EN中文

地理科学进展 >

2023 , Vol. 42 >Issue 5: 821 - 836

DOI: https://doi.org/10.18306/dlkxjz.2023.05.001

研究论文

中国人才分布的学历梯度分异性：时空格局及影响机理

  • 齐宏纲 , 1 ,
  • 戚伟 2 ,
  • 刘振 2 ,
  • 赵美风 , 1, *
展开
  • 1.天津师范大学地理与环境科学学院，天津 300387
  • 2.中国科学院地理科学与资源研究所，区域可持续发展分析与模拟重点实验室，北京 100101
*赵美风(1986— )，女，河北鹿泉人，博士，副教授，主要从事城市地理与人口地理研究。E-mail:

齐宏纲(1992— )，男，河北唐山人，博士，讲师，主要从事人口地理与城市地理研究。E-mail:

收稿日期: 2022-09-19

  修回日期: 2022-11-10

  网络出版日期: 2023-05-24

基金资助

国家自然科学基金项目(42101237)

江苏省社会科学基金青年项目(22SHC003)

江苏省高校自然科学面上项目(21KJB170015)

收起

Heterogeneity of educational attainment of talents in China: Spatial and temporal patterns and driving factors

  • QI Honggang , 1 ,
  • QI Wei 2 ,
  • LIU Zhen 2 ,
  • ZHAO Meifeng , 1, *
Expand
  • 1. School of Geographic and Environmental Sciences, Tianjin Normal University, Tianjin 300387, China
  • 2. Key Laboratory of Regional Sustainable Development Modeling, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China

Received date: 2022-09-19

  Revised date: 2022-11-10

  Online published: 2023-05-24

Supported by

National Natural Science Foundation of China(42101237)

Social Science Foundation of Jiangsu Province(22SHC003)

University Natural Science Research Project of Jiangsu Province(21KJB170015)

Fold

摘要

人才内部存在着受教育程度由低到高的学历梯度，关注不同学历人才分布影响机理的差异性，对于制定因类而异的人才政策和优化城市体系的经济高质量发展格局具有重要意义。论文利用中国2005、2010和2015年人口抽样调查数据资料，从地级尺度上揭示了2005—2015年中国大专、本科及研究生学历人才分布的时空格局特征差异，采用空间计量模型解释了不同学历人才时空分布差异的影响机理。结果发现：① 中国不同学历人才的空间分布高度不均衡，大专、本科及研究生学历人才均主要集聚在直辖市、省会城市和计划单列市，而本科及大专学历人才在内蒙古西部和新疆北部等西北地区资源型城市也具有一定的集聚优势，人才集聚的不均衡度随着学历提升而依次递增。人才集聚的不均衡程度均随时间而有所缓解，但缓解程度随学历提升而依次递减。② 人才动态集聚呈现出初期人才比重越高、期间人才比重增幅越大的马太效应，人才动态集聚的马太效应强度随学历提升而逐渐增强。③ 中国大专、本科及研究生学历人才集聚均主要为经济主导型，薪资待遇是不同学历人才集聚的最重要影响因素，中国区域间薪资水平差距的缩小是不同学历人才分布不均衡态势缓解的主要原因。服务业快速增长，中学教育、医疗条件和交通出行等社会舒适性也会促进不同学历人才的集聚，海拔高度及绿化休憩等环境舒适性整体上并未显著推动中国人才的集聚。④ 经济及社会舒适性因素对人才集聚的促进作用均呈现出随学历提升而依次增加的趋势。

关键词： 人才分布; 研究生; 本科; 大专; 时空格局; 影响机理

本文引用格式

齐宏纲 , 戚伟 , 刘振 , 赵美风 . 中国人才分布的学历梯度分异性：时空格局及影响机理[J]. 地理科学进展, 2023 , 42(5) : 821 -836 . DOI: 10.18306/dlkxjz.2023.05.001

Abstract

Educational attainments of talents are different, and exploring the spatiotemporal distribution of talents with different educational attainments and its driving factors is of key significance for formulating different kinds of talent policies and optimizing the high-quality economic development pattern of the urban system. Using data of the 2005, 2010 and 2015 population sample surveys of China, this study examined the differences in the spatial and temporal patterns of China's talents with college, undergraduate, and graduate degrees from 2005 to 2015 at the prefecture level, and used a spatial econometric model to explain the driving factors of these differences. The results show that: 1) The spatial distribution of China's talents with different educational attainments was highly uneven, and talents with college, undergraduate, and graduate degrees were mainly concentrated in the municipalities, provincial capitals, and independent plan cities. There was also some concentration of talents with college and undergraduate degrees in resource-based cities of the northwestern region, such as western Inner Mongolia and northern Xinjiang. The level of uneven distribution of talents increased with the increment of educational attainments and the unevenness was alleviated through time, but the degree of its alleviation decreased with the increase of educational attainment. 2) The dynamic agglomeration of talents showed the Matthew effect—the higher the proportion of talents at the beginning of the study period, the greater the increase of the proportion of talents during the period. The intensity of the Matthew effect of dynamic agglomeration of talents gradually increased with the increase of educational attainment. 3) The concentration of China's talents with college, undergraduate, and graduate degrees was mainly economic driven, and salary played the most important role in influencing the concentration of talents with different educational attainments. The reduction of regional salary gaps in China had caused a decrease in the level of uneven distribution of talents with different educational attainments. The rapid growth of service industry and improvements in social amenities such as secondary education, medical service, and transportation had also promoted the agglomeration of talents with different educational attainments. Nevertheless, environmental factors such as elevation and green leisure space did not significantly boost the agglomeration of talents in China. The role of both economic development and social amenities in promoting talent agglomeration showed a tendency to increase with increasing educational attainments.

Key words： talent distribution; graduate; undergraduate; college; spatial and temporal patterns; driving factors

2021年9月习近平总书记在中央人才工作会议强调“深入实施新时代人才强国战略，全方位培养、引进、用好人才，加快建设世界重要人才中心和创新高地”，人才已经成为中国科技创新和经济高质量增长的核心生产要素。为抢抓经济转型和人才红利的先机，2017年初以来，全国70%的城市密集出台了人才政策[1]，吸引大专及以上学历的青年高等学历教育阶层是“抢人大战”的突出特征[2-3]。然而，许多城市仍不明确与自身产业结构、科技创新模式相匹配的需求人才类型[4]，不同规模等级城市的人才引进类型高度趋同，很多中小城市引才工作存在随意性和盲目性的问题，引进人才政策对标超大城市、特大城市等经济发达城市，追求引才“高大上”，投入大量财政资金旨在引进硕士和博士等顶尖学历人才[5]。同时，面向不同学历人才的引进措施大同小异，主要集中在直接落户，以及随学历提升而阶梯式增加的安家费、生活补贴等[6]。人才集聚或流动本质上是一个经济因素和公共服务等资源配置的市场化过程，厘清中国城市不同学历人才集疏的空间分布态势，以及不同学历人才分布的影响机理的差异性，对于优化不同规模等级城市的经济高质量发展格局以及制定因类而异的人才政策具有重要意义。
人才区位选择的影响因素是人才地理学或人才经济学的主要研究领域，相关理论不断完善并呈现出多元化的趋势。早期的新古典迁移理论指出迁移是个人理性计算收入和就业机会等经济成本收益的产物[7]，人才倾向迁移至高收入和就业机会充足的区域[8⇓-10]。随后，19世纪70年代Graves[11]提出了舒适性(amenities)影响人口增长和人口迁移的经典理论，认为除了收入、就业机会等经济因素，气候舒适性也是区域吸引人口的重要内在优势，并且随着收入水平的提高，家庭迁移过程中对舒适性的需求不断增加[12]。如今舒适性的涵义得到了广泛拓展，从一种身体感知上的舒适性扩充至有具体形态的人造服务设施，如学校、医院等教育医疗公共服务设施[13-14]，以及咖啡厅、酒吧、电影院、图书馆等文化娱乐服务设施[15-16]。21世纪初，Florida[17]的创意阶层理论将区域人才集聚完全视为舒适性决定的过程，忽略了经济因素对人才集聚的重要作用。然而，相关理论研究仍存在两方面问题。第一，舒适性对吸引人才集聚的作用仍有待进一步讨论。一些美国和西欧学者发现人才仍主要向就业机会丰富的区域集聚，而非气候舒适宜居和文化休闲设施完善的城市[18⇓-20]，中国21世纪初期的一些实证研究也表明社会服务设施及自然环境舒适性并未显著促进人才流入[9-10,21]。第二，舒适性因素框架有待进一步完善。2011年后中国局部地区开始爆发空气污染问题，一些研究表明孟加拉国等发展中国家的空气污染是其人才迁移至发达国家的重要原因[22]，而空气环境质量舒适性对中国人才分布的影响仍不得而知。
20世纪末期，Birdsall等[23]提出了人力资本梯度的概念，将人力资本划分成初、中、高阶三级梯度，分别对应于小学、中学和高等教育文化程度的阶层[24⇓-26]，本质上人力资本梯度就是指劳动力学历水平的高低分异，人力资本梯度升级就是劳动力受教育程度提高而导致的低阶人力资本向高阶人力资本的跃迁过程[24,26]。而具有高等学历的人才则属于人力资本梯度中的高阶人力资本，内部也存在着大专、本科、硕士和博士四级由低到高的学历梯度分异。不同学历梯度的人才具有知识技能的高低分化，产业是劳动力就业的蓄水池，产业附加值的高低分化就在劳动力市场上产生了对不同学历人才的需求差异，供需匹配的市场机制异质性形成了不同学历人才迁移决策需求偏好的差异性，进而塑造出人才地理景观的学历梯度分异特征。然而，现有大多数研究还是把高等学历人才视为一个整体[9-10,21,27⇓⇓-30]，关注大专及以上学历人才的时空分布格局及其区位选择的动力机制，对不同学历人才集疏格局及影响机理差异性的研究相对薄弱。
综上，本文聚焦人才学历梯度分异的研究视角，利用中国2005、2010和2015年人口抽样调查数据资料，从地级尺度上揭示2005—2015年中国大专、本科及研究生学历人才分布的时空格局特征差异，采用空间计量模型解释不同学历人才时空分布差异的影响机理。主要回答2个问题：(1) 随着人才学历的提升，不同学历人才的时空分布格局特征有何异同点?(2) 随着人才学历的提升，不同学历人才区位选择的影响机理有何异同点?

