EN中文

地理研究 >

2019 , Vol. 38 >Issue 8: 1862 - 1876

DOI: https://doi.org/10.11821/dlyj020181156

专栏：流动的地理学

全球人才流动网络复杂性的时空演化——基于全球高校留学生流动数据

  • 侯纯光 1, 2, 3 ,
  • 杜德斌 1, 2, 3 ,
  • 刘承良 1, 2 ,
  • 翟晨阳 1, 2, 3
展开
  • 1. 华东师范大学全球创新与发展研究院,上海 200062
  • 2. 华东师范大学城市与区域科学学院,上海 200062
  • 3. 华东师范大学国家教育宏观政策研究院,上海 200062

侯纯光（1990- ）,男,安徽利辛人,博士研究生,主要研究方向为世界地理和科技创新。 E-mail:

收稿日期: 2018-10-23

  要求修回日期: 2019-06-24

  网络出版日期: 2019-08-20

基金资助

中国科学院战略性先导科技专项（A类）(XDA20100311)

中国科协“高端科技创新智库青年项目”——博士生项目(CXY-ZKQN-2019-043)

华东师范大学优秀博士生学术创新能力提升计划项目(YBNLTS2019-033)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Spatiotemporal evolution of global talent mobility network based on the data of international student mobility

  • HOU Chunguang 1, 2, 3 ,
  • DU Debin 1, 2, 3 ,
  • LIU Chengliang 1, 2 ,
  • ZHAI Chenyang 1, 2, 3
Expand
  • 1. Institute for Global Innovation and Development, East China Normal University, Shanghai 200062, China
  • 2. School of Urban and Regional Science, East China Normal University, Shanghai 200062, China
  • 3. National Institutes of Educational Policy Research, East China Normal University, Shanghai 200062, China

Received date: 2018-10-23

  Request revised date: 2019-06-24

  Online published: 2019-08-20

Copyright

Copyright reserved © 2019
Fold

摘要

高质量的人才跨越地理的流动影响和驱动着全球范围内的创新活动,正在重塑世界经济格局。研究基于全球高校留学生流动数据,构建加权有向网络模型,对2001—2015年全球人才流动网络复杂性时空演化进行全面刻画。主要结论如下：① 全球人才流动网络规模迅速扩大,网络发育具有明显的小世界性,两级分化显著。② 全球人才流动网络呈典型“金字塔结构”特征,基本呈“东向西,南到北”的地理格局,新兴国家作为人才吸纳国的角色逐渐上升。③ 全球人才流动网络核心-边缘结构显著,核心国家间存在较强的关系流,边缘国家间联系较弱,其人才主要流向了核心国家和半边缘国家。④ 全球人才流动网络分化成美国社团、欧盟社团、中国社团、南美和南非社团、马来西亚社团、独联体社团等6个凝聚子群。

关键词： 全球人才; 留学生; 复杂网络; 空间格局

本文引用格式

侯纯光 , 杜德斌 , 刘承良 , 翟晨阳 . 全球人才流动网络复杂性的时空演化——基于全球高校留学生流动数据[J]. 地理研究, 2019 , 38(8) : 1862 -1876 . DOI: 10.11821/dlyj020181156

Abstract

High-quality talents are reshaping the world economic landscape by transcending geographic flows and driving global innovative activities. Based on the data of international student mobility, this paper draws on complex network theory to construct a multidimensional weighted directed network heterogeneity model. This model uses the GIS spatial analysis method to study spatiotemporal evolution of global talent mobility network complexity from 2001 to 2015. The results are as follows. First, the scale of the global talent mobility network is expanding rapidly, and the relationship is becoming closer and closer. In the network, both the number of talents and the choices of overseas routines are mounting. The network development has obvious small-world characteristics. However, the two levels of network differentiation are significant, and the difference is decreasing year by year. Second, the rank-size distributions of network nodes weighted degree of accession and weighted degree of output conform to the law of power distribution, showing a typical "pyramid structure" characteristics, reflecting that the global talent mobility network is controlled by a small number of pivotal node countries. The spatial patterns of the global talent mobility network are basically "from east to west, and from south to north", but the trend of mobile regionalization is gradually emerging, and the role of emerging countries attracting talents has gradually increased. Thirdly, the core-periphery structure of the global talent mobility network is remarkable. The countries in the core, strong semi-periphery and semi-periphery alternate with countries from other tiers. There is a strong mobility of relations between the core countries. The marginal countries are not connected with each other, or have weak links with each other. The talent of the marginal countries mainly flows to the core countries and semi-marginal countries. Finally, the global talent mobility network community has been significantly differentiated. The network has evolved into six associations, including American associations, EU associations, Chinese associations, South American and South African associations, Malaysian associations, and CIS associations. The scale of associations varies widely. Like the overall network, each community has a similar "pyramid structure" feature.

Key words： global talent; international students; complex network; spatial pattern

