicz, Procedury analizy i oceny banków, „Materiały i Studia” 2000, nr 103. efektywność banków

M. Mielnik, M. Ławrynowicz., Badanie efektywności technicznej banków komercyjnych w Polsce metodą DEA, „Bank i Kredyt” 2002, nr 5. efektywność banków

M. Mielnik, M. Ławrynowicz, J. Szambelańczyk, Efektywność jako determinanta kapitalizacji banków spółdzielczych w Polsce w świetle

założeń nowej umowy kapitałowej komitetu bazylejskiego, „Ruch Prawniczy, Ekonomiczny i Socjologiczny” 2004, nr 1, 2004, s. 103-118.


A. Kucharski, G. Szafrański, Ocena skuteczności inwestycji na rynku akcji metodą DEA, Zeszyty Naukowe Uniwersytetu Szczecińskiego 2004,

nr 389.

pomiar efektywności

inwestycji na rynku akcji

K. Stępień, Konsolidacja a efektywność banków w Polsce, Wydawnictwo CeDeWu, 2004. efektywność banków

M. Pawłowska, Analiza porównawcza efektywności technicznej polskiego sektora bankowego i sektorów bankowych krajów CEC5 i wybranych

krajów UE w latach 1997-2001, „Bank i Kredyt” 2004, nr 5.


273

274


D. Zarzecki, M. Guzowska, T. Wiśniewski, M. Kisielewska, K. Byrka-Kita, Ocena efektywności banków komercyjnych w Polsce za pomocą

metody DEA, [w:] Efektywność – rozważania nad istotą i pomiarem, T. Dudycz (red.), Prace Naukowe Akademii Ekonomicznej w Wrocławiu

2005, nr 1060, s. 463-479.


G. Rogowski, Metody analizy i oceny działalności banku na potrzeby zarządzania strategicznego, Wydawnictwo Wyższej Szkoły Bankowej

w Poznaniu, Poznań 1998.


M. Zychowicz, Ocena korzyści skali z zastosowaniem metody DEA, „Bank” 2001, nr 6, s. 46-51. efektywność banków

G. Rogowski, Analiza i ocena działalności banków z wykorzystaniem metody DEA, „Bank i Kredyt” 1996, nr 8. efektywność banków

G. Rogowski, Analiza efektywności banków na potrzeby zarządzania strategicznego bankiem. Cześć II. Zastosowanie metody DEA do analizy

polskich banków w 1994-1995 roku, „Badania Operacyjne i Decyzje” 1999, nr 3-4, s. 99-118.


M. Zychowicz, Ocena korzyści skali w sektorze banków spółdzielczych w okresie 1995-2000 z zastosowaniem metody DEA, [w:] Inwestycje

finansowe i ubezpieczenia – tendencje światowe a polski rynek, K. Jajuga, W. Ronka-Chmielarz (red.), Prace Naukowe Akademii

Ekonomicznej we Wrocławiu 2002, nr 952, s. 524-530.


J. Kudła, Efektywność i jakość w nieparametrycznych badaniach banków, [w:] Jakość a wzrost efektywności oddziałów bankowych, J. Kudła,

K. Opolski (red.), Wydawnictwo CeDeWu, Warszawa 2006, s. 71-88.


J. Patla, Efektywność i produktywność inwestycji informatycznych banków, Zeszyty Naukowe Świętokrzyskie Centrum Edukacji na Odległość

SCENO 2007, nr 5a, s. 44-51.


M. Pawłowska, Wpływ zmian w strukturze polskiego sektora bankowego na jego efektywność w latach 1997-2002 (podejście

nieparametryczne), „Bank i Kredyt” 2003, nr 11-12, s. 51-65.


M. Pawłowska, Wpływ fuzji i przejęć na efektywność w sektorze banków komercyjnych w Polsce w latach 1997-2001, „Bank i Kredyt” 2003,

nr 2, s. 20-34.


M. Pawłowska, Konkurencja i efektywność na polskim rynku bankowym na tle zmian strukturalnych i technologicznych, „Materiały i studia”

2005, nr 192, s. 20-25.


A. Perek, Wykorzystanie metody DEA do oceny efektywności banków spółdzielczych w Polsce, „Economics and Management” 2014, t. 3, s. 222-235. efektywność banków

B. Guzik, Uwagi na temat zastosowania metody DEA do ustalania zdolności kredytowej, „Przegląd Statystyczny” 2009, r. LVI, z. 2, s. 3-24. efektywność banków

B. Guzik, Podstawowe możliwości analityczne modelu CCR, „Badania Operacyjne i Decyzje” 2009, nr 1, s. 55-75. efektywność banków

J. Nellis, D. Zarzecki, M. Guzowska, M. Kisielewska, Efektywność polskiego sektora bankowego w latach 1995-2002, Zeszyty Naukowe

Uniwersytetu Szczecińskiego. Prace Instytutu Ekonomiki i Organizacji Przedsiębiorstw 2005, nr 42, s. 101-114.


B. Guzik, Główne analizy ekonomiczne na podstawie modelu nadefektywności CCR, „Badania Operacyjne i Decyzje” 2009, nr 3, s. 48-63. efektywność banków

B. Guzik, Model CCR-DP ze zdominowaną funkcją inflacyjną nakładów, „Badania Operacyjne i Decyzje” 2008, nr 4, s. 29-46. efektywność banków

Z. Korzeb, Pomiar efektywności działania banków komercyjnych, Prace Naukowe Akademii Ekonomicznej we Wrocławiu 2005, nr 1085, s. 252-260. efektywność banków

A. Radecka, Wpływ kapitału zagranicznego na efektywność sektora bankowego w Polsce w latach 1995-2007, „Debiuty Ekonomiczne , Rynek

finansowy i zarządzanie w skali mikro- i makroekonomicznej” 2011, nr 11, s. 276-298.


G. Szafrański, Metoda DEA w analizie fundamentalnej polskiego rynku akcji, Acta Universitatis Lodziensis. Folia Oeconomica, Rynki

finansowe, prognozy a decyzje 2004, t. 177, s.347-360.


inwestycji na rynku akcji

A. Matuszyk, A.K. Nowak, Wykorzystanie metody DEA do oceny efektywności banków komercyjnych, „Bezpieczny Bank” 2012, nr 1 (46), s. 57-80. efektywność banków

A. Deresz, G. Rogowski, Ocena działalności banków metodą DEA z użyciem specjalistycznego oprogramowania, Prace Naukowe Akademii

Ekonomicznej we Wrocławiu 1997, nr 766, s. 44-52.


274

275


M. Witkowski, Próba oceny efektywności fuzji Banku Zachodniego i Wielkopolskiego Banku Kredytowego za pomocą metody DEA, Zeszyty

Naukowe Uniwersytet Ekonomiczny w Poznaniu 2010, nr 133, s. 195-211.


M. Kisielewska, Efektywność największych banków komercyjnych w Polsce - porównanie miar DEA z tradycyjnymi wskaźnikami efektywności,

Prace Naukowe Akademii Ekonomicznej we Wrocławiu 2007, nr 1183, s. 156-179.


A. Żółtaszek, Zastosowanie indeksów Herfindahla-Hirschmana i Malmquista do weryfikacji wyników metody DEA, Studia i Prace

Uniwersytetu Ekonomicznego w Krakowie 2009, nr 2, s. 337-349.


A. Zamojska, Zastosowanie metody DEA w klasyfikacji funduszy inwestycyjnych, „Przegląd Statystyczny” 2009, nr 56, z. 3-4, s. 51-66. efektywność zarządzania

portfelem inwestycyjnym

A. Bezat, Koncepcja pomiaru efektywności technicznej bazująca na zintegrowanym zastosowaniu metody SFA i metody DEA, Prace Naukowe

Uniwersytetu Ekonomicznego we Wrocławiu 2012, nr 261, s. 11-24.

przedsiębiorstwa handlu

zbożem

J. Kosmaczewska, Efektywność gospodarowania popytem turystycznym przez interesariuszy na przykładzie gmin nadmorskich, „Ekonomiczne

Problemy Usług” 2012, nr 83, s. 427-438.

efektywność działania

gmin w zakresie

turystyki

T. Kuszewski, A. Sielska, Efektywność sektora rolnego w województwach przed i po akcesji Polski do Unii Europejskiej, „Gospodarka

Narodowa” 2012, nr 3 (247), s. 19-42.

efektywność sektora

rolnego w województwach

J. Kosmaczewska, Analiza efektywności gospodarowania gmin wiejskich w kontekście rozwoju funkcji turystycznej z wykorzystaniem metody

DEA, „Ekonomika i Organizacja Gospodarki Żywnościowej” 2011, nr 90, s. 131-141.

efektywność turystyki

w gminach wiejskich

M. Gruda, M. Kwasek, Metoda DEA w badaniu konkurencyjności celów w polityce rolnej, Studia i Prace Uniwersytetu Ekonomicznego

w Krakowie 2010, nr 10, s. 225-239.

efektywność polityki

rolnej

K. Smędzik, Skala produkcji a efektywność różnych typów indywidualnych gospodarstw rolnych w Polsce z zastosowaniem modeli DEA,

„Roczniki Ekonomiczne Kujawsko-Pomorskiej Szkoły Wyższej” 2010, nr 1 (3), s. 261-273.

efektywność

gospodarstw rolnych

indywidualnych

M. Gospodarowicz, Parametryczna analiza efektywności technicznej gospodarstw wysokotowarowych w latach 1992-2005, [w:] Efektywność

– rozważania nad istotą i pomiarem, Dudycz T. Osbert-Pociecha G. (red.), Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu 2010,

s. 174-188.

efektywność

gospodarstw

wysokotowarowych

R. Rusielik, Zmiany efektywności działalności rolniczej w województwach Polski po akcesji do Unii Europejskiej, „Ekonomika i Organizacja

Gospodarki Żywnościowej”, Zeszyty Naukowe Szkoły Głównej Gospodarstwa Wiejskiego w Warszawie 2010, nr 84, s. 13-21.

efektywność działalności

rolniczej w

województwach

M. Helta, Zastosowanie metody DEA do opracowania rankingu efektywności spółek agencji nieruchomości rolnych w 2006 roku, „Roczniki

Nauk Rolniczych” 2009, s. G, t. 96, z. 3, s. 107-110.

ranking spółek agencji

nieruchomości rolnych

E. Szymańska, Zastosowanie metody DEA do badania efektywności gospodarstw trzodowych, „Journal of Agribusiness and Rural

Development” 2009, nr 2(12), s. 249-255.

efektywność

gospodarstw trzodowych

Analiza efektywności ekonomicznej i finansowej przedsiębiorstw rolnych powstałych na bazie majątku WRSP, J. Kulawik (red.), Instytut

Ekonomiki Rolnictwa i Gospodarki Żywnościowej, Warszawa 2009.

efektywność

przedsiębiorstw rolnych

J. Baran, M. Pietrzak, Skala a efektywność spółdzielni mleczarskich w latach 2002-2006, „Roczniki Nauk Rolniczych” 2009, s. G, t. 9, z. 1, s. 101-108. efektywność

spółdzielni mleczarskich

27

5

276


B. Karwat-Woźniak, Gospodarstwa wysokotowarowe w rolnictwie chłopskim. Synteza wyników badań, Instytut Ekonomiki Rolnictwa

i Gospodarki Żywnościowej, Warszawa 2009.

efektywność

gospodarstw

wysokotowarowych J. Ziółkowska, Determinanty efektywności technicznej obliczonej metodą DEA, „Zagadnienia Ekonomiki Rolnej” 2009, nr 3, s. 124-132.

P. Sulewski, Powierzchnia użytków rolnych a efektywność gospodarstw rodzinnych, „Roczniki Nauk Rolniczych” 2008, s. G, t. 94, z. 2, s. 130-135. efektywność

gospodarstw

rolnych indywidualnych

J. Bieńkowski, J. Jankowiak, A. Sadowski, Regionalne zróżnicowanie poziomu zrównoważenia rozwoju rolnictwa (na podstawie analizy

modelowej i indeksu syntetycznego), „Roczniki Naukowe” 2008, t. 10, z. 2, s. 22-27.

ocena rozwoju rolnictwa

w województwach

J. Baran, Efektywność techniczna a wyniki finansowe spółdzielni mleczarskich w latach 2003-2005, „Ekonomika i Organizacja Gospodarki

Żywnościowej” 2008, nr 64, s. 101-112.

efektywność spółdzielni

mleczarskich

T. Czekaj, Techniczna efektywność gospodarstw rolnych a skłonność do korzystania ze wsparcia inwestycji środkami publicznymi,

„Zagadnienia Ekonomiki Rolnej” 2008, nr 3, s. 31-44.

efektywność

gospodarstw rolnych

R. Rusielik, J. Prochorowicz, Porównanie efektywności skali produkcji mleka w wybranych gospodarstwach Europy w 2005 roku, „Roczniki

Nauk Rolniczych” 2007, s. G, t. 94, z. 1, s. 29-34.

efektywność produkcji

mleka

J. Baran, M. Pietrzak, Analiza efektywności wybranych branż polskiego agrobiznesu bazująca na metodzie DEA, „Roczniki Naukowe” 2007,

t. 9, z. 3, s. 15-23.

efektywność branż

przetwórstwa produktów

zwierzęcych

S. Gędek, Porównanie metod uwzględniania ryzyka w bilansach paszowych modelu programowania liniowego optymalizującego plany

produkcji gospodarstwa rolnego, „Roczniki Nauk Rolniczych” 2007, s. G, t. 94, z. 1, s. 7-22.

efektywność

gospodarstw

rolnych

J. Baran, Efektywność spółdzielni i pozostałych form prawnych działających w przemyśle mleczarskim z wykorzystaniem metody DEA,

„Roczniki Nauk Rolniczych” 2007, s. G, t. 94, z. 1, s. 103-110.

efektywność spółdzielni

przemysłu mleczarskiego

M. Helta, M. Świtłyk, Efektywność produkcji mleka w gospodarstwach należących do Europejskiego Stowarzyszenia Producentów Mleka

w 2005 roku, „Roczniki Nauk Rolniczych” 2007, s. G, t. 93, z. 2, s. 80-87.

efektywność

gospodarstw produkcji

mleka

J. Baran, M. Pietrzak, Analiza efektywności wybranych branż polskiego agrobiznesu bazująca na metodzie DEA, Stowarzyszenie Ekonomistów

Rolnictwa i Agrobiznesu, „Roczniki Naukowe” 2007, t. IX, z. 3, s. 15-19.

efektywność branży

przetwórstwa produktów

zwierzęcych

J. Bieńkowski, J. Jankowiak, Ocena zrównoważonego funkcjonowania gospodarstw rolnych Wielkopolski według kryteriów efektywności,

Zeszyty Naukowe Akademii Rolniczej We Wrocławiu, „Rolnictwo LXXXVII” 2006, nr 540, s. 57-64.

efektywność

gospodarstw rolnych

towarowych

Jurek A., Winnicki K., Zastosowanie metody DEA i indeksu produktywności Malmquista do oceny sytuacji ekonomicznej wybranych spółek

Agencji Nieruchomości Rolnych, Metody i zastosowania badań operacyjnych, Akademia Ekonomiczna, Katowice 2004, s. 163-175.

efektywność spółek

ANR

R. Rusielik, Pomiar efektywności skali produkcji w grupie przedsiębiorstw rolnych z wykorzystaniem metody DEA na przykładzie ośrodka

hodowli zarodowej, Prace Naukowe Akademii Ekonomicznej we Wrocławiu 2003, nr 980, s. 447-453.

efektywność ośrodków

hodowli zarodowej

M. Świłtyk, R. Rusielik, Efektywność techniczna nawożenia zbóż w Polsce w latach 1999-2001 – analiza przy zastosowaniu metody DEA,

„Folia Universitatis Agriculturae Stetinensis. Oeconomica” 2003, nr 42, s. 145-154.

ekonomika rolnictwa

276

277


R. Rusielik, Pomiar efektywności gospodarowania w stadninach koni z wykorzystaniem metody DEA, „Folia Universitatis Agriculturae

Stetinensis. Oeconomica” 2000, t. 38, s. 85-98.

efektywność stadnin koni

M. Świłtyk, Zastosowanie metody DEA do analizy efektywności gospodarstw rolnych, „Zagadnienia Ekonomiki Rolnej” 1999, nr 6, s. 28-41. efektywność

gospodarstw rolnych

M. Świłtyk, R. Rusielik, Zastosowanie metody DEA do pomiaru efektywności rolnictwa w Polsce w latach 1990 i 1995, „Folia Universitatis

Agriculturae Stetinensis. Oeconomica” 1999, nr 36, s. 179-190.

ekonomika rolnictwa

J. Nazarko, J. Ńaparauskas, Application of DEA method in efficiency evaluation of public higher education institutions, “Technological

and Economic Development of Economy “ 2014, t. 20, nr 1, s. 25-44.

efektywność szkół

wyższych

J. Wolszczak-Derlacz, Efektywność naukowa, dydaktyczna i wdrożeniowa publicznych szkół wyższych w Polsce – analiza nieparametryczna,

Wydawnictwo Politechniki Gdańskiej, Gdańsk 2013.


wyższych

D. Kuchta, S. Ząbek, M. Urban, Proposed merger of DEA and ABC methods in accounting for the costing of higher education [w:] Information

systems architecture and technology. The use of it models for organization management, Politechnika Wrocławska, Wrocław 2012, s. 107-133.


wyższych

A. Wilczyński, M. Świtłyk, W. Pasewicz, Efektywność państwowych wyższych szkół zawodowych w latach 2004-2010, „Economy, Business

and Management” 2012, nr 245, 2012, s. 367-376.

efektywność

państwowych wyższych

szkół zawodowych

J. Nazarko, M. Jarocka, E. Chodakowska, Segmentacja szkół wyższych metodą analizy skupień versus konkurencja technologiczna ustalona

metodą DEA – studium komparatywne, „Economy, Business and Management” 2012, nr 242, s. 163-172.

klasyfikacja szkół

wyższych

E. Chodakowska, Wybrane metody klasyfikacji w konstrukcji ratingu szkół, „Economy, Business and Management” 2012, nr 242, s. 173-181. klasyfikacja szkół

gimnazjalnych

M. Świtłyk, Z. Mongiało, Zastosowanie metody DEA do pomiaru efektywności na uczelniach publicznych w latach 2004-2008, Zeszyty

Naukowe Uniwersytetu Ekonomicznego w Poznaniu 2011, nr 171, s. 375-384.


uczelni publicznych

A. Staniewska-Garsztka, P. Garsztka, Badanie efektywności działalności szkół podstawowych w gminach województw lubuskiego,

wielkopolskiego i zachodniopomorskiego z zastosowaniem metody DEA, Zeszyty Naukowe Uniwersytet Ekonomiczny w Poznaniu 2011, nr

203, s. 86-103.


podstawowych

A. Ćwiąkała-Matys, Ustalenie efektywności procesu kształcenia publicznych uczelni akademickich przy wykorzystaniu nieparametrycznej

metody analizy nakładów i wyników DEA, „Zeszyty Teoretyczne Rachunkowości ” 2010, nr 111, s. 25-43.


wyższych

J. Polcyn, Data Envelopment Analysis (DEA) w szkole ponadgimnazjalnej, „Przedsiębiorstwa przyszłości” 2010, nr 3 (4), s. 80-88. efektywność szkół

ponadgimnazjalnych

P. Kieliński, Badanie efektywności studenckich kół naukowych Uniwersytetu Ekonomicznego w Poznaniu z wykorzystaniem nieparametrycznej analizy

danych (DEA), „Debiuty Ekonomiczne, Funkcjonowanie gospodarki i przedsiębiorstw: ujęcie teoretyczne i praktyczne” 2010 , nr 10, s. 40-53.

efektywność studenckich

kół naukowych

W. Gierulski, The method of Data Envelopment Analysis as a tool for compiling a rating list, “Operations Research and Decisions” 2010, nr 1,

s. 41-59.

efektywność kształcenia

w szkołach wyższych

Z. Mongiało, W. Pasewicz, M. Świtłyk, Efektywność kształcenia na publicznych uczelniach technicznych w latach 2001-2005, „Folia

Pomeranae Universitatis Technologiae Stetinensis „Oeconomica” 2010, nr 282 (60), s. 85-102.

efektywność kształcenia

w publicznych szkołach

wyższych

M. Świtłyk, Efektywność techniczna publicznych uczelni w latach 2001-2010, „Ekonometria” 2010, nr 4 (38), s. 320-342. efektywność szkół

wyższych

277

278


W. Pasewicz, M. Świtłyk, Zastosowanie DEA do oceny efektywności technicznej działalności dydaktycznej uczelni publicznych w 2005 roku,

„Folia Pomeranae Universitatis Technologiae Stetinensis. Oeconomica” 2010, t. 59, s. 87-98.


wyższych

E. Chodakowska, Przykłady zastosowań metody Data Envelopment Analysis w badaniu efektywności podmiotów sektora edukacji, „Problemy

Zarządzania” 2009, t. 7, nr 4 (26), s. 91-112.

podmiotów sektora

edukacji

A. Ćwiąkała-Matys, Wykorzystanie Data Envelopment Analysis (DEA) do badania relacji nakłady-efekty w publicznym szkolnictwie

akademickim w Polsce, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu 2009, nr 56, s. 67-82.


wyższych

J. Nazarko, M. Komuda, K. Kuźmicz, E. Szubzda, J. Urban, Metoda DEA w badaniu efektywności instytucji sektora publicznego

na przykładzie szkół wyższych, „Badania Operacyjne i Decyzje” 2008, nr 4, s. 89-105.


wyższych

Szuwarzyński A., Pomiar efektywności działalności badawczej jednostek organizacyjnych wydziału, „Problemy Zarządzania” 2009, nr 4 (26),

s. 113-129.


wyższych

A. Szuwarzyński, Metoda DEA pomiaru efektywności działalności dydaktycznej szkół wyższych, „Nauka i Szkolnictwo Wyższe” 2006, nr 2/28,

s. 78-88.


wyższych

B. Kaczmarska, Badanie efektywności akademickich inkubatorów przedsiębiorczości z wykorzystaniem metody DEA [w:] Innowacyjno-

efektywnościowe problemy teorii i praktyki zarządzania, P. Łebkowski (red.), Uczelniane Wydawnictwa Naukowo-Dydaktyczne, Kraków

2009, s. 167-173.

efektywność

akademickich

inkubatorów

przedsiębiorczości

B. Kaczmarska, Modelowanie działalności akademickich inkubatorów przedsiębiorczości w procesie badania ich efektywności [w:] Kapitał

ludzki – innowacje – przedsiębiorczość, P. Niedzielski, K. Poznańska, K.B. Matusiak (red.), Ekonomiczne Problemy Usług 2009, nr 28, 141.

efektywność

akademickich

inkubatorów


B. Kaczmarska, Klasyfikacja i ocena efektywności ośrodków innowacji i przedsiębiorczości, Problemy Zarządzania, Wydawnictwo Naukowe

Wydziału Zarządzania Uniwersytetu Warszawskiego 2009, t. 7, nr 2(24), s. 71-86.

efektywność ośrodków

innowacji i


M. Nowak, A. Borowiec, Zastosowanie metody DEA w badaniu efektywności parków naukowo-technologicznych, „Organizacja i Zarządzanie”

2013, nr 61, s. 109-119.

efektywność parków

naukowo-

technologicznych

B. Kaczmarska, The data envelopment analysis method in benchmarking of technological incubators, “Operations Research and Decisions”

2010, t. 20, nr 1, s. 79-95.

efektywność

inkubatorów

technologicznych

M. Nowak, A. Borowiec, Zastosowanie metody DEA w badaniu efektywności parków naukowo-technologicznych, „Organizacja i Zarządzanie”

2013, nr 61, s. 109-119.

efektywność parków

naukowo-

technologicznych

J. Baran, P. Krawczyk, A. Janik, A. Ryszko, Problematyka oceny efektywności ekonomicznej wybranych technologii energetycznych w aspekcie

zrównoważonego rozwoju, „Górnictwo i Środowisko” 2011, nr 2, s. 5-15.

efektywność technologii

energetycznych

E. Mataczyńska, Data Envelopment Analysis as efficiency benchmarking method, “Studia Ekonomiczne” 2007, nr 1-2 (52-53), s. 97-112. efektywność spółek

dystrybucji energii

elektrycznej

27

8

279


H. Piwowarska, Ocena efektywności technicznej krajowych elektrowni oraz elektrociepłowni zawodowych cieplnych z wykorzystaniem metody

DEA, „Energetyka” 2010, nr 4, s. 205-211.

efektywność elektrowni

i elektrociepłowni

J. Nazarko, J. Chrabołowska, Benchmarking w ocenie efektywności krajowych spółek dystrybucyjnych energii elektrycznej, Prace Naukowe

Akademii Ekonomicznej im. Oskara Langego we Wrocławiu, „Taksonomia” 2005, nr 12, s. 38-47.


dystrybucji energii

elektrycznej

A. Prędki, Wykorzystanie dualnych programów liniowych w badaniu efektywności jednostek produkcyjnych metodą DEA, „Przegląd

Statystyczny” 2005, t. 52, z. 2, s. 57-71.


i elektrociepłowni

A. Prędki, Podejście statystyczne w metodzie DEA na przykładzie jednoproduktowego modelu Bankera, „Folia Oeconomica Cracoviensia”

2012, t. 53, s. 41-58.


i elektrociepłowni

A. Prędki, Badanie poziomu efektywności technicznej i kosztowej jednostek gospodarczych metodą DEA, Zeszyty Naukowe Akademii

Ekonomicznej w Krakowie 2003, nr 628, s. 119-141.


i elektrociepłowni

A. Prędki, Liniowe programy dualne w analizie przychodu metodą DEA, „Przegląd Statystyczny” 2007, t. 54, z. 1, s. 94-108. efektywność spółek

dystrybucji energii

elektrycznej

J. Witkowska, Dobór zmiennych w modelach DEA do badań porównawczych produktywności na przykładzie krajowych spółek dystrybucji

energii elektrycznej, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu 2006, nr 13, s. 424-434.


dystrybucji energii

elektrycznej

J. Adamczyk, T. Nitkiewicz, DEA jako metoda oceny rozwoju równoważonego przedsiębiorstw energetycznych, „Problemy Ekologii” 2008,

t. 12, nr 1, s. 9-16.

efektywność

przedsiębiorstw

energetycznych

A. Prędki, Analiza efektywności za pomocą metody DEA: podstawy formalne i ilustracja ekonomiczna, „Przegląd Statystyczny” 2003, t. 50,

z. 1, s. 87-100.

efektywność

przedsiębiorstw

energetycznych

G. Kozuń-Cieślak, Wykorzystanie metody DEA do oceny efektywności w usługach sektora publicznego, „Wiadomości Statystyczne” 2011, nr 3,

s. 14-42.

ocena efektywności

wydatków publicznych

w UE

I. Laskowska, K. Lewandowska, Badanie efektywności ochrony zdrowia, „Wiadomości Statystyczne” 2009, nr 3, s. 33-42. efektywności służby

zdrowia

M. Jewczak, A. Żółtaczek, Ocena efektywności technicznej podmiotów sektora opieki zdrowotnej w Polsce w latach 1999-2009 w ujęciu

przestrzenno-czasowym na przykładzie szpitali ogólnych, „Problemy Zarządzania”, t. 9, nr 3 (33), s. 194-210.

efektywność szpitali

J. Rój, Ocena efektywności systemów ochrony zdrowia w wybranych krajach Unii Europejskiej z wykorzystaniem podejścia

nieparametrycznego, Acta Universitatis Lodziensis „Folia Oeconomica” 2011, nr 253, s. 143-153.

efektywność systemów

ochrony zdrowia

w krajach UE

B. Guzik, Propozycja metody szacowania efektywności instytucji non profit, Kujawsko-Pomorska Szkoła Wyższa w Bydgoszczy, „Roczniki

Ekonomiczne” 2009, nr 2, s. 75-92.

efektywność

województw w zakresie

ochrony zdrowia

J. Kujawska, Wykorzystanie metody DEA w zarządzaniu opieką zdrowotną, „Ekonomika i Organizacja Przedsiębiorstwa” 2010, nr 7, s. 67-76. efektywność szpitali

279

280


P. Czarnecki, R. Szarota, D. Woźniak, Measuring the relative efficiency of economic sectors. Some advice for policy makers in Poland,

“Management, Business, Innovation” 2010, nr 6, s. 4-15.


budownictwa

w województwach

T. Strąk, M. Guzowska, An examination of the efficiency of Polish public sector enities based on public prosecutor offices, „Operations

Research and Decisions” 2010, t. 20, nr 2, s. 41-57.

efektywność biur

prokuratorskich

E. Szaruga, Zastosowanie programowania liniowego w ocenie efektywności zrównoważonego transportu, „Studia i Prace Wydziału Nauk

Ekonomicznych i Zarządzania”, nr 30, s. 283-298.

efektywność transportu

w wybranych krajach

A. Barczak, Zarys metodyki projektowania syntetycznych wskaźników zrównoważonego rozwoju transportu, „Logistyka” 2011, nr 3, s. 93-100.

A. Barczak, P. Barczak, Zastosowanie metody Data Envelopment Analysis (DEA) w procesie wyboru dostawców, Systemy Logistyczne, Teoria

i Praktyka, IV Międzynarodowa Konferencja Naukowo-Techniczna, „Logistyka” 2009, nr 2, CD.


transportu

A. Domagała, Metoda DEA jako narzędzie wsparcia w procesie kupna-sprzedaży samochodów osobowych, „Studia Oeconomica Posnaniensia”

2013, t. 1, nr 10, s. 5-25.

ocena transakcji kupna-

sprzedaży samochodów

osobowych

E. Chodakowska, K. Wardzińska, The attempt to create an internal credit risk rating of production companies with the use of operational

research method, “Quantitative Methods in Economics” 2013, t. XIV, nr 1, s. 74-83.

