徐 茜 崔 霞 羅文卿

(山東財(cái)經(jīng)大學(xué)工商管理學(xué)院，山東 濟(jì)南 250014)

一、引言

科技人才是具有專業(yè)知識或?qū)ｉT技能，從事科學(xué)技術(shù)創(chuàng)新活動(dòng)，承擔(dān)科技創(chuàng)新任務(wù)的主體(王高峰、楊浩東，2021)[1]，是區(qū)域科技創(chuàng)新的關(guān)鍵。但隨著開放式創(chuàng)新的蓬勃發(fā)展，科技人才也隨之在一個(gè)越來越廣大的知識空間和區(qū)域空間內(nèi)流動(dòng)，區(qū)域發(fā)展的差異性以及區(qū)域科技人才供需形勢的波動(dòng)性又進(jìn)一步對科技人才的區(qū)域性流動(dòng)產(chǎn)生持續(xù)和累積的影響，有些地區(qū)面臨科技人才流失的風(fēng)險(xiǎn)，引發(fā)科技人才的離散效應(yīng)，從而影響區(qū)域科技創(chuàng)新的發(fā)展。及時(shí)、準(zhǔn)確地對科技人才流失風(fēng)險(xiǎn)進(jìn)行監(jiān)控、臨界警報(bào)以及化解排警對地區(qū)發(fā)展具有重要意義。循著區(qū)域人才流失風(fēng)險(xiǎn)預(yù)警理論的發(fā)展脈絡(luò)，我們發(fā)現(xiàn)，現(xiàn)有研究大多集中在對一般人才流失風(fēng)險(xiǎn)的預(yù)警上。但科技人才作為一種特殊的人才形態(tài)，其區(qū)域流動(dòng)性不僅具有一般人才流動(dòng)的經(jīng)濟(jì)追逐性，還具有自身的技術(shù)追逐性。這種技術(shù)追逐性決定了科技人才需要循著與自身技術(shù)相關(guān)聯(lián)的路徑，在一個(gè)與之相匹配的技術(shù)環(huán)境中尋找自己的位置(Pekkala等，2016[2]；高子平，2012[3])。這意味著對區(qū)域科技人才流失風(fēng)險(xiǎn)的識別在很大程度上需要關(guān)注科技人才賴以存在和發(fā)展的區(qū)域技術(shù)體系。因此，區(qū)域科技人才流失風(fēng)險(xiǎn)預(yù)警問題為我們在風(fēng)險(xiǎn)識別和預(yù)警內(nèi)容上預(yù)留了新的研究空間。本文將在已有研究的基礎(chǔ)上，從區(qū)域工資收入體系、區(qū)域科技要素體系、區(qū)域科技服務(wù)體系和區(qū)域外部保障體系四個(gè)方面對區(qū)域科技人才流失風(fēng)險(xiǎn)進(jìn)行識別，建立風(fēng)險(xiǎn)預(yù)警指標(biāo)體系，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)方法構(gòu)建風(fēng)險(xiǎn)預(yù)警模型，為地區(qū)提供宏觀層面的科技人才流失風(fēng)險(xiǎn)預(yù)警信息。

二、理論分析

(一) 區(qū)域科技人才流失風(fēng)險(xiǎn)識別

風(fēng)險(xiǎn)識別是區(qū)域科技人才流失風(fēng)險(xiǎn)預(yù)警的基礎(chǔ)。區(qū)域內(nèi)的工資收入水平、科技體系和外部保障體系是目前區(qū)域間科技人才流動(dòng)影響因素研究中的核心議題，這三類因素對區(qū)域間科技人才流動(dòng)的影響效力也得到了學(xué)者們一致的認(rèn)可。從這個(gè)意義上講，區(qū)域工資收入、區(qū)域科技體系和區(qū)域外部保障也代表了區(qū)域科技人才流失風(fēng)險(xiǎn)識別的主要來源。

1.區(qū)域工資收入與科技人才流失

人們總是被吸引去預(yù)期工資報(bào)酬機(jī)會更好的地區(qū)(伊蘭伯格和史密斯，1999)[4]，收入水平一直是個(gè)體流動(dòng)的核心議題(張海峰等，2019)[5]。區(qū)域收入差距反映了區(qū)域效用差異，工資驅(qū)動(dòng)下的人才流動(dòng)使科技人才流動(dòng)趨勢表現(xiàn)為由低收入地區(qū)流入高收入地區(qū)。工資收入不僅決定了人們的生活水平，同時(shí)也是對人才價(jià)值的一種衡量。為了獲得更優(yōu)越的生活條件，更好地實(shí)現(xiàn)個(gè)人價(jià)值，人們必然從工資收入的洼地向高地流動(dòng)(朱軍文、李奕贏，2016[6]；鄧翔等，2018[7])。企業(yè)通過提高工資薪酬吸引科技人才的普遍事例也佐證了工資收入對科技人才流動(dòng)的影響。對區(qū)域工資收入水平的衡量主要源于兩個(gè)方面，一是工資收入的賬面價(jià)值，二是在物價(jià)水平影響下的實(shí)際工資收入價(jià)值。

