中国体育高等继续教育资源时空分布格局及影响因素

摘要：采用 2018—2022年中国31个省份数据，采用最邻近指数、核密度分析、空间自相关指数等描绘了省域体育高等继续教育资源的空间分布格局，并运用地理探测器进行了影响因素的探析。结果表明：一是体育高等继续教育资源数量呈下降趋势，质量呈上升趋势；二是体育高等继续教育资源空间分布正相关且“西疏东密”，目前形成了以四川、北京及鄂皖赣三省交界的三个聚集区域，热点区和次热点区基本分布在“黑河-腾冲线”以东；三是教育发展状况是影响体育高等继续教育资源最主要的因素，体育发展氛围、经济发展水平、社会发展因素等也构成一定的解释力。为体育高等继续教育发展政策的制定提供了理论参考。

关键词：高等继续教育；成人教育；体育教育；时空分布；高质量发展

中图分类号：G72

文献标志码：A

文章编号：1009-4156（2024）09-0001-07

百年大计，教育为本。党的二十大报告指出：“统筹职业教育、高等教育、继续教育协同创新，推进职普融通、产教融合、科教融汇，优化职业教育类型定位。”在国家兴教策略的指导下，高等继续教育对于社会的经济、政治和劳动力素质提高的作用举足轻重。2020年，全国具有大学文化程度的人口超过2.18亿人，约占总人口的15.5%；随着人口平均受教育程度的增幅趋于减缓，未来人口素质的提升将更多依靠高等继续教育的拉动［1］。中共中央、国务院发布的《中国教育现代化2035》提出，“构建服务全民的终身学习体系”，体育高等继续教育既是我国培养多方位体育人才的重要渠道，又是我国体育事业积累后备人才的必要手段。随着产业结构升级对体育人才需求的新变化，我国体育高等继续教育仍面临培养过程不合理［2］、硬件设施及师资力量薄弱［3］等困境。同时，省际以及区域、城乡之间体育教育资源不平衡的状况依然十分明显， 因此迫切需要对相关资源进行统计分析，以促进资源更好配置。

近年来，学者关于教育资源分布及空间配置的研究涉及面较广：从综合资源上看，涵盖城市教育资源［4-8］、农村教育资源［9-11］、教育现代化设施［12-14］等；从教育阶段上看，包括学前教育资源［15］、基础教育资源［16-18］、高等教育资源［19-24］、研究生教育资源［25］等。通过对现有研究的整理，发现目前的研究侧重基础教育资源分布和高等教育资源分布等主题，对于高等继续教育的涉猎较浅。此外，关于体育高等继续教育的研究数量长期处于低位，尽管一些学者发现体育高等继续教育存在地区间不均衡的问题［26］［27］，但大都以宏观论述为主，忽视了在地理空间视域下体育高等继续教育发展的时空差异性，且对全国范围内的体育高等继续教育资源的空间规律探究仍有不足。中国各区域体育教育资源类型多样、专业水平发展各异，因而结合地理学方法，探索体育高等继续教育资源的时空分布特征及其影响因素，以期深化对体育高等继续教育地域分异格局和未来专业区位选择的认知，为制定有针对性的教育政策、优化体育教育资源高质量发展提供科学依据。

一、数据来源与研究方法

（一）数据来源

分析样本源自2018—2022年全国高等学历继续教育拟招生专业备案结果，该结果能够较为全面地反映出当年全国体育高等继续教育资源总体情况，通过筛选统计出体育教育、运动训练、运动康复、运动人体科学、民族传统体育、电子竞技运动与管理、健身指导与管理、高尔夫球运动与管理等专业，培养层次包括高起本、高起专、专升本等3种，学习形式包括脱产、函授、业余、网络教育等4类，样本数量共计1 177条。影响因素各指标数据来源于各年度《中国统计年鉴》《中国教育统计年鉴》《中国城市统计年鉴》以及各省份统计年鉴、当地体育局官方文件等。

（二）研究方法

1.最邻近指数

最邻近指数用于衡量某一地理现象在空间上的聚集程度［20］，计算所有点或对象的平均最近邻距离与理想情况下的平均最近邻距离之比，即最邻近指数。最邻近指数有助于分析和理解体育高等继续教育资源的基本分布特征，当最邻近指数等于1时，表明地理现象的空间分布具有随机性；当最邻近指数小于1时，表明地理现象的空间分布呈现聚集现象；当最邻近指数大于1时，表明地理现象的空间分布呈现离散现象。

