黑龍江省高等教育體系評價與展望

王廣林 張勁松 潘正

摘 ?要：高等教育系統(tǒng)是否具有可持續(xù)性，與一個國家的綜合競爭力和未來發(fā)展密切相關。縱觀近年來的數(shù)據(jù)，黑龍江省81所高等院校人才培養(yǎng)進程總體發(fā)展緩慢。為協(xié)調和維持黑龍江省高等教育體系的可持續(xù)發(fā)展，本文建立了相關評估模型，以推導國家高等教育系統(tǒng)中協(xié)調的定量表達以及評估指標之間的多重關系。使用基于熵權的TOPSIS模型對中國各地區(qū)的高等教育發(fā)展現(xiàn)狀進行評估，從高中生畢業(yè)人數(shù)、高等學校師生比等七個維度對其健康協(xié)調程度進行了定量分析。運用灰色模型來預測各種評估指標的數(shù)據(jù)狀態(tài)，對收集到的北京市和黑龍江省實測現(xiàn)實進行比較分析，并提出合理可行的策略來推進黑龍江省高等教育系統(tǒng)的可持續(xù)發(fā)展。

關鍵詞：高等教育;可持續(xù)發(fā)展;TOPSIS;灰色預測

中圖分類號：G64 ? ?文獻標識碼：A ? ?文章編號：1673-7164（2022）01-0006-08

隨著新高考制度改革的推進，我國越發(fā)重視高等教育的可持續(xù)發(fā)展。根據(jù)中國統(tǒng)計年鑒，政府對高等教育的投資從2010年的5629億元增加到2019年13464億元，高等教育發(fā)展力度空前。目前，我國高等教育發(fā)展存在地區(qū)發(fā)展不均衡、資金投入差異大、教育機會不協(xié)調等關鍵性制約因素，經(jīng)過數(shù)據(jù)收集整理，本文將我國高等教育發(fā)展情況大致劃分為五類地區(qū)，并進行現(xiàn)狀概述，具體劃分如表1所示。

教育經(jīng)費投入規(guī)模方面。根據(jù)2015—2019年面板數(shù)據(jù)可知，一類地區(qū)教育經(jīng)費投入由2022億元逐年增長至3189億元，山東省為首的二類地區(qū)，年平均增長約150億元，表現(xiàn)十分亮眼。黑龍江省所處的三類地區(qū)，教育經(jīng)費投入近五年來平均約六百億，僅為一類地區(qū)投入規(guī)模的25%左右。四、五類地區(qū)的代表省份，年教育經(jīng)費投入額僅為200億元左右，不足三類地區(qū)的三分之一。

普通高等學校發(fā)展規(guī)模方面。廣東省與山東省高校數(shù)量分別達到154、146所，三類地區(qū)中的黑龍江省高校數(shù)量為81所，僅為一類地區(qū)一半。觀察四類地區(qū)和五類地區(qū)的數(shù)據(jù)可知，青海與寧夏的高校數(shù)量明顯少于前三個地區(qū)，分別為19所和12所，數(shù)量相差更甚。

師資層次方面。廣東省和山東省正高級職稱人數(shù)分別達到了15537和18254人，正高級職稱占總高校教師人數(shù)比例分別達到9.24%和7.79%，表現(xiàn)優(yōu)異。而包括黑龍江省在內的三類地區(qū)正高級職稱人數(shù)僅有8000人，遠遠落后于一二類地區(qū)。研究四、五類地區(qū)后發(fā)現(xiàn)，青海及寧夏地區(qū)正高級職稱人數(shù)僅有不到1000人，數(shù)量較一類地區(qū)僅占10%不到。

綜上，我國高等教育系統(tǒng)呈現(xiàn)出區(qū)域化、碎片化的發(fā)展態(tài)勢，東南沿海地區(qū)教育資源發(fā)達，西北地區(qū)及中部地區(qū)發(fā)展相對落后。五類地區(qū)差距極大，因此縮小差距、打造平等高效的高等教育系統(tǒng)可持續(xù)發(fā)展模式尤為重要。

影響高等教育發(fā)展水平的因素不止集中在宏觀政策，還包括教育公平、高校水平和經(jīng)濟發(fā)展程度等一系列因素，評價維度間相互關聯(lián)，因此本文基于黑龍江省高等教育發(fā)展現(xiàn)狀，引入實證分析方法對其進行評價和預測，具有重要的理論意義和實踐價值。

