区域教育水平对经济高质量发展的影响

2021-04-08朱新彧张松燕李嘉怡

合作经济与科技 2021年8期

□文/朱新彧张松燕李嘉怡

（华北水利水电大学河南·郑州）

［提要］教育在经济高质量发展中承担着加速技术进步和知识外溢的必要运载体的作用。本文为探究两者关系，选取我国31 个省份的面板数据，建立评价指标体系，用客观的熵权法确定指标权重，选取TOPSI S 模型测算得分。通过计算两者的皮尔逊相关系数，得出教育水平和经济高质量发展水平之间确实存在关联，接着画出标准差椭圆分析测算中国教育水平及经济高质量发展水平的空间差异，得出其相应变动趋势。最后运用GMM动态面板模型回归定量比较分析教育水平及经济高质量发展水平的关系，为更好地优化教育资源配置和促进区域经济协调高质量发展提出可行性建议。

一、引言

随着我国经济增速的加快，经济发展质量越来越受到社会各界的重视，从质量方面全面构建各区域经济协调发展的新格局是我国经济发展的需要。其中，教育水平对经济高质量发展的影响不容小觑，它经由当今社会资源中的人为因素间接影响着经济高质量发展。

目前，部分学者认为教育水平和经济发展水平间有密切关系。王莎（2015）基于2003～2012 年全国285 个地级及以上城市面板数据，从规模和质量两个方面检验高等教育对区域经济增长的影响，认为高等教育规模对经济增长的影响具有区域差异。张鼎权（2019）以四川省和江苏省为研究对象，基于数据包络模型实证分析了教育对我国经济增长贡献的地区差异性影响。

此外，部分学者发现推动经济发展的重要因素在于提升经济质量。邵伏军（2014）基于结构向量回归和状态空间模型，提取中国经济增速的趋势项，认为宏观政策的变化会对中国未来潜在经济增长造成一定的冲击。张治河（2019）基于知识溢出模型构建创新驱动经济高质量发展的机制模型，认为创新对高质量发展的驱动机制已成为一项重大发展需求。徐学敏（1998）基于三大产业发展比重对区域经济进行分析验证，认为经济发展重在质量。

因此，本文利用我国31 个省份的面板数据对区域教育水平及经济高质量发展水平进行相关分析，旨在从教育方面全面提高经济发展质量，为区域经济的协调发展提供政策性建议。

二、模型构建与数据获取

（一）评价指标体系的构建。本文按照指标选取的结构层次性、子系统综合性、过程动态性及简明科学性等原则，选取了16 个评价教育水平的指标和17 个衡量经济高质量发展水平的指标，建立基本评价指标体系如表1 所示。（表1）

（二）熵值法。为了避免其他人为因素对权重的影响，更加客观地确定中国各地区教育及经济高质量发展相关指标的权重，本文选取熵值法进行分析评价。该方法是基于评价指标的原有信息，在大量已统计的数据上，根据指标变化程度计算其权重。该方法能排除评价主体的主观性，具有较强可信度。

（三）TOPSI S 综合评价。 TOPSIS 法即逼近理想解排序法，根据有限个评价对象与理想化目标的接近程度进行排序的方法，是在现有的对象中进行相对优劣的评价。本文利用TOPSIS 法对省域教育水平及发展水平进行量化。

（四）标准差椭圆。标准差椭圆（SDE）是分析空间分布方向性特征的一个经典方法。其中，椭圆的中心是其空间分布的平均中心，即为这组要素的密度中心，反映了空间格局的移动方向及变化趋势。椭圆的长半轴和短半轴，表征要素的集中或离散程度。椭圆长轴与纬线的夹角表示数据分布的动态方向，反映格局的主导方向。椭圆的大小反映空间格局总体要素的分布性，即集中或离散程度。

（五）GMM动态面板。由于区域经济高质量发展具有滞后性，即本期的经济高质量发展水平会受到上一期的一定影响，因此为了保证后续研究的准确性与可靠性，本文在构建模型时，需要引入滞后一期变量来构建GMM 动态面板模型，并选用省际面板数据进行估计。计量模型设定如下：

其中，i 表示截面数，t 表示年份。ISUit表示省域i 第t 年经济高质量发展水平；ISUit-1表示省域i 第t-1 年经济高质量发展水平；INFit表示省域i 第t 年教育水平；SRIit表示省域i 第t 年产业结构优化率；FTLit表示省域i 第t 年金融发展水平；URBit表示省域i 第t 年技术创新水平；μit表示随个体和时间改变的扰动项。

指标选取和数据来源：在以上模型中，本文将经济高质量发展水平（ISU）作为被解释变量，将教育水平（INF）作为解释变量。其中，区域经济高质量发展水平和教育水平使用基于熵值算子的TOPSIS 综合评价模型衡量。

