EN中文

地理科学 >

2023 , Vol. 43 >Issue 12: 2069 - 2079

DOI: https://doi.org/10.13249/j.cnki.sgs.2023.12.001

全球城市顶尖人才流动网络的空间格局与结构特征

  • 陈鹏鑫 , 1, 2, 3 ,
  • 何金廖 1, 2 ,
  • 曾刚 , 1, 2, 3, * ,
  • 李炜 1, 2, 3 ,
  • 杨阳 4
展开
  • 1.华东师范大学中国现代城市研究中心，上海 200062
  • 2.华东师范大学城市发展研究院，上海 200062
  • 3.华东师范大学地理科学学院，上海 200241
  • 4.河南大学地理与环境学院，河南 开封 475004
曾刚。E-mail:

陈鹏鑫（1997—），男，河南宁陵人，博士研究生，主要从事人才流动与区域创新发展研究。E-mail:

收稿日期: 2022-12-02

  修回日期: 2023-02-24

  录用日期: 2023-08-31

  网络出版日期: 2024-01-12

基金资助

国家自然科学基金项目(42130510)

国家自然科学基金项目(42171214)

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

Spatial patterns and structural characteristics of the global intercity elite mobility network: Based on the data of AI elite growth mobility trajectories

  • Chen Pengxin , 1, 2, 3 ,
  • He Jinliao 1, 2 ,
  • Zeng Gang , 1, 2, 3, * ,
  • Li Wei 1, 2, 3 ,
  • Yang Yang 4
Expand
  • 1. The Center for Modern Chinese City Studies, East China Normal University, Shanghai 200062, China
  • 2. The Institute of Urban Development, East China Normal University, Shanghai 200062, China
  • 3. School of Geographical Sciences, East China Normal University, Shanghai 200241, China
  • 4. The College of Geography and Environmental Science, Henan University, Kaifeng 475004, Henan, China

Received date: 2022-12-02

  Revised date: 2023-02-24

  Accepted date: 2023-08-31

  Online published: 2024-01-12

Supported by

National Natural Science Foundation of China(42130510)

National Natural Science Foundation of China(42171214)

Copyright

Copyright reserved © 2023.
Fold

摘要

借助空间分析与网络分析方法，深入剖析全球顶尖人才教育和工作流动网络的空间格局、结构特征及其影响因素。研究发现：① 全球AI顶尖人才流动主要集中在北美洲、欧洲和亚洲，教育阶段流动空间范围相较于工作阶段更为广泛。② 全球AI顶尖人才教育和工作流动网络均具等级层次性和社团结构，教育流动网络中社团以单中心组织模式为主，工作流动网络中社团以多中心组织模式为主。③ 国家（地区）边界与AI顶尖人才教育和工作流动均显著正相关；区域性国际组织仅与AI顶尖人才工作流动显著正相关；地理邻近性与AI顶尖人才教育和工作流动均不显著相关，这表明国际顶尖人才流动几乎不受地理距离的限制。

关键词： 人工智能; 人才流动网络; 社会网络分析; 科技全球化

本文引用格式

陈鹏鑫 , 何金廖 , 曾刚 , 李炜 , 杨阳 . 全球城市顶尖人才流动网络的空间格局与结构特征[J]. 地理科学, 2023 , 43(12) : 2069 -2079 . DOI: 10.13249/j.cnki.sgs.2023.12.001

Abstract

Global/world city network research is gradually focusing on the phenomenon of science and technology globalization. The existing studies have been analyzed it based on the paper co-authorship or patent cooperation data, there is a paucity of analysis of the world city system from the perspective of talent flows. Based on the education and career mobility data of the world's top 500 AI scientists, this paper analyzed the spatial patterns, structural characteristics and influencing factors of the global elite education and career mobility network using spatial analysis and network analysis methods. The results are as follows. Firstly, the global mobility of AI elites is highly concentrated in the ''global triangle'' of North America, Europe and Asia. The scope of the global AI elite mobility at the education stage is broader than that at the career stage, which is related to the differences in the locational characteristics of education and market resources. Secondly, both the global AI elite education mobility network and the global AI elite career mobility network have a hierarchical structure. However, the disassortativity of the former is more significant than the latter. The top cities in both networks are mostly from the ''global north'', with a significant ''North-South gap''. The ''North-South gap'' in the global AI elite career mobility network is greater than that in the global AI elite education mobility network. Many US cities such as San Francisco, Boston and New York appear in the top 30 cities of both networks, while only Beijing and Hong Kong in China appear in the list of both networks. Third, the global intercity AI elite education mobility network community feature is characteristic with globalization and regionalization, and most communities are monocentric. The global intercity career mobility network community feature is characteristic with globalization, and most communities are polycentric. Finally, Spearman correlation analysis results show that national border is significantly and positively correlated with the global AI elite education and career mobility, regional international organization are only significantly and positively correlated with the global AI elite career mobility, and geographical proximity is not significantly correlated with both the global AI elite education and career mobility, which suggests that the mobility of top talent is almost not limited by geographical distance. The paper calls for future research on the global urban system from the perspective of talent mobility.

