EN中文

地理科学 >

2024 , Vol. 44 >Issue 6: 964 - 972

DOI: https://doi.org/10.13249/j.cnki.sgs.20230655

中国数字人才空间分布与流动格局——基于京津冀、长三角和粤港澳地区的分析

  • 杨凡 , 1 ,
  • 林晓 , 2, * ,
  • 戴杨 3 ,
  • 刘承良 4
展开
  • 1.上海社会科学院信息研究所，上海 200235
  • 2.上海对外经贸大学会展与传播学院，上海 201620
  • 3.上海市研发公共服务平台管理中心，上海 200031
  • 4.华东师范大学全球创新与发展研究院，上海 200062
林晓。E-mail:

杨凡（1988—），男，上海人，助理研究员，博士，主要从事科技创新与区域发展研究。E-mail:

收稿日期: 2023-01-06

  修回日期: 2023-04-09

  网络出版日期: 2024-07-11

基金资助

国家自然科学基金项目(42101181)

上海市哲学社会科学规划青年课题(2020EJL004)

上海市浦江人才计划(2020PJC088)

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 distribution and flow pattern of digital talents in China based on analysis of Beijing-Tianjin-Hebei Area, the Yangtze River Delta Area, Guangdong-Hong Kong-Macao Greater Bay Area

  • Yang Fan , 1 ,
  • Lin Xiao , 2, * ,
  • Dai Yang 3 ,
  • Liu Chengliang 4
Expand
  • 1. Institute of Information Science, Shanghai Academy of Social Sciences, Shanghai 200235, China
  • 2. School of Exhibition and Communication, Shanghai University of International Business and Economics, Shanghai 201620, China
  • 3. The Administrative Center of Shanghai R&D Public Service Platforms, Shanghai 200031, China
  • 4. Institute for Global Innovation & Development, East China Normal University, Shanghai 200062, China

Received date: 2023-01-06

  Revised date: 2023-04-09

  Online published: 2024-07-11

Supported by

National Natural Science Foundation of China(42101181)

Shanghai Social Science Academic Foundation(2020EJL004)

Shanghai Pujiang Program(2020PJC088)

Copyright

Copyright reserved © 2024.
Fold

摘要

人才是数字经济发展的核心驱动力。通过梳理人工智能、物联网、云计算和区块链领域的关键核心技术，基于领英（LinkedIn）大数据洞察平台，获取京津冀、长三角和粤港澳地区的数字人才静态区位（2022年）和动态迁移（2021—2022年）数据，比较分析中国三大城市群数字人才分布与流动格局。结果表明：① 数字人才高度集中在核心城市，但在能级上与顶尖全球城市还有较大差距；② 粤港澳和长三角地区数字人才发展的协调水平高于京津冀地区，并形成了港–深、沪–苏两大高地；③ 数字人才在中国呈现环流格局，但全球尺度上是非“零和博弈”，表现出以香港为枢纽向海外转移的趋势；④ 三大城市群中不存在净流入型活跃城市，因而都面临严峻的数字人才流失风险。最后，从全球、区域和地方角度提出政策建议。

关键词： 数字经济; 数字人才; 人才流动; 关键核心技术; 京津冀; 长三角; 粤港澳

本文引用格式

杨凡 , 林晓 , 戴杨 , 刘承良 . 中国数字人才空间分布与流动格局——基于京津冀、长三角和粤港澳地区的分析[J]. 地理科学, 2024 , 44(6) : 964 -972 . DOI: 10.13249/j.cnki.sgs.20230655

Abstract

Talent is the core driving force behind the development of digital economy. By analyzing the key and core technologies in the fields of artificial intelligence, Internet of Things, cloud computing, and blockchain industries, and utilizing the LinkedIn Big Data Insight Platform, we obtained static location (2022) and dynamic migration (2021—2022) data on digital talents engaged in digital technology development and related management work in the Beijing-Tianjin-Hebei, Yangtze River Delta, and Guangdong-Hong Kong-Macao Greater Bay Area during the COVID-19 pandemic. A comparative analysis of the distribution and flow patterns of digital talent in the three major urban clusters in China reveals the following results: 1) Chinese digital talents are highly concentrated in major cities such as Beijing, Shanghai, Hong Kong, and Shenzhen, but there is still a significant gap in terms of talent levels compared to top global cities; 2) The coordination level of digital talents development in the Guangdong-Hong Kong-Macao Greater Bay Area and the Yangtze River Delta region is higher than that in the Beijing-Tianjin-Hebei region, and have led to the formation of prominent digital talent hubs in Hong Kong-Shenzhen and Shanghai-Suzhou; 3) Domestically, digital talent demonstrates a circular flow pattern, but on a global scale, it’s a non-zero-sum game, showing a trend of outward migration facilitated by Hong Kong acting as a pivot; 4) Based on the direction and activity level of digital talent flow, there are no net inflow active cities among the three major urban clusters, indicating severe risks of digital talent loss for all regions. Suzhou, Hangzhou, and Shenzhen are balanced type active cities, while Beijing, Shanghai, Nanjing, and Hong Kong are net outflow active cities, and Tianjin, Hefei, and Guangzhou are inactive cities. Finally, policy recommendations are proposed from global, regional, and local perspectives.

