廣東省高等教育規(guī)模預(yù)測及教育規(guī)劃建議

譚晶尹，莫少芬

高等教育規(guī)模預(yù)測是高等教育規(guī)劃的前提與基礎(chǔ)。根據(jù)《〈廣東省教育發(fā)展“十四五”規(guī)劃〉編制工作實施方案》，廣東省教育發(fā)展“要契合基本國情省情和社會期待，要充分研究我省各教育階段學(xué)生發(fā)展變化趨勢和產(chǎn)業(yè)結(jié)構(gòu)轉(zhuǎn)型升級對人才的需求，科學(xué)確立教育發(fā)展指標和重大教育工程”［1］。因此，探究與預(yù)測“十四五”期間的高等教育規(guī)模，全面把握高等教育發(fā)展的基本問題，統(tǒng)籌謀劃長期發(fā)展方略，整體推進教育藍圖繪就，是完成“十四五”期間高等教育目標的關(guān)鍵一步。

一、研究內(nèi)容與主要方法

教育預(yù)測研究中使用率和準確率較高的定量分析法為時間序列分析法、學(xué)生流法與回歸預(yù)測分析法。時間序列分析法即通過收集與分析歷史數(shù)據(jù)的變化趨勢從而預(yù)示未來的發(fā)展趨勢，主要包括灰色預(yù)測法、指數(shù)平滑法、趨勢外推法、馬爾可夫鏈概率分析法、移動平均法等［2］。此中，單序列一階線性灰色模型是以微分擬合為核心，根據(jù)系統(tǒng)的數(shù)據(jù)特征，找出各數(shù)據(jù)之間的變化規(guī)律。通常只需4個及以上樣本數(shù)據(jù)即可建立模型，樣本不需要有規(guī)律性分布，計算工作量小，定量分析結(jié)果與定性分析結(jié)果保持一致，并且預(yù)測的準確度較高［3］。

應(yīng)用灰色系統(tǒng)理論研究與預(yù)測高等教育規(guī)模的文獻較多，以中國知網(wǎng)為檢索范圍，以“灰色預(yù)測”為篇名共檢索得出11 371篇中英文文獻。如劉六生、馮用軍、楊超、董險峰［4］等學(xué)者運用灰色預(yù)測模型對我國高等教育毛入學(xué)率進行數(shù)理分析與應(yīng)用研究；陳偉、程偉［5］等學(xué)者基于灰色系統(tǒng)理論建立普通高校錄取率灰色預(yù)測模型進行探究與預(yù)測；李佳穎［6］學(xué)者從教育經(jīng)濟學(xué)的角度運用灰色預(yù)測模型對高等教育成本與收益進行因素分析與發(fā)展建議。

本文以在廣東省內(nèi)實施高等教育的各類高等學(xué)校規(guī)模、學(xué)生規(guī)模以及教師規(guī)模作為主要研究范疇。其中，各類高等學(xué)校規(guī)模含本科、專科、獨立學(xué)院規(guī)模；學(xué)生規(guī)模含畢業(yè)生規(guī)模、招生規(guī)模與在校生規(guī)模；教師規(guī)模即為專任教師規(guī)模。然后，分別計算出傳統(tǒng)GM(1，1)模型、新信息GM(1，1)模型與新陳代謝GM(1，1)模型的SSE（誤差平方和），選取其中SSE最小的灰色預(yù)測模型作為高等教育規(guī)模預(yù)測模型，預(yù)測與分析廣東省高等教育規(guī)模。本研究旨在為廣東省政府與高校提供決策制定和政策修訂的客觀依據(jù)，以期為廣東省教育系統(tǒng)的現(xiàn)狀監(jiān)測、發(fā)展趨勢、問題分析和決策制定提供參考。

二、GM(1,1)模型的建立

1.GM(1,1)原理介紹

設(shè)x(0)=(x(0)(1)，x(0)(2)，…，x(0)(n))是最初的非負數(shù)列，對其進行一次累加得到新的生成數(shù)列x(1)(x(0)的1-AGO序列)：x(1)=(x(1)(1)，x(1)(2)，...，x(1)(n))

