我国经济政策调节对高等教育发展影响的实证研究

刘世龙 汪正磊

摘 要：文章利用熵权TOPSIS法构建各省份高等教育质量评价模型，以天津市为例利用神经网络模型分析讨论了经济政策与高等教育发展的影响关系。结果表明，各地区的高等教育发展差异较大，教育效益产出指标的影响力最强;同时刺激性的经济、教育和科技的政策能有效提升高等教育的发展水平，较自然发展状态下提高显著。各级政府应积极关注经济与教育发展的协调性问题，保障经济与教育相互促进的可持续发展。

关键词：熵权TOPSIS法;政策调节;高等教育;经济发展

中图分类号：F124 文献标识码：A 文章编号：1005-6432（2022）04-0071-04

DOI：10.13939/j.cnki.zgsc.2022.04.071

1 文献综述

高等教育是培养高级专门人才和职业人员的主要社会活动，与经济发展也有着密切的联系。在学界中，各学者对高等教育质量的评价标准多样。李国仓[1]认为高等教育质量评价核心要点聚焦在“人才培养”和“科学研究”两方面，但并没有在中国各省份进行应用。王善迈等[2]从“教育机会”“教育投入”“教育公平”三个方面构成了教育发展指数，并运用到了中国各省份上进行统计测算和比较分析，但没有将教育与经济联系在一起。张志祥[3]以我国不同地区的高等教育和经济增长数据为研究对象，发现高等教育投入对经济增长存在促进作用，但没有讨论经济增长及其政策对高等教育的影响。

纵观国内外的文献，比较缺乏将高等教育质量评估系统应用到中国各个省份的研究，缺乏经济与高等教育关系的研究，更缺乏预测及评估政策效果的研究。文章则在前人的研究上更进一步，首先从学生结构、师资结构、设施保障、效益产出四个方面构建了高等教育评估系统并应用在了中国的部分省份上;其次选取天津市进行经济政策冲击的研究;最后通过对比分析政策冲击和自然状态两个状态下的预测情况，得出了政策的实施效果。

2 研究方法与数据说明

2.1 省际分析

2.1.1 评价指标选择及数据来源

本节的研究覆盖2015—2019年，我国除香港特别行政区、澳门特别行政区以及台湾省以外的31个省份的数据。文章利用随机森林算法筛选得到对教育系统最为重要的12个评价指标，并将指标划分为了学生结构、师资结构等四类，数据来自中国国家统计局。评价指标名称及分类如表1所示。

2.1.2 高等教育质量评价模型

文章基于熵权TOPSIS评价模型[4]构建高等教育质量的评价模型，该模型是利用熵权法对指标客观赋权，并计算接近度以确定重要性的方法。模型的构建方法为收集指标数据，构造原始评价信息矩阵，再对指标归一化并确定熵权，最后通过加权计算确定重要性排序。

电子出版物品出版种数（种）

（1）熵权法赋权。

第一，使用31个省份的12个评价指标数据，得到原始评价信息矩阵：

第二，采用以下标准化处理对数据归一化处理：

第三，计算Pij（第i个国家评价参数值在第j项指标下占比）：

第四，计算 Sj（第j个评价参数的熵值）：

第五，计算权重wj（第j个评价参数的熵权）：

（2）TOPSIS方法评价。在熵权法的基础上，文章利用TOPSIS方法整体评价多个省份高等教育质量状况，选取了广东、福建等10个省作为样本省份。具体步骤如下：

第一，数据标准化。使用熵权法中提到的归一化方法对数据进行处理。

第二，确定指标权重，构造加权决策矩阵。在熵权法确定的指标权重向量wj的基础上，将矩阵R的每一行与相应的权重wj相乘，得到加权归一化决策矩阵V=（vij）m×n。

第三，确定正、负理想方案。设V+表示正理想解，V-表示负理想解，则：

第四，计算距离。分别计算各省份到理想方案V+的距离d+i和到负理想方案S-的距离d-i：

第五，计算各省份指标评价值向量与理想解的距离Ci作为各个省份的综合评价值。根据综合评价值Ci的大小对省份进行排序。

2.2 预测及政策评价

2.2.1 影响指标选择及数据来源

本节在2.1的基础上，进一步探究经济发展及政策的影响作用，选择天津市作为研究对象，研究区间为2000—2019年，同时采用我国10个省份的经济运行数据作为重要影响指标。文章将影响指标划分为了经济发展、教育投资、科技投资三大类，数据来自国家统计局。影响指标名称及分类如表2所示。

