EN中文

地理科学进展 >

2024 , Vol. 43 >Issue 9: 1771 - 1784

DOI: https://doi.org/10.18306/dlkxjz.2024.09.007

研究论文

基于履历数据的“杰青”人才流动网络特征及驱动机制研究

  • 胡骁宇 , 1, 4 ,
  • 陈刚 2 ,
  • 王光辉 , 3, *
展开
  • 1.澳门科技大学可持续发展研究所，澳门 999078
  • 2.江西财经大学经济与社会发展研究院，南昌 330013
  • 3.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院重点实验室，北京 100101
  • 4.景德镇学院经济管理学院，江西 景德镇 333400
*王光辉(1987— )，男，山东烟台人，博士，研究员，主要从事创新地理、舆情网络研究。E-mail:

胡骁宇(1993— )，男，安徽黄山人，博士生，主要从事人才流动与区域发展、城市网络研究。E-mail:

收稿日期: 2023-12-26

  修回日期: 2024-05-17

  网络出版日期: 2024-09-25

基金资助

国家自然科学基金项目(71974182)

国家自然科学基金项目(72374191)

中国科学院青年创新促进会项目(E2X0381601)

中国科学院青年创新促进会项目(2022152)

收起

Characteristics of Distinguished Young Scholars mobility network and driving mechanism based on curriculum vitae data

  • HU Xiaoyu , 1, 4 ,
  • CHEN Gang 2 ,
  • WANG Guanghui , 3, *
Expand
  • 1. The Institute for Sustainable Development, Macau University of Science and Technology, Macao 999078, China
  • 2. Academy of Economic and Social Development, Jiangxi University of Finance and Economics, Nanchang 330013, China
  • 3. Key Laboratory of Regional Sustainable Development Modeling, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China
  • 4. School of Economics and Management, Jingdezhen University, Jingdezhen 333400, Jiangxi, China

Received date: 2023-12-26

  Revised date: 2024-05-17

  Online published: 2024-09-25

Supported by

National Natural Science Foundation of China(71974182)

National Natural Science Foundation of China(72374191)

Youth Innovation Promotion Association, CAS(E2X0381601)

Youth Innovation Promotion Association, CAS(2022152)

Fold

摘要

科技人才队伍建设是支撑中国新时代人才强国战略实施的重要保障，也是推动中国式现代化和实现高水平科技自立自强的强有力支撑。论文基于2010—2019年1832名国家杰出青年科学基金项目获资助人(简称杰青人才)的履历信息，建立杰青人才流动理论分析框架，并采用社会网络分析法和负二项回归模型对杰青人才流动网络的结构特征和驱动因素进行分析。 结果表明：① 拓扑结构特征上，学习阶段网络主体以国内城市相互流动为主，呈现以北京、上海双核心的网络拓扑结构，工作阶段网络主体以国内与国外城市之间流动为主，呈现以北京、上海为双核心的网络拓扑结构，并展现出国外向国内一线城市集聚式流动的迁移特征，人才回流效应显著。② 核心—边缘特征上，相较于学习阶段，工作阶段的核心—边缘结构特征更为显著，强半边缘城市、弱半边缘城市及边缘城市之间呈现出一定的更迭特征。地理空间特征上，杰青人才国内流动网络呈现以北京为核心的轴辐式网络结构特征，并未表现出明显的“孔雀东南飞”的地理迁移特征。③ 城市属性要素回归结果表明，各阶段人才迁移的驱动因素具有一定差异性，其中教育资源、经济水平是影响杰青人才流动的关键要素。④ 邻近性因素上，“硕士—博士”阶段，人才的流动主要受文化邻近性和社会邻近性的影响，“杰青立项前一次工作—杰青立项”阶段，人才的流动主要受制度邻近性和社会邻近性的影响，“杰青立项—现工作”阶段，人才的流动主要受地理邻近性的影响。

关键词： 杰青人才; 履历分析; 人才流动; 网络特征

本文引用格式

胡骁宇 , 陈刚 , 王光辉 . 基于履历数据的“杰青”人才流动网络特征及驱动机制研究[J]. 地理科学进展, 2024 , 43(9) : 1771 -1784 . DOI: 10.18306/dlkxjz.2024.09.007

Abstract

The construction of a science and technology talent pool is a crucial guarantee for the implementation of China's talent-driven strategy for the new era and a robust support for propelling the Chinese style modernization and achieving high-level scientific and technological self-reliance and self-strengthening. This study constructed a theoretical analysis framework for the mobility of recipients of the National Science Fund for Distinguished Young Scholars based on the Curriculum Vitae information of 1832 recipients from 2010 to 2019. Social network analysis and the negative binomial regression model were used to examine the structural characteristics of the mobility network of these outstanding young talents and driving factors. The findings reveal that: 1) Topologically, the learning phase network primarily consists of domestic intercity mobility with a dual-core network topology centered around Beijing and Shanghai. In contrast, the working phase network is dominated by mobility between domestic and international cities, presenting a dual-core network topology with a notable talent reflow effect characterized by movement from abroad to first-tier Chinese cities. 2) The core-periphery characteristics are more pronounced during the working phase than the learning phase, with evident transitions between strong semi-peripheral cities, weak semi-peripheral cities, and peripheral cities. Geospatially, the domestic mobility network of outstanding young talents displays a hub-and-spoke structure centered on Beijing, without a clear "peacock flying southeast" migration pattern. 3) The regression results of city attribute factors indicate that the drivers of talent migration vary across different stages, with educational resources and economic levels being key factors that influence talent mobility. 4) Empirical results for the proximity factors show that during the Master's-Ph.D. phase, cultural and social proximities have a significant positive impact on talent mobility. During the pre-Distinguished Young Scholar appointment-Distinguished Young Scholar appointment phase, institutional and social proximities significantly influence talent mobility. During the Distinguished Young Scholar appointment-current work phase, geographical proximity has a significant negative impact on talent mobility.

Key words： Distinguished Young Scholars; Curriculum Vitae analysis; talent mobility; network characteristics