Key words： artificial intelligence; talent mobility networks; social network analysis; science and technology globalization

20世纪70年代以来，以跨国公司为主要推动者的经济全球化快速发展，城市逐渐成为全球化进程中的主要参与者，以全球生产网络为载体的城市间互动联系日益紧密，在此背景下全球城市研究迅速发展[1-3]。20世纪末，关系型数据的创新应用推动了全球/世界城市网络①(①随着全球范围城市网络研究不断扩展与深入，“全球城市网络”和“世界城市网络”2个概念相互交融，故本研究对“全球城市网络”和“世界城市网络”交叉使用，均为广义的概念。)研究。以Taylor为核心的全球化和世界城市研究小组（Globalization and World Cities Study Group, GaWC）创造性地运用先进生产性服务业跨国公司的总部-分支布局数据对世界城市网络的等级体系和时空演化等进行了大量实证研究[4-5]。此后学者们基于跨国公司[6]、航空流[7]、非政府组织[8]、互联网设施[9]等不同类型关系数据研究了经济型、交通型、社会型等全球城市网络，这些成果反映出全球城市网络的异质性和交叠性，揭示了全球化的多维度性。随着知识经济时代的到来，科技、知识、人才等要素对于城市经济增长的驱动作用日益凸显[10-11]，创新要素的全球流动正在重塑全球城市网络，“科技全球化”成为全球城市网络研究的新课题。
已有研究主要基于专利合作和论文合著等数据开展[12-15]，刻画了全球城市创新地理格局的一个侧面，然而人才流动视角下的分析较为稀缺。Matthiessen等[12]基于Web of Science数据库论文合著数据研究了全球城市知识合作网络的空间结构和时空演化。桂钦昌等[13]和曹湛等[14]同样基于论文合著数据构建全球城市知识合作网络，两者相较于Matthiessen等[12]扩展了城市样本量，对“全球南方（global south）”城市予以关注。焦美琪等[15]基于PCT专利数据刻画并分析全球城市技术合作网络的空间格局与拓扑结构。不同于专利、论文等显性知识[16]，人才在显性知识（如专利、论文等）和隐性知识（如经验、洞察力等）的生产、传播和应用等方面均发挥巨大作用[17]，基于人才流动数据开展全球城市网络研究具有必要性，对于认识“科技全球化”的复杂性和多维度性具有重要意义。
人才流动是全球化城市发展及其网络形成和维持的主要推动力之一[18-19]。基于城市自身发展视角，全球化城市发展与人才流入具有相互促进的关系。全球化城市凭借高质量大学和科研机构、以高技术产业和现代服务业为主的经济结构、开放包容的社会环境及高品质生活方式等吸引着大量人才的流入[20-23]。流入人才又可为城市带来知识、技能和社会关系等，对流入城市的经济、文化、科技等方面做出重要贡献[24]。基于城市对外联系视角，人才流动是城市间建立经济、社会、创新等联系的关键通道。Williams[25-26]的开拓性研究表明国际人才流动在城际隐性知识转移上发挥重要作用。Trippl[27]研究发现顶尖科学家流动通过科研合作、咨询服务、组织人员交流等多种正式和非正式方式推动城市间的知识和技能交流。
本文选择人工智能（Artificial Intelligence，AI）顶尖人才作为研究对象主要基于以下2方面的考虑：① AI技术具有颠覆性，在新一轮科技革命和产业变革中占据引领地位，将对全球经济发展格局演变产生重大影响。② AI属于智力密集型产业，其发展极其依赖于顶尖人才的推动。顶尖人才与一般意义上的人才有所不同，其集聚与流动特征更能反映区域AI产业发展及联系的质量，而非数量。此外，探讨人才流动必须考虑行业、职业、级别等差异。本文虽基于同一行业人才展开分析，但该群体在不同成长阶段拥有不同的身份、技能、社会关系等，其流动所产生的城市间联系也必然存在差异。故笔者根据不同成长阶段流动轨迹数据构建教育流动网络和工作流动网络。
综上，本文基于全球/世界城市网络与全球人才流动相关研究，以500名AI顶尖人才成长轨迹数据构建全球城市顶尖人才流动网络，并根据成长阶段区分了教育和工作流动网络，运用空间分析、网络分析和相关性分析等方法探究全球城市顶尖人才流动网络的空间格局、结构特征与影响因素，以揭示全球城市创新网络的另一侧面。一方面，本研究首次尝试使用全球顶尖人才流动数据开展全球城市网络的研究，拓展“世界城市网络”研究的对象范畴，对进一步理解全球城市网络的复杂性有积极意义。另一方面，本研究以AI顶尖人才这一战略性人才为研究对象，并识别了不同成长阶段流动网络的差异，实证结果能够反映出中国城市在全球AI人才培养和研发应用体系中的位序与联系特征，这对中国城市AI产业发展战略制定具有指导意义。