Pomiar ryzyka

kredytowego

przedsiębiorstw

produkcji okien

K. Wardzińska, Wykorzystanie metody obwiedni danych w procesie klasyfikacji przedsiębiorstw, „Taksonomia” 2013, nr 279, s. 217-225. efektywność

przedsiębiorstw

A. Masternak-Janus, Analiza efektywności gospodarowania przedsiębiorstw przemysłowych w Polsce, „Ekonomia i Zarządzanie” 2013, nr 4,

s. 111-126.

efektywność

przedsiębiorstw

E. Chodakowska, Indeks Malmquista w klasyfikacji podmiotów gospodarczych według zmian ich względnej produktywności działania,

„Taksonomia” 2013, nr 278, s. 300-310.

efektywność

przedsiębiorstw

E. Czyż-Gwiazda, Koncepcje pomiaru efektywności funkcjonowania organizacji – zastosowanie metody DEA w ocenie efektywności

organizacji, „Zarządzanie i Finanse” 2013, nr 1 (1), s. 103-116.

efektywność organizacji

K. Frodyma, Metoda DEA w analizie efektywności nakładów na gospodarkę odpadami, „Economy, Business and Management” 2013, nr 280,

s. 156-168.

efektywności nakładów

na gospodarkę odpadami

T. Kijek, Pomiar efektywności kapitału innowacyjnego przedsiębiorstwa przy zastosowaniu metody DEA, Prace Naukowe Uniwersytetu

Ekonomicznego we Wrocławiu 2012, nr 261, s. 132-140.

kapitał innowacyjny

przedsiębiorstw

P. Zbierowski, Orientacja pozytywna organizacji wysokiej efektywności, Oficyna Wolters Kluwer Business, Warszawa 2012. efektywność organizacji

Z. Łękawa, Możliwości wykorzystania metody DEA do oceny wiarygodności ekonomicznej jednostki samorządu terytorialnego - przegląd

badań i praktyczny aspekt zastosowania metody, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu, nr 247, 2012, s. 210-219.

jednostki samorządu

terytorialnego

S. Luściński, W. Gierulski, Identyfikacja stopnia rozwoju systemów informatycznych zarządzania, „Zarządzanie Przedsiębiorstwem” 2010,

nr 1, s. 46-54.

systemy informatyczne

28

0

281


A. Becker, Analiza efektywności gospodarowania województw Polski [w:] Koniuktura gospodarcza a reakcje podmiotów gospodarujących, J.

Czech-Rogosz (red.), Wydawnictwo Akademii Ekonomicznej w Katowicach, Katowice 2009, s. 353-362.

efektywność

gospodarowania

województw

W. Gierulski, A. Okniński, B. Radziszewski, Częściowy porządek w wyważaniu wartości i rankingach – studium przypadku [w:] Innowacyjno-

efektywnościowe problemy teorii i praktyki zarządzania, W. Gierulski, A. Okniński, B. Radziszewski (red.), Uczelniane Wydawnictwa

Naukowo-Dydaktyczne AGH, Kraków 2009, s. 149-159.

przedsiębiorstwa

P. Zbierowski, Źródła sukcesu organizacji – wyniki badań, „Organizacja i Zarządzanie” 2009, nr 2(6), s. 139-157. selekcja przedsiębiorstw

wysokiej efektywności

A. Becker, J. Becker, Zastosowanie metody granicznej analizy danych do oceny gospodarowania województw Polski, „Studia i Materiały”

2009, nr 21, s. 5-12.

województwa Polski

B. Karbownik, G. Kula, Efektywność sektora publicznego na poziomie samorządu lokalnego, „Materiały i Studia” 2009, nr 242. efektywność wydatków

publicznych gmin

M. Parlińska, A. Bezat, Efficiency of the Polish wholesale markets. Validation based on the Data Envelopment Analysis, „Roczniki Naukowe”

2008, t. X, z. 5, s. 122-124.

rynki hurtowe

J. Barburski, Mierniki oceny efektywności ekonomicznej w oparciu o nieparametryczną funkcję produkcji, „Nierówności Społeczne a Wzrost

Gospodarczy” 2008, z. 13, s. 105-117.

pomiar poziomu

pracy

I. Jonek-Kowalska, Data Envelopment Analysis w ocenie efektywności technicznej wielozakładowego przedsiębiorstwa górniczego, „Przegląd

Organizacji” 2014, nr 3, s. 4-10.

górnictwo

P. Pachura, T. Nitkiewicz, Ocena efektywności wybranych komponentów kapitału intelektualnego regionów przy zastosowaniu metody Data

Envelopment Analysis, „Organizacja i Zarządzanie” 2008, nr 1, s. 22-37.

kapitał intelektualny

regionów (województw)

Źródło: Opracowanie własne.

281

282

Załącznik 8. Współczynniki korelacji cech wraz z poziomem ich istotności w poszczególnych grupach jednostek naukowych

8.A. Uczelnie

X3 X4 X5 X9 X10 X11 X12 X13 X14 X15 X16 X22 X24 X25 X26 X28 X29 X30 X31 X32 X33 X34 X35 X36 X37 X38 X47

X3 1,00 0,58 0,56 0,56 0,25 0,72 0,07 0,09 0,37 0,41 0,03 0,02 0,04 0,00 0,04 0,13 0,04 -0,01 0,04 -0,03 -0,01 0,05 0,12 0,12 0,02 0,04 0,53

X4 1,00 0,75 0,31 0,36 0,30 0,12 0,16 0,28 0,32 0,02 0,11 0,17 0,10 0,19 0,11 0,03 0,01 -0,02 0,08 -0,03 0,05 0,21 0,28 0,10 0,09 0,40

X5 1,00 0,34 0,36 0,33 0,11 0,17 0,27 0,24 -0,10 0,09 0,19 0,13 0,21 0,18 0,08 0,04 0,01 0,03 -0,06 0,12 0,27 0,32 0,13 0,10 0,51

X9 1,00 -0,17 0,21 -0,01 -0,09 -0,22 -0,20 -0,20 0,06 0,27 0,12 0,26 0,31 0,26 -0,03 -0,04 0,03 -0,07 0,15 0,20 0,12 -0,02 0,03 0,74

X10 1,00 -0,02 0,07 0,22 0,21 0,52 0,00 -0,02 -0,09 -0,06 -0,09 -0,07 -0,06 -0,04 -0,02 -0,08 -0,04 -0,05 -0,10 -0,03 -0,05 -0,05 -0,07

X11 1,00 0,06 0,03 0,36 0,12 -0,09 0,01 -0,05 -0,02 0,00 0,02 -0,05 0,06 0,05 0,01 -0,02 0,02 0,14 0,12 0,11 0,08 0,34

X12 1,00 0,08 0,05 0,01 -0,05 -0,01 -0,04 0,32 -0,03 0,07 -0,01 0,00 -0,01 0,11 -0,02 0,11 0,10 0,09 -0,01 0,00 0,06

X13 1,00 0,09 0,16 -0,05 0,00 -0,05 -0,01 -0,06 -0,03 -0,05 -0,03 0,00 0,00 0,00 -0,01 0,00 0,06 -0,02 0,00 -0,02

X14 1,00 0,31 0,12 -0,03 -0,15 -0,08 -0,15 -0,10 -0,13 -0,04 -0,01 -0,08 -0,02 -0,03 -0,01 -0,01 0,02 -0,02 -0,09

X15 1,00 0,03 -0,03 -0,13 -0,08 -0,14 -0,10 -0,10 -0,02 0,01 -0,04 -0,01 -0,02 -0,09 -0,01 0,00 0,01 -0,11

X16 1,00 -0,02 -0,06 -0,08 -0,10 -0,07 -0,07 -0,03 0,14 -0,05 0,34 -0,09 -0,10 -0,08 -0,06 -0,04 -0,18

X17 -0,02 -0,11 -0,04 -0,13 -0,09 -0,09 -0,07 -0,02 -0,08 -0,05 0,00 -0,05 -0,07 -0,06 -0,06 -0,07

X22 0,10 0,02 0,13 0,01 0,06 0,15 0,00 0,01 0,01 -0,01 0,05 0,10 0,01 0,01 0,13

X24 1,00 0,31 0,81 0,18 0,20 0,01 0,15 0,12 0,05 0,07 0,14 0,24 0,10 0,11 0,40

X25 1,00 0,32 0,13 0,14 0,04 -0,01 0,21 0,01 0,05 0,05 0,18 0,04 0,06 0,17

X26 1,00 0,25 0,20 0,08 -0,01 0,18 -0,02 0,11 0,18 0,32 0,14 0,21 0,41

X28 1,00 0,44 0,01 -0,01 0,03 -0,03 0,16 0,22 0,26 0,01 0,13 0,41

X29 1,00 0,01 -0,02 0,00 -0,02 0,06 0,09 0,12 0,00 0,08 0,29

X30 1,00 0,32 0,14 0,05 0,06 0,14 0,13 0,09 0,02 0,08

X31 1,00 -0,02 0,33 -0,02 0,01 0,01 -0,01 -0,01 0,03

X32 1,00 -0,02 0,04 0,17 0,18 0,29 0,17 0,15

X33 1,00 -0,04 0,04 0,00 -0,01 -0,02 -0,01

X34 1,00 0,34 0,22 0,04 0,26 0,31

X35 1,00 0,39 0,16 0,20 0,40

X36 1,00 0,24 0,30 0,45

X37 1,00 0,14 0,20

X38 1,00 0,19

X47

1,00


28

2

283

8.B. Instytuty badawcze


X3 1,00

X4 0,56 1,00

X5 0,51 0,75 1,00

X9 0,65 0,48 0,52 1,00

X10 -0,08 0,07 -0,05 -0,06 1,00

X11 0,73 0,44 0,43 0,19 -0,07 1,00

X12 0,34 0,30 0,34 0,21 0,05 0,37 1,00

X13 0,17 0,18 0,13 0,02 0,17 0,03 0,24 1,00

X14 0,27 0,23 0,24 -0,05 0,03 0,27 0,29 0,69 1,00

X15 0,34 0,12 0,13 0,07 -0,05 0,38 0,48 0,22 0,28 1,00

X16 0,66 0,29 0,17 0,38 -0,02 0,34 -0,05 0,08 0,06 0,06 1,00

X22 0,13 -0,07 -0,10 0,06 -0,03 0,16 0,06 -0,09 0,05 -0,03 -0,03 1,00

X24 0,17 -0,04 -0,09 0,11 -0,05 0,09 0,06 -0,10 -0,05 -0,02 -0,04 0,69 1,00

X25 0,00 0,01 -0,07 0,07 -0,04 0,01 0,02 -0,08 -0,03 -0,05 -0,06 0,52 0,54 1,00

X26 0,15 -0,07 -0,06 0,07 -0,05 0,20 0,06 -0,09 -0,11 0,07 -0,08 0,47 0,59 0,45 1,00

X28 0,06 -0,07 -0,03 0,05 -0,02 -0,02 -0,01 -0,07 -0,11 0,10 0,04 -0,05 0,25 -0,05 0,12 1,00

X29 0,06 -0,10 -0,04 0,03 -0,03 0,03 0,10 -0,01 -0,07 0,16 -0,04 0,01 0,17 0,01 0,43 0,42 1,00

X30 0,04 0,02 0,01 -0,09 -0,03 0,17 0,07 -0,07 -0,07 0,19 -0,03 0,02 0,05 -0,04 0,30 0,03 0,32 1,00

X31 0,14 0,12 0,03 -0,08 -0,02 0,09 -0,03 -0,04 -0,06 0,03 -0,04 0,01 0,23 0,03 0,24 0,00 0,02 0,19 1,00

X32 0,05 -0,17 -0,16 -0,06 -0,04 0,15 -0,04 -0,11 -0,09 0,04 -0,04 0,21 0,33 0,26 0,67 0,03 0,15 0,19 0,15 1,00

X33 0,07 0,06 -0,08 0,30 -0,01 -0,09 0,03 -0,06 -0,08 -0,06 -0,02 0,17 0,15 0,24 0,07 -0,04 -0,04 0,00 -0,03 0,03 1,00

X34 0,18 0,22 0,24 0,20 -0,04 0,10 0,24 0,15 0,12 0,13 0,01 0,07 0,06 0,12 0,05 -0,04 0,08 0,04 0,01 0,01 -0,03 1,00

X35 0,32 0,15 0,06 0,19 -0,08 0,25 0,13 0,19 0,17 0,38 0,15 0,00 0,09 0,09 0,17 0,00 0,03 0,23 0,03 0,13 0,11 0,35 1,00

X36 0,35 0,01 -0,01 -0,06 -0,07 0,39 0,30 0,21 0,32 0,43 0,06 0,21 0,12 0,16 0,28 -0,05 0,10 0,14 0,02 0,14 -0,04 0,15 0,35 1,00

X37 0,04 -0,14 -0,10 -0,01 -0,03 0,13 -0,05 -0,09 -0,10 0,02 -0,02 0,24 0,12 0,32 0,39 -0,04 0,15 0,18 0,03 0,41 -0,01 0,10 0,11 0,19 1,00

X38 0,01 -0,15 -0,11 0,01 -0,03 0,04 -0,09 -0,10 -0,09 0,02 -0,01 0,27 0,04 0,22 0,39 0,00 0,02 0,01 -0,02 0,36 -0,03 0,10 0,11 0,15 0,70 1,00

X47 0,68 0,54 0,60 0,67 -0,08 0,50 0,41 0,11 0,19 0,38 0,16 0,05 0,15 0,06 0,25 -0,03 0,09 0,12 0,09 0,14 0,13 0,37 0,37 0,33 0,12 0,05 1,00


283

284

8.C. Jednostki naukowe PAN


X3 1,00 0,48 0,56 0,82 0,11 0,11 0,32 -0,02 0,14 -0,09

0,15 0,24 0,08 0,37 0,04 0,09

-0,01 0,14 -0,02 0,28 0,42 0,52 -0,02 0,18 0,70

X4 1,00 0,90 0,30 0,08 0,19 0,24 0,15 0,22 -0,03

0,44 0,34 0,19 0,15 0,01 0,03

0,06 0,06 -0,02 0,04 0,10 0,16 -0,02 0,01 0,36

X5 1,00 0,36 0,14 0,18 0,33 0,14 0,22 -0,09

0,37 0,35 0,24 0,15 -0,05 -0,02

0,09 0,08 -0,10 0,13 0,18 0,17 -0,10 -0,04 0,44

X9 1,00 -0,30 -0,29 -0,02 -0,21 -0,31 -0,25

0,19 0,30 0,13 0,44 0,13 0,17

-0,02 0,13 0,04 0,43 0,45 0,60 0,04 0,15 0,69

X10 1,00 0,07 0,51 0,10 0,41 0,09

-0,08 -0,14 -0,10 -0,15 -0,08 -0,08

-0,06 -0,09 -0,04 -0,19 -0,22 -0,20 -0,04 -0,09 -0,03

X11 1,00 0,21 0,15 0,58 0,17

-0,04 -0,05 -0,09 -0,02 -0,10 -0,09

0,05 -0,02 -0,05 -0,20 -0,05 -0,13 -0,05 0,11 -0,12

X12 1,00 0,38 0,40 0,11

-0,11 -0,18 -0,19 -0,16 -0,16 -0,16

-0,07 0,10 -0,10 -0,08 -0,02 -0,15 -0,10 0,05 0,19

X13 1,00 0,30 0,06

-0,08 -0,10 0,01 -0,07 -0,14 -0,15

0,16 0,23 -0,08 -0,20 0,09 -0,06 -0,08 0,11 0,00

X14 1,00 0,33

-0,09 -0,14 0,09 -0,13 -0,10 -0,11

0,04 0,09 -0,05 -0,23 0,00 -0,08 -0,05 -0,01 -0,05

X15 1,00

-0,06 -0,13 -0,11 -0,15 -0,08 -0,09

-0,07 -0,06 -0,04 -0,19 0,01 -0,09 -0,04 -0,03 -0,15

X16 1,00

X22

1,00 0,45 0,26 0,24 0,54 0,55

-0,04 0,25 0,52 0,16 0,09 0,24 0,52 0,48 0,19

X24

1,00 0,30 0,78 0,05 0,18

0,13 0,10 -0,02 0,24 0,16 0,15 -0,02 0,05 0,24

X25

1,00 0,13 0,06 0,08

0,28 0,32 -0,04 0,35 0,15 0,40 -0,04 -0,08 0,09

X26

1,00 0,20 0,33

0,19 0,05 0,13 0,16 0,15 0,27 0,13 0,21 0,34

X28

1,00 0,94

-0,03 -0,04 0,95 0,05 -0,03 0,20 0,95 0,58 0,09

X29

1,00

0,05 -0,03 0,94 0,03 -0,04 0,15 0,94 0,60 0,12

X30

1,00

X31

1,00 -0,05 -0,02 0,24 0,20 -0,03 -0,02 0,30 0,01

X32

1,00 -0,03 0,06 0,18 0,26 -0,03 0,20 0,51

X33

1,00 -0,07 -0,07 0,13 1,00 0,64 0,02

X34

1,00 0,32 0,46 -0,07 0,04 0,33

X35

1,00 0,48 -0,07 0,21 0,27

X36

1,00 0,13 0,17 0,48

X37

1,00 0,64 0,02

X38

1,00 0,07

X47

1,00


284

285

8.C. Inne jednostki naukowe

X3 X4 X5 X9 X10 X11 X12 X13 X14 X15 X16 X22 X24 X25 X26 X27 X28 X29 X30 X31 X32 X33 X34 X35 X36 X37 X38 X47

X3 1,00

X4

1,00

X5

1,00

X9 -0,19

1,00

X10

1,00

X11 0,57

0,15

1,00

X12 -0,34

0,53

0,18 1,00

X13 -0,37

-0,06

-0,56 -0,28 1,00

X14 -0,32

0,03

-0,03 -0,10 0,50 1,00

X15 0,72

-0,19

0,20 -0,16 -0,18 -0,11 1,00

X16 0,65

-0,16

0,15 -0,20 -0,14 -0,04 0,98 1,00

X22 0,90

0,02

0,69 -0,24 -0,29 -0,31 0,50 0,44 1,00

X24 -0,03

-0,32

0,02 0,18 -0,40 -0,19 -0,09 -0,11 -0,14 1,00

X25

1,00

X26 0,67

-0,01

0,63 -0,11 -0,41 -0,35 0,20 0,15 0,85 0,27

1,00

X27

1,00

X28 0,50

0,23

0,65 -0,16 -0,20 -0,25 -0,13 -0,16 0,79 -0,12

0,83

1,00

X29 0,50

0,23

0,65 -0,16 -0,20 -0,25 -0,13 -0,16 0,79 -0,12

0,83

1,00 1,00

X30 -0,12

0,71

0,31 0,84 -0,25 -0,18 -0,13 -0,20 0,03 -0,27

-0,02

0,14 0,14 1,00

X31 0,23

-0,22

0,17 0,37 -0,39 -0,15 0,49 0,47 0,11 0,71

0,31

-0,22 -0,22 -0,03 1,00

X32 0,38

-0,22

0,42 0,19 -0,36 -0,14 0,40 0,39 0,40 0,69

0,61

0,17 0,17 -0,15 0,88 1,00

X33 0,76

-0,25

0,25 -0,16 -0,21 -0,13 0,99 0,96 0,54 -0,07

0,25

-0,08 -0,08 -0,13 0,50 0,43 1,00

X34 0,50

0,23

0,65 -0,16 -0,20 -0,25 -0,13 -0,16 0,79 -0,12

0,83

1,00 1,00 0,14 -0,22 0,17 -0,08 1,00

X35 0,66

0,17

0,70 -0,19 -0,25 -0,27 0,10 0,05 0,91 -0,14

0,88

0,98 0,98 0,11 -0,11 0,27 0,14 0,98 1,00

X36 -0,09

-0,16

0,30 0,26 -0,22 0,14 -0,16 -0,15 0,00 0,82

0,39

0,11 0,11 -0,16 0,65 0,80 -0,14 0,11 0,08 1,00

X37 -0,02

-0,08

0,34 0,28 -0,28 -0,09 -0,18 -0,17 0,15 0,77

0,55

0,30 0,30 -0,08 0,63 0,83 -0,15 0,30 0,26 0,95 1,00

X38 0,21

-0,33

0,13 0,22 -0,31 -0,14 0,36 0,35 0,14 0,80

0,42

-0,10 -0,10 -0,22 0,96 0,93 0,38 -0,10 -0,02 0,78 0,77 1,00

X47 0,33

-0,16

-0,02 -0,13 0,05 -0,35 -0,15 -0,27 0,32 0,28

0,46

0,41 0,41 -0,02 -0,02 0,07 -0,09 0,41 0,39 0,07 0,14 0,10 1,00


285

286

Załącznik 9. Lista jednostek naukowych w badaniach autorki i ich podział w grupy jednorodne

Kod

jednostki Jednostka naukowa Grupa

U7 Instytut Technologii Materiałów Elektronicznych 1

U10 Centrum Materiałów Polimerowych i Węglowych PAN 1

U15 Politechnika Warszawska Wydział Inżynierii Chemicznej i Procesowej 1

U19 Wojskowa Akademia Techniczna Wydział Nowych Technologii i Chemii 1

U27 Uniwersytet Technologiczno Przyrodniczy im. Jana i Jędrzeja Śniadeckich w Bydgoszczy

Wydział Technologii i Inżynierii Chemicznej 1

U28 Politechnika Rzeszowska Wydział Chemiczny 1

U33 Instytut Inżynierii Chemicznej PAN 1

U34 Akademia Górniczo Hutnicza im. Stanisława Staszica w Krakowie Wydział Odlewnictwa 1

U35 Politechnika Krakowska im. Tadeusza Kościuszki Wydział Inżynierii i Technologii

Chemicznej 1

U38 Uniwersytet Przyrodniczo-Humanistyczny w Siedlcach Wydział Nauk Ścisłych 1

U40 Akademia Techniczno Humanistyczna w Bielsku Białej Wydział Nauk o Materiałach

i Środowisku 1

U45 Branżowy Ośrodek Badawczo Rozwojowy Maszyn Elektrycznych KOMEL 1

U46 Instytut Mechanizacji Budownictwa i Górnictwa Skalnego 1

U47 Przemysłowy Instytut Maszyn Rolniczych 1

U48 Instytut Optyki Stosowanej 1

U58 Wojskowa Akademia Techniczna Wydział Mechatroniki 1

U59 Instytut Zaawansowanych Technologii Wytwarzania 1

U63 Politechnika Świętokrzyska w Kielcach Wydział Mechatroniki i Budowy Maszyn 1

U65 Politechnika Opolska Wydział Mechaniczny 1

U66 Akademia Marynarki Wojennej w Gdyni Wydział Mechaniczno Elektryczny 1

U71 Przemysłowy Instytut Maszyn Budowlanych 1

U72 Ośrodek Badawczo Rozwojowy Maszyn Przędzalnictwa Wełny BELMATEX 1

U76 Akademia Morska w Szczecinie Wydział Mechaniczny 1

U81 Ośrodek Badawczo Rozwojowy Dźwignic i Urządzeń Transportowych DETRANS 1

U82 Politechnika Lubelska Wydział Podstaw Techniki 1

U83 Instytut Technologii Elektronowej PREDOM OBR 1

U84 Akademia Morska w Gdyni Wydział Mechaniczny 1

U86 Centrum Badawczo Konstrukcyjne Obrabiarek 1

U88 Centralny Ośrodek Badawczo Rozwojowy Maszyn Włókienniczych POLMATEX CENARO 1

U89 Ośrodek Badawczo Rozwojowy Budowy Urządzeń Chemicznych CEBEA 1

U100 Centralne Laboratorium Ochrony Radiologicznej 1

U101 Instytut Obróbki Plastycznej 1

U102 COBRO Instytut Badawczy Opakowań 1

U104 Instytut Mechaniki Precyzyjnej 1

U107 Instytut Przemysłu Skórzanego 1

U108 Instytut Technologii Bezpieczeństwa MORATEX 1

U109 Instytut Włókien Naturalnych i Roślin Zielarskich 1

U110 Instytut Technologii Drewna 1

U111 Instytut Inżynierii Materiałów Polimerowych i Barwników 1

U112 Centralny Ośrodek Badawczo Rozwojowy Aparatury Badawczej i Dydaktycznej COBRABiD 1

U113 Centralny Ośrodek Chłodnictwa COCH 1

U114 Centralny Ośrodek Badawczo Rozwojowy Przemysłu Izolacji Budowlanej 1

U117 Instytut Budownictwa Wodnego PAN 1

U124 Politechnika Warszawska Wydział Budownictwa Mechaniki i Petrochemii w Płocku 1

U127 Politechnika Opolska Wydział Budownictwa 1

U129 Instytut Rozwoju Miast 1

U132 Instytut Wzornictwa Przemysłowego Sp. z o.o. 1

U133 Politechnika Lubelska Wydział Budownictwa i Architektury 1

U139 Politechnika Częstochowska Wydział Budownictwa 1

U144 Instytut Gospodarki Przestrzennej i Mieszkalnictwa 1

U145 Politechnika Koszalińska Instytut Wzornictwa 1

287

Kod


U154 Wojskowa Akademia Techniczna Instytut Optoelektroniki 1

U159 Instytut Maszyn Matematycznych 1

U161 Instytut Techniki i Aparatury Medycznej ITAM 1

U167 Politechnika Łódzka Wydział Fizyki Technicznej Informatyki i Matematyki Stosowanej 1

U168 Zachodniopomorski Uniwersytet Technologiczny Wydział Elektryczny 1

U170 Politechnika Koszalińska Wydział Elektroniki i Informatyki 1

U174 Akademia Morska w Gdyni Wydział Elektryczny 1

U176 Politechnika Częstochowska Wydział Elektryczny 1


Wydział Telekomunikacji i Elektrotechniki 1

U188 Politechnika Świętokrzyska w Kielcach Wydział Elektrotechniki Automatyki i Informatyki 1

U189 Politechnika Krakowska im. Tadeusza Kościuszki Wydział Inżynierii Elektrycznej

i Komputerowej 1

U190 Politechnika Krakowska im. Tadeusza Kościuszki Wydział Fizyki Matematyki

i Informatyki Stosowanej 1

U191 Instytut Logistyki i Magazynowania 1

U203 Instytut Mechaniki Górotworu PAN 1

U206 Instytut Górnictwa Odkrywkowego POLTEGOR INSTYTUT 1

U208 Instytut Transportu Samochodowego 1

U209 Instytut Badań i Rozwoju Motoryzacji BOSMAL Sp. z o. o. 1

U210 Akademia Górniczo Hutnicza im. Stanisława Staszica w Krakowie Wydział Paliw i Energii 1

U212 Instytut Geodezji i Kartografii 1

U215 Akademia Morska w Szczecinie Wydział Nawigacyjny 1

U216 Instytut Kolejnictwa 1

U218 Politechnika Gdańska Wydział Oceanotechniki i Okrętownictwa 1

U219 Przemysłowy Instytut Motoryzacji 1

U223 Politechnika Wrocławska Wydział Geoinżynierii Górnictwa i Geologii 1

U226 Zachodniopomorski Uniwersytet Technologiczny Wydział Techniki Morskiej 1

U227 Akademia Morska w Szczecinie Wydział Inżynieryjno Ekonomiczny Transportu 1

U229 Instytut Automatyki Systemów Energetycznych 1

U239 Instytut Warzywnictwa im. Emila Chroboczka 1

U240 Instytut Podstaw Inżynierii Środowiska PAN 1

U245 Politechnika Częstochowska Wydział Inżynierii i Ochrony Środowiska 1

U248 Politechnika Lubelska Wydział Inżynierii Środowiska 1

U250 Politechnika Wrocławska Wydział Inżynierii Środowiska 1

U255 Uniwersytet Przyrodniczy w Poznaniu Wydział Melioracji i Inżynierii Środowiska 1

U256 Wojskowy Instytut Techniki Pancernej i Samochodowej 1

U257 Wojskowy Instytut Techniki Inżynieryjnej 1

U262 Wojskowy Instytut Chemii i Radiometrii 1

U263 Centrum Naukowo Badawcze Ochrony Przeciwpożarowej im. Józefa Tuliszkowskiego 1

U264 Szkoła Główna Służby Pożarniczej Wydział Inżynierii Bezpieczeństwa Cywilnego 1

U265 Akademia Marynarki Wojennej w Gdyni Wydział Nawigacji i Uzbrojenia Okrętowego 1

U266 Wyższa Szkoła Policji w Szczytnie 1

U268 Akademia Marynarki Wojennej w Gdyni Wydział Zarządzania i Dowodzenia 1

U270 Szkoła Główna Służby Pożarniczej Wydział Inżynierii Bezpieczeństwa Pożarowego 1

U311 Instytut Dendrologii PAN 1

U313 Instytut Genetyki Roślin PAN 1

U314 Uniwersytet Warmińsko Mazurski w Olsztynie Wydział Bioinżynierii Zwierząt 1

U316 Instytut Fizjologii Roślin im. Franciszka Górskiego PAN 1

U317 Instytut Genetyki i Hodowli Zwierząt PAN 1

U319 Uniwersytet Warmińsko Mazurski w Olsztynie Wydział Ochrony Środowiska i Rybactwa 1

