双高院校专业群发展水平评价：模型构建及应用分析

摘 要 以全国197所双高院校高水平专业群为研究对象，运用因子分析方法探索构建专业群评价模型，实证分析253个专业群的发展水平和内在特征，研究发现：专业群发展水平存在区域之间不均衡现象，东部地区总体优势较大;战略性新兴产业和先进制造业所在专业群的发展水平优势明显，产教融合助力专业群发展水平提升;专业群所属专业大类与产业发展结构相契合，专业群发展水平得分整体呈现正负对半现象。需要充分认识和重视区域经济与职业教育发展的关系、均衡发展与特色发展的关系、产教融合与高质量发展的关系，提升专业群整体发展水平，实现职业教育高质量发展的目标。

关键词 双高院校;高水平专业群;发展水平;教育评价;因子分析

中图分类号 G712.3 文献标识码 A 文章编号 1008-3219（2022）01-0018-06

一、研究背景

2020年中共中央、国务院印发的《深化新时代教育评价改革总体方案》提出，教育评价事关教育发展方向，有什么样的评价指挥棒，就有什么样的办学导向，要改进结果评价，强化过程评价，探索增值评价，健全综合评价，这为职业教育评价改革指明了方向。首批国家高职院校“双高计划”项目启动以来，作为项目载体的高水平专业群建设亦不断深入。对双高院校专业群建设水平进行现状评价与过程监测，对于提升高等职业教育教学质量、发挥双高院校示范引领作用、融入和助力地方经济社会建设，有着重要的理论和实践意义。

通过中国期刊网（CKNI）数据库进行检索，文献来源为“中文核心期刊”或“CSSCI”，截至2021年8月31日，以“专业群”为篇名的论文共有327篇;以“高职院校或含高等职业院校”+“专业群”为篇名的论文共有86篇，最早的论文发表于2007年;以“双高”+“专业群”为篇名的论文共有22篇，最早的论文发表于2019年。在此基础上，分别以“双高”+“评估或含评价”和“专业群”+“评估或含评价”为篇名进行检索，分别发表论文9篇和4篇，最早的论文发表于2015年。而以“双高并含专业群”+“评估或含评价”为篇名，则没有检索到发表论文。可见，从现有的文献来看，有关专业群包括高职院校专业群的研究已有较长时间的积累，研究内容和研究角度也较为丰富，而关于专业群评价方面的研究还不多，总体上处于探索和起步阶段。

对于高职院校专业群评价，学者们从不同角度进行了理论探索。但当前对于高职院校专业群评价的研究，主要还处于宏观讨论阶段和学校整体层面，阐述体系构建原则和质性层面的研究较丰富，而运用量化分析的研究较少，基于大数据的评价思维和研究方法的探索还有较大空间，评价实施的便捷性和可操作性也有待进一步突破。以评价促建设，以评价促发展，对高职院校高水平专业群进行评价，最终目的是为了提高专业群的产教融合能力，促进高职院校的可持续发展。本研究旨在通过评价发现专业群发展中的问题和不足，为高职院校高水平专业群建设和评价提供参考。

二、研究设计

（一）研究对象

本研究以《教育部 财政部关于公布中国特色高水平高职学校和专业建设计划建设单位名单的通知》（教职成函[2019]14号）中首轮立项的全国197所高水平高职院校的253个高水平专业群建设项目为研究对象，从不同维度比较和分析高职院校专业群的发展现状、发展水平和内在特征。

（二）研究指标

高职院校高水平专业群发展水平评价是将有关专业群发展的指标进行系统整合，采用合适的分析方法来反映不同地区高水平专业群发展状况和发展水平的评价机制。高水平专业群评价体系设计主要有两层含义：一是分析评价专业群的办学水平和发展现状;二是分析评价建立在发展水平基础上的内在显性特征。本研究选用的指标涉及学校层面和专业群层面的办学条件、师资队伍、学生就业、社会服务、校企合作、实训基地等方面共54个指标，数据来源于双高申报时的公示数据，基本上能保证数据的原始性、真实性和全面性。