令z(1)為數(shù)列x(1)的緊鄰均值生成數(shù)列：z(1)=(z(1)(2)，z(1)(3)，…，z(1)(n))

其中，z(1)(m)=δx(1)(m)+(1-δ)x(1)(m-1)，m=2，3，…n且δ=0.5

稱x(0)(k)+az(1)(k)=b為GM(1，1)模型的基本形式(k=2，3，…n)，

其中，b表示灰作用量，-a表示發(fā)展系數(shù)。

下面我們引入矩陣形式：u=(a，b)T，Y=

于是，GM(1，1)模型x(0)(k)+az(1)(k)=b可表示為：Y=Bu

得到參數(shù)a，b的估計值(最小二乘法)：

x(1)(k)-x(1)(k-1)=(牛頓-萊布尼茨公式)

z(1)(k)=dt(定積分的幾何意義)

x(0)(k)+az(1)(k)=b(GM(1，1)模型的基本形式)則被稱為灰色微分方程。

若需進行預(yù)測，只需要在上式取m≥n［7］105-107。

2.GM(1,1)模型的拓展

設(shè)原始數(shù)據(jù)數(shù)列：X(0)=(x(0)(1),x(0)(2),…,x(0)(n))

（1）X(0)=(x(0)(1)，x(0)(2)，…，x(0)(n))稱為全數(shù)據(jù)GM(1，1)模型；

（2）?k0>1，X(0)=(x(0)(k0)，x(0)(k0+1)，…，x(0)(n))稱為部分數(shù)據(jù)GM(1，1)模型；

（3）設(shè)x(0)(n+1)為最新信息，將x(0)(n+1)置入X(0)，

X(0)=(x(0)(1)，x(0)(2)，…，x(0)(n)，x(0)(n+1))稱為新信息GM(1，1)模型；

（4）置入最新信息x(0)(n+1)，去掉最老信息x(0)(1)，X(0)=(x(0)(2)，…，x(0)(n)，x(0)(n+1))稱為新陳代謝GM(1，1)模型［7］108-109。

三、實證分析

1.數(shù)據(jù)搜集與處理

本文通過查詢廣東省統(tǒng)計局的數(shù)據(jù)中心，選取2009—2018年10年廣東省高等教育規(guī)模數(shù)據(jù)為預(yù)測樣本（詳見表1），建立10維GM(1，1)模型，具體步驟如下：

（1）作出原始數(shù)據(jù)的時間序列圖，初步分析原始數(shù)據(jù)趨勢，并判斷原始數(shù)據(jù)中是否有負數(shù)或期數(shù)是否低于4期的情況；

（2）對數(shù)據(jù)進行一次累加后檢驗準指數(shù)規(guī)律：

指標1：光滑比小于0.5的數(shù)據(jù)占比（一般要大于60%）

指標2：除去前兩個時期外，光滑比小于0.5的數(shù)據(jù)占比（一般大于90%）

（3）數(shù)據(jù)期數(shù)大于7，取最后3期為試驗組，前面的n-3期為訓(xùn)練組；用訓(xùn)練組的數(shù)據(jù)分別運算傳統(tǒng)、新信息以及新陳代謝3種GM模型，并將運算出來的模型分別用于預(yù)測試驗組的3期數(shù)據(jù)；利用試驗組3期的真實數(shù)據(jù)和預(yù)測出來的3期數(shù)據(jù)，可分別計算出3個模型的SSE；

（4）選擇SSE最小的模型作為建模的模型；

（5）繪制預(yù)測結(jié)果圖后，進行殘差檢驗和級比偏差檢驗。

表1 2009—2018年廣東省高等教育規(guī)模數(shù)據(jù)