U320 Instytut Fizjologii i Żywienia Zwierząt im. J. Kielanowskiego PAN 1

U322 Ogród Botaniczny Centrum Zachowania Różnorodności Biologicznej PAN 1

U323 Zakład Ichtiobiologii i Gospodarki Rybackiej PAN 1

U325 Instytut Środowiska Rolniczego i Leśnego PAN 1

U327 Uniwersytet Przyrodniczy we Wrocławiu Wydział Biologii i Hodowli Zwierząt 1

288

Kod


U328 Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Wydział Leśny 1

U330 Politechnika Łódzka Instytut Papiernictwa i Poligrafii 1

U331 Uniwersytet Przyrodniczy w Poznaniu Wydział Hodowli i Biologii Zwierząt 1

U332 Uniwersytet Rolniczy im. Hugona Kołłątaja w Krakowie Wydział Ogrodniczy 1

U335 Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Wydział Technologii Żywności 1

U338 Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Wydział Nauk o Zwierzętach 1

U340 Uniwersytet Przyrodniczy w Poznaniu Wydział Technologii Drewna 1

U341 Uniwersytet Rolniczy im. Hugona Kołłątaja w Krakowie Wydział Technologii Żywności 1

U344 Uniwersytet Rolniczy im. Hugona Kołłątaja w Krakowie Wydział Hodowli i Biologii Zwierząt 1

U345 Uniwersytet Przyrodniczy w Lublinie Wydział Nauk o Żywności i Biotechnologii 1

U346 Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Wydział Rolnictwa i Biologii 1

U347 Uniwersytet Przyrodniczy w Poznaniu Wydział Leśny 1

U362 Uniwersytet Warszawski Interdyscyplinarne Centrum Modelowania Matematycznego

i Komputerowego 1

U368 Uniwersytet Kardynała Stefana Wyszyńskiego Wydział Matematyczno Przyrodniczy 1

U371 Politechnika Warszawska Wydział Matematyki i Nauk Informacyjnych 1

U372 Uniwersytet Pedagogiczny im. Komisji Edukacji Narodowej w Krakowie Wydział

Matematyczno Fizyczno Techniczny 1

U373 Uniwersytet Rzeszowski Wydział Matematyczno Przyrodniczy 1

U374 Instytut Informatyki Teoretycznej i Stosowanej PAN 1

U375 Uniwersytet Kazimierza Wielkiego Wydział Matematyki Fizyki i Techniki 1

U376 Akademia Górniczo Hutnicza im. Stanisława Staszica w Krakowie Wydział Matematyki

Stosowanej 1

U378 Uniwersytet w Białymstoku Wydział Matematyki i Informatyki 1

U379 Uniwersytet Warmińsko Mazurski w Olsztynie Wydział Matematyki i Informatyki 1

U382 Uniwersytet Zielonogórski w Zielonej Górze Wydział Matematyki Informatyki i

Ekonometrii 1

U385 Centrum Badań Kosmicznych PAN 1

U392 Instytut Fizyki Molekularnej PAN 1

U394 Centrum Astronomiczne im. Mikołaja Kopernika PAN 1

U398 Uniwersytet w Białymstoku Wydział Fizyki 1

U402 Uniwersytet Warszawski Środowiskowe Laboratorium Ciężkich Jonów 1

U403 Politechnika Poznańska Wydział Fizyki Technicznej 1

U404 Instytut Energii Atomowej 1

U405 Politechnika Rzeszowska Wydział Matematyki i Fizyki Stosowanej 1

U406 Politechnika Krakowska im. Tadeusza Kościuszki Wydział Fizyki Matematyki

i Informatyki Stosowanej 1

U407 Uniwersytet Szczeciński Wydział Matematyczno Fizyczny 1

U409 Uniwersytet Opolski Wydział Matematyki Fizyki i Informatyki 1

U410 Centrum Fizyki Teoretycznej PAN 1

U411 Uniwersytet Warszawski Środowiskowe Laboratorium Ciężkich Jonów 1

U412 Instytut Europy Środkowo Wschodniej w Lublinie 1

U419 Zakład Archeologii Śródziemnomorskiej PAN 1

U420 Instytut Zachodni Instytut Naukowo Badawczy im. Zygmunta Wojciechowskiego 1

U423 Państwowy Instytut Naukowy Instytut Śląski 1

U426 Zakład Krajów Pozaeuropejskich PAN 1

U431 Ośrodek Badań Naukowych im. Wojciecha Kętrzyńskiego 1

U444 Uniwersytet Śląski w Katowicach Wydział Teologiczny 1

U446 Uniwersytet Mikołaja Kopernika w Toruniu Wydział Teologiczny 1

U447 Wyższa Szkoła Filozoficzno Pedagogiczna Ignatianum w Krakowie Wydział Filozoficzny 1

U449 Uniwersytet Szczeciński Wydział Teologiczny 1

U450 Uniwersytet Warszawski Instytut Studiów Społecznych 1

U451 Politechnika Opolska Wydział Edukacji Technicznej i Informatycznej 1

U452 Instytut Psychologii PAN 1

U456 Instytut Badań Edukacyjnych 1

U461 Uniwersytet Warszawski Centrum Europejskie 1

289

Kod


U472 Politechnika Radomska im. Kazimierza Pułaskiego Wydział Nauczycielski 1

U493 Uniwersytet Ekonomiczny we Wrocławiu Wydział Inżynieryjno Ekonomiczny 1

U494 Uniwersytet Ekonomiczny w Poznaniu Wydział Informatyki i Gospodarki Elektronicznej 1

U495 Uniwersytet Ekonomiczny w Poznaniu Wydział Towaroznawstwa 1

U500 Instytut Badań Rynku Konsumpcji i Koniunktur 1

U503 Instytut Nauk Ekonomicznych PAN 1

U513 Instytut Rozwoju Wsi i Rolnictwa PAN 1

U514 Uniwersytet Ekonomiczny w Krakowie Wydział Towaroznawstwa 1

U522 Politechnika Radomska Wydział Ekonomiczny 1

U524 Instytut Organizacji i Zarządzania w Przemyśle ORGMASZ 1

U542 Politechnika Świętokrzyska w Kielcach Wydział Zarządzania i Modelowania Komputerowego 1

U547 Uniwersytet Opolski Wydział Ekonomiczny 1

U548 Politechnika Warszawska Kolegium Nauk Społecznych i Administracji 1

U562 Uniwersytet Opolski Wydział Prawa i Administracji 1

U566 Uniwersytet Szczeciński Wydział Prawa i Administracji 1

U570 Uniwersytet Medyczny im. Piastów Śląskich we Wrocławiu Wydział Lekarsko-Stomatologiczny 1

U574 Instytut Centrum Zdrowia Matki Polki 1

U575 Instytut Fizjologii i Patologii Słuchu 1

U576 Instytut Gruźlicy i Chorób Płuc 1

U577 Instytut Hematologii i Transfuzjologii 1

U578 Instytut Kardiologii 1

U579 Instytut Matki i Dziecka 1

U581 Instytut Medycyny Wsi im. Witolda Chodźki 1

U584 Instytut Reumatologii im. prof. dr hab. med. Eleonory Reicher 1

U603 Instytut Genetyki Człowieka PAN 1

U607 Instytut Biologii Medycznej PAN 1

U608 Narodowy Instytut Leków 1

U617 Pomorski Uniwersytet Medyczny w Szczecinie Wydział Lekarsko Biotechnologiczny

i Medycyny Laboratoryjnej 1

U619 Instytut Medycyny Pracy i Zdrowia Środowiskowego 1

U620 Instytut Żywności i Żywienia im. prof. dra med. Aleksandra Szczygła 1

U622 Uniwersytet Medyczny w Białymstoku Wydział Nauk o Zdrowiu 1

U625 Pomorski Uniwersytet Medyczny w Szczecinie Wydział Nauk o Zdrowiu 1

U626 Śląski Uniwersytet Medyczny w Katowicach Wydział Zdrowia Publicznego 1

U629 Instytut Sportu 1

U638 Akademia Wychowania Fizycznego we Wrocławiu Wydział Fizjoterapii 1

U642 Akademia Wychowania Fizycznego i Sportu im. Jędrzeja Śniadeckiego w Gdańsku

Wydział Turystyki i Rekreacji 1

U643 Akademia Wychowania Fizycznego im. Eugeniusza Piaseckiego w Poznaniu Wydział

Turystyki i Rekreacji 1

U646 Akademia Wychowania Fizycznego w Warszawie Wydział Rehabilitacji 1

U648 Wojskowy Instytut Medycyny Lotniczej 1

U649 Międzynarodowy Instytut Biologii Molekularnej i Komórkowej 1

U650 Uniwersytet Gdański Międzyuczelniany Wydział Biotechnologii AMG i UG 1

U652 Instytut Ochrony Przyrody PAN 1

U655 Uniwersytet Wrocławski Wydział Biotechnologii 1

U656 Instytut Paleobiologii im. Romana Kozłowskiego PAN 1

U657 Instytut Botaniki im. W. Szafera PAN 1

U659 Muzeum i Instytut Zoologii PAN 1

U661 Instytut Systematyki i Ewolucji Zwierząt PAN 1

U662 Instytut Parazytologii im. Witolda Stefańskiego PAN 1

U666 Uniwersytet Gdański Wydział Biologii 1

U668 Uniwersytet Warmińsko Mazurski w Olsztynie Wydział Biologii 1

U669 Centrum Badań Ekologicznych PAN 1

U679 Uniwersytet Kardynała Stefana Wyszyńskiego Wydział Matematyczno Przyrodniczy 1

U680 Zakład Badania Ssaków PAN 1

290

Kod


U682 Zakład Antropologii PAN 1

U683 Zakład Biologii Antarktyki PAN 1

U41 Uniwersytet Technologiczno-Humanistyczny im. Kazimierza Pułaskiego w Radomiu im.

Kazimierza Pułaskiego Wydział Materiałoznawstwa Technologii i Wzornictwa 2

U67 Politechnika Gdańska Wydział Mechaniczny 2

U70 Politechnika Koszalińska Wydział Mechaniczny 2

U77 Politechnika Warszawska Wydział Samochodów i Maszyn Roboczych 2

U78 Uniwersytet Technologiczno-Humanistyczny im. Kazimierza Pułaskiego w Radomiu

Wydział Mechaniczny 2

U79 Akademia Techniczno Humanistyczna w Bielsku Białej Wydział Budowy Maszyn

i Informatyki 2

U80 Politechnika Warszawska Wydział Inżynierii Produkcji 2

U126 Politechnika Warszawska Wydział Inżynierii Lądowej 2

U130 Politechnika Rzeszowska Wydział Budownictwa i Inżynierii Środowiska 2

U135 Uniwersytet Zielonogórski w Zielonej Górze Wydział Inżynierii Lądowej i Środowiska 2

U173 Wojskowa Akademia Techniczna Wydział Cybernetyki 2

U177 Uniwersytet Zielonogórski w Zielonej Górze Wydział Elektrotechniki Informatyki

i Telekomunikacji 2

U178 Politechnika Wrocławska Wydział Informatyki i Zarządzania 2

U179 Politechnika Białostocka Wydział Informatyki 2

U183 Politechnika Białostocka Wydział Elektryczny 2

U186 Zachodniopomorski Uniwersytet Technologiczny Wydział Informatyki 2

U222 Akademia Morska w Gdyni Wydział Nawigacyjny 2

U225 Politechnika Warszawska Wydział Geodezji i Kartografii 2

U228 Uniwersytet Technologiczno-Humanistyczny im. Kazimierza Pułaskiego w Radomiu

Wydział Transportu 2

U254 Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Wydział Inżynierii

i Kształtowania Środowiska 2

U267 Akademia Obrony Narodowej Wydział Bezpieczeństwa Narodowego 2

U269 Wyższa Szkoła Oficerska Wojsk Lądowych we Wrocławiu 2

U276 Uniwersytet Warszawski Wydział Orientalistyczny 2

U282 Uniwersytet Wrocławski Wydział Filologiczny 2

U283 Uniwersytet Kardynała Stefana Wyszyńskiego Wydział Nauk Humanistycznych 2

U284 Uniwersytet Jagielloński w Krakowie Wydział Filologiczny 2

U287 Uniwersytet Warszawski Wydział Neofilologii 2

U288 Uniwersytet Warszawski Wydział Lingwistyki Stosowanej 2

U289 Uniwersytet w Białymstoku Wydział Filologiczny 2

U290 Uniwersytet Marii Curie Skłodowskiej w Lublinie Wydział Humanistyczny 2

U291 Akademia Pomorska w Słupsku Wydział Filologiczno Historyczny 2

U292 Uniwersytet Jana Kochanowskiego w Kielcach Wydział Humanistyczny 2

U293 Uniwersytet Zielonogórski w Zielonej Górze Wydział Humanistyczny 2

U294 Akademia im. Jana Długosza w Częstochowie Wydział Filologiczno Historyczny 2

U295 Akademia Techniczno Humanistyczna w Bielsku Białej Wydział Humanistyczno-Społeczny 2


Humanistyczny 2

U297 Uniwersytet Śląski w Katowicach Wydział Etnologii i Nauk o Edukacji w Cieszynie 2

U298 Uniwersytet Gdański Wydział Filologiczny 2

U305 Uniwersytet Śląski w Katowicach Wydział Nauk o Ziemi 2

U306 Uniwersytet Warszawski Wydział Geologii 2

U348 Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Wydział Technologii Drewna 2

U349 Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Wydział Inżynierii Produkcji 2

U353 Uniwersytet Przyrodniczy w Poznaniu Wydział Ogrodniczy 2


Wydział Hodowli i Biologii Zwierząt 2

U421 Uniwersytet im. A. Mickiewicza w Poznaniu Wydział Historyczny 2

U422 Uniwersytet Jagielloński w Krakowie Wydział Historyczny 2

291

Kod


U425 Uniwersytet Mikołaja Kopernika w Toruniu Wydział Nauk Historycznych 2

U427 Uniwersytet Papieski Jana Pawła II Wydział Historii i Dziedzictwa Kulturowego 2

U428 Uniwersytet w Białymstoku Wydział Historyczno Socjologiczny 2

U429 Uniwersytet Rzeszowski Wydział Socjologiczno Historyczny 2

U430 Uniwersytet Kardynała Stefana Wyszyńskiego Wydział Nauk Historycznych i Społecznych 2

U432 Uniwersytet Jagielloński w Krakowie Wydział Filozoficzny 2

U433 Katolicki Uniwersytet Lubelski Wydział Filozofii 2

U434 Uniwersytet Mikołaja Kopernika w Toruniu Wydział Humanistyczny 2

U435 Uniwersytet Papieski Jana Pawła II Wydział Filozoficzny 2

U436 Uniwersytet Opolski Wydział Teologiczny 2

U437 Katolicki Uniwersytet Lubelski Wydział Teologii 2

U438 Uniwersytet Kardynała Stefana Wyszyńskiego Wydział Filozofii Chrześcijańskiej 2

U439 Uniwersytet Papieski Jana Pawła II Wydział Teologiczny 2

U440 Chrześcijańska Akademia Teologiczna 2

U441 Uniwersytet Kardynała Stefana Wyszyńskiego Wydział Teologiczny 2

U442 Uniwersytet Łódzki Wydział Filozoficzno Historyczny 2

U443 Uniwersytet im. A. Mickiewicza w Poznaniu Wydział Teologiczny 2

U445 Uniwersytet Warmińsko Mazurski w Olsztynie Wydział Teologii 2

U453 Instytut Filozofii i Socjologii PAN 2

U454 Instytut Studiów Politycznych PAN 2

U455 Uniwersytet Warszawski Wydział Psychologii 2

U457 Uniwersytet Warszawski Wydział Filozofii i Socjologii 2

U458 Uniwersytet im. A. Mickiewicza w Poznaniu Wydział Nauk Społecznych 2

U459 Katolicki Uniwersytet Lubelski Wydział Nauk Społecznych 2

U460 Uniwersytet Warszawski Instytut Ameryk i Europy 2

U462 Uniwersytet Warszawski Wydział Dziennikarstwa i Nauk Politycznych 2

U463 Uniwersytet Łódzki Wydział Studiów Międzynarodowych i Politologicznych 2

U464 Uniwersytet Śląski w Katowicach Wydział Pedagogiki i Psychologii 2

U465 Uniwersytet Jagielloński w Krakowie Wydział Studiów Międzynarodowych i Politycznych 2

U466 Akademia Górniczo Hutnicza im. Stanisława Staszica w Krakowie Wydział Humanistyczny 2

U467 Uniwersytet Śląski w Katowicach Wydział Nauk Społecznych 2

U469 Uniwersytet Warszawski Wydział Stosowanych Nauk Społecznych i Resocjalizacji 2

U470 Uniwersytet Kazimierza Wielkiego Wydział Humanistyczny 2

U471 Uniwersytet Opolski Wydział Historyczno Pedagogiczny 2

U474 Uniwersytet Szczeciński Wydział Humanistyczny 2

U477 Uniwersytet Wrocławski Wydział Nauk Społecznych 2

U478 Akademia Obrony Narodowej Wydział Zarządzania i Dowodzenia 2

U479 Uniwersytet Warmińsko Mazurski w Olsztynie Wydział Nauk Społecznych 2

U480 Uniwersytet Zielonogórski w Zielonej Górze Wydział Pedagogiki, Socjologii i Nauk

o Zdrowiu 2

U481 Akademia im. Jana Długosza w Częstochowie Wydział Pedagogiczny 2

U482 Akademia Pomorska w Słupsku Wydział Edukacyjno Filozoficzny 2

U483 Uniwersytet Marii Curie Skłodowskiej w Lublinie Wydział Politologii 2

U487 Wyższa Szkoła Filozoficzno Pedagogiczna Ignatianum w Krakowie Wydział Pedagogiczny 2

U492 Szkoła Główna Handlowa w Warszawie Kolegium Analiz Ekonomicznych 2

U501 Uniwersytet Warszawski Wydział Nauk Ekonomicznych 2

U502 Uniwersytet Szczeciński Wydział Zarządzania i Ekonomiki Usług 2

U506 Szkoła Główna Handlowa w Warszawie Kolegium Ekonomiczno Społeczne 2

U507 Uniwersytet Jagielloński w Krakowie Wydział Zarządzania i Komunikacji Społecznej 2

U509 Uniwersytet Ekonomiczny w Katowicach Wydział Ekonomii 2

U511 Szkoła Główna Handlowa w Warszawie Kolegium Gospodarki Światowej 2

U512 Uniwersytet Ekonomiczny we Wrocławiu Wydział Gospodarki Regionalnej i Turystyki

w Jeleniej Górze 2

U517 Uniwersytet Ekonomiczny w Poznaniu Wydział Zarządzania 2

U518 Politechnika Gdańska Wydział Zarządzania i Ekonomii 2

U520 Akademia Morska w Gdyni Wydział Przedsiębiorczości i Towaroznawstwa 2

292

Kod


U521 Uniwersytet Łódzki Wydział Zarządzania 2

U523 Uniwersytet Ekonomiczny w Poznaniu Wydział Gospodarki Międzynarodowej 2

U525 Uniwersytet Gdański Wydział Ekonomiczny 2

U526 Akademia Górniczo Hutnicza im. Stanisława Staszica w Krakowie Wydział Zarządzania 2

U527 Szkoła Główna Handlowa w Warszawie Kolegium Zarządzania i Finansów 2

U528 Uniwersytet Ekonomiczny w Krakowie Wydział Finansów 2

U529 Instytut Ekonomiki Rolnictwa i Gospodarki Żywnościowej Państwowy Instytut Badawczy 2

U531 Uniwersytet Warszawski Wydział Zarządzania 2

U532 Uniwersytet Mikołaja Kopernika w Toruniu Wydział Nauk Ekonomicznych i Zarządzania 2

U533 Uniwersytet Gdański Wydział Zarządzania 2

U534 Politechnika Rzeszowska Wydział Zarządzania i Marketingu 2

U535 Politechnika Łódzka Wydział Organizacji i Zarządzania 2

U536 Politechnika Lubelska Wydział Zarządzania 2

U537 Uniwersytet Zielonogórski w Zielonej Górze Wydział Ekonomii i Zarządzania 2

U538 Uniwersytet w Białymstoku Wydział Ekonomii i Zarządzania 2

U539 Politechnika Śląska w Gliwicach Wydział Organizacji i Zarządzania 2

U540 Politechnika Koszalińska Wydział Ekonomii i Zarządzania 2

U541 Uniwersytet Marii Curie Skłodowskiej w Lublinie Wydział Ekonomiczny 2

U544 Politechnika Częstochowska Wydział Zarządzania 2

U546 Politechnika Białostocka Wydział Zarządzania 2

U549 Akademia Techniczno Humanistyczna w Bielsku Białej Wydział Zarządzania i Transportu 2

U552 Instytut Nauk Prawnych PAN 2

U553 Uniwersytet Kardynała Stefana Wyszyńskiego Wydział Prawa Kanonicznego 2

U554 Uniwersytet im. A. Mickiewicza w Poznaniu Wydział Prawa i Administracji 2

U555 Uniwersytet Jagielloński w Krakowie Wydział Prawa i Administracji 2

U556 Uniwersytet Warszawski Wydział Prawa i Administracji 2

U557 Katolicki Uniwersytet Lubelski Wydział Prawa Prawa Kanonicznego i Administracji 2

U558 Uniwersytet w Białymstoku Wydział Prawa 2

U559 Uniwersytet Wrocławski Wydział Prawa Administracji i Ekonomii 2

U560 Uniwersytet Łódzki Wydział Prawa i Administracji 2

U561 Uniwersytet Mikołaja Kopernika w Toruniu Wydział Prawa i Administracji 2

U563 Uniwersytet Gdański Wydział Prawa i Administracji 2

U564 Uniwersytet Kardynała Stefana Wyszyńskiego Wydział Prawa i Administracji 2

U567 Uniwersytet Rzeszowski Wydział Prawa i Administracji 2

U621 Uniwersytet Medyczny w Lublinie Wydział Pielęgniarstwa i Nauk o Zdrowiu z Oddziałem

Zaocznym 2

U623 Uniwersytet Jagielloński Collegium Medicum Wydział Ochrony Zdrowia 2

U628 Uniwersytet Jana Kochanowskiego w Kielcach Wydział Nauk o Zdrowiu 2

U630 Uniwersytet Medyczny w Lublinie Wydział Pielęgniarstwa i Nauk o Zdrowiu z Oddziałem

Zaocznym 2

U631 Warszawski Uniwersytet Medyczny Wydział Nauki o Zdrowiu 2

U632 Akademia Wychowania Fizycznego im. Eugeniusza Piaseckiego w Poznaniu Wydział

Wychowania Fizycznego 2

U636 Uniwersytet Medyczny im. Piastów Śląskich we Wrocławiu Wydział Zdrowia

Publicznego 2

U639 Akademia Wychowania Fizycznego w Warszawie Wydział Wychowania Fizycznego 2

U641 Akademia Wychowania Fizycznego w Warszawie Zamiejscowy Wydział Wychowania

Fizycznego 2

U644 Politechnika Opolska Wydział Wychowania Fizycznego i Fizjoterapii 2

U673 Uniwersytet Opolski Wydział Przyrodniczo Techniczny 2

U674 Uniwersytet Szczeciński Wydział Nauk Przyrodniczych 2


Geograficzno Biologiczny 2

U676 Uniwersytet Kazimierza Wielkiego Wydział Nauk Przyrodniczych 2

U42 Ośrodek Badawczo Rozwojowy Urządzeń Mechanicznych OBRUM 3

U43 Centrum Mechanizacji Górnictwa KOMAG 3

293

Kod


U44 Instytut Technologii Eksploatacji Państwowy Instytut Badawczy 3

U52 Politechnika Łódzka Wydział Mechaniczny 3

U73 Politechnika Poznańska Wydział Inżynierii Zarządzania 3

U75 Politechnika Częstochowska Wydział Inżynierii Mechanicznej i Informatyki 3

U90 Instytut Chemicznej Przeróbki Węgla 3

U91 Instytut Metali Nieżelaznych 3

U92 Instytut Metalurgii Żelaza im. Stanisława Staszica 3

U93 Instytut Nowych Syntez Chemicznych 3

U94 Instytut Ciężkiej Syntezy Organicznej BLACHOWNIA 3

U95 Instytut Spawalnictwa 3

U96 Instytut Odlewnictwa 3

U97 Instytut Ceramiki i Materiałów Budowlanych 3

U98 Instytut Chemii i Techniki Jądrowej 3

U115 Instytut Techniki Budowlanej 3

U116 Instytut Badawczy Dróg i Mostów 3

U118 Politechnika Gdańska Wydział Inżynierii Lądowej i Środowiska 3

U119 Politechnika Łódzka Wydział Budownictwa Architektury i Inżynierii Środowiska 3

U120 Politechnika Wrocławska Wydział Budownictwa Lądowego i Wodnego 3

U121 Politechnika Krakowska im. Tadeusza Kościuszki Wydział inżynierii Lądowej 3

U125 Politechnika Śląska w Gliwicach Wydział Budownictwa 3

U147 Przemysłowy Instytut Automatyki i Pomiarów PIAP 3

U148 Wojskowy Instytut Łączności im. prof. Janusza Groszkowskiego 3

U149 Instytut Tele i Radiotechniczny 3

U150 Instytut Elektrotechniki 3

U152 Instytut Łączności Państwowy Instytut Badawczy 3

U162 Politechnika Gdańska Wydział Elektrotechniki i Automatyki 3

U192 Instytut Lotnictwa 3

U193 Politechnika Warszawska Wydział Mechaniczny Energetyki i Lotnictwa 3

U194 Państwowy Instytut Geologiczny 3

U195 Główny Instytut Górnictwa 3

U196 Politechnika Poznańska Wydział Maszyn Roboczych i Transportu 3

U198 Politechnika Śląska w Gliwicach Wydział Inżynierii Środowiska i Energetyki 3

U199 Akademia Górniczo Hutnicza im. Stanisława Staszica w Krakowie Wydział Górnictwa

i Geoinżynierii 3

U200 Instytut Pojazdów Szynowych TABOR 3

U201 Instytut Technik Innowacyjnych EMAG 3

U202 Politechnika Warszawska Wydział Transportu 3

U204 Instytut Gospodarki Surowcami Mineralnymi i Energią PAN 3

U207 Instytut Energetyki 3

U211 Instytut Nafty i Gazu 3

U213 Centrum Techniki Okrętowej Spółka Akcyjna Zakład Badawczo Rozwojowy 3

U214 Politechnika Śląska w Gliwicach Wydział Transportu 3

U217 Akademia Górniczo Hutnicza im. Stanisława Staszica w Krakowie Wydział Geodezji

Górniczej i Inżynierii Środowiska 3

U221 Uniwersytet Warmińsko Mazurski w Olsztynie Wydział Geodezji i Gospodarki Przestrzennej 3

U230 Morski Instytut Rybacki 3

U231 Instytut Sadownictwa i Kwiaciarstwa 3

U232 Instytut Morski 3

U233 Instytut Rybactwa Śródlądowego im. Stanisława Sakowicza 3

U234 Instytut Zootechniki Państwowy Instytut Badawczy 3

U235 Instytut Ochrony Środowiska 3

U237 Instytut Ekologii Terenów Uprzemysłowionych 3

U238 Instytut Ochrony Roślin Państwowy Instytut Badawczy 3

U242 Instytut Meteorologii i Gospodarki Wodnej 3

U244 Instytut Badawczy Leśnictwa 3

U247 Instytut Hodowli i Aklimatyzacji Roślin 3

294

Kod


U249 Instytut Uprawy Nawożenia i Gleboznawstwa Państwowy Instytut Badawczy 3

U258 Centralny Instytut Ochrony Pracy Państwowy Instytut Badawczy 3

U259 Wojskowy Instytut Techniczny Uzbrojenia 3

U260 Instytut Techniczny Wojsk Lotniczych 3

U261 Instytut Przemysłu Organicznego 3

U286 Uniwersytet Łódzki Wydział Filologiczny 3

U299 Akademia Górniczo Hutnicza im. Stanisława Staszica w Krakowie Wydział Geologii

Geofizyki i Ochrony Środowiska 3

U303 Instytut Geografii i Przestrzennego Zagospodarowania im. S. Leszczyckiego PAN 3

U307 Uniwersytet im. A. Mickiewicza w Poznaniu Wydział Nauk Geograficznych i Geologicznych 3

U326 Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Wydział Ogrodnictwa

i Architektury Krajobrazu 3

U350 Uniwersytet Rolniczy im. Hugona Kołłątaja w Krakowie Wydział Hodowli i Biologii Zwierząt 3

U416 Uniwersytet Wrocławski Wydział Nauk Historycznych i Pedagogicznych 3

U499 Uniwersytet Ekonomiczny we Wrocławiu Wydział Zarządzania Informatyki i Finansów 3

U504 Uniwersytet Ekonomiczny w Poznaniu Wydział Ekonomii 3

U505 Uniwersytet Ekonomiczny w Krakowie Wydział Ekonomii i Stosunków Międzynarodowych 3

U510 Uniwersytet Ekonomiczny we Wrocławiu Wydział Nauk Ekonomicznych 3

U516 Uniwersytet Łódzki Wydział Ekonomiczno Socjologiczny 3

U37 Politechnika Śląska w Gliwicach Wydział Inżynierii Materiałowej i Metalurgii 4

U49 Akademia Górniczo Hutnicza im. Stanisława Staszica w Krakowie Wydział Inżynierii

