全球性经济衰退下高等教育系统的现状与发展

河南大学经济学院 赵泽宇

一、引言

教育是关系人类命运发展的基础性事业,与国家的未来息息相关。拥有一个健康、可持续发展的高等教育系统，是一个国家国民经济发展和可持续的基础。随着全球化程度的不断加深,高等教育逐渐走向国际化。同时近年来全球的高等教育毛入学率不断增加，接受高等教育的人数比例越来越高，高等教育扩张成为很多国家的发展趋势，高等教育迈入普及化阶段。在高等教育发展普及化、全球化的背景之下,教育面临着新的机遇和挑战。教育可持续发展、高等教育改革等问题越来越受到社会各界的广泛关注。高等教育的可持续发展状况如何，极大地影响和制约着经济、社会、环境的可持续发展，同时也决定了生产部门以及文化、科技和卫生等部门的发展规模、速度和水平。

二、数据指标的处理

（一）指标筛选

高等教育发展水平是衡量一个国家或区域高等教育规模、结构、质量、效益相统一，经济发展与高等教育发展相协调程度的综合指标。在遵循科学性、客观性和可操作原则下，参考已有的研究成果，同时考虑数据的可获得性等，对反映高等教育发展水平的指标进行筛选后，本文主要从高等教育的规模、研究水平和公平性三个方面来建立高等教育发展水平综合评价指标体系。

1.规模：公共教育开支、大学数量、大学生人数

高等教育的规模指一国或一个地区高等教育的总体容量，受经济、政治、文化等多种因素的影响。高等教育的发展规模是高等教育普及化的重要保证,其大小在一定程度上代表了高等教育发展水平，因此选取此项指标具有重要的意义。

2.研究水平：论文数量、大学排名、重要奖项

教育的根本目的在于促进学生的学习与发展，高等教育的研究水平一定程度上反映了学生的学习成果，这对于评价高等教育发展水平具有重要意义。衡量高等教育的研究水平有很多方面，这里主要考虑论文数量、QS世界大学排名、累计诺贝尔奖数量三个指标。

3.高等教育的公平性：入学率、性别比

高等教育的公平性也是衡量高等教育发展水平的一个重要方面。教育的公平性是一个难以界定的概念，因为教育公平是基于一定的价值判断而提出的,比教育均等和平等要求更高的教育理念，不同的学者对教育公平有不同的观点。但是一个健康的教育体系对于每个人的机会应该是相同的。

确定了三个一级指标和八个二级指标后，开始搜集各个国家的相关数据，为了使评价模型适用于所有国家，选取了美国、英国、加拿大、俄罗斯、巴西、印度六个国家过去15年的数据来建立和检验模型，其中既有发达国家，又有发展中国家，代表了不同经济发展水平的国家。

（二）数据标准化

在进行多指标综合评价时,由于各指标的数量级和单位的不同，如元、万元、次数、比率等，往往需要对指标值进行无量纲化处理,以消除指标间量纲的影响,便于综合评价及决策分析[1]。当各指标间的水平相差很大时，如果直接用原始指标值进行分析，就会突出数值较高的指标在综合分析中的作用，相对削弱数值水平较低指标的作用。因此，为了保证结果的可靠性，需要对原始指标数据进行标准化处理。

（三）指标降维

对于上述8个数据集，如果直接将其进行建模分析，会受到噪声与异常值的影响，除此之外，输入层的数目与数据过多也会严重影响到收敛的速度。因此，有必要对所有数据集通过因子分析进行调整与降维。将原有变量综合成少数几个因子是因子分析的核心内容，所以针对数据进行了KMO和巴特利特检验，通过结果可以看出数据具有较高的结构效度，可以进行主成分分析。主成分分析依据特征值进行,其假定所有观测变量的方差都能为公因子所解释,即公因子方差为1[2]。根据碎石图和方差贡献率等条件可判断,应保留3个主成分。所以，研究3个公因子可以对指标集作出很好的解释。

三、基于BP神经网络的健康性评价模型

本部分根据前部分提取的三个一级指标建立BP神经网络的评价体系。由于缺少数据与训练集，所以尝试使用标准数据进行训练，并对5个国家的高等教育健康状况进行评价。在评价时，将美国的高等教育健康状况作为5级，将印度的高等教育健康状况作为1级，逐级分类。

基于BP神经网络的高等教育体系评价模型建立过程包括BP神经网络构建、BP神经网络训练和BP神经网络评价三步。BP神经网络的构建需要根据系统输入输出数据特点确定结构，因为一级指标输入信号为3维，预设的国家高等教育健康状况共有5类，所以BP神经网络的结构为3—5—1，即输入层有3个节点，隐含层有5个节点，输出层有1个节点。