一、文獻綜述

（一）國內文獻綜述

從高等教育發(fā)展的評價方法來看，現(xiàn)有文獻對高等教育評價體系的研究較為分散。其中，有部分學者利用DEA模型對高等教育的效率進行了評價。李元靜和張謙（2014）運用Malmquist指數(shù)法，測度了我國高等教育的發(fā)展效率，得出我國高等教育資源配置存在區(qū)域差異[1]。張宏（2015）以教育經(jīng)費、教職工人數(shù)作為投入要素，以論文數(shù)量、畢業(yè)生人數(shù)作為產出指標，建立DEA模型，得出我國高等教育發(fā)展效率呈現(xiàn)規(guī)模報酬遞增的趨勢，但區(qū)域間差異明顯[2]。李航（2018）運用DEA-Tobit模型研究了經(jīng)濟發(fā)展和教育支持對高等教育效率的影響，得出兩者均對高等教育效率有著正向影響的結論[3]。此外，也可運用層次分析法（周浩波，2014）[4]、指數(shù)分析法（畢吉利，2020）[5]、熵權法TOPSIS模型（柯文進、王軍，2020）[6]對高等教育發(fā)展水平進行評價。以往文獻研究所選取的評價方法主觀因素較強，且未針對指標的異質性進行評價方法的調整，故具有可優(yōu)化的空間。

從高等教育影響因素的效應來看，大多數(shù)學者使用計量方法，如馬明宇（2020）運用計量回歸的分析方法，從經(jīng)濟情況、教育資源投入、產業(yè)結構等角度研究了影響高等教育發(fā)展的主要因素[7];陳春平和胡何瓊（2021）基于國民經(jīng)濟和高等教育等相關的面板數(shù)據(jù)運用回歸分析和灰色關聯(lián)分析，研究了2000—2019年高等教育結構與經(jīng)濟發(fā)展的關系[8];潘興俠（2020）運用基于熵權的加權模糊隸屬度模型評價了我國區(qū)域高等教育發(fā)展水平，利用空間計量的分析方法對高等教育的因素影響進行了分析[9]。以往的研究成果重點考慮了現(xiàn)有因素對高等教育水平發(fā)展的影響，未對未來高等教育發(fā)展情況予以反饋，且一定程度上忽視了因素對高等教育的模糊關系，故本文在這些方面彌補了現(xiàn)有文獻的不足。

（二）國外文獻綜述

從研究內容來看，國外主要研究集中于高等教育影響因素、高等教育效率、教育資源分配不均等方面。Jourado（2013）運用AHP層次分析法研究得出，學校環(huán)境和社會發(fā)展是影響高等教育基礎階段的主要因素[10]。Berchin（2017）研究了巴西聯(lián)邦高等教育結構體系，得出基礎設施、文化體系促進了高等教育的可持續(xù)發(fā)展[11]。Al-Rahmi（2018）收集了馬來西亞723名研究生的問卷調查結果，得出社交媒體的運用和積極的合作學習，能夠促進高等教育學習和發(fā)展的結論[12]。以往國外文獻主要研究某一種因素對高等教育體系的影響，在全面評價高等教育發(fā)展方面存在一定的研究空白。

從研究方法來看，國外主要是通過構建一系列指標，基于傳統(tǒng)統(tǒng)計方法加以測算與分析。國外學者大多運用數(shù)據(jù)包絡方法對高等教育的效率進行測算，其中包括高校資源配置效率（Johnes，2006a）、辦學效率（Cherchuye Laurens，2009）成本效率（Johnes，2006b）[13-15]等。此外，Qian和Smyth（2008）計算了基尼系數(shù)和泰爾指數(shù)，用以分析中國教育資源區(qū)域分配差異不斷擴大的原因[16]。Yue（2015）通過描述性分析和回歸分析，研究了中國教育在發(fā)展中的不平等情況[17]。以往外文文獻主要利用數(shù)據(jù)包絡分析方法測算高等教育效率，重點在于研究高等教育投入與產出的關系，本文將研究重點放在全面衡量教育發(fā)展上，對于僅研究投入與產出更具有可持續(xù)發(fā)展意義。

為了對現(xiàn)有研究進行補充，本文主要針對以下三個方面進行深入研究。第一，使用定量分析方法，利用基于熵權的TOPSIS模型和灰色關聯(lián)度矩陣對我國31個省（市、自治區(qū)）高等教育發(fā)展水平進行了綜合評價，并運用灰色預測對重點研究省份未來十年高等教育發(fā)展水平進行預測和分析，具有相對明顯的政策意義。第二，選取七項對高等教育發(fā)展影響較大的指標進行計算分析，指標選取方法合理，評分結果較為準確。第三，本文在地區(qū)異質性的基礎上重點對比黑龍江省與北京市，從時間和影響因素方面進行了分析，為黑龍江省高教研究提供了新的思路。

