本稿では「アクションにつながる分析」をキーワードに，書誌情報を基にした研究戦略のための分析事例を紹介する。前半では研究力分析の評価指標について，被引用数やImpact Factorの限界について言及したうえで，分野横断のインパクト指標やジャーナル指標を紹介する。後半では，エルゼビアが国内外の大学に対して行った具体的事例を用いて，国際共同研究を促進するための具体的実践例を紹介する。まず国際共同研究の現状を，大学別，分野別に共著論文数，インパクト指標で考察する。さらに個人別の論文集合データ（Author Profile）を用いて，共同研究の参加研究者を特定した具体的なアクションにつなげる。Author Profileは研究者同士の交流促進にも利用でき，さらには研究者の流動性分析も可能にする。
軍事に由来をもつ「戦略」という言葉は，その後「経営戦略」のように企業経営に用いられ，近年では大学においても「研究戦略」という言葉で普及してきた。とはいえ，同じ「戦略」という言葉を使ってもその意味するところはバラバラで，明確でないことも多い。
本稿では戦略の定義を「目的を達成するための取り組み方と，そのための資源配分」とし，その構成要素を「良い戦略、悪い戦略」1）を参考に，（1）診断（分析），（2）基本方針，（3）行動（アクション）と位置づける。
1.1.2 アクションにつながる分析本稿でもっとも強調したいことは，分析は戦略の一部分であり，あくまで具体的行動（アクションプラン）につなげるために必要なものである，ということだ。分析して終わり，もしくはアクションが分析に基づいていないのでは，「分析のための分析」と言われても反論できない。
以下，第2章で研究戦略において有用な指標（メトリクス）について述べ，第3章で研究戦略の実例として大学の国際化に向けた取り組みを前項で述べた戦略の3要素に沿って紹介する。紹介する事例のうち，エルゼビアが国内大学について行った実際の分析プロジェクトを基にしている場合においては，大学名は仮名とさせていただくことをお許し願いたい。
研究者や研究グループ，大学の研究力の評価指標としては，発表論文の被引用数が用いられることが多い。優れた論文は，ほかの論文に引用される回数が多くなることから，論文が引用される回数はその論文の質を表す指標の1つと考えることができる。ここで「質」という言葉を用いたが，実際には，発表後長らく引用されなかったが実は非常に優れた研究論文も多くあることに留意して，被引用数で測られる論文の質については，インパクトという言葉を用いる。
さらに注意すべきことは，引用に関する慣習は学術分野ごとに大きく異なるということである。一般にNeuroscienceやLife Sciencesのような分野は論文発表の頻度や共著者数，そして参考文献の量も多いことから，被引用数が大きくなる傾向にある。逆に，人文社会，数学，工学などの分野は被引用数が少ないという，分野間のバイアスが存在する（図1）。これは，次に述べるh-indexやImpact Factorにも影響する問題である。
研究者の業績を簡便に表した指標としてh-index2）がある。ある研究者のh-indexは，「その研究者が発表した論文のうち，被引用数がh以上であるものがh本以上あるような最大の数値h」と定義される。
また，学術雑誌の質を簡便に表した指標としてトムソンロイター社が発表しているImpact Factor3）があり，その定義は（該当年に過去2年に掲載の論文が引用された回数）／（前々年の掲載論文数＋前年の掲載論文数）となっている。
これらの指標は，論文数および被引用数のみを基に算出されているため，前述した分野ごとの引用慣習に起因するバイアスの影響を受ける。つまり，h-indexやImpact Factorで研究者や学術雑誌を分野横断的に評価しようとすると，NeuroscienceやLife Sciencesの研究者に比べて人文社会，数学，工学の研究者は非常に不利になってしまう。
2.2 分野補正されたメトリクス 2.2.1 FWCI分野による補正を目的に考案された論文のインパクトを測る指標に，FWCI（Field-Weighted Citation Impact）4）がある。ある論文P1のFWCIは，（P1の被引用数）／（P1と同じ出版年，同じ分野，同じ文献タイプの全論文の平均被引用数）と定義されている。FWCIを用いることで，異なる専門分野における研究者の業績を比較することが可能となる。
2.2.2 SNIP，SJR被引用数を分野補正したインパクト指標がFWCIであるのに対し，Impact Factorを分野補正したジャーナル指標にSNIP（Source Normalized Impact per Paper）がある。