Key words： digital economy; digital talent; talent mobility; key and core technologies; Beijing-Tianjin-Hebei Area; the Yangtze River Delta Area; Guangdong-Hong Kong-Macao Greater Bay Area

数字技术通过重塑传统产业、催生新产业，推动人类迈向数字时代，也因此成为全球科技创新竞合的焦点。党的十八大以来，发展数字经济上升为国家战略，并成为驱动中国经济转型升级和长期可持续发展的重要动能。人才是全球科技创新中心发展的核心要素[1]，人才流动反映了世界级城市群的形成过程[2]。数字经济需要数字人才支撑，培养和引进掌握颠覆性数字技术的战略性人才，对中国建设世界重要人才中心和创新高地具有举足轻重的意义。
长期以来，城乡或地区之间的数字鸿沟反映了数字基础设施和服务供给的非均衡性[3]。全球领先的平台企业是数字技术迭代和产业变革的开拓者，主要集中在全球城市区域（global city region），基于平台的数字生态系统稳固了城市区域在世界数字经济版图中的地位[4]。中国数字经济增长也主要依托核心城市群[5]，总体呈现东强西弱格局[6]。数字技术和数字化实践的经济增长促进作用从特大城市到中小城市依次递减[7]，意味着中国数字经济的地区差异可能会进一步扩大。京津冀、长三角和粤港澳地区作为中国三大城市群，数字产业规模约占全国的50%，是能够体现中国数字经济发展水平的代表性区域。
人才的空间集聚与流动已形成较成熟的理论框架[8]。Florida最早探讨了人才经济地理，强调地区多样性、进入壁垒和生活品质对吸引人才的基础性作用，但人才的高度集聚也可能阻碍创新和经济发展[9-10]。中国人才集中在经济发达和高行政等级城市[11]。从三大城市群比较来看，粤港澳地区的人才优势体现在香港和澳门，珠三角地区的人才集聚水平低于京津冀和长三角地区[12]。在城市群内部，各地之间还未联动形成合力[13]，但区域一体化政策在一定程度上弱化了人才过度聚集[14]。人才跨国流动是西方人口迁移研究的热点[15]。Saxenian最早关注到硅谷地区的科技移民，以及发展中国家的人才流失和环流现象[16]。人才跨国流动逐渐从长期、单向转为短期、可逆[17]。以中国为代表的新兴国家，人才吸纳能力不断提升[18]。中国海外人才主要向高等级城市回流，选择母校所在地的倾向明显[19]，并存在地方的再嵌入过程[20]。同时，中国人才流动也愈发频繁，成为区域协同创新网络的重要动因[21]，主要表现为向特大城市和东部沿海地区集聚[22]，随着时间推移也出现分散趋势[23]，低流动性和极核交互特征[24]，在流动模式上具有地域跃迁、本地粘性和距离衰减规律[25-26]。还有研究聚焦人才流动的典型城市案例[27-28]和不同尺度比较[29]。在数字人才领域，已有研究考察了全球顶尖人工智能科学家的成长轨迹[30]，但关于数字人才的文献仍显不足。同时，相关研究主要以学历来定义人才，从职业和技能维度[31]的观察有待加强。本研究试图利用2022年的领英（LinkedIn）①(①https://business.linkedin.com/talent-solutions/talent-insights [2022-10-25]全球知名的职场社交网站，截至2022年，全球注册会员人数超过8.75亿，覆盖200多个国家和地区。)数据，从重点产业的关键核心技术视角，考察中国三大城市群的数字人才集聚特征，以及外部不确定性冲击下的流动模式，以期丰富人才和创新地理领域的实证研究，并为中国战略性新兴产业人才发展政策提供参考。

1 数据来源

通过领英（LinkedIn）大数据洞察（Talent Insights）平台（简称领英平台），可利用“标签”从海量用户中识别所需人才。本文根据“地点”和“技能”标签，筛选中国三大城市群数字人才样本。“地点”标签为京津冀、长三角和粤港澳地区的51个地级以上城市②(②京津冀地区：北京、天津、石家庄、保定、唐山、廊坊、邢台、邯郸、沧州、衡水、张家口、秦皇岛、承德；长三角地区：上海、南京、无锡、常州、苏州、南通、盐城、扬州、镇江、泰州、杭州、宁波、温州、嘉兴、湖州、绍兴、金华、舟山、台州、合肥、芜湖、马鞍山、铜陵、安庆、滁州、池州、宣城；粤港澳地区：香港、澳门、广州、深圳、珠海、佛山、惠州、中山、江门、东莞、肇庆。)，由于标签注明的是工作地，因此样本包含在华工作的外籍人士（实际比例较低）；“技能”标签选取人工智能、物联网、云计算、区块链4个重点数字产业及其涉及的54项关键核心技术（表1）。领英平台通过机器学习用户档案，确认其是否拥有某项技能，并将用户自定义的技能与领英的标准化职业技能库进行匹配之后，才会为用户打上相应的“技能”标签。
表1 重点数字产业的关键核心技术