知识经济时代，人力资本是城市创新和发展的源动力，人才的地理流动正在重塑区域经济发展格局[1]。近年来，无论是具有传统人才吸引优势的发达国家还是快速崛起的发展中国家都立足本国实际，制定了以吸引国际高层次人才为目标的国家战略。2021年，习近平总书记在中央人才工作会议上强调，要坚持人才引领发展的战略地位，要造就规模宏大的青年科技人才队伍，要把培育国家战略人才力量的政策重心放在青年科技人才上，支持青年人才挑大梁、当主角[2]。高层次科技人才队伍的建设可以依靠国际精英人才的引进，但自主培养仍是最坚实的战略路径，而如何走好一条人才培养道路则是一道复杂的难题。人才的培养不是一蹴而就，需要努力挖掘其各个成长阶段的要素特点，并根据核心要素精准发力才能完善人才培养的“全链条”长周期培养体系。作为世界科技前沿的优秀学术带头人，国家杰出青年科学基金获得者(简称“杰青人才”)引领了中国前瞻性基础科学的发展方向，不断为科学前沿提供新思路、新方法，成为推动中国科学技术和经济社会发展的重要力量。因此，本文选取高层次科技人才中具有代表性的杰青人才为研究对象，根据其不同成长阶段，对其流动空间特征及驱动因素开展研究，具有重要的理论意义与实践意义。
20世纪60年代，英国皇家学会提出了“人才流失论”[3]，这一概念被广泛用于描述高技能人才由边缘国家或地区向中心国家和地区单向流动，引发各国关于人力资本的“零和博弈”[4]。20世纪90年代提出并鼓励人才环流的观点，指明人才流动是输出方和输入方的双向收益的“正和博弈”[5]，激发了学术界关于人才流动的相关研究。现有关于人才流动网络的研究主要围绕以下两个方面开展：
(1) 人才流动的空间格局特征。现有研究围绕两院院士、长江学者、大学生、高技能劳动力人才、高被引华人学者、留学生等人才流动进行了研究，发现不同人才流动空间特征具有差异性。如中国院士的空间流动具有明显的阶段特征，求学阶段呈现出由东部多个省份向北京、上海等国家中心城市流动，工作阶段流动具有一定的“孔雀东南飞”的流动特征[6]；长江学者在入选人才计划前，主要在本区域流动，但在入选人才计划后，向外围区域流动的比例明显提升[7]；高技能劳动力和“双一流”高校毕业生均呈现向北京、上海和广东空间集聚的流动特征[8]；高被引华人科学家工作阶段流动主要发生在中国和美国之间，中国城市多为人才迁入地，美国城市多为人才迁出地[9-10]；留学生国际尺度下地理迁移呈“东向西、南到北”的空间特征，美国、英国等北美洲、欧洲城市为人才主要聚集地[11]。作为国内高层次科技人才，国家杰青人才同样受到学术界的关注，如黄海刚等[12-13]分析了国家杰青人才流动的区域特征、结构特征，发现华北、华东和华南基本形成一个人才流动的三角环流区，而华中、东北和西北以杰青人才流出为主。刘彬等[14]对湖北省的杰青流动特征进行了研究，发现湖北省杰青人才流失较严重，且人才流动呈现年轻化趋势。基于相关研究的对比分析，发现国家杰青人才由于其特殊性，与院士、长江学者、高被引华人科学家的流动特征存在一定的共性，也具有其独特的流动格局特征。
(2) 人才流动的影响因素。关于影响人才流动的因素的研究主要基于劳动力迁移理论和人力资本理论展开。国外学者发现除了“推拉理论”所强调的经济和制度因素外，与研究和职业发展相关的因素同样影响人才的流动决策，如同事关系、学缘关系等[15-16]。Lee[17]进一步发展了人口迁移理论，建立了一个完整的分析框架，认为人口迁移的过程中包含4个方面的影响因素，即迁入地的拉力、迁出地的推力、迁移过程中所遇到的障碍和迁移者的个体特征等。国内学者分别从影响人才流动的推力—拉力视角和区域发展梯度视角开展了相关的实证研究。如古恒宇等[18]发现影响中国省际高技能人才迁移的因素主要是经济增速、科教投入、自然舒适度和基础公共服务等；殷江滨等[19]发现中国技术人才的迁移受收入差异驱动；孙康等[10]融合推拉理论、社会网络理论等构建了复合的人口迁移模型，并对高被引华人科学家流动影响因素进行了实证分析，科学家的国内流动受到地理距离的限制，而迁入城市的拉力是高被引华人科学家产生跨国移动的主要原因。
综合已有研究发现，现有研究仍存在以下两个方面的不足：① 相较于两院院士、长江学者、高被引华人科学家的空间流动研究，关于杰青空间流动的分析仍有待深化，现有研究主要从省域尺度开展分析，市级尺度的相关研究相对缺乏；② 现有关于高层次人才驱动机制的研究主要围绕“推拉理论”展开，近年来对人才流动的空间邻近性关注有所增加，但较少研究将“推拉理论”和空间邻近性同时纳入影响机制分析框架。杰青人才作为中国顶尖科技战略人才之一，其流动关系到区域创新效率的提升。其流动特征与院士、长江学者是否一致?遵循怎样的人才流动规律?造成该特征的驱动因素又有何区别?回答这些问题对全面把握高层次人才的流动趋势及其驱动机制差异，助推国家人才高质量发展具有重要的价值意义。基于此，本文通过收集2010—2019年共计1832名杰青履历信息，细化杰青人才成长路径，对杰青人才学习、工作阶段的流动网络的拓扑结构和地理空间结构进行分析，并基于城市属性因素、邻近性因素构建人才流动的驱动机制分析框架，对杰青人才在国内学习、工作两阶段迁移的驱动因素进行实证检验。

1 理论分析框架

高层次科技人才的流动特征和驱动因素研究一直是地理学、人口学、区域科学研究的重要方向[6⇓⇓⇓⇓⇓⇓⇓-14,20]，多数学者基于“推拉理论”“世界城市体系理论”“社会网络理论”等对相关议题进行研究。作为高层次科技人才的重要类型，杰青人才的迁移流动是一个高度个体化和相对复杂的决策行为，既受到经济水平、环境质量、教育资源等城市属性因素的影响[17]，也受到诸如地理邻近、制度邻近、文化邻近等关系因素的影响[21]。“世界城市体系理论”通过对区域经济水平、教育资源质量、城市服务配套等多方面因素的考量，将区域或城市划分为核心、半边缘、边缘三种类型，重点考量城市的核心—边缘特征是否会影响人才的迁移流动[22]。重力及改进重力模型在研究人才迁移问题中被广泛应用，其基于“推拉理论”，在反映迁入、迁出地相关因素产生推拉效应的同时，也在一定程度上体现出迁入迁出地之间的发展差距[18]。“社会网络理论”则重点考量人才流动的迁入成本，强调城市间关系作用的同时也能一定程度上体现出城市间的合作强度[10]。基于此，本文从创新网络的视角，根据“社会网络理论”，引入地理邻近性、制度邻近性、文化邻近性等城市关系要素来衡量杰青人才流动网络中城市节点之间的关系作用[23]，并基于“推拉理论”“世界城市体系理论”，综合考虑迁入、迁出地的城市属性因素，构建本文的理论分析框架(图1)。
图1 理论分析框架

Fig.1 Theoretical analysis framework

2 数据来源与研究方法

2.1 数据来源与处理

杰青人才的履历信息采集分为以下三个过程。首先，在国家基金委官方网站上获取2010—2019年杰青基金项目清单，包括项目获得者姓名、项目依托单位、项目批准号、申请代码、项目名称、项目起止年月等数据信息，确定杰青获资助者名单，共计2075人。然后，采用简历分析法尽可能采集杰青人才流动路径，通过一一搜寻的方式从公开的个人主页、单位机构官方网站、多种搜索引擎、中国学位论文全文数据库等方式，对杰青人才的学士、硕士、博士求学经历及其工作经历进行全面搜集，并通过杰青人才发表论文的地址，对其工作经历进行补充。最后，将杰青人才的学习经历和工作经历所对应的地址信息匹配到城市，以城市为节点，以杰青人才的流动数量为边，构建杰青人才的流动轨迹。
本文最终共获取1832位杰青人才流动的路径信息，将其流动路径整体划分为学习阶段和工作阶段两个阶段。学习阶段主要包括“学士—硕士”“硕士—博士”两个成长过程的流动数据；工作阶段主要是指杰青人才博士毕业到现工作的整个过程，主要包括“博士—博士后”“博士后—杰青立项前一次工作”“杰青立项前一次工作—杰青立项”和“杰青立项—现工作”4段具体成长过程。根据个人成长路径的差异性，每位杰青人才的工作阶段可能会包括：博士—杰青立项—现工作、博士—博士后—杰青立项—现工作、博士—杰青立项前一次工作—杰青立项—现工作、博士—博士后—杰青立项前一次工作—杰青立项—现工作等。其中，为了研究需要，本文将杰青立项前一次工作地、杰青立项地、现工作地进行了人为划分，现实情况中这三个迁移地可能是同一单位。由于杰青人才流动各阶段所受的影响因素具有一定差异，本文考虑杰青人才的主要迁移过程，将选取学习阶段中的“硕士—博士”一次流动的信息，工作阶段中的“杰青立项前一次工作—杰青立项”“杰青立项—现工作”两次流动的信息，分别进行驱动机制检验，以探究学习阶段与工作阶段、杰青立项前与立项后的影响因素是否具有差异性。