工資收入的賬面價(jià)值只能反映人們的收入水平，而不能直接作為生活收入的購買力尺度。從收入價(jià)值的感受來講，人們心目中的實(shí)際收入價(jià)值由工資收入與地區(qū)生活成本相比較得出(徐倪妮、郭俊華，2019)[8]。生活成本包括物價(jià)水平、住房成本、交通成本、醫(yī)療成本、子女教育成本等顯性花費(fèi)，甚至也包括離開親人所帶來的孤獨(dú)感等隱性成本。學(xué)者們將這種考慮生活成本的實(shí)際工資收入作為一個(gè)重要的變量來解釋人才的區(qū)域性流動(dòng)，其對區(qū)域人才流動(dòng)的預(yù)測效力也已經(jīng)得到了確認(rèn)，即較低的區(qū)域工資收入對應(yīng)著較高的人才流失風(fēng)險(xiǎn)(郭金花等，2021[9]；裴玲玲，2018[10])。

2.區(qū)域科技體系與科技人才流失

知識網(wǎng)絡(luò)時(shí)代，科技人才是嵌入于一個(gè)更大的科技體系之中，作為其中某一知識節(jié)點(diǎn)而存在的。按照嵌入性理論，區(qū)域科技人才的科技活動(dòng)根植于其所處的區(qū)域科技體系，需要與外部諸多知識節(jié)點(diǎn)形成匹配效應(yīng)，才能實(shí)現(xiàn)自身的科技目的(于耀淇、江積海，2010)[11]。受此影響，當(dāng)科技人才或他所置身的科技體系在科技發(fā)展的格局變動(dòng)中發(fā)生了秩序或方向的改變，導(dǎo)致二者不再匹配時(shí)，科技人才便會尋找新的與之相匹配的科技體系。區(qū)域科技體系是區(qū)域科技活動(dòng)賴以正常進(jìn)行并適當(dāng)配置的一切功能要素的總和，由科技要素體系和科技服務(wù)體系兩大部分組成(馬永紅、張帆，2017[12]；崔少澤等，2021[13])。

區(qū)域科技要素體系包含區(qū)域內(nèi)存在的若干相互聯(lián)系的科技要素，包括各類知識、知識主體(如其他科技人員、企業(yè)、高校、科研院所等)、知識存儲和傳遞的載體(如數(shù)據(jù)庫、科技合作、科技制度等)等，同時(shí)各要素之間要實(shí)現(xiàn)功能上的統(tǒng)一，以形成完整的科技要素結(jié)構(gòu)，使各要素之間能在相互配合中實(shí)現(xiàn)螺旋上升式的發(fā)展(賀靈等，2012)[14]。反之，科技要素體系的不健全將導(dǎo)致科技人才工作開展的乏力，使其產(chǎn)生外流傾向。

科技服務(wù)體系是科技要素體系的延伸，是一個(gè)由多要素組成的集合體，涉及基礎(chǔ)設(shè)施(通信、交通)、金融(創(chuàng)新基金、技術(shù)開發(fā)貸款)、政策(科技成果保護(hù)力度、科技創(chuàng)新支持力度)、科技中介(機(jī)構(gòu)數(shù)量、服務(wù)水平)等多個(gè)變量指標(biāo)。科技人才的科技活動(dòng)需要通過區(qū)域科技服務(wù)體系在三個(gè)方面加以激活，一是通信與資金等的基礎(chǔ)性保障，二是科技擴(kuò)散，三是科技激勵(lì)(顧承衛(wèi)，2015[15]；魏守華等，2010[16]；徐茜、張?bào)w勤，2010[17])。區(qū)域科技服務(wù)的缺失將對區(qū)域內(nèi)科技人才開展科技活動(dòng)起到明顯的抑制作用，導(dǎo)致科技人才的外流(魏守華等，2010)[16]。

3.區(qū)域外部保障體系與科技人才流失

區(qū)域外部保障體系主要指區(qū)域內(nèi)生活設(shè)施的建設(shè)和生活服務(wù)軟件的完善程度等(徐茜、張?bào)w勤，2010[17]；Suominen和Seppanen，2018[18])。外部保障的功能是為科技人才提供保險(xiǎn)、就業(yè)、醫(yī)療、子女教育、咨詢、公共安全等方面的社會保障，并提供便利、舒適的生活環(huán)境。人口遷移的均衡模型將地方“舒適度”水平視為遷移人群在收入上的一種補(bǔ)償，甚至可以被資本化(Dahlberg等，2012)[19]。盡管經(jīng)濟(jì)利益作為驅(qū)動(dòng)人口流動(dòng)的核心要素仍然存在，但其被賦予的權(quán)重卻在下降，區(qū)域?qū)用娴耐獠勘Ｕ弦蛩氐扔绊懳磥砩罹幼l件的“環(huán)境舒適度”因素發(fā)揮著越來越重要的作用(張亞麗、方齊云，2019)[20]。在自由流動(dòng)情況下，人們對區(qū)域的選擇會受到區(qū)域公共服務(wù)水平的影響，即“用腳投票理論” 。教育、醫(yī)療、公共安全等區(qū)域特征對人才流向有顯著正向影響，大量文獻(xiàn)也證實(shí)了該理論的存在。