Table 1 Key and core technologies of key digital industries

数字产业 关键核心技术（“技能”标签） 技术数量
　　注：根据上海华为技术有限公司相关领域工程师的访谈整理得到。
人工智能 机器学习、神经网络、深度学习、人工神经网络、机器人、自然语言处理、机器人流程自动化（RPA）、专家系统、计算机视觉、大数据（big data）、语音识别、边缘计算、生物识别技术、知识图谱、人脸识别、数据挖掘、虚拟化 17
物联网 无线射频识别、无线通信系统、局域网、广域网、传感器、RFID 应用、嵌入式系统、低功耗设计、蜂窝网络、微机电系统、低功耗广域网络（LPWAN）、无线网络、无线传感网络、分布式系统、人机交互、5G、机器对机器通信、中间件、数据安全 19
云计算 基础设施即服务（IaaS）、云储存、云安全、Zscaler云平台、持续集成和持续交付（CI/CD）、Docker开源容器化平台、表述性状态传递（REST）、分布式存储、数据即服务（DaaS）、分布式文件系统、非结构化数据、虚拟机、数据存储技术、数据管理 14
区块链 密码学、智能合约、分布式账本技术（DLT）、大规模数据分析（Large-scale Data Analysis） 4
领英平台的数据实时更新，并统计了用户工作地点在1 a内的变更情况。本文的数据检索时间为2022年10月，样本包含静态和动态两部分。静态数据是指该时点从事数字技术开发及相关管理工作的人员数量及所在城市；动态数据是指在2021年11月—2022年10月期间数字人才的迁移轨迹，包括个人工作地点的一次或多次变更。需要说明的是：① 中国平台在注册量和月活跃用户数上更有优势，但本研究还涉及数字人才的国际比较和全球流动，而领英平台拥有各国各行业的更广泛人才数据，并具备标准化职业技能和人才归类的大规模机器学习能力。② 本文数据采集时间在2023年领英宣布调整在华业务之前，故不受中文版“领英职场”应用程序停运的影响。③ 领英用户的年龄分布相对年轻（约60%为25~34岁），而高科技产业的从业人员以中青年为主，因此领英用户的群体特征可被接受。④ 研究期与疫情防控期重叠，难以剥离疫情对人才集聚和流动的影响，但也有利于模拟和预测后疫情时代或宏观环境受到外部不可控、不确定因素冲击下的人才动向。⑤ 根据长三角地区数字人才空间分布（2021年）与流动（2020—2021年）的预研结果判断③(③https://www.yangtze.org.cn/ku_yjybMore.html?subject=214&index=3&name [2024-06-05])，中国数字人才的空间动态在疫情期间比较稳定，本文也试图通过三大城市群的横向比较，降低研究期受限可能造成的数据波动及误差。

2 数字人才的空间分布格局

2.1 数字人才规模

截至2022年，中国三大城市群的数字人才规模达到267709人，呈现明显的集聚特征和梯度变化，而不同的分布格局也反映了区域协同发展的阶段性特征（图1）。京津冀地区为“单中心”格局，北京是中国数字人才规模最大的城市，但地区整体水平偏低；长三角地区为“一超多强”格局，数字人才主要集中在沪宁合–沪杭甬沿线城市，上海的数字人才规模仅次于北京，上海大都市圈的数字人才规模约占整个长三角地区的80%；粤港澳地区为“多中心”格局，香港、深圳和广州的数字人才规模都较大，并形成了港–深、广–佛–莞、珠–澳数字人才集聚区。
图1 2022年中国三大城市群的数字人才规模分布格局

Fig. 1 Distribution pattern of digital talent scale in China’s three major urban clusters in 2022

从国际比较来看，中国主要城市的数字人才发展水平与顶尖全球城市还有差距。在2020年“全球化与世界城市研究网络”机构（GaWC）公布的世界城市排名中，香港、上海、北京分别排在第3、5和6位④(④https://www.lboro.ac.uk/microsites/geography/gawc/world2020t.html [2023-10-15])。根据本文对领英平台数据的统计，中国还没有城市能跻身全球数字人才规模前10位，中国排名最高的北京只位居第13位。旧金山湾区是全球数字人才的第1高地，规模超过50万人，班加罗尔约40万人。如果综合考察城市的数字人才规模及其所属国家或地区的领英用户基数，中外差距被进一步拉大。尽管美国、印度的领英用户基数分别是中国的3倍和1.5倍，但旧金山湾区、班加罗尔的数字人才规模是北京的5倍以上。此外，日本的领英用户基数很低，导致东京的数字人才规模排名甚至低于北京，但数字人才占领英总用户的比重，东京的排名升至全球第2，仅次于新加坡。