（三）研究方法

鉴于不同指标之间的依存关系，本研究采用因子分析法来构建专业群发展水平评价模型。因子分析法是一种寻找潜在支配因子的分析方法，用尽可能少的因子去描述多个指标或因素之间的联系，根据变量间的相关性和紧密程度对变量进行重组并解释，实现从高维空间向低维空间转换的线性映射，并使该映射能够保持数据样本在高维空间中的结构，运用降维的思想用较少的若干综合变量来反映原始数据的大部分信息。本研究使用SPSS23.0软件，以高水平专业群数据为样本开展因子分析，通过因子分析的适合性检验、提取公共因子、旋转因子载荷矩阵、构建因子分析评价模型、因子的综合得分及排名等步骤来进行数据分析。

三、研究过程

（一）因子的适合性检验

对专业群指标数据是否适合开展因子分析进行检验。对所有指标数据进行标准化处理，利用KMO（Kaiser-Meyer-Olkin）检验和巴特利球形检验（Bartlett Test of Sphericity）来判断。KMO检验是用于比较变量间简单相关系数和偏相关系数的指标，其取值在0和1之间。如果KMO值越接近1，说明变量间的相关性越强，适合进行因子分析;如果KMO值接近0，说明变量间的相关性较弱，不适合进行因子分析。一般情况下，KMO值大于0.7即可认为适合做因子分析。从表1可以看出，KMO检验值为0.739，说明所选用的高水平专业群数据适合做因子分析。巴特利球形检验Sig.值为0.000，小于0.01，表示选取的专业群各指标之间存在显著相关性。因此可以得出，所选取的数据样本可以进行因子分析。

（二）公共因子的提取

用因子分析法确定公共因子的个数。一般情况下，“初始特征值大于1的因子可以被保留，而小于1的因子可以被舍弃”，同时“提取的公共因子累积百分比需要达到50%以上”。从表2可以看出，当公共因子取到第11个时累积贡献率已经达到61.859%，也就是说，用这11个公共因子可以解释原来54个指标中61.859%的信息。

（三）因子载荷矩阵的旋转变换

根据因子分析结果，通过SPSS软件得到初始因子载荷矩阵，对因子载荷矩阵进行旋转变换结构简化。根据每个公共因子所包含的载荷比例和指标共性，将11个公共因子F1、F2、F3……F11分别命名为：办学资源、教学条件、校企合作、兼职教师、订单培养、技术服务、社会培训、学生就业、办学吸引力、专业负责人、实训基地，从而得出54个指标的成分得分系数矩阵，见表3。

（四）因子分析评价模型的构建

通过成分得分系数计算公共因子得分，得出各个指标项的权重，从而形成一级指标和二级指标，建立起因子分析的评价模型，见表4。其中，一级指标包括办学条件、师资队伍、产学合作、社会认可四个方面。根据11个公共因子的权重计算，得出各个专业群的综合因子得分F0，具体计算公式为：

F0=0.2344*F1+0.1631*F2+0.1386*F3+0.0869*F4+0.0777*F5+0.0613*F6+0.0527*F7+0.0513*F8+0.0492*F9+0.0438*F10+0.0409*F11

（五）因子的综合得分及排名

将之前求得的对应系数值代入，可得到各专业群发展水平的综合得分及排名。从表5的计算结果可以看出253个专业群发展水平的各因子得分和综合因子得分排序。综合因子得分越高，表明专业群发展水平越高，正值表明其处于优势，负值表示其处于劣势，低于平均发展水平。

四、研究分析

（一）专业群发展水平区域之间不均衡现象突出，东部地区总体优势较大

根据国家统计局的分类，全国31个省市自治区分为东部、中部、西部和东北四个地区（不包含我国香港、澳门和台湾地区）。其中，东部地区包括10个：北京、天津、河北、上海、江苏、浙江、福建、山东、广东、海南;中部地区包括6个：山西、安徽、江西、河南、湖北、湖南;西部地区包括12个：内蒙古、广西、重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏、新疆;东北地区包括3个：辽宁、吉林、黑龙江[1]。

