我國經濟政策調節對高等教育發展影響的實證研究

劉世龍 汪正磊

摘 要：文章利用熵權TOPSIS法構建各省份高等教育質量評價模型，以天津市為例利用神經網絡模型分析討論了經濟政策與高等教育發展的影響關系。結果表明，各地區的高等教育發展差異較大，教育效益產出指標的影響力最強;同時刺激性的經濟、教育和科技的政策能有效提升高等教育的發展水平，較自然發展狀態下提高顯著。各級政府應積極關注經濟與教育發展的協調性問題，保障經濟與教育相互促進的可持續發展。

關鍵詞：熵權TOPSIS法;政策調節;高等教育;經濟發展

中圖分類號：F124 文獻標識碼：A 文章編號：1005-6432（2022）04-0071-04

DOI：10.13939/j.cnki.zgsc.2022.04.071

1 文獻綜述

高等教育是培養高級專門人才和職業人員的主要社會活動，與經濟發展也有著密切的聯系。在學界中，各學者對高等教育質量的評價標準多樣。李國倉[1]認為高等教育質量評價核心要點聚焦在“人才培養”和“科學研究”兩方面，但并沒有在中國各省份進行應用。王善邁等[2]從“教育機會”“教育投入”“教育公平”三個方面構成了教育發展指數，并運用到了中國各省份上進行統計測算和比較分析，但沒有將教育與經濟聯系在一起。張志祥[3]以我國不同地區的高等教育和經濟增長數據為研究對象，發現高等教育投入對經濟增長存在促進作用，但沒有討論經濟增長及其政策對高等教育的影響。

縱觀國內外的文獻，比較缺乏將高等教育質量評估系統應用到中國各個省份的研究，缺乏經濟與高等教育關系的研究，更缺乏預測及評估政策效果的研究。文章則在前人的研究上更進一步，首先從學生結構、師資結構、設施保障、效益產出四個方面構建了高等教育評估系統并應用在了中國的部分省份上;其次選取天津市進行經濟政策沖擊的研究;最后通過對比分析政策沖擊和自然狀態兩個狀態下的預測情況，得出了政策的實施效果。

2 研究方法與數據說明

2.1 省際分析

2.1.1 評價指標選擇及數據來源

本節的研究覆蓋2015—2019年，我國除香港特別行政區、澳門特別行政區以及臺灣省以外的31個省份的數據。文章利用隨機森林算法篩選得到對教育系統最為重要的12個評價指標，并將指標劃分為了學生結構、師資結構等四類，數據來自中國國家統計局。評價指標名稱及分類如表1所示。

2.1.2 高等教育質量評價模型

文章基于熵權TOPSIS評價模型[4]構建高等教育質量的評價模型，該模型是利用熵權法對指標客觀賦權，并計算接近度以確定重要性的方法。模型的構建方法為收集指標數據，構造原始評價信息矩陣，再對指標歸一化并確定熵權，最后通過加權計算確定重要性排序。

電子出版物品出版種數（種）

（1）熵權法賦權。

第一，使用31個省份的12個評價指標數據，得到原始評價信息矩陣：

第二，采用以下標準化處理對數據歸一化處理：

第三，計算Pij（第i個國家評價參數值在第j項指標下占比）：

第四，計算 Sj（第j個評價參數的熵值）：

第五，計算權重wj（第j個評價參數的熵權）：

（2）TOPSIS方法評價。在熵權法的基礎上，文章利用TOPSIS方法整體評價多個省份高等教育質量狀況，選取了廣東、福建等10個省作為樣本省份。具體步驟如下：

第一，數據標準化。使用熵權法中提到的歸一化方法對數據進行處理。

第二，確定指標權重，構造加權決策矩陣。在熵權法確定的指標權重向量wj的基礎上，將矩陣R的每一行與相應的權重wj相乘，得到加權歸一化決策矩陣V=（vij）m×n。

第三，確定正、負理想方案。設V+表示正理想解，V-表示負理想解，則：

第四，計算距離。分別計算各省份到理想方案V+的距離d+i和到負理想方案S-的距離d-i：

第五，計算各省份指標評價值向量與理想解的距離Ci作為各個省份的綜合評價值。根據綜合評價值Ci的大小對省份進行排序。

2.2 預測及政策評價

2.2.1 影響指標選擇及數據來源

本節在2.1的基礎上，進一步探究經濟發展及政策的影響作用，選擇天津市作為研究對象，研究區間為2000—2019年，同時采用我國10個省份的經濟運行數據作為重要影響指標。文章將影響指標劃分為了經濟發展、教育投資、科技投資三大類，數據來自國家統計局。影響指標名稱及分類如表2所示。