2.核密度分析

核密度是一种非参数估计方法，广泛应用于教育领域空间分布的研究［6，10，14，17］。核密度分析基于核函数的概念，用来表示某个事件在空间上的分布情况。核密度分析的基本思想是：在地理现象的每个观测点周围放置一个核函数，通过对这些核函数进行叠加，计算得到每个位置上的密度值。通过观察密度图，可以快速识别出地理现象的高密度区域和低密度区域，从而揭示出地理现象的聚集程度［28］。使用此方法推算全国体育高等继续教育资源的集聚情况和演变趋势。

3.空间自相关指数

空间自相关包括全局自相关和局部自相关［29］，参照以往研究［30］，采用Moran’s I和Getis-Ord G*指数反映体育高等继续教育资源空间分布的整体和局部特征。莫兰指数（Moran’s I）用于分析个体作用于整个系统的空间相关性：当Moran’s I大于0时，表示数据呈现空间正相关，其值越大空间相关性越明显；当Moran’s I小于0时，表示数据呈现空间负相关，其值越小空间差异越大；当Moran’s I为0时，空间呈随机性［31］。

热点分析指数（Getis-Ord G*）用于分析局部区域的空间相关性，可以识别具有统计显著性的高值（热点）和低值（冷点）的空间聚类。若得出的Z值（G*i）为正，则表明该区域体育高等继续教育资源相对较丰富，即热点区；若得出的Z值（G*i）为负，则表明该区域体育高等继续教育资源相对较缺乏，即冷点区［32］。

4.地理探测器

地理探测器是探测空间分异性以及揭示其背后驱动因子的一种新的统计学方法。其基本思想是：如果子区域的方差之和小于区域总方差，则存在空间分异性；如果两变量的空间分布趋于一致，则二者存在统计关联性［33］。运用地理探测器测度体育高等继续教育资源空间集聚状况的影响因素以及不同时期各影响因素的解释力变化趋势。得出的结果q值范围为［0，1］，值越大说明自变量X对属性Y的解释力越强，反之越弱。

二、结果与分析

（一）体育高等继续教育资源时空分布格局

1.总量呈下降趋势，专升本比例提高

由图1可知，中国体育高等继续教育的规模较之前有所下降，2018—2022年各校招生条目总数降幅达19.40%。若把2023年的数量纳入（189），降幅将达到29.48%。近年来，政府对高等继续教育的改革已逐渐向正规化迈进，更加符合国家对于办学条件与规模的要求，严格控制招生规模，优化招生专业结构，相应的体育高等继续教育招生资源也有所下降。同期，体育高等继续教育招生专业数量也从14个下降至12个（见图2），专业数持续收窄也是未来的趋势之一。

将培养层次细化后进行分析（见图3），2018—2022年高起本的招生条目有所下降但保持平稳，高起专降幅最大（36.36%），专升本虽然呈现出下降趋势，但从占比来看，从2018年的63.81%上升至2022年的69.91%。这说明在大力推进成人学历继续教育、提高办学质量和水平的情形下，体育高等继续教育的质量和现代化水平也在不断提升。

2.形成以三大集聚圈为主的分布格局

通过计算最邻近指数，2018—2022年的数值分别为0.4090、0.3939、0.4320、0.4474和0.4491，均小于1，说明五年间体育高等继续教育资源有一定的集聚趋势，因而适用核密度分析。

从核密度分布来看，中国体育高等继续教育资源的空间分布主要形成了三大聚集区，主要集聚在四川省、北京市和湖北、安徽、江西三省交界的三个中心区域。2018年，三大聚集区凝聚程度较深，其他地区除江苏、广东以外未有明显的集聚趋势。2019—2020年，体育高等继续教育资源得到了重新整合，在华中、东北都形成了新兴的聚集区。2021—2022年，体育高等继续教育资源的区域聚集情况增强，同时整体的联结愈发明显，说明在特定地区，体育高等继续教育资源的提供和投入更加密集和集中。

这可能是由于某些地区在体育专业领域具有优势，拥有更多的体育设施、教练资源或者更多的体育学习机会，从而吸引了更多的学习者前往该地区参与体育高等继续教育。

不同密度区联系的加强体现在体育高等继续教育领域，不同地区之间的联系和交流增加。这可能是通过日益发展的互联网电化教育渠道，如线上交流活动、线上研讨会等促进的。教育领域数字化的趋势也推动了不同地区之间的联结，使得体育高等继续教育资源可以更容易地在不同地域之间共享和传递。

