中国高层次科技人才省际流动复杂网络特征研究

靳军宝，曲建升，吴新年，郑玉荣，白光祖

(1.中国科学院西北生态环境资源研究院，甘肃兰州 730000；2.中国科学院大学经济与管理学院，北京 100049；)

人才是各国和各地区争夺的宝贵社会资源。在全球科技竞争日趋激烈的背景下，科技人才的各类型迁移流动日趋频繁［1］。目前对科技人才流动研究主要集中在科技人才流动特征研究、流动原因及影响因素分析、科技人才流动绩效评价研究及人才流动网络研究等［2-14］。

人才流动网络中以国家/省份/机构等作为节点，人才流动路径作为边，则人才流动就构成了一个有向复杂网络，通过人才流动，将知识流、技术流、信息流等要素在各节点间传递。目前，国内外对人才流动网络的相关研究较多，多数研究的是以统计数据为数据源进行分析的。如陈锐［13］等人利用改进重力模型，以第六次人口普查数据为例，构建了省际人口流动复杂网络，研究结果表明，大规模实际人口流动网络呈现小世界特征，但无标度特征不明显，社团间联系较为频繁，帮派特性较为明显。李毅等人［15］基于复杂网络分析方法对省际人口流动空间格局进行了分析，研究结果与我国实际省际人口流动格局现实相符，验证了该方法的可行性和可靠性。马学广等人［16］也对我国省际人口流动空间联系及其网络进行了研究。叶明确等人［17］利用2005 年和2015 年国家统计局发布的省级人口流动数据，分析了我国省际人口流动网络演化及其影响因素。侯纯光等人［18］以联合国教科文组织（UNESCO）数据库为全球高等教育学生跨国流动信息数据源，对2001—2015 年全球人才流动复杂网络特征进行了分析。盛广耀［19］对1995—2015 年我国省际人流流动网络演化进行了分析，并基于“关系－关系”的QAP方法分析了影响人口流动网络变化的影响因素，结果发现省际人口流动网络从最初的单向流动、结构系数的脆弱性网络逐渐演变为关系复杂、结构紧密的稳健性网络。。

也有学者采用网络平台数据对人口流动网络进行研究，如潘竟虎等人［20］以“腾讯迁徙”数据平台采集的2017 年国庆和中秋假期期间的299 个城市的人口流动数据构建网络进行分析。梁林等人［21］以通讯位置大数据为数据源，对京津冀城市间人口流动网络进行分析，结构表明，京津冀城市人口流动网络复合“小世界”网络特征，人口流动网络具有明显层次性。也有学者以履历分析方法获取数据，对人才流动网络进行分析，如田瑞强等人［22］通过履历分析法，采集到233 位海外华人高层次科技人才履历信息，利用社会网络分析方法对其流动网络进行了分析，结果表明海外华人高层次科技人才流动主要集中在美国、英国、中国、新加坡和瑞士等5 个国家，通过凝聚子群分析，共得到3 个子群。此外，王寅秋等［23］通过文献计量和履历方法分析，对筛选出的我国科技人才流动网络进行分析，并根据肤质网络与人才流动所呈现的相似性关系，建立了科技人才流动复杂网络定量化模型框架。

本研究以我国入选科睿唯安“高被引科学家”为高层次科技人才研究对象，对其跨省流动中网络结构进行分析，研究结果对于我国进一步了解高层次科技人才流动网络结构特征及其规律具有一定参考意义。

1 数据与方法

1.1 数据来源与研究对象

本研究以2014—2019 年我国入选科睿唯安（Clarivate）发布的“高被引科学家”为高层次科技人才研究对象，通过个人履历信息、科学文献表征信息、公开网络信息等渠道构建高层次人才迁移数据库。2014—2019 年中国（未含港澳台地区，下同）共有817人/1 740人次（有科学家同时入选2个或多个学科）入选［24］，198 人在工作阶段具有跨省流动经历。