2.2 数字人才密度与集聚度

在三大城市群中，数字人才密度和集聚度排名前10的城市有1/2来自粤港澳地区，其中香港均排在首位（表2）。可以发现，港澳地区的数字人才密度和集聚度普遍高于其他城市，除了常住人口和面积较小的客观因素外，原因可能还在于劳动力人口的质量更高，主要集中在金融及其他生产性服务业，其中有大量关于数字技术支持的岗位需求，如区块链是实现金融科技应用的重要底层技术。同时，港澳地区的ICT产业也不容忽视，拥有众多跨国公司的分支机构和科技型初创企业。
表2 2022年中国三大城市群数字人才密度与集聚度前10城市

Table 2 Top 10 cities in China’s three major urban clusters by digital talent density and agglomeration index in 2022

排名 城市 单位人口密度 排名 城市 单位面积密度 排名 城市 基于人口的集聚度 排名 城市 基于面积的集聚度
1 香港 57.920 1 香港 38.551 1 香港 8.014 1 香港 74.097
2 北京 32.540 2 澳门 25.289 2 北京 4.502 2 澳门 48.606
3 上海 28.228 3 广州 16.830 3 上海 3.906 3 深圳 28.149
4 深圳 16.545 4 深圳 14.646 4 深圳 2.289 4 上海 21.302
5 澳门 12.118 5 上海 11.083 5 澳门 1.677 5 北京 8.341
6 杭州 10.143 6 北京 4.340 6 杭州 1.403 6 广州 3.229
7 南京 7.375 7 南京 1.055 7 南京 1.020 7 南京 2.028
8 广州 6.639 8 杭州 0.735 8 广州 0.919 8 杭州 1.412
9 苏州 4.201 9 东莞 0.634 9 苏州 0.581 9 东莞 1.219
10 珠海 3.713 10 苏州 0.624 10 珠海 0.514 10 苏州 1.198
根据城市的数字人才密度，分别计算变异系数、基尼系数和泰尔指数，比较三大城市群数字人才分布的非均衡程度（表3）。其中，变异系数反映地区数字人才的总体差异，基尼系数和泰尔指数强调数字人才集聚导致的地区数字经济发展不公平性，但两个指标对数据结构的敏感度不同。结果显示，京津冀地区的非均衡指数值最高，其次是长三角地区，而粤港澳地区的非均衡指数值明显更低，说明尽管香港的数字人才密度和集聚度很高，但地区整体的发展较为均衡。而三大城市群的基尼系数都远超国际警戒标准值0.400，表明北京、上海等中心城市的虹吸效应导致地区内数字人才的“贫富”差距很大。
表3 2022年中国三大城市群数字人才分布的非均衡程度

Table 3 Inequality level of digital talent distribution in China’s three major urban clusters in 2022

非均衡指数 单位人口数字人才密度 单位面积数字人才密度
京津冀 长三角 粤港澳 京津冀 长三角 粤港澳
变异系数 3.175 2.554 1.874 3.309 3.939 1.775
基尼系数 0.876 0.816 0.736 0.901 0.903 0.760
泰尔指数 2.030 1.472 1.068 2.206 2.261 1.196

2.3 数字人才空间相关性

运用探索性空间分析方法（ESDA）识别数字人才的空间关联特征和集聚模式。京津冀和长三角地区数字人才在规模、密度上的全局Moran’s I指数值为负，但不显著，而粤港澳地区的指数值显著为正。结果表明，虽然京津冀和长三角地区存在过度集聚，但通过实施一体化协同政策正在或有条件改善现状，而粤港澳地区具备成熟的珠三角电子信息产业集群，并与港澳地区有深度合作的市场基础，因此高端资源要素的空间溢出效应更明显。
根据Moran散点图识别城市所在局部空间的聚集类型（表4）。HH为高高集聚，表示数字人才规模较大的城市被其他高水平城市包围，地区局部的数字人才发展水平差异较小，存在较强的空间正相关性，如沪–苏、港–深地区；LH为低高集聚，表示数字人才低水平城市被多个高水平城市包围，如邻接沪–苏–杭、广–深的腹地，以及“环京”城市；LL为低低集聚，表示城市及其周边地区的数字人才发展水平都较低，包括安徽、浙南和苏北城市，以及京津冀东南部和粤港澳西部地区；HL为高低集聚，城市数字人才发展水平明显高于周边地区，以北京最为典型，杭州、南京、广州和澳门也在各自的局部区域形成了明显的“冷”“热”分异，表现出较强的空间异质性。
表4 2022年中国三大城市群数字人才规模的Moran散点图

Table 4 Moran scatterplot of digital talent scale in China’s three major urban clusters in 2022