1 数据与方法

1.1 网络构建

500名AI顶级人才名单来自清华大学AMiner团队发布的《AI 2000人工智能全球最具影响力学者榜单（2011—2020）》（https://www.aminer.cn/ai2000）。该榜单相关数据已被权威期刊研究论文使用[19]，具有较强的可信性和权威性，能够用于表示AI领域顶尖人才。20个子领域研究人员数量存在差异，故本研究选取每个子领域的前25名，加和得到500名AI顶尖人才名单。针对多个领域均上榜的人才，将其归于刊文引用量最多的那个领域，其他领域则向后补一位。
本研究关注AI顶尖人才高等教育阶段和工作阶段的空间流动轨迹，对于同一城市内的流动不予考虑。根据2011版《国际教育标准分类法》（https://unesdoc.unesco.org/ark:/48223/pf0000219109_chi），高等教育包括5、6、7、8级，分别表示短线高等教育、学士或等同水平、硕士或等同水平、博士或等同水平。高等教育阶段流动指人才由6级升到7级、7级升到8级2次流动。工作阶段流动指人才自博士毕业至2021年底所发生的流动，基于以往研究经验[28]，对于不足1 a的工作经历进行剔除。研究样本中具有工作后再读博经历的有5个，仅占全部样本的1%，为便于分析予以删除。网络构建步骤如下：① 基于Aminer.cn网站（https://www.aminer.cn/ai2000）、领英网站①(①https://www.linkedin.com/ [2022-01-10至2022-03-31])、微软学术网站②(②https://www.bing.com/academic/ [2022-01-10至2022-03-31])、谷歌学术网站③(③https://scholar.google.com/ [2022-01-10至2022-03-31])及个人网站等多个数据源进行人工对比检验，得出AI顶尖人才就读院校和工作单位的地址信息，主要是城市和国家（地区）名称。② 由于每个国家（地区）对城市的定义并不相同，本研究遵循现有文献的普遍做法[12-13]，采用《2021 世界城市区域研究》（www.demographia.com）给出的城市名单，将一定距离内的小城市和城镇汇总到大城市/大都市区。③ AI顶尖人才高等教育阶段和工作阶段中在城市尺度上发生一次地理改变则被视为产生一条人才流动轨迹。本研究基于AI顶尖人才教育阶段和工作阶段流动轨迹构建城市网络，城市作为网络节点，人才流动轨迹作为网络的边。

1.2 研究方法

1） 加权度中心性。本研究使用加权度中心性[29]这一指标去测度城市在网络中的地位。
2） Louvain社区探测算法。运用Gephi软件中的Leiden algorithm插件来实现Louvain算法，以分析全球AI顶尖人才流动网络的社团特征。Louvain算法是一种基于模块度的社区发现算法[30]，对于点多边少的网络表现出良好的聚类效果。有向加权网络中的模块度定义为原始有向网络中连接社区内部节点的边所占比例与有向随机网络中连接社区内部节点的边所占比例的期望的差值，表达式如下：
$ Q = \dfrac{1}{w}\displaystyle\sum\nolimits_{i,j} {\left[ {{A_{ij}} - \dfrac{{s_i^{in}s_j^{out}}}{w}} \right]} \delta ({c_i},{c_j}) $
式中，Aij为有向边的权值；$ s_i^{in} $为节点i的加权入度；$ s_j^{out} $为节点j的加权出度；w为网络中所有边的权值之和；函数δ（ci,cj）取值定义：如果i和j在同一个社团，那么δ（ci,cj）为1；如果i和j不在同一社团，则δ（ci,cj）为0。模块度Q越大，表明社团划分结果越优。在实际的网络分析中，Q值通常大于0.3，小于0.7。
3） Spearman相关性分析。本研究使用Spearman相关性分析法[31]初步探究地理距离、国家（地区）边界和区域性国际组织对城市间顶尖人才流动联系的影响。城市间顶尖人才流动联系指AI顶尖人才流动网络中边的权重。地理距离通过城市的经纬度计算得出。国家（地区）边界测度2个城市是否属于同一个国家（地区），相同为1，否则为0。区域性国际组织测度2个城市是否属于同一个区域性组织，相同为1，否则为0，本研究以最具影响的5个区域性国际组织——分别是美洲国家组织、阿拉伯国际组织、欧洲联盟、非洲联盟和东亚峰会——为判别标准。

2 全球顶尖人才流动网络的结果分析

2.1 空间格局

图1为运用ArcGIS10.5软件绘制全球AI顶尖人才教育流动网络和工作流动网络节点加权度的空间分布。分析发现：
图1 全球AI顶尖人才教育流动网络和工作流动网络节点加权度的空间格局

1. 旧金山；2. 波士顿；3. 纽约；4. 匹兹堡；5. 西雅图；6. 伊萨卡；7. 厄巴纳–香槟；8. 费城；9. 华盛顿；10. 多伦多；11. 温哥华；12. 蒙特利尔；13. 北京；14. 上海；15. 香港；16. 合肥；17. 哈尔滨；18. 中国台北；19. 伦敦；20. 剑桥（英）；21. 巴黎；22. 南锡；23. 慕尼黑；24. 苏黎世；25. 阿姆斯特丹；26. 爱丁堡；27. 新加坡；28. 东京；29. 班加罗尔；30. 金奈；基于审图号GS：2016(2666）（自然资源部监制），底图无修改

Fig. 1 Geographic distribution of node weight degrees of global intercity AI elite education and career mobility network

1） 全球AI顶尖人才流动空间格局不均衡，AI顶尖人才在教育阶段和工作阶段的流动均主要集中在北美洲、欧洲和亚洲（尤其是东南亚）。北美洲，尤其是美国东北沿海地区和西部硅谷地区集聚了大量AI优质高等教育资源和顶尖研发机构，且AI技术研发和应用活动较为活跃，因此AI顶尖人才流动集中度最高。而在欧洲，主要集中在 “蓝香蕉地带（The blue banana zone）”，表现在苏黎世、伦敦、巴黎和慕尼黑等。亚洲的空间分布较为分散，主要包括中国（主要是北京和东部沿海城市）、日本、新加坡和印度（主要是班加罗尔和金奈）。
2） 全球AI顶尖人才在教育阶段流动的空间范围较于工作阶段更广，这与高等教育资源和高技术产业的区位特征密切相关。全球AI顶尖人才在教育阶段共产生了437条流动轨迹，分布在45个国家（地区），涉及215个城市；在工作阶段产生799条流动轨迹，分布在33个国家（地区），涉及201个城市。为增加可比性，将2个阶段流动频次差异考虑在内。教育阶段流动城市数量与频次之比为0.49，明显大于工作阶段的0.25。可见，计算机科学高等教育资源分布相对广泛，由政府宏观调控所致，一定程度上体现了教育资源空间配置的公平性。AI技术的研发和应用需要一定经济基础和科技水平予以支撑，主要集中在少数具备条件的城市区域，由市场机制驱动。

