EN中文

JOURNAL OF NATURAL RESOURCES >

2022 , Vol. 37 >Issue 6: 1440 - 1454

DOI: https://doi.org/10.31497/zrzyxb.20220605

Regional and Urban Development

Spatial patterns and underlying forces of talent migration and their implications on integrated high-quality development of the Yangtze River Delta: An analysis of university graduates

  • CUI Can ,
  • YU Cheng-yuan ,
  • WANG Qiang
Expand
  • The Center for Modern Chinese City Studies/Research Center for China Administrative Division/School of Urban & Regional Science, East China Normal University, Shanghai 200062, China

Received date: 2021-09-06

  Revised date: 2021-11-15

  Online published: 2022-08-28

Fold

Abstract

In 2018, the integrated development of the Yangtze River Delta became a national strategy, aiming to break administrative barriers with integrated ideas and measures, and achieve the efficient flow of capital, talents, technology and other essential resources. As the main drive for innovation and knowledge-based economy, the reasonable allocation and orderly migration of talents are conducive to promoting regional integration and achieving high-quality development. Against this backdrop, this study focuses on the migration of university graduates, a vital component of regional talent resource. Based on data drawn from Graduate Employment Quality Report, we demonstrate the spatial patterns of graduate migration in the Yangtze River Delta and reveal the influencing factors underlying their migration by using the geographical detector model. The results show that the migration flow of graduates in the study area basically follows the law of reduction with the increase of distance and hierarchy, and the proportion of graduates who stayed and worked in the region reached 79.72%. The intra-provincial migration pattern is diversified in Jiangsu, Zhejiang and Anhui provinces. Cities with a higher retention rate are located in the "Z"-shaped zone and coastal areas. Shanghai and its nearby cities (Suzhou, Jiaxing, and Nantong) have formed a "high-high" cluster with a high retention rate. Furthermore, the results of factor detector show that innovation factors play a stronger role in affecting graduate migration in the delta region. However, the effect of these innovation factors differs among Jiangsu, Zhejiang and Anhui, with the strongest effect found in Jiangsu, followed by Zhejiang, while the insignificant effect in Anhui. The results of risk detector show that once the level of innovation reaches a certain threshold, its effects on attracting university graduates increase substantially. This study reveals the relationship between the migration pattern of university graduates and regional innovation, which provides theoretical and empirical basis for formulating policies to promote regional talent integration.

Key words： talent migration; university graduates; urban innovation; integrated regional development of the Yangtze River Delta

Cite this article

CUI Can , YU Cheng-yuan , WANG Qiang . Spatial patterns and underlying forces of talent migration and their implications on integrated high-quality development of the Yangtze River Delta: An analysis of university graduates[J]. JOURNAL OF NATURAL RESOURCES, 2022 , 37(6) : 1440 -1454 . DOI: 10.31497/zrzyxb.20220605

2018年11月,习近平总书记在首届中国国际进口博览会上宣布,支持长江三角洲区域一体化发展并上升为国家战略,旨在以一体化的思路和举措打破行政壁垒,实现资金、技术、信息和人才等要素资源的畅通流动[1]。人才作为知识经济时代最为活跃、最具创造力的要素,其合理分布和有序流动是推动区域一体化和高质量发展的先决条件。自2003年开始,长三角地区围绕人才开发一体化进行了有益探索,依托G60科创走廊和人才一体化发展城市联盟等搭建人才供需平台,定期举办高校毕业生联合招聘会畅通人才共享渠道,初步形成了人才合作发展的共识[2]。但目前仍存在人才资源两极分化、人才政策协同性差、人才平台缺乏配套服务等问题,还需要深化对于以区域为整体系统的人才流动规律的认识。
具有良好的教育经历、专业技术知识和创造性劳动能力的高校毕业生是重要的区域人才资源[3]。高校毕业生的有序流动和合理分布对于推进区域间创新联动发展,提升区域人力资本投资回报具有重要意义。众多学者对不同国家和区域高校毕业生流动的空间格局展开研究,总体而言,毕业生向发达地区集聚[4,5],而美国高校毕业生跨区域流动相较于欧洲国家更为活跃[6,7]。就中国而言,位于东部沿海的珠三角和长三角区域的人才粘附能力强[8,9],而中西部地区人才塌陷、东北老工业基地人才流失成为媒体和社会关注热点。分城市等级来看,一线城市北京、上海、广州、深圳是传统的高学历人才就业目的地[10]。随着互联网等新兴产业的迅速崛起和人才新政的推出,新一线城市的就业“性价比”明显提升[11]。毕业生进行就业城市选择是基于成本、收益综合考量的决策过程。新古典经济学将劳动力迁移视为追求经济机会和预期效用最大化的理性决策,强调地区间就业匹配、工资水平、家庭收入、住房成本等因素对迁移选择的影响[12⇓⇓-15]。在地方品质[16]、舒适性[17]、消费城市[18]等概念兴起后,自然条件（气候、生态）、居住环境（开放度、包容度、安全度）、生活设施（商业、教育、医疗、交通、基建）等非经济因素被纳入人才流动的分析框架[19]。
与此同时,越来越多的研究探讨人才与区域创新水平之间耦合关系,阐释两者间的相互作用[20⇓⇓-23]。创新由多种要素叠置而成,总是在地理空间上呈“钉子状”分布[24]。作为创新型城市“3T”要素（Talent,Technology,Tolerance）核心的人才既是创新活动的主体,也受到创新环境、创新平台和创新氛围的吸引,在创新系统的“回波效应”下发生空间集聚[21,25]。根据求职搜寻理论（Job Search Theory）[26,27],具有高门槛、高收益、高社会贡献的创造性工作,尤其是接近创新前沿的工作机会在空间上非均衡分布,人才为寻找创新性工作而发生地域性流动。针对高校毕业生这一具有创新潜能的人才群体,Faggian等[28]发现英国毕业生偏向于流入创新水平更高的地区就业。Marinelli[29]从知识流动的视角研究意大利的毕业生流动,发现高技能的毕业生会被强大的区域创新系统（Regional Innovation System,RIS）所吸引,通过流动到创新地区获取更多学习机会,从而实现人力资本的进一步提升。Pantelis[30]聚焦美国高校毕业生,发现科学与工程学位的毕业生流入量与区域创新呈正相关,具备雄厚知识基础和高效基础设施的区域创新中心,如波士顿和硅谷像磁铁般吸引着专业技术人才。Sun等[31]对中国毕业生城际迁移行为的研究也发现科技领域从业人员占比较高的城市能吸引更多的外地高学历毕业生,并有利于留住更多的本地毕业生。高校毕业生对技术变革的适应能力、对创新风险的承担能力、对探求新知识的欲望以及对创造性工作的渴求都激励他们向更具创新能力的就业地集中。
基于对已有文献的梳理,本文采用“全国—区域”视角,聚焦长三角地区的高校毕业生群体。基于2019年124所高校《毕业生就业质量报告》提供的生源、就业数据,利用GIS空间分析刻画省际与省内的毕业生流动特征,并使用地理探测器模型探讨人才流动与不同创新因素和其他城市属性因素之间的空间联系,以期为长三角人才与创新协同发展提供理论参考和实证依据。与既有研究相比,本文有以下创新点：（1）以往研究多在全国尺度、省级行政单元上开展[8,32],较少关注特定区域内部、地级市之间的毕业生流动。特别是在长三角高质量一体化发展的背景下,剖析人才流动的空间规律和驱动因素及其中的区域特质对于塑造长三角的区域发展空间格局具有重要现实意义。（2）使用的毕业生就业质量报告数据在人才与创新研究领域较为新颖。与以往关注人才存量的分布格局不同,该数据聚焦人才的量,有助于展示人才空间集聚趋势,且可溯源毕业生的生源地,更长链条展示人才的迁移路径以及高等教育机构对人力资本进行空间配置的作用。（3）创新因素对毕业生流动的影响在中国高校毕业生流动研究中有所涉及[31],但通常测度指标单一,并且忽视城市创新等级的空间异质性。本文使用多种指标反映城市在创新投入、创新产出、创新载体方面的表现,应用地理探测器模型进行探索性分析。