二、模型建立

（一）基于熵權的TOPSIS模型

TOPSIS法（Technique for Order Preference by Similarity to Ideal Solution）亦稱理想解法，簡稱為優(yōu)劣解距離法，是一種有效的多指標評價方法（彭勇行，2000;Chen，2000;OLSON，2004）[18-20]。這種方法通過構造評價問題的正理想解和負理想解，即各指標的最優(yōu)解和最劣解，通過計算每個方案到理想方案的相對貼近度，即靠近正理想解和遠離負理想解的程度，來對方案進行排序，從而選出最優(yōu)方案（Deng，2000;陳雷、王延章，2003）[21-22]。TOPSIS 法是一種多目標決策方法，能充分利用原始數(shù)據(jù)的信息，結果能精確地反映各評價方案之間的差距（Ta-Chung和Chu，2002;Opricovic和Tzeng，2004）[23-24]。

1. 正向化的矩陣標準化。假設有m個要評價的對象，n個評價指標（已正向化的）構成的正向化矩陣如下：

X=

那么，對其標準化的矩陣記為Z，Z中的每一個元素：

Zij=

2. 評價對象的得分。假設有m個要評價的對象，n個評價指標的標準化矩陣：

Z=

則基于熵的標準化矩陣為：

Aij=Zij×Wj=

×

定義最大值：

A+=（a+

1 a+

2 … ?a+

n）

=（max{a11，a21，…，am1}，max{a12，a22，…，am2}，…max{a1n，a2n，…，amn}）

定義最小值：

A- =（a-

1 a-

2 … ?a-

n）

=（min{a11，a21，…，am1}，min{a12，a22，…，am2}，…min{a1n，a2n，…，amn}）

定義第i（i=1，2，…，m）個評價對象與最大值的距離D+

i=

定義第i（i=1，2，…，m）個評價對象與最小值的距離D-

i=

那么可以計算出第i（i=1，2，…，m）個評價對象未歸一化的得分：Si=，0?Si?1，Si越大D+

i越小，越接近最大值。

3. 指標正向化。采用 = 將極大型指標正向化，將極小型指標按照轉化成極大型指標，然后再將指標正向化處理。

（二）灰色關聯(lián)度矩陣

由于灰色關聯(lián)度是分析一定向量與向量之間以及矩陣與矩陣之間的關聯(lián)度（焦玥、胡勁松，2005）[25]，而且所需要的原始數(shù)據(jù)較少，原理簡便（Liu S F和 Liu Y，1998;Hong，1996）[26-27]。關聯(lián)度是某一個待比較的數(shù)列與參照物之間的相關程度。假設現(xiàn)有一組參考數(shù)列如下：

xj=（xj（1），xj（2），xj（3），…，xj（k），…，xj（n）），j=1，2，3，…，s

假設一組待比較數(shù)列如下：

xi=（xi（1），xi（2），xi（3），…，xi（k），…，xi（n）），i=1，2，3，…，t

則定義關聯(lián)系數(shù)如下：

ε（k）=

（1）ε（k）表示的是第i個比較數(shù)列與第j個參考數(shù)列第k個樣本之間的關聯(lián)系數(shù)。

（2）min minxj（k）-xi（k）和max maxxj（k）-xi（k）表示的是參考數(shù)列矩陣與比較數(shù)列矩陣數(shù)值作差之后的最小值和最大值。

（3）xj（k）-xi（k）被稱為“Hamming距離”，其倒數(shù)被稱為反倒數(shù)距離，灰色關聯(lián)度的本質就是通過反倒數(shù)大小來判定關聯(lián)程度的。

（4）分辨率ρ通常約定俗成取值在[0，1]之間，不過并非表明ρ只能在[0，1]之間。

定義相關度為：r=

r為相關度，有正面作用的為正相關，反之為負相關。

r大于0.7為強相關，小于0.3為弱相關。

如果把xj與xi之間的相關度寫成矩陣的形式，則有：

R=

根據(jù)R矩陣的結構可以很清楚地知道，待比較的數(shù)列從列可以看出其作用大小，參考數(shù)列從行可以看出其受影響程度的大小，依據(jù)R矩陣數(shù)值大小可以分析出比較數(shù)列矩陣中哪些數(shù)列起到主要作用。

（三）灰色Verhulst（即Logistic）預測模型

在此模型中本文設非負原始序列為X （0 ）={x（0 ）（1），x （0 ）（2），…x （0 ）（n）}，X （1 ）={x （1 ）（1），x （1 ）（2），…x （1 ）（n）}，為1-AGO其序列，其中x （1 ）（k）=x （0 ）（i），Z （1 ）={z （1 ）（1），z （1 ）（2），…z （1 ）（n），}為模型中x （1 ）的緊鄰均值生成序列，其中z （1 ）（k）=，k=2，3，…，n。