Mechanicznej i Robotyki 4


Wydział Inżynierii Mechanicznej 4

U57 Politechnika Wrocławska Wydział Mechaniczny 4

U60 Politechnika Wrocławska Wydział Mechaniczno Energetyczny 4

U61 Politechnika Śląska w Gliwicach Wydział Mechaniczny Technologiczny 4

U68 Politechnika Rzeszowska Wydział Budowy Maszyn i Lotnictwa 4

U85 Uniwersytet Warmińsko Mazurski w Olsztynie Wydział Nauk Technicznych 4

U87 Uniwersytet Zielonogórski w Zielonej Górze Wydział Mechaniczny 4

U128 Politechnika Poznańska Wydział Budownictwa i Inżynierii Środowiska 4

U136 Politechnika Białostocka Wydział Budownictwa i Inżynierii Środowiska 4

U138 Politechnika Koszalińska Wydział Budownictwa i Inżynierii Środowiska 4

U142 Zachodniopomorski Uniwersytet Technologiczny Wydział Budownictwa i Architektury 4


Wydział Budownictwa i Inżynierii Środowiska 4

U156 Wojskowa Akademia Techniczna Wydział Elektroniki 4

U164 Politechnika Wrocławska Wydział Elektryczny 4

U166 Akademia Górniczo Hutnicza im. Stanisława Staszica w Krakowie Wydział

Elektrotechniki Automatyki Informatyki i Elektroniki 4

U169 Politechnika Łódzka Wydział Elektrotechniki Elektroniki Informatyki i Automatyki 4

U175 Politechnika Lubelska Wydział Elektrotechniki i Informatyki 4

U180 Politechnika Poznańska Wydział Elektryczny 4

U182 Politechnika Warszawska Wydział Elektryczny 4

U184 Politechnika Rzeszowska Wydział Elektrotechniki i Informatyki 4

U205 Politechnika Śląska w Gliwicach Wydział Górnictwa i Geologii 4

U224 Ośrodek Badawczo Rozwojowy Centrum Techniki Morskiej S.A. 4

U246 Instytut Biotechnologii Przemysłu Rolno Spożywczego 4

U251 Politechnika Krakowska im. Tadeusza Kościuszki Wydział Inżynierii Środowiska 4

U252 Politechnika Warszawska Wydział Inżynierii Środowiska 4

U253 Uniwersytet Przyrodniczy we Wrocławiu Wydział Inżynierii Kształtowania Środowiska

i Geodezji 4

U339 Uniwersytet Rolniczy im. Hugona Kołłątaja w Krakowie Wydział Rolniczo Ekonomiczny 4

U343 Uniwersytet Rolniczy im. Hugona Kołłątaja w Krakowie Wydział Leśny 4


Wydział Rolniczy 4

295

Kod


U352 Uniwersytet Przyrodniczo-Humanistyczny w Siedlcach Wydział Przyrodniczy 4

U354 Uniwersytet Przyrodniczy w Lublinie Wydział Inżynierii Produkcji 4

U355 Uniwersytet Przyrodniczy we Wrocławiu Wydział Przyrodniczo Technologiczny 4

U356 Uniwersytet Przyrodniczy w Lublinie Wydział Biologii i Hodowli Zwierząt 4

U357 Uniwersytet Przyrodniczy w Poznaniu Wydział Rolnictwa i Bioinżynierii 4

U359 Uniwersytet Przyrodniczy w Lublinie Wydział Agrobioinżynierii 4

U360 Uniwersytet Przyrodniczy w Lublinie Wydział Ogrodniczy 4

U377 Uniwersytet Łódzki Wydział Matematyki i Informatyki 4

U475 Uniwersytet Łódzki Wydział Nauk o Wychowaniu 4

U484 Uniwersytet Kazimierza Wielkiego Wydział Pedagogiki i Psychologii 4

U488 Akademia Pedagogiki Specjalnej w Warszawie Wydział Stosowanych Nauk Społecznych 4

U489 Uniwersytet Marii Curie Skłodowskiej w Lublinie Wydział Pedagogiki i Psychologii 4

U508 Uniwersytet Szczeciński Wydział Nauk Ekonomicznych i Zarządzania 4

U515 Uniwersytet Ekonomiczny w Katowicach Wydział Zarządzania 4

U519 Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Wydział Nauk Ekonomicznych 4

U530 Uniwersytet Ekonomiczny w Krakowie Wydział Zarządzania 4

U545 Uniwersytet Warmińsko Mazurski w Olsztynie Wydział Nauk Ekonomicznych 4

U565 Uniwersytet Warmińsko Mazurski w Olsztynie Wydział Prawa i Administracji 4

U568 Uniwersytet Medyczny im. Piastów Śląskich we Wrocławiu Wydział Lekarski 4

U569 Uniwersytet Medyczny im. Piastów Śląskich we Wrocławiu Wydział Lekarski Kształcenia

Podyplomowego 4

U571 Centrum Medyczne Kształcenia Podyplomowego 4

U573 Gdański Uniwersytet Medyczny Wydział Lekarski z Oddziałem Stomatologicznym 4

U586 Pomorski Uniwersytet Medyczny w Szczecinie Wydział Lekarsko Biotechnologiczny

i Medycyny Laboratoryjnej 4

U587 Śląski Uniwersytet Medyczny w Katowicach Wydział Lekarski w Katowicach 4

U588 Śląski Uniwersytet Medyczny w Katowicach Wydział Farmaceutyczny i Oddział

Medycyny Laboratoryjnej w Sosnowcu 4

U589 Uniwersytet Jagielloński Collegium Medicum Wydział Lekarski 4

U590 Uniwersytet Medyczny im. Karola Marcinkowskiego w Poznaniu Wydział Lekarski I 4

U591 Uniwersytet Medyczny im. Karola Marcinkowskiego w Poznaniu Wydział Lekarski II 4

U592 Uniwersytet Medyczny w Białymstoku Wydział Lekarski z Oddziałem Stomatologii

i Oddziałem Nauczania w Języku Angielskim 4

U593 Uniwersytet Medyczny w Lublinie l Wydział Lekarski z Oddziałem Stomatologicznym 4

U594 Uniwersytet Medyczny w Lublinie II Wydział Lekarski z Oddziałem Anglojęzycznym 4

U595 Uniwersytet Medyczny w Łodzi Wydział Lekarski 4

U596 Uniwersytet Medyczny w Łodzi Wydział Wojskowo Lekarski 4

U597 Uniwersytet Mikołaja Kopernika w Toruniu Collegium Medicum im. Ludwika Rydygiera

w Bydgoszczy Wydział Lekarski 4

U598 Warszawski Uniwersytet Medyczny Wydział Lekarski z Oddziałem Stomatologicznym 4

U599 Warszawski Uniwersytet Medyczny Wydział Lekarski z Oddziałem Nauczania w Języku

Angielskim oraz Oddziałem Fizjoterapii 4

U600 Wojskowy Instytut Medyczny 4

U615 Warszawski Uniwersytet Medyczny Wydział Farmaceutyczny 4

U616 Uniwersytet Mikołaja Kopernika w Toruniu w Toruniu Collegium Medicum im. Ludwika

Rydygiera w Bydgoszczy Wydział Farmaceutyczny 4

U618 Śląski Uniwersytet Medyczny w Katowicach Wydział Farmaceutyczny i Oddział

Medycyny Laboratoryjnej w Sosnowcu 4

U624 Uniwersytet Medyczny w Łodzi Wydział Nauk o Zdrowiu 4

U627 Narodowy Instytut Zdrowia Publicznego Państwowy Zakład Higieny 4

U633 Śląski Uniwersytet Medyczny w Katowicach Wydział Opieki Zdrowotnej 4

U634 Uniwersytet Medyczny im. Karola Marcinkowskiego w Poznaniu Wydział Nauk o Zdrowiu 4

U635 Uniwersytet Mikołaja Kopernika w Toruniu w Toruniu Collegium Medicum im. Ludwika

Rydygiera w Bydgoszczy Wydział Nauk o Zdrowiu 4

U637 Akademia Wychowania Fizycznego w Katowicach Wydział Wychowania Fizycznego 4

U640 Akademia Wychowania Fizycznego we Wrocławiu Wydział Wychowania Fizycznego 4

296

Kod


U672 Uniwersytet Marii Curie Skłodowskiej w Lublinie Wydział Biologii i Nauk o Ziemi 4

U677 Katolicki Uniwersytet Lubelski Wydział Matematyczno Przyrodniczy 4

U4 Politechnika Warszawska Wydział Chemiczny 5

U6 Politechnika Wrocławska Wydział Chemiczny 5

U8 Uniwersytet Mikołaja Kopernika w Toruniu Wydział Chemii 5

U9 Politechnika Łódzka Wydział Chemiczny 5

U11 Zachodniopomorski Uniwersytet Technologiczny Wydział Technologii i Inżynierii Chemicznej 5

U12 Instytut Chemii Organicznej PAN 5

U16 Politechnika Poznańska Wydział Technologii Chemicznej 5


Materiałowej i Ceramiki 5

U20 Politechnika Śląska w Gliwicach Wydział Chemiczny 5

U21 Uniwersytet Wrocławski Wydział Chemii 5

U22 Centrum Badań Molekularnych i Makromolekularnych PAN 5

U23 Uniwersytet Gdański Wydział Chemii 5

U25 Uniwersytet Jagielloński w Krakowie Wydział Chemii 5

U29 Uniwersytet Marii Curie Skłodowskiej w Lublinie Wydział Chemii 5

U30 Uniwersytet Łódzki Wydział Chemii 5

U32 Politechnika Łódzka Wydział Technologii Materiałowych i Wzornictwa Tekstyliów 5

U36 Akademia im. Jana Długosza w Częstochowie Wydział Matematyczno Przyrodniczy 5

U39 Politechnika Częstochowska Wydział Inżynierii Procesowej Materiałowej i Fizyki Stosowanej 5

U51 Instytut Podstawowych Problemów Techniki PAN 5

U64 Politechnika Lubelska Wydział Mechaniczny 5

U69 Politechnika Białostocka Wydział Mechaniczny 5

U99 Instytut Chemii Przemysłowej im. prof. Ignacego Mościckiego 5

U106 Instytut Farmaceutyczny 5

U151 Instytut Technologii Elektronowej 5

U153 Politechnika Wrocławska Wydział Elektroniki Mikrosystemów i Fotoniki 5

U155 Instytut Badań Systemowych PAN 5

U158 Politechnika Gdańska Wydział Elektroniki Telekomunikacji i Informatyki 5

U163 Politechnika Wrocławska Wydział Elektroniki 5

U165 Instytut Biocybernetyki i Inżynierii Biomedycznej PAN 5

U171 Politechnika Śląska w Gliwicach Wydział Automatyki Elektroniki i Informatyki 5

U172 Politechnika Opolska Wydział Elektrotechniki Automatyki i Informatyki 5

U181 Politechnika Śląska w Gliwicach Wydział Elektryczny 5

U197 Akademia Górniczo Hutnicza im. Stanisława Staszica w Krakowie Wydział Wiertnictwa

Nafty i Gazu 5

U220 Wojskowa Akademia Techniczna Wydział Inżynierii Lądowej i Geodezji 5

U236 Politechnika Łódzka Wydział Inżynierii Procesowej i Ochrony Środowiska 5

U271 Instytut Slawistyki PAN 5

U272 Instytut Badań Literackich PAN 5

U273 Instytut Języka Polskiego PAN 5

U274 Uniwersytet Warszawski Wydział Polonistyki 5

U275 Uniwersytet im. A. Mickiewicza w Poznaniu Wydział Filologii Polskiej i Klasycznej 5

U277 Katolicki Uniwersytet Lubelski Wydział Nauk Humanistycznych 5

U278 Uniwersytet Mikołaja Kopernika w Toruniu Wydział Filologiczny 5

U279 Uniwersytet im. A. Mickiewicza w Poznaniu Wydział Neofilologii 5

U280 Uniwersytet Śląski w Katowicach Wydział Filologiczny 5

U281 Uniwersytet Opolski Wydział Filologiczny 5

U285 Uniwersytet Warmińsko Mazurski w Olsztynie Wydział Humanistyczny 5

U304 Uniwersytet Jana Kochanowskiego w Kielcach Wydział Matematyczno Przyrodniczy 5

U312 Instytut Rozrodu Zwierząt i Badań Żywności PAN 5

U315 Uniwersytet Przyrodniczy we Wrocławiu Wydział Nauk o Żywności 5

U318 Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Wydział Medycyny Weterynaryjnej 5

U321 Politechnika Łódzka Wydział Biotechnologii i Nauk o Żywności 5

U324 Uniwersytet Warmińsko Mazurski w Olsztynie Wydział Medycyny Weterynaryjnej 5

297

Kod


U329 Uniwersytet Przyrodniczy we Wrocławiu Wydział Medycyny Weterynaryjnej 5

U336 Uniwersytet Przyrodniczy w Poznaniu Wydział Nauk o Żywności i Żywieniu 5

U342 Uniwersytet Przyrodniczy w Lublinie Wydział Medycyny Weterynaryjnej 5

U364 Uniwersytet Marii Curie Skłodowskiej w Lublinie Wydział Matematyki Fizyki i Informatyki 5

U365 Uniwersytet Jagielloński w Krakowie Wydział Matematyki i Informatyki 5

U366 Uniwersytet im. A. Mickiewicza w Poznaniu Wydział Matematyki i Informatyki 5

U367 Instytut Podstaw Informatyki PAN 5

U369 Akademia im. Jana Długosza w Częstochowie Wydział Matematyczno Przyrodniczy 5

U370 Uniwersytet Mikołaja Kopernika w Toruniu Wydział Matematyki i Informatyki 5

U381 Uniwersytet Wrocławski Wydział Matematyki i Informatyki 5

U383 Instytut Wysokich Ciśnień PAN 5

U386 Politechnika Warszawska Wydział Fizyki 5

U388 Uniwersytet Mikołaja Kopernika w Toruniu Wydział Fizyki Astronomii i Informatyki

Stosowanej 5

U390 Instytut Niskich Temperatur i Badań Strukturalnych im. Włodzimierza Trzebiatowskiego PAN 5

U391 Akademia Górniczo Hutnicza im. Stanisława Staszica w Krakowie Wydział Fizyki i

Informatyki Stosowanej 5

U395 Uniwersytet Jagielloński w Krakowie Wydział Fizyki Astronomii i Informatyki Stosowanej 5

U396 Uniwersytet Łódzki Wydział Fizyki i Informatyki Stosowanej 5

U397 Uniwersytet im. A. Mickiewicza w Poznaniu Wydział Fizyki 5

U399 Uniwersytet Gdański Wydział Matematyki Fizyki i Informatyki 5

U400 Politechnika Wrocławska Wydział Podstawowych Problemów Techniki 5

U401 Politechnika Gdańska Wydział Fizyki Technicznej i Matematyki Stosowanej 5

U408 Uniwersytet Śląski w Katowicach Wydział Informatyki i Nauki o Materiałach 5

U413 Uniwersytet Warszawski Wydział Historyczny 5

U414 Instytut Historii Nauki PAN 5

U415 Instytut Archeologii i Etnologii PAN 5

U417 Instytut Sztuki PAN 5

U418 Instytut Historii im. Tadeusza Manteuffla PAN 5

U424 Uniwersytet Gdański Wydział Historyczny 5

U468 Uniwersytet Warszawski Wydział Pedagogiczny 5

U497 Szkoła Główna Handlowa w Warszawie Kolegium Nauk o Przedsiębiorstwie 5

U498 Uniwersytet Ekonomiczny w Katowicach Wydział Finansów i Ubezpieczeń 5

U550 Uniwersytet Śląski w Katowicach Wydział Prawa i Administracji 5

U551 Uniwersytet Marii Curie Skłodowskiej w Lublinie Wydział Prawa i Administracji 5

U580 Instytut Medycyny Doświadczalnej i Klinicznej PAN 5

U582 Instytut Pomnik Centrum Zdrowia Dziecka 5

U583 Instytut Psychiatrii i Neurologii 5

U585 Pomorski Uniwersytet Medyczny w Szczecinie Wydział Lekarski 5

U601 Instytut Immunologii i Terapii Doświadczalnej PAN 5

U602 Instytut Farmakologii PAN 5

U605 Gdański Uniwersytet Medyczny Wydział Farmaceutyczny z Oddziałem Medycyny

Laboratoryjnej 5

U606 Uniwersytet Medyczny w Białymstoku Wydział Farmaceutyczny z Oddziałem Medycyny

Laboratoryjnej 5

U609 Uniwersytet Medyczny w Lublinie Wydział Farmaceutyczny z Oddziałem Analityki

Medycznej 5

U610 Uniwersytet Jagielloński Collegium Medicum Wydział Farmaceutyczny 5

U611 Uniwersytet Medyczny im. Piastów Śląskich we Wrocławiu Wydział Farmaceutyczny

z Oddziałem Analityki Medycznej 5

U612 Uniwersytet Medyczny w Łodzi Wydział Farmaceutyczny 5

U613 Instytut Biotechnologii i Antybiotyków 5

U614 Uniwersytet Medyczny im. Karola Marcinkowskiego w Poznaniu Wydział Farmaceutyczny 5

U658 Uniwersytet Jagielloński w Krakowie Wydział Biochemii Biofizyki i Biotechnologii 5

U663 Uniwersytet Jagielloński w Krakowie Wydział Biologii i Nauk o Ziemi 5

U664 Uniwersytet im. A. Mickiewicza w Poznaniu Wydział Biologii 5

298

Kod


U667 Uniwersytet w Białymstoku Wydział Biologiczno Chemiczny 5

U670 Uniwersytet Śląski w Katowicach Wydział Biologii i Ochrony Środowiska 5

U671 Uniwersytet Mikołaja Kopernika w Toruniu Wydział Biologii i Nauk o Ziemi 5

U681 Uniwersytet Wrocławski Wydział Nauk Biologicznych 5

U1 Politechnika Warszawska Wydział Inżynierii Materiałowej 6

U2 Instytut Katalizy i Fizykochemii Powierzchni PAN 6

U3 Instytut Chemii Fizycznej PAN 6

U5 Instytut Metalurgii i Inżynierii Materiałowej im. Aleksandra Krupkowskiego PAN 6

U13 Uniwersytet im. A. Mickiewicza w Poznaniu Wydział Chemii 6

U14 Politechnika Gdańska Wydział Chemiczny 6

U17 Uniwersytet Warszawski Wydział Chemii 6

U24 Uniwersytet Śląski w Katowicach Wydział Matematyki Fizyki i Chemii 6


Metali i Informatyki Przemysłowej 6

U31 Akademia Górniczo Hutnicza im. Stanisława Staszica w Krakowie Wydział Metali

Nieżelaznych 6

U50 Politechnika Warszawska Wydział Mechatroniki 6

U53 Instytut Maszyn Przepływowych im. Roberta Szewalskiego PAN 6

U54 Zachodniopomorski Uniwersytet Technologiczny Wydział Inżynierii Mechanicznej

i Mechatroniki 6

U55 Politechnika Poznańska Wydział Budowy Maszyn i Zarządzania 6

U62 Wojskowa Akademia Techniczna Wydział Mechaniczny 6

U74 Politechnika Krakowska im. Tadeusza Kościuszki Wydział Mechaniczny 6

U103 Instytut Włókiennictwa 6

U105 Instytut Biopolimerów i Włókien Chemicznych 6

U122 Politechnika Warszawska Wydział Architektury 6

U123 Politechnika Krakowska im. Tadeusza Kościuszki Wydział Architektury 6

U131 Politechnika Poznańska Wydział Architektury 6

U134 Politechnika Świętokrzyska w Kielcach Wydział Budownictwa i Inżynierii Środowiska 6

U137 Politechnika Gdańska Wydział Architektury 6

U140 Politechnika Wrocławska Wydział Architektury 6

U141 Politechnika Śląska w Gliwicach Wydział Architektury 6

U143 Politechnika Białostocka Wydział Architektury 6

U157 Politechnika Warszawska Wydział Elektroniki i Technik Informacyjnych 6

U160 Politechnika Poznańska Wydział Informatyki 6

U187 Przemysłowy Instytut Telekomunikacji 6

U241 Państwowy Instytut Weterynaryjny Państwowy Instytut Badawczy 6

U243 Instytut Agrofizyki im. Bohdana Dobrzańskiego PAN 6

U300 Instytut Oceanologii PAN 6

U301 Instytut Geofizyki PAN 6

U302 Instytut Nauk Geologicznych PAN 6

U308 Uniwersytet Warszawski Wydział Geografii i Studiów Regionalnych 6

U309 Uniwersytet Łódzki Wydział Nauk Geograficznych 6

U310 Uniwersytet Gdański Wydział Oceanografii i Geografii 6

U333 Uniwersytet Warmińsko Mazurski w Olsztynie Wydział Kształtowania Środowiska

i Rolnictwa 6

U334 Uniwersytet Warmińsko Mazurski w Olsztynie Wydział Nauki o Żywności 6

U337 Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Wydział Nauk o Żywieniu

Człowieka i Konsumpcji 6

U361 Zachodniopomorski Uniwersytet Technologiczny Wydział Nauk o Żywności i Rybactwa 6

U363 Instytut Matematyczny PAN 6

U384 Instytut Fizyki Plazmy i Laserowej Mikrosyntezy im. Sylwestra Kaliskiego 6

U387 Instytut Fizyki PAN 6

U389 Instytut Fizyki Jądrowej im. H. Niewodniczańskiego PAN 6

U393 Narodowe Centrum Badań Jądrowych im. Andrzeja Sołtana 6

U448 Uniwersytet Marii Curie Skłodowskiej w Lublinie Wydział Filozofii i Socjologii 6

299

Kod


U473 Uniwersytet Gdański Wydział Nauk Społecznych 6

U476 Uniwersytet im. A. Mickiewicza w Poznaniu Wydział Studiów Edukacyjnych 6

U485 Akademia Pedagogiki Specjalnej w Warszawie Wydział Nauk Pedagogicznych 6

U486 Uniwersytet w Białymstoku Wydział Pedagogiki i Psychologii 6


Pedagogiczny 6

U491 Uniwersytet Jana Kochanowskiego w Kielcach Wydział Pedagogiczny i Artystyczny 6

U496 Instytut Pracy i Spraw Socjalnych 6

U543 Politechnika Opolska Wydział Zarządzania i Inżynierii Produkcji 6

U572 Centrum Onkologii Instytut im. Marii Skłodowskiej Curie 6

U604 Instytut Medycyny Pracy im. J. Nofera 6

U645 Akademia Wychowania Fizycznego im. Eugeniusza Piaseckiego w Poznaniu Zamiejscowy