2.2 结构特征

运用Gephi软件绘制全球AI顶尖人才教育流动网络和工作流动网络的拓扑结构图（图2）。节点大小表示流经城市的AI顶尖人才数量，包括流出人数和流入人数；连线粗细表示在城市间流动的AI顶尖人才数量。
图2 全球AI顶尖人才教育和工作流动网络的拓扑结构

图圈大小为城市流经人才总数多少；连接线粗细为城际人才流动总数多少

Fig. 2 The topological structure of the global intercity AI elite mobility network at the higher education and career stages

全球顶尖人才教育流动网络和工作流动网络均呈现等级层次式拓扑结构，教育流动网络的“异配性”更强。一方面，2个网络均存在多个强核心，强核心城市对外以多条流动路径与其他城市相链接，形成等级层次式拓扑结构。教育流动网络以旧金山、波士顿、纽约、北京等为强核心，工作流动网络以旧金山、波士顿、纽约、匹兹堡和西雅图为强核心，2个顶尖人才流动网络虽具有相似的拓扑结构，但核心城市存在差异。另一方面，2个网络中核心城市之间AI顶尖人才流动频繁，核心与边缘城市之间人才流动联系稀少，边缘城市之间缺乏人才流动联系，均表现出垂直等级特征。教育流动网络的 “异配性”强于工作流动网络的原因在于教育流动网络中心度为1的城市占比为0.465，而该比值在工作流动网络中则为0.303。
考虑人才流动方向可进一步分析网络拓扑结构中的联系内涵。表1可得，教育流动网络中，旧金山、波士顿和北京是主要目的地，北京为主要输出地。北京是中国大部分AI顶尖人才成长流动轨迹上的“中转站”，主要接收哈尔滨等国内城市人才的流入，而流向旧金山等国外城市，这反映北京AI高等教育水平在中国占据顶尖地位，但与国际顶尖水平仍具有一定距离。工作流动网络中，旧金山和匹兹堡等城市为主要目的地，波士顿、旧金山和西雅图等为主要输出地，强联系多发生在美国城市之间。中国仅有香港和北京进入榜单，并且均为流出地。此外，波士顿到旧金山这一有向联系在2个网络中均位列第一，这说明旧金山在AI教育和研发应用方面均优于波士顿。Saxenian[32]对比分析了硅谷（旧金山）和128公路（波士顿）区域创新系统的差异，指出硅谷具有浓厚的创新氛围，政府、企业、高校、科研机构深度融合，对人才的吸引力强于128公路。AI顶尖人才由波士顿到旧金山的流动再次印证Saxenian的观点。
表1 全球AI顶尖人才教育流动网络和工作流动网络中联系强度排名前15的城市对

Table 1 The top 15 city pairs of global intercity AI elite mobility network at the higher education and career stages

排序 教育流动网络 工作流动网络
流出地 流入地 流动频次 流出地 流入地 流动频次
1 波士顿 旧金山 8 波士顿 旧金山 19
2 北京 旧金山 4 旧金山 纽约 16
3 北京 中国香港 4 纽约 旧金山 15
4 纽约 旧金山 4 匹兹堡 旧金山 10
5 哈尔滨 北京 3 旧金山 匹兹堡 9
6 合肥 北京 3 西雅图 旧金山 8
7 金奈 波士顿 3 纽约 波士顿 7
8 纽约 波士顿 3 波士顿 匹兹堡 6
9 中国台北 厄巴纳-香槟 3 波士顿 西雅图 6
10 伊萨卡 波士顿 3 波士顿 纽约 6
11 长春 北京 3 旧金山 西雅图 6
12 北京 厄巴纳-香槟 2 纽约 匹兹堡 6
13 北京 费城 2 中国香港 南锡 6
14 北京 华盛顿 2 伊萨卡 旧金山 6
15 北京 纽约 2 北京 旧金山 5

2.3 等级体系

本节运用加权度中心性分析城市在教育流动网络和工作流动网络中的排名，该排名仅展示了城市在全球AI顶尖人才流动网络中的位置。
教育流动网络中的顶尖城市主要集中在“全球北方（global north）”，AI教育水平“南北”差距明显（表2）。北美洲、亚洲和欧洲之外的城市无一进入榜单，且“全球北方”大部分城市加权入度大于出度，而“全球南方（global south）”城市加权入度小于出度。榜单前10有8个美国城市，展示了美国在全球AI人才教育流动网络中的核心地位。旧金山和波士顿位列榜单前2名，这2个城市集聚了大量高质量教育资源，前者拥有斯坦福大学和加州大学伯克利分校，后者拥有麻省理工学院和哈佛大学，这些高校在计算机科学领域上享誉盛名。北美洲还有多伦多和蒙特利尔2个加拿大城市进入榜单。北京、香港、上海等6个中国城市进入榜单，仅香港加权入度大于出度。欧洲仅苏黎世、剑桥（英）和阿姆斯特丹上榜。
表2 全球AI顶尖人才教育流动网络和工作流动网络中加权度排名前30的城市

