中国高校博士教师省域空间分布格局及其影响因素研究

Research on the spatial distribution pattern and influencing factors of doctoral teachers in Chinese universities across provinces

摘要

基于2013—2022年教育统计数据和全国统计年鉴数据，综合运用占比数列、集聚度、空间自相关和空间杜宾模型等方法，探究中国高校博士教师省域空间分布格局及其影响因素。研究表明：1） 中国高校博士教师省域规模呈均衡化发展趋势； 2） 2013年，密集地区集中于北京、天津、上海，稀疏地区则涵盖内蒙古、广西、贵州、云南、西藏、青海、新疆。至2022年，北京的集聚程度回落至中密集水平，内蒙古转变为均值下区域； 3） 全局莫兰指数显示，高校博士教师人才密度的空间分布存在显著集聚特征，且在2018年前后分别呈现加强和减弱趋势；局部莫兰指数散点图显示，2013年热点地区为北京、天津、上海、江苏、浙江，而山西等20个省域为冷点地区，2022年黑龙江新增冷点地区； 4） 高校博士教师分布具有明显的空间溢出效应，工资水平、消费支出、医疗服务及人才政策是影响其分布的主要因素，且人才政策的驱动作用最为突出。

Abstract

Based on the educational statistics and national statistical yearbook data from 2013 to 2022， the provincial spatial distribution pattern of doctoral faculty in Chinese universities and its influencing factors were explored by comprehensively applying methods such as proportion series， agglomeration degree， spatial autocorrelation and spatial Durbin model. The results showed that： 1） The provincial scale of doctoral faculty in Chinese universities presented a development trend toward equilibrium； 2） In 2013， the densely distributed regions were concentrated in Beijing， Tianjin and Shanghai， while the sparsely distributed ones included Inner Mongolia， Guangxi， Guizhou， Yunnan， Xizang， Qinghai and Xinjiang. By 2022， the agglomeration degree of Beijing dropped to a moderately dense level， and Inner Mongolia was transformed into a region below the average level； 3） The global Moran's I index indicated that the spatial distribution of doctoral faculty density in universities had significant agglomeration characteristics， which showed a trend of intensification before 2018 and attenuation afterward. The scatter plot of local Moran's I index revealed that the hot spots in 2013 were Beijing， Tianjin， Shanghai， Jiangsu and Zhejiang， whereas 20 provinces including Shanxi were cold spots； By 2022， Heilongjiang was added as a new cold spot； 4） The distribution of doctoral faculty in universities had an obvious spatial spillover effect. Wage levels， consumer spending， medical services and talent policies were the main factors affecting its distribution， among which the driving effect of talent policies was the most prominent.

Graphical abstract

关键词

中国高校 / 博士教师 / 空间分布 / 影响因素 / 省域

Key words

Chinese universities / doctoral teacher / spatial distribution / influencing factors / provincial regions

0 引言

党的二十大报告指出，要促进人才区域合理布局与协调发展。高校博士教师作为高校人才队伍的重要组成部分，在履行高校五大职能中发挥着重要作用。随着“人才争夺战”加剧，高校博士教师呈现出前所未有的高流动性特征，这对高校人才队伍的合理布局提出了严峻挑战。因此，探究中国高校博士教师的省域空间分布格局及其影响因素，对于深刻把握其空间分布规律，促进人才合理布局和协调发展，具有重要意义。

中国人才空间分布格局及其影响因素的研究已形成纵向与横向两大范式。纵向研究聚焦特定精英群体的时空演变规律，如周亮等^［1］分析了755名院士的空间分布与流动规律；刘晓娟等^［2］分析了地区在国家杰青获得者成长中承担的角色类型及影响因素。横向研究则侧重学历群体的空间分异，如李唯欣等^［3］研究了中国专科及以上高学历人才空间格局及影响因素；刘晔等^［4］研究了本科及以上高学历人才分布格局及影响因素；张波^［5］研究了硕士及以上高端人才的空间分布及变动趋势；王若宇等^［6］研究了高校科研人才的时空变化及影响因素。综上，既有研究存在以下不足：一是研究群体覆盖失衡，过度聚焦院士等顶尖人才，同时将专科及以上学历者简单同质化处理；二是指标选择维度缺失，已有研究普遍采用面积人才密度而忽视人口人才密度；三是空间建模较为封闭，已有研究多采用封闭式省域单元假设，缺乏对空间依赖性和异质性的系统建模。