1 研究方法与数据来源

1.1 研究区概况

根据《长江三角洲区域一体化发展规划纲要》,本文选取上海、江苏、浙江、安徽全域作为研究范围。长三角地区总面积35.8万km2,由41个地级及以上城市组成。该地区拥有一批国内领先的大科学装置、重点实验室、工程技术中心,汇聚了一批高水平的高等院校、科研院所、企业研发中心和创新人才,拥有上海张江和安徽合肥两大综合性国家科学中心,是我国创新活力最强的区域之一。2019年,长三角地区共有在校普通本科生348.87万人、研究生62.69万人,本科及以上应届毕业生86.17万人[33],为区域高质量发展培养和输送了大量人才。公办本科高校基本覆盖长三角全域,但各省份的高等学校数量、质量和毕业生规模存在显著差异,“双一流”高校集中分布在省会、直辖市或区域中心城市（图1）。
图1 研究区域高校分布

Fig. 1 Distribution of universities in the Yangtze River Delta

1.2 数据来源

1.2.1 毕业生流动数据

本文中的“人才”以学历为划分标准,指接受过本科及以上高等教育的大学毕业生。研究中涉及的高校来自教育部《全国普通高等学校名单》中位于上海、江苏、浙江、安徽的公办本科全日制普通高等学校。毕业生流动数据来源于高校官方网站公布的2019年《毕业生就业质量报告》,包含毕业生结构、就业人数、生源地分布和就业地分布等信息。结合数据的可获得性、精确性和统计口径的一致性,共获取124所位于长三角的高校毕业生流动数据,其中上海26所、江苏40所、浙江28所、安徽30所。按学校层级划分,“一流大学”建设高校8所、“一流学科”建设高校26所、其他普通高等学校90所。本文关注的流动主要是指毕业生从就学地到首次就业地之间的流动,就业人数按照就业去向为“协议就业”“签订劳动合同就业”“灵活就业”“定向委培”“国家、地方项目”加总统计,或按报告所列签约就业人数统计,未包括“升学”“不就业拟升学”“出国出境”和“待就业”等未直接就业的去向类型。

1.2.2 城市属性数据

本文将影响毕业生流动的城市创新因素通过与科学研究和技术相关活动的多维度指标进行衡量。自Jaffe[34]和Caniels[35]用专利度量创新以来,专利被广泛作为城市技术创新产出能力的近似指标。在发明专利、实用新型专利和外观设计专利三种类型中,发明专利的技术含量和审查要求更高,更能评估一个城市的创新水平[36]。因此,选择发明专利申请量作为创新产出的一个衡量指标,该数据来源于国家知识产权局中国专利公布公告系统。既有研究也有将高质量期刊论文数量作为城市知识创新产出的指标[37]。在Web of Science检索平台核心数据库中根据发表者地址信息,检索计算各城市高质量论文产出情况。参考现有文献[38,39],选取研发投入、科教人员数量和科教经费支出作为衡量创新投入的指标,选取高等院校数量和高新企业数量作为创新载体衡量指标,这些因素在城市创新活动中起到关键作用。
除创新因素外,其他城市属性也会影响毕业生流动,包括人口规模、生产总值、产业结构、人均收入、住宅价格和城市宜居性（表1）。为避免反向因果带来的内生性问题,对城市属性指标选择前定变量[40],即2018年的数据。数据来源包括《中国城市统计年鉴（2019）》、长三角各省市统计年鉴、科技部高新技术企业认定工作管理网、国家信息中心宏观经济与房地产数据库以及《中国城市竞争力报告（第17次）》① ( 由中国社会科学院财经战略研究院发布的中国城市宜居竞争力指数全面立体地反映出全国288个城市医疗、教育、安全等方面的宜居质量,评价体系共有七项分项指标,分别是活跃的经济环境、舒适的居住环境、绿色的生态环境、安全的社会环境、便捷的基础设施、优质的教育环境和健康的医疗环境。)。
表1 城市属性指标

