基于二阶验证性因子分析模型的江苏高校科技人才竞争力评价

摘要： 以江苏高校科技人才为研究对象，从人才规模、科技支撑、科技成果、成果转化、交流合作5个维度选取13个指标构建江苏高校科技人才竞争力评价指标体系.基于2018年江苏省61所高校科技人才相关数据，采用二阶验证性因子分析模型验证了该评价指标体系的合理性;及江苏高校科技人才竞争力对人才规模、科技支撑、科技成果、成果转化、交流合作均有显著的正向影响，人才规模、科技支撑、科技成果、成果转化、交流合作对相应的指标也均有显著的正向影响.采用融合孤立森林算法的TOPSIS法对2018年江苏高校科技人才竞争力进行综合评价，结果表明：南京大学、东南大学、南京航空航天大学、河海大学以及江南大学的科技人才综合竞争力较强，但各高校在5个评价维度中的表现结果并不完全一致.

关键词： 高校科技人才竞争力；评价指标体系；验证性因子分析；孤立森林算法；TOPSIS法

中图分类号： G647，O213

文献标志码：A

doi： 10.3969/j.issn.2095-4298..0.011

Evaluation of competitiveness of scientific and technological talents of colleges and universities in Jiangsu based on second-order confirmatory factor analysis model

Chen Bin¹， Liu Pengfei¹， Shi Xianhao¹， Yang Ting^1，2*， Yuan Bo³

（1.School of Mathematics & Statistics，Jiangsu Normal University，Xuzhou 221116，China;2.Research Institute of Mathematical Science，Jiangsu Normal University，Xuzhou 221116，China;3.Institute of Science & Technology，Jiangsu Normal University，Xuzhou 221116，China）

Abstract： Scientific and technological talents of colleges and universities in Jiangsu were taked as the research object and 13 indicators across 5 dimensions， namely talent scale， scientific and technological support， scientific and technological achievements， achievement transformation， exchange and cooperation， were selected to construct an evaluation index system of competitiveness of scientific and technological talents of colleges and universities in Jiangsu. Based on the relevant data of scientific and technological talents of 61 colleges and universities in Jiangsu of 2018， the second-order confirmatory factor analysis model was adoped to verify the rationality of the evaluation index system， and competitiveness of scientific and technological talents of colleges and universities in Jiangsu had significant positive effects on talent scale， scientific and technological support， scientific and technological achievements， achievement transformation， exchange and cooperation; talent scale， scientific and technological support， scientific and technological achievements， achievement transformation， exchange and cooperation also had significant positive effects on the corresponding indicators. Further， the TOPSIS method integrating isolation forest algorithm was used to conduct a comprehensive evaluation of competitiveness of scientific and technological talents of colleges and universities in Jiangsu of 2018， the results indicated that the comprehensive competitiveness of scientific and technological talents of Nanjing University， Southeast University， Nanjing University of Aeronautics and Astronautics， Hohai University and Jiangnan University was relatively stronger， but the results of the colleges and universities in the five evaluation dimensions were not completely consistent.

Key words： competitiveness of scientific and technological talents of colleges and universities; evaluation index system; confirmatory factor analysis; isolation forest algorithm; TOPSIS method

0 引言

科技创新，人才为本.科技创新的核心在于人才，其竞争实质上是科技人才之间的竞争.科技人才作为支撑科技创新的中坚力量，是实现创新驱动发展战略的关键要素，对推动科技创新进程具有举足轻重的作用.高校作为科技人才培育与输出的重要基地，不仅是推动科技创新的前沿阵地与主要动力源泉，更承载着引领科技发展的重任^［1］.高校科技人才作为高校事业发展的核心驱动力，其竞争力已成为衡量高校综合实力的重要指标之一^［2］.因此，提升高校科技人才竞争力对于增强高校整体实力和提升社会影响力具有深远意义.

江苏省高校资源丰富，实力雄厚，构建完善的江苏高校科技人才竞争力评价指标体系，不仅是推动江苏乃至全国高校科技创新的关键举措，更是引领高校人才工作方向的重要标杆，能够帮助高校制定更为科学、合理、有效的人才政策，为科技管理决策提供坚实的参考依据，进一步促进高校科技创新能力的提升和人才培养质量的优化.