1 研究方法和数据来源

1.1 测度指标

本文以人才比重为主要测度指标，即分别采用大专、本科及研究生学历劳动力规模占劳动力总规模的比重来衡量大专、本科及研究生学历人才的静态集聚水平，人才比重反映了区域人才相对集疏水平，也代表了区域的高阶人力资本[31⇓-33]。人才集聚也是一种动态变化过程，本文分别采用2005—2015年大专、本科及研究生学历人才比重的变化幅度来衡量不同学历人才的动态集聚水平[18,34]，进而间接反映区域的经济社会发展趋势。此外，本文还采用变异系数和全局空间自相关系数来测度不同学历人才的时空分布特征。
(1) 变异系数
引入变异系数来反映不同学历人才空间分布的均衡程度[33,35]，测算方法如下：
C V T i = 1 x - 1 n - 1 ∑ i = 1 n x i - x -
式中： C V T i为变异系数， x -为地级以上行政区的不同学历(大专、本科及研究生)人才比重的平均值； x i为地级以上行政区i的不同学历(大专、本科及研究生)人才比重。变异系数越大，人才空间分布越趋于不均衡；反之，人才空间分布则趋向于均衡化。
(2) 全局空间自相关指数(Global Moran's I)
I = ∑ i = 1 n ∑ j = 1 n w i j ( x i - x - ) ( x j - x - ) ∑ i = 1 n ∑ j = 1 n w i j × ∑ i = 1 n ( x i - x - ) 2
式中：xi、xj为地级以上行政区i、j的不同学历(大专、本科及研究生)的人才比重；wij表示第i个空间单元和第j个空间单元的位置关系；n为地级以上行政区数量；I的取值范围为[-1, 1]。若I大于0，表示人才比重分布空间正相关；若I小于0，表示人才比重分布空间负相关；若I等于0，则表示人才比重呈随机分布。Global Moran's I的显著性可以通过标准化值表达。本文中全局空间自相关指数主要用来确定不同学历人才比重分布是否具有空间依赖性，从而判定不同学历人才比重分布影响因素的计量模型选择。

1.2 计量模型

地理要素的空间依赖性导致传统OLS回归的估计有偏甚至无效，因此，本文采用空间面板模型来揭示中国不同学历人才分布的影响机理。空间面板模型主要选择空间滞后面板模型(SAR)和空间误差面板模型(SEM)，对于2个模型来说，主要包括联合OLS、空间固定效应模型、时间固定效应模型以及时空固定效应模型4种模型。
空间滞后面板模型可以设定为：
y i t = δ ∑ j = 1 N w i j y j t + x i t β + μ i + ε i t
式中：i为横截面维度(地级以上行政区)，j为表征与i空间位置关系的地级以上行政区，i, j=1, 2, …, N； t为时间维度(本文为3)； y i t为因变量，指不同地级以上行政区不同年份不同学历(大专、本科及研究生)人才比重值； w i j为空间权重矩阵W的要素，本文采用地理距离矩阵作为空间权重矩阵； x i t为外生解释变量； β为外生解释变量的系数； μ i为空间特定效应； ε i t为误差项； δ为空间溢出效应的系数。
空间误差面板模型可以设定为：
y i t = x i t β + μ i + μ i t , μ i t = λ ∑ j = 1 N w i j μ i t + ε i t
式中： μ i t为空间自相关误差项， λ为空间误差系数。
选择一般面板模型、空间滞后面板模型(SAR)和空间误差面板模型(SEM)是模型判断的重点。除了全局自相关指数检验，本文主要选用常用的LM检验[36]和稳健LM检验[37]来判断最优模型的选择。具体可以通过对比空间滞后项的LM检验统计值LM(lag)、稳健LM检验统计值R-LM(lag)、空间误差自相关的LM检验统计值LM(error)和稳健LM检验统计值R-LM(error)的显著性和大小来判定合适的模型。首先是一般面板模型和空间面板模型的选择，若LM(lag)和R-LM(lag)统计显著，表明可以拒绝一般面板模型，选择空间滞后面板模型(SAR)。若LM(error)和R-LM(error)统计显著，表明可以拒绝一般面板模型，选择空间误差面板模型(SEM)。其次是SAR和SEM的比选，若LM(error) 和R-LM(error)的统计显著性及统计值均分别高于LM(lag)和R-LM(lag)，则应该选择空间误差面板模型(SEM)；反之，选择空间滞后面板模型(SAR)。本文中的计量模型主要通过Elhorst的MATLAB面板模型和空间面板模型代码来运行。

