Jelenlegi és jövőbeli egyetemi publikációs együttműködések idősoros vizsgálata
Absztrakt
Napjainkban az egyetemi együttműködések alapvetően meghatározzák az egyetemek publikációs teljesítményét. Tanulmányunkban a magyarországi egyetemi hálózat publikációs teljesítményét vizsgáljuk a 2015-2025 közötti időszakban. Hálózati mutatók és idősoros klaszterezés segítségével elemeztük az egyetemek közötti jelenlegi együttműködési szerkezetét. Ezt követően gravitációs modell segítségével meghatároztuk az egyetemek publikációs potenciáljait, majd a gravitációs potenciálok és ETS előrejelzés tükrében optimális együttműködési hálózatot javasoltunk 2026-ra vonatkozóan. Eredményeink szerint a jelenlegi egyetemi hálózat centralizált. A nagyobb publikációs teljesítményű egyetemek alapvetően meghatározzák az együttműködések szerkezetét és idősorosan is azonos klaszterekbe tartoznak, valamint együttműködésük stabilizáló hatású a hálózatra nézve. A jövőbeli optimális együttműködések tekintetében ezen egyetemeknek továbbra is érdemes egymással együttműködniük, ugyanakkor a kisebb publikációs teljesítményű egyetemek célja is az, hogy a nagyobb teljesítményű egyetemekkel együttműködve felzárkózhassanak. Az elemzés rámutatott arra, hogy a publikációs teljesítmény maximalizálása érdekében érdemes az együttműködési kapcsolatokat támogató stratégiákat alkalmazni.
Hivatkozások
Adner, R., 2006. Match your innovation strategy to your innovation ecosystem. Harvard Business Review, 84(4), 98.
Adner, R. & Kapoor, R., 2010. Value creation in innovation ecosystems: How the structure of technological interdependence affects firm performance in new technology generations. Strategic Management Journal, 31(3), 306-333. https://doi.org/10.1002/smj.821
AlMalki, H. A. & Durugbo, C. M., 2023. Systematic review of institutional innovation literature: towards a multi-level management model. Management Review Quarterly, 73(2), 731-785. https://doi.org/10.1007/s11301-022-00259-8
Bajmócy, Z. & Kanó, I. S., 2009. Hazai kistérségek innovációs képességének elemzése. Tér és Társadalom, 23(2), 45-68. https://doi.org/10.17649/TET.23.2.1234
Balázs, L. & Leydesdorff, L., 2008. A magyar gazdaság tudásalapú szerveződésének mérése: Az innovációs rendszerek szinergiáinak térbelisége. Közgazdasági Szemle, 55.
Barabási, A. L. & Albert, R., 1999. Emergence of scaling in random networks. Science, 286(5439), 509-512. https://doi.org/10.1126/science.286.5439.509
Berndt, D. J. & Clifford, J., 1994, July. Using dynamic time warping to find patterns in time series. In Proceedings of the 3rd international conference on knowledge discovery and data mining (pp. 359-370).
Berthold, M. R. & Höppner, F., 2016. On clustering time series using euclidean distance and pearson correlation. arXiv preprint arXiv:1601.02213. https://doi.org/10.48550/arXiv.1601.02213
Bikard, M. & Vakili, K. & Teodoridis, F., 2019. When collaboration bridges institutions: The impact of university–industry collaboration on academic productivity. Organization Science, 30(2), 426-445. https://doi.org/10.1287/orsc.2018.1235
Birkner, Z. & Máhr, T. & Berkes N. R., 2017. Changes in responsibilities and tasks of universities in regional innovation ecosystems. Naše gospodarstvo/Our economy, 63(2), 15-21. https://doi.org/10.1515/ngoe-2017-0008
Buzási, Z. & Jelen, T., 2023. Indikátorok használata az innovációs teljesítmény mérésére a magyar egyetemeken–egy empirikus felmérés tapasztalatai. Statisztikai Szemle, 101(11), 999-1032. https://doi.org/10.20311/stat2023.11.hu0999
Cai, Y. & Amaral, M., 2022. Triple Helix model of innovation: from boundaries to frontiers. Triple Helix, 9(2), 107-117. https://doi.org/10.1163/21971927-12340007
Chen, H. & Song, X. & Jin, Q. & Wang, X., 2022. Network dynamics in university-industry collaboration: A collaboration-knowledge dual-layer network perspective. Scientometrics, 127(11), 6637-6660. https://doi.org/10.1007/s11192-022-04330-9
Granstrand, O. & Holgersson, M., 2020. Innovation ecosystems: A conceptual review and a new definition. Technovation, 90, 102098. https://doi.org/10.1016/j.technovation.2019.102098
Henderi, H. & Sofiana, S., 2025. Comparative study of traditional and modern models in time series forecasting for inflation prediction. International Journal for Applied Information Management, 5(3), 155-167. https://doi.org/10.47738/ijaim.v5i3.108
Horváth, K. G., 2022. What Are the Benefits and Pitfalls of Innovation Ecosystems?: Lessons Learned From Tungsram’s Ecosystem. Köz-gazdaság, 17(3), 59-81. https://doi.org/10.14267/RETP2022.03.05