一般地，將外部保障體系分為社會保障體系和生活環(huán)境保障體系。其中，社會保障體系包括就業(yè)、醫(yī)療、教育等社會保障內(nèi)容，反映的是社會保障的完善程度；生活環(huán)境保障體系包括道路和公共交通建設(shè)、通信系統(tǒng)建設(shè)、用水(暖、氣)普及率、綠化覆蓋率、空氣質(zhì)量、公共秩序的有效性等，反映了生活環(huán)境的舒適和便利性(張海峰等，2019)[5]。隨著人們對生活質(zhì)量關(guān)注度的不斷提升，“環(huán)境選擇性”流動(dòng)更加明顯，區(qū)域環(huán)境極大地影響著區(qū)域吸引力。區(qū)域環(huán)境與受教育水平的交互研究又進(jìn)一步發(fā)現(xiàn)，相較于低教育水平的受雇者，高教育水平的受雇者對環(huán)境有更強(qiáng)的敏感性，更愿意為此支付額外成本(張海峰等，2019[5]；張亞麗、方齊云，2019[20])。優(yōu)越的外部保障能提供充分自由、開放、和諧的科研工作氛圍，使科技人才心情愉悅地進(jìn)行科研工作，產(chǎn)生人才集聚效應(yīng)。反之，不良的外部保障會造成科技人才工作/生活中的沖突，最終導(dǎo)致區(qū)域人才集聚的不經(jīng)濟(jì)效應(yīng)，使人才外流。

(二)人才流失預(yù)警方法

預(yù)警機(jī)制是從風(fēng)險(xiǎn)識別到風(fēng)險(xiǎn)預(yù)警輸出的管理過程，包括預(yù)警指標(biāo)的篩選、預(yù)警系統(tǒng)的構(gòu)建、預(yù)警結(jié)果的輸出等。目前，學(xué)者們將人才流失風(fēng)險(xiǎn)預(yù)警指標(biāo)的評價(jià)方法分為兩類，一類是定性方法，包括頭腦風(fēng)暴法、德爾菲法、專家評價(jià)法等；另一類是定量方法，如回歸分析法、多變量判別分析模型、基于人工神經(jīng)網(wǎng)絡(luò)的預(yù)警評價(jià)方法、模糊層次分析法、決策樹預(yù)警法，以及智能預(yù)警支持系統(tǒng)等(Skelton等，2020[21]；Schlechter 等，2016[22])。廖冰等(2020)[23]運(yùn)用DPSIR與AHP相結(jié)合方法對高層次人才流失風(fēng)險(xiǎn)進(jìn)行識別、測度。趙晨(2020)[24]運(yùn)用風(fēng)險(xiǎn)管理理論分析科技型人才區(qū)域分布不均衡所面臨的各種風(fēng)險(xiǎn)，構(gòu)建了科技人才區(qū)域分布不均衡的風(fēng)險(xiǎn)評價(jià)指標(biāo)體系和模型，并用模糊層次綜合分析法對風(fēng)險(xiǎn)影響因素進(jìn)行了識別和評估。張向前和陳娜(2016)[25]基于風(fēng)險(xiǎn)管理理論建立了人才流動(dòng)風(fēng)險(xiǎn)預(yù)警機(jī)制，對人才流動(dòng)進(jìn)行風(fēng)險(xiǎn)識別、估測、評價(jià)、處理及全程監(jiān)控。張亞莉等(2006)[26]開發(fā)了人才流失風(fēng)險(xiǎn)預(yù)警支持系統(tǒng)(ETRSS)，并給出了系統(tǒng)核心對象類圖、風(fēng)險(xiǎn)因子變量集，以及風(fēng)險(xiǎn)預(yù)警規(guī)則等關(guān)鍵技術(shù)。