1.2 研究方法

1.2.1 整体网络特征指标

（1）网络密度。网络密度是测量网络数据的指标，表示网络中节点联系的紧密程度。整体网密度越大，对个体的影响越大，反映网络节点之间的关联越紧密，网络自身越稳健，反之，则表明网络结构越松散，网络较多是通过其中一两个核心节点产生关联，网络结构“不稳健”。

其中D表示网络密度，Li表示迁移网络中的高被引科学家流动网络的实际关联总数，n表示流动网络中的网络节点数。

（2）平均路径长度。平均路径长度（L）作为网络中的一个重要特征度量，指网络中所有节点对之间的平均最短距离，用来衡量网络的可达性及传输性能与效率。

（3）平均聚类系数。平均聚类系数可以用来衡量网络节点（如国家/地区）间的紧密程度，平均聚类系数越大，则表明网络节点（如国家/地区）间的联系越紧密，网络节点（如国家/地区）间的潜在流动可能性越大。

1.2.2 网络节点特征指标

（1）点度中心度。点度中心度是通过与该节点有直接联系的节点数来测度，点度中心度越大的节点说明该阶段与网络中其他节点的联系更为紧密，在网络中居于更为中心的地位，相应的该节点在该网络中的影响力越大。在科学家迁移网络中，如果在迁移网络中某一节点与网络中其他节点直接关联越多，则说明该节点对于科技人才的吸引力越强。

将公式（1）标准化后得到如下公式：

（2）接近中心度。接近中心度指网络中一个节点与该网络其他所有节点的捷径距离之和，如果一个节点与网络中所有其他节点的“距离”都很短，则说明该节点具有较高的接近中心度，也可以理解为该节点在多大程度不受其他节点的控制。接近中心度越大，则该节点越处于网络中的边缘地位，反之，则位于网络中的核心地位。

将公式（1）标准化后得到如下公式：

（3）中介中心度。中介中心度指一个节点担任其它两个节点之间最短路径的次数，一个节点充当“中介”的次数越高，它的中介中心度就越大。具体表示科学家迁移网络中国家/省域/机构在网络中的控制其他国家/省域/机构的能力，即分析某一或某几个国家/省域/机构在网络是否扮演“中间联络人”的角色。

如果一个节点处于许多其他两点之间的路径上，可以认为该节点居于重要地位，因为他是两个节点之间交往的“中介”。如果一个节点在网络中占据这样的位置越多，则代表该节点对整个网络的“控制”能力越强。

将公式（1）标准化后得到如下公式：

（4）入度与出度。在复杂有向网络中，科技人才迁移有向网络中分为入度和出度，入度揭示该地区对于其他地区科技人才的吸引程度，出度则反映出该地区对于其他地区的辐射能力。

入度定义为：

出度定义为：

1.2.3 空间聚类特征

（1）凝聚子群。凝聚子群又称聚类分析、社团结构划分等。凝聚子群可以分析出整个网络中有多少群组，群组间具有什么关系及群组成员间的特点。相对而言，各群组内部成员间联系更为紧密，频次更高。

通常用模块的函数Q衡量社团划分的效果［18］。模块度Q值越大，则表明社团划分效果越好，Q值越低，则表明社团结构特征不明显。在实际复杂网络分析中，Q值通常为0.3～0.7。

（2）核心-边缘结构分析。高层次科技人才流动核心-边缘结构抽象为数学模型如图1 所示，图1 中行列交叉区域中的格子为块，代表类别与其自身的关系或与其他类别之间的关系。通过分析邻接矩阵中的块则可以对其所表示的位置内或位置间的网络结构关系进行分析。沿对角线分布的块表示某个位置（类别）的内部关系流，远离对角线分布的块则代表类别之间的关系流。理想的核心-边缘结构中核心顶点都是相互连接的（顶点n1 和n2），而边缘顶点（m1 到m3）则并不直接相连［25］。从图1 矩阵图可以看出水平和垂直各有一条黑色分隔带，社会关系流主要出现在核心内部和核心与边缘之间。