地区 HH/第Ⅰ象限 LH/第Ⅱ象限 LL/第Ⅲ象限 HL/第Ⅳ象限
　　注：基于数字人才密度计算的空间相关性结果相似。
长三角 上海，苏州 嘉兴，南通，金华，湖州 宁波，舟山，台州，温州，绍兴，盐城，泰州，扬州，镇江，常州，无锡，
合肥，宣城，马鞍山，安庆，池州，铜陵，芜湖，滁州		 杭州，南京
京津冀 无 承德，廊坊，天津，保定，张家口 唐山，秦皇岛，沧州，衡水，石家庄，
邢台，邯郸		 北京
粤港澳 香港，深圳 惠州，东莞 肇庆，佛山，中山，珠海，江门 广州，澳门

3 数字人才流动的空间特征与模式

3.1 数字人才流动强度与流动率

选取三大城市群中数字人才规模前10位的城市进行重点分析，梳理得到2021—2022 年数字人才流动样本10522人次（图2）。数字人才流动强度前3位依次是香港、上海和北京。总体上，数字人才的流动性不足、本地粘性较大，平均总流动率仅为4.4%。具体而言，京津冀地区的数字人才流动最不活跃，北京的总流动率在主要城市中最低，虽然上海也较低，但长三角地区的其他城市的总流动率高于平均水平，粤港澳地区的差异较大，香港的人才流动活跃度远高于其他城市。从流动方向来看，城市数字人才的净流入率基本为负，存在大面积的数字人才流失现象，只有苏州的数字人才流入强度略高于流出强度。
图2 2021—2022年中国三大城市群主要城市的数字人才流动特征

Fig. 2 Digital talent flow characteristics in major cities of China’s three major urban clusters in 2021—2022

3.2 数字人才流动空间结构

通过梳理主要城市数字人才的来源和去向，整体揭示数字人才流动的空间动态（表5）。香港的数字人才主要流向海外，其中新加坡最多，上海的情况相似，还有较大比例流向香港。北京流向中国其他城市的数字人才比例明显高于香港、上海。深圳的数字人才流动最为集中，其中流向香港的占比最高，其他城市的数字人才也主要流向各自邻近的中心城市。同时，主要城市数字人才的流出地在总体上与流入地存在对应关系，表现出明显的双向流动特征，但来自海外的流出地较少，说明海外回流模式还未形成。流入（流出）强度占比表示各城市流向（吸收）主要流入（流出）地的数字人才占总流入（流出）人数的比重，通过比较发现，数字人才的流出地相对于流入地更加分散，反映了数字人才进一步集聚的倾向。
表5 中国三大城市群主要城市数字人才的流入、流出地

Table 5 Outflow and inflow of digital talents in the 3 major urban clusters of China

城市 主要流入地 流入强度占比/% 主要流出地 流出强度占比/%
　　注：城市数字人才的主要流入、流出地的选取标准为流动强度超过10人次。
北京 上海，新加坡，香港 31.1 上海，香港，深圳 26.7
天津 北京 21.3 北京 19.4
上海 新加坡，香港，纽约 30.5 北京，香港，新加坡 29.4
南京 上海，北京，杭州 34.0 上海，北京 24.0
杭州 上海，北京，新加坡 37.7 上海，北京 33.5
合肥 上海，北京 32.4 上海 16.0
苏州 上海 25.5 上海，北京 27.4
深圳 香港，新加坡，上海 41.3 香港，上海，北京 36.2
广州 深圳，香港，上海 34.0 深圳，香港 28.1
香港 新加坡，伦敦，多伦多 35.0 上海，新加坡，深圳 28.5
应用Cytoscape软件，刻画中国三大城市群主要城市数字人才流动网络格局（图3）。北京、上海、深圳和香港构建了网络的主体框架，并在总体上形成了环流格局。城市之间基本上都存在数字人才的双向流动，但也注意到合肥、天津不仅数字人才的规模最小，还存在向北京、上海、杭州、苏州、广州等城市单向输出的流失现象。从城市群比较来看，粤港澳地区的内部联系更加紧密，港–深的数字人才流量仅次于京–沪、京–港，京–津则相对较小，互动紧密的沪–杭–宁–苏全联通网络已形成，合肥仍有待深度融入其中。
图3 2021—2022年中国三大城市群主要城市的数字人才流动网络

城市之间的连线颜色用于区分不同地区内部/之间的数字人才流动

Fig. 3 Digital talent flow network of the three major urban clusters in China in 2021—2022

采用优势流分析方法揭示数字人才流动网络的组织体系。选取各城市与之流入或流出强度最高的城市，反映了城市的数字人才流向及其网络地位（图4）。在城市群内部，数字人才分别向各自的主导型城市上海、北京和香港集聚；在城市群之间，则呈现从北京到上海再到香港，由北向南的规模等级扩散路径。中国主要城市都面临数字人才流失问题的原因在于，虽然在全国尺度上呈现网络化环流格局，但在全球竞争环境下并非是“零和博弈”。由于同时从中国吸收和向海外输出数字人才，但海外回流不足，香港成为中国数字人才流失的“中转站”。为此，香港需要将引才目标更多地瞄准国外，巩固提升国际地位，促进海外人才回流，强化国际优质资源要素进入中国的跳板和中介功能。
图4 2021—2022年中国三大城市群主要城市数字人才流动网络体系结构