Wydział Kultury Fizycznej 6

U647 Akademia Wychowania Fizycznego i Sportu im. Jędrzeja Śniadeckiego w Gdańsku

Wydział Wychowania Fizycznego 6

U651 Instytut Biochemii i Biofizyki PAN 6

U653 Instytut Biologii Doświadczalnej im. M. Nenckiego PAN 6

U654 Instytut Chemii Bioorganicznej PAN 6

U660 Uniwersytet Warszawski Wydział Biologii 6

U665 Uniwersytet Łódzki Wydział Biologii i Ochrony Środowiska 6

U678 Akademia Pomorska w Słupsku Wydział Matematyczno Przyrodniczy 6


300

Załącznik 10. Wyniki oceny jednostek naukowych metodą DEA

10.A. Grupa J1

DMU CRS-O VRS-O MPSS SE-VRS-O Ranking

SE-VRS-O SE-VRS-O*

Ranking

SE-VRS-O*

U542 89,78 100,00 0,90 1000,00 1 821,69 1

U625 86,35 92,79 0,93 561,39 5 821,31 2

U461 100,00 100,00 1,00 1000,00 1 820,60 3

U145 59,23 64,22 0,92 1000,00 1 814,16 4

U83 32,91 38,69 0,85 1000,00 1 808,88 5

U494 100,00 100,00 1,00 478,59 8 806,46 6

U89 100,00 100,00 1,00 583,36 3 803,76 7

U450 100,00 100,00 1,00 486,67 6 779,29 8

U263 100,00 100,00 1,00 716,40 2 759,10 9

U72 66,52 100,00 0,67 1000,00 1 755,98 10

U412 88,94 100,00 0,89 1000,00 1 748,75 11

U191 100,00 100,00 1,00 565,72 4 653,60 12

U101 100,00 100,00 1,00 483,58 7 482,14 13

U447 100,00 100,00 1,00 385,28 9 131,68 14

U548 79,26 80,80 0,98 147,42 53 131,65 15

U522 99,62 100,00 1,00 144,74 61 131,65 16

U446 89,45 100,00 0,89 245,13 14 131,61 17

U562 86,68 100,00 0,87 129,13 86 131,60 18

U449 76,27 100,00 0,76 124,31 91 131,60 19

U570 82,16 95,93 0,86 131,11 82 131,58 20

U472 78,28 100,00 0,78 111,15 117 131,57 21

U444 87,98 100,00 0,88 118,74 100 131,55 22

U405 86,68 88,00 0,99 124,21 92 131,55 23

U642 94,47 99,60 0,95 110,10 121 131,55 24

U547 88,64 100,00 0,89 119,37 98 131,49 25

U626 80,23 81,58 0,98 88,44 172 131,48 26

U379 62,20 71,26 0,87 94,55 159 131,47 27

U643 81,19 85,29 0,95 86,57 182 131,46 28

U82 90,72 100,00 0,91 180,37 29 131,43 29

U227 82,29 85,09 0,97 88,24 174 131,43 30

U382 84,20 89,03 0,95 181,59 28 131,42 31

U566 100,00 100,00 1,00 251,16 13 131,42 32

U190 56,15 61,23 0,92 73,61 193 131,40 33

U406 83,04 94,21 0,88 137,57 69 131,40 34

U268 82,78 100,00 0,83 130,50 84 131,39 35

U622 79,66 91,18 0,87 117,59 105 131,33 36

U113 60,51 60,59 1,00 90,68 169 131,32 37

U376 85,34 92,13 0,93 103,55 134 131,31 38

U368 83,59 89,26 0,94 132,31 80 131,30 39

U679 26,97 27,00 1,00 39,50 203 131,30 40

U139 100,00 100,00 1,00 169,02 35 131,26 41

U375 84,45 91,27 0,93 102,55 137 131,25 42

U451 100,00 100,00 1,00 156,57 43 131,24 43

U407 86,36 87,28 0,99 107,12 124 131,19 44

U514 97,50 100,00 0,98 154,22 48 131,19 45

U170 79,75 81,51 0,98 86,92 179 131,19 46

U638 77,82 94,41 0,82 99,90 146 131,19 47

U378 83,24 88,45 0,94 96,15 153 131,16 48

U398 87,33 88,20 0,99 139,45 62 131,16 49

U76 93,08 94,45 0,99 116,45 107 131,09 50

U107 96,07 98,17 0,98 167,05 36 131,04 51

301


SE-VRS-O SE-VRS-O*

Ranking

SE-VRS-O*

U84 97,02 100,00 0,97 105,46 128 131,02 52

U133 81,56 91,20 0,89 129,34 85 130,98 53

U646 82,24 100,00 0,82 134,81 75 130,97 54

U362 100,00 100,00 1,00 193,20 24 130,96 55

U215 100,00 100,00 1,00 242,62 16 130,93 56

U159 97,23 97,72 0,99 156,26 44 130,92 57

U248 100,00 100,00 1,00 146,85 57 130,90 58

U185 95,77 100,00 0,96 147,05 54 130,87 59

U255 82,57 97,51 0,85 118,09 103 130,83 60

U266 96,38 100,00 0,96 139,35 63 130,82 61

U88 34,51 34,89 0,99 44,42 202 130,81 62

U345 93,13 96,60 0,96 114,10 110 130,80 63

U264 100,00 100,00 1,00 211,71 22 130,79 64

U270 52,83 100,00 0,53 108,35 122 130,79 65

U65 82,38 100,00 0,82 172,70 32 130,79 66

U426 98,82 100,00 0,99 104,94 129 130,68 67

U226 98,82 100,00 0,99 133,43 79 130,64 68

U100 100,00 100,00 1,00 193,99 23 130,64 69

U132 100,00 100,00 1,00 122,35 94 130,59 70

U81 49,07 61,60 0,80 73,29 194 130,58 71

U330 100,00 100,00 1,00 137,77 67 130,58 72

U323 91,71 99,83 0,92 106,41 126 130,53 73

U40 94,15 100,00 0,94 137,44 70 130,52 74

U373 78,20 100,00 0,78 126,34 89 130,50 75

U245 81,84 100,00 0,82 145,89 60 130,48 76

U372 85,63 100,00 0,86 114,61 109 130,48 77

U45 100,00 100,00 1,00 222,23 18 130,43 78

U189 56,15 61,23 0,92 62,28 199 130,42 79

U668 81,57 100,00 0,82 133,60 78 130,42 80

U617 100,00 100,00 1,00 138,24 65 130,37 81

U27 94,62 100,00 0,95 147,04 55 130,37 82

U167 90,51 100,00 0,91 215,73 20 130,35 83

U38 77,77 100,00 0,78 119,73 97 130,33 84

U174 96,83 99,24 0,98 101,72 140 130,30 85

U188 73,38 87,36 0,84 90,76 168 130,30 86

U371 71,63 100,00 0,72 115,79 108 130,28 87

U210 97,97 100,00 0,98 157,01 42 130,28 88

U495 94,87 100,00 0,95 103,74 133 130,20 89

U402 95,84 98,45 0,97 98,45 150 130,19 90

U411 95,84 98,45 0,97 98,45 151 130,19 91

U114 41,57 52,11 0,80 52,11 201 130,14 92

U403 79,94 81,91 0,98 116,58 106 130,14 93

U28 89,87 96,03 0,94 124,78 90 130,14 94

U265 79,97 100,00 0,80 137,64 68 130,04 95

U683 90,73 95,68 0,95 95,89 154 130,01 96

U66 61,37 68,42 0,90 92,26 165 129,95 97

U218 100,00 100,00 1,00 238,23 17 129,93 98

U124 81,91 100,00 0,82 146,57 59 129,91 99

U209 58,46 75,69 0,77 78,60 190 129,89 100

U682 91,98 100,00 0,92 118,43 102 129,77 101

U144 79,07 80,65 0,98 80,90 188 129,76 102

U347 84,13 92,41 0,91 95,11 157 129,74 103

U112 92,74 98,98 0,94 100,35 145 129,74 104

U176 93,33 96,44 0,97 98,25 152 129,74 105

U431 100,00 100,00 1,00 151,66 50 129,69 106

U257 100,00 100,00 1,00 340,03 12 129,65 107

302


SE-VRS-O SE-VRS-O*

Ranking

SE-VRS-O*

U127 80,49 97,83 0,82 99,06 147 129,63 108

U335 93,03 99,34 0,94 103,13 136 129,63 109

U63 100,00 100,00 1,00 177,81 30 129,61 110

U250 90,64 100,00 0,91 139,06 64 129,60 111

U129 100,00 100,00 1,00 124,17 93 129,59 112

U206 100,00 100,00 1,00 148,13 51 129,57 113

U340 80,40 89,66 0,90 93,64 162 129,48 114

U34 87,32 100,00 0,87 104,29 132 129,42 115

U341 99,23 100,00 0,99 110,74 119 129,41 116

U423 90,37 96,42 0,94 102,16 139 129,36 117

U216 65,26 70,91 0,92 75,29 191 129,36 118

U456 100,00 100,00 1,00 118,63 101 129,34 119

U219 31,01 64,20 0,48 67,65 196 129,29 120

U409 80,62 82,98 0,97 86,66 181 129,29 121

U650 100,00 100,00 1,00 113,32 112 129,22 122

U493 91,05 100,00 0,91 112,81 113 129,18 123

U419 100,00 100,00 1,00 353,61 11 129,01 124

U108 100,00 100,00 1,00 380,73 10 128,98 125

U208 100,00 100,00 1,00 159,92 40 128,95 126

U319 91,20 100,00 0,91 155,87 46 128,89 127

U110 78,03 78,59 0,99 78,97 189 128,66 128

U168 89,81 100,00 0,90 130,57 83 128,65 129

U655 100,00 100,00 1,00 173,69 31 128,61 130

U328 96,15 100,00 0,96 111,95 114 128,56 131

U332 100,00 100,00 1,00 133,67 77 128,55 132

U35 100,00 100,00 1,00 187,11 26 128,53 133

U229 34,15 58,77 0,58 64,38 197 128,45 134

U327 77,77 100,00 0,78 113,46 111 128,44 135

U338 84,66 100,00 0,85 146,81 58 128,37 136

U15 92,14 94,75 0,97 107,13 123 128,29 137

U86 30,21 30,39 0,99 37,54 204 128,24 138

U223 100,00 100,00 1,00 137,31 71 128,20 139

U48 100,00 100,00 1,00 138,19 66 128,20 140

U256 55,17 55,97 0,99 55,97 200 128,13 141

U102 90,55 93,08 0,97 93,08 163 128,04 142

U71 47,91 62,64 0,76 62,64 198 128,03 143

U374 100,00 100,00 1,00 134,85 74 127,97 144

U410 99,55 100,00 1,00 100,44 143 127,92 145

U648 83,08 100,00 0,83 101,15 142 127,86 146

U322 77,75 100,00 0,78 103,26 135 127,72 147

U109 100,00 100,00 1,00 186,96 27 127,67 148

U58 100,00 100,00 1,00 131,14 81 127,59 149

U346 84,11 98,97 0,85 98,97 148 127,57 150

U344 84,03 94,58 0,89 94,76 158 127,52 151

U503 100,00 100,00 1,00 146,99 56 127,43 152

U452 97,36 100,00 0,97 104,68 130 127,37 153

U314 100,00 100,00 1,00 221,42 19 127,32 154

U331 77,66 99,04 0,78 102,37 138 127,30 155

U680 100,00 100,00 1,00 165,54 37 127,15 156

U500 100,00 100,00 1,00 172,38 33 126,69 157

U203 100,00 100,00 1,00 117,70 104 126,54 158

U240 84,50 100,00 0,85 100,42 144 126,51 159

U19 90,48 100,00 0,90 110,38 120 126,49 160

U161 71,28 72,90 0,98 72,90 195 126,19 161

U420 100,00 100,00 1,00 106,50 125 126,14 162

U513 100,00 100,00 1,00 104,30 131 126,00 163

303


SE-VRS-O SE-VRS-O*

Ranking

SE-VRS-O*

U666 73,33 100,00 0,73 160,57 39 125,97 164

U629 73,63 73,74 1,00 73,74 192 125,85 165

U47 100,00 100,00 1,00 156,16 45 125,84 166

U111 59,41 100,00 0,59 128,74 87 125,21 167

U104 100,00 100,00 1,00 155,73 47 125,09 168

U662 100,00 100,00 1,00 160,76 38 124,95 169

U325 100,00 100,00 1,00 119,31 99 124,87 170

U619 85,25 85,37 1,00 85,37 185 124,86 171

U212 87,03 88,48 0,98 88,48 171 124,82 172

U669 86,12 86,17 1,00 86,17 183 124,62 173

U581 89,00 89,27 1,00 91,01 167 124,61 174

U607 85,60 85,89 1,00 86,88 180 124,57 175

U316 86,10 86,16 1,00 86,16 184 124,16 176

U620 88,15 100,00 0,88 121,46 96 124,07 177

U262 52,78 90,42 0,58 90,42 170 123,84 178

U117 85,95 87,22 0,99 87,22 176 123,83 179

U656 100,00 100,00 1,00 191,76 25 123,59 180

U652 90,84 95,11 0,96 95,21 156 123,41 181

U661 100,00 100,00 1,00 243,77 15 123,07 182

U10 100,00 100,00 1,00 158,48 41 122,96 183

U649 100,00 100,00 1,00 111,51 115 122,87 184

U584 87,03 100,00 0,87 110,77 118 122,73 185

U659 99,17 100,00 0,99 135,44 73 122,31 186

U404 91,11 100,00 0,91 135,72 72 122,29 187

U608 85,32 90,60 0,94 94,19 160 121,97 188

U33 88,29 88,33 1,00 88,33 173 121,95 189

U575 81,55 85,02 0,96 85,02 186 121,60 190

U603 93,62 93,70 1,00 93,70 161 121,37 191

U311 98,53 98,61 1,00 98,61 149 121,24 192

U657 90,23 92,89 0,97 93,02 164 120,12 193

U239 100,00 100,00 1,00 147,69 52 119,45 194

U320 83,40 83,59 1,00 83,59 187 119,32 195

U394 100,00 100,00 1,00 101,60 141 119,06 196

U579 84,45 87,52 0,96 87,52 175 119,01 197

U385 100,00 100,00 1,00 128,49 88 119,00 198

U577 87,02 91,45 0,95 91,74 166 118,59 199

U574 83,73 86,96 0,96 87,07 178 118,57 200

U59 79,89 100,00 0,80 106,04 127 118,52 201

U46 100,00 100,00 1,00 212,27 21 118,30 202

U154 100,00 100,00 1,00 152,30 49 118,09 203

U313 82,75 95,25 0,87 95,25 155 114,31 204

U576 84,46 100,00 0,84 134,38 76 112,25 205

U317 84,97 87,09 0,98 87,09 177 110,18 206

U392 99,46 100,00 0,99 122,06 95 108,18 207

U7 92,69 100,00 0,93 170,06 34 103,75 208

U578 92,85 100,00 0,93 111,28 116 99,77 209

Źródło: Opracowanie własne z wykorzystaniem programu Frontier Analyst.