Juhász, S., 2019. Spinoffs and tie formation in cluster knowledge networks. Small Business Economics, 56, 1385–1404. https://doi.org/10.1007/s11187-019-00235-9
Kálmán, A., 2019. A regionális ökoszisztéma és az egyetemek szerepe az innovációs folyamatban. Iskolakultúra, 29(9), 51-68. https://doi.org/10.14232/ISKKULT.2019.9.51
Kosztyán, Z. T. & Csizmadia, T. & Hausz, F. & Fehérvölgyi B., 2024. Intézményi koncentráció és az innovációs hálózatok vizsgálata. Közgazdasági Szemle, 71(12), 1351-1380. https://doi.org/10.18414/KSZ.2024.12.1351
Köhler, J. & Sönnichsen, S. D. & Beske‐Jansen, P., 2022. Towards a collaboration framework for circular economy: The role of dynamic capabilities and open innovation. Business Strategy and the Environment, 31(6), 2700-2713. https://doi.org/10.1002/bse.3000
Kruger, S. & Steyn, A. A., 2024. Developing breakthrough innovation capabilities in university ecosystems: A case study from South Africa. Technological forecasting and social change, 198, 123002. https://doi.org/10.1016/j.techfore.2023.123002
Lebeau, L. M. & Laframboise, M. C. & Larivière, V. & Gingras, Y., 2008. The effect of university–industry collaboration on the scientific impact of publications: The Canadian case, 1980–2005. Research Evaluation, 17(3), 227-232. https://doi.org/10.3152/095820208X331685
Leydesdorff, L. & Rotolo, D. & de Nooy, W., 2013. Innovation as a nonlinear process, the scientometric perspective, and the specification of an ‘innovation opportunities explorer’. Technology Analysis & Strategic Management, 25(6), 641-653. https://doi.org/10.1080/09537325.2013.801948
Liao, T. W., 2005. Clustering of time series data – a survey. Pattern recognition, 38(11), 1857-1874. https://doi.org/10.1016/j.patcog.2005.01.025
Lin, W. & Jin, M. & Ou, F. & Wang, Z. & Wan, X. & Li, H., 2022. Institution Publication Feature Analysis Based on Time-Series Clustering. Entropy, 24(7), 950. https://doi.org/10.3390/e24070950
Pedraja-Rejas, L. & Rodríguez-Ponce, E. & Rojas-Miranda, P., 2025. The Impact of Organisational Learning on Innovation and Institutional Performance in Universities: A Narrative Review. Systems, 13(9), 743. https://doi.org/10.3390/systems13090743
Pichlak, M., 2016. The innovation adoption process: A multidimensional approach. Journal of Management & Organization, 22(4), 476-494. https://doi.org/10.1017/jmo.2015.52
Ponds, R. & van Oort, F. & Frenken, K., 2009. Innovation, spillovers and university-industry collaboration: an extended knowledge production function approach. Journal of Economic Geography, 10(2), 231–255. https://doi.org/10.1093/jeg/lbp036.
Rotolo, D. & Rafols, I. & Hopkins, M. M. & Leydesdorff, L., 2017. Strategic intelligence on emerging technologies: Scientometric overlay mapping. Journal of the Association for Information Science and Technology, 68(1), 214-233. https://doi.org/10.1002/asi.23631
Sebestyén, T. & Braun, E. & Iloskics, Z. & Varga, A., 2021. Spatial and institutional dimensions of research collaboration: a multidimensional profiling of European regions. Regional Statistics, 11(2), 3–31. https://doi.org/10.15196/rs110203
Sebestyén, T. & Braun, E. & Iloskics, Z. & Bilicz, D., 2024. egyetemek és vállalatok kutatási együttműködése a helyi tudástermelésben. Közgazdasági Szemle, 71(11), 1199-1221.
Servia-Rodríguez, S. & Noulas, A. & Mascolo, C. & Fernández-Vilas, A. & Diaz-Redondo, R. P., 2015. The evolution of your success lies at the centre of your co-authorship network. PLOSone, 10(3), e0114302. https://doi.org/10.1371/journal.pone.0114302
Silva, J. S. & Tenreyro, S., 2006. The log of gravity. The Review of Economics and statistics, 641-658.
Stundziene, A. & Pilinkiene, V. & Vilkas, M. & Grybauskas, A. & Lukauskas, M., 2024. The challenge of measuring innovation types: A systematic literature review. Journal of Innovation & Knowledge, 9(4), 100620. https://doi.org/10.1016/j.jik.2024.100620
timeshighereducation.com, 2026. World University Rankings. [online] Elérhető: https://www.timeshighereducation.com/world-university-rankings/latest/world-ranking
topuniversities.com, 2026. QS World University Rankings 2026: Top global universities. [online] Elérhető: https://www.topuniversities.com/world-university-rankings
Waltman, L. & Noyons, E., 2018. Bibliometrics for research management and research evaluation. Leiden, Netherlands: Centre for Science and Technology Studies. Elérhető: https://www.cwts.nl/pdf/CWTS_bibliometrics.pdf (2026.02.02.)
Wang, J. & Frietsch, R. & Neuhäusler, P. & Hooi, R., 2024. International collaboration leading to high citations: Global impact or home country effect?. Journal of Informetrics, 18(4), 101565. https://doi.org/10.1016/j.joi.2024.101565