1.3 数据来源

受教育程度是用来界定人才或人力资本的常用方法。人才一般指具有大专及以上学历(包括大专、本科、硕士和博士)的劳动力[30,33,38]。由于中国人口普查和抽样调查中的受教育程度统计口径仅具体到大专、本科及研究生，研究生学历并未进一步细分博士和硕士，因而本文将人才定义为具有大专、本科及研究生学历的劳动力。由于港澳台地区人才比重数据暂时无法获取，做缺失处理。
人才比重的数据处理方法如下：第一，2005年地级以上行政区的大专、本科及研究生学历劳动力数据主要来源于各省份2005年1%人口抽样调查和全国2005年1‰人口抽样调查微观数据，由于湖北、湖南、吉林、云南和西藏5个省份未公布2005年1%人口抽样调查数据资料，该5省份地级以上行政区的大专、本科及研究生学历劳动力数据主要来源于2005年1‰人口抽样调查微观数据，分别采用微观数据库中地级以上行政区的大专、本科及研究生学历劳动力样本数占劳动力总样本数的比重来代表不同学历人才的占比。但由于微观数据抽样调查比更低，加之西藏抽样调查样本数量少，那曲、林芝等西藏一些地级以上行政区的大专、本科及研究生学历劳动力样本数量为零。此外就业市场中受教育程度最高的研究生学历劳动力规模最小，加之微观数据抽样调查比率较低，进而微观数据库中5省份的一些地级以上行政区的研究生学历劳动力样本数量也为零，上述地区的相应学历的人才比重数据均做缺失处理。其余26省份的不同学历劳动力数据主要来源于各省份2005年1%人口抽样调查数据资料，与微观数据库类似，由于研究生学历劳动力总样本数最少，在1%人口抽样调查中也出现了玉树、广安等少数地级以上行政区的研究生学历劳动力样本数为零的现象，这些地区的研究生学历人才比重数据也做缺失处理。第二，2010年地级以上行政区的大专、本科及研究生学历劳动力数据主要来源于各省份2010年人口普查10%长表户抽样调查数据资料，由于抽样比相对较高，地级以上行政区不同学历劳动力数据相对最为齐全。第三，2015年地级以上行政区的大专、本科及研究生学历劳动力数据主要来源于各省份的2015年1%人口抽样调查数据资料，由于西藏未公布2015年1%人口抽样调查数据资料，西藏的地级以上行政区的大专、本科及研究生学历劳动力数据均做缺失处理。
自变量数据中，各地级以上城市的人口、产业、职工薪资、教育、医疗、交通、绿化和财政等数据主要来源于2005、2010和2015年中国城市统计年鉴，空气环境PM2.5数据来源于加拿大达尔豪斯大学大气成分分析组2004、2009和2014年的PM2.5栅格数据(http://fizz.phys.dal.ca/~atmos/martin/?page_id=140)(数据编号为V4.CH.03)。海拔高程数据主要来源于“国家青藏高原科学数据中心”(http://data.tpdc.ac.cn)的1 km分辨率的DEM栅格数据。

2 不同学历人才分布的时空格局

2.1 人才比重的静态分布时空格局

2.1.1 研究生学历人才

中国研究生学历人才高度集聚在直辖市、省会城市和计划单列市。如图1a1~a3所示，2005、2010和2015年北京、上海等直辖市，南京、武汉和西安等省会城市，以及厦门和大连等计划单列市均具有较高的研究生学历人才比重，3个时期研究生学历人才比重的前30位中分别有93.33%、96.67%和96.67%的区域为直辖市、省会城市和计划单列市。其中：(1) 华东、华北和西北地区的直辖市、省会城市的研究生学历人才集聚优势比较突出，上海、南京和杭州等华东城市，北京和太原等华北城市，以及西安和兰州等西北城市的研究生学历人才比重整体上要高于华中、华南和西南地区。(2) 北京市的研究生学历人才比重远高于其他城市。2005—2015年，北京研究生学历人才比重分别是第二位城市(2005年为南京，2010和2015年为上海)的1.74倍、1.99倍和2.00倍，北京与其他城市的研究生学历人才集聚优势在不断拉大。首都北京不仅是中国的政治和经济中心，也拥有最为发达的高等教育，对研究生学历人才拥有最强的吸引力。
图1 2005—2015年中国研究生、本科及大专学历人才空间分布

注：本图基于自然资源部标准地图服务网站下载的审图号为GS(2019)1823号标准地图绘制，底图无修改。下同。

Fig.1 Spatial distribution of China's talents with graduate, undergraduate and college degrees during 2005-2015

研究生学历人才分布的不均衡度最高，且随时间有所缓解，但缓解的程度最低。如图2所示，中国研究生学历人才比重的变异系数均远高于大专和本科学历人才，表明研究生学历人才主要集聚在直辖市、省会城市及计划单列市的不均衡态势最为突出。然而，尽管2010—2015年，研究生学历人才比重的变异系数稳中有升，但2015年相比于2005年仍降低了12%，意味着中国研究生学历人才分布的不均衡态势有所改善。同时，2015年研究生学历人才比重的变异系数为2005年的88.00%，本科及大专学历人才分别为76.98%和74.24%，表明研究生学历人才分布的不均衡态势的缓解程度最低，本科其次，大专学历人才最高。
图2 2005—2015年中国研究生、本科及大专学历人才占比的变异系数

Fig.2 Coefficient of variation of the share of China's talents with graduate, undergraduate and college degrees during 2005-2015

2.1.2 本科学历人才

本科学历人才仍主要分布在直辖市、省会城市等高行政等级城市，少数西北地区的资源型城市开始呈现出本科学历人才集聚的优势，且其集聚的不均衡程度也逐渐下降。与研究生学历人才类似，如图1b1~b3所示，直辖市、省会城市和计划单列市也拥有较高的本科学历人才比重，3个时期本科学历人才比重的前30位中分别有80.00%、83.33%和76.66%的区域为直辖市、省会城市和计划单列市。北京仍旧拥有最高的本科学历人才比重，但相对于其他城市的本科学历人才集聚优势并没有研究生学历人才突出，3个时期其本科学历人才比重分别是第二位城市的1.01、1.46和1.33倍。然而，与研究生学历人才不同，西北地区的少数资源型城市或矿产资源富集区域也具有一定的本科学历人才集聚优势，如克拉玛依和包头等资源型城市①(①资料来源：国家发改委印发的全国资源型城市名单(2013年)。)，以及阿拉善盟、嘉峪关市和博尔塔拉蒙古自治州等矿产资源富集区域。3个时期本科学历人才比重的前30位中分别有16.67%、13.33%和20%的区域为资源型城市或矿产资源富集区域。类似地，武荣伟等[29]发现个别资源型城市的本科及以上学历人才比重较高，本文进一步证实这种现象主要是本科学历人才而非研究生学历人才地理集中所致。此外，2005—2015年，本科学历人才比重的变异系数也逐渐下降(图2)，本科学历人才分布呈现出分散化的趋势。

2.1.3 大专学历人才

大专学历人才也主要分布在直辖市和省会城市等高行政等级城市，且西北地区资源型城市具有显著的大专学历人才集聚优势。如图1c1~c3所示，高行政等级城市也拥有较高的大专学历人才比重，3个时期大专学历人才比重的前30位中分别有43.33%、60.00%和63.33%的区域为直辖市、省会城市和计划单列市。同时，与本科学历人才相比，西北地区具有大专学历人才集聚优势的资源型城市范围进一步扩大，基本涵盖包头市、鄂尔多斯市和阿拉善盟等内蒙古西部地区，以及阿勒泰地区、哈密地区和克拉玛依等新疆北部地区，3个时期大专学历人才比重的前30位中分别有46.66%、36.67%和26.67%的区域为资源型城市或矿产资源富集区域。一方面，这些因资源而兴而起的区域，石油化工、钢铁冶金等资源型部门是当地经济和劳动力市场的支柱产业，需要一定数量的技术型高等学历劳动力，尤其是大专学历，加之人口和经济集聚规模低，使得较小规模的大专学历劳动力在整个劳动力市场中仍占有相对较高的份额，转化成了人力资本的相对优势。另一方面，国家西部大开发战略实施管理干部、科技人才支援新疆②(②资料来源：https://www.neac.gov.cn/seac/c100508/201509/1085880.shtml。)和内蒙古③(③资料来源：《内蒙古自治区实施西部大开发若干政策措施的规定》。)的政策，加强西北边疆地区的能源资源基地建设，也一定程度上提高了当地资源型城市的本科及大专学历人才的份额。
尽管大专学历人才空间分布与研究生、本科学历人才存在一定差异，尤其是与研究生学历人才，但总体上3类人才空间分布比较接近。3个时期，大专与本科学历人才比重间的相关系数均在0.9左右，而大专与研究生学历人才比重间的相关系数均在0.6左右，本科与研究生学历人才比重间的相关系数保持在0.8左右。此外，大专学历人才比重的变异系数也逐渐减少(图2)，大专学历人才空间分布也呈一定的分散化趋势。