Table 1 Measurement of city attributes

指标维度 指标名称 指标解释
创新因素 发明专利 发明专利申请量/件
论文数量 核心论文发表量/篇
研发投入 R&D内部经费支出/万元
科教人员 科学技术与教育从业人员数/万人
科教支出 科学技术与教育公共财政支出/万元
高等院校 普通高等学校数/所
高新企业 科技部认定高新技术企业数/个
其他因素 人口规模 城市常住人口数/万人
生产总值 地区生产总值/万元
产业结构 第二、第三产业比例/%
人均收入 城镇居民人均可支配收入/元
住宅价格 商品住宅平均销售价格/元
城市宜居性 宜居竞争力指数

1.3 研究方法

1.3.1 人才流动量化测度

人才流动的空间特征通常使用比率类指标,如流入率、净流动率[41⇓⇓-44],本文通过测算城市之间毕业生流入、流出的具体人数以及相对就学地城市就业总人数的毕业生流出比例来量化城市间人才流动情况,并在地图上进行可视化表达。
为测度就学城市对于本地培养人才的吸引力,计算粘滞率 R[41],公式为：
R = ∑ i = 1 N L i / ∑ i = 1 N T i
式中：N表示某城市的高校数量（个）; L i表示i高校毕业生在本城市就业人数（万人）; T i表示i高校就业总人数（万人）。

1.3.2 空间自相关分析

空间自相关分析用以识别长三角区域内不同就学城市粘滞率的空间关联特征,以全局莫兰指数 M o r a n ' s I（Global Moran's I）和局部莫兰指数 I i（Local Moran's I）分别测度相邻城市单元空间自关联性的总体趋势和每个城市与相邻城市的空间关联及空间差异程度[45]。
全局莫兰指数 M o r a n ' s I的计算公式为：
M o r a n ' s I = ∑ i = 1 n ∑ j = 1 n w i j x i - x - x j - x - s 2 ∑ i = 1 n ∑ j = 1 n w i j
式中： x - = ∑ i = 1 n x i n ; s 2 = ∑ i = 1 n x i - x - 2 n ; x i、 x j分别为 i、 j市就学城市粘滞率的观测值;n为城市数量（个）; w i j为空间权重矩阵,反映 i和 j市是否空间邻近。若 M o r a n ' s I大于0表示存在空间正相关,即高粘滞率或低粘滞率在空间上趋于集聚。若 M o r a n ' s I小于0表示存在空间负相关,即高粘滞率与低粘滞率在空间上趋于离散。
对第i个城市而言,局部莫兰指数 I i的计算公式为：
I i = x i - x - s 2 ∑ j = 1 , j ≠ i n w i j x j - x -
研究使用LISA聚类地图显示四种通过Moran正态分布显著性检验的局部空间关联性类型区,依据 I i 值 的 正 负 ,分为 I i>0、存在局域空间正相关的“高—高”区和“低—低”区,以及 I i<0、存在局域空间负相关的“低—高”区和“高—低”区。

1.3.3 地理探测器

地理探测器是一种独立于线性假设的空间统计方法,其核心是通过空间分层异质性检测地理要素分布模式的一致性,广泛应用于自然科学、社会科学和公共健康等研究领域[46,47]。该模型的优势在于克服了变量统计假设、样本单元数量的局限性,易于从不同视角度量和解释空间分异性与一致性。地理探测器更擅长检测名义类型变量,对于顺序、比值或间隔等数值型变量则需要进行适当的离散化,本文使用ArcGIS标准分类方法中的分位数间隔（Quantile）、自然间断点间隔（Jenks）和几何间隔（Geometry）将城市属性指标分为五层,并用因子探测功能选择所有分类方法中q统计值最高,即统计关联性最优的离散化方案[48],得出可解释毕业生流入量和粘滞率空间分异性的q统计值。
因子探测q统计值的表达式为：
q = 1 - 1 N σ 2 ∑ h = 1 L N h σ h 2
式中：N为长三角区域城市样本总量（个）; σ 2为长三角区域样本总方差; N h为第h子分层的样本容量; σ h为子分层的层内方差;q是探测因子的解释力,q的值域为 [0, 1],q值越高说明对应因素的空间分布驱动力越强。风险探测用于判断不同空间分层内毕业生流入量和粘滞率的平均值是否有显著差别,比较其影响的层间变化趋势,本文使用该方法探究人才流动与城市创新因素的关系。

2 结果分析

2.1 长三角高校毕业生流动的空间特征

2.1.1 跨省域流动空间格局

图2展示了长三角高校学生择校、择业两个阶段的流动格局,曲线的顺时针方向表示流动方向。其中图2a是择校阶段生源地为全国31个省份（不含港澳台地区）,就学地为长三角三省一市的高校学生流动格局。长三角区域内,上海、江苏、浙江和安徽生源人数占比分别为5.00%、23.65%、13.64%和22.22%。长三角区域以外,与长三角相邻且生源基数较大的省份流入量也较大,如河南、山东生源分别占长三角高校学生总人数的3.67%、3.23%。由于招生计划的调配作用,西部省份生源也较多② (2 为促进区域间入学机会公平,国家实施“支援中西部地区招生协作计划”,每年安排部分增量招生计划,由录取率相对较高、高教资源相对丰富的东部省份高校面向录取率相对较低、高教资源相对不足的中西部地区和高考大省招生。),分别占上海、江苏高校学生的18.12%、12.12%。
图2 长三角高校学生跨省流动格局