10.A. Grupa J2

DMU CRS-O VRS-O Efektywność

skali

SE-VRS-O bez

zmiennej

środowiskowej

Ranking

SE-VRS-O

skorygowany

SE-VRS-O

ze zmienną

środowiskową

Ranking

skorygowany

model

SE-VRS-O

U283 100 100 1,00 148,71 22 361,26 1

U440 100 100 1,00 144,68 24 360,26 2

U523 100 100 1,00 150,2 20 358,94 3

304

U553 100 100 1,00 1000 1 354,96 4

U435 100 100 1,00 933,24 3 354,74 5

U267 100 100 1,00 176,89 13 348,54 6

U467 100 100 1,00 146,79 23 339,79 7

U296 95,07 100 0,95 176,14 14 335,29 8

U502 100 100 1,00 318,79 7 333,02 9

U222 100 100 1,00 339,48 6 326,83 10

U676 100 100 1,00 149,45 21 324,28 11

U673 100 100 1,00 999,96 2 318,85 12

U79 100 100 1,00 152,7 19 316,73 13

U507 100 100 1,00 194,3 10 307,54 14

U348 100 100 1,00 178,87 12 304,49 15

U506 100 100 1,00 399,17 5 297,06 16

U425 100 100 1,00 199,66 9 287,25 17

U349 100 100 1,00 175,02 15 287,06 18

U282 100 100 1,00 141,64 26 276,63 19

U512 100 100 1,00 155,35 18 262,76 20

U67 100 100 1,00 180,16 11 233,57 21

U432 100 100 1,00 142,78 25 221,46 22

U353 100 100 1,00 516,88 4 202,33 23

U305 100 100 1,00 165,99 17 201,13 24

U492 100 100 1,00 213,27 8 199,95 25

U254 100 100 1,00 174,59 16 159,99 26

U453 100 100 1,00 140,46 27 128,88 27

U454 100 100 1,00 111,17 59 124,65 28

U529 95,19 100 0,95 100 108 122,07 29

U552 100 100 1,00 113,18 54 121,36 30

U173 100 100 1,00 129,43 36 113,12 31

U421 100 100 1,00 127,77 37 112,54 32

U126 100 100 1,00 117,64 49 112,28 33

U458 100 100 1,00 122,2 41 111,92 34

U284 94,71 100 0,95 100 110 111,65 35

U306 100 100 1,00 123,45 39 111,44 36

U77 100 100 1,00 110,59 60 111,43 37

U422 100 100 1,00 111,63 58 110,42 38

U178 85,15 100 0,85 110,13 61 109,64 39

U80 100 100 1,00 118,2 48 109,49 40

U501 100 100 1,00 100,72 88 109,41 41

U527 100 100 1,00 136,93 32 109,41 42

U511 98,46 100 0,98 113,61 52 109,16 43

U183 100 100 1,00 103,89 76 109,10 44

U555 100 100 1,00 103,75 78 109,07 45

U225 100 100 1,00 120,58 44 109,05 46

U455 98,6 100 0,99 100 97 109,03 47

U177 100 100 1,00 115,61 51 108,91 48

U509 100 100 1,00 100,48 90 108,64 49

U457 100 100 1,00 122,86 40 108,52 50

U517 100 100 1,00 139,39 28 108,36 51

U70 100 100 1,00 107,42 68 108,28 52

U469 99,38 100 0,99 100,9 87 108,22 53

U674 89,35 100 0,89 108,2 64 108,15 54

U135 93,27 100 0,93 100 117 108,15 55

U632 95,01 100 0,95 100 109 108,06 56

U437 92,43 100 0,92 100 118 108,00 57

U525 100 100 1,00 107,05 69 107,91 58

U462 93,81 100 0,94 103,19 80 107,86 59

U639 100 100 1,00 112,35 55 107,86 60

U531 80,37 100 0,80 100 140 107,61 61

305

U521 100 100 1,00 118,47 47 107,49 62

U186 88,22 100 0,88 100 131 107,45 63

U358 86,75 100 0,87 100 133 107,41 64

U287 100 100 1,00 104,67 74 107,38 65

U554 99,92 100 1,00 106,92 70 107,36 66

U130 100 100 1,00 109,62 62 107,34 67

U298 100 100 1,00 122 42 107,21 68

U477 74,46 100 0,74 100 145 107,13 69

U533 99,47 100 0,99 100 94 107,07 70

U441 85,35 100 0,85 100 134 107,06 71

U483 100 100 1,00 102,28 83 107,06 72

U434 100 100 1,00 118,68 46 106,99 73

U532 98,17 100 0,98 100 98 106,98 74

U290 95,71 100 0,96 138,16 29 106,87 75

U269 100 100 1,00 100,55 89 106,75 76

U459 88,95 100 0,89 100 128 106,71 77

U560 93,32 100 0,93 100 116 106,67 78

U478 65,97 100 0,66 100 147 106,66 79

U288 93,69 100 0,94 100 114 106,63 80

U465 84,28 100 0,84 100 136 106,58 81

U78 100 100 1,00 138,04 30 106,57 82

U471 93,73 100 0,94 101,36 86 106,48 83

U675 94,66 100 0,95 100 111 106,47 84

U433 100 100 1,00 105,67 72 106,46 85

U228 97,67 100 0,98 100 99 106,45 86

U561 90,39 100 0,90 100 125 106,44 87

U293 91,17 100 0,91 100 123 106,40 88

U563 88,85 100 0,89 100 129 106,34 89

U539 88,86 100 0,89 100,42 91 106,31 90

U179 100 100 1,00 117,41 50 106,27 91

U559 86,54 100 0,87 132,86 35 106,26 92

U528 100 100 1,00 101,48 84 106,25 93

U439 91,15 100 0,91 100 124 106,25 94

U474 77,46 100 0,77 133,7 34 106,22 95

U556 91,6 100 0,92 107,69 66 106,20 96

U438 100 100 1,00 119,67 45 106,15 97

U428 99,07 100 0,99 100 95 106,13 98

U630 100 100 1,00 105,59 73 106,12 100

U621 96,58 100 0,97 100 101 106,12 99

U442 93,6 100 0,94 100 115 106,09 101

U623 100 100 1,00 109,32 63 106,09 102

U464 95,95 100 0,96 100 103 106,09 103

U436 100 100 1,00 113,3 53 106,08 104

U644 100 100 1,00 101,46 85 106,07 105

U276 96,18 100 0,96 100 102 106,06 106

U557 100 100 1,00 104,51 75 106,04 107

U544 100 100 1,00 125,53 38 105,98 108

U479 100 100 1,00 121,4 43 105,98 109

U470 100 100 1,00 137,7 31 105,97 110

U443 83,68 100 0,84 100 137 105,96 111

U558 88,06 100 0,88 100 132 105,90 112

U518 92,35 100 0,92 100 119 105,90 113

U289 76,86 100 0,77 100 142 105,89 114

U427 89,7 100 0,90 100 127 105,88 115

U520 100 100 1,00 111,82 56 105,88 116

U538 82,25 100 0,82 100 138 105,86 117

U297 95,5 100 0,96 100 105 105,85 118

U445 91,63 100 0,92 100 121 105,84 119

306

U41 100 100 1,00 136,17 33 105,83 120

U292 76,65 100 0,77 100 143 105,83 121

U480 88,33 100 0,88 100 130 105,80 122

U463 96,68 100 0,97 100 100 105,77 123

U546 100 100 1,00 103,82 77 105,75 124

U536 100 100 1,00 106,51 71 105,74 125

U429 100 100 1,00 102,43 82 105,74 126

U460 100 100 1,00 107,99 65 105,73 127

U526 91,65 100 0,92 100 120 105,71 128

U534 95,22 100 0,95 100 107 105,69 129

U541 94,53 100 0,95 100 112 105,65 130

U540 95,53 100 0,96 100 104 105,64 131

U641 85,03 100 0,85 100 135 105,62 132

U535 91,38 100 0,91 100 122 105,59 133

U564 100 100 1,00 107,68 67 105,59 134

U430 100 100 1,00 111,74 57 105,58 135

U631 90,3 100 0,90 100 126 105,57 136

U537 100 100 1,00 103,6 79 105,56 137

U487 81,86 100 0,82 100 139 105,54 138

U481 72,66 100 0,73 100 146 105,54 139

U549 100 100 1,00 100,33 92 105,54 140

U567 98,95 100 0,99 100 96 105,48 141

U628 100 100 1,00 103,07 81 105,47 142

U466 95,31 100 0,95 100 106 105,47 143

U294 78,71 100 0,79 100 141 105,46 144

U482 93,75 100 0,94 100 113 105,46 145

U636 99,6 100 1,00 100 93 105,44 146

U291 75,9 100 0,76 100 144 105,43 147

U295 60,1 100 0,60 100 148 105,40 148


10.C. Grupa J3


skali

SE-VRS-O bez

zmiennej

środowiskowej

Ranking

SE-VRS-O

skorygowany

SE-VRS-O

ze zmienną

środowiskową

Ranking

skorygowany

model

SE-VRS-O

U286 100 100 1,00 229,46 8 296,57 1

U42 100 100 1,00 1000 1 294,06 2

U416 100 100 1,00 211,17 11 292,28 3

U213 100 100 1,00 294,92 5 289,09 4

U499 100 100 1,00 208,55 12 287,33 5

U73 100 100 1,00 166,04 21 285,93 6

U93 100 100 1,00 204,54 16 283,61 7

U232 100 100 1,00 302,02 4 281,78 8

U516 100 100 1,00 205,63 15 280,87 9

U193 100 100 1,00 165,84 22 275,48 10

U204 100 100 1,00 238,78 7 275,03 11

U90 100 100 1,00 200,15 17 274,28 12

U52 100 100 1,00 206,61 14 270,09 13

U242 77,68 100 0,78 365,68 2 265,54 14

U211 100 100 1,00 213,46 9 261,58 15

U230 100 100 1,00 178,42 20 255,75 16

U43 100 100 1,00 286,46 6 255,24 17

U303 100 100 1,00 183,03 19 246,05 18

U91 100 100 1,00 327,14 3 232,88 19

U98 100 100 1,00 211,22 10 228,50 20

U231 100 100 1,00 158,79 23 208,98 21

U195 100 100 1,00 194,01 18 173,71 22

307

U194 97,65 100 0,98 206,7 13 143,98 23

U214 100 100 1,00 110,95 48 115,18 24

U221 98,76 100 0,99 103,3 58 115,10 25

U505 100 100 1,00 136,32 27 115,02 26

U125 100 100 1,00 138,14 26 114,81 27

U504 100 100 1,00 105,12 52 114,64 28

U119 87,19 94,97 0,92 94,88 65 114,50 29

U202 100 100 1,00 124,66 36 114,39 30

U510 100 100 1,00 129,62 32 114,31 31

U118 98,44 100 0,98 111,09 46 114,30 32

U217 100 100 1,00 130,54 29 114,16 33

U75 94,94 100 0,95 102,61 60 114,13 34

U148 63,57 100 0,64 130,47 30 114,06 35

U307 100 100 1,00 138,77 25 114,06 36

U350 94,24 100 0,94 104,76 53 113,94 37

U237 100 100 1,00 139,06 24 113,73 38

U196 100 100 1,00 118,36 38 113,71 39

U121 93,73 100 0,94 113,08 44 113,49 40

U162 100 100 1,00 105,74 51 113,34 41

U120 78,5 85,77 0,92 85,77 71 113,20 42

U200 100 100 1,00 104,56 54 113,19 43

U116 63,8 67,23 0,95 67,23 73 113,12 44

U326 100 100 1,00 118,05 39 112,55 45

U199 93,98 100 0,94 103,18 59 112,23 46

U259 74,41 100 0,74 103,41 57 112,19 47

U235 99,83 100 1,00 112,96 45 112,19 48

U299 95,72 100 0,96 103,48 56 111,72 49

U96 100 100 1,00 135,21 28 111,61 50

U95 100 100 1,00 111,01 47 111,54 51

U244 100 100 1,00 105,77 50 111,47 52

U261 64,65 78,69 0,82 77,38 72 111,32 53

U97 88,92 96,91 0,92 96,91 63 111,13 54

U201 81,11 94,42 0,86 94,42 67 110,54 55

U198 96,93 100 0,97 128,6 34 110,43 56

U94 100 100 1,00 130,1 31 110,29 57

U147 92,51 100 0,93 108,65 49 109,24 58

U92 100 100 1,00 118,48 37 108,96 59

U260 100 100 1,00 128,71 33 108,62 60

U258 86,5 100 0,87 117,65 40 108,44 61

U233 100 100 1,00 117,23 41 108,17 62

U238 89,15 94,64 0,94 94,64 66 107,67 63

U207 37,01 94,3 0,39 94,3 68 107,57 64

U44 100 100 1,00 125,32 35 106,53 65

U152 95,81 100 0,96 96,27 64 106,35 66

U149 100 100 1,00 115,17 42 105,69 67

U115 88,47 97,21 0,91 97,21 62 103,70 68

U249 87,25 89,28 0,98 88,49 70 102,89 69

U192 100 100 1,00 113,97 43 101,93 70

U150 91,47 100 0,91 101,5 61 101,13 71

U234 100 100 1,00 103,89 55 100,39 72

U247 91,25 96,26 0,95 93,38 69 97,49 73


308

10.D. Grupa J4


skali

SE-VRS-O bez

zmiennej

środowiskowej

Ranking

SE-VRS-O

skorygowany

SE-VRS-O

ze zmienną

środowiskową

Ranking

skorygowany

model

SE-VRS-O

U488 100 100 1,00 1000 1 484,16 1

U475 100 100 1,00 220,17 8 480,03 2

U56 100 100 1,00 669,53 2 473,74 3

U224 100 100 1,00 218,88 9 446,08 4

U205 100 100 1,00 197,86 11 415,78 5

U60 100 100 1,00 260,31 5 386,01 6

U182 100 100 1,00 192,48 12 297,37 7

U49 100 100 1,00 310,71 4 281,81 8

U246 100 100 1,00 378,17 3 279,28 9

U57 100 100 1,00 246,48 7 227,94 10

U595 100 100 1,00 201,8 10 201,39 11

U166 100 100 1,00 256,41 6 179,20 12

U589 100 100 1,00 167,3 15 133,27 13

U598 98,42 100 0,98 134,69 28 131,89 14

U627 100 100 1,00 115,72 44 127,63 15

U592 100 100 1,00 123,57 34 125,87 16

U573 100 100 1,00 105,91 53 124,35 17

U587 100 100 1,00 100,84 60 123,65 18

U590 100 100 1,00 122,9 36 123,41 19

U169 100 100 1,00 152,26 22 122,60 20

U569 97,58 97,65 1,00 97,65 65 122,42 21

U591 100 100 1,00 111,11 50 121,62 22

U600 99,89 100 1,00 102,69 57 121,21 23

U164 100 100 1,00 129,57 31 121,12 24

U61 100 100 1,00 160,58 19 120,88 25

U180 100 100 1,00 116,71 42 120,38 26

U37 100 100 1,00 139,44 25 120,38 27

U568 96,6 96,85 1,00 96,85 66 120,20 28

U355 99,74 100 1,00 100,46 63 120,14 29

U594 100 100 1,00 157,22 21 119,86 30

U672 100 100 1,00 100,58 62 119,79 31

U593 98,89 100 0,99 101,89 58 119,15 32

U339 100 100 1,00 115,54 45 119,11 33

U357 100 100 1,00 104,85 55 118,71 34

U571 89,44 89,53 1,00 89,53 77 118,62 35

U156 100 100 1,00 178,59 13 118,36 36

U252 94,66 95,44 0,99 95,44 69 118,00 37

U597 95,93 96,07 1,00 96,07 68 117,96 38

U515 100 100 1,00 134,5 29 117,31 39

U128 100 100 1,00 140,9 24 117,27 40

U175 100 100 1,00 142,71 23 117,07 41

U618 100 100 1,00 116,15 43 117,06 43

U588 93,02 94,87 0,98 94,87 70 117,06 42

U356 90,64 92,43 0,98 92,43 71 117,05 44

U599 91,29 91,45 1,00 91,45 74 116,87 45

U530 100 100 1,00 120,22 37 116,79 46

U359 90,71 91,38 0,99 91,38 75 116,79 47

U615 100 100 1,00 109,4 51 116,67 48

U68 100 100 1,00 100,89 59 116,67 49

U253 100 100 1,00 130,03 30 116,62 50

U251 100 100 1,00 158,19 20 116,61 51

U351 88,7 88,91 1,00 88,91 78 116,27 52

U508 100 100 1,00 166,5 16 116,13 53

309

U352 89,82 90,12 1,00 90,12 76 116,11 54

U354 100 100 1,00 113,43 47 116,08 55

U343 96,31 100 0,96 104,48 56 115,97 56

U596 100 100 1,00 111,18 49 115,92 57

U360 100 100 1,00 125,57 33 115,92 58

U142 77,79 77,84 1,00 77,84 80 115,62 59

U640 95,86 100 0,96 113,57 46 115,52 60

U136 100 100 1,00 120,13 38 115,40 61

U184 100 100 1,00 178,52 14 115,39 62

U586 85,15 85,58 0,99 85,58 79 115,31 63

U616 100 100 1,00 119,85 39 115,28 64

U138 93,79 100 0,94 104,94 54 115,24 65

U624 98,05 98,18 1,00 98,18 64 115,17 66

U377 100 100 1,00 137,97 26 114,96 67

U519 100 100 1,00 108,76 52 114,71 68

U85 100 100 1,00 123,17 35 114,68 69

U87 100 100 1,00 164,89 17 114,67 70

U146 91,77 91,86 1,00 91,86 73 114,57 71

U489 100 100 1,00 117,85 41 114,44 72

U637 100 100 1,00 161,12 18 114,44 73

U545 98,63 100 0,99 100,69 61 114,40 74

U677 100 100 1,00 136,11 27 114,40 75

U634 95,83 96,4 0,99 96,4 67 114,38 76

U484 100 100 1,00 126,44 32 114,35 77

U635 100 100 1,00 112,44 48 114,25 78

U565 100 100 1,00 118,4 40 114,24 79

U633 91,76 92,43 0,99 92,43 72 114,22 80


10.E. Grupa J5


skali

SE-VRS-O bez

zmiennej

środowiskowej

Ranking

SE-VRS-O

skorygowany

SE-VRS-O

ze zmienną

środowiskową

Ranking

skorygowany

model

SE-VRS-O

U498 100 100 1,000 160,97 17 289,80 1

U277 100 100 1,000 151,56 23 288,30 2

U613 100 100 1,000 1000 1 288,19 3

U551 100 100 1,000 152,33 21 288,16 4

U197 100 100 1,000 280,35 6 287,25 5

U280 95,09 100 0,951 151,55 24 285,86 6

U497 100 100 1,000 148,32 26 285,76 7

U64 100 100 1,000 183,49 13 284,84 8

U315 100 100 1,000 149,9 25 284,22 9

U220 100 100 1,000 371,5 4 283,53 10

U321 100 100 1,000 156,31 18 279,46 11

U386 100 100 1,000 209,06 8 278,69 12

U414 100 100 1,000 1000 2 277,06 13

U236 100 100 1,000 153,49 20 274,29 14

U413 100 100 1,000 301,6 5 274,02 15

U153 100 100 1,000 143,14 27 272,49 16

U181 100 100 1,000 168,16 16 266,05 17

U318 100 100 1,000 153,97 19 265,55 18

U158 100 100 1,000 202,41 9 257,80 19

U171 100 100 1,000 189,69 11 253,21 20

U99 100 100 1,000 258,22 7 238,20 21

U6 99,27 100 0,993 194,71 10 238,04 22

U383 100 100 1,000 523,34 3 233,95 23

U418 100 100 1,000 170,09 15 233,30 24

310

U415 100 100 1,000 171,01 14 228,52 25

U151 100 100 1,000 184,34 12 177,98 26

U51 100 100 1,000 151,86 22 166,85 27

U580 93,3 94,82 0,984 94,82 80 106,72 28

U583 93,67 97,87 0,957 97,87 68 105,29 29

U390 99,14 99,47 0,997 99,47 63 104,86 30

U602 97,81 98,42 0,994 98,42 66 104,34 31

U582 82,61 83,23 0,993 83,23 100 104,10 32

U22 100 100 1,000 101,02 58 104,09 33

U12 100 100 1,000 112,53 44 104,00 34

U312 100 100 1,000 111,42 45 103,57 35

U601 93,94 94,13 0,998 94,13 81 103,42 36

U165 100 100 1,000 100,15 59 103,05 37

U272 85,74 86,01 0,997 86,01 96 102,72 38

U417 100 100 1,000 128,39 31 102,23 39

U21 100 100 1,000 117,36 39 102,17 40

U29 93,23 100 0,932 100,05 60 101,81 41

U155 100 100 1,000 134,4 28 101,61 42

U663 84,08 100 0,841 132,25 29 101,60 43

U4 100 100 1,000 127,66 33 101,58 44

U9 97,9 100 0,979 117,04 40 101,55 45

U273 81,72 81,92 0,998 81,92 101 101,38 46

U395 100 100 1,000 123,42 35 101,33 47

U271 86,7 92,04 0,942 92,04 87 101,24 48

U367 100 100 1,000 108,23 49 101,16 49

U20 93,51 95,52 0,979 95,52 75 101,09 50

U585 84,16 100 0,842 106,73 50 101,02 51

U106 97,95 98,16 0,998 98,16 67 100,90 52

U664 92,79 100 0,928 131,85 30 100,87 53

U18 86,4 100 0,864 101,63 55 100,87 54

U163 87,87 100 0,879 114,38 42 100,77 55

U25 98,43 99,51 0,989 99,51 62 100,74 56

U397 97,55 99,96 0,976 99,96 61 100,67 57

U391 96,49 99,16 0,973 99,16 64 100,62 58

U11 91,48 92,33 0,991 92,33 86 100,62 59

U658 100 100 1,000 106,42 51 100,58 60

U39 91,51 95,33 0,960 95,33 77 100,50 61

U23 95,22 96,11 0,991 96,11 74 100,43 62

U388 100 100 1,000 118,8 37 100,39 63

U400 94,73 100 0,947 111,11 46 100,37 64

U8 100 100 1,000 104,22 53 100,31 65

U16 94,17 95 0,991 95 79 100,30 66

U342 95,22 97,74 0,974 97,74 69 100,28 67

U30 92,78 93,52 0,992 93,52 83 100,06 68

U324 77,65 78,66 0,987 78,66 105 100,02 69

U336 95,01 100 0,950 101,6 56 100,02 70

U381 78,53 79,93 0,982 79,93 103 99,95 71

U399 93,2 94,11 0,990 94,11 82 99,93 72

U681 79,81 81,71 0,977 81,71 102 99,92 73

U364 94,8 96,44 0,983 96,44 73 99,92 74

U329 91,62 92,49 0,991 92,49 85 99,90 75

U408 86,67 87,4 0,992 87,4 93 99,87 76

U365 86,83 87,96 0,987 87,96 92 99,85 77

U396 95,21 95,35 0,999 95,35 76 99,85 78

U32 90,75 96,7 0,938 96,7 71 99,80 79

U671 99,8 100 0,998 102,19 54 99,77 80

U366 84,04 100 0,840 101,51 57 99,76 81

U279 100 100 1,000 119,43 36 99,75 82

311

U614 88,35 89,77 0,984 89,77 90 99,74 83

U611 97,6 99,11 0,985 99,11 65 99,73 84

U610 88,11 89,67 0,983 89,67 91 99,72 85

U172 100 100 1,000 118,16 38 99,72 86

U606 79,1 79,9 0,990 79,9 104 99,72 87

U612 91 91,73 0,992 91,73 88 99,69 88

U605 84,83 85,5 0,992 85,5 97 99,69 89

U667 83,21 84,06 0,990 84,06 98 99,69 90

U670 100 100 1,000 114,12 43 99,67 91

U304 91,11 100 0,911 114,76 41 99,61 92

U609 74,47 74,97 0,993 74,97 106 99,60 93

U370 82,84 83,3 0,994 83,3 99 99,59 94

U275 85,26 93,49 0,912 93,49 84 99,54 95

U401 94,31 95,01 0,993 95,01 78 99,48 96

U274 78,97 100 0,790 109,88 47 99,45 97

U281 96,07 97,71 0,983 97,71 70 99,43 98

U424 86,23 89,83 0,960 89,83 89 99,42 99

U69 96,48 96,67 0,998 96,67 72 99,41 100

U36 85,18 86,17 0,989 86,17 94 99,41 101

U369 85,18 86,17 0,989 86,17 95 99,41 102

U468 100 100 1,000 127,01 34 99,41 103

U285 100 100 1,000 108,59 48 99,32 104

U550 100 100 1,000 127,67 32 99,28 105

U278 100 100 1,000 104,49 52 99,26 106


10.F. Grupa J6

DMU CRS-O VRS-O efektywność

skali

SE-VRS-O

bez zmiennej

środowiskowej

Ranking

SE-VRC-

O

skorygowany

SE-VRS-O ze

zmienną

środowiskową

Skorygowany

ranking

U651 100 100 1,000 9 295,91 1 U651

U572 98,84 100 0,988 10 293,44 2 U572

U243 100 100 1,000 21 287,52 3 U243

U302 97,08 100 0,971 1 286,53 4 U302

U157 87,35 100 0,874 7 286,38 5 U157

U13 100 100 1,000 18 286,31 6 U13

U5 100 100 1,000 14 285,17 7 U5

U1 100 100 1,000 13 284,15 8 U1

U31 100 100 1,000 15 283,76 9 U31

U55 100 100 1,000 16 283,44 10 U55

U103 100 100 1,000 19 283,35 11 U103

U333 100 100 1,000 20 283,34 12 U333

U384 100 100 1,000 5 283,23 13 U384

U54 100 100 1,000 3 283,09 14 U54

U62 100 100 1,000 8 283,02 15 U62

U105 100 100 1,000 2 282,97 16 U105

U123 100 100 1,000 4 282,94 17 U123

U308 100 100 1,000 12 282,26 18 U308

U476 100 100 1,000 6 282,25 19 U476

U473 100 100 1,000 11 282,06 20 U473

U131 100 100 1,000 17 281,98 21 U131

U301 100 100 1,000 26 127,15 22 U301

U653 95,75 95,86 0,999 59 122,78 23 U653

U387 99,95 100 1,000 51 122,06 24 U387

U389 99,93 100 0,999 44 121,24 25 U389

U3 100 100 1,000 24 120,20 26 U3

U241 98,52 100 0,985 23 120,01 27 U241

312

U393 98,7 99,03 0,997 56 118,96 28 U393

U604 100 100 1,000 35 118,18 29 U604

U363 92,25 92,44 0,998 61 117,54 30 U363

U2 100 100 1,000 27 117,35 31 U2

U300 100 100 1,000 48 117,32 32 U300

U654 99,48 99,63 0,998 55 117,26 33 U654

U17 100 100 1,000 37 117,21 34 U17

U53 95,37 95,38 1,000 60 117,14 35 U53

U187 79,26 88,19 0,899 64 116,43 36 U187

U660 87,28 87,44 0,998 65 116,42 37 U660

U14 99,81 99,91 0,999 54 116,22 38 U14

U74 100 100 1,000 22 116,02 39 U74

U24 99,39 100 0,994 39 116,02 40 U24

U26 89,9 98,38 0,914 57 115,69 41 U26

U665 82,66 100 0,827 43 115,66 42 U665

U310 100 100 1,000 41 115,63 43 U310

U496 100 100 1,000 28 115,61 44 U496

U50 100 100 1,000 29 115,59 45 U50

U160 81,98 100 0,820 46 115,47 46 U160

U334 100 100 1,000 53 115,44 47 U334

U140 100 100 1,000 36 115,32 48 U140

U122 100 100 1,000 31 115,26 49 U122

U361 100 100 1,000 38 115,26 50 U361

U337 100 100 1,000 30 115,25 51 U337

U143 100 100 1,000 45 115,10 52 U143

U309 100 100 1,000 42 114,97 53 U309

U137 100 100 1,000 25 114,94 54 U137

U141 100 100 1,000 52 114,94 55 U141

U134 100 100 1,000 34 114,93 56 U134

U678 90,5 96,41 0,939 58 114,88 57 U678

U485 91,56 100 0,916 47 114,87 58 U485

U448 100 100 1,000 40 114,87 59 U448

U490 86,22 100 0,862 50 114,87 60 U490

U647 100 100 1,000 32 114,87 61 U647

U486 89,97 90,53 0,994 62 114,86 62 U486

U491 80,58 89,37 0,902 63 114,86 63 U491

U645 100 100 1,000 33 114,85 64 U645

U543 100 100 1,000 49 114,85 65 U543


313

BIBLIOGRAFIA

Wydawnictwa zwarte

1. Aczel A.D., Statystyka w zarządzaniu, Państwowe Wydawnictwo Naukowe, Warszawa 2006.

2. Anh T., Seiford L.M., Sensitivity of DEA to models and variable sets in a hypothesis test

setting: the efficiency of university operations, [w:] Creative and innovative approaches

to the science of management, Y. Ijiri (red.), Quorum Books, New York 1993, s. 191-208.

3. Antonelli C., Franzoni C., Geuna A., The contributions of economics to a science

of science policy, [w:] Science and innovation policy for the new knowledge economy,

M.G. Colombo, L. Grilli, L. Piscitello, C. Rossi-Lamastra (red.), Edward Elgar,

Cheltenham, Northampton 2011, s. 19-36.

4. Arnold E., Guy K., Technology diffusion programmes and the challenge for evaluation,

[w:] Policy evaluation in innovation and technology: towards best practices, OECD,

Paris 1997, s. 74, http://www.oecd.org/dataoecd/34/40/1907926.pdf [08.04.2013].

5. Betz F., Managing science: Methodology and organization of research, Springer,

New York 2011.

6. Bonaccorsi A., Daraio C., Econometric approaches to the analysis of productivity

of R&D systems [w:] Handbook of quantitative science and technology research,

H.F. Moed i in. (red.), Kluwer Academic Publishers, Netherlands 2004, s. 51-74.

7. Cambell D.F.J., The evaluation of university research in the United Kingdom and the

Netherlands, Germany and Austria [w:] Learning from science and technology policy

evaluation. experiences from the United States and Europe, P. Shapira, S. Kuhlmann,

Edward Elgar Publishers, Northampton, Cheltenham, 2003, s. 106-107.

8. Camus D., The ONS productivity handbook. A statistical overview and guide, Office

for National Statistics, Pelgrave Macmillan, New York 2007.

9. Caraça J., Toward and S&T policy for the knowledge-based society, [w:] Science,

technology and innovation policy. Opportunities and challenges for the knowledge

economy, P. Conceição, D. Gibson, M. Heitor, S. Shariq (red.), International Series

on Technology Policy and Innovation, nr 1, Quorum 2000, s. 27-33.

10. Cave M., The use of performance indicators in higher education: the challenge of the

quality movement, Jessica Kingsley Publishers, Philadephia 1991.

11. Chaskielewicz S., Tuszko A., Polityka naukowa drugiej generacji, Wiedza Powszechna,

Warszawa 1975, s. 120.

12. Coelli T., Rao D.S.S, Battese G.E., An introduction to efficiency and productivity

analysis, Kluwer Academic Publishers, Boston, Dordrecht, London 2002.

13. Colombo M.G., Grilli L., Piscitello L., Rossi-Lamastra C., Science and innovation

policy for the new knowledge economy, PRIME Series on Research and Innovation

Policy in Europe, Edward Elgar, Cheltenham,Northampton 2011.

14. Cooper W.W., Seiford L.M., Tone K., Data Envelopment Analysis. a comprehensive

text with models, applications, references and DEA-solver software, Kluwer Academic

Publishers, Boston, Dordrecht, London 2007.

15. Cooper W.W., Seiford L.M., Tone K., Introduction to Data Envelopment Analysis

and its uses. With DEA-Solver Software and References, Springer, New York 2006.

314

16. Cooper W.W., Seiford L.M., Zhu J., Handbook on Data Envelopment Analysis, Kluwer

Academic Publishers, Boston, Dordrecht, London 2004.

17. Czerniak J., Polityka innowacyjna w Polsce. Analiza i proponowane kierunki zmian,

Difin, Warszawa 2013.

18. Ćwiąkała-Matys A., Wykorzystanie Data Envelopment Analysis (DEA) do badania

relacji nakłady-efekty w publicznym szkolnictwie akademickim w Polsce, Prace

Naukowe Uniwersytetu Ekonomicznego we Wrocławiu, nr 56, 2009, s. 67-82.

19. Daraio C., Simar L., Advanced robust and nonparametric methods in efficiency.

Methodology and applications, Springer, New York 2007.

20. Daszkiewicz M., Jednostki badawczo-rozwojowe jako źródło innowacyjności

w gospodarce i pomoc dla małych i średnich przedsiębiorstw, Polska Agencja Rozwoju

Przedsiębiorczości, Warszawa 2008.

21. Dąbkowski J., O problemie redukcji wymiarów, Polskie Towarzystwo Inżynierii Rolniczej,

Kraków 2000.

22. Drucker S.F., Zarządzanie w XXI wieku, Wydawnictwo Muza SA, Warszawa 2000.

23. Etzkovitz H., Ranga M., “Spaces”: A triple helix governance strategy for regional

innovation, [w:] Innovation governance in an open economy, A. Rickne, S. Laestadius,

H. Etzkovitz (red.), Routledge, Abington, New York 2012, s. 51-68.

24. Ewaluacja w służbach społecznych, Szatur-Jaworska B. (red.), Mazowieckie Centrum

Polityki Społecznej, Warszawa 2010, s. 45.

25. Feller I., A policy-shaped research agenda, [w:] The new economics of technology

policy, D. Foray (ed.), Edward Elgar, Cheltenham, Northampton 2009, s. 99-112.

26. Grabiński T., Wydymus S., Zeliaś A., Metody taksonomii numerycznej w modelowaniu

zjawisk społeczno-gospodarczych, Państwowe Wydawnictwo Naukowe, Warszawa 1989.

27. Griffin R.W., Podstawy zarządzania organizacjami, Państwowe Wydawnictwo

Naukowe, Warszawa 2007.

28. Gryzik A., Płoszaj A., Ewaluacja w sektorze badań i rozwoju oraz w szkolnictwie

wyższym, [w:] Jak ewaluować i monitorować efekty projektów sektora B+R

i szkolnictwa wyższego?, P. Kościelecki, B. Warzybok (red.), Ośrodek Przetwarzania

Informacji – Instytut Badawczy, Warszawa 2011, s. 47-66.

29. Guzik B., Podstawowe modele DEA w badaniu efektywności gospodarczej i społecznej,

Wydawnictwo Uniwersytetu Ekonomicznego, Poznań 2009.

30. Hamrol A., Mantura W., Zarządzanie jakością: teoria i praktyka, Państwowe

Wydawnictwo Naukowe, Warszawa 2011.

31. Hamrol A., Zarządzanie jakością z przykładami, Państwowe Wydawnictwo Naukowe, 2011.

32. Improving measurement of productivity in higher education Sullivan T., Mackie C.,

Massy W.F., Sinha E. (red.), The National Academies Press, Washington 2012.

33. Jędrzejczyk Z., Kukuła K., Skrzypek J., Walkosz A., Badania operacyjne w przykładach

i zadaniach, Państwowe Wydawnictwo Naukowe, Warszawa 2004.

34. Juzwiszyn J., Rybicki W., Smoluk A., O definicji efektywności. Rozważania

nad celowością w naturze i rozwojem, [w:] Efektywność – rozważania nad istotą

i pomiarem, T. Dudycz (red.), „Prace Naukowe Akademii Ekonomicznej

we Wrocławiu” 2005, nr 1060, s. 191-203.

35. Keller A.C., Science in environmental policy. The politics of objective advise,

Massachusetts Institute of Technology, Cambridge, Massachusetts, London 2009.

315

36. Knox Lovell C.A. , Production frontiers and productive efficiency, [w:] The measurement

of productive efficiency: techniques and applications, H.O. Fried, S.S. Schmidt,

C.A. Knox Lovell (red.), Oxford University Press, New York 1993.

37. Kobal E., Elements of national science and technology policy, [w:] Modernisation

of science policy and management approaches in Central and South East Europe,

E. Kobal, S. Radosevic (red.), Series V. Science and Technology Policy, IOS Press,

Amsterdam, Berlin, Oxford, Tokyo, Washington 2005.

38. Kolonko J., Analiza dyskryminacyjna i jej zastosowanie w ekonomii, Państwowe

Wydawnictwo Naukowe, Warszawa 1980.

39. Koopmans T.C., An analysis of production as an efficient combination of activities,

[w:] Activity analysis of production and allocation, cowles commission for research

in economics, T.C. Koopmans (red.), Wiley, New York 1951, s. 33-97.

40. Korenik S., Szostak E., Polityka naukowa i innowacyjna, [w:] Polityka gospodarcza, B

Winiarski (red.), Państwowe Wydawnictwo Naukowe, Warszawa 2006, s. 325-348.

41. Kosieradzka A., Lis S., Programowanie poprawy produktywności, Instytut Organizacji

i Zarządzania w Przemyśle „ORGMASZ”, Warszawa 1998.

42. Kosieradzka A., Zarządzanie produktywnością w przedsiębiorstwie, Wydawnictwo

C.H. Beck, Warszawa 2012.

43. Kosieradzka A., Zarządzanie produktywnością w przedsiębiorstwie, Wydawnictwo

C.H. Beck, Warszawa 2012.

44. Kotarbiński T., Traktat o dobrej robocie, Zakład Narodowy Imienia Ossolińskich,

Wrocław, Warszawa, Kraków 1969.

45. Krishna V.V., Turpin T., Transition and change: innovation systems in Asia-Pacific

economies, [w:] Science, technology policy and the diffusion of knowledge, T. Turpin, V.V.

Krishna (red.), Edward Elgar Publishing, Inc., Cheltenham, Massachusetts 2007, s. 1-33.

46. Kumbhakar S.C., Knox Lovell C.A., Stochastic frontier analysis, Cambridge University

Press, Cambridge, New York, Melbourne, Madrid, 2000.

47. Leszek W., Wojciechowicz B., Analiza pewnych możliwości podniesienia efektywności

badań naukowych, Politechnika Poznańska, Poznań 1975.

48. Leszek W., Wojciechowicz B., Analiza pewnych możliwości podniesienia efektywności

badań naukowych, Politechnika Poznańska, Poznań 1975.

49. Luszniewicz A., Słaby T., Statystyka z pakietem komputerowym STATISTICA PL.

Teoria i zastosowania, Wydawnictwo C.H. Beck, Warszawa 2008.

50. M. Herbst, Financing public universities: the case of performance funding, Higher

Education Dynamics, t. 18, Springer, Zurich 2007.

51. Mailhot C., Schaeffer V., Universities specificities and the emergence of a global

model, [w:] Innovation policy in a knowledge-based economy. Theory and practice,

P. Llerena, M. Matt (red.), Springer, Berlin, Heidelberg, New York 2005, s. 339-360.

52. Maksymowicz-Ajchel A., Wstęp do statystyki, Wydawnictwo Uniwersytetu Warszawskiego,

Warszawa 2007.

53. Makulska D., Kluczowe czynniki rozwoju w gospodarcze opartej na wiedzy, [w:] Pomiędzy

polityką stabilizacyjną i polityką rozwoju, J. Stacewicz (red.), Prace i Materiały Instytutu

Rozwoju Gospodarczego SGH, IRG SGH, Warszawa 2012, s. 169-194.

54. Mały słownik techniczny angielsko-polski i polsko-angielski, Wydawnictwa Naukowo-

Techniczne, Warszawa 1990.

316

55. Marburger J., The science of science and innovation technology, [w:] Science,

technology and innovation indicators in a changing world. Responding to policy needs,

OECD Publishing, 2007, s. 27-32.

56. Miedziński M., Wybrane zagadnienia ewaluacji polityki innowacyjnej, [w:] Teoria

i praktyka ewaluacji interwencji publicznych, K. Olejniczak, M. Kozak, B. Ledzion

(red.), Wydawnictwa Akademickie i Profesjonalne, Warszawa 2008, s. 480-498.

57. Miles I., Rigby J., Demand-led innovation, [w:] Innovation policy challenges

for the 21st century, D. Cox, J. Rigby (red.), Routledge Studies in Innovation,

organization and technology, Taylor & Francis, New York, London 2013, s. 6-33.

58. Nazarko J., Kuźmicz K.A., Szubzda E., Urban J. (Jakuszewicz), Analiza oceny

parametrycznej z perspektywy benchmarkingu, [w:] Benchmarking wsystemie

szkolnictwa wyższego, J. Woźnicki (red.), Oficyna Wydawnicza Politechniki

Warszawskiej, Warszawa 2008, s. 49-64.

59. Nazarko J., Regionalny foresight gospodarczy. Metodologia i instrumentarium

badawcze, Mazowieckie Centrum Informacji Gospodarczej, Warszawa 2013.

60. OECD Manual, Measuring productivity. Measurement of aggregate and industry-level

productivity growth, OECD Publishing, France 2001.

61. OECD, Przegląd narodowej polityki naukowej i technicznej: Polska, Fundacja Rozwój

Szkoły Głównej Gospodarstwa Wiejskiego, Warszawa 1996.

62. OECD, Public research institutions: mapping sector trends, OECD Publishing, 2011.

63. Olechnicka A., Potencjał nauki a innowacyjność regionów, Centrum Europejskich Studiów

Regionalnych i Lokalnych UW, Wydawnictwo Naukowe Scholar, Warszawa 2012.

64. Olejniczak K. , Ferry M., Ewaluacja w praktyce sektora publicznego, [w:] Ewaluacja

jako standard zarządzania w sektorze publicznym, B. Pietras-Goc (red.), Wyższa Szkoła

Europejska im. ks. Józefa Tischnera, Kraków 2008, s. 9-47.

65. Olejniczak K., Wprowadzenie do zagadnień ewaluacji, [w:] Teoria i praktyka ewaluacji

interwencji publicznych, K. Olejniczak, M. Kozak, B. Ledzion (red.), Wydawnictwa

Akademickie i Profesjonalne, Warszawa 2008, s. 17-44.

66. Osiewalski J., Ekonometria bayesowska w zastosowaniach, Wydawnictwo Akademii

Ekonomicznej, Kraków 2001.

67. Pacholski L., Malinowski B., Niedźwiedź S., Procesowe, strukturalne i kooperacyjne

aspekty innowacyjności organizacyjnej przedsiębiorstw, Wydawnictwo Politechniki

Poznańskiej, Poznań 2011.

68. Panek T., Statystyczne metody wielowymiarowej analizy porównawczej, Szkoła Główna

Handlowa, Warszawa 2009.

69. Pawlak W.S., Produktywność. Podstawy, Seria: Zarządzanie przez jakość,

Wydawnictwo Bellona, Warszawa, 1995.

70. Pawłowski J., Metodyka oceny efektywności finansowej przedsięwzięć gospodarczych,

Wydawnictwo Uniwersytetu Łódzkiego, Łódź 2004.

71. Penc J., Sztuka skutecznego zarządzania, Oficyna Ekonomiczna, Kraków 2006.

72. Postuła M., Rola ewaluacji w budżetowaniu zadaniowym, [w:] Ewaluacja wobec

wyzwań stojących przed sektorem finansów publicznych, A. Haber, M. Szałaj (red.),

Polska Agencja Rozwoju Przedsiębiorczości, Warszawa 2009, s. 41-60.

73. Programowanie matematyczne. Zbiór zadań, Krawczyk S. (red.), Polskie Wydawnictwo

Ekonomiczne, Warszawa 1978.

317

74. Prokopenko J., Productivity management. A practical handbook, International Labour

Office, Geneva 1987.

75. Pszczołowski T., Mała encyklopedia prakseologii i teorii organizacji, Wydawnictwo

Ossolineum, Wrocław, Warszawa, Kraków, Gdańsk 1978.

76. Ramanathan R., An introduction to data envelopment analysis. a tool for performance

measurement, Sage Publications, New Delhi, Thousand Oaks, London 2003.

77. Ray S.C., Data Envelopment Analysis. Theory and techniques for economics

and operations research, Cambridge University Press, New York 2004.

78. Rigby J., Nugroho Y., Morrison K., Miles I., Who drives innovation? [w:] Innovation

Policy Challenges for the 21st century, D. Cox, J. Rigby (red.), Routledge Studies

in Innovation, Organization and Technology Series, Taylor & Francis, New York,

London 2013.

79. Rocznik statystyczny 2013, GUS, Warszawa 2013.

80. Rogers E.M., Diffusion of innovation, Collier Macmillan Publishers, New York,

London 2003.

81. Romer D., Makroekonomia dla zaawansowanych, Państwowe Wydawnictwo Naukowe,

Warszawa 2000.

82. Roskal Z.E., Zwrotne punkty w rozwoju nauki i techniki (technologii), [w:] Zarządzanie

badaniami naukowymi i pracami rozwojowymi w jednostkach naukowych, P. Kawalec,

S. Majdański (red.), Wydawnictwo Lubelskiej Szkoły Biznesu, Lublin 2008, s. 21-40.

83. Rybaczuk M., Graficzna prezentacja struktury danych wielowymiarowych, Prace Naukowe

Akademii Ekonomicznej we Wrocławiu, nr 942, Akademia Ekonomiczna, Wrocław, 2002,

s. 146-153.

84. Rybicki W., O wielostronności, relatywizmie i złożoności kategorii efektywności,

[w:] Efektywność – rozważania nad istotą i pomiarem, T. Dudycz (red.), „Prace

Naukowe Akademii Ekonomicznej we Wrocławiu” 2005, nr 1060, s. 358-379.

85. Shaping science and technology policy: the next generation of research, D. Guston,

D. Sarewitz (red.), The University of Wisconsin Press, Madison 2006.

86. Siemienska R., Research productivity in polish universities and its determinants at the

beginning of the 21st century, [w:] Universities as centres of research and knowledge

creation: an endangered species, H. Vessuri, U. Teichler (red.), Sense Publishers,

Rotterdam/Taipei, 2008, s. 161-178.

87. Sink D.S., Tuttle T.C., Planning and measurement in your organization of the future,

Industrial Engineering and Management Press, Norcross 1989.

88. Smoleński S., Zarządzanie produktywnością w przedsiębiorstwie, Oficyna Wydawnicza

Ośrodka Postępu Organizacji, Bydgoszcz 2000.

89. Smólski B., Kasprzyk-Młynarczyk I., Benchmarking w zastosowaniu do działalności

naukowej, [w:] Benchmarking w systemie szkolnictwa wyższego, J. Woźnicki (red.),

Fundacja Rektorów Polskich, Warszawa 2008, s. 42-48.

90. Starzyńska W., Statystyka praktyczna, Państwowe Wydawnictwo Naukowe, Warszawa 2000.

91. Thanassoulis E., Introduction to the theory and application of Data Envelopment

Analysis, Kluwer Academic Publishers, Norwell 2003.

92. The science of science policy. A handbook, Fealing K.H., Lane J.I., Marburger III J.H.,

Shipp S.S. (red.), Stanford University Press, Stanford 2011.

318

93. Tone K., Malmquist productivity index: efficiency change over time, [w:] Handbook

on Data Envelopment Analysis, W.W. Cooper, L.M. Seiford, J. Zhu (red.), Kluwer

Academic Publishers, Boston, Dordrecht, London 2004, s. 203-227.

94. Trajtenberg M., Innovation policy for development: an overview, [w:] The new

economics of technology policy, D. Foray (red.), Edward Elgar, Cheltenham,

Northampton 2009, s. 367-395.

95. Vademecum produktywności, Agencja Wydawnicza Placet, Warszawa 1999.

96. van den Besselaar S., Börner K., Scharnhorst A., Science policy and the challenges

for modeling science, [w:] Models of science dynamics, A. Scharnhorst, K. Börner,

S. van den Besselaar (red.), Springer 2012, s. 261-266.

97. Viale R., Etzkovitz H., The capitalization of knowledge: a triple helix of university-

industry-government, Edward Elgar Publishing Ltd., Northampton, USA 2010.

98. Welfe W., Przesłanki modelowania gospodarki opartej na wiedzy, [w:] Gospodarka oparta

na wiedzy, W. Welfe (red.), Polskie Wydawnictwo Ekonomiczne, Warszawa 2007, s. 9-20.

99. Wolszczak-Derlacz J., Efektywność naukowa, dydaktyczna i wdrożeniowa publicznych

szkół wyższych w Polsce – analiza nieparametryczna, Wydawnictwo Politechniki

Gdańskiej, Gdańsk 2013.

100. Wolszczak-Derłacz J., Parteka A., Produktywność naukowa wyższych szkół publicznych

w Polsce. Bibliometryczna analiza porównawcza, Ernst&Young, Warszawa 2010.

101. Zeliaś A., Metody statystyczne, Polskie Wydawnictwo Ekonomiczne, Warszawa 2000.

102. Zhu J., Quantitative models for performance evaluation and benchmarking: Data

Envelopment Analysis with spreadsheets and DEA Excel solver, Kluwer Academic

Publishers, Boston 2003.

103. Zieleniewski J., Prakseologiczne problemy wydajności i produktywności pracy,

[w:] Dynamika wydajności pracy w świetle prakseologii, Państwowe Wydawnictwo

Naukowe, Warszawa 1972.

104. Zieliński J., O organizacji badań naukowych, Polskie Wydawnictwo Ekonomiczne,

Warszawa 1975.

Wydawnictwa ciągłe

1. Abbott M., Doucouliagos C., The efficiency of Australian universities: a data

envelopment analysis, “Economics of Education Review” 2003, t. 22, s. 89-97.

2. Abramo G., Cicero T., D’Angelo C.A., A field-standardized application of DEA to national-

scale research assessment of universities, “Journal of Informetrics” 2011, t. 5, s. 618-628.

3. Abramo G., D’Angelo C.A., Di Costa F., Research collaboration and productivity:

is there correlation?, “Higher Education” 2009, t. 57, s. 155-171.

4. Abramo G., D’Angelo C.A., Di Costa F., Variability of research performance across

disciplines within universities in non-competitive higher education systems,

“Scientometrics” 2014, t. 98, s. 777-795.

5. Abramo G., D’Angelo C.A., Pugini F., The measurement of Italian universities‟

research productivity by a non parametric-bibliometric methodology,”Scientometrics”

2008, t. 76, nr 2, s. 225-244.

319

6. Adler N., Friedman L., Sinuany-Stern Z., Review of ranking methods in the data

envelopment analysis context, ”European Journal of Operational Research” 2002, t. 140,

s. 249-265.

7. Ahlqvist T., Valovirta V., Loikkanen T., Innovation policy roadmapping as a systemic

instrument for looking-foreward policy design, “Science and public policy” 2012, t. 39,

s. 178-190.

8. Aigner J.D., Lovell C.A.K., Schmidt S., Formulation and estimation of stochastic frontier

production function models, „Journal of Econometrics”, 1977, t. 6, nr 1, s. 21-37.

9. Al-Darrab I.A., Relationships between productivity, efficiency, utilization, and quality,

“Work Study” 2000, t. 49, nr 3, s. 97-104.

10. Alsyouf I., The role of maintenance in improving companies‟ productivity

and profitability, “International Journal of Production Economics” 2007, t. 105, s. 70-78.