图1 理想化核心-边缘结构模型

2 结果分析

2.1 网络整体特征

从表1 来看，2014—2019 年我国高被引科学家跨省迁移复杂网络密度为0.126。网络平均路径长度为2.043，即平均经过网络中的任意两个省份就能够建立联系。从表2 可以看出，网络距离为1（即1 个省份）的频次为124，占13.3%，网络距离为2 的频次为334，占35.9%，网络距离为3 的频次为132，占14.2%，网络距离为4 的频次为9，占1.0%。

表1 2014—2019 我国高被引科学家跨省流动网络特征

表2 流动网络距离频次与占比

表2（续）

图2 为2014—2019 年我国入选高被引科学家省际迁移网络图，图中箭头方向代表流动方向，线条粗细代表人才流动规模，节点大小代表中心度大小。可以看出，我国高被引科学家省际迁移主要集中在北京、上海、江苏、浙江、安徽、四川等省区，其中流入省区主要有北京、上海、江苏、广东、四川等地区，流出省区主要有北京、上海、辽宁、安徽等地区。

图2 我国高被引科学家省际流动复杂网络

2.2 网络节点特征

（1）点度中心度分析。由于高被引科学家省际迁移网络为有向复杂网络，因此每个节点有入度和出度两个值，入度表示该节点对于其他省份科技人才的吸引出度，出度则反映出该节点对于其他省份的辐射能力。从表3 可以看出我国高被引科学家入度排名前五位的省份为北京、上海、江苏、广东和四川，说明这些省级行政区具有较强的人才吸引力。出度排名前五位的省份为北京、上海、辽宁、安徽和江苏，说明这些省级行政区具有较强的人才辐射力。从入度盈余来看，北京入度盈余仅为0，说明北京高被引科学家人口流动高度均衡。入度盈余值排名前五位的省级行政区分别为广东、江苏、四川、上海和山东，说明这些地区高被引科学家均为净流入状态，对人才吸引优势较为明显，而吉林、安徽、辽宁、湖南等地入度盈余值最低，说明这些城市均为人次净流出状态，对在人才省际流动网络中具有辐射控制的作用。西藏、内蒙古、宁夏等地区出度、入度及入度盈余值均为0，是因为这些地区未有高被引科学家入选。总度值排名前五位的省区为北京、上海、江苏、辽宁和广东，其中北京的总度值超排名第二位的上海近55，对其他地区有着绝对的吸引力和影响力。网络地位较低（度值较低）的省区均为边疆、少数民族聚集区或科教资源不发达的省区。

表3 2014—2019 年我国入选高被引科学家入度、出度及入度盈余

表3（续）

从图3 可以看出，我国高被引科学家省际迁移网络基本一致，如表4 所示，通过SPSS22 相关性检验，Pearson 相关性系数高达0.874，入度与出度值相关性在0.01 上是显著性。可以看出，节点出度与入度是显著相关的。

图3 人才流动入度与出度

表4 入度与出度相关性分析

（2）接近中心度分析。从表5 我国高被引科学家省际迁移网络接近中心度值可以看出，出接近中心度排名前10 位的省际行政区为北京、上海、江苏、吉林、安徽、湖北、天津、浙江和湖南，代表这些节点越容易到达其他节点，人才辐射能力也较强。入接近中心度排名前10 位的省际行政区为北京、江苏、四川、上海、山东、广东、天津、辽宁、陕西和安徽，说明其他节点越容易到达这些节点，这些节点的整合力也较强。

表5 2014—2019 年我国入选高被引科学家接近中心度

表5（续）

（3）中介中心度分析。从表6 我国高被引科学家省际迁移网络中介中心度值可以看出，北京的中介中心度值最大，且占绝对优势，代表该节点对整个网络的“控制”能力最强。中介中心度排名前十位的省份除北京外，其他依次为江苏、上海、四川、安徽、天津、湖北、浙江、辽宁和吉林。整个网络的标准化中间中心势（Network Centralization Index）为0.284 3，这个值是比较大的，说明整个网络表现出明显向节点北京靠近的趋势，这也与事实相符。中介中心度或相对中介中心度为0，意味着该点不能控制任何行动者，处于网络的边缘位置。