2.2.2 政策沖擊狀態與自然發展狀態對比模型

（1）評價指標政策沖擊狀態下的預測。為了預測政策沖擊狀態下樣本省份高等教育質量的變化，文章利用BP神經網絡模擬了12個影響參數與12個評價參數間的復雜非線性關系，進而預測在影響參數發生政策性改變時評價參數的變化情況。最后，通過評價模型分析得分變化情況。

文章選取12個影響指標作為網絡模型的輸入，從而確定輸入層的神經元數為12;選取12個評價指標作為輸出參數，建立一個多輸入單輸出神經網絡群，確定輸出層神經元數為一個，同時選擇BP神經網絡的隱層數為1層，隱藏層神經元數為8個。此外，隱含層激活函數為Tansig sigmoid函數，輸出層激活函數為Purelin線性傳遞函數。

（2）評價指標自然發展狀態下的預測。為了預測自然發展狀態下的變化作為對照實驗，文章利用ARIMA（p，d，q）預測未來評價參數的發展狀態，并通過教育評價模型分析得分變化情況。

具體方法為：其一，采用ADF檢驗法對時間序列進行單位根檢驗，觀察序列是否具有平穩性，并進行差分處理;其二，通過檢驗自相關函數ACF和偏相關函數PACF來確定p和q的階數;其三，通過DW檢驗驗證模型的準確性;第四，對10個省份的數據重復操作。

3 實證分析

3.1 省際分析

3.1.1 熵權表分析

依照前文所述的方式計算出2015—2019年12個指標的熵權平均值及排名，如表3所示。從評估維度的角度來看，效益產出的總權重最大，而師資結構的權重最小，差異明顯。從單個評價參數來看，S3、S1、T1等反映整體規模的指標權重較大，反映了教育的規模效應。

3.1.2 高等教育質量得分分析

在各指標熵權的基礎上，文章得到了10個樣本省份高等教育質量的得分及排名，如表4所示。從五年的平均結果來看，經濟水平高、開放程度好的廣東省、上海市位居前列;而地處我國西北的青海省、甘肅省則排名最后，其原因與經濟欠發達、人才流動性低等有關。

3.2 天津市政策沖擊情況分析

在3.1的基礎上，選擇得分適中的天津市作為政策沖擊的研究對象。文章在神經網絡的模型中引入了四條外部政策沖擊，并預測了五年內各影響指標的變化情況，如表5所示，表中數據表明該指標當年的增長情況。

（1）到2024年，全日制高等教育教師工資增長30%。

（2）到2024年，科研人員工資增長20%。

（3）高等教育固定資產投資逐年增加5%。

（4）增加天津市教育財政預算的5%。

在此變化基礎上，結合2.2.2中構建的神經網絡模型，較為準確地預測在影響參數變化對目標參數五年的變化趨勢的影響，如表6所示。同時，文章利用2.2.2中構建的ARIMA方法對2020—2024年評價指標的變化進行預測，以模擬在自然發展狀態下的變化情況。

3.3 對比分析

文章利用2.1中模型對3.2和3.3兩種情況下的各省份得分進行了測算，最終結果如圖1所示。在政策沖擊下，天津市的得分在五年內持續上升，排名從第7名上升至第5名（見表8）;相對而言，在自然狀態下，天津市的得分雖略有上升，但排名保持不變。由此可得，四條提升性的政策可以對當地的高等教育體系產生較強的促進作用，并顯著提升教育質量水平。

4 結論

文章對各省份高等教育質量問題進行研究，以天津市為主要研究對象并基于中國除港澳臺以外31個省份的相關數據進行實證研究。結果表明，各地區的高等教育質量差異較大，且教育效益產出指標的影響力更強;同時積極的刺激經濟、教育和科技發展的政策可以有效提高高等教育質量水平，較自然發展狀態下提升顯著，這也提示人們要注重經濟與教育發展的協調性問題，保障經濟與教育相互促進的可持續發展。

參考文獻：

[1]李國倉.論高等教育人才培養的“一個中心”和“兩個基本點”[J].中國高教研究，2015（2）：54-58，63.

[2]王善邁，袁連生，田志磊，等.我國各省份教育發展水平比較分析[J].教育研究，2013，34（6）：29-41.

[3]張志祥.“高等教育—經濟”復合協調系統指標體系構建與實證[J].統計與決策，2020，36（10）：64-67.

[4]林杰，鄭循剛.基于熵權TOPSIS法的房地產上市公司績效評價[J].技術經濟與管理研究，2008（3）：14-15.