关于科技人才竞争力的研究，刘佐菁等^［3］从人才规模、人才结构、人才投入、人才产出、人才发展环境5个维度构建评价指标体系，利用主成分分析法评价广东省科技人才竞争力;史炜钰^［4］从人才投入、人才产出、人才环境、人才发展4个维度构建评价指标体系，利用因子分析法评价福建省科技人才竞争力;王大权^［5］从人才队伍、人才投入、人才效能、人才发展平台4个维度构建评价指标体系，利用专家咨询法和层次分析法对不同城市的科技人才竞争力进行比较;赵渊博^［6］从人才资源、人才投入、人才产出、人才发展环境4个维度构建评价指标体系，利用因子分析法和聚类分析法对我国各地区的科技人才竞争力进行综合评价;黄瑜珊等^［7］从人才本体、人才环境、人才产出3个维度构建评价指标体系，采用熵权TOPSIS法对长三角地区的科技人才竞争力进行综合评价.

在科技人才竞争力评价指标体系的构建上，现有研究大多缺少对其合理性与科学性的验证；在评价指标的赋权上，许多研究采用主观赋权法，缺乏客观性和公正性.为此，本文提出江苏高校科技人才竞争力评价指标体系，搜集2018年江苏省61所高校科技人才相关数据，采用二阶验证性因子分析模型验证评价指标体系的合理性和科学性，通过融合孤立森林算法的TOPSIS法对评价指标赋予权重，分别从整体和各维度对2018年江苏高校科技人才竞争力进行综合评价.

1 江苏高校科技人才竞争力评价指标体系

1.1 评价指标体系的构建

借鉴卜伟等^［1］、刘佐菁等^［3］、黄瑜珊等^［7］的研究，从人才规模、科技支撑、科技成果、成果转化、交流合作5个维度选取13个指标构建江苏高校科技人才竞争力评价指标体系（表1）.

1.2 数据来源与评价指标体系的验证

2018年江苏省61所高校科技人才基础数据通过查阅《高等学校科技统计资料汇编》和高校科技统计数据等资料获得.

验证性因子分析模型可以用来验证可观测变量和潜在因子之间的关系.此模型有别于探索性因子分析模型，它并不预先假设因子之间相互独立.由于因子不能被直接观测，一般可通过可观测变量间接测量^［8-9］.如果所有因子都高度相关，则可认为存在一个更高阶的因子对它产生影响.由此可得二阶乃至高阶验证性因子分析模型.本文使用二阶验证性因子分析模型验证三级评价指标体系.

二阶验证性因子分析模型的具体表达式为

X=Βη+δ， η=Λξ+ε，

其中：X表示可观测变量;η表示一阶因子;ξ表示二阶因子;Β和Λ是因子负荷矩阵;δ和ε是误差向量.随机向量ξ，δ和ε分别服从N［0，Φ］，N［0，Ψ_δ］，N［0，Ψ_ε］，且相互独立，Φ是ξ的协方差矩阵，Ψ_δ和Ψ_ε是对角矩阵^［10］.

在本文构建的江苏高校科技人才竞争力评价指标体系中（表1），可观测变量X对应表1中的13个三级评价指标，一阶因子η对应表1中的5个二级评价指标，二阶因子ξ对应表1中的一级指标，即X=（X₁，X₂，…，X₁₃）^T，η=（η₁，η₂，…，η₅）^T，δ=（δ₁，δ₂，…，δ₁₃）^T，Λ=（λ₁，λ₂，…，λ₅）^T，ε=（ε₁，ε₂，…，ε₅）^T，采用固定负荷法^［11］，得

其中b_2，1，b_3，1，b_5，2，b_7，3，b_8，3，b_10，4，b_11，4，b_13，5，λ₁，λ₂，…，λ₅是待估计参数.

首先对所获得的数据进行标准化处理，去除量纲的影响，然后采用极大似然法对建立的二阶验证性因子分析模型中的参数进行估计^［12］，得到因子负荷图（图1）.

本文选择卡方/自由度（chi-square/df ratio，χ²/df）、增量拟合指数（incremental fit index，IFI）、Tucker-Lewis指数（tucker-lewis index，TLI）、比较拟合指数（comparative fit index，CFI）、残差均方根（root mean square residual，RMSR）5个指标来衡量模型与观测数据的契合程度，验证假设的合理性与模型的有效性，确保研究结果的可靠性和可解释性.计算结果如表2所示.按照模型拟合参考标准^［13］，可以接受本文所提出的二阶验证性因子分析模型.