11. Antonowicz D. , Jackowski S., Pilc A., Skoczeń B., Zabel M., Kategoryzacja nauki,


12. Antonowicz D., Brzeziński J.M., Doświadczenia parametryzacji jednostek naukowych

z obszaru nauk humanistycznych i społecznych 2013 – z myślą o parametryzacji 2017,

„Nauka” 2013, nr 4, s. 51-85.

13. Aoki S., Inoue K., Gejima R., Data envelopment analysis for evaluating Japanese

universities, “Artif Life Robotics” 2010, t. 15, s. 165-170.

14. Auranen O., Nieminen M., University research funding and publication performance –

an international comparison, “Research Policy” 2010, t. 39, s. 822-834.

15. Avkiran N.C., Rowlands T., How to better identify the true managerial performance:

state of the art using DEA, “Omega” 2008, t. 36, s. 317-324.

16. Avkiran N.K., Investigating technical and scale efficiencies of Australian universities through

data envelopment analysis, “Socio-Economic Planning Sciences” 2001, t. 35, s. 57-80.

17. Aziz N.A.A., Janor R.M., Mahadi R., Comparative departmental efficiency analysis

within a university: A DEA approach, “Procedia – Social and Behavioral Sciences”

2013, t. 90, s. 540-548.

18. Babu A.R., Singh Y.S., Determinants of research productivity, “Scientometrics” 1998,

t. 43, nr 3, s. 318-327.

19. Banker R.D., Cooper W.W., Validation and generalization of DEA and its uses, “Top”

1994, t. 2, nr. 2, s. 249-314.

20. Bauer S.W., Berger A.N., Ferrier G.D., Humphrey D.B., Consistency conditions

for regulatory analysis of financial institutions: a comparison of frontier efficiency

methods, ”Journal of Economics and Business” 1998, t. 50, s. 85-114.

21. Berbegal-Mirabent J., Lafuente E., Solé F., The pursuit of knowledge transfer activities:

An efficiency analysis of Spanish universities, ”Journal of Business Research” 2013,

t. 66, s. 2051-2059.

22. Bernardin H.J., Academic research under siege: toward better operational definitions

of scholarship to increase effectiveness, efficiencies and productivity, “Human Resource

Management Review” 1996, t. 6, nr 3, s. 207-229.

23. Bernolak I., Effective measurement and successful elements of company productivity:

The basis of competitiveness and world prosperity, “International Journal of Production

Economics” 1998, t. 52, s. 203-213.

320

24. Bleischwitz R., Rethinking productivity: why has productivity focused on labour instead

of natural resources, “Environmental and Resource Economics” 2001, t. 19, s. 22-36.

25. Boljunčić V., Sensitivity analysis of an efficient DMU in DEA model with variable

returns to scale (VRS), “Journal of Productivity Analysis” 2006, t. 25, s. 173-192.

26. Bolli T., Somogyi F., Do competitively acquired funds induce universities to increase

productivity?, “Research Policy” 2011, t. 40, s. 136-147.

27. Bonaccorsi A., Daraio C., Simar L., Advanced indicators of productivity of universities.

An application of robust nonparametric methods to Italian data, “Scientometrics” 2006,

t. 66, nr 2, s. 389-410.

28. Bonaccorsi A., Secondi L., Setteducati E., Ancaiani A., Participation and commitment

in third-party research funding: evidence from Italian universities, “Journal

of Technology Transfer” 2014, t. 39, nr 2, s. 169-198.

29. Bornmann L., Mutz R., Neuhaus C., Daniel H.D., Citation counts for research evaluation:

standards of good practice for analyzing bibliometric data and presenting and interpreting

results, “Ethics in Science and Environmental Politics” 2008, t. 8, s. 93-102.

30. Borrás S., Edquist C., The choice of innovation policy instruments, “Technological

Forecasting and Social Change” 2013, t. 80, s. 1513-1522.

31. Bratnicki M., Frączkiewicz-Wronka A., Efektywność organizacyjna i zarządzanie

publiczne – wyłaniające się koncepcje, kluczowe wyzwania i kierunki dalszych badań w

obszarze pomiaru efektywności, „Organizacja i Kierowanie” 2006, nr 3 (125), s. 17-31.

32. Brennan J., Shah T., Quality assessment and institutional change: experience from 14

countries, ”Higher Education” 2000, t. 40, nr 3, s. 331-349.

33. Brzeziński J.M., Kontrowersje wokół oceny jednostek naukowych z obszaru nauk

społecznych, „Kultura i Edukacja” 2011, nr 2, s. 177-192.

34. Brzeziński J.M., Ocena parametryczna – co dobre, co zmienić, „Forum Akademickie”

2013, nr 11, s. 30-33.

35. Brzeziński J.M., Reguły parametryzacji, „Forum Akademickie”, nr 2, 2007, s. 21-24.

36. Butler L., Using a balanced approach to bibliometrics: quantitative performance

measures in the Australian Research Quality Framework, “Ethics in Science

and Environmental Politics” 2008, t. 8, s. 83-92.

37. Caniëls M.C.J., van den Bosh H., The role of higher education institution in building

regional innovation systems, “Papers in Regional Science” 2011, t. 90, nr 2, s. 271-286.

38. Carayol N., Matt M., Individual and collective determinants of academic scientists

productivity, “Information Economics and Policy” 2006, t. 18, s. 55-72.

39. Caves D.W., Christensen L.R., Diewert E.R., The economic theory of index numbers

and the measurement of input, output, and productivity, “Econometrica” 1982, t. 50,

nr 6, s. 1393-1414.

40. Charnes A. , Cooper W.W. , Golany B., Seiford L.M., Stutz J., Foundations of Data

Envelopment Analysis for Pareto-Koopmans efficient empirical production functions,

”Journal of Econometrics” 1985, t. 30, s. 91-107.

41. Charnes A., Cooper W.W., Lewin A.Y., Morey R.C., Rousseau J., Sensitivity

and stability analysis in DEA, “Annals of Operation s Research” 1985, t. 2, s. 139-156.

42. Charnes A., Cooper W.W., Rhodes E., Measuring the efficiency of decision making

units, “European Journal of Operational Research” 1978, t. 2, s. 429-444.

321

43. Charnes A., Haag S., Jaska P., Semple J., Sensitivity of efficiency classifications

in the additive model of data envelopment analysis, “International Journal of Systems

Science” 1992, t. 23, s. 789-798.

44. Charnes A., Cooper W.W., Lewin A.Y., Seiford L.M., Data Envelopment Analysis:

theory, methodology, and application, Kluwer Academic Publishers, Boston, Dordrecht,

London 1996, s. 3-4.

45. Charnes A., Rousseau J., Semple J., Sensitivity and stability of efficiency classifications

in data envelopment analysis, “Journal of Productivity Analysis” 1996, t. 7, s. 5-18.

46. Chen C., Hicks D., Tracing knowledge diffusion, “Scientometrics” 2004, t. 59, nr 2,

s. 199-211.

47. Chew B., No-nonsense guide to measuring productivity, “Harvard Business Review”

1988, January-February, s. 3-9.

48. Cohen J.G., Sherman A.E., Kiet T.K., Kapp D.S., Osann K., Chen L., O’Sullivan S.S.,

Chan J.K., Characteristics of success in mentoring and research productivity – A case

-control study of academic centers, “Gynecologic Oncology” 2012, t. 125, s. 8-13.

49. Cook W.D., Seiford L.M., Data envelopment analysis (DEA) – Thirty years on,

”European Journal of Operational Research” 2009, t. 192, s. 1-17.

50. Cooper W.W., Li S., Seiford L.M., Tone K., Thrall R.M., Zhu J. , Sensitivity

and stability analysis in DEA: some recent developments, “Journal of Productivity

Analysis” 2001, t. 15, s. 217-246.

51. Cooper W.W., Seiford L.M., Thanassoulis E., Zanakis S.H., DEA and its uses in different

countries, „European Journal of Operational Research” 2004, t. 154, s. 337-344.

52. Debreu G., The coefficient of resource utilization, “Econometrica” 1951, t. 19, s. 273-292.

53. Drozdowicz Z., Kategoryzacja nauki, „Forum Akademickie” 2006, nr 9, s. 21-23.

54. Drucker P., The coming of the new organization, ”Harvard Business Review” 1988,

January-February, s. 3-11.

55. Dundar H., Lewis D.R., Determinants of research productivity in higher education,

”Research in Higher Education” 1998, t. 39, nr 6, s. 607-631.

56. Dyson R.G., Thanassoulis E., Reducing weight flexibility in Data Envelopment

Analysis, “Journal of the Operational Research Society” 1988, t. 39, nr 6, s. 563-576.

57. Emrouznejad A., Parker B.R., Tavares G., Evaluation of research in efficiency

and productivity: A survey and analysis of the first 30 years of scholarly literature

in DEA, “Socio-Economic Planning Sciences” 2008, t. 42, s. 151-157.

58. Emrouznejad A., Parker B.R., Tavares G., Evaluation of research in efficiency

and productivity: A survey and analysis of the first 30 years of scholarly literature

in DEA, “Socio-Economic Planning Sciences” 2008, t. 42, s. 151-157.

59. Etzkowitz H., Leydesdorff L., The dynamics of innovation: from National Systems

and „Mode 2‟ to a Triple Helix of university-industry-government relations, “Research

Policy” 2000, t. 29, s. 109-123.

60. Färe R., Grosskopf S., Malmquist productivity indexes and Fisher ideal indexes,

“Economic Journal” 1992, t. 102, s. 158-160.

61. Farrell M.J., The measurement of the productive efficiency, “Journal of the Royal

Statistical Society” 1957, seria A, nr 3, s. 253-290.

62. Gattoufi S., Oral M., Reisman A., A taxonomy for data envelopment analysis, “Socio-

Economic Planning Sciences“ 2004, t. 38, s. 141-158.

322

63. Gattoufi S., Oral M., Reisman A., Data envelopment analysis literature: a bibliography

update (1951-2001), “Socio-Economic Planning Sciences” 2004, t. 38, s. 159-229.

64. Glass J.C., McCallion G., McKillop D.G., Rasaratnam S., Stringer K.S., Implications

of variant efficiency measures for policy evaluations in UK higher education, “Socio

-Economic Planning Sciences” 2006, t. 40, s. 119-142.

65. Godin B., The value of science: changing conceptions of scientific productivity, 1869

to circa 1970, “Social Science Information” 2009, t. 48 (4), s. 547-586.

66. Gospodarowicz M., Procedury analizy i oceny banków, „Materiały i Studia” 2000,

Narodowy Bank Polski, nr 103, s. 1-60.

67. Grimp C., Extramural research grants and scientists‟ funding strategies: beggars

cannot be choosers?, “Research Policy” 2012, t. 41, s. 1448-1460.

68. Groot T., Garcìa-Valderrama T., Research quality and efficiency. An analysis

of assessments and management issues in Dutch economics and business research

programs, “Research Policy” 2006, t. 35, s. 1362-1376.

69. Grӧnroos C., Ojsalo K., Service productivity. Towards a conceptualization of the

transformation of inputs into economic results in services, “Journal of Business

Research” 2004, t. 57, s. 414- 423.

70. Guena A., Martin B.R., University research evaluation and funding: and international

comparison, “Minerva” 2003, t. 41, nr 4, s. 277-304.

71. Guzik B., Efektywność w standardowym modelu CCR-DEA przy zmianach rozmiaru

zadania, „Wiadomości Statystyczne” 2009, nr 11(582), s. 17-34.

72. Haas D.A., Murphy F.H., Compensating for non-homogeneity in decision-making units

in data envelopment analysis, “European Journal of Operational Research” 2003, t. 144,

s. 530-544.

73. Halkos G.E., Tzeremes N.G., Kourtzidis S.A., Measuring public owned university

departments‟ efficiency: a bootstrapped DEA approach, ”Journal of Economics

and Econometrics” 2012, t. 55, nr 2, s. 1-24.

74. Helms M.M., Perspective on quality and productivity for competitive advantage, ”The

TQM Magazine” 1996, t. 8, nr 3, s. 5-10.

75. Henriques L., Larédo P., Policy-making in science policy: The „OECD model‟ unveiled,

“Research Policy” 2013, t. 42, s. 801-816.

76. Hicks D., Performance-based university research funding systems, “Research Policy”

2012, t. 41, s. 251-261.

77. Hogan R.M., Productivity in research and development, “Science” 1950, t. 112, nr 2917,

s. 613-616.

78. Hong W., Xuezhu C., Ke Z., On the relationship between research productivity

and teaching effectiveness at research universities, “Frontiers of Education in China”

2007, t. 2 (2), s. 298-306.

79. Hosseinzadeh Lotfi F. i in., A review of ranking models in Data Envelopment Analysis,

”Journal of Applied Mathematics” 2013, t. 2013, s. 1-20.

80. Jääskeläinen A., Uusi-Rauva E., Bottom-up approach for productivity measurement

in large public organizations, “International Journal of Productivity and Performance

Management” 2011, t. 60, nr 3, s. 252-267.

81. Jabłecka J., Innowacje w sposobie finansowania uniwersytetów. Analiza na przykładzie

wybranych krajów OECD, „Problemy Zarządzania” 2004, t. 1, s. 62-81.

323

82. Jahanshahloo G.R. i in., Sensitivity of efficiency classifications in the inverse DEA

models, “Applied Mathematics and Computation” 2005, t. 169, s. 905-916.

83. Jahanshahloo G.R. i in., Sensitivity and stability analysis in DEA, “Applied

Mathematics and Computation” 2005, t. 169, s. 897-904.

84. Jiménez-Sáez F., Zabala-Iturriagagoitia J.M., Zofίo J.L., Who leads research productivity

growth? Guidelines for R&D policy-makers, ”Scientometrics” 2013, t. 94, s. 273-303.

85. Johnes G., Johnes J., Measuring the research performance of UK economics

departments: an application of Data Envelopment Analysis, “Oxford Economics

Papers” 1993, t. 45, s. 332-347.

86. Johnes J., Johnes J., Research funding and performance in U.K. university departments

of economics: a frontier analysis, “Economics of Education Review” 1995, t. 14, nr 3,

s. 301-314.

87. Johnes J., Yu L., Measuring the research performance of Chinese higher education

institutions using data envelopment analysis, “China Economic Review” 2008, t. 19,

s. 679-696.

88. José M., López G., Towards decentralized and goal-oriented models of institutional

resource allocation: The Spanish case, “Higher Education”2006, t. 51, s. 589-617.

89. Kao C., Chen L., Wang T., Kuo S., Horng S., Productivity improvement: efficiency

approach vs effectiveness approach, “Omega International Journal of Management

Science” 1995, t. 23, nr 2, s. 197-204.

90. Katharaki M., Katharakis G., A comparative assessment of Greek universities‟

efficiency using quantitative analysis, “International Journal of Educational Research”

2010, t. 49, s. 115-128.

91. Kieraciński P., Premia za jakość, „Forum Akademickie” 2003, nr 2, s. 28-29.

92. King D.A., The scientific impact of nations, ”Nature” 2004, t. 430, s. 311-316.

93. Kisielewska M. , Charakterystyka wybranych metod pomiaru efektywności bazujących

na krzywych efektywności, „Zeszyty Naukowe Akademii Ekonomicznej we Wrocławiu”

2005, nr 4.

94. Klotkou A., Gulbrandsen M., The relationship between academic patenting and scientific

publishing in Norway, “Scientometrics” 2010, t. 82, 2010, s. 93-108.

95. Kocher M.G., Luptacik M., Sutter M., Measuring productivity of research

in economics: A cross-country study using DEA, “Socio-Economic Planning Sciences”

2006, t. 40, s. 314-332.

96. Könnölä T., Scapolo F., Desruelle P., Mu R., Foresight tackling societal challenges:

Impacts and implications on policy-making, “Futures” 2011, t. 43, s. 252-264.

97. Kosmulski M., Quo vadis, KEJN?, „Forum Akademickie” 2011, nr 10, s. 34.

98. Kovács O., Orosz Á., Science and technology policy in the European Union – innovation

leaders with different outcomes, “Analele Universităţii Din Oradea” 2011, t. III, 2011,

s. 94-114.

99. Kozioł L., Istota i ocena produktywności, „Zeszyty Naukowe Małopolskiej Wyższej

Szkoły Ekonomicznej w Tarnowie. Zarządzanie zasobami ludzkimi” 2004, nr 5, s. 63-73.

100. Kozłowski J., Foresight jako narzędzie polityki naukowej, „Nauka i Szkolnictwo

Wyższe” 2008, t. 2, nr 32, s. 12-27.

101. Kozłowski J., OECD doradza, jak robić dobrą politykę, “Forum Akademickie” 2013, nr 4

102. Kozłowski J., Uwagi o polityce naukowej, „Forum Akademickie”, nr 6, 2005.

324

103. Kwon K.-S., Martin B.R., Synergy or separation mode: the relationship between

the academic research and the knowledge transfer activities of Korean academics,

“Scientometrics” 2012, t. 90, s. 177-200.

104. Lampe H.W., Hilgers D., Trajectories of efficiency measurement: A bibliometric analysis

of DEA and SFA, “European Journal of Operational Research” 2015, t. 240, p. 2.

105. Lampe H.W., Hilgers D., Trajectories of efficiency measurement: A bibliometric analysis

of DEA and SFA, “European Journal of Operational Research” 2015, t. 240, nr 1, s. 1-21.

106. Lee K., Choi K., Cross redundancy and sensitivity in DEA models, “Journal of Productivity

Analysis” 2010, t. 34, nr 2, s. 151-165.

107. Leitner K.H., Schaffhauser-Linzatti M., Stowasser R., Wagner K., Data envelopment

analysis as method for evaluating intellectual capital, ”Journal of Intellectual Capital”

2005, t. 6, nr 4, s. 528-543.

108. Liu J.S., Lu L.Y.Y., Lu W.-M., Lin B.J.Y., A survey of DEA applications, “Omega”

2013, t. 41, s. 893-902.

109. Liu J.S., Lu L.Y.Y., Lu W.-M., Lin B.J.Y., Data envelopment analysis 1978-2010:

A citation-based literature survey, “Omega” 2013, t. 41, s. 3-15.

110. Long R., Crawford A., White M., Davis K., Determinants of faculty research

productivity in information systems: an empirical analysis of the impact of academic

origin and academic affiliation, “Scientometrics” 2009, t. 78, nr 2, s. 231-360.

111. Lu W.-M., Intellectual capital and university performance in Taiwan, “Economic

Modelling” 2012, t. 29, s. 1081-1089.

112. Mader M. i in., Monitoring networking between higher education institutions

and regional actors, “Journal of Cleaner Production” 2013, t. 49, s. 105-113.

113. Manjarrés-Henrìquez L., Gutiérrez-Gracia A., Carrión-Garcìa A., Vega-Jurado J., The Effects

of university–industry relationships and academic research on scientific performance:

synergy or substitution?, ”Research in Higher Education” 2009, t. 50, s. 795-811.

114. Manjón J.V.G., Merino E.R., Innovation systems and policy design: the European

experience, “Innovation: Management, Policy & Practise” 2012, t. 14 (1), s. 33-42.

115. Markusova V.A., Tsygankova A.I., Krylova T.A., The indices of scientific productivity

and ratings of domestic universities, “Scientific and Technical Information Processing”

2009, t. 36, nr 4, s. 229-233.

116. Martin B.R., The evolution of science policy and innovation studies, “Research Policy”

2012, t. 41, s. 1219-1239.

117. Meeusen W., van den Broeck J., Efficiency estimation from Cobb-Douglas production

functions with composed error, ”International Economic Review” 1977, t. 18, nr 2,

s. 435-444.

118. Meng W., Zhang D., Qi L., Liu W., Two-level DEA approaches in research evaluation,

“Omega” 2008, t. 36, s. 950-957.

119. Mohanty R.S., Productivity growth: some imperatives, ”Work Study” 1995, t. 44, nr 1,

s. 16-17.

120. Morlacchi P., Martin B.R., Emerging challenges for science, technology and innovation

policy research: a reflexive overview, “Research Policy” 2009, t. 38, s. 571-582.

121. Mostafaee A., Soleimani-damaneh M., Identifying the anchor points in DEA using

sensitivity analysis in linear programming, “European Journal of Operational Research”

2014, t. 237, s. 383-388.

325

122. Munnell A.H., Why has productivity growth declines? Productivity and public

investment, “New England Economic Review” 1990, January/February, s. 1-22.

123. Muscio A., Quaglione D., Vallanti G., Does government funding complement or substitute

private research funding to universities?, “Research Policy” 2013, t. 42, s. 63-75.

124. Nazarko J., Chrabołowska J., Benchmarking w ocenie efektywności krajowych spółek

dystrybucyjnych energii elektrycznej, Prace Naukowe Akademii Ekonomicznej

we Wrocławiu, „Taksonomia” 2005, nr 12, s. 38-47.

125. Nazarko J., Ńaparauskas J., Application of DEA method in efficiency evaluation of public

higher education institutions, “Technological and Economic Development of Economy”

2014, t. 20, nr 1, s. 1-20.

126. Nazarko J., Urban J., Sensitivity to measurements errors of DEA models, Annales

Universitatis Mariae Curie-Skłodowska. Sectio AI. Informatica, Lublin 2007, s. 101-106.

127. Park B.U., Simar L., Weiner C., The FDH estimator for productivity efficiency score,

“Econometric Theory” 2000, t. 16, s. 855-877.

128. Pawłowska M. , Konkurencja i efektywność na polskim rynku bankowym na tle zmian

strukturalnych i technologicznych, „Materiały i Studia” 2005, nr 192, s. 2.

129. Piech K., Wiedza i innowacje w rozwoju gospodarczym: w kierunku obmiaru

i współczesnej roli państwa, Instytut Wiedzy i Innowacji, Warszawa 2009.

130. Pigłowski M., Prawny i moralny aspekt publikowania, „Nauka” 2011, nr 3, s. 145-156.

131. Print M., Hattie J., Measuring quality in universities: An approach to weighting

research productivity, „Higher Education” 1997, t. 33, s. 453-469.

132. Racki G., W mozole po kategorie, „Forum Akademickie” 2012, nr 1, s. 34-35.

133. Rao S., Tang J., W. Wang, The importance skills for innovation and productivity,

“International Productivity Monitor” 2002, nr 4, s. 15-28.

134. Ratajczak M., Nie wszyscy razem i nie wszyscy tak samo, „Forum Akademickie” 2012,

nr 7-8, s. 26-29.

135. Rebora G., Turri M., The UK and Italian research assessment exercises face to face,

“Research Policy” 2013, t. 42, s. 1657-1666.

136. Rhoades G., Managing productivity in an academic institution: rethinking the whom,

which, what, and whose of productivity, “Research in Higher Education” 2001, t. 42, nr 5,

s. 619-632.

137. Rubio J.E., Tshipamba N., Elements of the public policy of science, technology and

innovation, “Canadian Social Sciences” 2010, t. 6, nr 6, s. 61-80.

138. Sawicki A., Obraz polskiej nauki po rankingu MNiSW, „Forum Akademickie” 2010,

nr 11, s. 40-41.

139. Seiford L.M., A bibliography for Data Envelopment Analysis (1978-1996), “Annals

of Operations Research” 1997, t. 73, s. 393-438.

140. Seiford L.M., Zhu J., Sensitivity analysis of DEA models for simultaneous changes in all

the data, “Journal of the Operational Research Society” 1998, t. 49, 1998, s. 1060-1071.

141. Seiford L.M., Zhu J., Sensitivity and stability of the classifications of returns to scale

in Data Envelopment Analysis, “Journal of Productivity Analysis” 1999, t. 12, s. 55-75.

142. Seiford L.M., Zhu J., Stability regions for maintaining efficiency in data envelopment

analysis, “European Journal of Operational Research” 1998, t. 108 (1), s. 127-139.

326

143. Shang S.S.C., Lin S., Wu Y., Service innovation through dynamic knowledge

management, ”Industrial Management & Data Systems” 2009, t. 109, nr 3, s. 322-337.

144. Sharpe A., Productivity concept, trends and prospects: an overview, “The Review

of Economic Performance and Social Progress” 2002, t. 2, s. 31-56.

145. Silver E.A., Some ideas on enhancing research productivity, “International Journal

of Production Economics” 2009, t. 118, s. 352-360.

146. Singh H., Motwani J., Kulmar A., A review and analysis of the state-of-the-art research

on productivity measurement, “Industrial Management & Data Systems” 2000, t. 100,

nr 5, s. 234-241.

147. Singh S., Multiparametric sensitivity analysis of the additive model in data envelopment

analysis, “International Transactions in Operational Research” 2010, t. 17, s. 365-380.

148. Sohn S.Y., Kim Y., DEA based multi-period evaluation system for research

in academia, ”Expert Systems with Applications” 2012, t. 39, s. 8274-8278.

149. Stainer A., Productivity management: the Japanese experience, “Management Decision”

1995, t. 33, nr 8, s. 4-12.

150. Stefaniak B., International cooperation of Polish researchers with partners from

abroad: a scientometric study, “Scientometrics” 1998, t. 41, nr 1-2, s. 156.

151. Stępień K., Rzeczywiste wyniki naukowe, „Forum Akademickie” 2011, nr 2.

152. Stewart T.J., Relationships between Data Envelopment Analysis and Multicriteria Decision

Analysis, “Journal of the Operational Research Society” 1996, t. 47, nr 5, s. 654-665.

153. Świtłyk M., Mongiało Z., Zastosowanie metody DEA do pomiaru efektywności

na uczelniach publicznych w latach 2004-2008, Zeszyty Naukowe Uniwersytetu

Ekonomicznego w Poznaniu 2011, nr 171, s. 375-384.

154. Szymańska E., Efektywność przedsiębiorstw – definiowanie i pomiar, „Roczniki Nauk

Rolniczych” 2010, seria G, t. 97, z. 2, s. 152-164.

155. Tangen S., Demystifying productivity and performance, “International Journal of Productivity

and Performance Management” 2005, t. 54, nr 1, s. 34-46.

156. Taylor B., Harris G., Relative efficiency among South African universities: A data

envelopment analysis, “Higher Education” 2004, t. 47, s. 73-89.

157. Thompson A.N., Estabrooks C.A., Degner L.F., Clarifying the concepts in knowledge

transfer: a literature review, “Journal of Advanced Nursing” 2006, t. 53, nr 6, s. 691-701.

158. Thompson R.G., Singleton Jr F.D., Thrall R.M., Smith B.A., Comparative site evaluations

for locating a high-energy physics lab in Texas, “Interfaces” 1986, t. 16 (6), s. 35-49.

159. Torrisi B., Academic productivity correlated with well-being at work, “Scientometrics”

2013, t. 94, s. 801-815.

160. Toutkoushian R.K., Porter S.R., Danielson C., Hollis S.R., Using publications counts

to measure an institution‟s research productivity, “Research in Higher Education”

2003, t. 44, nr 2, s. 121-148.

161. Tyagi P., Yadav S.P., Singh S.P., Relative performance of academic departments using

DEA with sensitivity analysis, “Evaluation and Program Planning” 2009, t. 32, s. 168-177.

162. Wang E.C., Huang W., Relative efficiency of R&D activities: A cross-country study

accounting for environmental factors in the DEA approach, “Research Policy” 2007,

t. 36, s. 260-273.

327

163. Wilkin J., Finansowanie nauki i szkolnictwa wyższego w Polsce. Wybrane problemy

i postulowane kierunki reform, „Studia BAS” 2013, nr 3 (35), s. 51-70.

164. Wojick D.W., Warnick W.L., Carroll B.C., Crowe J., The digital road to scientific

knowledge diffusion, “D-Lib Magazine” 2006, t. 12, nr 6.

165. Wołodkiewicz‑Donimirski Z., Innowacyjność polskiej gospodarki na tle międzynarodowym,

„Studia BAS” 2011, nr 1 (25), s. 9-33.

166. X. Wang, D. Liu, K. Ding, X. Wang, Science funding and research output: a study on

10 countries, “Scientometrics” 2012, t. 91, s. 591-599.

167. Zhang D., Banker R.D., Li X., Liu W., Performance impact of research policy at the

Chinese Academy of Science, “Research Policy” 2011, t. 40, s. 875-885.

168. Zhu J., Robustness of the efficient DMUs in data envelopment analysis, “European

Journal of Operational Research” 1996, t. 90, s. 451-460.

169. Zhu J., Super-efficiency and DEA sensitivity analysis, „European Journal of Operational

Research” 2001, t. 129, s. 443-455.

170. Żylicz M., Ocena parametryczna dzisiaj i jutro, „Forum Akademickie”, nr 6, 2006, s. 22-24.

Akty prawne

1. Komunikat nr 1 z dnia 27 lutego 2009 r. o przyznanych zwiększeniach dotacji ze

środków finansowych na naukę na finansowanie podstawowej działalności statutowej,

Dz.U. MNiSW, nr 1/2009, poz. 10.

2. Komunikat nr 12 z dnia 29 kwietnia 2010 r. o przyznanych dotacjach ze środków

finansowych na naukę na podstawową działalność statutową, Dz.U. MNiSW, nr 3/2010,

poz. 63.

3. Komunikat nr 14 z dnia 3 lipca 2009 r. o przyznanych dotacjach ze środków finansowych

na naukę na podstawową działalność statutową, Dz.U. MNiSW, nr 3/2009, poz. 56.

4. Komunikat nr 2 Ministra Nauki i Szkolnictwa Wyższego z dnia 6 lutego 2007 r.

o przyznanych dotacjach ze środków finansowych na naukę na podstawową działalność

statutową, Dz.U. MNiSW, nr 1/2007, poz. 9.