2.GM(1,1)模型的優(yōu)選

（1）高等學(xué)校數(shù)量預(yù)測

1）原始數(shù)據(jù)檢驗以及準指數(shù)規(guī)律檢驗。原始數(shù)據(jù)：［129，131，134，138，138，141，143，149，151，153］。因為原數(shù)據(jù)的期數(shù)為10，所以將數(shù)據(jù)組分為訓(xùn)練組和試驗組。訓(xùn)練數(shù)據(jù)是：［129，131，134，138，138，141，143］；試驗數(shù)據(jù)是：［149，151，153］。作出高等學(xué)校數(shù)量原始數(shù)據(jù)的時間序列圖，初步分析原始數(shù)據(jù)呈曲線遞增趨勢。原始數(shù)據(jù)中無負數(shù)，見圖1。

圖1 高等學(xué)校數(shù)量時間序列

通過運算得出，高等學(xué)校數(shù)量的光滑比小于0.5的數(shù)據(jù)占比為77.7778%，大于60%；除去2009年與2010年的數(shù)據(jù)后，光滑比小于0.5的數(shù)據(jù)占比為100%，大于90%。所以2009年-2018年高等學(xué)校數(shù)量數(shù)據(jù)通過準指數(shù)規(guī)律檢驗。

2）試驗組數(shù)據(jù)預(yù)測。用訓(xùn)練組的數(shù)據(jù)分別運算傳統(tǒng)、新信息以及新陳代謝3種GM模型，并將運算出來的模型分別用于預(yù)測試驗組的3期數(shù)據(jù)；利用試驗組3期的真實數(shù)據(jù)和預(yù)測出來的3期數(shù)據(jù)，可分別計算出3個模型的SSE（誤差平方和）。傳統(tǒng)GM(1，1)模型對于試驗組預(yù)測的誤差平方和為23.3462；新信息GM(1，1)模型對于試驗組預(yù)測的誤差平方和為23.3807；新陳代謝GM(1，1)模型對于試驗組預(yù)測的誤差平方和為30.6748。因為傳統(tǒng)GM(1，1)模型的誤差平方和最小，所以應(yīng)該選擇其進行預(yù)測，見圖2。

圖2 高等學(xué)校數(shù)量試驗組真實數(shù)據(jù)與預(yù)測結(jié)果

3）灰色模型建立與預(yù)測效果。選擇傳統(tǒng)GM(1，1)模型進行預(yù)測，往后預(yù)測7期得到2019-2025年高等學(xué)校數(shù)量預(yù)測結(jié)果，見圖3。

圖3 高等學(xué)校數(shù)量預(yù)測數(shù)據(jù)效果

4）相對殘差和級比偏差檢驗。使用相對殘差和級比偏差檢驗傳統(tǒng)GM(1，1)模型對2009年-2018年的高等學(xué)校數(shù)量原始數(shù)據(jù)的擬合程度得出，平均相對殘差為0.0062584，殘差檢驗的結(jié)果表明該模型對原數(shù)據(jù)的擬合程度非常不錯；平均級比偏差為0.0086874，級比偏差檢驗的結(jié)果表明：該模型對原數(shù)據(jù)的擬合程度非常不錯。

（2）畢業(yè)生數(shù)量預(yù)測

1）原始數(shù)據(jù)檢驗以及準指數(shù)規(guī)律檢驗。將期數(shù)為10的原始數(shù)據(jù)分為訓(xùn)練組和試驗組，作出高等學(xué)校畢業(yè)生數(shù)量原始數(shù)據(jù)的時間序列圖，初步分析原始數(shù)據(jù)呈曲線遞增趨勢，原始數(shù)據(jù)中無負數(shù)，見圖4。

圖4 高等學(xué)校畢業(yè)生數(shù)量時間序列

通過運算得出，高等學(xué)校畢業(yè)生數(shù)量的光滑比小于0.5的數(shù)據(jù)占比大于60%；除去2009年與2010年的數(shù)據(jù)后，光滑比小于0.5的數(shù)據(jù)占比大于90%。所以2009年—2018年高等學(xué)校畢業(yè)生數(shù)量數(shù)據(jù)通過準指數(shù)規(guī)律檢驗。