Table 2 The 30 most connected cities of global intercity AI elite mobility network at the higher education and career stages

排序 教育流动网络 工作流动网络
城市 Dw Dwi Dwi – Dwo 城市 Dw Dwi Dwi – Dwo
　　注：Dw表示加权度中心性；Dwi表示加权入度中心性；Dwi – Dwo表示加权入度中心性与加权出度中心性的差值。
1 旧金山 77 65 53 旧金山 227 129 31
2 波士顿 49 36 23 纽约 117 60 3
3 北京 47 14 -19 波士顿 100 40 -20
4 纽约 38 25 12 西雅图 79 53 27
5 匹兹堡 25 20 15 匹兹堡 73 41 9
6 洛杉矶 20 11 2 北京 37 17 -3
7 伊萨卡 16 11 6 多伦多 36 18 0
8 厄巴纳-香槟 14 11 8 伦敦 31 20 9
9 中国香港 13 9 5 洛杉矶 31 14 -3
10 罗利 13 6 -1 苏黎世 30 14 -2
11 上海 13 0 -13 中国香港 29 14 -1
12 华盛顿 12 10 8 新加坡 28 16 4
13 新加坡 12 8 4 伊萨卡 25 9 -7
14 西雅图 12 8 4 华盛顿 23 9 -5
15 多伦多 11 7 3 厄巴纳-香槟 22 8 -6
16 芝加哥 11 5 -1 奥斯汀 21 10 -1
17 苏黎世 10 8 6 罗利 20 10 0
18 底特律 10 8 6 芝加哥 19 10 1
19 金奈 10 0 -10 麦迪逊 17 8 -1
20 奥斯汀 9 7 5 底特律 16 8 0
21 费城 9 5 1 爱丁堡 15 8 1
22 圣迭戈 8 5 2 温哥华 15 6 -3
23 蒙特利尔 8 5 2 特拉维夫 13 7 1
24 剑桥（英） 8 2 -4 牛津 13 7 1
25 西安 8 0 -8 剑桥（英） 13 5 -3
26 合肥 8 0 -8 慕尼黑 13 5 -3
27 布卢明顿 7 5 3 巴黎 13 5 -3
28 阿姆斯特丹 7 3 -1 圣迭戈 12 6 0
29 中国台北 7 0 -7 费城 11 4 -3
30 麦迪逊 6 6 6 波恩 11 4 -3
工作流动网络中顶尖城市主要集中在北美洲和欧洲，“南北”差距较于教育流动网络更为巨大。美国城市旧金山、纽约、波士顿、西雅图、匹兹堡位列前5。与教育流动网络类似，工作流动网络加权度前30名中美国城市数量最多且位列前茅。与教育流动网络不同，前30名城市列表中欧洲城市增多，亚洲城市减少。伦敦、苏黎世、爱丁堡等8个欧洲城市进入榜单，亚洲仅北京、中国香港、新加坡和特拉维夫4个城市进入榜单。榜单中加拿大城市数量不变，温哥华代替蒙特利尔进入榜单。许多欧美城市的加权出度大于加权入度，如伊萨卡、厄巴纳-香槟、剑桥（英）等，这些城市均是著名大学城，为人才输出地。
大多数城市在两个网络中的排名并不相同，从侧面能够反映出城市AI产学研结合水平。北京、上海等“全球南方”城市在教育流动网络中的地位高于工作流动网络，这些城市能够培养出AI顶尖人才，但本地AI产业的发展无法吸纳这些人才，造成AI顶尖人才的流失。另外一些“全球北方”城市虽相对缺乏AI顶尖高等教育资源，但其凭借优越的AI产业生态环境吸引了大量顶尖人才的流入，如多伦多、伦敦等。旧金山、纽约、波士顿、匹兹堡等美国城市在两个网络中均处于前列，说明这些城市AI产学研结合水平高。

2.4 社团特征

运用Louvain算法对教育流动网络和工作流动网络中最大成分（component）进行社团探测，分别发现10个社团和12个社团，所有社团名称以加权度最大的城市予以命名。
教育流动网络社团全球化和区域化特征并存，社团间规模相当，以单中心组织模式为主。教育流动网络社团探测的模块度为0.511，划分质量较好。多数社团内部的城市分布在不同国（地区）家，且以某个国家（地区）城市为主，呈现出全球化和区域化的特征。例如，旧金山社团由来自14个国家（地区）的29个城市组成，其中美国城市数量位列第一（10个），远多于位列第二的印度城市（3个）。图3可得教育流动网络社团位序-规模分布曲线较缓，最大社团（旧金山社团）与最小社团（纽约社团）的规模差距仅17，远小于工作流动网络的39，原因是在学缘关系、历史联系、地理距离等因素影响下顶尖高校对学生吸引的范围有限。加权度前五的城市分别位于不同社团，且占据社团内大部分联系，社团为单中心组织模式（图4a）。例如，旧金山在其社团内部共存在31条联系，占整体63.3%。
图3 全球AI顶尖人才教育流动网络和工作流动网络的社团位序-规模分布