1 引言

全球化和信息化使世界经济格局从“静态空间”转变为“流动空间”,被视为主导经济全球化的货物流和资金流,正逐步被知识流、人才流取代[1]。高质量的人才跨越地理的流动影响和驱动着全球范围内的创新活动,正在重塑世界经济格局。全球人才流动并非新现象,20世纪60年代,由于大批的科学家、技术工人从欧洲流向美国,造成欧洲国家的恐慌,“人才流失”（brain drain）概念被首次提出,这种人才从外围国家向核心国家的单向流动,引发国家间关于人力资本的“零和博弈”(zero-sum game)[2]。近二十年来,由于交通运输技术和信息通讯技术的快速发展,造成的时空压缩效应,使得人才流动被更加复杂的双向或多向人才环流（brain circulation）模式取代[3]。通过梳理文献发现,关于人才跨国流动的研究大致经历了3个阶段：第一阶段是20世纪60—80年代,由于人才流失的现实性问题,学者运用定性的方法从理论层面探讨国际人才流动对流入国和流失国的影响效应[4,5];第二阶段是20世纪90年代,受到国际劳动分工理论、新迁移经济学等竞争与自由主义理论影响,学者们主要研究人才随经济一体化及跨国公司海外扩张的迁移行为[6,7];第三阶段是2000年至今,受到关系、制度和文化转向的影响,学者们开始探讨人才国际流动过程中的网络关系内涵、政治权利内涵和文化内涵[8,9]。然而,由于缺少正规的统计数据,国际人才流动的相关研究一直局限于“一对一”或“一对多”的二元关系组中,对涵盖240多个国家或地区的全球尺度的人才流动涉及较少,且研究数据停留在问卷调查、半结构访谈等小规模数据上,缺少运用大规模的统计数据资料挖掘来刻画和构建全球人才流动网络的实证研究。在全球人才流动网络化和中国推进人才强国战略的背景下,能否在全球人才流动网络中成为具有控制力的关键性节点,成为全球性“人才磁石”国家,直接决定着创新型国家的构建进程。鉴于此,本文基于全球高校留学生有向流动数据,对全球人才流动网络复杂性时空演化进行研究,以期为加快实现中国的人才强国战略和创新发展战略提供理论参考。
20世纪末,基于数学图论和统计物理学而兴起的复杂网络理论为研究网络系统的复杂性提供了理论基础[10,11],而后各领域学者试图运用复杂网络理论,通过对客观世界各种复杂关系的抽象,进而对其复杂性特征和结构关系进行挖掘和刻画,以此窥探真实世界。学者在研究诸如社会关系网络[12]、计算机网络[13]、神经系统网络[10]、交通网络[14]、科研合作网络[15]、组织空间网络[16]等发现,这些真实世界的网络既不是按照确定的规则相互连接而成的规则网络,也不是以随机方式连接的随机网络,而是具有小世界性或无标度性的复杂网络。通过梳理文献发现,基于复杂网络理论和方法在全球人才流动网络的复杂性研究中存在严重的认识缺位,复杂网络理论和方法为人才流动网络结构的辨识提供了一个崭新的视角,也为本文尝试揭示全球人才流动网络的复杂性特征奠定了基础。基于此,论文从复杂网络的视角,深入探讨不同国家在全球人才流动网络中位置、功能和角色,识别和刻画全球人才流动网络空间拓扑结构的集聚程度及连接程度。

2 关于全球人才流动复杂性的理论探讨

人才环流理论对国际人才流动的讨论为本文关于全球人才流动网络复杂性的探讨奠定了良好的理论基础。人才环流理论认为国际人才流动经历了从线性模式到环流模式的复杂性转变。从时序演化来看,早期人才的国际流动主要受到国家间经济发展水平差异的影响,流动规模相对较小,以人才从发展中国家向发达国家单向和永久性流动为主,国际社会将人才流动看作是“人才的失与得”,从“零和博弈”的角度分别分析人才流动对流入国和流失国的积极与消极意义[17]。但近20年来,随着全球化的快速推进,新兴经济体的快速发展,人们逐渐将跨国“流动”看作是获取优质教育资源和工作经验的有效途径,并最终选择回到母国或对其职业发展更有利的国家就业,人才不再单向地向少数发达国家集聚,出现了明显的区域化趋势[18]。在这样的背景下,人才从边缘国家向核心国家的单向流动模式被更为复杂的多向环流模式取代,出现了越来越多新的“枢纽”型国家。不可否认,全球人才流动的不均衡性,可能会加剧全球经济格局的不平衡性和不平等性。
“世界体系理论”将全球人才流动的复杂性与全球经济结构联系起来,该理论把世界各国划分成核心、半边缘和边缘三种类型,核心国家会通过各种权利和途径保持其核心地位,半边缘国家则向核心或者边缘移动[19]。世界体系理论对全球人才流动的含义是,拥有世界级事业增值平台、高质量教育资源、创新基础设施完备且科技水平较高的国家处于人才流动网络的核心位置,那些社会保障体系不健全,教育资源有限,技术水平较低的国家则处于边缘地区,从而促使全球人才流动网络分化成核心-边缘结构,造成的空间后果是少数发达国家处于全球人才流动网络的核心,广大的第三世界国家则处于边缘地区。因此可以预期,处于核心的国家或地区将通过世界一流的大学和科研设施控制全球的知识生产和传播,在全球研究、教育和机构组织中占据核心,并通过较高的经费投入,巩固其在全球人才流动网络中的区位优势。广大的边缘国家则鼓励学生前往核心国家寻求高质量的教育资源,学习先进的技术和知识,以便提高其高等教育和技术水平,促进国家发展。然而,来自边缘国家和地区的人才可能会选择留在核心国家就业,这将导致边缘国家或地区的人力资本流失。
以上讨论的理论观点为本文确立了分析问题的角度和思路,论文拟从以下两个方面进行创新性拓展：① 全球人才流动网络是否如人才环流理论所预期,人才不再单向永久地向少数发达国家集聚,新兴国家作为人才吸纳国的角色逐渐提升,人才流动网络出现越来越多新的“枢纽”型国家?② 全球人才流动网络是否如“世界体系理论”所预期,和世界经济结构一样,具有显著的核心-边缘结构特征,核心国家一旦形成,会存在“马太效应”,处于核心的愈加核心,处于边缘的愈加边缘?