現(xiàn)有人才流失預(yù)警方法的研究在實(shí)證層面上對如何構(gòu)建風(fēng)險(xiǎn)預(yù)警機(jī)制還沒有做出深入分析，缺乏構(gòu)建人才流失風(fēng)險(xiǎn)預(yù)警管理機(jī)制的全面思路和設(shè)想。還有一些研究雖然提出了建立人才流失風(fēng)險(xiǎn)預(yù)警機(jī)制的初步構(gòu)想，但提出的預(yù)警模型比較籠統(tǒng)，只是從預(yù)警的基本流程出發(fā)，試圖設(shè)想的預(yù)警機(jī)制能夠適用于所有人才流失問題，而沒能考慮科技人才流失的特殊性。同時(shí)，在人才流失風(fēng)險(xiǎn)預(yù)警指標(biāo)的評價(jià)方法上，定性研究帶有較強(qiáng)的主觀性，在操作上也多有局限。定量研究盡管具有計(jì)算簡便、易于理解和操作的特點(diǎn)，但科技人才流失預(yù)警會涉及大量非線性和模糊性指標(biāo)，對這些指標(biāo)權(quán)重向量的確定受人為因素影響較大，而回歸在計(jì)算過程中存在較多近似處理，這會影響到預(yù)測的精度；多變量判別分析雖然對結(jié)果有較好的解釋性，但有苛刻的前提條件，而現(xiàn)實(shí)中區(qū)域科技人才流失數(shù)據(jù)大多違背其前提假設(shè)。另外，以上定量預(yù)警方法的值域范圍和預(yù)警線一般采用確定的方式，不具備時(shí)變性。不同地區(qū)，甚至是同一地區(qū)在不同發(fā)展階段，其科技人才流失的預(yù)警線也不會完全一致。因此，如何克服上述方法上的缺陷，為區(qū)域科技人才流失做出及時(shí)、準(zhǔn)確的預(yù)警成為當(dāng)前學(xué)界亟須解決的問題。

三、預(yù)警指標(biāo)體系與預(yù)警模型的構(gòu)建

(一) 預(yù)警指標(biāo)體系的構(gòu)建

盡管區(qū)域科技人才流失風(fēng)險(xiǎn)誘因的多樣性和波動(dòng)性導(dǎo)致對流失風(fēng)險(xiǎn)的預(yù)測有一定難度，但來自區(qū)域?qū)用娴囊蛩卦谝欢〞r(shí)期內(nèi)具有相對穩(wěn)定性和延續(xù)性，其未來走向可以根據(jù)現(xiàn)有情況大致預(yù)知。因此，可以通過一系列區(qū)域?qū)用娴闹笜?biāo)對區(qū)域科技人才流失風(fēng)險(xiǎn)進(jìn)行預(yù)警。

依據(jù)前文對區(qū)域科技人才流失風(fēng)險(xiǎn)的識別分析，本文設(shè)置4個(gè)一級指標(biāo)，分別為區(qū)域工資收入體系、區(qū)域科技要素體系、區(qū)域科技服務(wù)體系和區(qū)域外部保障體系；在一級指標(biāo)下進(jìn)一步設(shè)置24個(gè)二級指標(biāo)，建立起區(qū)域科技人才流失風(fēng)險(xiǎn)預(yù)警指標(biāo)體系，如表1所示。

表1 區(qū)域科技人才流失風(fēng)險(xiǎn)預(yù)警指標(biāo)體系

(二) 基于BP神經(jīng)網(wǎng)絡(luò)的區(qū)域科技人才流失風(fēng)險(xiǎn)預(yù)警模型的構(gòu)建

1.BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)又稱多層前饋神經(jīng)網(wǎng)絡(luò)，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP神經(jīng)網(wǎng)絡(luò)通過信息的正向傳播以及誤差的反向傳播，完成網(wǎng)絡(luò)權(quán)值和閾值的不斷調(diào)整，可以實(shí)現(xiàn)輸入和輸出間的任意映射，而無須事前揭示這種輸入/輸出間映射關(guān)系的數(shù)學(xué)方程。BP神經(jīng)網(wǎng)絡(luò)因?yàn)槠涮赜械淖詫W(xué)習(xí)、自組織以及非線性映射的信息處理能力，克服了傳統(tǒng)方法對于非結(jié)構(gòu)化信息處理等方面的缺陷，成為人工智能的一個(gè)重要方向，在預(yù)測領(lǐng)域得到了廣泛應(yīng)用。

BP神經(jīng)網(wǎng)絡(luò)可分為多層，其中以單隱層網(wǎng)絡(luò)最為普遍。單隱層網(wǎng)絡(luò)包括輸入層(input)、隱含層(hide layer)和輸出層(output layer)。