設X （0 ）為原始序列，X （1 ）為X （0 ）的1-AGO，Z ?（1 ）為X （1 ）的緊鄰均值生成序列，則稱：

x （0 ）（k）+az （1 ）（k）=b（z （1 ）（k））2

為灰色Verhulst模型（蔣紅梅和魏勇，2015;李曄和丁圓蘋，2020）[28-29]。

稱+ax （1 ）（t）=b（x （1 ）（t））2為灰色Verhulst模型的白化方程。

根據(jù)灰色Verhulst模型，在最小二乘意義下可以估計出參數(shù)a，b的值，再將a，b的估計值代入灰色Verhulst模型的白化方程，在初始條件x （1 ）（1）=x （0 ）（1）下，解得灰色Verhulst模型的時間響應式為：

（1 ）（t+1）=

經(jīng)過累減還原為 （0 ）（k+1）= （1 ）（k+1）- （1 ）（k）。

三、指標選取與數(shù)據(jù)來源

影響高等教育的因素可分為直接因素和間接因素。后備人才使用情況、高等學校教育經(jīng)費投入情況、師資情況、培養(yǎng)方向情況以及高等教育教學效率是高等教育可持續(xù)水平的直接影響因素，五項評價指標均源自高等教育體系本身，為直接抽取因素;將地區(qū)人均可支配收入水平和科研水平定義為間接影響因素，原因在于二者分別依據(jù)經(jīng)濟與教育成果層面引入評價體系，與地區(qū)高等教育可持續(xù)發(fā)展模式未建立直接關系。影響高等教育可持續(xù)發(fā)展水平的兩類因素直觀展示如圖1所示。

1. 后備人才使用情況。本文選取普通高中畢業(yè)生人數(shù)與高等學校招生人數(shù)比反映某城市生源情況。該指標的選取目的在于綜合度量某一地區(qū)高等教育后續(xù)發(fā)展體量與普通高中輸出人才中流入本地區(qū)高等教育體系的規(guī)模，為負向指標，指標數(shù)值越低，本地區(qū)高等教育可持續(xù)發(fā)展能力越強。

2. 高等學校教育經(jīng)費投入情況。經(jīng)濟基礎決定上層建筑，高等學校科研基金投入與可持續(xù)發(fā)展模式建設成正比，穩(wěn)健的資金支持可以優(yōu)化學科建設、提升教師水平、完善基礎設施。

3. 高等教育教學效率。本文選取高等學校師生比來反映教學效率。由應用型向研究性轉變是高等教育體系可持續(xù)發(fā)展模式建設的一大重要環(huán)節(jié)，基礎階段開展通識博雅教育，專業(yè)階段實施有針對性的教育方式，降低師生比尤為關鍵。

4. 師資情況。本文選取教研團隊正高級職稱人數(shù)占比反映高校師資情況。優(yōu)化教師團隊對高等教育體系可持續(xù)發(fā)展具有關鍵意義，先進的教學理念與科研實力能夠引導出高效的學術環(huán)境，提升學生與教師的科研能力。

5. 培養(yǎng)方向情況。選取高等學校本科生與研究生人數(shù)比作為高校培養(yǎng)方向可持續(xù)性的反映。高等學校本科生培養(yǎng)方案為面向應用型人才，碩士、博士研究生的培養(yǎng)方案為研究性人才。發(fā)展能夠繼續(xù)投身高等教育體系的高科技人才，才可以使高等教育體系更加可持續(xù)發(fā)展。

6. 地區(qū)人均可支配收入水平。該指標源于社會經(jīng)濟活動對教育文化體系的促進作用，某一地區(qū)人均可支配收入越多，公民可用與高等教育體系的資金便越充足，以此在一定程度上可以彌補政府教育經(jīng)費不足的問題，增加高等教育體系后續(xù)發(fā)展的供給動力。

7. 科研水平。以專利授權數(shù)量作為某城市科研水平的代表。上述六項指標主要側重于衡量高等教育體系的活動過程，致力于以先進的外部環(huán)境推動該體系可持續(xù)發(fā)展。此項指標重在評價產出成果，一個地區(qū)的專利授權數(shù)量一定程度上代表該地高等教育的科研水平，專利授權數(shù)量越多，科研實力越雄厚。

根據(jù)上述評價結果，本文利用灰色關聯(lián)度分析計算出各指標對高等教育系統(tǒng)可持續(xù)發(fā)展能力綜合得分的影響程度，具體情況如圖2所示。

