基于聚类分析.docVIP

基于聚类分析方法的学科评价模型 摘要:以某大学（科研与教学并重型高校）的13个学科在一段时期内的调查数据为依据，使用聚类分析方法研究对学科评价的学科建设、所获成果奖项、队伍建设、科研成果、人才培养五个侧面及总体进行分析，比较学科的水平地位及相互关系，并有针对性提出建议。最终的总体聚类结果分析和队伍建设分析结果类似，可以说明学科的地位主要受到其队伍建设指标的影响。 问题提出 学科的水平及地位是高等学校的一个重要指标，而学科间水平的评价对于学科的发展有着重要的作用，它可以使得各学科能更加深入的了解本学科(与其他学科相比较)的地位及不足之处，可以更好的促进该学科的发展。现有某学校13个学科包括学科建设、所获成果奖项、队伍建设、科研成果、人才培养、投入经费六大类的34个子项数据，如何利用有关数据建立学科之间的评价模型时一个热点的研究问题。而评价模型的本质则是如何合理赋予各指标权重，并通过数学转换得到数值，以刻画该学科的总体及各侧面。 评价的目的在于改进，分析某学科的长处和不足，以促进学科的发展。考虑数据较少（13个样本），难以建立具有统计意义验证的数学模型；且由于缺乏其他学校的数据以及各学科的特殊性（如和理科相比，文科的研究经费不需要太多；各学科的期刊数量等），学科之间绝对比较和排名的意义不大，学科的指标只有在学科之间的比较和归类分析，判断其大体情况，才有一定的借鉴意义。基于以上考虑，本研究的建模方法主要采用聚类分析的方法为主。 聚类分析方法介绍 聚类（Clustering）就是将数据分组成为多个类（Cluster）。在同一个类内对象之间具有较高的相似度，不同类之间的对象差别较大。考虑到学科的类别数未定，故本次采用基于欧氏距离的层次聚类法（也称系统聚类法）（hierarchical method），对给定的数据进行层次的分解，具体方法采用Ward方法。 Ward方法要求类间的方差越小越好。当从某点出发，方差S增加最小的点是合并对象。 假设存在K类和L类，其距离可计算如下。 数据处理结果 数据处理在SPSS16.0进行。 3.1学科建设聚类结果 使用学科建设的4个指标进行聚类分析，结果如图1所示： 图1 学科建设指标聚类结果 根据聚类分析的结果，结合数据可以可到表1： 大类 小类 重点学科 博士、硕士点 学科 一 1 少 少 6、9、11、13 二 2 众多 众多 7 3 多 多 2、5、8、10、12 4 多 少 1、3、4 表1 学科建设指标聚类结果 从表1可以看出，第一大类的学科没有一级学科国家重点学科，二级学科国家重点学科少，硕士点和博士点较少，属于有待发展的学科。而在第二大类的学科都具有一级学科国家重点学科的学科，并有一定数量的二级重点学科。其中学科7极为突出，它在各个指标上均是表现最优异的；学科2、5、8、10、12与学科1、3、4相比，有更多的硕士、博士学位授权点。 建议发展方向：第一大类的学科应该着重发展综合实力厚积薄发；而第二大类中的第2小类学科应该进行保持其领先优势，而第3小类学科应该稳步前进，向学科7看齐，而第4小类的学科已经具备一定的实力，应该加强硕士点、博士点的申请工作，作为发展的突破点。 3.2成果奖项指标聚类结果 使用成果奖项中包括教学成果和科研成果的5个指标进行聚类分析，结果如图2所示： 图2 成果奖项指标聚类结果 从聚类分析的结果结合数据可以看出。学科1、2、5、7、8、12、13从总体上属于获奖较多的一类，学科7尤为突出；而学科3、4、6、9、10、11则属于获奖较少一类。 应该指出的是，数据来自科研和教学并重的高校，各学科的研究型和教学型成果呈正相关，并没有出现某学科教学成果突出而科研成果欠缺（或者科研成果突出而教学成果欠缺）的。 3.3队伍建设指标聚类结果 使用队伍建设中教授人数、副教授人数和专家人数3个指标进行聚类分析。为了数据分析结果阐述的简洁性，原数据指标中b1-b8的人数总和（国务院学位委员会委员、国务院学位委员会学科评议组成员等 ）作为专家的人数。 图3 队伍建设指标聚类结果 大类 小类 教授数 专家 学科 一 1 多 多 1、2 2 多 一般 7 二 3 一般 一般 3、6、8、12 4 一般 少 4、5、10、11、13 表3 队伍建设指标聚类结果 从聚类分析的结果结合数据可以看出。第一大类中学科1、2、7的教授、副教授多，其中学科7的专家人才一般。而第二大类的学科的教授数量一般。 建议发展方向：对于第一大类的第2小类的学科7，在已经拥有足够数量的教授数量的同时，应该大力引进或培养专家人才，提高学科高端质量。对于第二大类的学科，如何引进、培养教授数量是队伍建设的重点。 3.4科研成果指标聚类结果 使用科研成果中文章发表、政府报告和专利专著等7个指标进行聚类