2.樣本選取與數(shù)據(jù)收集

在科技人才研究中，較多選用科學(xué)家、工程師、R&D人員指代科技人才。本文根據(jù)此分類，對科技人才進(jìn)行界定。根據(jù)本文構(gòu)建的區(qū)域科技人才流失風(fēng)險(xiǎn)預(yù)警指標(biāo)體系，考慮我國區(qū)域科技發(fā)展水平以及區(qū)域科技人才分布的不均衡性，同時(shí)鑒于調(diào)查數(shù)據(jù)的可得性，選取了19個(gè)城市作為研究樣本，其中17個(gè)城市作為訓(xùn)練樣本，2個(gè)城市作為檢測樣本。本文將科技人才流失限定在跨市級層面，指標(biāo)數(shù)據(jù)通過2019年和2020年《中國統(tǒng)計(jì)年鑒》《中國科技統(tǒng)計(jì)年鑒》、相關(guān)省市的科技統(tǒng)計(jì)年鑒以及各地區(qū)科技局官方網(wǎng)站獲得。在識別區(qū)域特征影響科技人才流失時(shí)，對各城市經(jīng)濟(jì)變量進(jìn)行去膨脹處理(以2017年為基期)，并做均值處理。

3.BP神經(jīng)網(wǎng)絡(luò)模型輸入層神經(jīng)元數(shù)與輸入層數(shù)據(jù)

BP神經(jīng)網(wǎng)絡(luò)模型的輸入層神經(jīng)元數(shù)是由指標(biāo)數(shù)來確定的，有多少個(gè)指標(biāo)就構(gòu)成了多少維數(shù)的輸入神經(jīng)元。本文選擇24個(gè)指標(biāo)作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入神經(jīng)元，因此，網(wǎng)絡(luò)輸入層神經(jīng)元數(shù)為24。

按照BP神經(jīng)網(wǎng)絡(luò)的要求，輸入節(jié)點(diǎn)輸入的數(shù)據(jù)必須經(jīng)過歸一化處理，本文指標(biāo)數(shù)據(jù)為閉區(qū)間[0,1]上的無量綱性指標(biāo)值。由于在指標(biāo)體系中存在各指標(biāo)方向不同的問題，本研究對數(shù)據(jù)的處理方向統(tǒng)一為數(shù)值越大，風(fēng)險(xiǎn)越小。

數(shù)值越大，風(fēng)險(xiǎn)越大的指標(biāo)為K3。該指標(biāo)的歸一化公式為：

(1)

數(shù)值越大，風(fēng)險(xiǎn)越小的指標(biāo)有：K1、K2、K4-K25。以上指標(biāo)的歸一化公式為：

(2)

其中，Yij為樣本j在指標(biāo)i上的歸一化得分，Xij為樣本j在指標(biāo)i上的原始得分，minXi為所有樣本在指標(biāo)i上的最低原始得分，maxXi為所有樣本在指標(biāo)i上的最高原始得分。網(wǎng)絡(luò)的實(shí)際輸入數(shù)據(jù)是24個(gè)指標(biāo)2019年歸一化后的樣本數(shù)據(jù)。

4.BP神經(jīng)網(wǎng)絡(luò)模型輸出層神經(jīng)元數(shù)與輸出層數(shù)據(jù)

采取2020年與2019年該區(qū)域科技人才的數(shù)量差與2019年該區(qū)域科技人才數(shù)量的比值作為區(qū)域科技人才流失風(fēng)險(xiǎn)的輸出變量。本文采用主成分分析法，將樣本的流失風(fēng)險(xiǎn)因子綜合評價(jià)結(jié)果作為輸出期望值，用于區(qū)域科技人才流失風(fēng)險(xiǎn)大小并進(jìn)行風(fēng)險(xiǎn)等級的劃分。同時(shí)，考慮到區(qū)域科技人才流失風(fēng)險(xiǎn)一般有一年左右的潛伏期，因此本文用各樣本城市2020年的實(shí)際風(fēng)險(xiǎn)度量值表示2019年對2020年風(fēng)險(xiǎn)預(yù)測的期望值。

以24個(gè)指標(biāo)2019年的樣本數(shù)據(jù)為基礎(chǔ)進(jìn)行主成分分析，采用正交旋轉(zhuǎn)法得到24個(gè)指標(biāo)旋轉(zhuǎn)后的因子載荷矩陣。提取7個(gè)公因子，其特征值方差累計(jì)貢獻(xiàn)率為85.4%，這7個(gè)公因子共同決定區(qū)域科技人才流失風(fēng)險(xiǎn)的大小。主成分分析結(jié)果如表2所示。