また，すべての被引用に同じ重みを与えるのではなく，多く引用されている論文（ジャーナル）から引用された場合には大きな重みを与えるという計算方法によって求めたジャーナル指標として，SJR（SCImago Journal Rank）がある。SNIP，SJRの詳細については，文献5）を参照いただきたい。
大学の研究戦略担当者や図書館など，学術分野を横断的に取り扱う必要がある場合のジャーナル指標としては，分野ごとの引用慣習によるバイアスの影響を除いたSNIPやSJRの方がより正しい視点を与えてくれる。
一方，個々の研究者の視点からみると，Impact Factorを意識して自分の論文の投稿先を判断するのは有用であろう。ただしその場合でも，たとえば医工学の研究グループのうち，医学者が投稿しているジャーナルのImpact Factorと比べて，工学者のImpact Factorが小さいことが必ずしも研究者のレベルを意味するのではないということがわかれば，胸をなでおろす工学者は少なくないのではないか。
2.3 近年の研究力指標の動向 2.3.1 Snowballメトリクス研究力を客観的に評価する取り組みの1つに，英国の8大学が選定した指標セットとして発表されたSnowballメトリクスがある6）。これは，Oxford，UCL（University College London）をはじめとする英国のトップ大学が，研究大学の評価軸を自ら定めたものであり，エルゼビアがデータ面で協力している。
図2は，Snowballメトリクスに含まれる指標を示している。研究活動のインプット，プロセス，アウトプットの観点から，大きく10の指標が選ばれている。
2.3.2 日本におけるメトリクスセットの検討Snowballメトリクスのような研究評価指標は，多面的な研究活動を単純化された指標を用いて評価する試みであり，当然ながら適用限界がある場合も多い。特に日本のように非英語圏の大学においては，人文社会や文学など主な研究業績が英語論文という形をとらない分野もある。英語論文が必ずしも研究業績の中心を占めない分野の研究力評価手法について，今後さらに検討していく必要がある。
国際化が，日本の大学が研究力を向上させるうえで必要な基本的方針であることは広く認識されており，本年度（2014年度）から始まった文部科学省によるスーパーグローバル大学等事業もこの立場から大学の国際化を目指している7）。
計量書誌学的な観点でも，学術分野による違いはあるものの，一般に国際化率（国際共著率や，共著している国の数などで測られる）が高ければ高いほど研究のインパクトが高くなるという傾向が指摘されている。その理由としては，国際共同研究の結果である国際共著論文は，研究テーマが多国間で共通するものであり，必然的に読者が多い研究分野であること，著者数や参加国が多くなることによりさらに読者が増える効果があることなどが考えられる。国際的な学術界に参加する，ということが自分たちの認知度を高め，ひいてはインパクト向上につながるといえる。
3.1.2 国際共著率と国際共同研究先国際共著率は，自大学から発表された論文のうち，複数国の所属機関がAffiliationとして登録されているものの割合で，国際化の指標として代表的なものである。まずは自大学の国際共著率がどの程度であるかを確認する（図3）。
自大学がどの海外大学と主に共同研究を行っているのかを把握することは，「アクションにつながる分析」の観点から，国際共著率の確認後に最初に行うべき事項として重要である。例として，東京大学の共著相手大学のリストを図4を示す。ここでは，共著論文数だけでなく，自大学・相手大学からの共著者数，合計被引用数，FWCIなどが表示されることで，その共同研究の効果が把握できる。
また，主な共著大学の変遷をみるには，年代別ランキングを作ることが有用である。図5を見ると，1990年代と2000年代では国際共同研究相手機関が大きく変化しており，その中でもソウル大学，ハワイ大学，国立台湾大学が継続的に順位を上げてきている様子がうかがえる。
では，どこの大学と行った共同研究がもっとも高いインパクトをもっていたのであろうか？ 図6は，A大学における国際共同研究のインパクトを相手大学ごとにマッピングしたものである。プロットしてある各バブルが，共著相手大学を示す。バブルの大きさは共著論文の多さ，x軸の値は共著論文の平均インパクト，y軸は共著論文の平均インパクト（x軸の値）をその共著相手大学の全国際共著論文の平均インパクトで除した値である。x軸の値がA大学の全国際共著論文の平均インパクト（x=1.5の線）よりも大きければ，その共同研究はA大学の国際共著論文平均より高いインパクトを示しているといえる。一方y軸の値が1.0よりも大きければ，その共同研究は相手大学の全国際共著の平均よりも高いインパクトを示していることになる。ここで，このチャートをx=1.5とy=1.0の2つの線で分けられた4象限に分けると，右上領域は互いにとってメリットのあるWin-Winの関係，右下領域は自大学にとっては平均以上であるが相手大学にとっては平均以下であるWin-Loseの関係，左上の領域は相手大学にとっては平均以上であるが自大学にとっては平均以下であるLose-Winの関係にあるといえる。