3.空间分布正相关，以四川、北京为热点区

2018年、2020年、2022年，中国体育高等继续教育资源莫兰指数分别为0.1053、0.0671、0.0855，数值均为正数且显著，说明2018年以来中国体育高等继续教育资源分布呈正相关，进一步可以解释为体育高等继续教育资源在一些特定的省份集聚。莫兰指数在2018—2020年降幅达36.28%，关系出现较大变动；2020—2022年涨幅达27.42%，总体来看2018—2022年体育高等继续教育资源空间集聚程度仍不稳定。

从省域空间格局看，2018年以来，体育高等继续教育发展水平呈“东热西冷”的格局，“黑河-腾冲线”东南侧为热点区，并在2020—2022年出现较大变动。具体表现为：一是热点区呈现收缩态势。2018年热点区主要分布在四川、湖北、江西、广东、北京；2020年无变化，2022年热点区数量减少至2个，仅剩四川和北京。截至2022年，热点区数量全国占比为6.45%。二是次热点区数量不变，空间位置变化较大。2018年主要分布在云南、广西、湖南、陕西、江苏、山东、辽宁、吉林；2020年云南退出，新疆进入；2022年新疆、吉林、辽宁、广西退出，黑龙江、湖北、江西、广东进入。截至2022年，次热点区数量全国占比为25.81%。三是次冷点区呈现北移的态势。2018年主要分布在海南、重庆、安徽、河北、山西、宁夏、甘肃；2020年海南、重庆、河北退出，内蒙古进入；2022年甘肃退出，青海、重庆进入。截至2022年，次冷点区数量全国占比为19.35%。四是冷点区数量持续保持低位。2018年主要分布在西藏、青海、天津；2020年重庆、海南进入；2022年重庆、青海退出。截至2022年，冷点区数量全国占比为968%。总体而言，体育高等继续教育资源分布格局变动具有不稳定特征，冷热关系不变的省份仅占38.71%，其中，四川、北京始终处于热点区，西藏、天津一直处于冷点区。

（二）影响因素与趋势分析

1.影响因子选取

体育高等继续教育资源影响因素众多。参照已有研究［3，9，12-16，21，22］，将影响因素归纳为四个维度，分别为经济发展水平、社会发展因素、教育发展状况和体育发展氛围。具体而言，经济发展水平下设人均GDP和第三产业占比两个因子，旨在探索地区收入水平和经济结构对体育高等继续教育资源有何影响；社会发展因素下设人口密度和人口总量两个因子，旨在探索竞争压力对体育高等继续教育资源的影响；教育发展状况下设高校数量和教育支出两个因子，旨在探索区域教育发展对体育高等继续教育的支持力度；体育发展氛围下设体育产业规模和人均体育面积两个因子，旨在探索区域体育发展能否积极反哺体育高等继续教育事业（见表1）。

2.影响因素分析

经济发展水平是体育高等继续教育开展的基础。第一，经济发展水平的提高通常伴随着政府在体育高等继续教育领域的投入增加，这意味着更多的资金和资源可以用于发展和改进体育高等继续教育的设施、师资培训、教材和设备。第二，经济发展带动了社会的进步和多元化发展，使得更多人意识到体育锻炼对身心健康的重要性，体育高等继续教育的需求也会增加，更多的人愿意投入时间和精力参与体育活动，提高自身的健康水平［26］。由表2可知，2018—2020年人均GDP的q值从0.3322上升至0.5037，2020—2022年趋于平稳，可能是受到全球经济形势不稳定等因素的影响。第三产业占比的q值在这5年间则呈波浪状，说明经济发展水平对体育高等继续教育的影响主要是依靠居民收入的提升带来的学历需求的上升。

社会发展因素是体育高等继续教育发展的动力。第一，人口数量直接关系到对体育高等继续教育资源的需求。在健康人群基数提高的情况下，人们更愿意参与体育活动。第二，随着人口年龄结构变化，例如老龄化趋势，对养生保健类的体育高等继续教育专业开设的需求会相应变化，以满足不同年龄群体的应用需求［18］。此外，不同地区和文化背景可能对体育教育有不同的态度，需要根据具体情况来调整教育资源的提供。由表2可知，人口密度的q值总体呈上升态势，从2018年的0.3659至2022年的0.4988，涨幅达36.32%；人口总量的q值总体呈下降态势，从2018年的0.5199至2022年的04560，降幅达12.29%。说明在社会领域人口质量已经逐渐超越人口数量，更能影响体育高等继续教育发展的趋势，未来体育高等继续教育向高质量发展已是必然趋势。