2）試驗組數(shù)據(jù)預(yù)測。傳統(tǒng)GM(1，1)模型對于試驗組預(yù)測的誤差平方和為53.7885；新信息GM(1，1)模型對于試驗組預(yù)測的誤差平方和為53.1164；新陳代謝GM(1，1)模型對于試驗組預(yù)測的誤差平方和為43.3665。因為新陳代謝GM(1，1)模型的誤差平方和最小，所以應(yīng)該選擇其進行預(yù)測，見圖5。

圖5 高等學(xué)校畢業(yè)生數(shù)量試驗組真實數(shù)據(jù)與預(yù)測結(jié)果

3）灰色模型建立與預(yù)測效果。選擇新陳代謝GM(1，1)模型進行預(yù)測，往后預(yù)測7期得到2019-2025年高等學(xué)校畢業(yè)生數(shù)量預(yù)測結(jié)果，見圖6。

圖6 高等學(xué)校畢業(yè)生數(shù)量預(yù)測數(shù)據(jù)效果

4）相對殘差和級比偏差檢驗。使用相對殘差和級比偏差檢驗新陳代謝傳統(tǒng)GM(1，1)模型對2009—2018年的高等學(xué)校畢業(yè)生數(shù)量原始數(shù)據(jù)的擬合程度得出，平均相對殘差為0.023234，殘差檢驗的結(jié)果表明該模型對原數(shù)據(jù)的擬合程度非常不錯；平均級比偏差為0.02698，級比偏差檢驗的結(jié)果表明：該模型對原數(shù)據(jù)的擬合程度非常不錯。

（3）招生數(shù)量預(yù)測

1）原始數(shù)據(jù)檢驗以及準指數(shù)規(guī)律檢驗。將期數(shù)為10的原始數(shù)據(jù)分為訓(xùn)練組和試驗組，作出高等學(xué)校招生數(shù)量原始數(shù)據(jù)的時間序列圖，初步分析原始數(shù)據(jù)呈曲線遞增趨勢，原始數(shù)據(jù)中無負數(shù)，見圖7。

圖7 高等學(xué)校招生數(shù)量時間序列

通過運算得出，高等學(xué)校招生數(shù)量的光滑比小于0.5的數(shù)據(jù)占比大于60%；除去2009年與2010年的數(shù)據(jù)后，光滑比小于0.5的數(shù)據(jù)占比大于90%。所以2009年-2018年高等學(xué)校招生數(shù)量數(shù)據(jù)通過準指數(shù)規(guī)律檢驗。

2）試驗組數(shù)據(jù)預(yù)測。傳統(tǒng)GM(1，1)模型對于試驗組預(yù)測的誤差平方和為96.3671；新信息GM(1，1)模型對于試驗組預(yù)測的誤差平方和為96.0359；新陳代謝GM(1，1)模型對于試驗組預(yù)測的誤差平方和為73.3772。因為新陳代謝GM(1，1)模型的誤差平方和最小，所以應(yīng)該選擇其進行預(yù)測，見圖8。

圖8 高等學(xué)校招生數(shù)量試驗組真實數(shù)據(jù)與預(yù)測結(jié)果

3）灰色模型建立與預(yù)測效果。選擇新陳代謝GM(1，1)模型進行預(yù)測，往后預(yù)測7期得到2019—2025年高等學(xué)校招生數(shù)量預(yù)測結(jié)果，見圖9。

圖9 高等學(xué)校招生數(shù)量預(yù)測數(shù)據(jù)效果

4）相對殘差和級比偏差檢驗。使用相對殘差和級比偏差檢驗新陳代謝GM(1，1)模型對2009年-2018年的高等學(xué)校招生數(shù)量原始數(shù)據(jù)的擬合程度得出，平均相對殘差為0.027089，殘差檢驗的結(jié)果表明該模型對原數(shù)據(jù)的擬合程度非常不錯；平均級比偏差為0.019995，級比偏差檢驗的結(jié)果表明：該模型對原數(shù)據(jù)的擬合程度非常不錯。