在构造BP神经网络的评价模型时，先构造一定数量的学习样本，建立起评价体系。为了最小化评价的误差，使用了行为锚定量化方法，定义了不同的水平刻度，构造满足条件的数据集作为训练样本。

通过对BP神经网络的反复测试，可以发现建立的BP神经网络并不稳定，出现了收敛时间过长，每次测试权值和阈值相差较大的情况，这就说明，在该数据下，单纯的BP神经网络很难实现良好的评价效果，事实上，网络权值与阈值的确定一直是网络训练的难点。随机选用的参数会严重影响网络的准确程度。针对BP神经网络的不足，利用遗传算法自动搜索全局最优解的计算模型来对BP神经网络参数进行优化，从而得到最优的参数值，这样就极大地提高了BP神经网络的学习效果和预测精度。

本文用改进的遗传算法优化BP神经网络权值的主要思想是：初始化神经网络权值后，首先用BP神经网络进行训练，如果能满足精度要求就结束，如果不能满足的话再用改进的遗传算法对BP神经网络权值进行优化，在解空间中找出一个较好、较小的搜索空间，然后用BP算法在这个较小的解空间中搜索出最优解。

根据建立的国家高等教育系统健康状况评价模型，得到了六个国家的具体评级为：美国为5级，英国为4级，加拿大和俄罗斯为3级，巴西为2级，印度为1级。

四、基于ARMA模型的可持续评估

通过比较一个国家的当前水平和未来水平来判断其可持续性需要建立一个预测模型，该模型可以预测一个国家未来高等教育体系的水平。第一步，利用主成分分析提取的三个一级指标进行时间序列分析。第二步，将三个指标的预测值代入健康评价模型，得到该等级的预测值并与之前的等级进行比较，判断其可持续性。

本文以三个指标值的历史数据为样本，通过建立ARMA模型对未来15年的指标值进行预测。ARMA用于处理平稳非白噪声时间序列数据，先进行平稳性检验，通过MATLAB计算出ACF和PACF相关系数，根据美国、澳大利亚等六个国家的平均学费进行拟合预测，观测到国家的高等教育可持续发展呈稳步上升路线，其中美国高等教育可持续发展走势最好，其他五个国家较为平稳。依据六个国家大学生就业率以及SCI论文数量进行预测，可知六个国家的指标走势呈现上升状态。由这三个指标得出，各国的高等教育系统都具有良好的可持续性。

将预测的结果代入到前文的国家高等教育健康状况评价模型，可以得到未来15年六个国家高等教育健康性的评级，把得到的评级与过去15年的评级作比较，来判断其高等教育系统的可持续性。通过预测得知，英国的高等教育系统的评级下降，可持续性较差；美国、加拿大、俄罗斯、巴西的高等教育系统评级不变，可持续性一般；印度的高等教育系统评级上升，可持续性良好。

五、模型的应用和政策建议

（一）模型应用

根据模型结果，英国的高等教育健康评级为4，按照预测未来会下降到3，可持续性较差，是使用模型分析的六个国家里唯一等级下降的国家。坐拥牛津、剑桥等世界顶尖大学的英国有着强大的高等教育体系，本该取得更好的成绩，却因为政策等各种原因呈现下降的趋势。通过高等教育系统评价模型，它反映了目前英国高等教育系统存在一些问题需要改进。

（二）政策建议

基于对英国高等教育系统现状的分析，短期任务是解决资金短缺的问题，中期任务是解决大学生人数增长缓慢的问题，长期任务是要增强高等教育系统的活力。以下是针对性的政策：

1.短期政策（2021-2025）

（1）大学应该简化机构，作出相应的改革以减少不必要的经费支出。

（2）政府应该加大高等教育投入。

（3）大学必须主动寻找研究经费来源，通过社会赞助或者寻求国际间的合作来筹集经费用于科研事业。

2.中期政策（2026-2030）

（1）政府应该适度减免学费，提高学生读大学的意愿。

（2）政府可适当放宽签证政策,吸引优秀的外国学生。

3.长期政策（2031-2035）

（1）大学应该加强与产业界的联系，建立完善的学术成果转化机制。

（2）鼓励高等教育市场充分竞争。

六、结论

全球性的生产、贸易受挫，导致各个国家的经济、文化、教育受到重创，经济的衰退、出行的不变给高等教育系统带来了巨大的挑战。各个国家应该结合自身实际情况，增大教育投资支出、创新教育模式、加强校企合作，从三个阶段来制定政策，以保持高等教育系统的健康发展。考虑到改变现实是十分困难的，在过渡期间政策的实施将对学生、教师、学校、社区和国家产生巨大影响，因此要注重国家层面的统筹兼顾，为政策的顺利推行构想一个合理高效的实施方案。