为弥补不足，本研究基于2013—2022年教育统计数据和全国统计年鉴数据，采用占比数列、集聚度、空间自相关和空间杜宾模型（Spatial Durbin Model， SDM）等方法，探究中国高校博士教师的省域空间分布格局及其影响因素。

1 研究设计

1.1 研究区域与数据

研究区域为中国31个省域（省、自治区、直辖市），因港澳台地区数据获取受限，未纳入研究范围。空间基本单元设定为省域，时间为2013—2022年。高校博士教师数据来源于教育部网站公布的2013—2022年教育统计数据，自变量数据来源于2014—2023年《中国统计年鉴》。其中，高校博士教师的界定为普通高校专任教师中持有博士学位的人员。研究基于高校博士教师数量与人才密度（即每1万人口中高校博士教师数）两个核心指标，综合分析高校博士教师的省域空间分布格局。

1.2 研究方法

1.2.1 占比数列

占比数列Z_i，即由各省域高校博士教师数占中国高校博士教师总数的比例所组成的数列，公式为

Z_i=\frac{S_i}{S_n}\times \mathrm{100}\mathrm{\%},(1)

式中：Z_i是i省高校博士教师数占全国高校博士教师总数的比例，S_i是i省高校博士教师数，S_n是全国高校博士教师总数。

1.2.2 集聚度

高校博士教师集聚度^［7］，表征某一地区相对全国平均水平的集聚程度。用某一地区占全国1%人口为基数所集聚的高校博士教师数量占全国总量的比例。公式为

J_i=\frac{(T_i/T_n)\times \mathrm{100}\mathrm{\%}}{(P_i/P_n)\times \mathrm{100}\mathrm{\%}}=\frac{T_i/P_i}{T_n/P_n}，(2)

式中：J_i是i省高校博士教师集聚度，T_i是i省高校博士教师数，P_i是i省人口数，T_n是全国高校博士教师总数，P_n是全国人口总数。J_i取值大于0，J_i越大表示集聚程度越强，反之越弱。

1.2.3 空间自相关

1） 全局空间自相关。全局莫兰指数I能够量化高校博士教师人口密度的空间集聚特征。其公式为

I=\frac{n{\displaystyle \sum _{i=\mathrm{1}}^n}{\displaystyle \sum _{j=\mathrm{1}}^n}{w}_{ij}(x_i-\overline{x})(x_j-\overline{x})}{{\displaystyle \sum _{i=\mathrm{1}}^n}{\displaystyle \sum _{j=\mathrm{1}}^n}{w}_{ij}\cdot {\displaystyle \sum _{i=\mathrm{1}}^n}(x_i{-\overline{x})}^{\mathrm{2}}}，(3)

式中：x_i、x_j为地区i、j的高校博士教师人口人才密度；\overline{x}为均值；w_{ij}为空间邻接矩阵\mathit{W}中的一个元素，相邻为1，不相邻为0；n为省域数。I的取值范围为［-1，1］，大于0表示空间正相关，小于0表示空间负相关，等于0表示不存在空间相关性。

2） 局部空间自相关。局部莫兰指数I将空间相关性划分为4种类型，分别是H‑H（高‑高）型，表现为高值被高值包围的热点区；L‑L（低‑低）型，表现为低值被低值包围的冷点区；H‑L（高‑低）型，表现为高值被低值包围的异常区；L‑H（低‑高）型，表现为低值被高值包围的异常区。公式为

I_i=\frac{\left(x_i-\overline{x}\right)}{S^{\mathrm{2}}}{\displaystyle \sum _{i=\mathrm{1}}^n}{w}_{ij}\left(x_i-\overline{x}\right)，(4)

式中：x_i为地区i的高校博士教师人口人才密度；\overline{x}为均值；w_{ij}为i地区和j地区的权重；n为省域数；S^{\mathrm{2}}为方差。