注：本图基于自然资源部标准地图服务系统下载的标准地图制作,底图无修改。

Fig. 2 Migration pattern of university students in the Yangtze River Delta

图2b是择业阶段以长三角三省一市为流出地,以全国31个省份（不含港澳台地区）作为就业目的地的毕业生流动格局。就学地与就业地之间的毕业生流量基本遵循随距离增加而衰减和等级跃迁规律。长三角高校毕业生在区域内就业占比高达79.72%,显示出长三角城市群强劲的人才粘附作用[8],其中流入上海、江苏、浙江、安徽就业的人数分别占17.04%、28.68%、19.14%、14.86%。长三角区域外,广东、北京对毕业生就业具有较强吸引力,流入量分别占2.82%、1.97%。位于东部地区的山东、福建的毕业生流入量也较多,流入量分别占1.47%、2.82%,其他省份的毕业生流入量则较少。择业阶段的毕业生流动具有路径依赖的特点,大量毕业生在就学地长期学习生活后,倾向于在就学地周边就业,或流入同等和更高等级地区就业。
聚焦长三角内部的跨省流动情况,基于就学城市与长三角区域内就业省份的毕业生流动量,将流动量划分为三个等级：高度跨省联系、中度跨省联系、低度跨省联系,对应区间分别为10%~20%、5%~10%、2%~5%,在每个区间内将城市按流动比例大小排序（表2）。高度跨省联系主要为从安徽省内城市流入江苏,从安徽和江苏省内城市流入上海;中度跨省联系主要为从安徽省内城市流入上海、江苏、浙江,从江苏南部城市流入上海,以及从上海流入浙江;低度跨省联系主要为从江苏北部城市流入上海,从上海流入江苏,以及从浙江省内城市流入江苏和上海。区域内跨省流动受地缘关系影响,如安徽的马鞍山、滁州、宿州、芜湖、蚌埠等苏皖边界城市与江苏形成高度跨省联系。苏南城市相对于苏北城市,与上海的流动联系更紧密,受省域边界的影响程度较低。
表2 毕业生区域内跨省就业流动联系类型

Table 2 Classification of inter-provincial migration within the Yangtze River Delta

就业省市 上海 江苏 浙江 安徽
高度跨省联系
10%~20%		 安庆、无锡、南通、蚌埠、滁州、镇江、池州、铜陵、淮北、黄山、宿州、马鞍山、淮南 马鞍山、滁州、安庆、宿州、芜湖、淮南、蚌埠、池州、淮北、六安、黄山
中度跨省联系
5%~10%
合肥、南京、盐城、芜湖、连云港、六安、舟山、扬州、苏州、徐州、嘉兴、阜阳 合肥、铜陵、舟山、阜阳 无锡、黄山、芜湖、安庆、滁州、淮南、蚌埠、宿州、合肥、池州、马鞍山、南京、上海
低度跨省联系
2%~5%		 杭州、常州、宿迁、淮安、泰州、宁波、金华、绍兴、亳州 上海、亳州、绍兴、金华、温州、嘉兴、杭州 铜陵、淮北、六安、徐州、镇江、盐城 无锡、金华
从就业流入省份来看,上海与江苏高度、中度跨省联系居多,浙江中度、低度两种跨省联系类型居多,而安徽仅有低度跨省联系一种类型,这说明长三角区域内省际间人才流动联系强度存在较大差异。上海与江苏的部分大城市是富有竞争力的人才流入中心,对于都市圈腹地范围内的邻省城市形成人才虹吸。浙江与安徽对于长三角区域内其他省份的毕业生而言,吸引力相对薄弱。

2.1.2 省内流动空间格局

在经济较发达、高等教育资源相对丰富的长三角区域,高校学生毕业后,选择留在就学地所在省份就业的比例较高。上海、江苏、浙江、安徽高校毕业生留在本省市就业的比例分别为67.71%、63.27%、73.59%、54.76%。为展现毕业生在省域内各城市间流动的层次结构,汇总了长三角各城市高校的省域内毕业生流入量和城市间毕业生流量。
如图3a所示,合肥、南京、常州、无锡、苏州、南通、上海、杭州、宁波是省内毕业生流入高地,流入量均在0.50万人以上,构成了高流入的“Z”型地带。除位于“Z”型地带沿线城市,沿海城市相较于内陆城市毕业生流入量也较高。如图3b所示,毕业生在江苏、浙江、安徽三省省内城市间流动的空间形态各异,省内层次分化比较明显。在江苏,南京的高等教育资源较丰富,高校毕业生数量较庞大,大量毕业生从南京毕业后流向苏州、无锡、常州等苏南城市。此外,苏州、无锡也吸引了大量毕业于徐州、南京、淮安的毕业生。南京和苏南几个城市构成了江苏省内的多核空间形态。在浙江,省会城市杭州与其他城市形成人才的双向流动关系,如杭州与宁波、杭州与金华、杭州与温州城市对间双向的毕业生流量均超过0.10万人。在安徽,合肥是省内流入中心,蚌埠、淮南、六安、芜湖等周边城市的毕业生流向合肥的人数均超过0.10万人,形成向省会辐合的空间形态。
图3 长三角毕业生省内流动格局

Fig. 3 Intra-provincial migration of graduates in the Yangtze River Delta

2.1.3 就学城市粘滞的空间特征

本文以城市为单元计算就学地的粘滞率（图4）,即毕业生在就学城市接受高等教育后,进入该城市的劳动力市场的占比。如图4a所示,除宣城无研究名单内的高校外,其他40个城市也基本呈现“Z”型高粘滞率地带和沿海至内地粘滞率递减的空间格局。上海在所有的城市中粘滞率最高,达到67.71%,苏州排名第二,粘滞率为53.31%。其余城市中粘滞率较高的有杭州（48.41%）、合肥（43.64%）、宁波（40.35%）。此外,嘉兴、亳州、阜阳、南通、台州等中小城市的粘滞率超过30%。
图4 长三角毕业生粘滞率分布格局