由上圖可觀察出各評價指標的關聯(lián)系數(shù)均在0.9以上，進一步說明本文在指標選取層面上的合理性。

四、實證分析

（一）全國層面各省份綜合評估結果的分析

根據(jù)實證分析結果，廣東省的綜合評估得分為0.0688，位居全國第一。從各指標影響數(shù)值可以看出，與北京市相比，廣東省只有教育經(jīng)費一項高于前者，而廣東省綜合得分超越北京市。由此可見，教育經(jīng)費投入這項指標為對綜合得分關聯(lián)系數(shù)最大的影響因素，從灰色關聯(lián)度分析結果也可證明，此項指標關聯(lián)系數(shù)為0.9786，為首要評價指標。

深入觀察黑龍江省與遼寧省的各項數(shù)據(jù)發(fā)現(xiàn)，除教研團隊正高級職稱人數(shù)占比與普通高中畢業(yè)生人數(shù)與高等學校招生人數(shù)比兩項外，其余五項評價指標遼寧省均優(yōu)于黑龍江省，但黑龍江省最終得分卻高于遼寧省;且教研團隊正高級職稱人數(shù)占比兩者相差甚小，僅為0.018。說明普通高中畢業(yè)生人數(shù)與高等學校招生人數(shù)這項指標是十分重要的，利用本文建立的實證模型亦可看出，其影響系數(shù)為0.9242，位列第三。

社會發(fā)展的根基在于經(jīng)濟，經(jīng)濟發(fā)展水平高的省市，人均可支配收入隨之相應較高。該指標位居前三的省市分別為上海市、北京市和浙江省，而這三個地區(qū)的最終綜合評價得分亦居于全國前列。通過實證分析計算出該指標對總體得分的貢獻程度為0.9298，位列各項指標第二。依據(jù)TOPSIS模型得到，全國各地區(qū)高等教育體系可持續(xù)發(fā)展能力綜合評分基本與經(jīng)濟發(fā)展水平及人口分布情況相匹配，以黑河-騰沖線為界，東部地區(qū)總體情況明顯優(yōu)于西部各地的TOPSIS得分。

廣東省、江蘇省與浙江省經(jīng)濟發(fā)展總量均居于全國前五位，根據(jù)本文TOPSIS模型計算的高等教育發(fā)展能力得分亦位列前五，由此更加充分地表明經(jīng)濟發(fā)展水平對高等教育體系的貢獻程度，證明本文間接評價指標選取的合理性。北京市為全國政治與文化中心，上海市為經(jīng)濟、金融及航運中心，高等教育綜合得分與其國家定位相吻合。

部分西部省區(qū)沒有一所世界一流大學A類建設高校，人才流失、經(jīng)濟落后、科研環(huán)境艱難以及教師資源匱乏等定性因素均表明其高等教育發(fā)展模式存在嚴重問題，TOPSIS綜合得分亦位居全國尾部，地方政府及國家教育系統(tǒng)應“因地制宜”，予以發(fā)展動力。

（二） 黑龍江省高等教育可持續(xù)發(fā)展模式對比分析

本文依據(jù)所得到的數(shù)據(jù)，進行了黑龍江省與北京市及全國指標數(shù)值的橫向對比，如表2所示。

縱觀黑龍江省各項指標得分數(shù)據(jù)，高等學校教育經(jīng)費投入情況、高等學校本科生與研究生人數(shù)比、地區(qū)人均可支配收入、專利授權數(shù)量四項指標得分低于全國各省市平均值，應引起地方政府高度重視，尤其是高等學校教育經(jīng)費投入情況，黑龍江省為7612173，全國平均為13540085，僅為全國平均的一半左右;專利授權數(shù)量黑龍江省為19989，全國平均為79182，僅為全國平均的四分之一左右。

北京市的綜合評價得分為全國第三，各項指教表現(xiàn)均衡，且作為全國政治、文化和教育中心，均有不可替代的模式優(yōu)化輻射作用。本文選擇北京市作為參照對象，在優(yōu)化黑龍江省高等教育體系可持續(xù)發(fā)展模式的基礎上，為全國各地區(qū)提供了一個具體思路，以供他方進行參考。

根據(jù)歷史數(shù)據(jù)并加以修正，本研究預測黑龍江省2020—2029年高等教育體系可持續(xù)發(fā)展能力綜合得分呈增長趨勢，雖整體增長速度較快，但發(fā)展基數(shù)體量仍然較小，故最終得分較低，為0.0303，遠低于北京的0.0579，北京的高等教育體系整體發(fā)展體量大且增長速度較快。對于北京市和黑龍江省的灰色Verhulst模型預測曲線，如圖3所示。