（4）在校學(xué)生數(shù)量預(yù)測

1）原始數(shù)據(jù)檢驗以及準指數(shù)規(guī)律檢驗。將期數(shù)為10的原始數(shù)據(jù)分為訓(xùn)練組和試驗組，作出高等學(xué)校在校學(xué)生數(shù)量原始數(shù)據(jù)的時間序列圖，初步分析原始數(shù)據(jù)呈曲線遞增趨勢，原始數(shù)據(jù)中無負數(shù)，見圖10。通過運算得出，高等學(xué)校在校學(xué)生數(shù)量的光滑比小于0.5的數(shù)據(jù)占比大于60%；除去2009年與2010年的數(shù)據(jù)后，光滑比小于0.5的數(shù)據(jù)占比大于90%。所以2009年-2018年高等學(xué)校在校學(xué)生數(shù)量數(shù)據(jù)通過準指數(shù)規(guī)律檢驗。

圖10 高等學(xué)校在校學(xué)生數(shù)量時間序列

2）試驗組數(shù)據(jù)預(yù)測。傳統(tǒng)GM(1，1)模型對于試驗組預(yù)測的誤差平方和為869.5117；新信息GM(1，1)模型對于試驗組預(yù)測的誤差平方和為864.3433；新陳代謝GM(1，1)模型對于試驗組預(yù)測的誤差平方和為738.4231。因為新陳代謝GM(1，1)模型的誤差平方和最小，所以應(yīng)該選擇其進行預(yù)測，見圖11。

圖11 高等學(xué)校在校學(xué)生數(shù)量試驗組真實數(shù)據(jù)與預(yù)測結(jié)果

3）灰色模型建立與預(yù)測效果。選擇新陳代謝GM(1，1)模型進行預(yù)測，往后預(yù)測7期得到2019-2025年高等學(xué)校在校學(xué)生數(shù)量預(yù)測結(jié)果，見圖12。

圖12 高等學(xué)校在校學(xué)生數(shù)量預(yù)測數(shù)據(jù)效果

4）相對殘差和級比偏差檢驗。使用相對殘差和級比偏差檢驗新陳代謝GM(1，1)模型對2009年-2018年的高等學(xué)校在校學(xué)生數(shù)量原始數(shù)據(jù)的擬合程度得出，平均相對殘差為0.021937，殘差檢驗的結(jié)果表明該模型對原數(shù)據(jù)的擬合程度非常不錯；平均級比偏差為0.018638，級比偏差檢驗的結(jié)果表明：該模型對原數(shù)據(jù)的擬合程度非常不錯。

（5）專任教師數(shù)量預(yù)測

1）原始數(shù)據(jù)檢驗以及準指數(shù)規(guī)律檢驗

將期數(shù)為10的原始數(shù)據(jù)分為訓(xùn)練組和試驗組，作出高等學(xué)校專任教師數(shù)量原始數(shù)據(jù)的時間序列圖，初步分析原始數(shù)據(jù)呈曲線遞增趨勢，原始數(shù)據(jù)中無負數(shù)，見圖13。

圖13 高等學(xué)校專任教師數(shù)量時間序列

通過運算得出，高等學(xué)校專任教師數(shù)量的光滑比小于0.5的數(shù)據(jù)占比大于60%；除去2009年與2010年的數(shù)據(jù)后，光滑比小于0.5的數(shù)據(jù)占比大于90%。所以2009年-2018年高等學(xué)校專任教師數(shù)量數(shù)據(jù)通過準指數(shù)規(guī)律檢驗。

2）試驗組數(shù)據(jù)預(yù)測。傳統(tǒng)GM(1，1)模型對于試驗組預(yù)測的誤差平方和為0.61168；新信息GM(1，1)模型對于試驗組預(yù)測的誤差平方和為0.60656；新陳代謝GM(1，1)模型對于試驗組預(yù)測的誤差平方和為0.50622。因為新陳代謝GM(1，1)模型的誤差平方和最小，所以應(yīng)該選擇其進行預(yù)測，見圖14。

圖14 高等學(xué)校專任教師數(shù)量試驗組真實數(shù)據(jù)與預(yù)測結(jié)果

3）灰色模型建立與預(yù)測效果。選擇新陳代謝GM(1，1)模型進行預(yù)測，往后預(yù)測7期得到2019-2025年高等學(xué)校專任教師數(shù)量預(yù)測結(jié)果，見圖15。

