Factors Affecting R&D Share in University Revenues: Case of Russia
Notice bibliographique
Résumé
Recent government projects and initiatives (such as Priority 2030) have significantly increased the role of universities in creating and commercializing innovations in Russia. One of the most important indicators of university performance in these programs is R&D revenue. Its values have a significant deviation between universities that lead to different importance of R&D activities and make some universities more R&D oriented than others in the terms of their economics. This orientation can be considered an important factor of university sustainability as it allows it to be less dependent on admission volume which varies due to demographic waves and other endogenous factors. This paper studies the factors affecting the R&D orientation of big Russian universities. Monitoring the Efficiency of Higher Education Institutions provides sufficient data on Russian universities for such study including the share of R&D revenue in the total value of revenue which is used as a measure of R&D orientation. This study analyses the factors affecting this indicator using the data from the 49 largest Russian universities between 2015 and 2020 to build econometric panel data models. The modelling proves the significance of various factors such as entrance scores of students, the number of publications per faculty member, the share of young researchers, the ratio of average salary to the regional average salary, and the share of faculty members holding doctoral degrees. The research highlights the connection between publication performance and R&D activities and the importance of supporting young researchers in the development of scientific entrepreneurship.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».