3 数据来源与研究方法

3.1 数据来源及说明

“人才”概念较为宽泛,包括科学家、学者、工程师、艺术家、企业家、大学生等[20]。本文所指的“人才”仅包括大学生,更确切地说本文的研究对象是接受国际高等教育的留学生。在知识经济时代,人才正在全球培养,在全球工作,也被全球争夺[21],出国留学成为国际人才流动的重要组成部分和形式[20],是各国培养国际化人才的必要过程,同时也是全球知识生产,转让和流通的重要途径[22]。相较于留学生这类人才,其他类型的人才国际流动规模较小且缺乏正规统计数据。因此,选择国际留学生作为研究国际人才流动的指标具有较强的代表性和普遍性。
联合国教科文组织（UNESCO）数据库是获取全球高等教育学生跨国流动信息的唯一官方数据来源,经常被教育领域的专家学者用于研究教育国际化、知识全球化等实证研究中[23,24]。本文选择联合国教科文组织发布的3个字节的全球高等学校留学生流动数据,作为研究全球人才流动网络复杂性时空演化的基础数据,联合国教科文组织将留学生或国际流动学生定义为跨越两国边界进行学习的学生,这些学生不是正在学习国的公民。由于中国没有向联合国教科文组织报备在华外国留学生数据信息,本文利用中国教育部国际合作与交流司的在华留学生数据对其进行补充。
全球留学生总数从2001年的217.27万人迅速增长到2015年的460.67万人,巨大的流量变化意味着更加广泛和更加复杂的全球政治和经济关系网络。留学生高度集聚给欧美等主要留学目的地国带来了大量的人才和资本,提供了关键技术,促进和培育了新兴产业,如何集聚更多世界各地优秀学子成为这些国家关注的重要问题。以亚洲、非洲、拉丁美洲为代表的发展中国家作为主要的留学生来源国正经历着“人才流失”,如何实现“人才环流”成为这些国家关注的焦点（图1）。
图1 2001—2015年全球留学生规模时序演化

Fig. 1 Changes in the scale of international students from 2001 to 2015

3.2 研究方法

3.2.1 网络复杂性测度模型 网络密度（Dg）测度复杂网络整体性完备程度,整体复杂网络的密度越大,表明各节点之间的联系越紧密[25]。由于人才流动网络属于有向复杂网络（directed graph）,表达式为：
D g = m [ n n - 1 ]
式中：m是复杂网络中包含的关系总数;n是复杂网络节点总数。
平均路径长度（L）衡量复杂网络各节点之间的可达性程度,其值等于复杂网络中所有最短路径之和的平均值[26],表达式为：
L = ∑ i ≠ j t ij n ( n - 1 )
式中：tij表示节点i与j之间最短路径的边数;n为复杂网络的所有节点数。
集聚系数是指一个节点与其所有邻接点之间实际的边数与最大边数的比值[27],衡量人才流动网络中各国的集聚程度。平均集聚系数（C）即为网络各节点集聚系数的平均值,表达式为：
C = 1 n ∑ i = 1 n e i k i ( k i - 1 )
式中：n是复杂网络节点总数;ei为节点i与其所有邻接点之间实际边数;ki是与i的邻接点数;ki（ki-1）是最大可能边数。
有关网络节点关系的研究与当代著名的“小世界”（small world）研究息息相关,在小世界研究中,最初关注的问题是网络中任意两个节点相互联系的概率,进而推广到对国家间的文化传播、信息传递、人员流动等的可达性进行模拟,并通过与随机网络的集聚系数和平均路径长度进行对比,如果发现现实网络与随机网络相比具有较大的集聚系数和较小的平均路径长度,则说明该网络具有小世界的特性,表明网络中虽然各节点联系的节点数量有限,但任意两点仍有可能通过较短的拓扑距离而取得联系[28]。
度中心性（degree centrality,Cd）指复杂网络中与目标节点直接相连的其他节点的个数,表征节点连接程度[29]。在人才流动网络中,节点度中心性表示与该国或地区有人才流动联系的国家数量,在有向复杂网络中度中心性又可分为出度中心性和入度中心性：
C d ( i ) = ∑ j = 1 n a ij
式中：aij表示人才流动复杂网络邻接矩阵,有人才流动关系的则赋值为1,无则赋值为0。
加权度中心性（weighted degree centrality,Cw）又称为强度中心性,是复杂网络中与节点i直接相连的边的权重总和,在有向复杂网络中分为加权入度中心性和加权出度中心性[30]。在人才流动网络中,节点加权度中心性表示流入该国和流出该国的人才总数：
C w i = ∑ i ∈ N i w ij
式中：Ni表示与节点i的直接相连的节点集合;wij表示连接节点i和节点j之间人才流量的数量总和。
3.2.2 网络结构判定模型 人才流动网络核心-边缘结构判定模型是用数学图论和关系结构的方法,将节点归组为不同集团,并寻找这些集团之间关系[28]。抽象为数学矩阵,即为（图2）：矩阵中n1和n2是处于核心位置的国家,m1、m2和m3是处于边缘地区的国家,蓝色格子表示两个国家之间的关系流,m1、m2、m3与n1、n2产生关系流,n1与n2之间也存在关系流,因此n1和n2构成了一个凝聚子群。但是m1、m2、m3相互之间并不一定存在关系流,相对于n1、n2的位置而言,m1、m2、m3处于另外一个位置,它们以相似的形式与n1、n2互动,从图2可以看出水平和垂直各有一条红色分隔带,关系流主要出现在核心国家内部以及核心国家与边缘国家之间。
图2 核心-边缘结构概念模型