圖15 高等學(xué)校專任教師數(shù)量預(yù)測數(shù)據(jù)效果

4）相對殘差和級比偏差檢驗。使用相對殘差和級比偏差檢驗新陳代謝GM(1，1)模型對2009年-2018年的高等學(xué)校專任教師數(shù)量原始數(shù)據(jù)的擬合程度得出，平均相對殘差為0.010577，殘差檢驗的結(jié)果表明該模型對原數(shù)據(jù)的擬合程度非常不錯；平均級比偏差為0.0096204，級比偏差檢驗的結(jié)果表明：該模型對原數(shù)據(jù)的擬合程度非常不錯。

3.預(yù)測結(jié)果

通過建立廣東省高等教育灰色預(yù)測模型，實證研究得出廣東省在適度發(fā)展高等教育的基礎(chǔ)上，預(yù)測到2025年，我省高等學(xué)校約為176所，增量為19.42，增速為12.42%，如果廣東省以此為發(fā)展目標，則到2025年，我省在校生人數(shù)預(yù)計達到252萬人，增量為42.42，增速為20.20%；專任教師數(shù)預(yù)計達到14萬人，增量為2.65，增速為23.38%；招生人數(shù)預(yù)計不低于71萬人，增量為9.56，增速為15.51%；畢業(yè)生人數(shù)預(yù)計不低于76萬人，增量為18.95，增速為33.21%，詳見表7。

根據(jù)表7所示的2019-2025年高等教育規(guī)模預(yù)測數(shù)據(jù)，說明未來5年，特別是“十四五”時期，廣東省高等教育規(guī)模將會快速擴大。分析預(yù)測數(shù)據(jù)可以得出：一是畢業(yè)生數(shù)增速上升最為明顯；二是在校生數(shù)增量最為顯著，“十四五”后期呈現(xiàn)快速增長趨勢；三是專任教師數(shù)增量最為緩慢。

表7 2019-2025年廣東省高等教育規(guī)模預(yù)測值

四、結(jié)論

本研究依據(jù)廣東省高等教育規(guī)模預(yù)測結(jié)果明確了廣東省高等教育2020年—2025年的發(fā)展規(guī)模，現(xiàn)從國家、地方、高校的角度就廣東省高等教育規(guī)模變化的影響進行分析，共同探討廣東省高等教育規(guī)模發(fā)展對策。

1.優(yōu)化高等教育財政經(jīng)費投入結(jié)構(gòu)

2018年，廣東省一般公共預(yù)算教育經(jīng)費占一般公共預(yù)算支出的比例為17.83%，較上年度上升了1.06個百分點，在全國排第6位［8］。并且，通過分析廣東省高等教育規(guī)模GM(1，1)模型得出，2020年—2025年廣東省高等教育規(guī)模擴大后，國家財政投入、高校教育經(jīng)費投入以及教育質(zhì)量保障將面臨巨大挑戰(zhàn)。當前由于出現(xiàn)了高等教育財政投入較低、通貨膨脹、教職工人數(shù)增加、人工成本上升、辦學(xué)基礎(chǔ)設(shè)施升級換代等情況，導(dǎo)致了某些高校依賴較大的學(xué)生規(guī)模來籌集辦學(xué)經(jīng)費。另外，在“重點發(fā)展一批高水平大學(xué)”的思想指導(dǎo)下，“985工程”“211工程”“雙一流”等高校獲得的財政投入占比較高，相應(yīng)地壓縮了其它高校的財政投入。

因此，在規(guī)劃高等教育規(guī)模時，可根據(jù)國情、省情并結(jié)合高等教育實際，在確保財政撥款為主的前提下，逐步放開非財政性教育經(jīng)費來源和渠道，引入民間資本投入到教育經(jīng)費中，擴大民間資本進入高等教育的渠道。這樣，不僅緩解政府對教育經(jīng)費的壓力，還可以促使社會和公眾更加關(guān)心和理解教育事業(yè)。例如，鼓勵高校與企業(yè)合作辦學(xué)，通過企業(yè)對高校人力、物力、財力的資助，大大提高高校的教學(xué)質(zhì)量，促使其培養(yǎng)出更加符合社會需求的優(yōu)秀人才。同時，高校與企業(yè)合作辦學(xué)的模式，可以促進企業(yè)走進教育領(lǐng)域，培養(yǎng)適合企業(yè)當前需要和未來發(fā)展的應(yīng)用型人才，達到高校與企業(yè)雙贏的目的。