2.2 研究方法

2.2.1 复杂网络分析方法

(1) 网络密度。网络密度等于网络中实际发生的关系总量与理论上最大关系总量之比，用来衡量网络中各节点之间关系的紧密程度。该指标反映网络中节点之间的联系程度[24]。其公式为：
D g = 2 M N ( N - 1 )
式中：Dg为网络密度，数值介于0~1之间，值越接近1，表示网络中城市的数量越多，关系越紧密，现实中最大的密度是0.5；M是网络中包含的有向边总数；N是网络节点总数。
(2) 平均聚类系数。平均聚类系数用于衡量节点聚集的程度。聚类系数越大，说明杰青人才流动网络节点分布越集中；反之，聚类系数越小，网络节点分布越分散[25]。其公式为：
C i = 1 N ∑ i = 1 N 2 E i n i ( n i - 1 )
式中：Ci是所有节点聚类系数的平均值，N是网络节点总数，Ei为节点i与其所有邻接点之间实际边数；ni是与i的邻接点数，ni(ni-1)是最大可能边数。
(3) 中心度。中心度反映城市节点在网络中的地位与作用[26]，指与某一节点连接的其他节点数量，表征连接程度。有向网络节点中心度又分为出度和入度。在杰青人才流动网络中，节点的中心度表示与该城市有“杰青”流动联系的城市数量，中心度越大表示与该城市联系的城市数量越多。
C D i = ∑ j = 1 N x i j
式中： C D i表示中心性的出度/入度的特征；xij为城市i和城市j的联系强度。
(4) 加权中心度。加权中心度指的是与某一节点直接相连接的边的权重，有向网络节点加权中心度又分为加权出度和加权入度[27]。在杰青人才流动网络中，节点加权中心度表示流入该城市的“杰青”数量与该城市流出的“杰青”数量之和。
C S i = ∑ j ∈ V W i j
式中：V表示与节点i直接相连的节点集合；Wij表示连接城市i和城市j之间杰青流动的数量总和。

2.2.2 负二项回归模型

本文被解释变量为两两城市之间有向的杰青人才流动数量，为非零正整数，此种情况下一般采用泊松回归模型和负二项回归模型分析影响因素，比一般线性模型更适用于该数据类型[28]。考虑本文数据方差值大于期望值，存在过度离散的问题，违背了泊松模型的离散平衡基本假设，可能会导致模型的有偏估计，因此更适合采用负二项回归模型展开研究，以测度杰青人才流动的驱动因素。具体模型如下：
Y i j = α + β 1 L p g d p i + β 2 E P R i + β 3 L p r i c e i +                 β 4 C o l l e g e i + β 5 U S i + β 6 S T i + β 7 L p g d p j +                 β 8 E P R j + β 9 L p r i c e j + β 10 C o l l e g e j + β 11 U S j +                 β 12 S T j + β 13 I N S i j + β 14 G E O i j + β 15 C O C i j +                 β 16 S O G i j + ε i j
式中：α为常数项；εij为随机误差项；Yij为杰青从迁出地i到迁入地j的移动人数，为被解释变量；β1，β2，…，β16为待估系数；Lpgdpi、Lpgdpj分别为迁出地i和迁入地j的经济水平维度指标，用城市人均GDP(元)进行衡量[23]，该指标对杰青人才学习阶段和工作阶段均具有影响，本文将其同时作为两个阶段的影响因素进行分析；EPRi、EPRj分别为迁出地i和迁入地j环境质量维度指标，借鉴张旭等[28]的做法，用熵权法计算出的城市环境污染指数进行衡量，考虑到该指标对杰青人才学习阶段和工作阶段均具有影响，本文将其同时作为两个阶段的影响因素进行分析；Lpricei、Lpricej分别为迁出地i和迁入地j的生活成本维度指标，用商品房销售平均价格(元)衡量[29]，该指标主要对杰青人才的工作阶段具有影响，本文仅将其作为工作阶段的影响因素进行分析；Collegei(Collegej)、USi (USj)、STi (STj)为迁出地i (迁入地j)的教育资源维度指标，分别用城市万人高校学生数、城市双一流大学数量和城市普通高等院校生师比进行衡量[28⇓-30]，College指标对“杰青立项前一次工作—杰青立项”和“杰青立项—现就业”的具体工作阶段皆具有影响，本文将其作为两个具体工作阶段的影响因素进行分析；US指标主要对杰青人才学习阶段具有影响，本文将其作为学习阶段的影响因素进行分析；考虑到ST指标对杰青人才学习阶段和工作阶段均具有影响，本文将其同时作为两个阶段的影响因素进行分析。INSij为迁出地i与迁入地j的制度邻近性，借鉴周锐波等[31]的做法，用迁入迁出地行政等级来进行衡量，若迁出地i和迁入地j均为省会及以上行政级别城市则赋值为3，仅有一者是则赋值为1，均为其他地级市则赋值为0；GEOij为迁出城市i与迁入城市j的地理距离，取两个城市政府所在位置的经纬度，进行空间距离计算[32]；COCij为文化邻近性，是虚拟变量，如果两城市属于同一方言大区则赋值为1，否则赋值为0[33]；SOGij为社会邻近性，用两城市之间的论文合作次数表征城市间论文合作联系强度进行衡量[31]。考虑到上述邻近性指标对杰青人才学习阶段和工作阶段均具有影响，本文将其同时作为两个阶段的影响因素进行分析。变量选取与描述见表1。
表1 变量选取与描述

Tab.1 Variable selection and description

变量属性 变量名称 移动路径 变量描述
硕士—博士 杰青立项前一次工作
—杰青立项		 杰青立项—现就业
因变量 流动人数 迁出地i流向迁入地j的杰青人才数量
城市属性 经济水平维度 Lpgdpi、Lpgdpj Lpgdpi、Lpgdpj Lpgdpi、Lpgdpj 迁入迁出地人均GDP
环境质量维度 EPRi、EPRj EPRi、EPRj EPRi、EPRj 迁入迁出地环境污染指数
生活成本维度 — Lpricei、Lpricej Lpricei、Lpricej 迁入迁出地商品房销售平均价格
教育资源维度 — Collegei、Collegej Collegei、Collegej 迁入迁出地双一流大学数量，反映城市科研平台质量
USi、USj — — 迁入迁出地万人高校学生数，反映城市高等教育规模
STi、STj STi、STj STi、STj 迁入迁出地生师比，反映城市高等教育师资水平
邻近性 制度邻近性 INSij INSij INSij 迁出地i和迁入地j均为省会及以上行政级别城市，赋值为3；仅有一者，赋值为1；均为其他地级市则赋值为0
地理邻近性 GEOij GEOij GEOij 迁入地与迁出地空间距离
文化邻近性 COCij COCij COCij 迁入地与迁出地若属于同一方言大区取值为1，不属于同一方言大区取值为0
社会邻近性 SOGij SOGij SOGij 迁入迁出地论文合作联系强度