教育发展状况是体育高等继续教育提升质量的关键。第一，教育政策对体育高等继续教育资源的影响显著。如果政府将体育高等继续教育纳入教育发展战略的重要组成部分，并提供足够的投资和资源，那么体育高等继续教育将会得到有效改善和扩展。第二，教育发展需要重视师资培训，教育发达地区可以提供优质的师资培训，确保受教育者能够习得专业的知识和教学技能［20］。第三，随着教育科技的发展，体育高等继续教育可以通过在线学习平台、移动应用等利用科技手段，提供更便捷、灵活的教学模式。教育发达地区可以扩大教育资源的传播范围，让更多受教育者受益［23］。由表2可知，高校数量和教育支出两个因子的q值波动都较大，在2019年达到近年来的最高点，随后陆续下降。这说明高等教育改革对于推动体育高等继续教育资源变革的作用仍处于初级状态，未来需要持续优化资源配置和提升教育质量。

体育发展氛围是体育高等继续教育实现专业化的保障。第一，积极的体育发展氛围可以鼓励更多人参与体育高等继续教育。如果社会普遍认可并强调体育对健康、生活质量的重要性，体育高等继续教育的资源就会相应增加。第二，积极的体育发展氛围有助于提供多样化的体育高等继续教育资源。不同的体育业态能为受教育者提供各种类型的体育就业机会［24］。由表2可知，体育产业规模的q值较为平稳，而人均体育面积的q值下降明显，从2018年的0.5700降至2022年的0.3654，降幅为35.89%，说明群众体育发展水平逐渐与高等继续教育离散，而体育高等继续教育产业化、专业化的趋向愈发明显。

整体而言，教育发展状况是影响体育高等继续教育资源最主要的因素，进而是体育发展氛围、经济发展水平、社会发展因素。随着高等继续教育持续改革，人口、经济等具体指标的解释力逐年上升。

3.交互作用分析

对2018—2022年影响体育高等继续教育资源空间分布格局的8个因子进行交互探测，结果显示，不同因子交互后的影响力均大于单因素的影响力，交互作用类型q值大小排在前5的类型均为双因子增强型（见表3），说明交互作用带来的外扩效应处于有限的范围内。从主因来看，2018年体育高等继续教育资源空间分布格局变动的主导因子是人口密度，2020年的主导因子是体育产业规模、2022年的主导因子是人均体育面积。这三个因子与其他因子交互具有明显的增强作用，而且在不同时期交互作用的强弱程度存在差异。其中，人均体育面积是交互后增强作用最为明显的因子，2018—2022年前五序列中共出现7次，高于体育产业规模（5次）、高校数量（5次）和人口密度（4次）。单看人均体育面积，其与人口总量的交互（0.7760）、与人均GDP的交互（0.7686）、与人均体育面积的交互（0.7595）排在q值前三。

三、结论与讨论

（一）结论

从时间变化来看，2018—2022年体育高等继续教育资源数量呈下降趋势，质量呈上升趋势。其中，专升本比例提高，目前占比已在70%左右。招生单位及专业数量虽略有波动，但总趋势为持续收窄。

从空间分布来看，2018—2022年体育高等继续教育资源空间分布格局为西疏东密，由离散状态逐步向区域带状结构进行演化，目前形成了以四川、北京及鄂皖赣三省交界的三个中心区域。空间分布正相关，热点区和次热点区基本分布在“黑河-腾冲线”以东。

从影响因素来看，2018—2022年教育发展状况是影响体育高等继续教育资源最主要的因素，体育发展氛围、经济发展水平、社会发展因素等也构成一定的解释力。不同影响因子的交互作用显著，人均体育面积是主导因子，人均体育面积与人口总量、人均GDP的因子产生较大交互增强作用。此外，体育产业规模、高校数量和人口密度与其他因子交互作用影响力也较大。

（二）讨论

采用2018—2022年中国31个省份数据，采用最邻近指数、核密度分析、空间自相关指数等描绘了省域体育高等继续教育资源的空间分布格局，并运用地理探测器进行了影响因素的探析，为体育高等继续教育发展政策的制定提供了科学的理论依据。