表2 主成分分析結(jié)果

選擇公因子上載荷系數(shù)大于0.65的指標(biāo)作為主要指標(biāo)對公因子進(jìn)行重新定義。公因子1上載荷值大于0.65的指標(biāo)有K1、K2、K3、K18、K21、K24，反映了地區(qū)的經(jīng)濟(jì)質(zhì)量以及由此提供給居住者的生活保障，可稱之為地區(qū)經(jīng)濟(jì)質(zhì)量因子。公因子2上載荷值大于0.65的指標(biāo)有K4、K5、K6，反映了地區(qū)擁有的知識及知識主體的種類和數(shù)量，可稱之為地區(qū)知識保有量因子。公因子3上荷載值大于0.65的指標(biāo)有K7、K8、K16、K17，反映了地區(qū)科技交流的活躍程度，可稱之為地區(qū)科技交流因子。公因子4上荷載值大于0.65的指標(biāo)有K9、K10、K13、K14、K15，反映了地區(qū)科技政策的完善程度，可稱之為地區(qū)科技政策因子。公因子5上荷載值大于0.65的指標(biāo)有K11、K20，反映了地區(qū)信息化水平的高低，可稱之為地區(qū)信息化因子。公因子6上荷載值大于0.65的指標(biāo)有K12、K19，反映了地區(qū)交通的便利狀況，可稱之為地區(qū)交通因子。公因子7上荷載值大于0.65的指標(biāo)有K22、K23，反映了地區(qū)自然環(huán)境的狀況，可稱之為地區(qū)自然環(huán)境因子。

通過下列式子得到樣本城市j在7個(gè)公因子的得分：

(3)

(4)

(5)

(6)

(7)

(8)

(9)

其中，j為樣本序號，Yij是樣本j在指標(biāo)i上歸一化后的指標(biāo)數(shù)據(jù)。

以各公因子的方差貢獻(xiàn)率占因子總方差貢獻(xiàn)率的比重為權(quán)重，對各公因子得分進(jìn)行加權(quán)求和，即得到綜合因子F得分，F(xiàn)計(jì)算公式為：

(10)

綜合因子F反映了區(qū)域科技人才流失風(fēng)險(xiǎn)的大小，與歸一化標(biāo)準(zhǔn)一致，F(xiàn)得分越大，流失風(fēng)險(xiǎn)越??；F得分越小，流失風(fēng)險(xiǎn)越大。19組城市樣本2020年科技人才的流失風(fēng)險(xiǎn)得分如表3所示。

表3 區(qū)域科技人才流失風(fēng)險(xiǎn)因子得分

根據(jù)F得分的大小，劃分為4個(gè)區(qū)間，這4個(gè)區(qū)間分別代表科技人才流失風(fēng)險(xiǎn)的4個(gè)級別：安全、基本安全、警戒、危險(xiǎn)。區(qū)間的臨界值、風(fēng)險(xiǎn)等級以及對應(yīng)的輸出層值如表4所示。網(wǎng)絡(luò)模型的輸出神經(jīng)元數(shù)對應(yīng)于模型分析的風(fēng)險(xiǎn)等級維數(shù)，因此輸出神經(jīng)元數(shù)為4。

表4 各等級臨界值及對應(yīng)輸出

5.BP神經(jīng)網(wǎng)絡(luò)模型隱含層神經(jīng)元數(shù)

隱含層神經(jīng)元數(shù)的選取對網(wǎng)絡(luò)模型能否正常工作具有重要意義。數(shù)量過少可能訓(xùn)練不出網(wǎng)絡(luò)或者訓(xùn)練出的網(wǎng)絡(luò)不夠“強(qiáng)壯”，不能概括樣本規(guī)律，容錯(cuò)性差；數(shù)量過多，又會把樣本中非規(guī)律性的內(nèi)容，如噪音等納入進(jìn)來，降低網(wǎng)絡(luò)的泛化能力，同時(shí)也會使網(wǎng)絡(luò)學(xué)習(xí)時(shí)間過長。根據(jù)廣泛和長期的應(yīng)用過程，隱含層神經(jīng)元數(shù)與輸出層、輸入層神經(jīng)元數(shù)相關(guān)，可參考如下公式確定隱含層的大概范圍：

(11)

其中，s為隱含層神經(jīng)元數(shù)，m為輸入層神經(jīng)元數(shù)，n為輸出元神經(jīng)元數(shù)，a為1-10之間確定的常數(shù)。因此，本研究中s的取值范圍為[6,15]。經(jīng)過反復(fù)測算，根據(jù)網(wǎng)絡(luò)的實(shí)際輸出與期望輸出矢量的均方誤差大小及訓(xùn)練步數(shù)的多少來綜合確定隱含層的最佳神經(jīng)元數(shù)。如表5所示，最終本網(wǎng)絡(luò)確定的隱含層神經(jīng)元數(shù)為11，其模型訓(xùn)練精度高，訓(xùn)練步數(shù)也少。

表5 隱含層單元數(shù)與網(wǎng)絡(luò)訓(xùn)練誤差及訓(xùn)練步數(shù)