Fig. 2 The conceptual model of core edge structure

人才流动网络社团结构判定模型是基于网络节点的关系模式,根据网络节点间的拓扑距离,把节点归组到不同社团,社团内部的节点联系紧密,社团之间的联系则相对稀疏[31]。社团结构能够很好地识别网络局部的集聚特性。模块度（Modularity Q）是衡量社区划分结果质量的标准,其表达式如下：
Q = 1 2 m ∑ i j A ij - k i k j 2 m σ C i , C j
式中：Q是模块度,Q值越大,表明社团划分结果越优,Q值越低,则表明划分的社团结构特征不够显著,在实际的复杂网络分析中,Q值通常大于0.3,小于0.7;m为网络中边的总数;ki是节点i的度值;Aij为矩阵元素,若节点i与节点j相连,那么Aij=1,否则为0。函数σ（Ci,Cj）取值定义：如果i和j在同一个社团,即Ci=Cj,那么该函数值为1,否则为0。

4 结果分析

4.1 网络复杂性特征量演化

4.1.1 全球人才流动网络规模迅速扩大,小世界性特征明显 2001—2015年,全球人才流动网络规模呈迅速扩大趋势,参与的国家或地区数量从203个增加到212个,各国平均吸纳和流出去的人才数量从8004人迅速增加到20834人,网络中人才流动的路径数量从4921条迅速增加到9137条,表明不仅全球流动的人才数量在迅速增加,人才流动的路径数量也在迅速增加。从网络密度来看,全球人才流动网络密度从2001年的0.120提升到2015年的0.204,各国平均联系的国家数量从24个增加到43个,表明各国在人才交流上联系越来越密切。全球人才流动网络平均路径长度从2001年的1.666降低至2015年的1.569,说明全球人才流动网络的可达性逐渐提升,全球人才流动网络平均聚类系数从2001年的0.686降至2015年的0.655,表明全球人才流动网络出现了越来越多的区域性中心,而不再单纯的向某一国或地区集聚。与同等规模的随机网络相比,全球人才流动网络有较大的集聚系数和较小的平均路径长度,表明全球人才流动网络具有明显的小世界性特征（表1）。
表1 2001—2015年全球人才流动网络复杂性特征量统计

Tab. 1 Statistics on the complexity of global talent mobility network from 2001 to 2015

指标 网络规模 小世界性 度中心性 强度中心性
节点数 边数 密度 直径 平均路径长度 平均集聚系数 平均度 平均加权度
2001 203 4921 0.120 3 1.666（1.667） 0.686（0.119） 24 8004
2002 202 5379 0.132 4 1.628（1.617） 0.699（0.132） 27 10055
2003 205 6021 0.144 4 1.707（1.575） 0.665（0.143） 29 11206
2004 207 5906 0.139 5 1.695（1.591） 0.670（0.138） 29 11386
2005 206 5679 0.134 3 1.625（1.606） 0.709（0.134） 28 11935
2006 207 5959 0.140 4 1.658（1.587） 0.688（0.139） 29 12068
2007 208 6103 0.142 4 1.625（1.580） 0.708（0.141） 29 13092
2008 208 6781 0.157 4 1.635（1.532） 0.670（0.157） 33 14004
2009 208 7026 0.163 4 1.626（1.516） 0.647（0.162） 34 14993
2010 207 7226 0.169 5 1.619（1.501） 0.674（0.169） 35 15510
2011 209 7605 0.175 4 1.613（1.486） 0.677（0.174） 36 16561
2012 211 7793 0.176 5 1.638（1.483） 0.662（0.175） 37 16631
2013 209 7712 0.177 4 1.595（1.481） 0.687（0.177） 37 16971
2014 211 8456 0.191 4 1.584（1.450） 0.667（0.190） 40 18298
2015 212 9137 0.204 3 1.569（1.423） 0.655（0.203） 43 20834

注：括号内为同等规模随机网络特征量统计。

4.1.2 全球人才流动网络两级分化显著,但差异性逐年缩小 入度中心性和加权入度中心性反映一国在全球人才流动网络中作为人才吸纳国的中心性,一国入度中心性越高,表明人才的来源国数量越多,加权入度中心性越高,则表明该国吸纳的国际人才数量越多;出度中心性和加权出度中心性反映一国在国际人才流动网络中作为人才派出国的中心性,一国出度中心性越高,表明该国在人才派遣方面联系的国家数量越多,加权出度中心性越高,则表明该国派出的国际人才数量越多。从2001—2015年各国的入度中心性和出度中心性的差异性来看,入度中心性和出度中心性的变异系数分别从1.998和0.493降到1.407和0.7,基尼系数从0.820和0.281降到0.700和0.255,表明各国在全球人才交流方面,联系的国家数量呈两级分化的特点,但是这种差异性在逐渐降低,入度中心性的差异性远大于出度中心性的差异性,表明全球人才来源的广泛性和人才流向的集中性。从2001—2015年各国加权入度中心性和加权出度中心性的差异性来看,加权入度中心性变异系数从4.927降到3.838,基尼系数从0.938降到0.901,表明各国在吸纳国际人才的数量方面虽然差异巨大,但这种差异性呈逐年缩小的态势;加权出度中心性的变异系数从1.952提升到2.595,基尼系数从0.700提升至0.720,表明在人才派遣方面,各国的差异性呈逐渐扩大的趋势（表2）
表2 2001—2015年全球人才流动网络中心性的变异系数和基尼系数

Tab. 2 Variation coefficient and Gini coefficient of global talent mobility network centrality from 2001 to 2015

