Indicadores de input/output de la ciencia iberoamericana: ¿cuán similares son las clasificaciones basadas en los indicadores de RICYT y Scimago?
Barra lateral del artículo
Contenido principal del artículo
Resumen
El objetivo de este estudio es evaluar la congruencia existente entre las clasificaciones de países obtenidas a partir de los indicadores de Scimago Journal and Country Rank .SCIJCR) y aquellos provistos por la RICYT, tomando como unidades de estudio 11 países iberoamericanos, durante el lapso 2006-2017. Como variables se tomaron 34 indicadores de input/output, 11 de SCIJCRy 23 de la RICYT. Las relaciones de similitud entre los países y los indicadores se representaron por medio de fenogramas (método de Ward) y la congruencia entre las clasificaciones de los países se representó mediante árboles de consenso estricto, cuantificándose por medio de un índice de consenso. Las principales conclusiones del estudio indican que: 1) La clasificación de países basada en los 34 indicadores se corresponde con el tamaño de estos (e.g., desarrollo económico-social, población) y con las respectivas tradiciones científicas. 2) Los indicadores muestran un patrón de agrupamiento complejo, no observándose agrupamientos en función de las diferentes tipologías (e.g., producción, repercusión, insumo, contexto). 3) La gran mayoría de los indicadores de SCIJCR muestran estrechas vinculaciones mutuas, produciendo información redundante. 4) El porcentaje de colaboración internacional solo se relaciona a valores de similitud moderada con las citas por documento, de manera que no concuerda con la idea de que la cantidad de citas es directamente proporcional la colaboración internacional. 5) Tomando en cuenta los resultados obtenidos, las inversiones más redituables en términos de producción, repercusión, y repercusión y producción son aquellas medidas por los indicadores de graduación (licenciados), el gasto en I+D (en dólares expresados en PPC), y la cantidad de investigadores en I+D. 6) La ausencia de congruencia observada al comparar las clasificaciones de países solo a partir de una fuente (i.e., SCIJCR o RICYT) contradice la idea simplista de que es posible predecir resultados científicos solo a partir de los recursos invertidos. 7) La comparación de la clasificación de países a partir de la totalidad de los indicadores con aquellas producidas a partir de unos u otros (i.e., SCIJCR o RICYT) produce pocos grupos comunes. Esto puede explicarse a partir de cuestiones intrínsecas al análisis, como la diferente cantidad de indicadores y la redundancia de la información provista por la gran mayoría de los de SCIJCR, lo cual hace que tengan un peso menor que aquellos de la RICYT a la hora de diferenciar grupos de países.
Descargas
Detalles del artículo
La cesión de derechos no exclusivos implica también la autorización por parte de los autores para que el trabajo sea alojado en los repositorios institucionales UNLP (Sedici y Memoria Académica) y difundido a través de las bases de datos que los editores consideren apropiadas para su indización, con miras a incrementar la visibilidad de la revista y sus autores.
Citas
Adams, J. D., Black, G. C., Clemmons, J. R. & Stephan, P. E. (2005). Scientific teams and institutional collaborations: evidence from U.S. universities, 1981-1999. Research policy, 34(3), 259-285. https://doi.org/10.1016/j.respol.2005.01.014
Albornoz, M. (1994). Indicadores en ciencia y tecnología. Redes, 1(1), 133-144. Recuperado de http://www.redalyc.org/articulo.oa?id=90711298006
Chavarro, D., Tang, P. & Rí fols, I. (2017). Why researchers publish in non-mainstream journals: Training, knowledge bridging, and gap filling. Research policy, 46, 1666-1680. http://dx.doi.org/10.1016/j.respol.2017.08.002
Chinchilla-Rodríguez, Z., Zacca-González, G., Vargas-Quesada, B. & Moya-Anegón, F. de. (2015). Latin American scientific output in Public Health: combined analysis using bibliometric, socioeconomic and health indicators. Scientometrics, 102, 609-628. https://doi.org/10.1007/s11192-014-1349-9
Crisci, J. V., y López Armengol, M. F. (1983). Introducción a la teoría y práctica de la taxonomía numérica. Washington: Organización de los Estados Americanos.
De Filippo, D. F., Morillo, F. & Fernández, M. T. (2008). Indicadores de colaboración científica del CSIC con Latinoamérica en bases de datos internacionales. Revista española de documentación científica, 31(1), 66-84. http://dx.doi.org/10.3989/redc.2008.v31.i1.413
Falagas, M. E., Kouranos, V. D., Arencibia-Jorge, R., y Karageorgopoulos, D. E. (2008). Comparison of SCImago journal rank indicator with journal impact factor. The FASEB journal, 22, 2623-2628. https://doi.org/10.1096/fj.08-107938
Farris, J. S. (1971). The hypothesis of nonspecificity and taxonomic congruence. Annual Review of ecology and systematics, 2, 277-302. https://doi.org/10.1146/annurev.es.02.110171.001425
Filliben, J. J. (1975). The probability plot correlation coefficient test for normality. Technometrics, 17(1), 111-117. https://doi.org/10.1080/00401706.1975.10489279
García-Pachón, E. & Arencibia-Jorge, E. (2014). Comparación del factor de impacto y el índice SCImago Journal Rank en las revistas del sistema respiratorio. Archives of bronconeumology, 50(7), 308-309. https://doi.org/10.1016/j.arbres.2013.10.006
Gingras, Y. & Khelfaoui, M. (2018). Assessing the effect of the United States’ “citation advantage” on other countries’ scientific impact as measured in the Web of Science (WoS) database. Scientometrics, 114(2), 517-532. https://doi.org/10.1007/s11192-017-2593-6
Hammer, í˜., Harper, D. A. T., & Ryan, P. D. (2001). PAST: Paleontological Statistics Software Package for Education and Data Analysis. Palaeontologia electronica, 4(1), 1-9.