6.函數(shù)的確定

對于傳遞函數(shù)，輸入層到隱含層的傳遞函數(shù)為雙曲正切S型傳遞函數(shù)tansig，隱含層到輸出層的傳遞函數(shù)為線性傳遞函數(shù)purelin。對于訓(xùn)練函數(shù)，MATLAB神經(jīng)網(wǎng)絡(luò)工具箱提供了各種網(wǎng)絡(luò)結(jié)構(gòu)的標(biāo)準(zhǔn)算法訓(xùn)練函數(shù)?？紤]到trainlm函數(shù)適用于中小規(guī)模網(wǎng)絡(luò)的函數(shù)擬合問題，本文直接調(diào)用MATLAB工具箱中的trainlm訓(xùn)練函數(shù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練。對于學(xué)習(xí)函數(shù)，采用梯度下降動(dòng)量的學(xué)習(xí)函數(shù)learngdm[22]。

四、預(yù)警模型的訓(xùn)練、檢測與應(yīng)用

本文應(yīng)用MATLAB工具箱對預(yù)警模型進(jìn)行訓(xùn)練、檢測與預(yù)警應(yīng)用。首先，在19組樣本城市2019年和2020年的指標(biāo)數(shù)據(jù)中隨機(jī)選取17組數(shù)據(jù)，作為訓(xùn)練樣本對預(yù)警模型進(jìn)行訓(xùn)練；其次，剩余的2組樣本數(shù)據(jù)作為檢測樣本，對模型的預(yù)警精度進(jìn)行檢測；最后，對預(yù)警模型進(jìn)行實(shí)例應(yīng)用，將城市X 2020年歸一化的指標(biāo)數(shù)據(jù)輸入模型，得到對該城市2021年科技人才流失風(fēng)險(xiǎn)的預(yù)警結(jié)果。

(一) 預(yù)警模型的訓(xùn)練

利用17組訓(xùn)練樣本城市2019年的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，2020年的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸出，對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。網(wǎng)絡(luò)模型的構(gòu)造為24-11-4，即24個(gè)輸入神經(jīng)元，11個(gè)隱含層神經(jīng)元，4個(gè)輸出神經(jīng)元。在訓(xùn)練過程中對模型進(jìn)行參數(shù)設(shè)置，訓(xùn)練目標(biāo)為0.001，學(xué)習(xí)率為0.01，訓(xùn)練周期為500次。經(jīng)過529次迭代訓(xùn)練，網(wǎng)絡(luò)達(dá)到預(yù)先設(shè)置的精度，即網(wǎng)絡(luò)輸出的總誤差在0.001內(nèi)。此時(shí)，網(wǎng)絡(luò)性能達(dá)標(biāo)，BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練完畢，初步構(gòu)建起區(qū)域科技人才流失預(yù)警模型。

(二)預(yù)警模型的檢測

模型經(jīng)過訓(xùn)練后并不能直接用于預(yù)警，我們用2組檢測樣本城市2019年的數(shù)據(jù)作為輸入，2020年的數(shù)據(jù)作為輸出，對模型的預(yù)測能力進(jìn)行檢測，檢測結(jié)果如表6所示?？梢姡瑱z測樣本的檢測輸出與期望輸出一致性較好，神經(jīng)網(wǎng)絡(luò)預(yù)警模型通過檢測。

表6 BP神經(jīng)網(wǎng)絡(luò)模型的檢測結(jié)果

至此，基于BP神經(jīng)網(wǎng)絡(luò)的區(qū)域科技人才流失風(fēng)險(xiǎn)預(yù)警模型訓(xùn)練、檢測完畢，可以用此模型對區(qū)域科技人才流失風(fēng)險(xiǎn)進(jìn)行預(yù)警分析。

(三)預(yù)警模型的應(yīng)用

本文選取了某城市X的2020年的相關(guān)數(shù)據(jù)，通過區(qū)域科技人才流失風(fēng)險(xiǎn)預(yù)警模型，判斷其2021年科技人才流失風(fēng)險(xiǎn)狀況。城市X 2020年科技人才流失風(fēng)險(xiǎn)預(yù)警指標(biāo)體系中的各項(xiàng)指標(biāo)數(shù)據(jù)如表7所示。

表7 城市X 2020年指標(biāo)數(shù)據(jù)

將歸一化后的指標(biāo)數(shù)據(jù)輸入預(yù)警模型，得到預(yù)測輸出，對其2021年科技人才流失風(fēng)險(xiǎn)進(jìn)行預(yù)警。預(yù)警模型的實(shí)際輸出結(jié)果如表8所示。