2015年10月24日，國務院印發(fā)《統(tǒng)籌推進世界一流大學與世界一流學科建設總體方案》，在“雙一流”建設期間北京地區(qū)高校投入教育經(jīng)費預算增長遠高于全國平均水平31.21%，北京投入近百億推動高校高精尖創(chuàng)新中心建設，有8所高校教育經(jīng)費增長位列前五十，而黑龍江高校沒有上榜。在“雙一流”建設收官之年，北京與黑龍江的高等教育可持續(xù)發(fā)展能力綜合得分差距進一步被拉大。

北京的教育經(jīng)費得分為13525400，高于黑龍江7612173，黑龍江省教育經(jīng)費遠低于北京的，導致了三方面的影響。第一，科研經(jīng)費短缺，長期以來，科研經(jīng)費在高校收入所占比例均處于較低水平，教育經(jīng)費不足對黑龍江高校科研工作的開展產生了不利的的影響，科研隊伍建設及科研設備的配備難以滿足高校科研需求，制約了以理工科高校為主的黑龍江高校高水平研究工作的開展。第二，圖書資源、校舍建筑等硬件資源配備不足，由于教育經(jīng)費投入有限及學生數(shù)量的不斷增加，高校圖書館普遍存在圖書資源過于陳舊，不符合時代發(fā)展要求的問題，圖書資源少有更新，學生難以通過閱讀了解前沿科學研究。生均校舍面積和校舍環(huán)境均低于北京等較發(fā)達地區(qū)，新建建筑較少。第三，實驗儀器與設備短缺，就黑龍江省高校專業(yè)設置來看，理工科學生占大多數(shù)。眾所周知，實驗儀器與設備對于理工科教學來說是不可或缺的，但由于經(jīng)費等原因，學校不能正常配備實驗儀器設備，儀器設備無法滿足師生的實踐和科研需求。應積極推動“世界一流大學和一流學科”建設，合理配置和利用教育經(jīng)費，加大工業(yè)、農業(yè)等行業(yè)高校科研經(jīng)費和創(chuàng)新成果轉化經(jīng)費投入，鼓勵創(chuàng)新成果轉化，服務“新時代東北全面全方位振興”和“耕地保護”戰(zhàn)略。

專利數(shù)量是地區(qū)高等教育水平的重要體現(xiàn)，黑龍江省86247低于北京得分527390，反映出黑龍江省的高等教育水平及科研創(chuàng)新能力較弱，黑龍江省應保護技術交易市場，建立健全技術交易制度，對技術交易給予一定的稅收支持，促進技術的交易。政府還要提高財政科技支持，堅持科教興國戰(zhàn)略，為具有創(chuàng)新力的企業(yè)提供更多支持，鼓勵并創(chuàng)造更優(yōu)的外部環(huán)境;加大研發(fā)經(jīng)費投入力度，為科研提供穩(wěn)定支持;因地制宜，合理配置科研經(jīng)費投入比例。

黑龍江省作為東北老工業(yè)基地之一和重要的耕地保護區(qū)，高校數(shù)量較多，但普遍質量不高，與地區(qū)經(jīng)濟發(fā)展水平不匹配，教育經(jīng)費投入和科研能力落后于東南沿海地區(qū)，應該高效配置區(qū)域內教育資源，支持和鼓勵工業(yè)、農業(yè)類高校發(fā)展，實現(xiàn)經(jīng)濟發(fā)展與高等教育需求有效對接，在發(fā)展高新技術產業(yè)的同時，積極發(fā)展工業(yè)和農業(yè)等造血性產業(yè)，為承接東部發(fā)達地區(qū)產業(yè)轉移服務。另外，黑龍江省人口外流嚴重，普通省屬高校本省招生人數(shù)超過50%，畢業(yè)留黑龍江省工作人數(shù)僅占畢業(yè)生人數(shù)的30%，應出臺相應的人才引進政策，給外地落戶群體發(fā)放補貼，吸引與經(jīng)濟發(fā)展相關的緊缺型本地高校畢業(yè)生留黑工作。

五、結論和政策建議

本文基于熵的TOPSIS模型對全國各省高等教育可持續(xù)發(fā)展水平進行了評估，并利用灰色預測對黑龍江和北京的高等教育發(fā)展進行了對比，得到黑龍江高等教育可持續(xù)發(fā)展的相關結論。第一，黑龍江省在校生數(shù)量龐大，高校眾多，缺乏與高等院校擴招相匹配的財力保障，高等教育面臨教育經(jīng)費不足的問題。第二，黑龍江省的高等教育水平及科研創(chuàng)新能力較弱。第三，師資層次和人才培養(yǎng)方向決定了教學質量和科研創(chuàng)新程度，黑龍江省尖端人才資源外流嚴重。