1.2.4 空间杜宾模型

空间杜宾模型（SDM）是一种常用的空间计量经济学模型^［8］。其表达式为

y_{it}=\rho {\displaystyle \sum _{\mathrm{j}=\mathrm{1}}^n}{w}_{ij}{y}_{jt}+\beta x_{it}+\delta {\displaystyle \sum _{j=\mathrm{1}}^n}{w}_{ij}{x}_{jt}+{\mu }_i+{\lambda }_t+{\epsilon }_{it},（5）

式中：y_{it}、y_{jt}为被解释变量在i、j单元t时期的观测值；\rho表示空间回归系数；w_{ij}为空间邻接矩阵\mathit{W}中的一个元素；\beta为解释变量系数；x_{it}为解释变量在i单元t时期的观测值；\delta为空间滞后解释变量的系数；{\mu }_i为空间固定效应；{\lambda }_t为时间固定效应；{\epsilon }_{it}为空间自相关误差项。

传统LM检验与稳健LM检验的结果均显示，两者统计量均在1%显著性水平下显著，据此选定SDM作为基准模型。为验证SDM的适用性，进行Wald和LR检验，结果表明空间杜宾模型未退化为空间滞后模型或空间误差模型。通过Hausman检验与固定效应检验，确定模型采用双向固定效应形式。多重共线性检验显示，方差膨胀因子值均小于3，表明模型核心解释变量间不存在多重共线性问题。自变量选取见表1。

2 空间分布格局的演变

2.1 从数量占比来看

2013—2022年，中国高校博士教师总数由286 148人增至566 787人，年均增长率为10.9%。其中北京、天津、辽宁、吉林、黑龙江、上海、江苏、湖北和四川等9个省年均增长率低于全国，高校博士教师数占全国比重较高但呈下降趋势，且北京最显著，由12.57% 降至9.53%；河北等22个省域年均增长率高于全国，高校博士教师数占全国比重较低但呈上升趋势，且山东最显著，由5.48%升至6.65%。表2显示，占比数列的中位数、方差和标准差均有所下降，占比数列分布趋于均衡，中国高校博士教师省域空间分布呈均衡化发展趋势。

以占比数列平均数3.23%为参照基准，采用自然断点法，将31个省域划分为6个类别，具体划分标准如下：Z≥9.69%为极高占比地区；6.46%≤Z<9.69%为较高占比地区；3.23%≤Z<6.46%为高占比地区；1%≤Z<3.23%为低占比地区；1‰≤Z<1%为较低占比地区；Z<1‰为极低占比地区。分类结果详见图1。

2013—2022年，北京由极高占比地区降至较高占比地区，山东由高占比地区升至较高占比地区，黑龙江从高占比地区降至低占比地区，贵州、内蒙古从较低占比地区升至低占比地区，青海从极低占比地区升至较低占比地区；较高占比地区、高占比地区、低占比地区、较低占比地区的占比总和由87.27%升至99.93%，极高占比地区和极低占比地区的占比总和由12.73%降至0.08%，见表3。高校博士教师省域空间分布趋于均衡，但个别地区仍存在较大的非均衡性。

2.2 从空间集聚度来看

参照封志明等^［7］提出的全国人口集疏程度分级评价标准，依据高校博士教师人口人才密度集聚度，将31个省域划分为人口密集区（J≥2）、人口均值区（0.5<J<2）和人口稀疏区（J≤0.5）。其中人口密集区又进一步细分为高密集区（J≥8）、中密集区（4≤J<8）、低密集区（2≤J<4）；人口均值区进一步细分为均值上区（1≤J<2）、均值下区（0.5<J<1）；人口稀疏区进一步细分为相对稀疏区（0.2<J≤0.5）、绝对稀疏区（0.05<J≤0.2）和极端稀疏区（J≤0.05），采用式（2）分别计算2013、2022年高校博士教师人口人才密度集聚度，分级结果见图2。