2.2 人才比重的动态分布格局

直辖市、省会城市和计划单列市依旧是不同学历人才比重增长幅度较高的地区，而一些西北地区的资源型城市也拥有相对较快的本科及大专学历人才的动态集聚速度。如图3a所示，研究生学历人才比重增加幅度较高的地区主要集中在直辖市、省会城市和计划单列市，其中，北京研究生学历人才比重增幅最大，是第二位上海的1.96倍。而本科学历人才比重增幅较高的地区也主要是直辖市和省会城市等高行政等级城市，以及阿拉善盟等少数内蒙古西部的资源型城市(图3b)。大专学历人才比重增幅较高的地区既有合肥、兰州、成都、济南和青岛等省会城市和计划单列市，也有乌海、鄂尔多斯、东营等资源型城市(图3c)。此外，经济增长乏力的东北地区及部分西部省会城市周边的城市，存在着人力资本收缩的问题，如黑龙江省的鸡西、七台河研究生学历人才比重负增长，四平、绥化、伊春和白城等地大专学历人才比重负增长，同时，由于省会城市对顶尖学历人才的虹吸作用，兰州、西安和南京等周边地区的研究生学历人才比重也呈缩减态势。
图3 2005—2015年中国研究生、本科及大专学历人才比重变化的空间分布

Fig.3 Spatial distribution of changes in the proportion of China's talents with graduate, undergraduate and college degrees during 2005-2015

人才动态集聚呈现出显著的马太效应，且马太效应的强度随学历的下降而逐渐减弱。如图4a所示，2005—2015年研究生学历人才比重变化幅度与2005年研究生学历人才比重间线性拟合函数中的弹性系数统计上高度正向显著，解释程度R2高达0.7707，即初期研究生学历人才占比越高的地区，期间研究生人才比重的增幅越大，并且弹性系数的数值为所有学历中最高，初期研究生学历人才比重每提高1%，期间研究生学历人才比重的变化幅度会相应提高153.8%，研究生学历人才动态集聚的这种马太效应强度最高。而较研究生学历人才，2005—2015年本科学历人才比重变化幅度与2005年本科人才比重线性拟合间在统计上也正向显著(图4b)，表明本科学历人才动态集聚也存在一定的马太效应，但本科学历人才比重变化幅度线性拟合的弹性系数仅为研究生学历人才的一半左右，解释程度R2降至0.3889，可见，本科学历人才动态集聚的马太效应的强度及显著性均有所下降。然而，2005—2015年大专学历人才比重变化幅度与2005年大专学历人才比重间并无显著的统计正相关关系(图4c)，大专学历人才动态集聚未显示出马太效应的特征。
图4 研究生、本科及大专学历人才比重与人才比重变化幅度间的统计关系

Fig.4 Statistical relationship between the proportion of talents with graduate, undergraduate, and college degrees and the change of the proportion

3 不同学历人才分布的影响机理

3.1 解释框架

解释框架重点分析经济因素、社会舒适性及环境舒适性对中国不同学历人才比重空间分布的影响(表1)。经济因素主要包括收入水平和产业就业机会，选取职工平均工资(wag)来表征收入水平，服务业快速增长是创造服务业就业机会的动力源泉，选择第三产业增加值占GDP的比重(tez)来表征产业就业发展。社会舒适性因素主要包括教育、医疗和交通出行3个方面[27]，选用中学生师比(sta)，即中学在校生与专业教师数量的比值来表征教育服务设施舒适性，选用每万人执业医生数(doc)来表征医疗服务设施舒适性，选取人均道路面积(roa)来表征交通出行的便捷舒适性。自然环境舒适性因素分为居住体感、休憩绿化环境和空气环境舒适性。海拔高度一直是中国人口分布格局的重要影响因素[39-40]，高海拔地区空气稀薄、气温和气压低，身体生理机能感觉舒适性差，因而选用海拔高度(dem)来表征居住体感舒适性；选取绿化覆盖率(gre)来表征休憩绿化环境舒适性[41]；选取年均PM2.5浓度(pm)表征空气环境舒适性[42]。此外，本文还将万人高等院校在校生数(edu)、财政支出中的科技支出和教育支出占比(sef)和人口密度(den)纳入计量模型中，以分别控制高等教育人才培养、政府人才财政投入和市场集聚效应对不同学历人才空间分布的影响[27,29]。为控制内生性，所有自变量(除海拔高度)均滞后一期处理，数据年限分别对应2004、2009和2014年。同时，为控制变量的异方差影响，所有自变量和因变量均做对数处理。
表1 解释变量的描述

Tab.1 Description of the explanatory variables

类型 变量 描述
经济因素 tez 各城市第三产业增加值占GDP的比重(%)
wag 各城市城镇在岗职工平均工资(元)
社会舒适性因素 sta 各城市中学生师比(人/人)
doc 各城市每万人执业医生数(人/万人)
roa 各城市市辖区人均道路面积(m2/人)
自然环境舒适性因素 gre 各城市市辖区建成区绿化覆盖率(%)
pm 各城市年均PM2.5浓度(μg/m3)
dem 各城市海拔高度(m)
控制变量 edu 各城市万人高等院校在校生数(人/万人)
sef 各城市财政支出中的科技支出和教育支出占比(%)
den 各城市人口密度(人/km2)

3.2 影响因素

解释框架中表征居住体感舒适性的自变量海拔高度(dem)是不随时间变化的，属于非时变量。而考虑到个体固定效应(空间固定)要对所有变量进行组内离差平减处理，难以一致性地对非时变量的影响系数进行估计，因此，本文选用基于时间固定效应的一般面板模型和空间面板模型[40,43-44]来估计不同学历劳动力比重空间分异计量模型的影响系数。本文综合使用Moran's I 和LM两种检验方法，来比较一般面板模型和空间面板模型的选择。
全局Moran's I 计算结果显示(表2)，3个时期本科、大专学历劳动力占比均通过显著性和Z值检验，本科及大专学历人才空间分布均具有显著的空间自相关性，即本地的本科、大专学历人才集聚分别有利于促进邻近地区的本科、大专学历人才集聚，因而可以构建空间面板模型。而研究生学历劳动力占比未通过显著性及Z值检验，计量模型的选择可以通过LM检验来进一步验证。这与表3中的空间滞后面板模型(SAR)的结果基本一致，本科及大专学历人才比重分布具有显著的正向空间溢出效应，且大专学历人才比重的正向空间溢出效应系数高于本科学历，这与全局Moran's I检验结果一致，然而研究生学历人才比重的空间溢出效应不显著。
表2 不同学历劳动力占比的全局自相关指数

Tab.2 Global Moran's I of percentage of labor force with different educational attainments

指标 2005年 2010年 2015年
Moran's I Z值 Moran's I Z值 Moran's I Z值
研究生学历劳动力占比 -0.009 -0.243 0.002 0.243 0.006 0.406
本科学历劳动力占比 0.170*** 6.960 0.140*** 5.808 0.138*** 5.556
大专学历劳动力占比 0.312*** 12.322 0.226*** 8.888 0.143*** 5.622

