Research on Efficiency of Allocation of Higher Education Resources in China--Empirical Analysis based on DEA-Malmquist Model
Notice bibliographique
Résumé
China will take advantage of the Belt and Road decade’s opportunity to achieve further development with the increasing allocation of resources towards higher education. The study examines the allocation of resources in higher education across 18 provinces along the Belt and Road in China from 2014 to 2024 using the DEA and Mulmquist models to prove the result dynamically and statically. It simultaneously compares the disparities between the land Silk Road and the Maritime Silk Road. The study demonstrates that universities located in the provinces along the Belt and Road route have a high level of efficiency in allocating higher education resources. Nevertheless, it is imperative to enhance the efficiency of resource allocation in higher education across all provinces. As an illustration, Guangdong has the highest total factor growth rate, while Tibet has the lowest. Furthermore, there is a rapid increase in this rate from 2022 to 2024. The value reaches its maximum in 2023, experiences a steep decline thereafter, and drops below 1.03 in the same year. From 2014 to 2022, China's total factor productivity remains constant, indicating a stable stage interval. The data exhibits a pattern of oscillating growth followed by decline starting from 2022. Regarding regional disparities, the averages of all the routes of the Maritime Silk Road surpass the Land Silk Road. The persistent issue of imbalanced allocation of resources in higher education is evident, so the study focus on how to maximizing the benefits derived from high education resources allocation.
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 | 0,042 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,023 | 0,027 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».