表4显示，2013年人才密度分布呈现一定的不均衡性，密集地区为10.44名/万人，均值地区为1.87名/万人，稀疏地区为0.80名/万人，三者比例约为13.05∶2.34∶1.00。2013年全国多数区域属于均值地区，其人口占全国总量的81.97%，对应的高校博士教师占比为72.97%；密集地区为北京、天津、上海，人口占比仅为4.38%，却集聚了全国21.83%的高校博士教师；稀疏地区涵盖内蒙古、广西、贵州、云南、西藏、青海和新疆，人口占比达13.65%，对应的高校博士教师占比仅为5.20%。2022年，高校博士教师人才密度的省域空间分布格局未发生根本性改变，密集地区为16.22名/万人，较2013年增长约55.36%；均值地区为3.72名/万人，增幅达98.93%；稀疏地区为1.82名/万人，增幅高达127.5%；三者比例约为8.91∶2.04∶1.00。2022年，人口与博士教师占比的匹配关系也出现小幅调整：均值地区人口占比升至83.57%（提升1.6个百分点），博士教师占比升至77.27%（提升4.3个百分点）；密集地区人口占比微降至4.27%（下降0.11个百分点），博士教师占比降至17.24%（下降4.59个百分点）；稀疏地区人口占比降至12.16%（下降1.49个百分点），博士教师占比微升至5.49%（提升0.29个百分点）。北京从高密集地区下降为中密集地区，内蒙古从相对稀疏区上升为均值下区，高校博士教师人口人才密度趋于均衡。

2.3 从空间自相关来看

2.3.1 全局空间自相关

利用Stata软件估计2013—2022年中国高校博士教师人口密度的全局莫兰指数I值，见表5。

I值均大于0，且在1%水平下显著，表明人才密度分布具有空间集聚特征。2013—2018年该指数呈上升趋势，表明空间集聚性在加强；2018—2022年该指数呈下降趋势，表明空间集聚性在减弱。2019年新冠疫情暴发，对经济社会产生较大冲击。

2.3.2 局部空间自相关

利用Stata软件估计2013、2018和2022年中国高校博士教师人口人才密度的局部莫兰指数，并绘制莫兰散点图，如图3所示。

2013年，高校博士教师分布的热点地区为北京、天津、上海、江苏和浙江，这些地区经济发展水平较高且高校密集，能够为高校博士教师提供充足的就业岗位与丰厚的薪资待遇，有利于人才集聚；同期冷点地区涵盖山西在内的 20 个省域，此类地区经济发展水平偏低，高校分布相对稀疏，对人才的吸引力较弱，不利于高校博士教师的集聚。从时空演变特征来看，2018年浙江由热点地区转变为异常区，2022年黑龙江由异常区变为冷点地区。

3 影响因素分析

参照既有文献［1-6］，选取以下3组自变量：1） 经济因素，包括城镇非私营单位（教育行业）就业人员平均工资和城镇居民人均消费支出。本研究以平均工资衡量区域收入水平，以人均消费支出衡量区域生活成本。2） 公共服务因素，包括初中生师比、每千人医生数。3） 人才政策因素，拟采用人均一般公共预算收入衡量地区人才政策力度。

利用Stata软件，对高校博士教师人口人才密度空间分布的影响因素进行参数估计，具体结果详见表6。模型中除初中生师比外，其余解释变量的参数估计均显著。由于空间溢出效应的存在，需要对空间总效应进行分解，见表7。

具体而言，平均工资每提高1个单位，可提高本地人才密度0.185个单位；相邻地区平均工资每提高1个单位，本地人才密度将增加0.157个单位，这表明平均工资对高校博士教师集聚具有显著促进作用，且具有一定的空间溢出效应。人均消费支出每提升1个单位，本地人才密度减少0.099个单位；相邻地区人均消费支出每提升1个单位，本地人才密度减少0.374个单位。这表明人均消费支出的提高对高校博士教师集聚具有一定的抑制作用，但需注意的是，配备优质公共服务的一线高消费地区，会对周边区域的人才形成虹吸效应。每千人医生数每提高1个单位，本地人才密度可提高0.098个单位；相邻地区每千人医生数每提升1个单位，本地人才密度将增加1.223个单位，这表明医疗资源对人才集聚具有正向促进作用，且相邻地区的优质医疗资源，对本地区高校博士教师的集聚推动作用尤为显著。

人均一般公共预算收入每提高1个单位，本地人才密度可提高1.199个单位；相邻地区人均一般公共预算收入每提升1个单位，本地人才密度会减少0.335个单位。究其原因，高校博士教师对于人才政策的需求程度较高，相邻地区人才政策力度的加大，会吸引本地区人才向其流动。从被解释变量的空间滞后系数来看，相邻地区人才密度每提高1个单位，本地区人才密度将增加0.462个单位，这充分说明高校博士教师人口人才密度存在明显的空间溢出效应。