注： ***表示通过了1%的显著性水平检验；P<0.01显著水平下的Z值临界值是2.58。

表3 回归结果

Tab.3 Regression results

变量 研究生 本科 大专
OLS SAR SEM OLS SAR SEM OLS SAR SEM
tez 0.529*** 0.529*** 0.533*** 0.253*** 0.247*** 0.270*** 0.141*** 0.137*** 0.156***
(4.439) (4.451) (4.452) (3.788) (3.719) (4.028) (2.841) (2.778) (3.149)
wag 0.607*** 0.605*** 0.701*** 0.476*** 0.468*** 0.557*** 0.160*** 0.160*** 0.220***
-4.884 (4.775) (5.426) (6.834) (6.671) (7.637) (3.093) (3.112) (4.074)
sta -0.309** -0.306** -0.276** -0.256*** -0.222*** -0.221*** -0.122** -0.103* -0.132**
(-2.291) (-2.251) (-2.003) (-3.385) (-2.915) (-2.854) (-2.165) (-1.827) (-2.314)
doc 0.340*** 0.339*** 0.337*** 0.211*** 0.207*** 0.221*** 0.199*** 0.192*** 0.197***
(4.084) (4.090) (4.035) (4.526) (4.482) (4.728) (5.730) (5.572) (5.696)
roa 0.194*** 0.194*** 0.198*** 0.175*** 0.172*** 0.176*** 0.156*** 0.153*** 0.157***
(4.657) (4.670) (4.776) (7.458) (7.388) (7.630) (8.964) (8.883) (9.217)
gre -0.064 -0.064 -0.07 0.009 0.007 0.005 -0.029 -0.031 -0.035
(-1.025) (-1.035) (-1.132) (0.259) (0.197) (0.156) (-1.112) (-1.201) (-1.383)
pm -0.006 -0.006 -0.024 -0.116*** -0.103** -0.127*** -0.075** -0.062** -0.077**
(-0.079) (-0.082) (-0.300) (-2.807) (-2.480) (-2.757) (-2.426) (-1.997) (-2.224)
dem 0.022 0.023 0.021 -0.005 0.004 -0.004 0.002 0.008 0.0001
(1.013) (1.001) (0.900) (-0.449) (0.280) (-0.279) (0.276) (0.862) (-0.005)
edu 0.525*** 0.525*** 0.516*** 0.223*** 0.223*** 0.206*** 0.122*** 0.123*** 0.112***
-16.195 (16.189) (15.955) (12.274) (12.317) (11.387) (9.058) (9.153) (8.449)
sef -0.407*** -0.407*** -0.380*** -0.193*** -0.190*** -0.183*** -0.124*** -0.127*** -0.148***
(-3.973) (-3.992) (-3.610) (-3.351) (-3.332) (-3.085) (-2.897) (-2.986) (-3.375)
den 0.037 0.038 0.052 -0.088*** -0.078*** -0.074*** -0.097*** -0.089*** -0.093***
(0.867) (0.885) (1.181) (-3.658) (-3.217) (-2.962) (-5.412) (-4.968) (-5.033)
ρ 0.022 0.315** 0.370***
(0.112) (2.195) (2.780)
γ 0.584*** 0.727*** 0.830***
(3.881) (6.972) (12.399)
R2 0.732 0.736 0.735 0.738 0.740 0.741 0.688 0.687 0.691
Log-likelihood -658.406 -658.404 -655.316 -243.436 -241.965 -237.592 -30.916 -29.519 -18.921
Durbin-Watson 1.651 1.598 1.471
LM(lag) 0.011 3.528* 2.766*
R-LM(lag) 5.505** 0.118 5.760**
LM(error) 6.407** 12.380*** 33.041***
R-LM(error) 11.901*** 8.970*** 36.035***
N 717 717 717

注：括号中为t统计量；*、**、***分别表示通过10%、5%、1%的显著性水平检验。表中模型均为基于时间固定效应的模型。

从变量的影响系数大小及其统计显著性上看，每组模型中的一般面板模型、空间滞后面板模型(SAR)和空间误差面板模型(SEM)结果相对比较一致，表明结果的稳定性较好。此外，研究生和本科学历人才模型R2超过了0.7，大专学历人才模型R2接近0.7，说明构建的自变量体系整体解释效果较好。LM检验结果表明(表3)，3组模型中LM(error)和R-LM(error)统计显著性及统计值均远高于LM(lag)和R-LM(lag)，表明应拒绝一般面板模型及空间滞后面板模型(SAR)，选择空间误差面板模型(SEM)。最终本文选择基于时间固定效应的SEM模型来解释中国不同学历人才比重空间分异的影响机理。

3.2.1 经济因素

薪资待遇在中国不同学历人才地理集中的过程中扮演着最为重要的作用，并且随着人才学历梯度的提升，高薪资待遇对不同学历人才地理集中的促进作用逐渐增加。如表3所示，3组SEM模型中职工薪资待遇与不同学历人才比重均呈显著的正相关关系，且其影响系数均为所有变量中最高，反映出2005—2015年处于经济快速增长阶段的中国的不同学历人才空间分布均属于收入为主的经济驱动型。而恰恰这一阶段中国区域经济发展差距的缩小是不同学历人才空间分布不均衡化程度下降的主要原因，2000年后中国区域协调发展政策的实施一定程度上削弱了经济增长的区域差距[45-46]，中国地级以上城市间城镇职工平均工资的变异系数由2004年的0.325，逐渐降至2009年的0.257和2014年的0.237④(④数据来源于中国城市统计年鉴。)，进而区域收入差距的逐渐缩小促使着该阶段中国大专、本科及研究生学历人才空间分布的不均衡化态势均有所缓和。此外，从研究生到大专学历人才，薪资水平的正向影响系数依次下降(表3)，表明其在人才空间分布上的学历梯度分异作用，这也是研究生、本科和大专学历人才高度集聚在直辖市、省会城市等经济发达城市的不均衡程度依次递减的根源。
服务业增长在促进人才集聚上的作用上也呈现出随学历下降而下降的梯度分异规律。服务业增加值占GDP的比重与研究生、本科及大专学历人才比重均呈现出显著的正相关关系(表3)，服务业无疑是集聚不同学历人才的支柱产业。同时，随着学历水平的下降，3组SEM模型中服务业的影响系数也呈依次递减的特征(表3)，表明服务业增加值占GDP的比重对研究生、本科及大专学历人才集聚的拉动作用呈依次递减的规律。这主要是由于服务业对不同学历劳动力就业的吸纳作用分异所致，2015年全国服务业吸纳的大专、本科及研究生学历劳动力分别占相应学历劳动力规模的57.48%、72.05%、79.56%⑤(⑤数据来源于2015年全国1%人口抽样调查。)。直辖市、省会城市等经济发达城市拥有相对发达的服务业，进而也导致了研究生、本科和大专学历人才在这些地区高度集聚的不均衡程度依次递减。
经济因素驱动作用的学历梯度分异特性也是不同学历人才空间溢出效应差异的原因。研究生、本科及大专学历人才集聚的地区经济发达，本地区通过资本、产业等要素的辐射扩散效应带动周边邻近地区的经济发展，进而提升周边地区的人力资本水平。然而邻近地区与本地区间仍存在着经济发展差距，加之经济因素对人才集聚的学历梯度分异作用，学历越低的人才，这种经济发展差距在其区位选择中的重要性越低，越可能在发达城市的临近地区集聚，学历较高的研究生，更倾向于经济最发达的地区集聚。从而要素的辐射扩散效应对邻近地区大专学历人才比重的提升作用最为突出，本科其次，研究生最弱，因而人才集聚空间溢出效应的强度表现出因学历依次下降而依次递增的特征。

3.2.2 社会舒适性因素

社会舒适性对研究生、本科和大专学历人才区位选择的吸引力呈现出依次递减的规律。如表3所示，城市的中学生师比越低、万人执业医师数量越高、人均道路面积越大，研究生、本科和大专学历人才比重也越高，表明不同学历人才的区位选择均重视子女教育、医疗条件和交通出行等社会舒适性。同时，随着人才学历水平的下降，中学生师比、万人执业医师和人均道路面积影响系数的绝对值均呈现出依次降低的特征(表3)，反映出学历越高的人才，区位选择过程中对社会舒适性的关注越强。迁移消费理论指出收入水平提高导致舒适性这种正常甚至高端产品的社会需求在家庭迁移决策中扮演着愈加重要的作用[12]，而由于劳动力市场需求的稀缺性差异，研究生、本科和大专学历人才的收入水平大致依次降低[47]，因而学历越高的人才，对社会舒适性的需求愈加旺盛。而不同学历人才对社会舒适性的需求整体要弱于对经济因素，研究生SEM模型中，经济因素变量影响系数绝对值的均值是社会舒适性变量影响系数绝对值的均值的2.28倍，本科及大专人才SEM模型则分别为2.01倍和1.17倍，经济因素在中国人才区位选择中扮演的作用要明显强于社会舒适性。

3.2.3 环境舒适性因素

环境舒适性总体上并未显著促进不同学历人才集聚。如表3所示，绿化覆盖率、海拔高度对研究生、本科和大专学历人才比重的影响均不显著，绿化休憩环境与居住体感舒适性并未影响不同学历人才的地理集中。而空气环境舒适性PM2.5浓度仅与本科、大专学历人才比重间呈显著的负相关关系，与研究生学历人才比重间相关关系并不显著，这可能是大专和本科学历劳动力比重相对较高的新疆北部及内蒙古西部等西北地区PM2.5浓度相对较低所致[48]。类似地，武荣伟等[29]和古恒宇等[27]也观察到绿化覆盖率、气候等环境舒适性并未影响中国高学历人才的地理集中。从影响系数的显著性上看，环境舒适性对中国高等学历人才区位选择的影响要明显低于社会舒适性。子女教育和医疗服务是城市基本公共服务体系中的核心环节，关系到人才的家庭幸福和生活健康，社会舒适性属于一种基本性的物质需求，而绿意盎然、体感舒适的居住环境则属于更高层次的物质需求，加之中国基本公共服务供给存在着发展不平衡不充分的问题，因而不同学历的人才对社会舒适性的需求均显著强于对环境舒适性的需求。