2.精準定位實現(xiàn)高等教育內(nèi)涵提升

2017年，廣東省在校生人數(shù)占全國比重的6.99%，居全國第三位，僅次于山東省、河南??；當年廣東省普通本專科招生人數(shù)占全國的7.33%，達到全國第二位，僅次于河南?。?］。并且，通過分析廣東省高等教育規(guī)模GM(1，1)模型得出，2020年—2025年廣東省高等教育規(guī)模將會快速擴大。但是，經(jīng)過高等教育大擴招，高等教育發(fā)展的重點與亮點不再是擴大規(guī)模，而是需要深刻思考與解決過度發(fā)展伴生的系列問題，如生源素質(zhì)下降、教育管理難度增大、教育資源緊缺、教學(xué)質(zhì)量降低、學(xué)生就業(yè)向低層次發(fā)展等，即所謂的“高教貶值”“人才貶值”等問題。因此，這一階段需要集中力量提高教育質(zhì)量，推動內(nèi)涵式發(fā)展。

同時，廣東省的高等教育規(guī)模規(guī)劃，應(yīng)與國家總體規(guī)劃、廣東省高等教育政策以及廣東省經(jīng)濟社會文化發(fā)展需要等方向一致。具體來說，廣東省應(yīng)以教育現(xiàn)代化為主線，把握教育改革的歷史方位，謀劃“十四五”新任務(wù)新布局，助力推進“一核一帶一區(qū)”區(qū)域發(fā)展新格局的構(gòu)建。一方面廣東省政府要進一步明確高等教育目標和發(fā)展方向，實行適度規(guī)模擴展；另一方面，要求各類高校持續(xù)改善辦學(xué)條件，加大優(yōu)質(zhì)師資投入，優(yōu)化配置資源要素，重視人才培養(yǎng)質(zhì)量。

3.調(diào)整高等教育層次結(jié)構(gòu)，緩解就業(yè)壓力

通過分析廣東省高等教育規(guī)模GM(1，1)模型得出，2020年—2025年廣東省高等教育畢業(yè)生數(shù)量與在校生數(shù)量均有明顯提升。由于不同類型的高等學(xué)校其職能的側(cè)重點不同以及人才培養(yǎng)質(zhì)量的體現(xiàn)具有滯后性，當經(jīng)濟社會發(fā)生變化時，各類高校能否及時調(diào)整規(guī)模結(jié)構(gòu)以及能否有效推進畢業(yè)生就業(yè)意義重大。2015年，廣東省根據(jù)《教育部、國家發(fā)展改革委、財政部關(guān)于引導(dǎo)部分地方普通本科高校向應(yīng)用型轉(zhuǎn)變的指導(dǎo)意見》（教發(fā)〔2015〕7號）文件，遴選出14所高校為廣東省普通本科轉(zhuǎn)型試點高校，旨在引導(dǎo)我省部分普通本科高校向應(yīng)用型轉(zhuǎn)變，降低研究型大學(xué)在高校中的比例，調(diào)整高等教育層次結(jié)構(gòu)，緩解高校畢業(yè)生的就業(yè)壓力［10］。為了進一步優(yōu)化高等教育結(jié)構(gòu)，廣東省各類高校要轉(zhuǎn)變辦學(xué)觀點，合理定位、錯位發(fā)展、辦出特色，主動融入廣東省的產(chǎn)業(yè)轉(zhuǎn)型升級，提高廣東省高等教育服務(wù)創(chuàng)新驅(qū)動發(fā)展戰(zhàn)略與區(qū)域經(jīng)濟社會發(fā)展的能力和水平。