此外，考虑到计量模型可能存在的内生性遗漏问题，本文选取信息化发展水平（SRI）、金融发展水平（FTL）、技术创新水平（URB）作为控制变量。为了消除变量之间的异方差，对变量数据进行取对数处理。GMM 动态面板回归模型的变量定义与符号如表2 所示。（表2）

本部分数据源自《中国统计年鉴》（2010–2017）和《中国信息化发展水平评估报告》（2010-2017），包含了我国31 个省份的面板数据。

三、实证分析

（一）熵值赋权。熵值赋权结果如表3 所示，结果表明：区域教育发展主要从其内在体现，教育背景、基础设施对区域教育水平的影响更大；同时，教育成果（即教育产出）也体现了区域教育水平。发展教育应将重点放在对教育产出的鼓励和教育师资方面，通过教育成果的实现将理论与现实结合起来，能够更加彻底地发展区域教育水平。（表3）

（二）TOPSI S 评价。利用TOPSIS 综合评价得出各省域不同年份和各年份不同区域的教育水平及经济高质量发展水平得分，结果表明：全国经济高质量发展水平及教育水平呈逐年增长趋势。经济高质量发展水平的每年平均增长率为4.187%，教育水平的年均增长率为3.622%。图1 为2010～2017 年各省份教育水平及经济高质量发展水平得分和。（图1）

运用皮尔逊相关系数计算出各区域教育水平与经济高质量发展水平的皮尔逊相关系数为0.5252，说明其具有较强的相关性。

（三）标准差椭圆建模。运用ARCGIS 软件计算出不同年份教育水平得分及经济高质量发展水平得分，椭圆的相关属性如表4 所示。结果显示：经济高质量发展与教育水平发展具有较强的相关性，各年度教育水平及经济高质量发展水平椭圆的相关属性差别不大。（表4）

表1 评价指标体系一览表

表2 GMM动态面板回归模型变量定义一览表

表3 各一级指标具体权重一览表

图1 各区域教育水平及经济高质量发展水平逐年变动图

运用95%的标准差等级得到的2010～2017 年经济得分和教育得分椭圆变化，其中小椭圆为教育得分，大椭圆为经济得分。在该空间格局上，两个指标测度都呈现出“东部地区>中部地区>西部地区”的趋势。标准差椭圆扁率略大，说明两个指标由西向东呈上升态势，且有一定的方向性。在时间上，教育水平的短半轴逐年减小，说明其数据逐年集中。经济高质量发展水平的短半轴逐年增加，说明其数据略有离散。且长轴与纬线的夹角反映了其地域分布的方向性稍强，且方向为西略偏南至东略偏北。同时，椭圆的几何中心都约分布在东部地区，结合其方向，可判断出东部地区是集聚度最高的地区。最后，该两个指标的水平随着时间逐年动态提升。

（四）GMM 动态面板回归结果。考虑到模型可能产生内生性遗漏，使用广义矩估计（GMM）方法来估计研究设计给出的测量模型。系统GMM 将差分方程与水平方程结合起来，增加了一组滞后的差分变量作为水平方程相应的工具变量，提高了工具变量有效性。因此，运用系统广义矩阵估计在引入经济高质量发展水平（ISU）的一阶滞后值的模型中进行回归。首先对模型进行过度识别检验，采用Hansen 检验并判断工具变量是否使用合理。若过度识别检验大于0.05，则接受原假设，即表明所选工具变量均为有效工具变量，回归结果如表5 所示。（表5）

表5 的估计结果表明，前一年经济高质量发展水平在0.1%的显著性水平上影响本年经济高质量发展水平，前一年经济高质量发展水平每提高1%，本年经济高质量发展水平提高0.3122%，说明本期经济高质量发展水平对上期经济高质量发展水平具有较强的依赖性。因此，应用动态面板模型相较于静态模型将更适用于刻画这一现象，也更能够验证本文模型选择的严密性及准确性。

教育水平的影响系数为0.4401，且显著性p=0.007，表明教育水平在0.1%的显著性水平上正向影响着经济高质量发展水平，即教育水平每提高1%，经济高质量发展水平提高0.4401%。这与皮尔逊相关系数的结果分析基本一致。

另外，Sargan 检验p=0.067，可以在5%的显著性水平上接受“所有工具变量都有效的原假设”，这表明可以进行GMM 系统估计。

信息化发展水平影响系数为正，说明信息化发展水平与经济高质量发展水平呈显著的正相关。技术创新水平影响系数为正，说明技术创新水平与经济高质量发展水平呈显著的正相关关系。当年技术创新水平每增加1%，经济高质量发展水平提高0.1526%，且在0.1%的水平上显著。金融发展水平影响系数为正，说明金融发展水平与经济高质量发展水平呈显著的正相关关系。

平稳性检验：通过对各变量进行单位根检验来避免伪回归。本文使用LLC 检验方法，结果显示：各变量都拒绝存在单位根的原假设，即变量是平稳的，保证了模型估计的可行性。（表6）