Fig. 3 Rank-size distributions of the community in the global intercity AI elite mobility network

图4 全球AI顶尖人才教育流动网络和工作流动网络的社团探测结果

同一社团内的城市及连接线颜色相同；连接线粗细为城际人才流动数量（有向）多少

Fig. 4 The community detection result of global AI elite mobility network at the higher education and career stages

工作流动网络中社团呈现出全球化特征，社团间规模差距较大，以多中心组织模式为主。工作流动网络中社团探测的模块度为0.381，社团结构特征不够显著。工作流动网络社团极化特征较为明显，旧金山社团城市数量约占整体网络的18.3%，而最小社团（乌得勒支社团）占比仅1%左右。与教育流动网络不同，工作流动网络社团以多中心组织模式为主，工作流动网络发育较为成熟。如旧金山社团中以旧金山、纽约、波士顿、匹兹堡为核心构建社团组织模式（图4b），4个城市产生的联系占社团整体联系的80%以上。而城市高等教育水平的提高以及与其他城市教育联系的增强需要长时间的积累，因此教育流动网络发育较为缓慢，仍为单中心组织模式。

2.5 影响因素

全球顶尖人才流动网络的形成主要由个体特征和外在环境两大类因素共同驱动。个体特征主要指顶尖人才的性别、年龄、家庭条件等微观因素[33]，微观因素随时间而发生改变，故难以定量分析微观因素与人才流动的关系。外在环境因素主要指地理距离、社会制度、文化背景等，这些环境因素深刻地影响着个体行为且随时间变化较缓慢，便于进行定量分析。借鉴以往研究[14,29]，加之数据可得性的限制，本研究仅关注地理距离、国家（地区）边界和区域性国际组织等对于城市间AI顶尖人才流动联系的影响。
Spearman相关性分析发现：第一，地理距离与城际AI人才教育流动和工作流动均不显著相关。以往的大量研究均证明地理距离对人才流动具有明显阻碍作用[34]，然而本研究发现地理距离对于顶尖人才空间流动未产生显著阻碍作用。与一般人才相比，顶尖人才通常具有更开放的心态，流动的自主选择能力更强，几乎不受地理距离的阻碍。第二，国家（地区）边界与城际AI人才教育流动在0.10水平上正相关，与城际AI人才工作流动在0.01水平上正相关。国家（地区）内部具有类似的制度、语言和文化背景，故同一个国家（地区）内的流动成本更低。国家（地区）边界与人才教育流动的相关系数更小，为0.10。原因在于教育流动网络涉及一些发展中国家（地区）城市，本科阶段就读于这些城市的AI人才大多前去发达地区顶尖高校攻读博士学位，产生了较多跨国教育流动。第三，区域性国际组织与城际AI人才工作流动在0.01水平上正相关，与教育流动不显著相关。区域性国际组织致力于推动区域内各国开展经济、教育、文化等方面的合作，其中经济发展最受人关注，因此经济领域的合作程度更为深入，一定程度上推动了城市间人才工作流动。而教育领域的合作交流需要一定时间的积累，所以目前来看区域性国际组织对于教育流动联系的促进作用尚未显现。

3 结论与讨论

3.1 结论

知识经济时代背景下，“科技全球化”受到全球城市网络研究学者的关注。本研究基于500名AI顶尖人才成长流动轨迹这一新颖数据库构建全球城市顶尖人才流动网络，关注全球城市网络的“人才”维度。主要研究发现如下：
第一，全球AI顶尖人才流动主要集中在北美洲、欧洲和亚洲。全球AI顶尖人才教育阶段流动的空间范围相较于工作阶段流动更为广泛。第二，全球城市AI顶尖人才教育和工作流动网络均呈现等级层次式拓扑结构。教育流动网络以旧金山、波士顿、纽约、北京等为核心，而工作流动网络以旧金山、波士顿、纽约、匹兹堡和西雅图等为核心。第三，2个网络中的首位级别城市大多位于“全球北方”，工作流动网络中首位级别城市表现出更大的“南北”差距。第四，全球AI顶尖人才教育流动网络和工作流动网络的社团特征差异显著。教育流动网络社团同时具备全球化和区域化特征，且多为单中心组织模式。工作流动网络社团全球化特征更加显著，以多中心组织模式为主。第五，AI顶尖人才工作流动与国家（地区）边界和区域性组织均显著相关，而教育流动仅与国家（地区）边界显著相关。地理距离与AI顶尖人才教育和工作流动均无显著相关关系，表明地理距离对于顶尖人才流动阻碍作用不明显，这与以往研究不同。