4 结论与建议

4.1 结论

1） 2013—2022年，中国高校博士教师数量在北京等9个省（直辖市）的平均增速低于全国平均水平，山东等22个省域的平均增速高于全国平均水平。从占比数列的平均数、中位数、方差、标准差等统计指标及各省、直辖市的高校博士教师数占比分类统计结果来看，各省域高校博士教师数趋于均衡，但少数地区仍存在较大的非均衡性。

2） 2013年，中国高校博士教师人口人才密集地区仅分布在北京、天津、上海，稀疏地区分布在内蒙古、广西、贵州、云南、西藏、青海和新疆。到2022年，北京回落为中密集地区，内蒙古升级为均值下区。从整体格局来看，均值地区增多，密集地区和稀疏地区减少，整体呈均衡化发展趋势。

3） 全局莫兰指数显示，高校博士教师人口人才密度分布具有一定的空间集聚特征。2013—2018年该指数上升，表明空间集聚性在增强；而2018—2022年该指数下降，表明空间集聚性在减弱。局部莫兰散点图的分析结果显示，2013年热点地区为北京、天津、上海、江苏、浙江，冷点地区为山西等20个省域。2018年浙江由热点地区变为异常区，2022年黑龙江由异常区变为冷点地区，整体格局变化不大但趋于均衡。

4） 回归分析结果显示，高校博士教师人口人才密度空间分布具有明显的空间溢出效应，工资水平、消费支出、医疗服务、人才政策是影响高校博士教师空间分布的主要因素，且人才政策的影响最为显著。这与西方新古典迁移理论和均衡理论的研究结果不同，但却与当前我国各城市开展的“人才争夺战”高度吻合。

4.2 建议

为推动高校博士教师的省域合理布局与均衡发展，建议如下：一是强化薄弱地区人才政策供给，精准补齐政策短板，缩小省域间人才政策的梯度差距；二是统筹推进薄弱地区资源整合，树立系统思维，推动各类资源协同发力，形成引才育才的工作合力；三是加强国家层面的宏观统筹调控，坚持市场在人才资源配置中的决定性作用，同时做好顶层设计，防范人才集聚的 “马太效应”；四是构建省域间精准帮扶协作机制，聚焦博士教师队伍管理、科研平台共建共享、博士人才委托培养等关键环节，开展针对性帮扶合作。

参考文献

[1] 周亮， 张亚. 中国顶尖学术型人才空间分布特征及其流动趋势：以中国科学院院士为例［J］. 地理研究， 2019， 38（7）： 1749‑1763.

[2] 刘晓娟，谢瑞婷，孙镘莉，等.高层次科技人才成长中的地区角色研究：以国家杰出青年科学基金获得者为例［J］.科学学研究， 2024， 42（10）： 2110‑2121，2160.

[3] 李唯欣， 魏传华， 沈思. 基于多尺度地理加权回归的中国高学历人才空间格局及影响因素研究［J］. 统计与管理， 2023， 38（5）： 122‑128.

[4] 刘晔， 黄翠盈， 李晴， 等. 2000—2020年中国高学历人才分布格局及其影响因素研究［J］. 地理研究， 2023， 42（11）： 2827‑2844.

[5] 张波. 2000—2015年中国大陆人才的空间聚集及时空格局演变分析［J］. 世界地理研究， 2019， 28（4）： 124‑133.

[6] 王若宇， 黄旭， 薛德升， 等. 2005—2015年中国高校科研人才的时空变化及影响因素分析［J］. 地理科学， 2019， 39（8）： 1199‑1207.

[7] 封志明， 杨艳昭， 游珍， 等. 基于分县尺度的中国人口分布适宜度研究［J］. 地理学报， 2014， 69（6）： 723‑737.

[8] Lee L F， Yu Jihai. Some recent developments in spatial panel data models［J］. Regional Science and Urban Economics， 2010， 40（5）： 255‑271.

基金资助

国家自然科学基金项目(42371255)

国家自然科学基金项目(42401251)