Fig. 4 Spatial patterns of retention rates in the Yangtze River Delta

基于城市共同边界的Rook邻接原则建立邻接空间权重矩阵,并进行长三角地区40个城市粘滞率的空间自相关分析得到,全局Moran's I指数为0.24,Z得分为2.80,P值<0.01,均通过正态分布单尾假设检验,说明就学地的粘滞率存在显著的空间相关性。图4b是长三角各城市粘滞率的LISA聚类图,上海和与其紧邻的苏州、嘉兴、南通属于“高—高”区,粘滞率均在30%以上。江苏省北部的徐州和安徽省南部的池州位于长三角的边缘位置,属于“低—低”区,粘滞率均小于15%。处于杭州与苏州之间的湖州和处于杭州与宁波之间的绍兴属于“低—高”区,与邻域城市相比其毕业生粘附能力较弱。两大高等教育资源丰富的省会城市合肥和南京属于“高—低”区,相比于邻域城市其毕业生粘附能力较强。以上海为核心的五座城市邻近区域形成集中连片的毕业生粘滞率高地,而省会城市合肥和南京对周边城市有虹吸效应,形成单极的毕业生粘滞率高地。

2.2 长三角高校毕业生流动的驱动因素

2.2.1 毕业生流动的驱动因子探测识别

对毕业生流入量和粘滞率与各城市属性进行的相关性分析均通过1%级别的显著性检验,系数均为正。在此基础上,运用地理探测器对毕业生流入量和粘滞率两项毕业生流动指标进行因子探测。结果如表3所示,各指标与毕业生流入量、粘滞率均存在显著的空间分布一致性。毕业生流入量的驱动因子按q统计值从大到小依次为：发明专利、研发投入、高等学校、高新企业、住宅价格、科教人员、生产总值、科教支出、论文数量、人均收入、产业结构、人口规模、城市宜居性。毕业生粘滞率的驱动因子按q统计值从大到小依次为：高新企业、研发投入、住宅价格、发明专利、高等学校、生产总值、科教支出、科教人员、人均收入、产业结构、人口规模、城市宜居性、论文数量。总体上,毕业生流入量与粘滞率的驱动因子排序较接近,城市创新和经济发展水平相较于城市宜居性而言,与毕业生择业地选择的关联更大。特别是创新因素,如创新产出、创新投入和创新载体指标,驱动作用整体更为显著。可见在长三角区域,创新对人才的吸引效应凸显。
表3 因子探测结果

Table 3 Results of factor detector

指标维度 指标因素 流入量 粘滞率
q统计值 p值 q统计值 p值
创新因素 发明专利 0.877 0.000 0.656 0.000
论文数量 0.579 0.000 0.389 0.009
研发投入 0.826 0.000 0.749 0.000
科教人员 0.668 0.000 0.527 0.000
科教支出 0.637 0.000 0.566 0.000
高等学校 0.793 0.000 0.618 0.000
高新企业 0.791 0.000 0.753 0.000
其他因素 人口规模 0.425 0.004 0.440 0.003
生产总值 0.657 0.000 0.584 0.000
产业结构 0.439 0.002 0.487 0.000
人均收入 0.487 0.000 0.520 0.000
住宅价格 0.703 0.000 0.683 0.000
城市宜居性 0.392 0.007 0.415 0.003

2.2.2 创新因素的风险探测

为揭示在各因素内部毕业生流入量和粘滞率的层间分布特征,本文依据统计关联性最优的离散化方案将各城市创新因素划分为I、II、III、IV、V,共五个内部层级区间,等级越高代表城市的创新层级越高。运用地理探测器对创新因素进行风险探测。毕业生流入量的探测结果如图5a所示。随着创新因素层级的提升,毕业生平均流入量呈上升趋势,平均流入量最低皆为第I层,最高皆为第V层。前五种创新因素（发明专利、论文数量、科教人员、科教支出、高等学校）对应的毕业生平均流入量在I~IV层提升幅度较缓,当达到V层时毕业生平均流入量大幅度跃升,相较于第IV层分别提升了2.53~4.68倍,高新企业因素对应的毕业生流入量在III~V层提升了7.06倍。毕业生流入量的波动趋势显示创新因素达到一定阈值时将会对毕业生流入量产生较强的积极影响,与其他层级拉开差距,表明创新和人才都高度集中于少数城市且具有相似的空间偏好。高新企业因素第IV层的城市有杭州、南京、合肥、宁波和无锡,第V层的城市有上海和苏州,高新企业在这些城市的集聚大大促进了毕业生的流入。
图5 风险探测结果

Fig. 5 Results of risk detector

毕业生粘滞率的探测结果如图5b所示,创新因素层级与平均粘滞率也大致呈正相关关系,当创新因素为V层时,平均粘滞率均最高,但在I~III层有所波动。创新因素中,科教人员、高新企业在第II层时对应的平均粘滞率最低。粘滞率不仅反映出就学地在吸引就业方面的“拉力”,也体现了就学地在毕业生流动方面的“阻力”。如亳州、阜阳就业人数中相当部分由生源地为本市的毕业生构成。这些城市的毕业生跨市流动性较差,导致即使创新层级较低的城市也有较高的平均粘滞率。当城市的创新层级到达第II或第III层后,由于阈值效应的存在,平均粘滞率的提升与创新因素层级恢复较强的一致性。

2.2.3 分省驱动因子探测

为加强对长三角内部各省域人才流动驱动力差异的认识,本文对江苏、浙江、安徽三省的毕业生流动进行分省驱动因子探测（表4）。结果显示,对毕业生流入量的因子探测中,只有江苏的城市创新因素和生产总值、人均收入、住宅价格通过1%级别的显著性检验,q统计值均大于0.89,而在浙江和安徽,两者之间的空间一致性并不显著。相比其他两省,江苏省的高等教育资源丰富、毕业生规模较大,要素层级分异特征更明显,因此省内毕业生流动与城市创新和经济实力分布呈现出更为匹配的结果。对粘滞率的因子探测中,江苏的发明专利、生产总值,浙江的科教支出、生产总值和住宅价格对粘滞率的驱动力通过10%级别的显著性检验,q统计值均大于0.79,而安徽省各指标因素与粘滞率未呈现出显著的空间一致性。
表4 分省因子探测q统计值