3.2.4 控制变量分析

控制变量中，高等教育对研究生、本科和大专学历人才集聚的推进作用也呈现出依次降低的特征，加大财政支出中的科技和教育支出以及提升人口密度并未有效促进人才集聚。如表3所示，每万人高等学校在校生与研究生、本科和大专学历人才比重间均呈显著的正相关关系，并且其影响系数随着人才学历水平下降而依次降低，反映了高等教育对人才本地化供给的学历梯度作用。这可能是中国高校不同学历学生的扩招政策差异所致，2004—2014年，中国大专、本科及研究生在校生增速分别为69%、109%和125%⑥(⑥数据来源于中国教育统计年鉴。)，扩招速度最快的研究生招生政策使得高等教育体系中研究生毕业生的本地化培养能力最强，进而导致高等教育对研究生学历人才比重的拉动作用最为突出。其次，与预期不一致的是，3组模型财政支出中的科技支出和教育支出占比与人才比重均呈显著负相关关系，人口密度与本科、大专学历人才占比间显著负相关(表3)。类似，一些研究也发现中国城市人均财政支出中科技支出和教育支出占比、人口密度与高等学历人才集聚度间并未呈显著正相关关系[27]。财政支出的负向作用可能是一些经济发达城市的科教文卫财政支出占比较低所致，如2014年上海、深圳和广州等城市的财政支出中科技支出和教育支出占比仅位居全国地级以上城市的中游⑦(⑦数据来源于2015年中国城市统计年鉴。)。而人口密度的负向作用也可能是大专和本科学历劳动力比重相对较高的新疆北部及内蒙古西部等西北地区的人口稀疏所致。

3.3 影响机理

中国发达城市过高的房价及人才购房意愿的学历梯度性共同造就了经济因素对中国人才集聚影响的学历梯度分异作用。中国的房价收入比位居世界前列，甚至超过了美国等发达国家[49]，2014年中国35个直辖市、省会城市和计划单列市的房屋总价与居民家庭年收入比值的平均值为8.7[50]。即使是收入水平和学历水平均最高的研究生，在北京、上海、深圳、杭州和天津等直辖市和省会城市的房价也远远超过了其薪资水平。同时，随着学历的提高，人才的购房比例不断增加[47]，收入水平最高的群体，购房意愿也最为强烈，相比之下，大专学历人才在直辖市、省会城市和计划单列市等超大、特大城市购房意愿相对较低。从而在人才购房意愿的学历梯度分化作用下，超大和特大城市的高房价形成了收入水平为主导的经济因素对人才集聚影响的学历梯度分异作用(图5)。
图5 中国不同学历人才分布时空分异的影响机理

Fig.5 Driving mechanism of the spatial and temporal distribution of China's talents with different educational attainments

人才收入水平的学历梯度性导致了社会舒适性因素对中国人才集聚影响的学历梯度分异特征。Graves等[12]的迁移消费理论指出，收入水平提高导致舒适性的社会需求在家庭迁移决策中扮演着愈加重要的作用，由于研究生、本科及大专学历人才收入水平呈依次递减的规律，人才区位选择决策中对舒适性的需求也会形成学历梯度性(图5)，学历水平越高的人才对舒适性的需求越高。本文发现在舒适性要素体系中社会服务舒适性对人才分布的促进作用最为突出，因而社会舒适性在人才区位选择中的作用呈现出随学历下降而依次下降的特征。

4 结论与讨论

4.1 结论

现有人才集聚影响机理的理论研究主要集中在高等学历人才总体的层面，不同学历人才区位选择的成因关注不足。然而，人才内部存在着受教育程度由低到高的学历梯度，不同学历人才迁移决策的需求偏好不尽一致，从而产生了不同学历人才地理分布景观的差异性。据此，本文聚焦人才学历梯度分异的研究视角，利用中国2005、2010和2015年人口抽样调查数据资料，从地级尺度上揭示2005—2015年中国大专、本科及研究生学历人才分布的时空格局特征差异，采用空间计量模型解释不同学历人才时空分布差异的影响机理。主要结论如下：
(1) 中国不同学历人才的空间分布高度不均衡，研究生、本科及大专学历人才主要集聚在直辖市、省会城市和计划单列市。而本科及大专学历人才在内蒙古西部和新疆北部等西北地区资源型城市也呈现出一定的集聚优势，并且大专学历人才的集聚优势要强于本科学历人才。横向比较来看，人才集聚的不均衡度随着学历提升而依次递增；纵向演化上看，研究生、本科及大专学历人才集聚的不均衡程度均随时间而有所缓解，但缓解程度呈现出随学历提升而依次递减的规律。
(2) 人才动态集聚呈现出初期人才比重越高、期间人才比重增幅越大的马太效应，直辖市、省会城市和计划单列市依旧是不同学历人才比重增长幅度较高的主要地区，而一些西北地区的资源型城市也拥有相对较快的本科及大专学历人才的动态集聚速度。少数经济增长乏力的东北地区以及西部省会城市周边的城市，存在着人力资本水平负增长的问题。随着人才学历水平的逐渐提升，人才动态集聚的马太效应强度逐渐增强。
(3) 中国研究生、本科及大专学历人才集聚均主要为经济主导型，薪资待遇是不同学历人才集聚的最重要影响因素，中国区域间薪资水平差距的缩小是不同学历人才分布不均衡态势缓解的主要原因。服务业快速增长，中学教育、医疗条件和交通出行等社会舒适性，以及发达的高等教育也会促进不同学历人才的集聚，海拔高度及绿化休憩等环境舒适性整体上并未显著促进中国高等学历人才的集聚。随着人才学历的逐渐提高，经济及社会舒适性因素对人才集聚的促进作用均呈逐渐增加的趋势。中国发达城市过高的房价及人才购房意愿的学历梯度性共同造就了经济因素对中国人才集聚影响的学历梯度分异作用，而人才收入水平的学历梯度性导致了社会舒适性因素对中国人才集聚影响的学历梯度分异特征。