3.2 讨论

本研究基于城市间人才流动联系展开分析，丰富了全球城市网络的研究，增加了对于多重全球化的认识。早期研究主要探究全球城市网络的“经济维度”，近年来国内外学者基于论文合著或专利合作的视角开始关注全球城市网络的“创新维度”，而基于人才流动视角来审视全球城市体系的研究相对缺乏。以往研究大都基于整体数据（如所有专业的论文合著数据等）展开，分析较为模糊笼统。本研究基于特定行业顶尖人才流动数据展开，更为清晰地刻画了全球城市网络的特定维度。与以往研究不同的还有，本文划分了教育阶段和工作阶段，侧面展示了城市在同一行业中人才培养和人才吸纳能力的差异性。
全球顶尖人才流动网络与其他典型全球城市网络相比，相似点和差异点兼有。相似之处在于：全球城市知识合作网络研究[14]、GaWC2018（https://www.lboro.ac.uk/microsites/geography/gawc/world2018t.html ）以及本研究均表明，基于不同功能联系的全球城市网络整体上均呈现出以北美、欧洲和亚洲为核心的空间格局和等级层次式拓扑结构特征。位列前茅的城市主要来自“全球北方”，“南北分割”特征显著。差异之处在于：不同功能的全球中心城市的空间分布存在明显差异。全球AI顶尖人才流动网络中连接度位列首位的旧金山并没有出现在全球城市知识合作网络[14]和GaWC2018排名前20 城市中。GaWC2018认定的Alpha+级城市“上海”在全球AI顶尖人才流动网络和全球城市知识合作网络中稍显逊色，这说明上海的生产服务中心职能强于科技中心职能。
人才在知识生产、传播和应用等方面发挥着巨大作用，基于人才流动联系的城市网络具有更为复杂丰富的内涵。与论文（专利）合作不同，人才流动不仅推动城市间显性知识的交流，又产生了大量隐性知识的溢出[26]。即使在基于企业数据的世界城市网络研究中，Beaverstock也强调了世界精英跨国流动在构建城市间经济联系上的重要作用[18]。人才流动能够在城市间建立起显隐性知识、经济、社会网络等多方面的联系，对于城市间复杂多样的联系具有更强的表征性。因此，未来应基于人才流动视角开展大量全球城市网络研究。也正因为人才流动联系所蕴含的内涵复杂丰富，增加了研究难度。为清晰分析人才流动内涵，本文区分了教育阶段和工作阶段的流动，但仍是一个较为初步的尝试。未来可收集不同行业、不同成长阶段、不同技术水平等人才流动资料，深入剖析全球城市特定人才流动网络的结构特征和空间格局，以加强研究成果的现实指导意义。本研究仅使用相关性分析初步探究人才流动网络形成的影响因素，未来可借助大数据收集更多全球范围城市层面的属性数据和关系数据，并结合典型案例的深入访谈，使用更为科学准确的方法探究人才流动网络的形成机理。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Friedmann J. The world city hypothesis[J]. Development and Change, 1986, 17(1): 69-83.

DOI

[2]
Sassen S. The global city: New York, London, Tokyo[M]. Princeton: Princeton University Press, 1991.

[3]
Castells M. The rise of the network society[M]. Cambridge: Blackwell Publishers, 1996.

[4]
Taylor P J. Specification of the world city network[J]. Geographical Analysis, 2001, 33(2): 181-194.

[5]
Taylor P J, Derudder B. World city network: A global urban analysis (2nd. Edition) [M]. London: Routledge, 2016.

[6]
Wall R S, Knaap G A. Sectoral differentiation and network structure within contemporary worldwide corporate networks[J]. Economic Geography, 2011, 87(3): 267-308.

DOI

[7]
李恩康, 陆玉麒, 杨星, 等. 全球城市网络联系强度的时空演化研究——基于2014—2018年航空客运数据[J]. 地理科学, 2020, 40(1): 32-39.

Li Enkang, Lu Yuqi, Yang Xing et al. Spatio-temporal evolution on connection strength of global city network based on passenger flight data from 2014 to 2018. Scientia Geographica Sinica, 2020, 40(1): 32-39.

[8]
Taylor P J. The new geography of global civil society: NGOs in the world city network[J]. Globalizations, 2004, 1(2): 265-277.

DOI

[9]
Malecki E J. The Economic Geography of the internet's infrastructure[J]. Economic Geography, 2002, 78: 399-424.

DOI

[10]
司月芳, 曾刚, 曹贤忠, 等. 基于全球–地方视角的创新网络研究进展[J]. 地理科学进展, 2016, 35(5): 600-609.

DOI

Si Yuefang, Zeng Gang, Cao Xianzhong et al. Research progress of glocal innovation networks. Progress in Geography, 2016, 35(5): 600-609.

DOI

[11]
郝均, 曾刚, 胡森林, 等. 长三角地区本地、区内和区外合作创新对城市经济增长的影响研究[J]. 长江流域资源与环境, 2022, 31(3): 515-525.

Hao Jun, Zeng Gang, Hu Senlin et al. A study on impact of local, inter-regional and extra-regional collaborative innovation on urban economic growth in Yangtze River Delta Region. Resources and Environment in the Yangtze Basin, 2022, 31(3): 515-525.

[12]
Matthiessen C W, Schwarz A W, Find S. World cities of scientific knowledge: Systems, networks and potential dynamics, An analysis based on bibliometric indicators[J]. Urban Studies, 2010, 47(9): 1879-1897.

DOI

[13]
桂钦昌, 杜德斌, 刘承良, 等. 全球城市知识流动网络的结构特征与影响因素[J]. 地理研究, 2021, 40(5): 1320-1337.

DOI

Gui Qinchang, Du Debing, Liu Chengliang et al. Structural characteristics and influencing factors of the global inter-city knowledge flows network. Geographical Research, 2021, 40(5): 1320-1337.

DOI

[14]
曹湛, 戴靓, 吴康, 等. 全球城市知识合作网络演化的结构特征与驱动因素[J]. 地理研究, 2022, 41(4): 1072-1091.

DOI

Cao Zhan, Dai Liang, Wu Kang et al. Structural features and driving factors of the evolution of the global interurban knowledge collaboration network. Geographical Research, 2022, 41(4): 1072-1091.