Table 4 Results of factor detector for each province

指标维度 指标因素 流入量 粘滞率
江苏 浙江 安徽 江苏 浙江 安徽
创新因素 发明专利 0.926*** 0.700 0.362 0.798* 0.726 0.292
论文数量 0.918*** 0.688 0.364 0.705 0.679 0.143
科教人员 0.938*** 0.702 0.383 0.681 0.758 0.530
研发投入 0.895*** 0.701 0.355 0.672 0.758 0.325
科教支出 0.916*** 0.701 0.397 0.685 0.862* 0.508
高等学校 0.916*** 0.696 0.274 0.647 0.636 0.500
高新企业 0.934*** 0.701 0.352 0.684 0.768 0.286
其他因素 人口规模 0.453 0.495 0.513 0.339 0.492 0.622
生产总值 0.926*** 0.701 0.355 0.793* 0.862* 0.191
产业结构 0.616 0.500 0.213 0.649 0.705 0.334
人均收入 0.931*** 0.695 0.448 0.682 0.715 0.406
住宅价格 0.930*** 0.692 0.570 0.694 0.850* 0.564
城市宜居性 0.356 0.688 0.352 0.372 0.745 0.428

注：***和*分别表示在1%和10%的统计水平显著。

3 结论与讨论

3.1 结论

本文聚焦高校毕业生这一人力资本承载者和创新主体,基于124所高校发布的2019年《毕业生就业质量报告》数据,使用空间分析方法呈现了长三角毕业生在全国和区域尺度流动的空间特征,借助地理探测器对毕业生流入量和粘滞率与城市创新因素的空间耦合关系进行了深入的解析,主要结论如下：
（1）长三角高校毕业生就业地选择以长三角本区域为主,本区域的就业人数比例高达79.72%,择业阶段相较于择校阶段空间分布更趋集聚,毕业生流动基本遵循随距离衰减和等级跃迁规律。在区域内部毕业生跨省流动呈现省域分化,上海与江苏吸引了大量来自长三角城市的毕业生,而安徽城市在区域内跨省流动中主要扮演人才输出者的角色。
（2）长三角高校毕业生留在本省就业的比例整体较高,省内毕业生流入量形成以上海为中心的“Z”型格局,沿海城市也有较高的毕业生流入量。江苏、浙江、安徽三省的毕业生省内流动呈现出三种不同的空间形态：江苏主要指向南京与苏锡常地区,整体向苏南地区集聚,浙江形成了省会杭州与地级市之间双向循环流动的格局,而安徽则主要向合肥向心辐合。
（3）长三角城市对毕业生的粘滞效应较强,位于“Z”型地带和沿海城市的粘滞率整体较高。粘滞率具有显著的全局空间相关性和局部自相关性,上海是区域内粘滞率水平最高的城市,与紧邻上海周围的苏州、嘉兴、南通形成粘滞率“高—高”区。在其他地区主要表现为省会城市和大城市对邻近城市的虹吸效应。
（4）对毕业生流入量和粘滞率进行的地理探测中发现,发明专利、研发投入、高等学校和高新企业等创新因素,住宅价格、生产总值和人均收入等经济因素在毕业生流入量和粘滞率的因子探测中排名均比较靠前,城市创新和城市经济与毕业生流动的一致性较为强烈,但分省的因子驱动作用存在显著差异,在江苏,创新因子与人才流动具有较强空间一致性,浙江次之,而安徽则并未呈现空间一致性。风险探测发现,在创新水平最高的分层,毕业生流入量和粘滞率有明显的跃升,说明城市创新对人才吸引存在阈值效应。

3.2 讨论

长三角人才一体化作为整合区域间人才资源的重大战略举措,旨在通过建立平等竞争、合作交流、互动协调、共建共享等机制,促进人才有序流动和优化配置,最大限度发挥区域人才整体竞争力、释放人才创新活力。然而,构建区域创新人才共同体并非易事,基于本文的研究,我们发现作为人才的第一培养地和输送地,高校在人力资本的跨区域转移中扮演着关键角色。因此,建议从高校这一创新系统中的重要构成入手,在人才培养和输送过程中进行政策设计,促进长三角人才一体化。如进一步扩大长三角高校合作联盟的参与高校范围,整合研究型、应用型高校资源,探索学分互认、交换生计划、暑期班计划等方式,推动高校进行全面合作,在培养过程中就能实现区域流动。在人才输送环节,各城市政府应加快人才一体化发展的体制机制建设,探索落户积分互认制度,弱化户口与公共服务的捆绑,建立公积金、社会保障等一体化服务平台,逐步打破妨碍人才流动的体制机制弊端。长三角地区的41个地级及以上城市规模、等级、区位条件、产业结构、创新水平等都不尽相同,不同类型城市应在构建长三角人才合作网络中发挥其比较优势。在区位条件较好的发达城市进一步提高创新投入力度,最大限度发挥创新因素的阈值效应,激发高校毕业生等区域人才的流动积极性。在容纳能力较弱的欠发达地区需要立足于区域分工定位,将高等教育、产业创新和区域发展政策进行战略整合,在促进结构变革的过程中逐步提高人才吸引力和竞争力。
囿于报告数据的缺失与精确资料获得的难度,本文是单群体、横截面的结果,在对不同专业和学历层次的人才分类讨论和跨年份流动特征的纵向比较方面有待继续追踪研究。人才流动与创新之间互相影响[28],本文仅考虑了由城市创新因素引致的人才吸引效应,而对毕业生流动与城市创新的因果关系有待深入剖析。此外,本文使用地理探测器方法进行探索性尝试,对于创新因素阈值效应的产生机制有待进行深层挖掘。未来,仍需基于更多源的数据和新方法,对区域人才流动格局及其与创新的关系进行系统研究。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
陶希东. 长三角跨行政区社会协同治理的理论、实践与展望. 创新, 2021, 15(3): 31-40.

[ TAO X D. Theories, practice and prospects of collaborative social governance across administrative regions in the Yangtze River Delta. Innovation, 2021, 15(3): 31-40.]