実際の使い方としては，論文発表年代ごとにチャートを作成して，それぞれの共著相手大学ごとのポジションを時系列で比較することでインパクトの高い共著相手大学の変遷がわかる。
前項までで，大学レベルでの国際共同研究の現状がわかった。次に，その共同研究には実際に誰が参加しているのかを把握する。図7は，東京大学と共著相手大学（ここではMax Planck Institute for Solid State Research）との間で共著論文を発表している研究者のリストである。
ここで，著者を特定する意味は，大きく3つある。1つ目としては，自大学研究者について，個人の顔を思い浮かべることで，研究内容が感覚的に把握できる点があげられる。2つ目は，相手大学の研究者については，h-indexを基に大まかな研究業績レベルが把握できる点，3つ目は，これからさらに共同研究体制を拡大する方針ができた際に，起点となるべき研究者がすでにわかっていることで，即座にアクションプランに移ることができる，という点である。
なお，図7では各研究者のh-indexも表示されている。これが可能なのは，Scopus注1）（引用文献データベース）が世界中の研究者に対して，あらかじめ論文集合を独自のアルゴリズムを用いて作成しており，その論文集合は所属機関に依存することなく，転籍した場合も追跡できるという理由による。この，論文情報に基づいた個々人のプロファイルを，ScopusではAuthor Profileと呼ぶ。
以上の分析を基に，今後どの大学と，どの分野で共同研究を推進していくかという基本方針が策定される。方針の策定は大学の意思の問題であるが，このフェーズにおいても，データ分析から有用な指針を得ることができる。
国際共同研究状況の分析の結果，とある大学との共著論文が増えてきていることがわかったとする。現在は限られた分野において共同研究が行われているが，今後どの分野で共同研究の可能性があるかを検討したい，という状況を考える。
図8は，日本のB大学と米国のC大学における，研究の強み領域を示すWheel of Scienceと呼ばれるチャートである8）。このWheel of Scienceでは，過去5年間に発表された世界の科学論文を用いて，27の学術分野（中分類）ごとに色分けされている外円の中に，大学の研究の強みがバブルで配置される。外円右上にはChemistryの領域があり，左下にMedicineの領域がある，という具合である。中に配置されている大小の各バブルはその大学の研究の強みを示しており，バブルのサイズでその大学から発表されている論文の規模を，バブルの位置でその強み領域の分野を示している。特定の学術分野に限られた研究であればWheel of Scienceの円周近くに，学際的な研究であればWheel of Scienceの中心近くにバブルが配置されるという特色がある。また，各バブルの内部にある放射状の線の色は，Wheel of Science外周の27分野の色に対応しており，その強み領域が属する307の分野（小分類）を示している。
図8を見ると，B大学はChemistry，Agriculture/Biologyに強み分野が多く，C大学はMedicineやEngineeringで強み分野が多い。一方これらの分野における強み領域は，相手の大学においては相対的に多くない。ここから，両者が大学レベルで今後共同研究を進めていく場合には，良好な補完関係を築くことで双方の研究力を高めていける可能性が示唆される。以上の分析から，4分野で協力関係を築くことが，両者の国際共同研究を進めるうえでの基本方針となりうる。
ここまでで，大学レベルから研究分野レベルまで焦点が絞られたので，次は研究グループレベル，研究者個人のレベルで，実際に交流を開始することになる。
国際共同研究推進策として，大学間協定（MOU: Memorandum of Understanding）が締結されることがあるが，MOUは本当に共同研究の推進に寄与するのであろうか。MOUの効果測定における手順を，実際の分析例を基に述べる。