3 杰青人才流动网络特征

3.1 杰青人才流动整体网络结构特征

采用Gephi 9.7软件计算杰青人才学习、工作阶段流动网络的相关指标数据，计算结果如表2。考虑到杰青大部分具有海外背景，将杰青人才学习阶段、工作阶段所有流动信息汇总后，基于国内、国际尺度两个视角，对杰青人才流动网络进行刻画。其中国内尺度视角包括“国内—国内”一种流动类型，国际尺度视角包括“国外—国外”和“国内—国外/国外—国内”两种流动类型。在学习阶段中，三种类型的迁移人数(网络边数)分别为408、19和247人，表明在该阶段中，“国内—国内”为杰青人才主要流动类型，“国外—国外”为杰青人才最次要流动路径，说明杰青人才的教育培养多以本土教育为主；而在工作阶段中，“国内—国外/国外—国内”为主要流动类型，“国内—国内”为最次要流动类型，“国内—国内”“国外—国外”“国内—国外/国外—国内”三种类型的迁移人数分别为270、330和1052人，这种现象一定程度上归因于杰青人才为追求更高的学术成就，选择去国际上知名学府进行博士后进修。
表2 杰青人才流动网络特征量统计

Tab.2 Distinguished Young Scholars mobility network characteristics

流动阶段 流动类型 节点数 边数 网络密度 平均聚类系数 平均度 平均加权度
学习阶段 国内—国内 94 408 0.047 0.286 4.340 10.681
国外—国外 28 19 0.025 0 0.679 0.679
国内—国外/
国外—国内		 177 247 0.008 0 1.395 1.746
工作阶段 国内—国内 63 270 0.069 0.339 4.286 10.397
国外—国外 223 330 0.007 0.014 1.480 1.520
国内—国外/
国外—国内		 324 1052 0.010 0.002 3.247 4.929
对比学习阶段和工作阶段网络特征数据，在“国内—国内”流动尺度下，工作阶段相比学习阶段网络规模有所减少，网络节点数、迁移人数分别由94个、408人降至63个、270人，说明工作后的杰青人才在国内尺度下流动的活跃度有所降低；平均度、平均加权度分别由4.34、10.681降至4.286、10.397，反映出工作阶段相比学习阶段网络节点之间的联系有所减弱，杰青人才流动的数量也有所减少；网络密度、平均聚类系数分别由0.047、0.286提高到0.069、0.339，这表明工作阶段相比学习阶段网络中心化程度更高，集聚趋势更加明显，少数城市成为人才高度集聚区。在“国外—国外”流动尺度下，工作阶段相比学习阶段网络规模显著提升，网络节点数、迁移人数分别由28个、19人增长至223个、330人；平均度、平均加权度分别由0.679、0.679增长至1.480、1.52，表明工作阶段相比学习阶段网络节点联系和杰青人才流动数量均有所增加；两阶段的网络密度和平均聚类系数分别为0.025、0和0.007、0.014，均处于较低水平。在“国内—国外/国外—国内”流动尺度下，工作阶段相比学习阶段网络规模大幅提升，网络节点数、迁移人数分别由177个、247人增长至324个、1052人；平均度、平均加权度分别由1.395、1.746增长至3.247、4.929，表明工作阶段相比学习阶段网络节点联系和杰青人才流动数量均大幅增加，国际化流动趋势更加明显；两阶段网络密度、平均聚类系数分别为0.008、0和0.01、0.002，表明整体网络结构较为稀疏，城市之间联系较弱。

3.2 杰青人才流动网络拓扑结构特征

学习阶段中，“国内—国内”流动路径为该阶段杰青人才流动的主体，呈现出以北京、上海为双核心的人才流动网络拓扑结构特征。如图2a所示，武汉、南京、西安、天津、成都、兰州等直辖市和省会城市为杰青人才迁出的主要网络节点，北京、上海、南京、广州等副省级以上城市为杰青人才迁入的主要网络节点。与国内尺度下的杰青人才流动网络相比，杰青人才国际尺度下的流动网络密度较低，其中“国外—国外”流动网络呈现分散式的网络结构特征，而“国内—国外/国外—国内”流动网络则呈现“国内—国外”城市的发散式迁移结构特征，北京为该流动网络的绝对核心，为杰青人才迁出的主要节点。与院士人才海外求学不同的是，两院院士学习进修境外目的地主要以苏联为主、以欧洲国家为辅[11]，而杰青人才境外求学主要目的地以美国为主，以新加坡、日本等亚洲国家为辅，这与不同类型人才所处时代背景不同有很大关系。
图2 杰青人才流动网络拓扑结构

注：图中节点大小与节点的加权中心度成正比，即城市迁入和迁出的杰青人才数量越多，对应城市的节点越大；边粗细与杰青人才流量成正比，即城市间杰青人才流动数量越多，对应城市之间相连的边越粗；两城市节点相连时，节点和连边颜色相同表示该城市为杰青人才流动的迁入地，节点和连边颜色不同表示该城市为杰青人才流动的迁出地。

Fig.2 Topological structure of the Distinguished Young Scholars mobility network

工作阶段的杰青人才流动网络拓扑结构产生了较大变化，“国内—国内”流动网络由学习阶段的北京、上海双核心的拓扑结构演变成以北京、香港、上海为三核心的拓扑结构。与学习阶段相比，杰青人才的国际流动频次大幅增加，其中“国外—国外”流动网络呈现出分散式的网络结构特征，新加坡、洛杉矶、东京、纽黑文等美国和亚洲城市为杰青人才迁出的主要网络节点，洛杉矶、波士顿、剑桥、伯克利等美国城市为杰青人才迁入的主要网络节点，而“国外—国内”流动路径为工作阶段杰青人才流动的主体，呈现出以北京、上海为双核心的人才流动网络拓扑结构特征，如图2f所示，北京、上海、东京、新加坡、洛杉矶等城市为杰青人才迁出的主要网络节点，北京、上海、武汉等国内直辖市和省会城市为杰青人才迁入的主要网络节点，整体呈现出国外向国内一线城市流动的聚集式迁移结构，人才回流效应显著，这一特征与靳军宝等[34]关于中国高被引科学家跨国流动变化特征的研究结果一致。

3.3 杰青人才流动网络核心—边缘结构特征

根据杰青人才流动网络中各城市的关系模式和关系强度，将各城市划分为核心、强半边缘、弱半边缘和边缘4类，构建杰青人才学习、工作两个阶段核心—边缘结构模型(图3)。总体来看，杰青人才与一般性人才流动网络的核心—边缘结构较为不同，如留学生网络核心城市多为美国等北美洲城市[35]，杰青人才流动网络的学习阶段和工作阶段核心—边缘结构均呈现以北京、上海为核心区域的层级性流动结构。学习阶段核心城市虹吸效应明显，为各圈层城市的主要迁入地，而工作阶段圈层更迭则更为显著，更符合世界城市体系理论的人才流动特征[22]。
图3 杰青人才流动网络核心—边缘结构

注：图中节点大小与加权入度成正比，即城市迁入的杰青人才数量越多，对应城市的节点越大；边粗细与杰青人才流量成正比，即城市间杰青人才流动数量越多，对应城市之间相连的边越粗；两城市节点相连时，节点和连边颜色相同表示该城市为杰青人才流动的迁出地，节点和连边颜色不同表示该城市为杰青人才流动的迁入地。

Fig.3 Core-periphery structure of the Distinguished Young Scholars mobility network