入度中心性 出度中心性 加权入度中心性 加权出度中心性
变异系数 基尼系数 变异系数 基尼系数 变异系数 基尼系数 变异系数 基尼系数
2001 1.998 0.820 0.493 0.281 4.927 0.938 1.952 0.700
2002 1.912 0.807 0.471 0.268 4.753 0.935 2.078 0.703
2003 1.756 0.779 0.484 0.275 4.581 0.927 2.372 0.703
2004 1.786 0.785 0.490 0.279 4.567 0.930 2.626 0.714
2005 1.866 0.800 0.480 0.274 4.540 0.930 2.731 0.718
2006 1.806 0.788 0.497 0.284 4.439 0.926 2.666 0.716
2007 1.799 0.788 0.502 0.287 4.248 0.920 2.703 0.716
2008 1.656 0.759 0.493 0.281 4.141 0.918 2.712 0.712
2009 1.664 0.762 0.466 0.264 4.106 0.918 2.800 0.716
2010 1.625 0.753 0.458 0.260 4.072 0.914 2.881 0.716
2011 1.598 0.747 0.467 0.265 4.034 0.912 2.969 0.717
2012 1.567 0.740 0.481 0.273 4.118 0.910 3.060 0.722
2013 1.593 0.746 0.460 0.260 4.149 0.915 3.100 0.724
2014 1.484 0.720 0.476 0.270 4.070 0.909 2.950 0.722
2015 1.407 0.700 0.450 0.255 3.838 0.901 2.595 0.720

4.2 网络空间结构复杂性演化

4.2.1 全球人才流动网络具有明显幂律分布规律,呈典型“金字塔结构”特征 从2001年和2015年各国加权入度和加权出度中心性位序-规模分布来看,图3a和图3b均具有明显的“长尾分布”特点,进而对各国的加权入度和加权出度中心性及其位序取对数,并进行回归分析,2001年和2015年各国加权入度中心性的判定系数（R2）分别达到0.769和0.811,加权出度中心性的判定系数（R2）分别达到0.645和0.638（图4）,表明各国的加权入度和加权出度中心性符合幂律分布的规律,全球人才流动网络呈典型的“金字塔结构”特征,即只有少数国家的加权入度中心性和加权出度中心性较高,绝大多数国家都较低,表明仅有少数国家或地区作为全球人才流动的主要目的地国,绝大多数国家吸纳人才的能力较低。从加权出度中心性位序-规模分布来看,只有少数国家是全球主要的人才来源国,其余大多数国家派出的人才数量较少,表明全球人才流动网络被少量枢纽性节点国家控制。
图3 2001年和2015年各国（地区）加权入度和加权出度中心性位序-规模分布变化

Fig. 3 Rank-size distributions of countries (regions) centrality in 2001 and 2015

图4 2001年和2015年各国（地区）加权入度和加权出度中心性双对数位序-规模分布变化

Fig. 4 Rank-size distributions of countries (regions) centrality double logarithmic sequence in 2001 and 2015

4.2.2 全球人才流动网络具有显著的空间异质性,基本呈“东向西,南到北”的地理格局 对全球人才流动网络的地理格局进行刻画,发现全球人才流动网络具有显著的空间异质性,基本呈“东向西,南到北”的地理格局,来自广大亚洲国家的人才向西流向北美和西欧地区,来自南方广大发展中国家的人才向北流向少数发达国家。
2001年,中国、韩国、日本和印度是全球主要的人才来源国,在全球人才流动网络中占据主导性位置,来自中国的留学生总数达13.2万人,占全球留学生总数的8.14%,其次是韩国9.2万人（5.68%）、日本6.9万人（4.24%）、印度5.9万人（3.61%）。在人才吸纳国方面,美国和西欧国家是全球人才的主要吸纳国,美国是全球人才流动网络中最大的核心国家,国际留学生达44.9万人,占全球留学生总数的27.61%,其次是英国22.0万人（13.53%）、德国19.4万人（11.9%）、法国14.3万人（8.78%）、日本6.4万人（3.91%）（图5a）。
图5 2001年和2015年全球留学生流动网络空间格局

注：当图中节点与线颜色相同时,表示该国或地区的人才流向其他国家或地区。

Fig. 5 Spatial pattern of international student mobility network in 2001 and 2015

2015年,国际人才流动的区域化趋势逐渐显现,亚洲特别是东亚国家作为人才吸纳国的角色逐渐上升,美国和西欧国家吸纳的人才数量占比逐渐下降。在人才来源国方面,中国依然是全球最大的人才来源国,来自中国的留学生总数达81.4万人,占全球留学生总数的18.42%,其次是印度27.2万人（6.16%）、韩国17.3万人（3.93%）、德国12.1万人（2.74%）、尼日利亚9.4万人（2.13%）;在人才吸纳国方面,美国依然是全球最大的人才吸纳国,境内外国留学生有88.9万人,占全球留学生总数的20.12%,其次是英国43.0万人（9.74%）,中国39.7万人（9.00%）、澳大利亚28.8万人（6.52%）、法国22.2万人（5.03%）。综合来看,相较于2001年,美国、英国、法国等传统的人才吸纳国的全球占比有所下降,中国、澳大利亚、马来西亚、阿联酋、沙特阿拉伯等国吸纳的人才占比迅速提升,成为区域性的人才枢纽国家（图5b）。

4.3 网络拓扑结构复杂性演化

4.3.1 全球人才流动网络核心-边缘结构显著,各圈层间具有明显的更迭过程 采用核心-边缘结构判定模型,根据网络中各国或地区的关系模式和关系强度,将各国或地区划分为核心、强半边缘、弱半边缘和边缘四类。如图6所示,2001年,美国、英国、德国、法国属于全球人才流动网络的核心国家,其他国家或地区与这四国存在较强的关系流,且核心国家之间也存在较强的关系流,4个核心国家构成了一个凝聚子群,占据全球人才流动网络的核心位置;中国、日本、韩国、加拿大和印度5国属于强半边缘国家,它们与核心国家保持着较强的联系,同时彼此之间也存在较强的关系流;俄罗斯、瑞士、西班牙、比利时、奥地利、意大利、马来西亚等国属于弱半边缘国家,它们的人才主要流向核心国家,同时吸纳少量的边缘国家的人才;哈萨克斯坦、南非、拉脱维亚、突尼斯、古巴等亚洲、非洲、拉丁美洲国家处于网络的边缘,表明这些国家在人才流动方面彼此联系较弱,其人才主要流向了核心和半边缘国家。
图6 2001年全球留学生流动网络核心-边缘结构