首先，研究结果显示，体育高等继续教育资源已呈现出“少而优、小而精”的态势。2022年，教育部发布《关于推进新时代普通高等学校学历继续教育改革的实施意见》，提出自2025年秋季起，高等学历继续教育不再使用“函授”“业余”的名称，统一为“非脱产”，通过成人高考入学，进一步明确了高等继续教育的规范，未来体育高等继续教育培养单位也应依据自身办学定位、特色优势，大力培养创新型、应用型、技术型人才。

其次，研究结果显示，体育高等继续教育资源呈现东密西疏的格局，这与基础教育配置［16］、教育现代化配置［13］大致类似。“黑河-腾冲线”以西地域疆域辽阔，体育发展潜力较大，但目前教育资源匮乏，未来体育高等继续教育政策应向该地区倾斜，充分考虑学生受助需求变化等实际，确保政策和资金投入向西部地区倾斜、向特殊困难群体倾斜。研究发现：体育高等继续教育资源在东南沿海地区无论是聚集度还是热度，与其他教育资源相比均有不同程度的弱化［12，20，23］，这可能是由于东南沿海地区学科教育资源过度集中、教育观念忽视体育等因素所带来的不均衡问题［2］。未来应更新教育理念，优化体教融合政策环境，建立标准化体系提升资源分配效率。

再次，研究发现体育发展氛围是影响体育高等继续教育的重要因素，未来各地区需要大力发挥“体育+”辐射效应，使体育高等继续教育融入群众体育、体育文化等领域，同时加快发展体育文化业态，利用体育产业发展优势，加速产学融合进程，鼓励社会力量参与体育高等继续教育工作，完善就业体系，在“以产代学”的同时，培养体育人才，激发行业活力。

最后，受限于数据可得性，将体育高等继续教育招生专业名录作为数据分析样本，对其他的体育高等继续教育渠道考虑较少，可能存在一定的局限性。未来可以重点关注体育高等继续教育的产业融合、空间正义、电化推进、乡村发展等问题。

参考文献：

［1］开拓职业教育、高等教育、继续教育可持续发展新局面［N］.中国教育报，2023-01-31（3）.

［2］黄正廪.我国体育高等继续教育发展的困境与超越［J］.中国高等继续教育，2015（11）：146-148.

［3］王爱玲.体育高等继续教育热点透视与对策探讨［J］.中国高等继续教育，2013（20）：184-186.

［4］刘天宝，郑莉文，杜鹏.市域义务教育资源均衡水平的空间特征与分布模式——以大连市小学为例［J］.经济地理，2018（7）：67-74.

［5］饶映雪，林国栋.供需平衡视角下城市教育资源空间分布的合理性——以武汉市为例［J］.中南民族大学学报（人文社会科学版），2021（5）：147-152.

［6］马宇，李德平，周亮，等.长沙市基础教育资源空间可达性和供需匹配度评价［J］.热带地理，2021（5）：1060-1072.

［7］宋伟轩，曹辉，涂唐奇，等.南京主城区优质教育资源导向的学区绅士化研究［J］.地理学报，2023（4）：792-810.

［8］张学敏，江瑞涛，胡雪涵.西藏与东、中、西部地区教育资源配置的比较研究——基于区域内部间的数据分析［J］.西藏民族大学学报（哲学社会科学版），2023（3）：105-112.

［9］赵林，吴殿廷，王志慧，等.中国农村基础教育资源配置的时空格局与影响因素［J］.经济地理，2018（11）：39-49.

［10］赖晓倩，陈蓉晖.我国农村学前教育资源投入的动态演进与趋势预测——基于Kernel密度估计和Markov链方法［J］.教育学术月刊，2022（5）：19-28.

［11］杨慧敏，张香玲，李立，等.山区贫困县中小学空间格局变化与可达性分析——以河南省嵩县为例［J］.地理科学进展，2018（4）：556-566.

［12］吴磊，焦华富，叶雷，等.中国省际教育城镇化的时空特征及影响因素［J］.地理科学，2018（1）：58-66.

［13］戴妍，王奕迪.我国教育现代化发展水平的区位分布及其空间集聚效应［J］.中国电化教育，2022（3）：44-53.

［14］张小东，韩昊英，刘爽，等.中国教育设施空间分布特征及其影响因素［J］.地域研究与开发，2022（4）：19-25.

［15］蔡迎旗，邓和平.可持续发展视域下我国公办民办幼儿园资源均衡配置水平测评与政策建议［J］.学前教育研究，2023（6）：20-31.