DOI

[15]
焦美琪, 杜德斌, 桂钦昌, 等. 全球城市技术合作网络的拓扑结构特征与空间格局[J]. 地理科学, 2019, 39(10): 1546-1552.

DOI

Jiao Meiqi, Du Debin, Gui Qinchang et al. The topology structure and spatial pattern of global city technical cooperation network. Scientia Geographica Sinica, 2019, 39(10): 1546-1552.

DOI

[16]
马海涛. 知识流动空间的城市关系建构与创新网络模拟[J]. 地理学报, 2020, 75(4): 708-721.

DOI

Ma Haitao. The theoretical construction and network simulation of intercity innovative relationships in knowledge flow space. Acta Geographica Sinica, 2020, 75(4): 708-721.

DOI

[17]
马海涛. 基于人才流动的城市网络关系构建[J]. 地理研究, 2017, 36(1): 161-170.

Ma Haitao. Triangle model of Chinese returnees: A tentative method for city networks based on talent flows. Geographical Research, 2017, 36(1): 161-170.

[18]
Beaverstock J V. The spatial mobility of corporate knowledge: Expatriation, global talent, and the world city[M]//Jöns H et al. Mobilities of knowledge, knowledge and space 10. Gewerbestrasse: Springer, 2017: 227-246.

[19]
Verginer L, Massimo R. Talent goes to global cities: The world network of scientists' mobility[J]. Research Policy, 2021, 50: 104127.

DOI

[20]
Labrianidis L, Sykas T, Sachini E et al. Highly educated skilled migrants are attracted to global cities: The case of Greek PhD holders[J]. Population, Space and Place, 2022, 28(3): e2517.

DOI

[21]
He J, Song Y, Huang X et al. An amenity-based approach to excellent returning scientists' location choice in China[J]. Papers in Regional Science, 2022, 101(5): 1181-1197.

DOI

[22]
姜炎鹏, 王鑫静, 马仁锋. 创新人才集聚的理论探索——全球人才流动的城市选择视角[J]. 地理科学, 2021, 41(10): 1802-1811.

DOI

Jiang Yanpeng, Wang Xinjing, Ma Renfeng. Theoretical exploration of innovative talent agglomeration: From the perspective of city selection of global talent flow. Scientia Geographica Sinica, 2021, 41(10): 1802-1811.

DOI

[23]
孙康, 司月芳. 创新型人才流动的空间结构与影响因素——基于高被引华人科学家履历分析[J]. 地理学报, 2022, 77(8): 2113-2130.

DOI

Sun Kang, Si Yuefang. The geographical structure and influencing factors of talent mobility: The resume analysis of highly cited Chinese scientists. Acta Geographica Sinica, 2022, 77(8): 2113-2130.

DOI

[24]
Fassio C, Montobbio F, Venturini A. Skilled migration and innovation in European industries[J]. Research Policy, 2019, 48(3): 706-718.

DOI

[25]
Williams A M. Lost in translation? International migration, learning and knowledge[J]. Progress in Human Geography, 2006, 30(5): 588-607.

DOI

[26]
Williams A M. International labour migration and tacit knowledge transactions: A multi-level perspective[J]. Global Networks, 2007, 7(1): 29-50.

DOI

[27]
Trippl M. Scientific mobility and knowledge transfer at the interregional and intraregional level[J]. Regional Studies, 2013, 47(10): 1653-1667.

DOI

[28]
Coey C. International researcher mobility and knowledge transfer in the social sciences and humanities[J]. Globalisation Societies and Education, 2018, 16(2): 208-223.

DOI

[29]
侯纯光, 杜德斌, 刘承良, 等. 全球留学生留学网络时空演化及其影响因素[J]. 地理学报, 2020, 75(4): 681-694.

DOI

Hou Chunguang, Du Debin, Liu Chengliang et al. Spatio-temporal evolution and factors influencing international student mobility networks in the world. Acta Geographica Sinica, 2020, 75(4): 681-694.

DOI

[30]
Blondel V D, Guillaume J L, Lambiotte R et al. Fast unfolding of communities in large networks[J]. Journal of Statistical Mechanics: Theory and Experiment, 2008, 2008(10): P10008.

DOI

[31]
Fernandes A C P, de Oliveira Martins L M, Pacheco F A L et al. The consequences for stream water quality of long-term changes in landscape patterns: Implications for land use management and policies[J]. Land Use Policy, 2021, 109: 105679.

DOI

[32]
Saxenian A. Regional advantage: Culture and competition in silicon valley and route 128[M]. Cambridge, M A: Harvard University Press, 1994.

[33]
宋丽敏, 田佳蔚. 东北地区人口流动决策的影响因素研究——基于个体特征与经济因素的交互分析[J]. 人口学刊, 2021, 43(4): 63-73.

DOI

Song Limin, Tian Jiawei. A study on the influencing factors of population mobility decision in Northeast China—Interactive analysis based on individual characteristics and economic factors. Population Journal, 2021, 43(4): 63-73.

DOI

[34]
古恒宇, 沈体雁. 中国省际高技能人才迁移的时空演化机制[J]. 地理学报, 2022, 77(10): 2457-2473.

DOI

Gu Hengyu, Shen Tiyan. Spatio-temporal evolution mechanism of China's internal skilled migration. Acta Geographica Sinica, 2022, 77(10): 2457-2473.

DOI

Options
文章导航

/

〈 〉