4.2 讨论

许多研究都发现，中国人才区位选择是传统的经济要素驱动型，经济因素是中国人才区位选择的第一性要素[27,30]，新古典迁移模型对中国人才区位选择仍具有最佳的解释力。本文则进一步证实了该观点，即使是对学历最高的研究生，经济因素仍是其集聚的首要因素。同时，尽管影响作用不及经济因素，但舒适性在中国人才区位选择中仍发挥着重要作用[27,29-30]，Graves[11]的舒适性理论一定程度上也适用于解释中国的人才分布。此外，本文进一步发现舒适性对中国人才集聚的影响作用主要体现在教育、医疗等社会服务设施的舒适性上，社会舒适性在中国人才区位选择上扮演的作用要强于海拔高度和绿化环境等自然环境舒适性。相比于已有研究，本文的主要理论贡献是探究经济因素和舒适性对不同学历人才区位选择的异质性影响。总体上看，分别作为第一性和第二性驱动要素的经济发展及社会舒适性，对中国人才集聚的影响呈现出显著的学历梯度分异规律，经济因素和舒适性对研究生、本科及大专学历人才分布的影响均分别呈依次递减的规律，学历越高的人才，区位选择决策中对经济因素和社会舒适性的重视程度越高。
政策启示上，首先，中国不同规模等级城市的人才引进类型要与不同学历人才集疏的时空分布格局规律相适应。当前中国不同学历人才均高度集聚在直辖市、省会城市和计划单列市等超大城市、特大城市，尤其是受教育程度最高的研究生学历人才，在这些超大城市和特大城市又呈现出显著的动态集聚马太效应。而目前很多中小城市人才引进过度追求“高大上”，投入大量用于安家费和生活补贴的财政资金来引进硕士和博士等顶尖学历人才，一定程度上不符合研究生学历人才集疏格局的市场化规律。相反，一些西北地区的资源型中小城市凭借小而精的产业特色，具有突出的大专学历人才集聚优势，加之大专学历人才也不存在动态集聚的马太效应，因而中小城市的人才引进类型可以主要下沉到大专学历人才，人才政策的财政投入有的放矢。其次，人才集聚本质上还是经济因素主导的市场化过程，加快产业转型来发挥服务业在吸引人才上的基础性作用，建立因产引才的长效性机制，服务业高度发达的城市，可加大政策配套力度来提升对硕士和博士研究生学历人才的引进力度，服务业发展缓慢的城市，要适当调低人才引进预期，精准引进大专学历人才。最后，筑牢公共服务设施配套在吸引人才上的辅助性作用，加快完善中小学教育、医院医疗条件和交通道路等公共服务设施，提升城市的教育服务、医疗服务及交通出行服务等领域的社会舒适性，同时，人才引进政策中可实施学历阶梯式的公共服务设施配套，学历越高的人才，引进政策中越要加大优质教育、医疗等公共服务资源的供给力度。
本文也存在一些不足。首先，本文只关注了经济、社会和环境等宏观因素对不同学历人才时空分布的作用机制，探究年龄、性别、家庭及户口等人口学特征，尤其是户籍对不同学历人才区位选择的影响差异，是未来研究工作的一大重点方向。其次，本文并未研究2020年中国不同学历人才的时空格局分异，未来随着分省份第七次人口普查年鉴的陆续公布，需要进一步提升研究的数据时效性。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
陈新明, 萧鸣政, 张睿超. 城市“抢人大战”的政策特征、效力测度及优化建议[J]. 中国人力资源开发, 2020, 37(5): 59-69.

[Chen Xinming, Xiao Mingzheng, Zhang Ruichao. Policy features, effectiveness measurements and optimization suggestions of the city's "talent competition". Human Resources Development of China, 2020, 37(5): 59-69.]

[2]
柴浩放. 城市“引才大战”的内在逻辑与效应[J]. 管理观察, 2018(28): 114-117.

[Chai Haofang. The inner logic and effect of the city's attracting talent competition. Management Observer, 2018(28): 114-117.]

[3]
李中斌, 涂满章, 赵聪. 我国城市人才争夺战的比较与思考[J]. 中国劳动关系学院学报, 2018, 32(4): 32-41.

[Li Zhongbin, Tu Manzhang, Zhao Cong. A comparison of the wars for talents among the cities in China and some reflections. Journal of China University of Labor Relations, 2018, 32(4): 32-41.]

[4]
刘宏. 如何制定全面的人才政策[N]. 社会科学报, 2018-08-30(3).

[Liu Hong. How to formulate a comprehensive talent policy. Social Sciences Weekly, 2018-08-30(3).]

[5]
杨吉元, 黄丽, 刘鎏, 等. 中小城市人才引进策略研究[J]. 价值工程, 2018, 37(27): 85-87.

[Yang Jiyuan, Huang Li, et al. Research on talent introduction strategies in small and medium-sized cities. Value Engineering, 2018, 37(27): 85-87.]

[6]
赵国钦, 张战, 沈展西, 等. 新一轮“人才争夺战”的工具导向和价值反思: 基于政策文本分析的视角[J]. 中国人力资源开发, 2018, 35(6): 75-84.

[Zhao Guoqin, Zhang Zhan, Shen Zhanxi, et al. Instrumental orientation and value reflection in new round of "talents war": Under the perspective of policy text analysis. Human Resources Development of China, 2018, 35(6): 75-84.]

[7]
Sjaastad L A. The costs and returns of human migration[J]. Journal of Political Economy, 1962, 70: 80-93.

DOI

[8]
Nifo A, Vecchione G. Do institutions play a role in skilled migration? The case of Italy[J]. Regional Studies, 2014, 48(10): 1628-1649.

DOI

[9]
Liu Y, Shen J. Spatial patterns and determinants of skilled internal migration in China, 2000-2005[J]. Papers in Regional Science, 2014, 93(4): 749-771.

DOI

[10]
Liu Y, Shen J. Jobs or amenities? Location choices of interprovincial skilled migrants in China, 2000-2005[J]. Population, Space and Place, 2014, 20(7): 592-605.

DOI

[11]
Graves P E. A reexamination of migration, economic opportunity, and the quality of life[J]. Journal of Regional Science, 1976, 16(1): 107-112.

DOI

[12]
Graves P E, Linneman P D. Household migration: Theoretical and empirical results[J]. Journal of Urban Economics, 1979, 6(3): 383-404.

PMID

[13]
Rao Y X, Dai D Y. Creative class concentrations in Shanghai, China: What is the role of neighborhood social tolerance and life quality supportive conditions?[J]. Social Indicators Research, 2017, 132(3): 1237-1246.

DOI

[14]
You H Y, Bie C M. Creative class agglomeration across time and space in knowledge city: Determinants and their relative importance[J]. Habitat International, 2017, 60: 91-100.

DOI

[15]
Murphy E, Redmond D. The role of 'hard' and 'soft' factors for accommodating creative knowledge: Insights from Dublin's 'creative class'[J]. Irish Geography, 2009, 42(1): 69-84.

DOI

[16]
Navarro C J, Mateos C, Rodríguez M J. Cultural scenes, the creative class and development in Spanish municipalities[J]. European Urban and Regional Studies, 2014, 21(3): 301-317.

DOI

[17]
Florida R. The rise of the creative class[M]. New York, USA: Basic Books, 2002.

[18]
Moretti E. The new geography of jobs[M]. Boston, USA: Houghton Mifflin Harcourt, 2012.

[19]
Scott A J. Jobs or amenities? Destination choices of migrant engineers in the USA[J]. Papers in Regional Science, 2010, 89(1): 43-63.

DOI

[20]
Verdich M. Creative migration? The attraction and retention of the 'creative class' in Launceston, Tasmania[J]. Australian Geographer, 2010, 41(1): 129-140.

DOI

[21]
Shen J F, Liu Y. Skilled and less-skilled interregional migration in China: A comparative analysis of spatial patterns and the decision to migrate in 2000-2005[J]. Habitat International, 2016, 57: 1-10. doi: 10.1016/j.habitatint.2016.06.007.

DOI

[22]
McLeman R, Moniruzzaman M, Akter N. Environmental influences on skilled worker migration from Bangladesh to Canada[J]. The Canadian Geographer, 2018, 62(3): 352-371.

DOI

[23]
Birdsall N, Londoño J L. Asset inequality matters: An assessment of the World Bank's approach to poverty reduction[J]. The American Economic Review, 1997, 87(2): 32-37.

[24]
张楠, 范洪敏, 穆怀中. 人力资本梯度升级的经济增长效应[J]. 人口与经济, 2020(2): 87-101.

[Zhang Nan, Fan Hongmin, Mu Huaizhong. The analysis of economic growth based on structural upgrade of human capital. Population & Economics, 2020(2): 87-101.]

[25]
袁富华, 张平, 陆明涛. 长期经济增长过程中的人力资本结构: 兼论中国人力资本梯度升级问题[J]. 经济学动态, 2015(5): 11-21.

[Yuan Fuhua, Zhang Ping, Lu Mingtao. The structure of human capital in the long-term economic growth: Also on the gradient upgrading of human capital in China. Economic Perspectives, 2015(5): 11-21.]

[26]
方超, 罗英姿. 人力资本梯度升级视野下的我国研究生教育供给侧改革[J]. 清华大学教育研究, 2016, 37(5): 68-77.

[Fang Chao, Luo Yingzi. Reform of the supply side of China's graduate level of education: From the perspective of the gradient of human capital. Tsinghua Journal of Education, 2016, 37(5): 68-77.]

[27]
古恒宇, 沈体雁. 中国高学历人才的空间演化特征及驱动因素[J]. 地理学报, 2021, 76(2): 326-340.