2.2.2 政策冲击状态与自然发展状态对比模型

（1）评价指标政策冲击状态下的预测。为了预测政策冲击状态下样本省份高等教育质量的变化，文章利用BP神经网络模拟了12个影响参数与12个评价参数间的复杂非线性关系，进而预测在影响参数发生政策性改变时评价参数的变化情况。最后，通过评价模型分析得分变化情况。

文章选取12個影响指标作为网络模型的输入，从而确定输入层的神经元数为12;选取12个评价指标作为输出参数，建立一个多输入单输出神经网络群，确定输出层神经元数为一个，同时选择BP神经网络的隐层数为1层，隐藏层神经元数为8个。此外，隐含层激活函数为Tansig sigmoid函数，输出层激活函数为Purelin线性传递函数。

（2）评价指标自然发展状态下的预测。为了预测自然发展状态下的变化作为对照实验，文章利用ARIMA（p，d，q）预测未来评价参数的发展状态，并通过教育评价模型分析得分变化情况。

具体方法为：其一，采用ADF检验法对时间序列进行单位根检验，观察序列是否具有平稳性，并进行差分处理;其二，通过检验自相关函数ACF和偏相关函数PACF来确定p和q的阶数;其三，通过DW检验验证模型的准确性;第四，对10个省份的数据重复操作。

3 实证分析

3.1 省际分析

3.1.1 熵权表分析

依照前文所述的方式计算出2015—2019年12个指标的熵权平均值及排名，如表3所示。从评估维度的角度来看，效益产出的总权重最大，而师资结构的权重最小，差异明显。从单个评价参数来看，S3、S1、T1等反映整体规模的指标权重较大，反映了教育的规模效应。

3.1.2 高等教育质量得分分析

在各指标熵权的基础上，文章得到了10个样本省份高等教育质量的得分及排名，如表4所示。从五年的平均结果来看，经济水平高、开放程度好的广东省、上海市位居前列;而地处我国西北的青海省、甘肃省则排名最后，其原因与经济欠发达、人才流动性低等有关。

3.2 天津市政策冲击情况分析

在3.1的基础上，选择得分适中的天津市作为政策冲击的研究对象。文章在神经网络的模型中引入了四条外部政策冲击，并预测了五年内各影响指标的变化情况，如表5所示，表中数据表明该指标当年的增长情况。

（1）到2024年，全日制高等教育教师工资增长30%。

（2）到2024年，科研人员工资增长20%。

（3）高等教育固定资产投资逐年增加5%。

（4）增加天津市教育财政预算的5%。

在此变化基础上，结合2.2.2中构建的神经网络模型，较为准确地预测在影响参数变化对目标参数五年的变化趋势的影响，如表6所示。同时，文章利用2.2.2中构建的ARIMA方法对2020—2024年評价指标的变化进行预测，以模拟在自然发展状态下的变化情况。

3.3 对比分析

文章利用2.1中模型对3.2和3.3两种情况下的各省份得分进行了测算，最终结果如图1所示。在政策冲击下，天津市的得分在五年内持续上升，排名从第7名上升至第5名（见表8）;相对而言，在自然状态下，天津市的得分虽略有上升，但排名保持不变。由此可得，四条提升性的政策可以对当地的高等教育体系产生较强的促进作用，并显著提升教育质量水平。

4 结论

文章对各省份高等教育质量问题进行研究，以天津市为主要研究对象并基于中国除港澳台以外31个省份的相关数据进行实证研究。结果表明，各地区的高等教育质量差异较大，且教育效益产出指标的影响力更强;同时积极的刺激经济、教育和科技发展的政策可以有效提高高等教育质量水平，较自然发展状态下提升显著，这也提示人们要注重经济与教育发展的协调性问题，保障经济与教育相互促进的可持续发展。

参考文献：

[1]李国仓.论高等教育人才培养的“一个中心”和“两个基本点”[J].中国高教研究，2015（2）：54-58，63.

[2]王善迈，袁连生，田志磊，等.我国各省份教育发展水平比较分析[J].教育研究，2013，34（6）：29-41.

[3]张志祥.“高等教育—经济”复合协调系统指标体系构建与实证[J].统计与决策，2020，36（10）：64-67.

[4]林杰，郑循刚.基于熵权TOPSIS法的房地产上市公司绩效评价[J].技术经济与管理研究，2008（3）：14-15.