选择标准误（standard error，S.E.）、临界比（critical ratio，C.R.）评估路径参数的显著性.二阶因子对一阶因子的因子负荷假设检验结果见表3.可以看出，二阶因子对5个一阶因子的标准误均小于0.200，可以认为参数估计较为精确^［14］；因子负荷临界比均大于1.960，在95%置信水平上显著^［15］；P值均小于0.001，二阶因子对5个一阶因子的因子负荷均大于0.800，可以认为人才竞争力对人才规模、科技支撑、科技成果、成果转化和交流合作均有较强的正向影响.

一阶因子对相应的可观测变量的因子负荷假设检验结果见表4.可以看出，5个一阶因子对相应的可观测变量的标准误均小于0.200，因子负荷临界比均大于1.960，P值均小于0.001，估计值均为正，可以认为5个一阶因子对相应的可观测变量均具有显著的正向影响.

综上所述，通过用实际数据对二阶验证性因子分析模型的验证，可以得出本文提出的江苏高校科技人才竞争力评价指标体系是合理的.

2 融合孤立森林算法的TOPSIS法实证分析

2.1 基于孤立森林算法的评价指标权重的计算

孤立森林是一种无监督学习算法，广泛被应用于异常检测和指标权重计算等^［16］，其基本原理是通过随机选择特征和随机选取分割点来划分数据构建孤立数，通过根节点到叶节点的路径长度计算孤立分数评估孤立程度，根据特征变量在分裂过程中的贡献来确定权重，因此这种特征权重的求解具有客观性^［17-18］.通过孤立森林算法求解江苏高校科技人才竞争力评价指标体系中各个指标的权重，能够较为全面地考虑每个指标对于高校科技人才竞争力的影响程度.孤立森林求权重的主要步骤如下：

1）计算基准异常分数.使用孤立森林算法对江苏省61所高校科技人才相关数据进行训练，得到每个样本的异常分数s（x_i），i=1，2，…，61.

2）剔除指标，并重新计算异常分数.每次剔除一个指标j，得到一个新的数据集，对新的数据集重新训练孤立森林模型，重新计算每个样本点新的异常分数s_-j（x_i），j=1，2，…，13.

3）计算异常分数变化.采用均方误差衡量剔除前后的异常分数变化，依次剔除每个指标j，重新训练模型，并计算去除该指标后的均方误差变化

4）计算指标权重.

将每个指标的贡献值标准化，得到权重

将2018年江苏省61所高校科技人才竞争力数据代入孤立森林模型，得到13个三级评价指标的权重（表5）和5个二级评价指标的权重（表6）.

由表5可知，在13个三级评价指标中，主办学术会议数的权重最高，人才总数的权重最低.在人才规模维度中，博士学位人数的权重最高，高级职称人数的权重其次；在科技支撑维度中，省部级以上科技平台数的权重略高于科技经费投入的权重；在科技成果维度中，省部级以上科研获奖数的权重最高，发表高水平论文数的权重最低；在成果转化维度中，成果转化收益的权重远高于专利拥有数和专利授权数的权重；在交流合作维度中，主办学术会议数的权重高于国际合作交流活动数的权重.

由表6可知，5个二级评价指标的权重由高到低依次为科技成果、成果转化、交流合作、人才规模和科技支撑.

2.2 基于TOPSIS法的综合评价

TOPSIS法是一种常用的综合评价方法，也称为逼近理想解排序法^［19］，它的基本思想是通过比较每个样本与正理想解和负理想解的距离来确定每个样本的优劣.由孤立森林算法得到各评价指标的权重，结合TOPSIS法对2018年江苏高校科技人才竞争力进行全面的评估和排序，可以避免主观判断带来的偏差，能够更客观、准确地反映各高校实际情况.此外，TOPSIS法不仅可以提供2018年江苏高校科技人才综合竞争力排名结果，还能提供各高校在每个维度下的排名情况.

根据2018年江苏省61所高校科技人才相关数据，利用TOPSIS法进行综合排序.表7展示了综合排名前5的高校以及在5个评价维度下排名前5的高校.从综合竞争力排名来看，排名前5的高校依次为东南大学、南京航空航天大学、河海大学、江南大学和南京大学，均为部属高校，其中东南大学、南京大学为985高校.从各维度来看，排名前5的高校并不尽相同，但均为部属高校或江苏高水平大学建设高峰计划Ａ类建设高校.从人才规模和科技成果维度来看，排名前5的高校多为综合类高校；从科技支撑维度来看，具有专业特色的高校（南京农业大学和南京工业大学）表现出色；从成果转化维度来看，具有优势和特色的专业类高校表现突出；从交流合作维度来看，排名前5的高校均为部属高校.

