聚集中走向均衡？
作者： 梅国帅 许长青 钟颖妍
摘 要：以研究生人才作为考察对象，基于1997-2021年30省样本数据，研究省域层面我国研究生人才空间分布特征并使用双向固定效应模型分析影响研究生人才分布的主要因素。研究结果表明：省域层面研究生人才分布聚集趋势明显，在总量聚集的同时，人均层面走向进一步聚集；研究生人才分布聚集呈现出显著的空间相关性，空间聚集以低低聚集为主且伴随着时间推进，低低聚集区域得到进一步扩充；省域层面研究生人才空间聚集主要表现为经济主导型，发展水平和产业结构正向影响研究生人才分布；研究生培养能力显著影响研究生人才分布，但存在阶段性特征，影响逐渐由显著负向变为显著正向；舒适度对各省研究生人才分布的影响整体上显著，但存在异质性。着眼未来，省级政府部门应从研究生人才培养和人才环境入手，加快区域经济发展，促进研究生人才从高度聚集走向相对均衡。
关键词：研究生人才；空间分布；演变趋势；影响因素
20世纪90年代以来，我国高等教育取得了显著成就。近年来本科及以上学历毕业人数继续不断增长，以高层次人才为核心的人力资本成为影响我国全要素生产率的决定性因素。人才是指具有一定专业知识或专门技能，进行创造性劳动并对社会做出贡献的人，是人力资源中能力和素质较高的劳动者。[1]作为专业知识和专门技能的载体，人才是实现民族振兴、赢得国际竞争主动的战略资源。当今世界正经历着百年未有之大变局，新一轮科技革命和产业变革迅猛发展，各地正积极探索建设人才高地的方法，人才作用不言而喻。[2]为抢抓发展先机和人才红利先机，2017年以来，我国各省掀起“抢人大战”并逐渐白热化，全国约70%的城市出台了相关人才政策，措施包括直接落户以及随学历提升而阶梯式增加的安家费、生活补贴等，以此吸引高学历人才加盟。[3] 当下人才政策势必影响我国现有高等教育人才空间分布格局，本文采用实证研究方法对我国以研究生人才为核心的高等教育人才空间分布特征及其演变趋势进行探究，分析影响人才空间分布的主要因素，旨在推动人才资源合理配置、促进人才与社会协调发展。
一、文献综述
人才研究在20世纪六七十年代成为管理学领域的一个重要课题。美国学者库克（Kuck）提出“库克曲线”，从可行性和必要性说明人才流动对人的创造力所发挥的作用。卡兹（Katz）通过对科研组织人员的寿命研究，发现“卡兹曲线”并提出组织寿命的长短与组织内的信息沟通和获得成果相关。经济学家舒尔茨（Theodore W.Schultz）、贝克尔（Gary Stanley Becker）、明瑟（ Jacob Mince）等对人力资本进行了深入研究。福罗里达（Richard Florida）指出，高素质人才是一种具有流动性的生产要素，大学毕业生常常在他们完成学业之后离开大学所在地区。年轻而又受过良好高等教育的人几乎是所有人口群体中最具流动性的。高BDGI（Brain Drain Gain Index， BDGI）地区拥有密集而繁荣的劳动力市场，创新吸收能力强，直接或间接地推动了经济增长，反过来又导致更高的人才生产率、保留率和吸引力。[4]汪怿认为人才高地在国家战略体系中扮演着引领创新、驱动改革以及深化开放等重要作用。[5]李楠等以国际高水平人才湾区实践经验为基础，提议创建人才柔性引进机制，探索人才跨域联合培养机制，创新优化产学研合作机制，建立多元主体参与、协调合作互促的人才管理体系。[6]陈丽君等则将人才生态营造看作是人才与创新高地建设的重要工作。[7]赵明仁等从协同融合发展的视角，提出提升引才制度的开放性、推进区域产教才融合发展。[8]
·学位与研究生教育·聚集中走向均衡？