［16］汪凡，白永平，周亮，等.中国基础教育公共服务均等化空间格局及其影响因素［J］.地理研究，2019（2）：285-296.

［17］刘天宝，陈子叶，陈爽.基于义务教育校际分异的学校类型及其空间分布模式——以大连市初中为例［J］.地理科学，2022（8）：1402-1412.

［18］聂荣，刘夏.资源异质性投入对基础教育绩效的均衡作用分析——基于区域结构视角［J］.科学决策，2023（2）：61-80.

［19］刘宁宁.我国城市高等教育资源集聚水平及空间格局探析［J］.高等教育管理，2019（1）：82-89.

［20］潘兴侠，徐媛媛，赵烨.我国高等教育发展区域差异、空间效应及影响因素［J］.教育学术月刊，2020（11）：9-18.

［21］程海，何云峰，许云芳.省际高教资源配置综合评价及空间分布优化探究——基于熵权TOPSIS和变异系数混合的分析［J］.中国高校科技，2022（7）：42-47.

［22］王一川.我国普通高等学校空间分布格局演化及其影响因素［J］.江苏高教，2022（12）：39-47.

［23］顾岩峰，何淼.区域高等教育资源“集聚”配置促进经济增长的效率测度与策略选择［J］.河北师范大学学报（教育科学版），2022（6）：107-114.

［24］周光礼，赵之灿，耿孟茹.高等教育资源空间布局及其对区域科技创新能力的影响——基于中国五大城市群的实证研究［J］.现代大学教育，2023（1）：66-75+112.

［25］张学敏，赵国栋.我国研究生教育资源配置效率的时空格局与演化——基于2003—2018年省域面板数据的供给侧分析［J］.华东师范大学学报（教育科学版），2023（6）：59-77.

［26］顾韶勇.我国成人体育继续教育的创新与发展研究［J］.中国高等继续教育，2011（22）：41-43.

［27］于学考.成人体育继续教育改革与终身体育观分析［J］.高等继续教育，2013（3）：86-87.

［28］LI J F，XU H C，LIU W W，et al. Spatial Pattern Evolution and Influencing Factors of Cold Storage in China［J］. Chinese Geographical Science，2020（3）：505-515.

［29］CAO X，LIU Y，LI T，et al. Analysis of Spatial Pattern Evolution and Influencing Factors of Regional Land Use Efficiency in China Based on ESDA-GWR［J］.Scientific Reports，2019（1）：1-11.

［30］王辉，延军平，彭邦文，等.中国中等职业教育空间集聚及其影响因素［J］.热带地理，2020（3）：525-538.

［31］MORAN" P. Notes on Continuous Stochastic Phenomena［J］.Biometrika，1950（1）：17-23.

［32］GETIS A ，ORD J. The Analysis of Spatial Association by Use of Distance Statistics［J］. Geographical Analysis，1992（3）：189-206.

［33］WANG J， ZHANG T， FU B. A Measure of Spatial Stratified Heterogeneity［J］. Ecological Indicators，2016（67）：250-256.

Spatio-temporal Distribution Pattern" of China’s Higher Continuing Education Resources in Physical Education" and its Influential Factors

Chen Yu Yue Yousong

（Sports Culture Research Center， Tianjin University of Sport， Tianjin 301617， China）

Abstract：This paper describes the spatial distribution pattern of higher continuing physical education resources in provinces， using the data of about 31 provinces and autonomous regions in China from 2018 to 2022， by the methods of the nearest neighbor index， kernel density analysis， and spatial autocorrelation index， etc. It also probes the influential factors by applying geographical detectors. The results indicate that： （1） The quantity of higher continuing education resources in physical education is on a downward trend， while the quality is on an upward one. （2） The spatial distribution of the resources is positively correlated， the distribution being “thin in the west and dense in the east” and three gathering areas having come into existence in Sichuan province， Beijing and at the junction of the three provinces of Hubei， Anhui and Jiangxi with the hot and sub-hot spots basically distributed on eastern side of the “Heihe-Tengchong Line”. （3） The status of education development is the most important factor affecting the resources， and the atmosphere of sports development， economic development level， and social development factors also constitute to the influence. The study provides a theoretical reference for the formulation of the development policy of higher continuing education in physical education.

Key words：Higher continuing education; Adult education; Physical education; Spacio-temporal distribution; High-quality development