3 结果与讨论

本文利用二阶验证性因子分析模型，融合孤立森林算法的TOPSIS法对2018年江苏省61所高校科技人才竞争力进行研究，主要得出以下结论：

1）二阶验证性因子分析模型验证了本文构建的江苏高校科技人才竞争力评价指标体系的合理性;及江苏高校科技人才竞争力对人才规模、科技支撑、科技成果、成果转化、交流合作均有显著的正向影响，5个二级评价指标的权重由高到低依次为科技成果、成果转化、交流合作、人才规模、科技支撑；5个二级评价指标对相应的三级评价指标也均有显著的正向影响，13个三级评价指标中，主办学术会议数的权重最大，成果转化收益的权重次之，人才总数的权重最小.

2）东南大学、南京航空航天大学、河海大学、江南大学和南京大学的科技人才综合竞争力较强，但各高校在5个评价维度中的表现结果并不完全一致.

2）从综合竞争力排名来看，进入前5的是东南大学、南京航空航天大学、河海大学、江南大学和南京大学，均为部属高校.其中东南大学、南京大学为“985”高校.

3）从各维度来看，排名前5的高校并不尽相同，但无一例外，全部为部属高校或江苏高水平大学建设高峰计划Ａ类建设高校.从人才规模和科技成果维度来看，排名前5的高校多为综合类高校；从科技支撑维度来看，南京农业大学和南京工业大学具有专业特色的高校表现出色；从成果转化维度来看，具有优势和特色的专业类高校表现突出；从交流合作维度来看，排名前5的高校中均为部属高校.

参考文献：

［1］ 卜伟，郑园园，陈军冰.江苏高校科技创新政策绩效评价：基于层次分析熵值法和K-means聚类分析法［J］.科技管理研究，2022，42（24）：118.

［2］ 邢欣欣.高校科技人才评价改革的困境与应对策略：基于评价指标重构的视角［J］.中国高校科技，2021（8）：36.

［3］ 刘佐菁，陈杰，苏榕.广东省科技人才竞争力评价与提升策略［J］.科技管理研究，2018，38（22）：134.

［4］ 史炜钰.福建省科技人才竞争力评价［J］.合作经济与科技，2019（15）：98.

［5］ 王大权.贵阳市科技人才竞争力评价及提升路径研究［J］.农村经济与科技，2021，32（18）：231.

［6］ 赵渊博.2016—2018年我国区域科技人才竞争力评价［J］.科技管理研究，2021，41（20）：52.b3b0b0992a88fe978b1eb4a42088b651

［7］ 黄瑜珊，邹晨.区域一体化对科技人才竞争力的影响机制研究：以长三角地区为例［J］.资源与产业，2023，25（1）：132.

［8］ 韩晓宇，张蒋惠，孟琼，等.医药类院校教师课堂教学水平学生评价量表的研究：基于验证性因子分析［J］.医学教育研究与实践，2022，30（5）：581.

［9］ 杨瑞琦，彭洁，赵辉.科技成果价值评估体系实证研究：基于验证性因子分析检验［J］.情报杂志，2015，34（11）：44.

［10］ 李锡钦.结构方程模型［M］.北京：高等教育出版社，2011.

［11］ 侯杰泰，温忠麟，成子娟.结构方程模型及其应用［M］.北京：教育科学出版社，2006.

［12］ 王新芸，袁克海，唐加山，等.小样本下岭PLS-SEM与岭CB-SEM的比较［J］.统计与决策，2024，40（10）：46.

［13］ Wen Zhonglin，Wu Yan.Evolution and simplification of the approaches to estimating structural equation models with latent interaction［J］.Adv Psych Sci，2010，18（8）：1306.

［14］ 胡晓东.基层公务员工作动力研究［J］.政治学研究，2024（3）：181.

［15］ Claes Fornell，David F.Larcker.Structural equation models with unobservable variables and measurement error：algebra and statistics［J］.J Mark Res，1981，18（1）：39.

［16］ 徐奔业，顾斌杰，潘丰，等.加权光滑投影孪生支持向量回归算法［J］.计算机工程，2022，48（12）：104.

［17］ 丁世飞，张子晨，郭丽丽，等.孪生支持向量回归机研究进展［J］.电子学报，2023，51（4）：1117.

［18］ 金凤岩.电力数据异常检测算法研究［D］.烟台：烟台大学，2024.

［19］ 邬文帅.基于多目标决策的数据挖掘方法评估与应用［M］.成都：四川大学出版社，2016.

［责任编辑： 钟传欣］