人才空间分布格局及其影响机制研究是教育经济学和人口地理学等学科关注的重点。[9]围绕该问题，现有研究主要通过新古典迁移理论和均衡理论进行研究建构。[10][11][12]前者认为人才迁移是个人理性计算经济成本收益的结果[13]，就业机会、经济规模、工资水平和产业结构能够显著影响地区人才分布[14][15][16][17]；后者则进一步强调舒适性在其中的作用，寻求环境舒适性与经济因素的均衡。第二次世界大战后，美国人口向“阳光地带”迁移，格列斯夫（Graves）发现气候舒适性显著影响人口流动[18]，后续研究则进一步扩展了舒适性范围，大体包括自然环境舒适性和社会环境舒适性两大类，如空气质量[19]、天气[20]、绿地面积[21]等自然环境舒适性和教育医疗[22]、文化娱乐[23]、城市包容和开放度[24]等社会环境舒适性因素。另有研究注意到舒适性在发展中国家人才区位选择的适用问题，认为由于经济因素的主导作用，舒适性并未影响发展中国家人才的区位选择。[25]杨等（Yeoh et al.）的研究表明，科技创新人才的流向不仅是由经济学逐利心理导致，还应该将文化地域等复杂的背景因素考虑进去。[26]阿伦斯贝尔根等（Arensbergen et al.）通过分析参与科技创新人员评估的主体，指出人才评价过程中各阶段的公正性具有重要意义，同时发现某些看似对评价影响很大的因素却并不影响最终决策。[27]
中国高学历人才空间分布的研究显示，我国高学历人才表现出高度集中且不平衡的空间分布格局。从区域分布来看，我国大专及以上学历人才空间分布表现出东南高、西北低的区域聚集特征[28]；从省域角度看，则表现出“东高西低”非均衡特征并形成了粤港澳大湾区及“京津”“江浙沪”核心聚集区[29]；从市一级层面看，我国大专及以上学历人才分布则与城市等级关系密切，表现为高学历人才向直辖市、省会城市、计划单列市等行政区集中，普通地市人才获取量较少[30]，部分研究将视角进一步聚焦到特殊人群的空间分布格局，诸如科技人才[31]、社会科学研究人才[32]、中国科学院院士[33]、教授和研究人员及IT人才等[34][35][36]，研究结果均证实中国高层次劳动力空间分布存在不均衡。对于高学历人才分布影响机制，相关研究结果显示经济因素是其共同且主导因素，但随着收入与生活水平的提升，教育、医疗、气候和交通等舒适性因素的作用逐渐凸显。[37][38][39][40][41][42]
综上，既有研究对高学历人才及其空间分布问题进行了广泛关注，凸显问题研究的价值。但先行研究对于该问题的分析大多关注某一特定人群，如院士、教授、IT人才等，或者是将高等学历人才视为整体进行研究，关注其时空分布格局及其影响机制；对某特定学历群体的空间格局与机制探讨不足，尤其是对我国高层次人才的主要载体——研究生人才的研究更显不足。考虑到研究生人才对区域科技创新和经济高质量发展的突出作用，本文将研究对象高等教育人才限定为研究生人才，重点关注我国研究生人才空间分布及其影响机制。基于此，研究提出如下基本假设。
H1：我国研究生人才省域层面分布存在总量聚集的同时，人均层面走向均衡。
H2：我国研究生人才分布聚集呈现出显著的空间相关性，在省域层面主要向京津、粤港澳大湾区和长三角等地聚集。
H3：经济因素是影响我国研究生人才分布的主要因素，舒适度和区域研究生人才培养能力对吸引和维持研究生人才发挥着重要作用。
二、研究设计
（一）研究对象
本文将高等教育人才聚焦为研究生人才。为有效调控我国研究生人才空间分布格局，本研究的“区域”以省（直辖市）为单位，拟对我国30个省（直辖市）①的研究生人才空间分布及其影响机制进行分析。考虑到在校研究生毕业后流动性问题，本文在定义研究生人才时，使用各省（直辖市）就业人口中拥有研究生学历的劳动者作为代理变量。研究将分析各省（直辖市）研究生人才资源分布现状及其演变趋势，并对影响因素进行讨论，旨在加强省域研究生人才资源配置，为省域层面研究生人才调控政策的制定提供理论参考。
