为什么不同的大学排行榜会大相径庭

说起大学排行榜，很多人应该都有两个印象：一个是“多”，各种大学排行榜层出不穷，只要你没屏蔽所有教育类新闻，那么你就算没听过10个榜，至少也听过5个榜;另一个是“乱”，除头部几个学校外，不同排行带有笑的成语榜的排名相差之大，可能直接让人懵逼。排行榜与排行榜之间的差距，恐怕比所谓“好大学”与“差大学”之间的差距都大得多。

1. 排名中的猫腻

为什么不同排行榜会大相径庭?为什么有些排行榜排着排着就成了一个笑话?

我们先从指标入手，看有没有问题。由于排行榜非常多，在这里用相对较“闻名”的《QS世界大学排名》作为样例。

按QS的官方说法，它的排名根据以下6个指标计算得来：

学术声誉(40%)

雇主声誉(10%)

师生比(2女王的英语怎么说0%)

每名教师的引用率(20%)

国际教师比例(5%)

留学生比例(5%)

一眼看下来，占比50%的前两项让人一头雾水：什么是“声誉”?怎么度量“声誉”?

而后面4项是相对客观的指标，虽然也有商榷的地方，但可操作的空间不大。我们首先看这些指标。

先看师生比，这是个简单粗暴但还说得过去的指标。然而，有不少好大学会因此被坑，比如UCB(加州大学伯克利分校)，公认的最顶尖的公立大学之一，在QS2020中，被排在了第28名，有苦说不出。它的“学术声誉”达到了100分，“雇主声誉”为99.9分，“教师引用率”为97.7分，都是满分或接近满分，但由于是公立学校，资源相对没那么富足，“师生比”仅仅为30.9分，“留学生比例”为39.7分，在顶尖高校的决赛圈中，这两块短板就成了致命伤。

再看教师引用率，这是相对有操作空间的指标，据官方说法，它使用五年的论文发表窗口和六年的引文窗口，所有引文数据都来自爱思唯尔的Scopus数据库，对不同学科也做了一些处理。由于引入了一些参数，并且将引文数据限制在Scopus数据库中，导致有可商榷之处，如为什么不用Google scholar引文数据、非英语的高校整体被低估等。

最后再来看国际师/生比，这个被人诟病不少。该指标会导致一些小国的大学评分整体上浮，如南洋理工大学和新加坡国立大学的国际教师比例都达到了100分。近年来推出不少吸引留学生和国际教师的政策，一方面也与国际排名中的该指标有关。

再回头看前两个指标。按照官方的说法，“学术声誉”是根据超过9.4万份的专家意见数据得出的，而“雇主声誉”是根据4.5万份雇主的调查反馈数据得出。既然是调查数据繁体字查找，那么不仅会存在主观性的整体偏差，如个别极端事件可能引起雇主或专家群体对学校印象的急剧变化，而且操作空间也很大，如可偏向于某个地区多发一些问卷等，这里不存在一个绝对公平的方案。

每个指标都有值得讨论的地方，而把这些指标按不同权重加总，更放大了其中的不稳定性。

其实大学的“好坏”，是一个多维指标，从学术、教学、就业等不同方面进行排序，得到的结果会很不一样。那么，有没有一个完全客观的单指标排名方式呢?这样既可以避免指标的主观性，又可以避免不同指标之间的。对于的大学，思来想去，还真有这样一个神奇的指标：录取分数线。

2. 录取分数线排名

“角度刁钻”，非常有意思，这就是当我看到华东师范大学邝春伟团队推出《大学录取分数排名》时的感受。

源数据是每所大学过去10年在各省的录取分数线，先通过映射解决不同省的分数线可比性问题，再将其加权加总，权重依据来自各高校文理科录取人数。这就是一个基于客观数据的单指标排名。

如果把大学录取看作一个“商品”，招生人数是“供给”，想去的人数是“需求”(仅仅是比喻，并非完全准确)，那么在达到均衡时，大学录取分数线就是商品的“价格”。因此，这个榜的含义等同于“最难考大学排行榜”。

从中可以得出不少有趣的结论，比如存在显著的“北上溢价”和“财经溢价”，即贝的组词地处北上的大学以绘画种类及财经类大学的分数线相对于同水平的其他大学会偏高一些，并且这两个溢价的程度大大超出了我以前的认知。

当然，它的缺点也同样明显：一方面，正如商品的价格与商品的质量没有必然联系，高校录取分数线与高校的“好坏”也没有必然联系，它仅仅反映了大学难不难考而已，若某个大学想提升排名，只需“减少供给”，即缩小招生规模即可;另一方面，大学的录取分数线是一个下限，而大学中每个专业都有不同的分数线，A大学的分数线比B大学高，但B大学可能有些专业的分数线远远高于A大学的最低分数线。

如果考生对大学的评价是一致的，那么这个榜就等同于大学的“好坏”排行榜，但考生的评价显然是异质的，“北上”或“财经”的价值对不同考生也是不同的，因此，它也只能反映大学的“难考程度”，而非大学的“好坏”。对于考生个人，还是建议先正确认识自己的需求再做决定，而不是盲目迷信地域而选择“北上”，盲目迷信专业而选择“财经”，或是怕分数浪费而盲目选择“难考的大学”。

最后，附上剩余的大学录取分数排名。