Fig. 6 The core-periphery structure of international student mobility network in 2001

相较于2001年,2015年各圈层间发生了明显的更迭过程。中国从强半边缘国家迅速成长为核心国家,与美国共同组成全球人才流动网络的双核心;强半边缘国家从2001年的5个增加到英国、加拿大、印度、马来西亚、俄罗斯、日本、德国、意大利、法国、澳大利亚等18个国家,其中英国、法国和德国是从2001年的核心国家降为强半边缘国家,俄罗斯、乌克兰、马来西亚、土耳其、意大利、澳大利亚、新西兰、沙特阿拉伯、约旦、阿联酋、香港等11个国家（地区）是从2001年的弱半边缘国家（地区）成长为强半边缘国家（地区）;弱半边缘国家有荷兰、波兰、瑞士、奥地利、南非、捷克、巴西、斯洛伐克等,其中南非、吉尔吉斯斯坦、加纳等是从2001年的边缘国家成长为弱半边缘国家;非洲、拉丁美洲和部分亚洲国家依然处于全球人才流动网络的边缘地带（图7）。
图7 2015年全球留学生流动网络核心-边缘结构

Fig. 7 The core-periphery structure of international student mobility network in 2015

总体来看,全球人才流动网络的核心-边缘结构和上文根据“世界体系理论”推演的结构相吻合。经济发达或发展较快、拥有健全的社会保障体系、高质量的教育资源、创新基础设施完备且科技水平较高的国家处于人才流动网络的核心位置,广大的欠发达国家则处于边缘地区。核心国家会通过世界一流水平的大学和科研机构巩固和维持其核心地位,强半边缘国家和弱半边缘国家则通过提高教育和科技投入,加强与核心国家交流合作,以促使其从半边缘国家向核心国家逐渐演替,边缘国家之间彼此联系较弱,其人才主要流向了核心和半边缘国家。从核心国家、强半边缘国家及弱半边缘国家之间的更迭过程可以看出,“马太效应”现象在全球人才流动网络中并不存在。
4.3.2 全球人才流动网络社团分化显著,社团内部具有相似“金字塔结构”特征 根据国家间人才流动的关系模式,对全球人才流动网络社团结构进行探析,通过调整参数,模块度最高分别达到0.353和0.349,符合Q值的取值要求,得到最优社团结构划分结果。研究发现,全球人才流动网络社团分化显著,社团间存在整合分裂的演化过程,规模差异悬殊,社团内部节点的位序-规模分布均具有“长尾分布”的特点,表明和整体网络一样,各社团具有相似的“金字塔结构”特征（图8）。
图8 2001年和2015年各社团中节点的位序-规模分布

Fig. 8 Rank-size distributions of nodes in each community in 2001 and 2015

2001年,全球人才流动网络分为美国亚太社团、法国社团、德国东欧社团、英国社团、南非社团和以色列社团等6个社团。其中美国亚太社团规模最大,以美国强大的经济实力和科技实力凝聚着包含加拿大、中国、日本、印度、韩国、墨西哥、巴西等北美、亚洲和拉丁美洲的86国家或地区;德国东欧社团以德国为核心,相似的文化背景、较近的地理距离使得捷克、匈牙利、奥地利、俄罗斯、哈萨克斯坦、伊朗等39个东欧和亚洲国家构成一个凝聚子群;法国社团以法国为核心,主要包含与法国有殖民历史联系的刚果（金）、布隆迪、多哥、中非、塞内加尔、尼日尔等38个非洲和部分欧洲国家;英国社团以英国为核心,主要包含挪威、芬兰、丹麦、冰岛、新加坡、马尔代夫、卡塔尔等26个北欧、亚洲和非洲国家;南非社团规模相对较小,主要包含非洲南部的11个国家;以色列、拉脱维亚、爱沙尼亚三国构成了一个独立社团。
2015年,由于一些新兴目的地国的快速成长,传统目的地国凝聚力的下降,全球人才流动网络社团结构经过整合分裂,演化成中国社团、美国社团、欧盟社团、南美和南非社团、马来西亚社团、独联体社团等6个社团。相较于2001年,英国社团、法国社团、德国东欧社团由于核心国家凝聚力的相对下降,整合成欧盟社团,以英国、德国、法国为三核心,包含73个欧洲、非洲和亚洲国家;由于经济的快速发展,教育和科学技术水平的快速提升,中国成为新的人才流动目的地国,从美国亚太社团分裂,形成一个以中国为核心,包含日本、韩国、泰国、香港、坦桑尼亚、埃塞俄比亚、乌干达等28个亚洲和非洲国家（地区）的凝聚子群;以俄罗斯为核心的独联体社团从原德国东欧社团分裂,主要包含乌克兰、白俄罗斯、土库曼斯坦、捷克、波兰等12个独联体和东欧国家;马来西亚社团从美国亚太社团分裂,相同的宗教文化背景,使得马来西亚、孟加拉国、文莱、马尔代夫、尼日利亚、加纳等9国以马来西亚为核心构成了一个社团;以美国为核心的社团规模有所缩小,节点数量从2001年的86个减少到67个;南非和南美社团则以巴西和南非为双核心形成了一个新的凝聚子群。