Fig. 4 Network structure of digital talent flow among major cities in the three major urban clusters of China in 2021—2022

3.3 城市数字人才流动类型

参考相关研究的计算方法[32]，兼顾数字人才流动的活跃度和方向，采用修正的总流动率（RGM）、净流动率（RNM）指标划分城市类型，考虑到迈入人口流动性社会的国际标准是流动人口比重超过10%，以此确定数字人才流动活跃度阈值ra为0.482。净流入型活跃城市的RGM和RNM均大于ra；平衡型活跃城市的RGM≥ra且–ra<RNM<ra；净流出型活跃城市的RGM≥ra且RNM≤–ra；非活跃城市的RGM<ra（图5）。
图5 2021—2022年中国三大城市群主要城市修正的总流动率和净流入率

Fig. 5 Revised gross mobility rate and net inflow rate of the major cities in the three major urban clusters of China in 2021—2022

可以发现，中国三大城市群的主要城市中没有净流入型活跃城市，说明对数字人才的吸引力都有待增强。苏州、杭州和深圳为平衡型活跃城市，数字人才的流入、流出规模都较大且相对均衡，形成了良性循环。其中，苏州作为唯一的数字人才净流入城市，最接近成为净流入型活跃城市。北京、上海、南京和香港为净流出型活跃城市。其中，北京和香港存在较严重的流失问题，北京的数字人才大多向中国其他城市扩散，而香港则主要流向海外；上海的流失问题相对可控，具备潜在的人才吸引力。天津、合肥、广州为非活跃城市，这与上文采用流动强度或总流动率等单一指标的分析结果一致。

4 结论与讨论

本文梳理了人工智能、物联网、云计算和区块链4个重点数字产业的54项关键核心技术，并利用领英大数据洞察平台构建了京津冀、长三角和粤港澳地区51个城市的数字人才库，包括静态区位（2022年）和动态迁移（2021—2022年）数据两部分，比较分析了中国三大城市群数字人才的空间分布与流动格局。主要结论如下：① 中国数字人才高度集中在中心城市，北京的规模最大，其次是上海，香港的密度和集聚度最高，但与顶尖全球城市还有较大差距，同时长三角和粤港澳地区的发展相对协调，形成了沪–苏、港–深两大数字人才高地；② 中国数字人才形成了以京–沪–港–深为主体的环流格局，也存在以香港为枢纽的海外转移趋势，三大城市群中没有净流入型活跃城市，意味着全球数字人才流动不是“零和博弈”，在外部不确定性冲击下有流失风险。
根据研究结论，可以得到以下政策启示：首先，面对中国数字人才在疫情期间的外流问题，可以预期这一状况大概率是阶段性的，但仍要警惕在全球人才竞争潮流中这种趋势加剧。数字产业还处于新兴发展阶段，产业链与其他成熟产业相比较短，并集中在研发环节，这一特点决定了掌握关键核心技术的数字人才是数字经济发展的核心要素，也是各国争逐的战略资源。为此，需要营造积极、包容和开放的创新文化及制度环境，促进海外人才回流，并鼓励吸纳外国人才。其次，数字人才倾向于聚集在中心城市，导致区域整体存在发展不均衡、不协调问题，在区域一体化背景下，需要提升区域性产业联盟及相关平台在促进人才要素流动和知识溢出方面的功能，打造区域数字人才高地和世界级数字产业集群。同时，在城市层面需要从产（供）、教（需）两方面推动数字人才发展，包括支持数字初创企业成长、提高数字人才培养质量，以及鼓励数字技术相关的产学协同创新。
应用国外平台数据探讨中国问题，样本的局限性和偏差可能在于：中国职场人士注册和日常使用国外网站的比例存疑；用户画像一般有在跨国公司任职或海外留学背景；截面数据具有偶然性或波动性，特别是中国及国家间的人员往来受防疫政策的影响较大。因此，未来可以加长研究期、扩展技术领域范围、综合国内外平台数据，更准确揭示中国数字人才的空间演化规律，并加强重点事件发生前后的比较分析，提升风险预测和防范能力。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
杜德斌. 全球科技创新中心: 动力与模式[M]. 上海: 上海人民出版社, 2015.

Du Debin. Global technology innovation centers: Dynamics and patterns. Shanghai: Shanghai People’s Publishing House, 2015.

[2]
王振, 尚永敏. 长三角共建世界级产业集群研究[M]. 上海: 上海社会科学院出版社, 2020.

Wang Zhen, Shang Yongmin. Research on the co-construction of world-class industrial clusters in the Yangtze River Delta. Shanghai: Shanghai Academy of Social Sciences Press, 2020.

[3]
Grimes S. The digital economy challenge facing peripheral rural areas[J]. Progress in Human Geography, 2003, 27(2): 174-193.

DOI

[4]
Acs Z J. The global digital platform economy and the region[J]. The Annals of Regional Science, 2023, 70(1): 101-133.