針對黑龍江省教育經(jīng)費不足的問題，可具體采取以下措施。第一，通過“互聯(lián)網(wǎng)與人工智能AI”技術發(fā)展“互聯(lián)網(wǎng)+高等教育”，促進教育優(yōu)勢地區(qū)與其他地區(qū)的學術交流以及教學資源共享，在區(qū)域與區(qū)域之間構建緊密型高校共同體，彌補黑龍江省與其他教育優(yōu)勢地區(qū)的高等教育水平的差距;第二，鼓勵學校進行產學研一體化發(fā)展，促進行業(yè)性高校積極發(fā)揮行業(yè)內影響力與創(chuàng)造力獲取更多的資金投入教學、科研活動;第三，完善教師職稱評價標準，發(fā)揮正高級教授對于科學研究和產學研融合發(fā)展的推動作用;第四，鼓勵高等院校與社會企業(yè)合作，合理調整學生學費，解決高等教育投入機制中的社會缺位問題;第五，政府應針對不同性質的高校科研環(huán)境，相應的調整教學硬件的數(shù)量，加大科研投入資金數(shù)量，對于圖書資源、校舍建筑等硬件資源配備，做到及時供應，為高校師生提供一個良好的科研環(huán)境。

要提高黑龍江省教育水平及科研創(chuàng)新，需要做到：第一，對于技術交易市場方面，黑龍江省應積極做好技術交易市場監(jiān)管工作，維持技術交易秩序，建立健全技術交易制度，對技術交易給予一定的稅收支持，促進和保護技術的交易，以提高科研人員的發(fā)明積極性;第二，對于技術財政支持方面，政府要加大財政支持力度，制定科研創(chuàng)新獎勵政策，為具有創(chuàng)新力的高校提供更多支持，鼓勵并創(chuàng)造更優(yōu)的外部環(huán)境;第三，對于科研團隊建設方面，黑龍江省有眾多優(yōu)秀的理工科院校，具有一定的科研創(chuàng)新優(yōu)勢，政府應鼓勵高校，通過不斷壯大研發(fā)團隊，細化研發(fā)職能，在專利研發(fā)上彰顯專業(yè)化來提升研發(fā)水平和科技創(chuàng)新能力;第四，對于專利實用性方面，科研創(chuàng)新能力的表現(xiàn)程度，不僅需要依靠數(shù)量，更需要依靠質量。應鼓勵高校因地制宜，結合地區(qū)發(fā)展的實際情況，加大研發(fā)投入，研發(fā)出適合地區(qū)的專利產品。

要解決黑龍江省人才引進問題，可從以下幾方面著手。第一，對于人才引進落戶政策，制定多種落戶政策的選擇，人才可根據(jù)實際情況選擇購房或租房優(yōu)惠補貼政策，吸引人才流入;第二，對于社保補貼政策，對于引入的人才可給予社保50%補貼，一年一補等政策;第三，對于人才稅收優(yōu)惠政策，制定相應的稅收優(yōu)惠及返稅政策;第四，對于部分人才匱乏領域，針對相應領域的人才，應加大以上相應優(yōu)惠政策的力度。

參考文獻：

[1] 李元靜，張謙. 基于空間SLM模型的高等教育配置效率的實證[J]. 統(tǒng)計與決策，2014（21）：89-92.

[2] 張宏. 提升區(qū)域高等教育投入產出效率的對策研究——基于DEA方法和TOBIT模型分析[J]. 教育評論，2015（10）：80-83.

[3] 李航，李成明，白檸瑞，等. “雙一流”背景下地區(qū)高等教育效率的驅動因素——基于DEA-Tobit模型的實證分析[J]. 技術經(jīng)濟與管理研究，2018（12）：108-112.

[4] 周浩波，劉國瑞，王少媛，等. 高等學校國際化辦學水平評價與發(fā)展對策研究——基于遼寧17所高校的實證研究[J]. 現(xiàn)代教育管理，2014（10）：1-6.

[5] 畢吉利，周福盛，劉旭東. 基于指數(shù)分析法的甘肅高等教育競爭力實證分析及評價（2006 —2017年）[J]. 黑龍江高教研究，2020，38（05）：42-50.

[6] 柯文進，王軍. 基于熵權TOPSIS模型的城市高等教育資源承載力評價[J]. 統(tǒng)計與決策，2020，36（18）：50-53.

[7] 馬明宇，陳政洋，寇本聰，等. 我國高等教育水平區(qū)域差異分析[J]. 合作經(jīng)濟與科技，2020（03）：170-171.

[8] 陳春平，胡何瓊. 我國高等教育層次結構優(yōu)化與經(jīng)濟發(fā)展的關系研究——基于2000 —2019年的數(shù)據(jù)分析[J]. 當代教育論壇，2021（03）：12-18.