[2]
吴从环. 长江三角洲地区人才开发一体化及其发展趋势研究. 上海行政学院学报, 2005, 6(5): 72-82.

[ WU C H. Study of the present situation and tendency of talent-development integration in the Yangtze River Delta. Journal of Shanghai Administration Institute, 2005, 6(5): 72-82.]

[3]
赵国钦, 张战, 沈展西, 等. 新一轮“人才争夺战”的工具导向和价值反思: 基于政策文本分析的视角. 中国人力资源开发, 2018, 35(6): 75-84.

[ ZHAO G Q, ZHANG Z, SHEN Z X, et al. Instrumental orientation and value reflection in new round of "talents war": Under the perspective of policy text analysis. Human Resources Development of China, 2018, 35(6): 75-84.]

[4]
CINTIO M D, GRASSI E. Internal migration and wages of Italian university graduates. Papers in Regional Science, 2013, 92(1): 119-140.

[5]
TANG A Z R, ROWE F, CORCORAN J, et al. Where are the overseas graduates staying on? Overseas graduate migration and rural attachment in Australia. Applied Geography, 2014, 53: 66-76.

DOI

[6]
BOUND J, GROEN J, KEZDI G, et al. Trade in university training: Cross-state variation in the production and stock of college-educated labor. Journal of Econometrics, 2004, 121(1-2): 143-173.

DOI

[7]
KRABEL S, FLOTHER C. Here today, gone tomorrow? Regional labor mobility of German university graduates. Regional Studies, 2014, 48(10): 1609-1627.

DOI

[8]
聂晶鑫, 刘合林. 中国人才流动的地域模式及空间分布格局研究. 地理科学, 2018, 38(12): 1979-1987.

DOI

[ NIE J X, LIU H L. Spatial pattern and the resulting characteristics of talent flows in China. Scientia Geographica Sinica, 2018, 38(12): 1979-1987.]

[9]
CUI C, WANG Y, WANG Q. The interregional migration of human capital: The case of "first-class" university graduates in China. Applied Spatial Analysis and Policy, 2021: 1-23.

[10]
GU H, MENG X, SHEN T, et al. China's highly educated talents in 2015: Patterns, determinants and spatial spillover effects. Applied Spatial Analysis and Policy, 2020, 13(3): 631-648.

DOI

[11]
钟雨齐, 王强, 崔璨, 等. 人力资本的空间迁移模式与影响因素分析: 以南京市高校毕业生为例. 地理科学, 2021, 41(6): 970-980.

[ ZHONG Y Q, WANG Q, CUI C, et al. Migration pattern of human capital and its influential factors: A case study of university graduates in Nanjing city. Scientia Geographica Sinica, 2021, 41(6): 970-980.]

[12]
STARK O. Migration and incomes in source communities: A new economics of migration perspective from China. Economic Development & Cultural Change, 2005, 53(4): 983-986.

[13]
BROERSMA L, DIJK J V. The effect of congestion and agglomeration on multifactor productivity growth in Dutch regions. Journal of Economic Geography, 2008, 8(2): 181-209.

DOI

[14]
VENHORST V A, DIJK J V, VAN WISSEN L. An analysis of trends in spatial mobility of Dutch graduates. Spatial Economic Analysis, 2011, 6(1): 57-82.

DOI

[15]
宋弘, 吴茂华. 高房价是否导致了区域高技能人力资本流出?. 金融研究, 2020, (3): 77-95.

[ SONG H, WU M H. Do excessive housing prices lead to an outflow of talent?. Journal of Financial Research, 2020, (3): 77-95.]

[16]
GRAVES P E. A reexamination of migration, economic opportunity, and the quality of life. Journal of Regional Science, 1976, 16(1): 107-112.

DOI

[17]
GRAVES P E. Migration with a composite amenity: The role of rents. Journal of Regional Science, 1983, 23(4): 541-546.

DOI

[18]
GLAESER E L, KOLKO J, SAIZ A. Consumer city. Journal of Economic Geography, 2001, 1(1): 27-50.

DOI

[19]
BOUWEL L V, VEUGELERS R. The determinants of student mobility in Europe: The quality dimension. European Journal of Higher Education, 2013, 3(2): 172-190.

DOI

[20]
HOLDEN G. Innovation clusters: Creating jobs, retaining talent. Research Technology Management, 2011, 54(5): 5-6.

[21]
牛冲槐, 芮雪琴, 王聪, 等. 区域创新系统优化对人才聚集效应的作用研究. 系统科学学报, 2007, (4): 64-66.

[ NIU C H, RUI X Q, WANG C, et al. Research on the action of regional innovation system to the effects of talents mass. Chinese Journal of Systems Science, 2007, (4): 64-66.]

[22]
BROWN P, SADIK S, XU J. Higher education, graduate talent and the prospects for social mobility in China's innovation nation. International Journal of Educational Research, 2021, 109: 101841, Doi: 10.1016/j.ijer.2021.101841.

DOI

[23]
刘晔, 徐楦钫, 马海涛. 中国城市人力资本水平与人口集聚对创新产出的影响. 地理科学, 2021, 41(6): 923-932.

DOI

[ LIU Y, XU X F, MA H T. Impact of human capital stock and population concentration on innovative output in China. Scientia Geographica Sinica, 2021, 41(6): 923-932.]

[24]
杜德斌. 全球科技创新中心的兴起. 文汇报, 2015, (3): 19.

[ DU D B. The rise of global technology innovation center. The Standard, 2015, (3): 19.]

[25]
官远发, 王雁, 张希胜, 等. 创意城市与现代大学: 从3T理论到三区联动. 教育发展研究, 2007, (9): 15-19.

[ GUAN Y F, WANG Y, ZHANG X S, et al. Creative city & modern university: 3T theory into integration of 3 districts. Research in Educational Development, 2007, (9): 15-19.]

[26]
MOLHO I. Theories of migration: A review. Scottish Journal of Political Economy, 1986, 33(4): 396-419.