Hermes-Lima, M., Santos, N.C.F., Alencastro, A.C.R., y Ferreira, S.T. (2007). Whither Latin America? trends and challenges of science in Latin America. IUBMB Life, 59, 199–210. https://doi.org/10.1080/15216540701258751
Inglesi-Lotz, R. & Pouris, A. (2013). The influence of scientific research output of academics on economic growth in South Africa: an autoregressive distributed lag (ARDL) application. Scientometrics, 95(1), 129-139. https://doi.org/10.1007/s11192-012-0817-3
Inglesi-Lotz, R., Chang, T. & Gupta, R. (2015). Causality between research output and economic growth in BRIC. Quality and quantity, 49, 167-176. https://doi.org/10.1007/s11135-013-9980-8
King, D. A. (2004). The scientific impact of nations. What different countries get for their research spending? Nature, 430, 311–316. https://doi.org/10.1038/430311a
Lee, L. C., Lin, P. H., Chuang, Y. W. & Lee, Y. Y. (2011). Research output and economic productivity: A Granger causality test. Scientometrics, 89, 465–478. https://doi.org/10.1007/s11192-011-0476-9
Leydesdorff, L. (2005). Evaluation of research and evolution of science indicators. Current science, 89(9), 1510-1517.
Mickevich, M. F. (1978). Taxonomic congruence. Systematic zoology, 27, 143-158. https://doi.org/10.2307/2412969
Miguel, S. E. y Moya-Anegón, F. de. (2009). La ciencia argentina bajo la lupa de los indicadores cienciométricos. Una mirada crítica de la realidad científica argentina. La Plata: Al Margen.
Moya-Anegón, F. de & Herrero-Solana, V. (1999). Science in America Latina: a comparison of bibliometric and scientific-technical indicators. Scientometrics, 46(2), 299–320. https://doi.org/10.1007/BF02464780
Murtagh, F. & Legendre, P. (2014). Ward's hierarchical agglomerative clustering method: which algorithms implement Ward's criterion? Journal of classification, 31(3): 274-295.
Ortiz-Jaureguizar, E. (2019). Exploración de relaciones entre indicadores bibliométricos y otros indicadores del contexto económico, social y productivo. En S. E. Miguel (Coord.), Actas del Workshop Iberoamericano de Estudios métricos de la actividad científica orientada a temas locales/regionales (La Plata, 2018) (pp. 109-115). Universidad Nacional de La Plata, Facultad de Humanidades y Ciencias de la Educación. Recuperado de https://www.libros.fahce.unlp.edu.ar/index.php/libros/catalog/book/130
Ortiz-Jaureguizar, E.; Miguel, S. E.; González, C. & Posadas, P. (2019). La producción científica argentina en el contexto mundial: un análisis comparado empleando los indicadores de Scimago Journal and Country Rank. En S. E. Miguel (Coord.), Actas de las V Jornadas de intercambio y reflexión acerca de la investigación en Bibliotecología, La Plata, 23 y 24 de noviembre de 2017 (pp. 175-195). Recuperado de http://www.memoria.fahce.unlp.edu.ar/libros/pm.725/pm.725.pdf
Ortiz-Jaureguizar, E., Miguel, S. E. y Posadas, P. (2015). Relaciones de similitud y valor discriminativo de los indicadores bibliométricos: los indicadores de Scimago Journal & Country Rank en las revistas generalistas de Paleontología. En Actas de las 4as Jornadas de intercambio y reflexión acerca de la investigación en Bibliotecología. Recuperado de http://jornadabibliotecologia.fahce.unlp.edu.ar/jornadas-2015/archivos-pdf/jirib2015 _ORTIZ_texto.pdf
Palacio, F. X., Apodaca, M. J. y Crisci, J. V. (2020). Análisis multivariado para datos biológicos: teoría y su aplicación utilizando el lenguaje R. Ciudad Autónoma de Buenos Aires: Fundación de Historia Natural Félix de Azara.