1996～2013年にD大学と共著論文を発表した国外大学のうち，2013年時点でMOUが締結されている大学をMOU有群，それ以外の大学をMOU無群とする。図9は，MOU有群およびMOU無群について，1大学当たりのD大学との共著論文の推移を示している。MOU有群はMOU無群と比べて，当該期間を通して2.7倍の共著論文を発表している。確かにMOUがある方が共著論文は多いといえるが，MOUの効果を考える際には，因果関係をも考える必要がある。つまり，MOUを結んだから共著論文が増えたのか，逆に共著論文が多いからMOUを結んだのか，という分析があれば，今後MOUが研究力向上策として有効かどうかの判断に資することとなる。
実際には，MOUが功を奏するか否かは多様な要因が絡んでくるため，主要な要因を想定したうえで多変量解析を行う。要因の候補としては，学術分野，相手大学の地域，MOU締結年代や，MOUがトップ主導かボトムアップ主導か，などが考えられる。共同研究の活発化につながる要因が見つかれば，今後MOUを有効に活用するための一助となろう。筆者はこれまでに行ってきた分析を通じて，まず研究者または研究グループレベルで交流が盛んになり，それを部局レベル・学部レベルに拡大させていく過程でMOUを結んだような場合に，MOU締結後も活発な共同研究が続いているように感じている。
自大学および相手大学の研究者の中から，関心が一致し，互いのニーズとシーズが補完関係にあるような相手をデータ分析で探し出して紹介・推薦するSpeed Datingと呼ばれる手法がある9）。学術集会やジョイントシンポジウムなどの交流イベントを開く際，この仕組みを利用することで，研究者同士の実のある交流が効率的に醸成できる。
研究者の論文情報を分析するほか，事前に参加者が記入したアンケート（図10）を基にして，研究者ごとの専門領域（シーズ）や新たに求める知見（ニーズ）をデータベース上に蓄えておき，ニーズ・シーズのマッチング分析を行うことで，参加研究者には図11のような推薦状が提供される。これによって，限られた時間でも効率的に研究者同士の交流が図られることとなる。
前述のように，ScopusにはAuthor Profile注2）という，研究者ごとの論文集合が世界中の研究者について作られている。これを用いて，世界中の研究者の移動（Brain Circulation）が追跡できる。たとえば，E大学から論文を発表したことのあるすべての研究者の，すべての集合論文をデータとして保有することで，「自大学（E大学）と，サウジアラビアのKing Saud Universityの両方に関係のある研究者を探したい」というようなニーズに応えることができる。
表1は，ScopusのAuthor Profileを用いて構築した，E大学（表中はElsevier Universityと表記）の同窓生追跡データベースによる分析結果の例で，研究者の移動を示している。
この研究者は，1996年時点ではエジプトのAl-Azhar Universityに所属し，1999～2002年はE大学，（遅くとも）2007～2013年はKing Saud Universityに所属していることがわかる。また，2011～2013年は，出身大学であるエジプトのAl-Azhar Universityにも再び所属していることがわかる。
このデータベースの用途として，自大学の留学生の追跡調査や，国外の大学で交流の窓口となってくれる研究者の探索を行うなどが考えられる。
前項で紹介した研究者の移動分析は，論文情報が基になっていると述べた。そこで，論文ごとにそのインパクト（FWCI）の情報を付加することにより，「自大学を卒業した留学生が，その後どのような国外に帰って（行って），どのように研究力を上げているか」という分析が可能となる。これは，自大学を世界的な研究拠点として考えた場合，「自大学の研究力が世界にどのように伝搬しているか」という問いに等しい。
同様の手法を用いた研究者の国際流動性とその効果に着目した分析が，2014（平成26）年の科学技術白書でも取り上げられている10）。ここでは，海外で活動した研究者は，日本国内のみで活動した者より論文生産性が高いことが示されている。
大学や研究機関が生き残りをかけて，その存在意義をエビデンスとともに自ら証明しなければならない潮流は，日本だけでなく世界的な傾向である。その際，主として書誌情報を用いた研究力分析が行われている。
書誌情報には過去の研究力の分析にとどまらない，研究戦略やアクションプランに有用な情報が多く含まれており，本稿ではそのような事例を紹介してきた。
エルゼビアは科学ジャーナルの出版社として長い歴史を有しているが，今後は大規模な文献データの提供とその分析によっても，科学界の発展に貢献していきたいと考えている。