DOI

[Gu Hengyu, Shen Tiyan. Spatial evolution characteristics and driving forces of Chinese highly educated talents. Acta Geographica Sinica, 2021, 76(2): 326-340.]

DOI

[28]
古恒宇, 沈体雁. 1995—2015年中国省际人口迁移网络的演化特征: 基于异质性劳动力视角[J]. 地理研究, 2021, 40(6): 1823-1839.

DOI

[Gu Hengyu, Shen Tiyan. Evolution patterns of China's interprovincial migration networks between 1995 and 2015: Based on labour heterogeneity. Geographical Research, 2021, 40(6): 1823-1839.]

DOI

[29]
武荣伟, 王若宇, 刘晔, 等. 2000—2015年中国高学历人才分布格局及其影响机制[J]. 地理科学, 2020, 40(11): 1822-1830.

DOI

[Wu Rongwei, Wang Ruoyu, Liu Ye, et al. Spatial pattern and determinants of highly educated talents in China, 2000-2015. Scientia Geographica Sinica, 2020, 40(11): 1822-1830.]

DOI

[30]
齐宏纲, 赵美风, 刘盛和, 等. 2000—2015年中国高学历人才省际迁移的演化格局及影响机理[J]. 地理研究, 2022, 41(2): 456-479.

DOI

[Qi Honggang, Zhao Meifeng, Liu Shenghe, et al. Evolution pattern and its driving forces of China's interprovincial migration of highly-educated talents from 2000 to 2015. Geographical Research, 2022, 41(2): 456-479.]

DOI

[31]
Florida R, Mellander C, Stolarick K. Inside the black box of regional development: Human capital, the creative class and tolerance[J]. Journal of Economic Geography, 2008, 8(5): 615-649.

DOI

[32]
Qian H F. Talent, creativity and regional economic performance: The case of China[J]. The Annals of Regional Science, 2010, 45(1): 133-156.

DOI

[33]
齐宏纲, 戚伟, 刘盛和. 粤港澳大湾区人才集聚的演化格局及影响因素[J]. 地理研究, 2020, 39(9): 2000-2014.

DOI

[Qi Honggang, Qi Wei, Liu Shenghe. Talents concentration in the Guangdong-Hong Kong-Macao Greater Bay Area, China: Evolution pattern and driving factors. Geographical Research, 2020, 39(9): 2000-2014.]

DOI

[34]
McGranahan D, Wojan T. Recasting the creative class to examine growth processes in rural and urban counties[J]. Regional Studies, 2007, 41(2): 197-216.

DOI

[35]
刘晔, 王若宇, 薛德升, 等. 中国高技能劳动力与一般劳动力的空间分布格局及其影响因素[J]. 地理研究, 2019, 38(8): 1949-1964.

DOI

[Liu Ye, Wang Ruoyu, Xue Desheng, et al. The spatial pattern and determinants of skilled laborers and lessskilled laborers in China: Evidence from 2000 and2010 censuses. Geographical Research, 2019, 38(8): 1949-1964.]

[36]
Anselin L. Spatial econometrics: Methods and models[M]. Dordrecht, Netherlands: Kluwer Academic Publishers, 1988.

[37]
Anselin L, Bera A K, Florax R, et al. Simple diagnostic tests for spatial dependence[J]. Regional Science and Urban Economics, 1996, 26(1): 77-104.

DOI

[38]
曹威麟, 姚静静, 余玲玲, 等. 我国人才集聚与三次产业集聚关系研究[J]. 科研管理, 2015, 36(12): 172-179.

[Cao Weilin, Yao Jingjing, Yu Lingling, et al. The research on the relationship between talent agglomeration and industrial agglomeration in China. Science Research Management, 2015, 36(12): 172-179.]

[39]
刘涛, 彭荣熙, 卓云霞, 等. 2000—2020年中国人口分布格局演变及影响因素[J]. 地理学报, 2022, 77(2): 381-394.

DOI

[Liu Tao, Peng Rongxi, Zhuo Yunxia, et al. China's changing population distribution and influencing factors: Insights from the 2020 census data. Acta Geographica Sinica, 2022, 77(2): 381-394.]

DOI

[40]
赵美风, 汪德根. 中国中西部地区就近城镇化空间分异格局及机理[J]. 地理学报, 2021, 76(12): 2993-3011.

DOI

[Zhao Meifeng, Wang Degen. Spatial differentiation and influencing mechanism of nearby urbanization in central and western China. Acta Geographica Sinica, 2021, 76(12): 2993-3011.]

DOI

[41]
闫东升, 孙伟, 王玥, 等. 长江三角洲人口分布演变、偏移增长及影响因素[J]. 地理科学进展, 2020, 39(12): 2068-2082.

DOI

[Yan Dongsheng, Sun Wei, Wang Yue, et al. Change in distribution and growth shifts of population in the Yangtze River Delta and influencing factors. Progress in Geography, 2020, 39(12): 2068-2082.]

DOI

[42]
陈镘, 黄柏石, 刘晔. PM2.5污染对中国人口死亡率的影响: 基于346个城市面板数据的实证分析[J]. 地理科学进展, 2022, 41(6): 1028-1040.

DOI

[Chen Man, Huang Baishi, Liu Ye. Effects of PM2.5 concentration on mortality in China: A study based on city-level panel data. Progress in Geography, 2022, 41(6): 1028-1040.]

[43]
李广东, 方创琳. 中国县域国土空间集约利用计量测度与影响机理[J]. 地理学报, 2014, 69(12): 1739-1752.

DOI

[Li Guangdong, Fang Chuanglin. Quantitative measure and influencing mechanism of land intensive use in China at the county level. Acta Geographica Sinica, 2014, 69(12): 1739-1752.]

DOI

[44]
李广东, 戚伟. 中国建设用地扩张对景观格局演化的影响[J]. 地理学报, 2019, 74(12): 2572-2591.

DOI

[Li Guangdong, Qi Wei. Impacts of construction land expansion on landscape pattern evolution in China. Acta Geographica Sinica, 2019, 74(12): 2572-2591.]

DOI

[45]
魏后凯, 高春亮. 中国区域协调发展态势与政策调整思路[J]. 河南社会科学, 2012, 20(1): 73-81, 107-108.

[Wei Houkai, Gao Chunliang. China's trends in regional coordinated development and ideas on policy adjustment. Henan Social Sciences, 2012, 20(1): 73-81, 107-108.]

[46]
覃成林, 郑云峰, 张华. 我国区域经济协调发展的趋势及特征分析[J]. 经济地理, 2013, 33(1): 9-14.

[Qin Chenglin, Zheng Yunfeng, Zhang Hua. A study on the tendencies and features of the coordinated development of regional economy in China. Economic Geography, 2013, 33(1): 9-14.]

[47]
刘旭阳, 金牛. 城市“抢人大战”政策再定位: 聚焦青年流动人才的分析[J]. 中国青年研究, 2019(9): 47-53.

[Liu Xuyang, Jin Niu. Re-orientation of the policy of robbing people to fight in city: An analysis of focusing on young floating talents. China Youth Study, 2019(9): 47-53.]

[48]
王少剑, 高爽, 陈静. 基于GWR模型的中国城市雾霾污染影响因素的空间异质性研究[J]. 地理研究, 2020, 39(3): 651-668.

DOI

[Wang Shaojian, Gao Shuang, Chen Jing. Spatial heterogeneity of driving factors of urban haze pollution in China based on GWR model. Geographical Research, 2020, 39(3): 651-668.]

DOI

[49]
付强, 邱永辉. 中美房价比较分析: 基于Numbeo国际房价统计数据库的实证研究[J]. 中国房地产, 2019(12): 10-19.

[Fu Qiang, Qiu Yonghui. A comparative analysis of house prices between China and America: An empirical study based on Numbeo international house price statistics database. China Real Estate, 2019(12): 10-19.]

[50]
曹倪娜. 2014年全国35个大中城市房价收入比排行榜[J]. 上海房地, 2015(8): 10-12.

[Cao Nina. Rankings of house price-income ratio in 35 large and medium-sized cities in China in 2014. Shanghai Real Estate, 2015(8): 10-12.]

Options
文章导航

/

〈 〉