DOI

[27]
FAGGIAN A. Job search theory. Handbook of Regional Science, 2021: 481-495.

[28]
FAGGIAN A, MCCANN P. Human capital, graduate migration and innovation in British regions. Cambridge Journal of Economics, 2009, 33(2): 317-333.

DOI

[29]
MARINELLI E. Graduates on the move: Knowledge flows and Italian regional disparities: Migration patterns of 2001 graduates. London: London School of Economics and Political Science, 2011.

[30]
PANTELIS K. On the nexus between innovation, productivity and migration of US university graduates. Spatial Economic Analysis, 2019, 14(4): 465-485.

[31]
SUN Y F, PAN K F, HE Z L. Intercity migration behavior of Chinese graduates: From home region to work destination. The Annals of Regional Science, 2020, 64(1): 111-132.

DOI

[32]
张抗私, 周晓蒙. 大学毕业生就业的省际流动特征及其影响因素. 人口与经济, 2018, (1): 69-78.

[ ZHANG K S, ZHOU X M. An analysis on the characteristics and influencing factors of the inter-provincial flow of the graduates. Population & Economics, 2018, (1): 69-78.]

[33]
中华人民共和国教育部发展规划司. 中国教育统计年鉴. 北京: 人民教育出版社, 2019.

[Department of Development Planning, Ministry of Education of the People's Republic of China. China Education Statistics Yearbook. Beijing: People's Education Press, 2019.]

[34]
JAFFE A B. Technological opportunity and spillovers of R&D: Evidence from firms' patents, profits and market value. National Bureau of Economic Research, 1986, 76(5): 984-1001.

[35]
CANIELS M C J. Knowledge Spillovers and Economic Growth: Regional Growth Differentials across Europe. Cheltenham: Edward Elgar Publishing, 2000.

[36]
钱晓烨, 迟巍, 黎波. 人力资本对我国区域创新及经济增长的影响: 基于空间计量的实证研究. 数量经济技术经济研究, 2010, 27(4): 107-121.

[ QIAN X Y, CHI W, LI B. The role of human capital in regional innovation activities and economic growth: Spatial econometric study. The Journal of Quantitative & Technical Economics, 2010, 27(4): 107-121.]

[37]
LI Y, PHELPS N A. Articulating China's science and technology: Knowledge collaboration networks within and beyond the Yangtze River Delta megalopolis in China. Chinese Geographical Science, 2018, 28(2): 247-260.

DOI

[38]
姜海宁, 张文忠, 余建辉, 等. 山西资源型城市创新环境与产业结构转型空间耦合. 自然资源学报, 2020, 35(2): 269-283.

[ JIANG H N, ZHANG W Z, YU J H, et al. Spatial coupling of innovative milieu and industrial structure transformation of resource-based cities in Shanxi province. Journal of Natural Resources, 2020, 35(2): 269-283.]

DOI

[39]
马海涛, 卢硕, 张文忠. 京津冀城市群城镇化与创新的耦合过程与机理. 地理研究, 2020, 39(2): 303-318.

DOI

[ MA H T, LU S, ZHANG W Z. Coupling process and mechanism of urbanization and innovation in Beijing-Tianjin-Hebei Urban Agglomeration. Geographical Research, 2020, 39(2): 303-318.]

[40]
DAY K M. Interprovincial migration and local public goods. Canadian Journal of Economics, 1992, 25(1): 123-144.

DOI

[41]
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. 地理研究, 2021, 40(3): 743-761.

DOI

[ WANG Y F, CUI C, WANG Q, 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.]

[42]
李琴, 谢治. 青年流动人才空间分布及居留意愿影响因素: 基于2017年全国流动人口动态监测数据. 经济地理, 2020, 40(9): 27-35.

[ LI Q, XIE Z. Spatial distribution of floating young talents and influencing factors of their settlement intention: Based on the dynamic monitoring data of the national floating population in 2017. Economic Geography, 2020, 40(9): 27-35.]

[43]
朱鹏程, 张宇, 曹卫东, 等. 长三角企业经营管理人才空间分布及其地理流动网络: 基于上市公司董监高团队数据分析. 人文地理, 2020, 35(4): 121-129.

[ ZHU P C, ZHANG Y, CAO W D, et al. Spatial distribution and geographical mobile network of enterprise management talents in Yangtze River Delta: Based on the data of senior executive director team of listed company. Human Geography, 2020, 35(4): 121-129.]

[44]
侯纯光, 杜德斌, 段德忠, 等. “一带一路”沿线国家或地区人才流动网络结构演化. 地理科学, 2019, 39(11): 1711-1718.

DOI

[ HOU C G, DU D B, DUAN D Z, et al. The evolution of the network structure of talent mobility in countries or regions along the "Belt and Road". Scientia Geographica Sinica, 2019, 39(11): 1711-1718.]

[45]
刘尊雷, 张寒野, 袁兴伟, 等. 基于遥感影像的江西省水体资源和水产养殖结构空间异质性分析. 自然资源学报, 2018, 33(10): 1833-1846.

[ LIU Z L, ZHANG H Y, YUAN X W, et al. Spatial heterogeneity of water resource and aquaculture structure in Jiangxi province based on remote sensing image. Journal of Natural Resources, 2018, 33(10): 1833-1846.]

DOI

[46]
王劲峰, 徐成东. 地理探测器: 原理与展望. 地理学报, 2017, 72(1): 116-134.

DOI

[ WANG J F, XU C D. Geodetector: Principle and prospective. Acta Geographica Sinica, 2017, 72(1): 116-134.]

[47]
WANG J F, ZHANG T L, FU B J. A measure of spatial stratified heterogeneity. Ecological Indicators, 2016, 67: 250-256.

DOI

[48]
SONG Y, WANG J, GE Y, et al. An optimal parameters-based geographical detector model enhances geographic characteristics of explanatory variables for spatial heterogeneity analysis: Cases with different types of spatial data. GIScience & Remote Sensing, 2020, 57(5): 593-610.

Options
Outlines

/

〈 〉