如图3a所示，学习阶段中，城市层级划分并不明显，北京、上海属于杰青人才流动网络的核心城市，与各圈层内部城市之间存在非常强的流动联系，同时圈层之间也存在较强的流动联系；武汉、西安、长春、南京、合肥、大连、天津、广州、杭州和香港10个城市属于强半边缘城市，它们与核心城市保持着较强的联系，同时彼此之间也存在较强的流动联系；昆明、沈阳、长沙、兰州、哈尔滨、成都、新加坡、波士顿、洛杉矶、纽约和东京11个城市属于弱半边缘城市，它们的人才主要流向核心城市，彼此之间流动联系较弱；青岛、重庆、福州、济南、伯克利、芝加哥等城市处于网络的边缘，表明这些城市在人才流动方面彼此联系最弱，其人才也主要流向核心城市。
如图3b所示，相较于学习阶段，工作阶段各圈层间发生了明显的更迭，城市层级划分更为明显。北京的核心地位进一步加强，上海核心地位明显弱化；强半边缘城市由学习阶段的10个增加到剑桥(美)、南京、厦门、合肥、大连、天津、波士顿、洛杉矶、新加坡等19个城市，其中东京、新加坡、洛杉矶、波士顿、成都、兰州、长沙7个城市从学习阶段的弱半边缘城市成长为强半边缘城市，厦门和剑桥(美)两个城市由边缘城市成长为强半边缘城市；弱半边缘城市有青岛、伦敦、华盛顿、哈尔滨、纽约、福州、西雅图等29个城市，其中苏州、纽黑文、柏林、费城、青岛、安娜堡、伦敦、华盛顿、伯克利等20个城市由边缘城市成长为弱半边缘城市，昆明则从弱边缘城市降为边缘城市。与学习阶段相比，工作阶段弱半边缘城市与强半边缘城市联系明显加强，边缘城市与弱半边缘城市联系也有所增加，城市之间层级流动趋势更为明显。

3.4 杰青人才国内流动网络地理空间结构特征

学习阶段和工作阶段杰青人才流动空间结构总体均呈现出以北京为核心的轴辐式网络结构特征，高等级人才流动路径也均与北京有关，表现出强有力的网络控制力；流动路径主要集中在胡焕庸线以东地区，人才流动路径呈现东密西疏的特征；与大学毕业生不同的是，杰青人才并未表现出明显的“孔雀东南飞”式迁移特征。
如图4a所示，学习阶段，杰青人才流动空间结构呈现出以北京为核心，单向流动的轴辐式网络结构特征，“进京深造”是杰青人才学习阶段地理流动的一大特征。此外，上海与北京表现出一定的双向流动关系，长江中游城市群的武汉、长沙两个城市流向上海的人才规模也较大，原因是上海拥有4所985大学和10所211大学，也是全国人才进一步求学深造的重要地区之一。长三角地区呈现向上海集聚的特点，与Zhou等[36]关于高层次人才空间流动的研究结论一致。
图4 杰青人才国内流动网络地理空间结构

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(2023)2763号的标准地图绘制，底图边界无修改。

Fig.4 Geospatial structure of the domestic mobility network of Distinguished Young Scholars

如图4b所示，工作阶段，杰青人才流动空间结构仍然呈现以北京为核心，双向流动的轴辐式网络结构特征。这一阶段杰青人才“进京”与“出京”同时存在，特别是北京—兰州、北京—上海、北京—沈阳等杰青人才的双向流动特征显著，展现出工作阶段人才地理迁移特征的差异性。这与人才所处不同发展阶段，其流动受到影响因素不同有关，如学习阶段更多考虑北京、上海两地名校资源，工作阶段综合考虑城市、学缘等多种因素。

4 杰青人才国内流动网络影响因素

为更好地识别杰青人才在不同迁移阶段下影响因素的差异性，本文在考虑一定现实意义的情况下，在学习阶段中选取“硕士—博士”阶段的流动数据，工作阶段中选取“杰青立项前一次工作—杰青立项”和“杰青立项—现就业”两个阶段的流动数据展开分析。由于“杰青立项—现就业”阶段样本数据量相对较少且不存在过度离散的问题，不符合运用负二项回归模型的基本前提，故该阶段选用基本回归模型进行检验。本文运用Stata共构建两个负二项截面模型和一个基本回归模型，回归结果如表3所示。模型1是基于杰青人才“硕士—博士”阶段流动样本回归结果，模型2是基于“杰青立项前一次工作—杰青立项”阶段流动样本回归结果，模型3是基于“杰青立项—现就业”阶段流动样本回归结果。在负二项模型回归之前，本文先对所有模型各自变量之间的共线性进行了分析，各自变量的VIF值均小于10，不存在多重共线性问题。
表3 回归结果

Tab.3 Regression results

变量 模型1
(硕士—博士)		 模型2
(杰青立项前一次工作—杰青立项)		 模型3
(杰青立项—现就业)
Lpgdpi -0.155(-0.66) -0.161(-0.52) 0.035(0.06)
Lpgdpj 0.314**(0.79) 0.196**(0.55) -0.534(-1.31)
EPRi 0.266(0.45) 0.546(0.66) 0.0445(0.05)
EPRj -0.276(-0.31) -0.225(-0.29) -0.067**(-0.09)
Lpricei — -0.138(-0.42) 0.132(0.28)
Lpricej — 0.298(0.99) 0.313(0.94)
Collegei — -0.170*(-1.74) 0.035(0.02)
Collegej — 0.003(0.03) -0.459**(-0.41)
USi -0.178*(0.58) — —
USj 0.051***(-0.12) — —
STi 0.014*(0.46) 0.130***(0.33) -0.042(-0.58)
STj -0.117***(-3.72) -0.070**(-0.17) -0.018(-0.43).
INS 0.129(1.31) 0.159**(1.95) 0.101(1.45)
GEO -0.182(-1.44) -0.351(-0.25) -0.320***(-1.88)
COC 0.396***(2.86) 0.254*(1.69) -0.045(-0.29)
SOG 0.153**(2.50) 0.178***(3.16) 0.713(0.96)
常数 -0.456(-0.08) -2.122(-0.42) 6.053(1.47)
N 142 149 52