DOI

[5]
王彬燕, 田俊峰, 程利莎, 等. 中国数字经济空间分异及影响因素[J]. 地理科学, 2018, 38(6): 860-868

Wang Binyan, Tian Junfeng, Cheng Lisha et al. Spatial differentiation and influencing factors of China’s digital economy. Scientia Geographica Sinica, 2018, 38(6): 860-868.

[6]
余运江, 杨力, 任会明, 等. 中国城市数字经济空间格局演化与驱动因素[J]. 地理科学, 2023, 43(3): 466-475

Yu Yunjiang, Yang Li, Ren Huiming et al. Spatial evolution and driving factors of urban digital economy development in China. Scientia Geographica Sinica, 2023, 43(3): 466-475.

[7]
张英浩, 汪明峰, 刘婷婷. 数字经济对中国经济高质量发展的空间效应与影响路径[J]. 地理研究, 2022, 41(7): 1826-1844

Zhang Yinghao, Wang Mingfeng, Liu Tingting. Spatial effects and influence pathways of the digital economy on China’s high-quality economic development. Geographical Research, 2022, 41(7): 1826-1844.

[8]
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

Jiang Yanpeng, Wang Xinjing, Ma Renfeng. Theoretical exploration of innovation talent agglomeration: A perspective of city selection in global talent mobility. Scientia Geographica Sinica, 2021, 41(10): 1802-1811.

[9]
Florida R. The economic geography of talent[J]. Annals of the Association of American Geographers, 2002, 92(4): 743-755.

DOI

[10]
Florida R, Mellander C. Technology, talent and economic segregation in cities[J]. Applied Geography, 2020, 116: 102167.

DOI

[11]
武荣伟, 王若宇, 刘晔, 等. 2000—2015年中国高学历人才分布格局及其影响机制[J]. 地理科学, 2020, 40(11): 1822-1830

Wu Rongwei, Wang Ruoyu, Liu Ye et al. Distribution pattern and influencing mechanism of highly educated talents in China from 2000 to 2015. Scientia Geographica Sinica, 2020, 40(11): 1822-1830.

[12]
齐宏纲, 戚伟, 刘盛和. 粤港澳大湾区人才集聚的演化格局及影响因素[J]. 地理研究, 2020, 39(9): 2000-2014.

DOI

Qi Honggang, Qi Wei, Liu Shenghe. Evolutionary pattern and influencing factors of talent agglomeration in the Guangdong-Hong Kong-Macao Greater Bay Area. Geographical Research, 2020, 39(9): 2000-2014.

DOI

[13]
孙殿超, 刘毅. 粤港澳大湾区科技创新人才空间分布特征及影响因素分析[J]. 地理科学进展, 2022, 41(9): 1716-1730.

DOI

Sun Dianchao, Liu Yi. Analysis of the spatial distribution characteristics and influencing factors of science and technology innovation talents in the Guangdong-Hong Kong-Macao Greater Bay Area. Progress in Geography, 2022, 41(9): 1716-1730.

DOI

[14]
许泽宁, 陈子韬, 甄茂成. 区域一体化政策对城市高学历人才分布的影响与作用机制——以长三角地区为例[J]. 地理研究, 2022, 41(6): 1540-1553

Xu Zening, Chen Zitao, Zhen Maocheng. The influence and mechanism of regional integration policies on the distribution of highly educated talents in cities: A case study of the Yangtze River Delta Region. Geographical Research, 2022, 41(6): 1540-1553.

[15]
刘晔, 沈建法, 刘于琪. 西方高端人才跨国流动研究述评[J]. 人文地理, 2013, 28(2): 7-12

Liu Ye, Shen Jianfa, Liu Yuqi. A review of research on the transnational mobility of high-end talents in the west. Human Geography, 2013, 28(2): 7-12.

[16]
Saxenian A. From brain drain to brain circulation: Transnational communities and regional upgrading in India and China[J]. Studies in Comparative International Development, 2005, 40: 35-61.

DOI

[17]
马海涛, 张芳芳. 人才跨国流动的动力与影响研究评述[J]. 经济地理, 2019, 39(2): 40-47

Ma Haitao, Zhang Fangfang. Review of research on the dynamics and impacts of transnational talent mobility. Economic Geography, 2019, 39(2): 40-47.

[18]
侯纯光, 杜德斌, 刘承良, 等. 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

Hou Chunguang, Du Debin, Liu Chengliang et al. Spatiotemporal evolution of complexity in the global talent flow network: Based on global student mobility data. Geographical Research, 2019, 38(8): 1862-1876.

[19]
姜海宁, 李鹏程, 段怡冰, 等. 业缘对环渤海地区海外高层次人才回流格局的影响[J]. 世界地理研究, 2022, 31(6): 1142-1154

Jiang Haining, Li Pengcheng, Duan Yibing et al. The influence of business relationship on the pattern of return of overseas high-level talents in Bohai Rim. World Geographical Research, 2022, 31(6): 1142-1154.