5. Komunikat nr 4 z dnia 16 stycznia 2008 r. o przyznanych dotacjach ze środków

finansowych na naukę na podstawową działalność statutową, Dz.U. MNiSW, nr 1/2008,

poz. 15.

6. Komunikat nr 4 z dnia 29 stycznia 2010 r. o przyznanych zwiększeniach dotacji

ze środków finansowych na naukę na finansowanie podstawowej działalności

statutowej, Dz.U. MNiSW, nr 2/2010, poz. 35.

7. Komunikat nr 7 z dnia 8 kwietnia 2011 r. o przyznanych zwiększeniach dotacji

ze środków finansowych na naukę na finansowanie podstawowej działalności

statutowej, Dz.U. MNiSW, nr 2/2011, poz. 55.

8. Komunikat nr 8 Ministra Nauki i Szkolnictwa Wyższego z dnia 28 marca 2007 r.

o przyznanych dotacjach ze środków finansowych na naukę na podstawową działalność

statutową, Dz.U. MNiSW, nr 2/2007, poz.24.

9. Komunikat nr 8 z dnia 26 lutego 2008 r. o przyznanych dotacjach ze środków finansowych

na naukę na podstawową działalność statutową, Dz.U. MNiSW, nr 1/2008, poz. 19.

10. Obwieszczenie Ministra Nauki i Szkolnictwa Wyższego z dnia 5 czerwca 2013 r.

w sprawie ogłoszenia jednolitego tekstu rozporządzenia Ministra Nauki i Szkolnictwa

Wyższego w sprawie kryteriów i trybu przyznawania oraz rozliczania środków

328

finansowych na naukę na finansowanie działalności statutowej, Dz. U. Warszawa,

20 stycznia 2014 r., poz. 90.

11. Rozporządzenie Ministra Nauki i Szkolnictwa Wyższego z dnia 13 lipca 2012 roku

w sprawie kryteriów i trybu przyznawania oraz rozliczania środków finansowych

na działalność statutową, Dz. U. 01.08.2012, poz. 877.

12. Rozporządzenie Ministra Nauki i Szkolnictwa Wyższego z dnia 5 listopada 2010 r.

w sprawie kryteriów i trybu przyznawania oraz rozliczania środków finansowych

na naukę na finansowanie działalności statutowej, Dz. U. 2010 nr 218, poz. 1438.

13. Rozporządzenie Ministra Nauki i Szkolnictwa Wyższego z dnia 8 sierpnia 2011 r.

w sprawie obszarów wiedzy, dziedzin nauki i sztuki oraz dyscyplin naukowych

i artystycznych , Dz. U. nr 179, poz. 1065.

14. Rozporządzenie Prezesa Rady Ministrów z dnia 16 listopada 2007 r. w sprawie

szczegółowego zakresu działania Ministra Nauki i Szkolnictwa Wyższego, Dz. U.

nr 216, poz. 1596.

15. Rozporządzenie Rady Ministrów z dnia 5 maja 2006 r. w sprawie utworzenia

Ministerstwa Nauki i Szkolnictwa Wyższego Dz.U. 2006 nr 76 poz. 533.

16. Uchwała nr 1/2003 Komitetu Badań Naukowych z dnia 10 stycznia 2003 r. w sprawie

przyznania środków finansowych na finansowanie lub dofinansowanie działalności

statutowej jednostek naukowych w 2003 r., Dz.U. MN i KBN, nr 1/2003, poz. 1.

17. Ustawa z dnia 30 kwietnia 2010 r. o instytutach badawczych Dz. U. z 2010 r. nr 96,

poz. 618.

18. Ustawa z dnia 30 kwietnia 2010 r. Przepisy wprowadzające ustawy reformujące system

nauki, Dz. U. z 2010 r. nr 96, poz. 620.

19. Ustawa z dnia 30 kwietnia 2010 r. o instytutach badawczych, Dz. U. 2010, nr 96, poz. 618.

20. Ustawa z dnia 30 kwietnia 2010 r. o zasadach finansowania nauki, Dz. U. z 2010 r. nr 96

poz. 615.

21. Ustawa z dnia 30 maja 2008 r. o niektórych formach wspierania działalności

innowacyjnej, Dz. U. z 2008 r. nr 116 poz. 730.

22. Zarządzenie nr 1/2004 z dnia 15 stycznia 2004 r. w sprawie przyznania środków

finansowych na finansowanie lub dofinansowanie działalności statutowej jednostek

naukowych w 2004 r., Dz.U. MN i KBN, nr 1/2004, poz. 1.

23. Zarządzenie nr 13/2003 z dnia 8 kwietnia 2003 r. w sprawie przyznania środków

finansowych na finansowanie lub dofinansowanie działalności statutowej jednostek


24. Zarządzenie nr 17/2005 z dnia 16 grudnia 2005 r. zmieniająca uchwałę w sprawie


statutowej jednostek naukowych w 2005 r., Dz.U. MNiI, nr 2/2005, poz. 17.

25. Zarządzenie nr 18/2004 z dnia 18 marca 2004 r. w sprawie przyznania środków

finansowych na finansowanie lub dofinansowywanie działalności statutowej jednostek


26. Zarządzenie nr 22/2003 z dnia 25 maja 2003 r. zmieniająca uchwałę w sprawie



329

27. Zarządzenie nr 25/2003 z dnia 26 czerwca 2003 r. zmieniająca uchwałę w sprawie



28. Zarządzenie nr 3/2005 z dnia 20 stycznia 2005 r. zmieniająca uchwałę w sprawie


statutowej jednostek naukowych w 2005 r., Dz.U. MNiI, nr 1/2005, poz. 3.

29. Zarządzenie nr 32/2004 z dnia 27 maja 2004 r. zmieniająca uchwałę w sprawie


statutowej jednostek naukowych w 2004 r., Dz.U. MNiI i KBN, nr 7/2004, poz. 41.







32. Zarządzenie nr 54/2004 z dnia 21 października 2004 r. zmieniająca uchwałę w sprawie






Raporty, dokumenty unijne, rządowe, samorządu terytorialnego i inne

1. ab Iorwerth A., Methods of Evaluating University Research Around the World,

Departament of Finance, Canada, Working Paper 2005-04, s. 46.

2. AERES, Criteria for the evaluation of research institutions: The AERES standards,

2013, s. 10-16, www.aeres-evaluation.com.

3. Agency for Science and Higher Education, Principles and criteria for the evaluation

of scientific organisations in the Republic of Croatia, 2013, FILE NO. 355-02-05-13-7,

s. 3-19, www.azvo.hr.

4. Agency for Science and Higher Education, Principles and criteria for the evaluation

of scientific organisations in the Republic of Croatia, 2013, FILE NO. 355-02-05-13-7,

p. 19, www.azvo.hr.

5. Arnold E. , Knee P. , Latvia: Research Assessment Exercise, Technopolis, Riga 2013,

s. 4, 18-24, izm.izm.gov.lv.

6. Arnold E., Barker K., Slipersæter A., Research institutes in the ERA, Technolopolis,

Brighton 2010, http://ec.europa.eu/research/era/docs/en/research-institutes-in-the-era.pdf.

7. Australian Research Council, ERA 2012 Evaluation Handbook, Commonwealth

of Australia 2012, www.arc.gov.au.

8. Australian Research Council, ERA 2012 National Report – institution list,

http://www.arc.gov.au/era/Outcomes_2012/InstitutionIndex.

9. Centre for the Study of Living Standards, Productivity: key to economic success, report,

The Atlantic Canada Opportunities Agency, Ottawa, Ontario1998, s. 1-45.

330

10. Crespi G., Geuna A., The productivity of science, University of Sussex, 2004,

www.kurul.inet-tr.org.tr/inovasyon/crespiost2.pdf.

11. Critérios de Atribuiçăo de Financiamento 2015-2020,

http://www.fct.pt/apoios/unidades/avaliacoes/2013.

12. Departament Strategii i Rozwoju Nauki Ministerstwa Nauki i Szkolnictwa Wyższego,

Strategia rozwoju nauki w Polsce do 2015 roku, Warszawa 2007.

13. European Commision, Europe 2020 – A strategy for smart, sustainable and inclusive

growth, COM(2010) 2020 final, Brussels 2010

14. European Commission, Europe 2020 flagship initiative innovation union, communication

nr 546, Brussels 2010, http://ec.europa.eu/commission_2010-2014/geoghegan-

quinn/headlines/documents/com-2010-546-final_en.pdf.

15. Farrell J., The measurement of productive efficiency, “Journal of the Royal Statistical

Society” 1957, Series A, Part III, t. 120, nr 3, s. 253-290,

http://www.lib.ctgu.edu.cn:8080/wxcd/qw/285.pdf.

16. Finnish Ministry of Eduation and Culture, Proposal for a reform of the university financing

model from 2013, http://www.minedu.fi/OPM/Julkaisut/2011/yliopistot.html?lang=en.

17. Franceschet M., Costantini A., The first Italian research assessment exercise:

a bibliometric perspective, 2009, http://arxiv.org/abs/0912.2601.

18. Fundacja na rzecz Nauki i Technologii (FCT), Ministerstwo Edukacji i Nauki, FCT

Evaluation of R&D Units 2013. Evaluation guide,

http://www.fct.pt/apoios/unidades/avaliacoes/2013.

19. Gates S., Stone A., Understanding productivity in higher education, Prepared for

California Education Roundtable, 1997.

20. Georghiou L., Cox D., Keenan M.P., Flanagan K., Barker K.E., A comparative analysis

of public, semi-public and recently privatised research centres, project report, European

Commission Publication, Brussels 2002.

21. GUS, Działalność badawcza i rozwojowa w Polsce w 2012 roku, stat.gov.pl/obszary-

tematyczne/nauka-i-technika-spoleczenstwo-informacyjne/nauka-i-

technika/dzialalnosc-badawcza-i-rozwojowa-w-polsce-w-2012-r-,8,2.html

22. Kaci M., Understanding productivity: a primer, „Canadian Productivity Review” 2006,

catalogue no. 15-206-XIE, nr 002.

23. Kempkes G., Pohl C., The efficiency of German universities – some evidence from non-

parametric and parametric methods, Institute for Economic Research at the University

of Munich, IFO Working Paper 2006, nr 36.

24. KNAW, VSNU, NWO, Standard Evaluation Protocol 2009-2015. Protocol for research

assessment in the Netherlands, The Netherlands 2010, p. 11, www.knaw.nl/sep.

25. Komisja Europejska, Europa 2020. Strategia na rzecz inteligentnego i zrównoważonego

rozwoju sprzyjającego włączeniu społecznemu, KOM nr 2020, Bruksela 2010,

ec.europa.eu/eu2020/pdf/1_PL_ACT_part1_v1.pdf.

26. Komisja Europejska, Ocena strategii lizbońskiej, SEK nr 114, Bruksela 2010, s. 3,

ec.europa.eu/europe2020/pdf/lisbon_strategy_evaluation_pl.pdf.

27. Kozłowski J., Ewaluacja instytucji naukowych w Polsce w świetle porównań

międzynarodowych i konsultacji, Departament Strategii Ministerstwa Nauki i Szkolnictwa

Wyższego, Warszawa 2010, s. 8.

331

28. Krajowy Program Badań, Warszawa 2011, http://www.bip.nauka.gov.pl/krajowy-

program-badan.

29. Kuah C.T., Wong K.Y., Behrouzi F., A Review on Data Envelopment Analysis (DEA),

[w:] 2010 Fourth Asia International Conference on Mathematical/Analytical Modelling

and Computer Simulation AMS2010, D. Al-Dabass, J. Yunus, Z. Ibrahim, R. Sarbatly,

A. Abraham (red.), IEEE 2010, s. 168-173.

30. Lane J., Science of Science & Innovation Policy(SciSIP),

www.oecd.org/science/inno/40858284.pdf.

31. Latvijas Republikas Izglitibas un zinãtnes ministrija, Zinātnisko institūciju zinātniskās

darbības kvalitātes vērtēšanas metodika, izm.izm.gov.lv.

32. Martìn E., An application of the Data Envelopment Analysis methodology

in the performance assessment of the Zaragoza University Departments,

http://ideas.repec.org/p/zar/wpaper/dt2003-06.html.

33. Ministerstwo Gospodarki, Strategia innowacyjności i efektywności gospodarki

„Dynamiczna Polska 2020” (SIEG), Warszawa 2013.

34. Ministerstwo Infrastruktury i Rozwoju, Program Operacyjny Inteligentny Rozwój 2014

-2020 (POIR), Warszawa 2014.

35. Ministry of Higher Education and Research, Higher education and research reform

in Lithuania: resetting the system towards competitive future, Vilnius 2011,

planipolis.iiep.unesco.org.

36. Najwyższa Izba Kontroli, Wykorzystanie środków publicznych na naukę,

nr 162/2012/P/11/070/KNO, Warszawa 2012, s. 23-28.

37. National Agency for the Evaluation of Universities and Research Institutes (ANVUR),

Evaluation of Research Quality (VQR), Evaluation of research quality 2004-2010,

2011, s. 2, www.researchitaly.it/en/understanding/overview/assessment.

38. Nauka w Polsce 2013 roku, Ministerstwo Nauki i Szkolnictwa Wyższego, Warszawa 2013.

39. Oyeranti G.A., Concept and measuring of productivity, Central Bank of Nigeria, Abuja

2000, http://www.cenbank.org/out/Publications/occasionalpapers/rd/2000/Abe-00-1.PDF.

40. Private sector interaction in the decision making processes of public research policies:

Denmark, http://ec.europa.eu/invest-in-

research/pdf/download_en/psi_countryprofile_denmark.pdf.

41. REF2014: Assessment framework and guidance on submissions, Northhavon House,

Bristol 2011, s. 6-8 http://www.ref.ac.uk/pubs.

42. REF2014: Panel criteria and working methods, Northhavon House, Bristol 2012,

http://www.ref.ac.uk/pubs.

43. Russell J.M., Rousseau R., Bibliometrics and institutional evaluation,

http://www.vub.ac.be /BIBLIO/itp/

lecturers/ronald_rousseau/ronald_roussea_stim1_bibliometrics_russell.pdf.

44. Sarafidis V., An assessment of comperative efficiency measurment techniques, Europe

Economics, 2002, s. 9, http://europe-

economics.com/publications/efficiency_measurement.pdf.

45. Tangen S., Understanding the concept of productivity, Proceedings of the 7th Asia Pacific

Industrial Engineering and Management Systems Conference (APIEMS2002), Taipei 2002.

332

46. Tavares G., A Bibliography of Data Envelopment Analysis (1978-2001), Rutcor Research

Report, Rutgers University, Piscataway 2002,

http://rutcor.rutgers.edu/pub/rrr/reports2002/1_2002.pdf.

47. Tzeremes N.G., Halkos G.E., A DEA approach for measuring university departments'

efficiency, MPRA Paper 2010, nr 24029, http://mpra.ub.uni-muenchen.de/24029.

48. Urban J., Klasyfikacja polskich jednostek naukowych w ocenie parametrycznej MNiSW,

XIX Konferencja Naukowa Sekcji Klasyfikacji i Analizy Danych Polskiego Towarzystwa

Statystycznego oraz XXIV Konferencja Taksonomiczna "Klasyfikacja i analiza danych –

teoria i zastosowania”. Streszczenia referatów, Toruń, 15-17 września 2010 r.

49. van Drooge L. , de Jong S., Faber M., Westerheijden D., Twenty years of research

evaluation, „Facts&Figures”, Rathenau Instituut, The Hague 2013, www.rathenau.nl.

50. Wissenschaftsrat WR, Aufgaben, Kriterien und Verfahren des Evaluationsausschusses

des Wissenschaftsrates, Mainz 2013, www.wissenschaftsrat.de.

Strony internetowe

1. Academy of Finland, www.aka.fi.

2. Erawatch, erawatch.jrc.ec.europa.eu.

3. Eurostat, ec.europa.eu/eurostat.

4. Fundação para a Ciência e a Tecnologia (FCT), www.fct.pt.

5. Główny Urząd Statystyczny, stat.gov.pl.

6. Komitet Badań Naukowych, http://kbn.icm.edu.pl.

7. Ministerstwo Finansów, www.finanse.mf.gov.pl.

8. Ministerstwo Nauki i Szkolnictwa Wyższego www.mnisw.gov.pl.

9. Ministry of Higher Education and Science, Denmark, fivu.dk.

10. OECD, www.oecd.org.

11. Słownik języka polskiego, Państwowe Wydawnictwo Naukowe, sjs.pwn.pl.

12. The Finnish Higher Education Evaluation Council (FINHEEC), www.finheec.fi.

333

SPIS RYSUNKÓW

Rysunek 1.1. Liczba publicznych jednostek naukowych zarejestrowanych

w bazie Eurolabs ............................................................................................................... 13

Rysunek 1.2. Koncepcja trójkąta wiedzy ............................................................................................. 16

Rysunek 1.3. Model potrójnej helisy (ang. triple helix) ................................................................... 18

Rysunek 1.4. Cykl polityki naukowej ................................................................................................... 25

Rysunek 1.5. Elementy polityki naukowej .......................................................................................... 31

Rysunek 1.6. Jednostka naukowa jako system organizacyjny ....................................................... 36

Rysunek 2.1. Koncepcja techniczna produktywności ....................................................................... 43

Rysunek 2.2. Koncepcja produktywności jako syntezy efektywności i racjonalności ........... 45

Rysunek 2.3. Koncepcja produktywności w odniesieniu do pojęć pokrewnych ...................... 47

Rysunek 2.4. Typologia systemów finansowania jednostek naukowych ................................... 54

Rysunek 2.5. Model produkcji naukowej ............................................................................................. 56

Rysunek 2.6. Klasyfikacja metod pomiaru produktywności .......................................................... 58

Rysunek 2.7. Graficzna prezentacja metody SFA ............................................................................. 62

Rysunek 2.8. Ilustracja graficzna metody COLS ............................................................................... 63

Rysunek 2.9. Ilustracja graficzna metody DEA oraz FDH ............................................................. 65

Rysunek 3.1. Krajowe wydatki na badania i rozwój (GERD) w podziale na sektory ............. 73

Rysunek 3.2. Struktura krajowych nakładów na badania i rozwój (GERD) według źródeł

finansowania ....................................................................................................................... 74

Rysunek 3.3. Źródła finansów jednostek naukowych ....................................................................... 76

Rysunek 3.4. Model systemu nauki w Europie ................................................................................... 80

Rysunek 3.5. Systematyczne inicjatywy oceny lub ewaluacji instytucjonalnej jednostek

naukowych w Europie ...................................................................................................... 84

Rysunek 3.6. Zestawienie podejścia parametrycznego i ewaluacji w systemach

instytucjonalnej oceny jednostek naukowych ........................................................... 85

Rysunek 3.7. Metodyka oceny w systemie Research Excellence Framework (REF) ............. 90

Rysunek 4.1. Nakłady na działalność B+R w odniesieniu do PKB

w Polsce w poszczególnych latach .......................................................................... 113

Rysunek 4.2. Nakłady na działalność B+R według źródeł finansowania ................................ 113

Rysunek 4.3. Struktura nakładów na działalność B+R według rodzajów badań ..................... 114

Rysunek 4.4. Zestawienie nakładów publicznych na finansowanie nauki

oraz dotację statutową ..................................................................................................... 115

334

Rysunek 4.5. Struktura wydatków w 2014 roku ............................................................................. 116

Rysunek 4.6. Struktura systemu nauki w Polsce ............................................................................. 117

Rysunek 4.7. Liczba jednostek naukowych w Polsce w podziale

na typ jednostki naukowej i województwo ............................................................. 119

Rysunek 4.8. Liczba i struktura zatrudnionych w działalności badawczej i rozwojowej

według poziomu wykształcenia ................................................................................. 120

Rysunek 4.9. Struktura zatrudnienia z tytułem lub stopniem naukowym profesora, doktora

habilitowanego oraz doktora w jednostkach naukowych według obszarów

wiedzy ............................................................................................................................... 121

Rysunek 4.10. Proces oceny parametrycznej w Polsce ................................................................... 124

Rysunek 4.11. Przykład wyniku zastosowania metody prezentacji struktury danych

wielowymiarowych M. Rybaczuka ........................................................................... 139

Rysunek 4.12. Zróżnicowanie jednostek naukowych w grupach jednorodnych G1 i N8 ..... 140

Rysunek 4.13. Porównanie dwóch grup jednorodnych G8 i N8 ................................................... 140

Rysunek 4.14. Klasyfikacja jednostek naukowych do kategorii w grupie N1 .......................... 141

Rysunek 4.15. Rozkład wartości cech, różnice tych cech wartości dwóch kolejnych

jednostek naukowych oraz ich kategorie naukowe

w ocenie parametrycznej 2010 ................................................................................... 141

Rysunek 4.16. Rozkład wartości cech, różnice tych cech wartości dwóch kolejnych

jednostek naukowych oraz ich kategorie naukowe

w ocenie parametrycznej 2013 ................................................................................... 142

Rysunek 5.1. Graficzna ilustracja koncepcji metody DEA .......................................................... 147

Rysunek 5.2. Etapy pomiaru produktywności metodą DEA ....................................................... 149

Rysunek 5.3. Liczba publikacji w tematyce metody DEA w latach 1978-2014 .................... 154

Rysunek 5.4. Zjawisko luzów w modelach DEA ............................................................................ 161

Rysunek 5.5. Obszary efektów skali ................................................................................................... 164

Rysunek 5.6. Radialna i nieradialna miara odległości od granicy produktywności .............. 167

Rysunek 6.1. Struktura jednostek naukowych badanych przez autorkę ................................... 187

Rysunek 6.2. Graficzna prezentacja struktury jednostek naukowych w dwuwymiarowej

przestrzeni kryteriów oceny ........................................................................................ 189

Rysunek 6.3. Wykres pudełkowy liczby zatrudnionych w jednostkach naukowych

w działalności B+R ........................................................................................................ 195

Rysunek 6.4. Średni poziom zatrudnienia i średni poziom dotacji statutowej

w poszczególnych grupach jednostek naukowych ............................................... 196

335

Rysunek 6.5. Średni poziom dotacji statutowej na 1 pracownika

w poszczególnych grupach jednostek naukowych ................................................ 197

Rysunek 6.6. Liczba jednostek naukowych i średni poziom dotacji statutowej jednostek

naukowych w latach 2005-2008 według województw ........................................ 198

Rysunek 6.7. Średni poziom uzyskiwanych wyników w poszczególnych obszarach

naukowych według rodzaju jednostki naukowej ................................................... 199

Rysunek 6.8. Średni poziom uzyskiwanych wyników w poszczególnych obszarach

naukowych według rodzaju uczelni ........................................................................... 200

Rysunek 6.9. Rzut przypadków na płaszczyznę czynników J3 i J4 ........................................... 211

Rysunek 6.10. Porównanie rankingów modeli SE-VRS-O i skorygowanego SE-VRS-O

w grupie J1 ..................................................................................................... 214

Rysunek 6.11. Porównanie rankingów modeli SE-VRS-O i skorygowanego SE-VRS-O

w grupie J1 ...................................................................................................... 226

Rysunek 7.1. Koncepcja modelu oceny produktywności jednostek naukowych ................ 233

Rysunek 7.2. Porównanie poziomu wskaźników produktywności w modelach DEA

oraz MNiSW w poszczególnych grupach jednorodnych ............................... 236

Rysunek 7.3. Średni poziom wskaźnika efektywności MNiSW według rodzaju

jednostki naukowej ........................................................................................ 241

Rysunek 7.4. Graf benchmarkingowy grupy J5 ................................................................... 243

Rysunek 7.5. Graf benchmarkingowy wybranych obiektów z grupy J5 .............................. 244

Rysunek 7.6. Proces systematycznej oceny produktywności

z zastosowaniem metody DEA ...................................................................... 247

336

SPIS TABEL

Tabela 1.1. Narzędzia wspierające kreowanie polityki naukowej ............................................ 29

Tabela 1.2. Funkcje ewaluacji instytucjonalnej w zakresie badań naukowych ..................... 34

Tabela 1.3. Fazy ewaluacji instytucjonalnej .................................................................................... 35

Tabela 2.1. Publikacje z przykładami zastosowania metod pomiaru

produktywności nauki ...................................................................................................... 67

Tabela 2.2. Porównanie założeń metod DEA i SFA ..................................................................... 70

Tabela 3.1. Klasyfikacja form publicznego finansowania działalności naukowej ............... 77

Tabela 3.2. Liczba jednostek naukowych w wybranych krajach europejskich ..................... 81

Tabela 3.3. Modele oceny instytucjonalnej jednostek naukowych w wybranych krajach

europejskich i pozaeuropejskich ................................................................................... 86

Tabela 3.4. Grupy oceny w systemie REF ....................................................................................... 88

Tabela 3.5. Klasyfikacja jednostek naukowych w systemie oceny REF ................................. 91

Tabela 3.6. Kryteria oceny zewnętrznej w systemie Standard Evaluation Protocol

2009-2015 w Holandii ..................................................................................................... 96

Tabela 3.7. Kategorie i kryteria raportu samooceny w systemie SEP 2009-2015 ................ 97

Tabela 3.8. Kryteria ewaluacji jednostek naukowych w Portugalii ....................................... 101

Tabela 3.9. Kryteria oceny instytucjonalnej we Francji ............................................................ 102

Tabela 3.10. Kryteria oceny instytucjonalnej w Niemczech ...................................................... 105

Tabela 3.11. Kryteria oceny jakości jednostek naukowych w Chorwacji .............................. 108

Tabela 3.12. Kryteria oceny w systemie Excellence in Research for Australia 2012 ......... 110

Tabela 4.1. Założenia i rozwój oceny parametrycznej w Polsce ............................................ 125

Tabela 4.2. Algorytm alokacji dotacji statutowej ........................................................................ 126

Tabela 4.3. Wartości wag w kompleksowej ocenie jakości w roku 2013 ............................ 132

Tabela 4.4. Uwagi krytyczne przedstawicieli środowiska nauki do oceny parametrycznej . 135

Tabela 4.5. Zastosowana metodyka w poszczególnych etapach oceny parametrycznej .. 143

Tabela 5.1. Wybrane modele standardowe DEA ....................................................................... 157

Tabela 5.2. Klasyfikacja modeli DEA według kryterium orientacji i efektów skali .......... 157

Tabela 5.3. Funkcje celu modelu BCC dla zagadnienia pierwotnego i dualnego

z orientacją na nakłady i efekty .................................................................................... 165

Tabela 5.4. Zastosowanie metody DEA do oceny działalności naukowej ........................... 169

Tabela 6.1. Źródła danych w sprawie przyznania środków finansowych

na finansowanie lub dofinansowanie działalności statutowej jednostek

naukowych w latach 2003-2010 ................................................................................ 184

337

Tabela 6.2. Zbiór zmiennych charakteryzujących nakłady i efekty jednostek naukowych

w badaniach autorki ........................................................................................................ 187

Tabela 6.3. Zastosowane miary statystyki opisowej w zakresie analizy strukturalnej ..... 190

Tabela 6.4. Statystyki opisowe całego zbioru danych ............................................................... 191

Tabela 6.5. Udział dominanty w relacji do zbioru jednostek naukowych

według typu jednostek .................................................................................................. 192

Tabela 6.6. Orientacja działalności jednostek naukowych ....................................................... 199

Tabela 6.7. Zestaw zmiennych po analizie statystyki opisowej .............................................. 202

Tabela 6.8. Współczynniki korelacji cech wraz z poziomem ich istotności ....................... 204

Tabela 6.9. Wyniki metody Hellwiga dla efektów ..................................................................... 206

Tabela 6.10. Korelacje między efektami a nakładami .................................................................. 207

Tabela 6.11. Wybrane zmienne analizowanych jednostek naukowych .................................. 208

Tabela 6.12. Liczebność grup jednorodnych .................................................................................. 211

Tabela 6.13. Jednostki naukowe według grup jednorodnych ..................................................... 212

Tabela 6.14. Struktura grup jednorodnych ...................................................................................... 213

Tabela 6.15. Zmienne w modelu oceny produktywności jednostek naukowych ................ 221

Tabela 6.16. Zmienne środowiskowe poddane analizie regresji ............................................... 222

Tabela 6.17. Wyniki analizy regresji wielorakiej .......................................................................... 224

Tabela 6.18. Wyniki analizy regresji krokowej wstecznej .......................................................... 225

Tabela 6.19. Wybrane statystyki opisowe opracowanych rankingów ..................................... 226

Tabela 6.20. Podstawowe statystyki zmiennych w grupie J1 .................................................... 229

Tabela 6.21. Zestawienie wartości średniej i odchylenia standardowego poszczególnych

zmiennych dla różnych poziomów zakłóceń danych w grupie J1 ................... 230

Tabela 6.22. Stabilność rankingów DEA na perturbacje danych .............................................. 231

Tabela 6.23. Stabilność rankingów DEA w zakresie jednostek produktywnych

i nieproduktywnych ....................................................................................................... 231

Tabela 7.1. Zestawienie wyników oceny jednostek naukowych ............................................ 234

Tabela 7.2. Korelacje rang rankingów w grupach jednorodnych .......................................... 240

Tabela 7.3. Średnie wskaźniki produktywności DEA i efektywności MNiSW

według rodzaju jednostek naukowych ..................................................................... 240

Tabela 7.4. Technologia docelowa jednostek nieproduktywnych oparta

na technologii optymalnej wybranych jednostek z grupy J5 ............................. 242

Tabela 7.5. Konkurenci technologiczni jednostek nieproduktywnych z grupy J5 ............ 245

Analiza i ocena produktywności jednostek...

Documents

Transcript of Analiza i ocena produktywności jednostek...