注：*、**、***分别表示通过10%、5%、1%的显著性水平检验，括号内数据为T统计量。

表3中回归结果显示，城市属性方面，迁入地经济水平(Lpgdp)对杰青人才“硕士—博士”“杰青立项前一次工作—杰青立项”两个阶段的流动均具有显著的正向影响，表明在这两个阶段中，城市经济水平越高，对杰青人才的吸引力就越强，这与李磊等[37]关于精英科学家研究中的部分结论一致，而在“杰青立项—现就业”阶段中，迁入地经济水平会对杰青流动产生负向影响，这可能是因为相关人才在获得“杰青”称号后，为了实现更高级别的行政职务而愿意流向经济水平相对较弱的城市。迁入地环境质量(EPR)仅对“杰青立项—现就业”阶段的杰青流动产生显著影响，说明相关人才在获得“杰青”称号后，更乐于向环境条件更好的城市流动。城市生活成本因素(Lprice)均未对工作路径上的两阶段流动产生显著影响，这可能是因为杰青人才大部分都处于较好的工作单位，且自身专业能力过硬，收入水平属于较高层级。教育资源维度上，迁出地科研平台质量(College)对“杰青立项前一次工作—杰青立项”阶段杰青人才的流动产生显著负向影响，表明在此阶段，迁出地科研平台质量越低对于杰青人才的“推力”就越强；迁入地科研平台质量(College)对“杰青立项—现就业”阶段杰青人才的流动产生显著负向影响，表明在这个阶段中，杰青人才倾向于流入高等教育层次相对较低的城市，这可能与生活质量和工作机会的平衡有关，这一结论从定量的角度印证了柳瑛等[7]基于长江学者研究观点的定性评述。城市的高等教育规模(US)对杰青人才“硕士—博士”的流动产生显著影响，高等教育规模越高的城市往往拥有更多的就业岗位，结果表明，迁出地高等教育规模越小，对杰青人才流出的“推力”就越强，而迁入地高等教育规模越大，则对杰青人才流入的“拉力”就越大，说明工作机会可能是该阶段杰青人才流动考量的重要因素。迁入迁出地的高等教育师资水平(ST)对“硕士—博士”和“杰青立项前一次工作—杰青立项”两阶段人才的流动产生显著的推拉效应，说明在获得“杰青”称号之前，相关人才会更青睐于教育资源投入水平更高、发展平台更好的城市。
邻近性方面，制度邻近性(INS)对“杰青立项前一次工作—杰青立项”阶段人才的流动产生显著的正向影响，这表明城市出台相关的人才政策有利于吸引高素质人才的流入，这一结果印证了王秀梅等[38]关于高端人才流动所受影响因素的分析。地理邻近性(GEO)对“杰青立项—现就业”阶段人才的流动产生显著的负向影响，说明在该阶段，相关人才在获得“杰青”称号后，倾向于向地理距离较近的城市进行迁移。文化邻近性(COC)对杰青人才“硕士—博士”和“杰青立项前一次工作—杰青立项”两个阶段的流动产生显著的正向影响。城市之间的文化相似性可以帮助人才更快地融入新环境，这表明在在这两个阶段，杰青人才会受到个人因素的影响，更乐于向文化适应性更高的城市迁移。社会邻近性(SOG)对杰青人才“硕士—博士”“杰青立项前一次工作—杰青立项”两个阶段的流动均产生显著正向影响，而未对“杰青立项—现就业”的流动产生显著影响，这表明，在获得“杰青”称号之前，相关人才更倾向于向联系关系更紧密的城市流动，而在获得“杰青”称号之后，可能由于自身已具备较好资源，且与大部分核心城市已建立较为稳定的联系，导致影响效果并不显著。

5 结论与讨论

5.1 结论

本文基于履历分析法对2010—2019年共计1832名杰青人才的阶段性成长信息进行搜集，运用社会网络分析方法和负二项回归模型，全面刻画杰青人才学习、工作两阶段流动网络结构特性，并揭示了杰青人才国内流动网络的影响因素。主要结论如下：
(1) 杰青人才流动网络的拓扑结构在不同阶段、不同流动类型下表现出显著的差异性，学习阶段中，“国内—国内”流动路径为该阶段杰青人才流动的主体，呈现北京、上海为双核心的网络拓扑结构，工作阶段中则呈现北京、香港、上海为三核心的拓扑结构。杰青人才国际尺度下的流动网络稠密度较低，“国外—国外”流动网络在学习、工作两个阶段中均呈现分散式的网络结构特征。“国内—国外”流动路径为工作阶段杰青人才流动的主体，其学习阶段呈现北京为单一核心的拓扑结构，工作阶段呈现北京、上海为双核心的拓扑结构，展现出国外向国内一线城市聚集式流动的迁移特征，人才回流效应显著。
(2) 杰青人才流动网络核心—边缘特征显著。学习阶段核心城市虹吸效应明显，弱半边缘、边缘城市彼此之间流动联系较弱，均呈现向核心城市迁移的特征，而工作阶段圈层更迭则更为显著，强半边缘、弱半边缘、边缘城市之间联系有所加强，更符合世界城市体系理论的人才流动特征。从具体的地理空间特征来看，学习阶段和工作阶段杰青人才流动的空间结构均呈现以北京为核心的轴辐式网络结构特征，北京表现出强有力的网络控制力，整体流动路径主要集中在胡焕庸线以东地区，呈现出东密西疏的分布特征。
(3) 经济水平、教育资源是影响杰青人才的流动的重要因素。“硕士—博士”阶段中，杰青人才的迁移选择受到迁入地经济水平和高等教育规模的正向显著影响，经济水平越高、学术资源更丰富、工作机会更多的城市对此阶段杰青人才的吸引力越强。“杰青立项前一次工作—杰青立项”阶段中，杰青人才的迁移选择受到迁入地经济水平和教育资源投入的显著影响，经济水平越高，教育资源投入水平越高的城市对此阶段的杰青人才的吸引力更强。“杰青立项—现就业”阶段主要受环境因素和城市高等教育层次水平的影响，相关人才在获得人才称号后更倾向于向环境质量更好、高等教育层次相对较低的城市进行迁移。
(4) 邻近性因素回归结果表明，“硕士—博士”阶段主要受文化邻近性和社会邻近性的显著影响，在此阶段杰青人才的流动更多会考虑迁移城市的适应程度以及熟悉程度，其更倾向于向文化适应性更高、联系关系更紧密的城市流动。“杰青立项前一次工作—杰青立项”阶段主要受制度邻近性和社会邻近性的显著影响，良好的人才政策和城市联系紧密性是该阶段杰青人才流动考量的主要因素。“杰青立项—现就业”阶段受到地理邻近性的显著负向影响，表明相关人才在获得“杰青”称号后，不倾向于向地理距离较远的城市进行迁移。

5.2 讨论

与以往的研究相比，本文具有以下三点贡献：① 理论机制上，当前学者对于人才流动的研究多基于城市属性的推拉效应展开研究，本文在此基础上引入了网络科学中的城市关系属性，建立了综合性的理论分析框架，对相关研究有一定的补充和参考意义；② 分析视角上，考虑到人才流动的城市选择既有可能包含国内城市，也有可能包含国际城市，因此，本文从国内、国际两个尺度对杰青人才流动网络特征的差异性展开探讨；③ 分析阶段上，以往的研究大多基于人才流动中的一个特定阶段进行深入分析，较少有学者以人才称号获得地为切入点，对获取人才称号前后阶段迁移的影响要素进行讨论，基于此，本文选取“硕士—博士”“杰青立项前一次工作—杰青立项”和“杰青立项—现就业”三个阶段的迁移因素展开探讨，对同类研究起到一定的支撑作用。
基于“世界城市体系理论”“社会网络理论”“推拉理论”等理论，本文对杰青人才流动网络的拓扑结构、核心—边缘结构、地理空间特征以及迁移驱动因素等方面展开研究，这对于当前相关人才政策的制定具有一定的启示：① 杰青人才工作阶段的拓扑结构中展现出国外向国内一线城市集聚式流动的迁移特征，人才回流效应显著。针对这种趋势，以北京、上海为代表的核心型城市需顺应国家创新发展的需要，大力推动国家重点创新平台的建设，加快形成海外人才集聚的创新高地。② 杰青人才在获得人才称号后，更倾向于向地理距离更近的城市迁移。事实上，强半边缘型城市受核心型城市溢出效应的影响，往往与核心型城市具有较短的地理距离，针对这种现象，强半边缘城市需要制定好相应的人才吸引政策，实现充足、合理的科研资源配套，才能针对以杰青为代表的高层次科技人才形成具有地方特色的吸引力。③ 杰青人才的核心—边缘结构中显示，弱边缘型城市与强边缘、边缘城市之间的联系均比较弱，针对这种问题，弱边缘型城市需要加强各类院校、研究院所的合作，强化科技战略合作平台的建设，以强化城市间的联系作用。④ 杰青人才在获得人才称号后，倾向于向环境质量更好、高等教育层次较低的城市进行迁移，且生活成本不对其产生显著影响，这种情况下的杰青人才更多想追求生活质量和个人发展的平衡，针对这种特点，边缘型城市可以通过建立同乡会、储备人才数据库等形式，强化家乡情结的作用，同时也要加大对科技人才的扶持力度，实现充足、合理的科研资源配套，推动人才故土回流。
本文仍存在以下不足之处：① 本文的研究数据存在一定的不足，尤其是研究影响人才获得“杰青”称号后的流动要素时，样本量偏小，可能会影响结论的普适性；② 本文的分析仅关注2010—2019年杰青人才的流动及驱动机制，由于样本数据搜集难度较高，整体数据并不全面，难以按照面板形式对杰青人才不同年份的流动特征进行演化展示，缺乏多期实证检验的支撑。鉴于此，后续可从三个方面开展研究：第一，细化考量城市场景及个体特征因素，加入更多城市属性指标的同时，需针对相关人才个体特征的复杂性和特殊性，系统补充建设人才流动的指标体系；第二，丰富高层次科技人才研究的主体，通过收集“长江学者”“国家万人计划”等高层次科技人才数据，尝试比较不同人才群体流动特征的差异；第三，细化研究主体中学科的分类特征，通过补充杰青人才的研究样本量，可以尝试对比分析不同学部人才的空间格局差异，并针对差异特征展开深入探究。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
王一凡, 崔璨, 王强, 等. “人才争夺战”背景下人才流动的空间特征及影响因素: 以中国“一流大学”毕业生为例[J]. 地理研究, 2021, 40(3): 743-761.