表8 2021年城市X科技人才流失風(fēng)險(xiǎn)預(yù)警結(jié)果

可以看出，城市X 2021年科技人才流失風(fēng)險(xiǎn)處于警戒狀態(tài)?？萍既瞬帕魇эL(fēng)險(xiǎn)的主要來源在于當(dāng)?shù)氐闹R保有量、科技交流和科技政策三個(gè)方面。該城市經(jīng)濟(jì)發(fā)展水平和經(jīng)濟(jì)質(zhì)量尚可，能夠?yàn)榭萍既瞬诺目蒲泄ぷ魈峁┑囊欢ǖ慕?jīng)濟(jì)保障；同時(shí)，城市交通和信息化建設(shè)基本令人滿意，自然環(huán)境方面(包括城市綠化水平和空氣質(zhì)量)也表現(xiàn)尚可。但當(dāng)?shù)氐臋C(jī)構(gòu)數(shù)據(jù)庫、授予的專利數(shù)和科研院所數(shù)量不足，當(dāng)?shù)氐闹R資源并不理想，難以形成完備的科技要素體系，使得科技人才開展科研工作所需要的外圍知識資源不足。此外，當(dāng)?shù)乜萍贾薪閿?shù)量較少，且服務(wù)水平較低，地區(qū)內(nèi)科技合作情況不理想，科技交流欠活力。由于科技中介和科技合作是科技成果擴(kuò)散的重要途徑，這兩方面的欠缺在一定程度上影響著科技人才科研成果的擴(kuò)散和價(jià)值轉(zhuǎn)化。同時(shí)，該城市在政府的相關(guān)科技政策方面表現(xiàn)一般，對科技成果的保護(hù)力度、科技創(chuàng)新的支持力度以及針對科技開發(fā)的金融支持等仍有需要完善之處。

五、結(jié)語

近年來，區(qū)域間科技人才的流動(dòng)變得越來越頻繁，科技人才是地區(qū)科技創(chuàng)新的關(guān)鍵，因此對區(qū)域科技人才的流失風(fēng)險(xiǎn)分析變得越來越重要。雖然目前已有研究對區(qū)域人才流失風(fēng)險(xiǎn)進(jìn)行度量，但僅僅是針對一般人才進(jìn)行評估，并未具體到對科技人才流失風(fēng)險(xiǎn)的評估。同時(shí)，已有研究對人才流失風(fēng)險(xiǎn)的度量在處理指標(biāo)的非線性和模糊性，以及方法本身的自適應(yīng)和自學(xué)習(xí)性方面存在不足。本文對此進(jìn)行了補(bǔ)充和完善，考察了19個(gè)城市的科技人才流失風(fēng)險(xiǎn)，在已有研究基礎(chǔ)上，建立了區(qū)域科技人才流失風(fēng)險(xiǎn)預(yù)警指標(biāo)體系，并運(yùn)用BP神經(jīng)網(wǎng)絡(luò)方法，構(gòu)建起區(qū)域科技人才流失風(fēng)險(xiǎn)預(yù)警模型。目的是將流失高風(fēng)險(xiǎn)區(qū)域與低風(fēng)險(xiǎn)區(qū)域進(jìn)行對比，查找區(qū)域短板，計(jì)算高風(fēng)險(xiǎn)區(qū)域各因素?cái)?shù)據(jù)與低風(fēng)險(xiǎn)區(qū)域間的差距，與因素貢獻(xiàn)值的乘積確定最大短板因素。由此，為相關(guān)地區(qū)提供宏觀層面的科技人才流失風(fēng)險(xiǎn)預(yù)警信息，為地方政府在長/短板層面的設(shè)定上競爭提供依據(jù)，防止科技人才流失。

本文的貢獻(xiàn)表現(xiàn)在：(1)針對科技人才這一特殊的人才形態(tài)進(jìn)行了區(qū)域人才流失風(fēng)險(xiǎn)分析，從區(qū)域工資收入體系、區(qū)域科技要素體系、區(qū)域科技服務(wù)體系和區(qū)域外部保障體系四個(gè)層面，建立起流失風(fēng)險(xiǎn)預(yù)警指標(biāo)體系，體現(xiàn)了科技人才流失不同于一般人才流失的“技術(shù)追逐性”特征。(2)由于流失風(fēng)險(xiǎn)與其眾多影響因素間的關(guān)系是一種高度的非線性映射關(guān)系，難以得出確定的函數(shù)關(guān)系表達(dá)式，所以，對流失風(fēng)險(xiǎn)準(zhǔn)確的定量評估和識別較難實(shí)現(xiàn)。本文嘗試運(yùn)用BP神經(jīng)網(wǎng)絡(luò)，解決預(yù)警指標(biāo)間的非線性和模糊性問題，提高了對流失風(fēng)險(xiǎn)定量評估和識別的準(zhǔn)確性。(3)現(xiàn)有研究對風(fēng)險(xiǎn)的預(yù)警線一般采用確定的方式得到，實(shí)際上對不同的地區(qū)，甚至同一地區(qū)不同發(fā)展階段，其科技人才流失的預(yù)警規(guī)則不會完全一致，這無疑降低了預(yù)警模型的預(yù)測效力。本文借助BP神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)性和自適應(yīng)性特征，實(shí)現(xiàn)了區(qū)域科技人才流失風(fēng)險(xiǎn)預(yù)警模型的時(shí)變性特征，對不同地區(qū)和不同時(shí)期的科技人才流失風(fēng)險(xiǎn)提供預(yù)警信息。