5 结论及讨论

本文利用全球高校留学生流动数据,基于复杂网络理论,构建点-节点中心性、线-关联层次性、网-网络社团性、集聚性及连接性等加权有向复杂网络模型,结合GIS空间分析方法,对2001—2015年全球人才流动网络复杂性时空演化进行了初步研究。
首先,在全球人才流动网络空间结构复杂性演化方面,全球人才流动网络呈典型的“金字塔结构”特征,反映出全球人才流动网络被少量枢纽型国家控制。全球人才流动基本呈“东向西,南到北”的地理格局,来自广大亚洲国家的人才向西流向北美和西欧地区,来自南方广大发展中国家的人才向北流向少数发达国家。但是,国际人才流动的区域化趋势已逐渐显现,亚洲特别是东亚国家作为人才吸纳国的角色逐渐上升,美国和西欧国家吸纳的人才数量占比逐渐下降。这种空间格局的变化符合人才环流理论所预期,人才不再单向永久地向少数发达国家集聚,新兴国家作为人才吸纳国的角色逐渐提升,人才流动网络出现了越来越多新的“枢纽”型国家,表明接受高等教育的留学生等创新型人才并不是严格按照国际劳动分工、新迁移经济学等竞争与自由主义理论从理性经济人角度推定的那样,奉行经济效益最大化的原则,单向地向少数发达国家集聚。
其次,在全球人才流动网络拓扑结构复杂性演化方面,全球人才流动网络社团结构和核心-边缘结构分化显著,且社团结构具有整合分裂的过程,核心国家、强半边缘国家及弱半边缘国家之间具有明显的更迭过程。中国从强半边缘国家迅速成长为核心国家,英国、法国、德国等从核心国家降为强半边缘国家,俄罗斯、乌克兰、马来西亚、土耳其、意大利、澳大利亚、新西兰、沙特阿拉伯、约旦、阿联酋、香港等11个国家（地区）从弱半边缘国家（地区）成长为强半边缘国家（地区）,广大的非洲、拉丁美洲和亚洲国家处于全球人才流动网络的边缘地带。这种拓扑结构分化符合“世界体系理论”所预期,与世界经济结构一样,全球人才流动网络具有显著的核心-边缘结构特征,核心国家之间存在较强的关系流,边缘国家彼此间联系较弱,其人才主要流向了核心国家和半边缘国家。但从全球人才流动网络社团结构的整合分裂和核心-边缘结构的更迭过程来看,全球人才流动网络并不存在明显的“马太效应”。
最后,本文的研究具有一定的政策启示意义。如前所述,当一国成为全球人才流动网络的核心国家时,会对全球人才流动产生强大的集聚力和控制力,影响着全球人才的时空配置。国家的人才集聚能级的大小可从以下几个方面提升：第一,推进“双一流”建设,提高对国际留学生的吸引力。世界一流水平的大学、高质量的教育资源是留学生选择留学目的地国的重要考量因素,高校应该立足各自优势学科,加快世界一流学科建设,打造具有国际竞争力的留学专业品牌,除了汉语、中医、工程等特色和优势学科外,拓展留学专业类别,设立和发展满足中国建设需求的专业。第二,鼓励有实力的高校海外办学,在中国战略利益集聚的区域设立分校,开展国际合作办学项目,建立多层次,多渠道的人才培养机制,促进国际人才的交流与培养。第三,促进留学教育和产业需求结合,打造世界级事业增值平台。好的发展预期是吸引国际人才集聚的关键,结合产业需求,建立和完善国际人才的就业服务机制,打造世界级事业增值平台,让国际人才有施展才华的平台和发展的空间。第四,改变中国学生出国留学过度集中于一个国家或一个地区的局面,鼓励学生到中国战略利益和经济利益涉及的所有国家或地区进行交流学习,以为中国对外投资,开展国际合作提供智力支持。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
汪怿 . 构建全球人才枢纽: 原因、内涵与策略. 科学发展, 2013, ( 2):89-99.

[ Wang Yi . Towards a global talent hub: Its concept and development strategy. Scientific Development, 2013, ( 2):89-99.]

[2]
刘晔, 沈建法, 刘于琪 . 西方高端人才跨国流动研究述评. 人文地理, 2013,28(2):7-12.

[ Liu Ye, Shen Jianfa, Liu Yuqi . Transnational mobility of the highly skilled: A review. Human Geography, 2013,28(2):7-12.]

[3]
黄海刚 . 从人才流失到人才环流: 国际高水平人才流动的转换. 高等教育研究, 2017,38(1):90-97, 104.

[ Huang Haigang . From brain drain to brain circulation: Paradigm shift of talent mobility. Journal of Higher Education, 2017,38(1):90-97, 104.]

[4]
Bhagwati J, Hamada K . The brain drain, international integration of markets for professionals and unemployment: A theoretical analysis. Journal of Development Economics, 1974,1(1):19-42.

[5]
Portes A . Determinants of the brain drain. International Migration Review, 1976,10(4):489-508.

[6]
Beaverstock J V . Re-thinking skilled international labour migration: World cities and banking organisations. Geoforum, 1994,25(3):323-338.

[7]
Verstock J. V. B . Revisiting high-waged labour market demand in the global cities: British professional and managerial workers in New York City. International Journal of Urban and Regional Research, 1996,20(3):422-445.

[8]
Ley D . Transnational spaces and everyday lives. Transactions of the Institute of British Geographers, 2004,29(2):151-164.

[9]
Yeoh B S A, Huang S . Introduction: Fluidity and friction in talent migration. Journal of Ethnic and Migration Studies, 2011,37(5):681-690.

[10]
Watts D J, Strogats S H . Collective dynamics of ‘small-world’ networks. Nature, 1998,393(6684):440-442.