DOI

[Wang Yifan, Cui Can, Wang Qiang, et al. Migration of human capital in the context of vying for talent competition: A case study of China's "first-class" university graduates. Geographical Research, 2021, 40(3): 743-761. ]

[2]
齐宏纲, 戚伟, 刘振, 等. 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

[Qi Honggang, Qi Wei, Liu Zhen, et al. Heterogeneity of educational attainment of talents in China: Spatial and temporal patterns and driving factors. Progress in Geography, 2023, 42(5): 821-836. ]

DOI

[3]
Koser K, Salt J. The geography of highly skilled international migration[J]. International Journal of Population Geography, 1997, 3(4): 285-303.

PMID

[4]
欧阳漪, 黄剑, 陈晓亮. “文化转向”视角下移民地理学研究进展与趋势[J]. 地理科学进展, 2020, 39(12): 2118-2128.

DOI

[Ouyang Yi, Huang Jian, Chen Xiaoliang. Research progress and trends of geographies of migration from the perspective of "cultural turn". Progress in Geography, 2020, 39(12): 2118-2128. ]

[5]
González-ramos A M. New orientation of human resources policies in science and technology (S&T): From brain drain to brain circulation and talent recruitment policies[J]. Papeles de Población, 2014, 20(82): 113-135.

[6]
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.

DOI

[Zhou Liang, Zhang Ya. The spatial distribution and flow trends of Chinese top academic talents: Based on the case study of academicians of Chinese Academy of Sciences. Geographical Research, 2019, 38(7): 1749-1763. ]

[7]
柳瑛, 薛新龙, 苏丽锋. 中国高端人才布局与流动特征研究: 以长江学者特聘教授为例[J]. 中国科技论坛, 2021(2): 100-108, 131.

[Liu Ying, Xue Xinlong, Su Lifeng. The distribution and flow of top research talents in China: Take the Yangtze River scholars in China for example. Forum on Science and Technology in China, 2021(2): 100-108, 131. ]

[8]
齐宏纲, 赵美风, 刘振, 等. 中国高技能人才和一般技能劳动力省际迁移的空间格局及影响机理[J]. 地理科学, 2024, 44(2): 192-203.

DOI

[Qi Honggang, Zhao Meifeng, Liu Zhen, et al. Spatial pattern and its driving forces of China's interprovincial skilled and less-skilled migration. Scientia Geographica Sinica, 2024, 44(2): 192-203. ]

DOI

[9]
孙康, 司月芳. 基于高被引华人科学家流动的城市网络空间演化分析[J]. 世界地理研究, 2023, 32(9): 109-119.

DOI

[Sun Kang, Si Yuefang. Analysis on the evolution of city network based on the flow of highly cited Chinese scientists. World Regional Studies, 2023, 32(9): 109-119. ]

DOI

[10]
孙康, 司月芳. 创新型人才流动的空间结构与影响因素: 基于高被引华人科学家履历分析[J]. 地理学报, 2022, 77(8): 2113-2130.

DOI

[Sun Kang, Si Yuefang. The geographical structure and influencing factors of talent mobility: The resume analysis of highly cited Chinese scientists. Acta Geographica Sinica, 2022, 77(8): 2113-2130. ]

DOI

[11]
侯纯光, 杜德斌, 刘承良, 等. 全球人才流动网络复杂性的时空演化: 基于全球高校留学生流动数据[J]. 地理研究, 2019, 38(8): 1862-1876.

DOI

[Hou Chunguang, Du Debin, Liu Chengliang, et al. Spatiotemporal evolution of global talent mobility network based on the data of international student mobility. Geographical Research, 2019, 38(8): 1862-1876. ]

[12]
黄海刚, 曲越, 白华. 中国高端人才的地理流动、空间布局与组织集聚[J]. 科学学研究, 2018, 36(12): 2191-2204.

[Huang Haigang, Qu Yue, Bai Hua. The geographic mobility, spatial distribution and institutional aggregation of China's research scientists. Studies in Science of Science, 2018, 36(12): 2191-2204. ]

[13]
黄海刚, 曲越, 连洁. 中国高端人才过度流动了吗: 基于国家“杰青”获得者的实证分析[J]. 中国高教研究, 2018(6): 56-61.

[Huang Haigang, Qu Yue, Lian Jie. Do China's top talents flow in an excessively high speed: A empirical analysis for job mobility of Distinguished Young Scholars of China. China Higher Education Research, 2018(6): 56-61. ]

[14]
刘彬, 游超, 谷岩松, 等. 国家杰出青年科学基金获资助者特征及流动状况研究: 以湖北省为例[J]. 中国高校科技, 2020(6): 12-16.

[Liu Bin, You Chao, Gu Yansong, et al. A study on the characteristics and flowing situation of national science fund for distinguished young scholars: Taking Hubei Province as an example. China University Science & Technology, 2020(6): 12-16. ]

[15]
Franzoni C, Scellato G, Stephan P. Foreign-born scientists: Mobility patterns for 16 countries[J]. Nature Biotechnology, 2012, 30: 1250-1253.

DOI PMID

[16]
Azoulay P, Ganguli I, Zivin J G. The mobility of elite life scientists: Professional and personal determinants[J]. Research Policy, 2017, 46: 573-590.

DOI PMID

[17]
Lee E S. A theory of migration[J]. Demography, 1966, 3(1): 47-57.

[18]
古恒宇, 沈体雁. 中国省际高技能人才迁移的时空演化机制[J]. 地理学报, 2022, 77(10): 2457-2473.

DOI

[Gu Hengyu, Shen Tiyan. Spatio-temporal evolution mechanism of China's internal skilled migration. Acta Geographica Sinica, 2022, 77(10): 2457-2473. ]

DOI

[19]
殷江滨, 张倩倩, 林赛南, 等. 资本禀赋、城市环境对流动人口机会型创业的影响研究[J]. 地理科学进展, 2022, 41(10): 1833-1845.