[20]
马凌, 谢圆圆, 张博. 跨国主义视角下高校海归知识移民的回流与地方嵌入[J]. 地理学报, 2022, 77(6): 1430-1445

Ma Ling, Xie Yuanyuan, Zhang Bo. The backflow and local embedment of returnee knowledge migration from the perspective of transnationalism. Acta Geographica Sinica, 2022, 77(6): 1430-1445.

[21]
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. Construction of urban network relationship based on talent mobility. Geographical Research, 2017, 36(1): 161-170.

[22]
周亮, 张亚. 中国顶尖学术型人才空间分布特征及其流动趋势——以中国科学院院士为例[J]. 地理研究, 2019, 38(7): 1749-1763

Zhou Liang, Zhang Ya. Spatial distribution characteristics and flow trend of top academic talents in China: A case study of academicians of Chinese academy of sciences. Geographical Research, 2019, 38(7): 1749-1763.

[23]
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

Gu Hengyu, Shen Tiyan. Spatial and temporal evolution mechanism of inter-provincial migration of highly skilled talents in China. Acta Geographica Sinica, 2022, 77(10): 2457-2473.

[24]
朱鹏程, 张宇, 曹卫东, 等. 长三角企业经营管理人才空间分布及其地理流动网络——基于上市公司董监高团队数据分析[J]. 人文地理, 2020, 35(4): 121-129

Zhu Pengcheng, Zhang Yu, Cao Weidong et al. Spatial distribution and geographical flow network of operation and management talents in Yangtze River Delta enterprises: Based on data analysis of directors, supervisors and executives teams of listed companies. Human Geography, 2020, 35(4): 121-129.

[25]
聂晶鑫, 刘合林. 中国人才流动的地域模式及空间分布格局研究[J]. 地理科学, 2018, 38(12): 1979-1987

Nie Jingxin, Liu Helin. Study on the regional pattern and spatial distribution pattern of talent flow in China. Scientia Geographica Sinica, 2018, 38(12): 1979-1987.

[26]
崔璨, 于程媛, 王强. 人才流动的空间特征、驱动因素及其对长三角一体化高质量发展的启示——基于高校毕业生的分析[J]. 自然资源学报, 2022, 37(6): 1440-1454.

DOI

Cui Can, Yu Chengyuan, Wang Qiang. Spatial characteristics, driving factors of talent flow and its implications for the high-quality development of Yangtze River Delta integration: Based on the analysis of college graduates. Journal of Natural Resources, 2022, 37(6): 1440-1454.

DOI

[27]
钟雨齐, 王强, 崔璨, 等. 人力资本的空间迁移模式与影响因素分析——以南京市高校毕业生为例[J]. 地理科学, 2021, 41(6): 960-970

Zhong Yuqi, Wang Qiang, Cui Can et al. An analysis of spatial migration patterns and influencing factors of human capital: A case study of university graduates in Nanjing. Scientia Geographica Sinica, 2021, 41(6): 960-970.

[28]
张文佳, 王雨润, 阴劼. 深圳市高学历人才迁入格局的时空演化与驱动因素——基于1980—2014年个体迁移大数据[J]. 地理科学, 2023, 43(2): 262-271

Zhang Wenjia, Wang Yurun, Yin Jie. Spatial-temporal evolution and driving factors of migration pattern of highly educated talents in Shenzhen: Based on big data of individual migration from 1980 to 2014. Scientia Geographica Sinica, 2023, 43(2): 262-271.

[29]
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

Sun Kang, Si Yuefang. Spatial structure and influencing factors of innovative talent flow: Based on the resume analysis of highly cited Chinese scientists. Acta Geographica Sinica, 2022, 77(8): 2113-2130.

[30]
陈鹏鑫, 何金廖, 曾刚, 等. 全球城市顶尖人才流动网络的空间格局与结构特征——基于AI顶尖人才成长流动轨迹数据[J]. 地理科学, 2023, 43(12): 2069-2079

Chen Pengxin, He Jinliao, Zeng Gang et al. Spatial patterns and structural characteristics of the global intercity elite mobility network: Based on the data of AI elite growth mobility trajectories. Scientia Geographica Sinica, 2023, 43(12): 2069-2079.

[31]
齐宏纲, 赵美风, 刘振, 等. 中国高技能人才和一般技能劳动力省际迁移的空间格局及影响机理[J]. 地理科学, 2024, 44(2): 192-203

Qi Honggang, Zhao Meifeng, Liu Zhen et al. Spatial pattern and its driving forces of China’s interprovincial skilled and less-skilled migration. Scientia Geographica Sinica, 2024, 44(2): 192-203.

[32]
刘盛和, 邓羽, 胡章. 中国流动人口地域类型的划分方法及空间分布特征[J]. 地理学报, 2010, 65(10): 1187-1197.

DOI

Liu Shenghe, Deng Yu, Hu Zhang. Regional classification and spatial distribution of floating population in China. Acta Geographica Sinica, 2010, 65(10): 1187-1197.

DOI

Options
文章导航

/

〈 〉