[11]
Barabási A L, Albert R . Emergence of scaling in random networks. Science, 1999,286(5439):509-512.

[12]
范如国 . 复杂网络结构范型下的社会治理协同创新. 中国社会科学, 2014, ( 4):98-120, 206.

[ Fan Ruguo . Collaborative innovation in social governance in a complex network structural paradigm. Social Sciences in China , 2014, ( 4):98-120, 206.]

[13]
汪明峰, 宁越敏 . 城市的网络优势: 中国互联网骨干网络结构与节点可达性分析. 地理研究, 2006,25(2):193-203.

[ Wang Mingfeng, Ning Yuemin . The network advantage of cities: An analysis of spatial structure and node accessibility of Internet backbones in China. Geographical Research, 2006,25(2):193-203.]

[14]
刘婵娟, 胡志华 . “21世纪海上丝绸之路”海运网络空间格局及其复杂性研究. 世界地理研究, 2018,27(3):11-18.

[ Liu Canjuan, Hu Zhihua . Spatial pattern and complexity of the 21st Century Maritime Silk Road shipping network. World Regional Studies, 2018,27(3):11-18.]

[15]
李振福, 梁爱梅, 徐梦俏 . 我国北极社会科学研究的作者网络. 世界地理研究, 2018,27(3):30-41.

[ Li Zhenfu, Liang Aimei, Xu Mengqiao . Author network of Arctic social science research in China. World Regional Studies, 2018,27(3):30-41.]

[16]
邹小华, 薛德升, 李玮 . 中资律师事务所全球扩展及其网络空间结构演变. 世界地理研究, 2019,28(2):149-159.

[ Zou Xiaohua, Xue Desheng, Li Wei . The global expansion and spatial networks structure evolution of Chinese law firms. World Regional Studies, 2019,28(2):149-159.]

[17]
Straubhaar T, Wolburg M R . Brain drain and brain gain in Europe. Jahrbücher für Nationalökonomie und Statistik, 1999,218(5-6):574-604.

[18]
Chacko E . From brain drain to brain gain: Reverse migration to Bangalore and Hyderabad, India’s globalizing high tech cities. Geojournal, 2007,68(2-3):131-140.

[19]
Smith D A, White D R . Structure and dynamics of the global economy: Network analysis of international trade 1965-1980. Social Forces, 1992,70(4):857-893.

[20]
魏浩, 王宸, 毛日昇 . 国际间人才流动及其影响因素的实证分析. 管理世界, 2012, ( 1):33-45.

[ Wei Hao, Wang Chen, Mao Risheng . An empirical analysis of international talent flow and its influencing factors. Management World, 2012, ( 1):33-45.]

[21]
Perkins R, Neumayer E . Geographies of educational mobilities: Exploring the uneven flows of international students. Geographical Journal, 2014,180(3):246-259.

[22]
Börjesson M . The global space of international students in 2010. Journal of Ethnic & Migration Studies, 2017,43(8):1256-1275.

[23]
Vögtle E M, Windzio M . Networks of international student mobility: Enlargement and consolidation of the European transnational education space?. Higher Education, 2016,72(6):723-741.

[24]
Kondakci Y, Bedenlier S, Zawacki-Richter O . Social network analysis of international student mobility: Uncovering the rise of regional hubs. Higher Education, 2018,75(3):517-535.

[25]
鲜果, 曾刚, 曹贤忠 . 中国城市间创新网络结构及其邻近性机理. 世界地理研究, 2018,27(5):136-146.

[ Xian Guo, Zeng Gang, Cao Xianzhong . Structural feature and proximity mechanism of Chinese intercity innovation network. World Regional Studies, 2018,27(5):136-146.]

[26]
董迪, 安海忠, 郝晓晴 , 等. 基于复杂网络的国际铜矿石贸易格局. 经济地理, 2016,36(10):93-101.

[ Dong Di, An Haizhong, Hao Xiaoqing , et al. International copper ore trade pattern based on complex network theory. Economic Geography, 2016,36(10):93-101.]

[27]
周灿, 曾刚, 曹贤忠 . 中国城市创新网络结构与创新能力研究. 地理研究, 2017,36(7):1297-1308.

[ Zhou Can, Zeng Gang, Cao Xianzhong . Chinese inter-city innovation networks structure and city innovation capability. Geographical Research, 2017,36(7):1297-1308.]

[28]
刘军 , 整体网络分析. 上海: 上海人民出版社, 2014.

[ Liu Jun. Lectures on whole network approach. Shanghai: Shanghai People's Press, 2014.]

[29]
王倩倩, 杜德斌, 张杨 , 等. 全球手机贸易网络演化特征研究. 世界地理研究, 2019,28(2):170-178.

[ Wang Qianqian, Du Debin, Zhang Yang , et al. Research on evolution characteristics of global mobile phone trade network. World Regional Studies, 2019,28(2):170-178.]

[30]
刘承良, 桂钦昌, 段德忠 , 等. 全球科研论文合作网络的结构异质性及其邻近性机理. 地理学报, 2017,72(4):737-752.

[ Liu Chengliang, Gui Qinchang , Duan Dezhong et al. Structural heterogeneity and proximity mechanism of global scientific collaboration network based on co-authored papers. Acta Geographica Sinica, 2017,72(4):737-752.]

[31]
焦敬娟, 王姣娥, 金凤君 , 等. 高速铁路对城市网络结构的影响研究: 基于铁路客运班列分析. 地理学报, 2016,71(2):265-280.

[ Jiao Jingjuan, Wang Jiaoe, Jin Fengjun , et al. Impact of high-speed rail on inter-city network based on the passenger train network in China, 2003-2013. Acta Geographica Sinica, 2016,71(2):265-280.]

Options
文章导航

/

〈 〉