[9] 潘興俠，徐媛媛，趙燁. 我國高等教育發(fā)展區(qū)域差異、空間效應及影響因素[J]. 教育學術月刊，2020（11）：9-18.

[10] Jurado，C. Z.. Multilevel Analysis of School Performance in Mathematics for Fourth Grade of Basic Education in Colombia[J]. SocEcon，2013（25）：205-235.

[11] Berchin，I. I. . Strategies to Promote Sustainability in Higher Education Institutions[J]. International Journal of Sustainability in Higher Education，2017，18（07）：1018-1038.

[12] Mugahed，W.，Rahmi，A.. A Model of Factors Affecting Learning Performance through the use of Social Media in Malaysian Higher Education[J]. Computers & Education，2018（121）：59-72.

[13] Johnes，J.. Data Envelopment Analysis and its Application to the Measurement of Efficiency in Higher Education[J]. ?Economics of Education Review，2006，25（03）：273-288.

[14] Cherchye，L.. Efficiency and Equity in Private and Public Education： A Non-parametric Comparison[J]. European Journal of Operational Research，2009，202（02）：563-573.

[15] Johnes，J.. Measuring Teaching Efficiency in Higher Education： An Application to Data Envelopment Analysis to Economics Graduates from UK Universities[J]. European Journal of Operations Research，2006（01）：443-456.

[16] Lei，Q.X.，Russell，S.. Measuring Regional Inequality of Education in China：Widening Coast-inland gap or Widening Rural-urban gap？[J]. Journal of International Development，2008，20（02）：132-144.

[17] Jun，C.Y.. Expansion and Equality in Chinese Higher Education[J]. International Journal of Educational Development，2015（40）：50-58.

[18] 彭勇行. 管理決策分析[M]. 北京：科學出版社，2000.

[19] Chen.，C.T.. Extensions of the TOPSIS for Group Decision Making under Environment[J]. Fuzzy Sets and and Systems，2000（114）：1-9.

[20] Olson，D. L. . Comparison of Weights in TOPSIS Models[J]. Mathematical and Computer Modeling，2004（40）：721-727.

[21] Pu，H.D.，Chung，H.Y.. Inter-company Comparison Using Modified TOPSIS with Objective Weight[J]. Computers and Operations Research，2000，27（10）：963-973.

[22] 陳雷，王延章. 基于熵權系數(shù)與TOPSIS集成評價決策方法的研究[J]. 控制與決策，2003，18（04）：456-459.

[23] Chung，T.C.. Facility Location Selection Using Fuzzy TOPSIS under Group Decisions[J]. International Journal of Uncertainty，F(xiàn)uzziness and Knowledge-Based Systems，2002，10（06）：687-701.

[24] Opricovic，S.，Tzeng，G.H.. Compromise Solution by MCDM Methods：A Comparative Analysis of VIKOR and TOPSIS[J]. European Journal of Operational Research，2004（156）：445- 455.

[25] 孫曉東，焦玥，胡勁松. 基于灰色關聯(lián)度和理想解法的決策方法研究[J]. 中國管理科學，2005（04）：63-68.

[26] Feng，L.S.，Jeffrey，F(xiàn).. A Brief Introduction to Grey Systems：Foundation，Methodologies and Application[M]. Slippery Rock，ⅡGss Academic Publisher，1998.

[27] Xiao，S.P.. Analysis and Application for Gray Correlation Theory[J]. Intelligent Engineering Systems through Artificial Neural Networks，1996（06）：149-154.

[28] 蔣紅梅，魏勇. 灰色離散Verhulst直接建模模型的構建[J]. 統(tǒng)計與決策，2015（21）：63-65.

[29] 李曄，丁圓蘋. 白化權函數(shù)已知的區(qū)間灰數(shù)Verhulst預測模型[J]. 數(shù)學的實踐與認識，2020，50（20）：308-314.

（責任編輯：羅欣）

基金項目：本文系2021年度哈爾濱商業(yè)大學國家級創(chuàng)新創(chuàng)業(yè)訓練計劃項目“數(shù)學實驗方法下地區(qū)教育改革實踐效果評價與應對”（項目編號：202110240015）階段性成果。

作者簡介：王廣林（2000 —），男，學士在讀，哈爾濱商業(yè)大學會計學院，研究方向：會計理論與實務;張勁松（1965—），女，博士，哈爾濱商業(yè)大學會計學院院長，教授，研究方向：會計理論與實務;潘正（2001—），男，學士在讀，哈爾濱商業(yè)大學會計學院，研究方向：會計理論與實務。