表6 2014—2019 年我国入选高被引科学家省际迁移网络中介中心度

表6（续）

2.3 空间聚类特征

（1）凝聚子群分析。凝聚子群是研究社会网络结构常用的分析方法，常见的有派系、n-派系、成分、n-宗派、k-丛、k-核、Lambda 集合、社会圈等分析方法。本研究是建立在互惠性基础上的凝聚子群派系分析，设置最小规模为5，得到9 个派系。详见表7，可以看出，9 个派系成员中，上海出现在9 个派系中，安徽出现在6 个派系中，广东和北京出现在5 个派系中。说明我国高被引科学家省际流动主要集中在上海、北京、安徽、广东等省区。从共享矩阵也可以看出，山西、新疆、甘肃、内蒙等省区不属于任何派系，是网络中的孤点，说明科学家很少在这些地区间流动。吉林、广东、天津、浙江、山东和四川等省区处于核心位置，其余省区处于边缘位置。

表7 派系分析结果

3 结论与讨论

本研究通过构建有向复杂网络，对2014—2019年我国具有省际流动的高被引科学家流动网络结构、网络节点特征及核心-边缘结构进行分析，初步结论如下：

（1）我国高被引科学家跨省迁移复杂网络密度为0.126。网络平均路径长度为2.043，即平均经过网络中的任意两个省份就能够建立联系。我国高被引科学家省际迁移主要集中在北京、上海、江苏、浙江、安徽、四川等省区，其中流入省区主要有北京、上海、江苏、广东、四川等地区，流出省区主要有北京、上海、辽宁、安徽等地区。

（2）从网络节点特征来看，我国高被引科学家入度排名前五位的省份为北京、上海、江苏、广东和四川，说明这些省级行政区具有较强的人才吸引力。出度排名前五位的省份为北京、上海、辽宁、安徽和江苏，说明这些省级行政区具有较强的人才辐射力。从入度盈余来看，北京入度盈余仅为0，说明北京高被引科学家人口流动高度均衡。入度盈余值排名前五位的省级行政区分别为广东、江苏、四川、上海和山东，说明这些地区高被引科学家均为净流入状态，对人才吸引优势较为明显，而吉林、安徽、辽宁、湖南等地入度盈余值最低，说明这些城市均为人次净流出状态，对在人才省际流动网络中具有辐射控制的作用。

（3）从空间聚类特征来看，根据凝聚子群派系分析共得到9 个派系，9 个派系成员中，上海出现在9 个派系中，安徽出现在6 个派系中，广东和北京出现在5 个派系中。说明我国高被引科学家省际流动主要集中在上海、北京、安徽、广东等省区。根据核心-边缘结构分析，北京、上海和江苏处于网络核心位置。

根据以上研究结论发现，我国高层次科技人才流动中存在“马太效应”，未来如何对欠发达地区的人才流出值得引起重视，特别是通过国家和相关地方完善区域政策，吸引和稳定高层次科技人才流入对于缩小区域科技发展水平差距至关重要。

（2）核心-边缘结构分析。核心-边缘结构是由若干元素相互联系构成的中心紧密连接、外围稀疏分散的特殊结构。核心-边缘结构分析根据网络中节点间联系紧密程度，可以分析哪些阶段网络网络核心位置，哪些阶段处于网络边缘位置。

本研究使用UCINET 软件对我国高被引科学家省际迁移复杂网络核心-边缘结构分析发现，北京、上海和江苏处于网络核心位置，其他省区均处于网络边缘位置。由于核心节点非常集中，边缘省区节点数量较多，作者对边缘省区节点抽出，对其再进行核心-边缘结构分析。结构表明，辽宁、安徽、