Persson, O., Glänzel, W. & Danell, R. (2004). Inflationary bibliometrics values: the role of scientific collaboration and the need for relative indicators in evaluative studies. Scientometrics, 60(3), 421–432. https://doi.org/10.1023/B:SCIE.0000034384.35498.7d
Ploszaj, A., Celinska-Janowicz, D. & Olechnicka, A. (2018). Core-periphery relations in international research collaboration. In R. Costas, T. Franssen y A. Yegros-Yegros (Edits.), Proceedings of the 23rd International Conference on Science and Technology Indicators (pp. 1322-1327). Leiden, The Netherlands. Recuperado de https://openaccess.leidenuniv.nl/bitstream/handle/1887/65273/STI2018_paper_218.pdf?sequence=1
Ríos Gómez, C. & Herrero-Solana, V. (2005). La producción científica latinoamericana y la ciencia mundial: una revisión bibliográfica (1989-2003). Revista interamericana de bibliotecología, 28(1), 43-61. Recuperado de http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S0120-09762005000100003&lng=en&tlng=es
Rohlf, F. J. (1982). Consensus indices for comparing classifications. Mathematical biosciences, 59(1), 131-144. https://doi.org/10.1016/0025-5564(82)90112-2
Rohlf, F. J. (2018). NTSYSpc: Numerical Taxonomy System. ver. 2.21c. New York: Applied Biostatistics, Inc., Port Jefferson.
Sancho Lozano, R. (2002). Indicadores de los sistemas de ciencia, tecnología e innovación. Economía industrial, 343, 97-109. Recuperado de https://www.mincotur.gob.es/Publicaciones/Publicacionesperiodicas/EconomiaIndustrial/RevistaEconomiaIndustrial/343/097-SANCHO.pdf
Sandoval-Romero, V., Mongeon, P., y Larivière, V. (2018). Science, technology and innovation policies in Latin-America: fifteen years of scientific output, impact and international collaboration. In R. Costas, T. Franssen y A. Yegros-Yegros (Edits.), Proceedings of the 23rd International Conference on Science and Technology Indicators (STI 2018) (pp. 1450-1459). Leiden, The Netherlands. Recuperado de https://openaccess.leidenuniv.nl/bitstream/handle/1887/65272/STI2018_paper_236.pdf?sequence=1
Santa, S. y Herrero-Solana, V. (2010). Producción científica de América Latina y el Caribe: una aproximación a través de los datos de Scopus, 1996–2007. Revista interamericana de bibliotecología, 33(2), 379-400. Recuperado de https://revistas.udea.edu.co/index.php/RIB/article/view/7648
Shelton, R.D., y Leydesdorff, L. (2012). Publish or patent: Bibliometric evidence for empirical trade-offs in national funding strategies. Journal of the American Society for Information Science and Technology, 63(3), 498-511. https://doi.org/10.1002/asi.21677
Smith, P-G. y Phipps, J. B. (1984). Consensus trees in phenetic analysis. Taxon, 33(4), 586-594. https://doi.org/10.2307/1220776
Sneath, P. H. A. & Sokal, R. E. (1973). Numerical taxonomy. San Francisco: W.H. Freeman Co.
Sokal, R. R. (1986). Phenetic taxonomy: theory and methods. Annual review of ecology and systematics, 17, 423-442. https://doi.org/10.1146/annurev.es.17.110186.002231
Sokal, R. R. & Rohlf, F. J. (1962). The comparison of dendrograms by objective methods. Taxon, 11, 33-40. https://doi.org/10.1146/annurev.es.17.110186.002231
Traverso. J. V., Ortiz-Jaureguizar, E., Miguel, S. E. & Posadas, P. (2020). Relaciones de similitud y valor discriminatorio de los indicadores de Scimago Journal and Country Rank. Un análisis basado en las revistas generalistas de antropología (2008-2017). Revista general de información y documentación, 30(1), 261-296. https://dx.doi.org/10.5209/rgid.70070
van Raan, A. F. J. (2006). Comparisons of the Hirsch-index with standard bibliometric indicators and with peer judgment for 147 chemistry research groups. Scientometrics, 67(3), 491-502. https://doi.org/10.1556/Scient.67.2006.3.10
Vessuri, H., Guedon, J. C. & Cetto, A. M. (2014). Excellence or quality? Impact of the current competition regime on science and scientific publishing in Latin America and its implications for development. Current Sociology, 62(5), 647-665. https://doi.org/10.1177/0011392113512839
Vinkler, P. (2008). Correlation between the structure of scientific research, scientometric indicators and GDP in EU and non-EU countries. Scientometrics, 74, 237–254. https://doi.org/10.1007/s11192-008-0215-z
Zacca-González, G., Chinchilla-Rodríguez, Z., Vargas-Quesada, B. & Moya-Anegón, F. de. (2014). Bibliometric analysis of regional Latin America's scientific output in Public Health through SCImago Journal & Country Rank. BMC Public Health, 14, 632. https://doi.org/10.1186/1471-2458-14-632
Zenteno-Savín, T., Oliveira Beleboni, R. & Hermes-Lima, M. (2007). The cost of Latin American science. Introduction for the second issue of CBP-Latin America. Comparative biochemistry and physiology, 146(4), 463-469. https://doi.org/10.1016/j.cbpa.2006.06.044