从图1的专业群所属地域分析结果来看，东部地区专业群呈现“异军突起”现象，以北京、山东、广东、江苏、浙江等为代表的东部省份，专业群发展水平展现出绝对优势，东部地区平均得分最高，达到0.1299。中部地区和西部地区专业群发展水平“旗鼓相当”，得分分别为-0.1006和-0.1128，均低于全国专业群平均发展水平。东北部地区专业群发展则成“低洼地区”，明显低于其他区域，得分为-0.2629。专业群发展水平在区域分布上的不均衡现象较为明显，并且呈现出与区域经济社会发展水平紧密相关的特性。

从图2所示的专业群所在省域分析结果来看，全国31个省市自治区，有9个省份的专业群发展总体水平处于正值，占比不到1/3，其余22个省份的专业群发展总体水平是负值，低于全国平均水平。在9个得分正值的省域中，有6个省份位于东部地区，有3个省中部和西部地区，从高到低依次为北京（0.3788）、山东（0.3519）、广东（0.2485）、河南（0.2130）、江苏（0.1930）、河北（0.0779）、浙江（0.0671）、湖北（0.0602）和陕西（0.0424），以上省份的专业群发展水平较高，总体位于全国前列。而上海（-0.7452）、山西（-0.6868）、辽宁（-0.3904）、海南（-0.3737）和内蒙古（-0.3041）等5个省份的得分较低，专业群发展水平总体偏低。通过数据分析发现，专业群发展水平在省域之间呈现较大差距，专业群得分最高省份与最低省份之间的差距主要体现在办学资源和办学吸引力上，主要涉及生均占地面积、学校建筑面积、固定资产等学校办学的硬件条件，以及新生报到率、用人单位满意度等社会认可度方面的指标。

（二）战略性新兴产业和先进制造业所在专业群发展水平优势明显，产教融合助力专业群发展水平提升

从图3的专业群立项等级分析来看，首先是立项高水平学校建设单位A档的20个高水平专业群，平均得分0.4606，远远高于其他立项等级的专业群发展水平，整体优势非常明显。其次是立项高水平学校建设单位B档的共40个高水平专业群，平均分得为0.1592，总体高于全国平均水平。值得注意的是，立项高水平专业群建设单位B档的59个专业群，平均得分-0.0095，超过了立项高水平学校建设单位C档和高水平专业群建设单位A档的两类专业群。进一步分析这59个专业群的11个公共因子得分发现，这类专业群在校企合作、订单培养、社会培训等方面表现较好，其得分明显高于其他类别专业群，其产教融合和社会服务方面的突出表现是助推其发展水平和专业优势的主要力量。其余三档专业群发展水平与立项等级基本相符，呈现微小级差。

从专业群面向产业来看，253个专业群中，面向战略性新兴产业专业群75个，面向现代服务业专业群71个，面向先进制造业专业群63个，面向现代农业专业群23个，面向其他产业专业群21个。从图4可见，面向战略性新兴产业和面向先进制造业的专业群发展水平要明显高于其他三类专业群，平均得分分别为0.0420和0.0393，这为加快推进传统产业的转型升级在技术技能人才储备上提供了支撑。面向现代服务业的专业群和面向现代农业的专业群总体发展水平较弱，均低于全国平均水平。数据分析发现，面向先进制造业的专业群在办学资源、学生就业、办学吸引力等方面表现较好，而面向战略性新兴产业的专业群在办学资源、教学条件、技术服务、办学吸引力等方面较为突出。面向现代服务业的专业群在技术服务、办学资源等方面较弱，影响了专业群总体发展水平。纵观全球，服务业增长正在成为世界经济复苏的新引擎，助力现代服务业发展，职业教育肩负着重要职责，要推动职业教育和服务产业的深度融合，培养适应现代服务业发展的技术技能人才。

（三）专业群所属专业大类与产业发展结构相契合，专业群发展水平得分整体呈现正负对半现象