（二）研究方法
研究生人才的空间分布具有差异性并且是可以测量的。测量的方法包括多种，如基尼系数、变异系数、泰尔指数等。研究生人才的空间分布具有结构性，这种空间结构性可以采用空间自相关分析来揭示其空间聚集态势。本研究拟采用泰尔指数及空间自相关分析来探索研究生人才区域分布的差异性及其结构性特征。
1.泰尔指数
泰尔指数是衡量区域收入或其它差异的常用指标，具有一些良好的统计性质，如可加可分解性。可加可分解性是指总体不平等性指标可以写成组内不平等和组间不平等之和的形式，如研究生人才的分布可以分解为区域之间的差距和区域内各省之间的差距之和。因此泰尔指数在反映整体差异的同时，也能够反映区域内部和区域间的变化差异。由于泰尔指数具有完全相加可分的优点[43]，且对数据高低两端变动相对基尼系数而言更为敏感[44]，用泰尔指数来衡量区域人才之间的差异比基尼系数更为科学合理。由此，本文运用泰尔指数对我国研究生人才分布区域差异情况进行分析。借鉴姚昊等经验[45]，研究将泰尔指数定义为：
Theil_T=∑ki=1nknyky1nk∑nki=1yiykLnyiyk+∑kk=1nknykyLnyky=Theil_Tw+Theil_Tb （1）
式1中，T为总体泰尔指数，用来衡量省域间研究生人才分布的不均等程度；K为分组项，本研究借鉴国家统计局八大经济区域划分方法②，将样本省份分为8组；Tw为组内泰尔指数，主要衡量区域内研究生人才分布不均等程度；Tb为组间泰尔指数，衡量区域间不均等程度；Y为研究生人才规模，N代表K区域内各省。泰尔指数取值范围为[0，1]，数值越接近1，表明不均等程度越高，反之则表示均等程度越高。
2.空间自相关分析
泰尔指数虽然能较好反映我国研究生人才分布空间不均衡程度，但无法区分我国研究生人才集聚区域是否在地理空间上存在邻接关系，更无法反映我国研究生人才在哪些区域和省份出现了空间聚集。空间自相关分析能够有效弥补泰尔指数上述不足，因此研究进一步采用空间自相关分析。自相关指数（Moran’s I）可以测度空间自相关性。当位于一定距离d内的观测值相近时， Moran’s I 在显著水平下 （P 值小于 0.1） 为正，不相近时为负，当观测值随机排列时为零。Moran’s I可分为全局自相关指数（Global Moran’s I ，GMI） 和局部自相关指数（Local Moran’s I， LMI）。GMI 主要测量在全范围尺度下区域某一属性的聚集水平；LMI 可以定量识别区域某一属性的分布，进而探测区域极化的空间模式。
（1）全局莫兰指数（GMI）
全局莫兰指数能够反映空间邻近区域或者空间邻接区域的属性值从全局层面上所具有的相关性差异程度。参照徐君等经验[46]，全局GMI被定义为：
Moran’s I=∑np=1∑nq=1Wpq（xp-x）（xq-x）S2∑np=1∑nq=1Wpq（2）
式2中，Moran’s I为全局莫兰指数，xp、xq分别表示第p个区域和第q个区域的研究生人才数量，x表示省域层面平均研究生人才数量，S2表示方差，Wpq表示使用空间相邻模式构建的空间权重矩阵。Moran’s I取值范围为[-1，1]，当 Moran’s I>0时，表明各省市研究生人才分布存在空间正相关，即研究生人才规模相似的省份（高高或低低）在空间上趋于聚集分布；当Moran’s I<0时，表示各省市研究生人才分布存在空间负相关，即研究生人才规模相异的省份（高低或低高）在空间上聚集；Moran’s I=0时，表明随机分布，不存在空间相关性。