DOI

[Yin Jiangbin, Zhang Qianqian, Lin Sainan, et al. Effects of capital endowment and urban context on opportunity entrepreneurship of migrants in urban China. Progress in Geography, 2022, 41(10): 1833-1845. ]

DOI

[20]
孙殿超, 刘毅. 粤港澳大湾区科技创新人才空间分布特征及影响因素分析[J]. 地理科学进展, 2022, 41(9): 1716-1730.

DOI

[Sun Dianchao, Liu Yi. Spatial distribution characteristics and influencing factors of scientific and technological innovation talents in the Guangdong-Hong Kong-Macao Great Bay Area. Progress in Geography, 2022, 41(9): 1716-1730. ]

DOI

[21]
高岩辉, 刘科伟, 张晓露. 劳动力转移的理论流派与地理学的视角[J]. 人文地理, 2008, 23(5): 112-118.

[Gao Yanhui, Liu Kewei, Zhang Xiaolu. Theory schools of labor migration and perspectives from geography. Human Geography, 2008, 23(5): 112-118. ]

[22]
侯纯光, 杜德斌, 刘承良, 等. 全球留学生留学网络时空演化及其影响因素[J]. 地理学报, 2020, 75(4): 681-694.

DOI

[Hou Chunguang, Du Debin, Liu Chengliang, et al. Spatio-temporal evolution and factors influencing international student mobility networks in the world. Acta Geographica Sinica, 2020, 75(4): 681-694. ]

DOI

[23]
郑江淮, 孙冬卿, 戴玮, 等. 全球发明人才流动网络空间结构的多极化变迁[J]. 财贸经济, 2023, 44(10): 109-125.

[Zheng Jianghuai, Sun Dongqing, Dai Wei, et al. Multi-polarization of the spatial structure of the global inventor mobility network. Finance & Trade Economics, 2023, 44(10): 109-125. ]

[24]
彭庭莹, 陈刚. 成渝地区双城经济圈多维城市网络特征及其影响机制[J]. 湖南师范大学自然科学学报, 2023, 46(3): 51-60.

[Peng Tingying, Chen Gang. Characteristics and influence mechanism of multi-dimensional urban network of Chengdu-Chongqing circle. Journal of Natural Science of Hunan Normal University, 2023, 46(3): 51-60. ]

[25]
郭建科, 侯雅洁, 何瑶. “一带一路”背景下中欧港口航运网络的演化特征[J]. 地理科学进展, 2020, 39(5): 716-726.

DOI

[Guo Jianke, Hou Yajie, He Yao. Characteristics of change of the China-Europe port shipping network under the Belt and Road Initiative. Progress in Geography, 2020, 39(5): 716-726. ]

DOI

[26]
赵亚博, 胡蝶, 黄柳倩, 等. 粤港澳大湾区物流网络特征与影响因素研究[J]. 地理科学进展, 2024, 43(4): 685-699.

DOI

[Zhao Yabo, Hu Die, Huang Liuqian, et al. Logistics network characteristics and influencing factors in the Guangdong-Hong Kong-Macao Greater Bay Area. Progress in Geography, 2024, 43(4): 685-699. ]

DOI

[27]
陈刚, 王光辉, 刘勇, 等. 城市群多维网络空间结构特征及影响因素: 以中国五大城市群为例[J]. 华中师范大学学报(自然科学版), 2023, 57(3): 423-433.

[Chen Gang, Wang Guanghui, Liu Yong, et al. The spatial structure characteristics and influencing factors of urban multi-dimensional network: Taking the five major urban agglomerations in China as an example. Journal of Central China Normal University (Natural Sciences), 2023, 57(3): 423-433. ]

[28]
张旭, 魏福丽, 袁旭梅. 中国省域高质量绿色发展水平评价与演化[J]. 经济地理, 2020, 40(2): 108-116.

[Zhang Xu, Wei Fuli, Yuan Xumei. Evaluation and evolution of provincial high-quality green development in China. Economic Geography, 2020, 40(2): 108-116. ]

[29]
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.

DOI

[Wang Ruoyu, Huang Xu, Xue Desheng, et al. Spatio-temporal change of facaulty members of higher education institute and its influential factors in China in 2005-2015. Scientia Geographica Sinica, 2019, 39(8): 1199-1207. ]

DOI

[30]
Florida R. Bohemia and economic geography[J]. Journal of Economic Geography, 2002, 2(1): 55-71.

[31]
周锐波, 邱奕锋, 胡耀宗. 中国城市创新网络演化特征及多维邻近性机制[J]. 经济地理, 2021, 41(5): 1-10.

[Zhou Ruibo, Qiu Yifeng, Hu Yaozong. Characteristics, evolution and mechanism of inter-city innovation network in China: From a perspective of multi-dimensional proximity. Economic Geography, 2021, 41(5): 1-10. ]

[32]
展亚荣, 谷人旭. 中国网络游戏产业合作网络特征及其多维邻近性机制[J]. 地理科学进展, 2022, 41(7): 1145-1155.

DOI

[Zhan Yarong, Gu Renxu. Characteristics and multi-dimensional proximity mechanism of the online game industry cooperative network in China. Progress in Geography, 2022, 41(7): 1145-1155. ]

DOI

[33]
戴靓, 曹湛, 马海涛, 等. 中国城市知识合作网络结构演化的影响机制[J]. 地理学报, 2023, 78(2): 334-350.

DOI

[Dai Liang, Cao Zhan, Ma Haitao, et al. The influencing mechanisms of evolving structures of China's intercity knowledge collaboration networks. Acta Geographica Sinica, 2023, 78(2): 334-350. ]

DOI

[34]
靳军宝, 曲建升, 吴新年, 等. 中国高被引科学家跨国流动中机构变化特征与驱动机制研究[J]. 情报杂志, 2022, 41(5): 176-182.

[Jin Junbao, Qu Jiansheng, Wu Xinnian, et al. Research on the characteristics and driving mechanism of institutional changes in the international migration of highly cited researchers in China. Journal of Intelligence, 2022, 41(5): 176-182. ]

[35]
Smith D A, White D R. Structure and dynamics of the global economy: Network analysis of international trade 1965-1980[J]. Social Forces, 1992, 70(4): 857-893.

[36]
Zhou Y, Guo Y Z, Liu Y S. High-level talent flow and its influence on regional unbalanced development in China[J]. Applied Geography, 2018, 91: 89-98.

[37]
李磊, 王天宇. “孔雀东南飞”: 经济高质量发展与人才流动[J]. 数量经济技术经济研究, 2023, 40(2): 5-24.

[Li Lei, Wang Tianyu. "Peacocks flying to the southeast": High-quality economic development and talents mobility. Journal of Quantitative & Technological Economics, 2023, 40(2): 5-24. ]

[38]
王秀梅, 黄春晓, 许宏福, 等. 高端人才流动的网络关联特征与影响因素分析: 对长三角地区高端人才流动的观察[J]. 热带地理, 2023, 43(8): 1489-1500.

DOI

[Wang Xiumei, Huang Chunxiao, Xu Hongfu, et al. Network correlation characteristics and influencing factors of high-level talent flow: Observation of the high-level talent in the Yangtze River Delta. Tropical Geography, 2023, 43(8): 1489-1500. ]

DOI

Options
文章导航

/

〈 〉