跳转到正文

方法与数据说明

概览

全球教育未来准备度指数(GEFRI)使用公开且具有国际可比性的数据,衡量各国的教育未来准备程度。本页从政策应用角度介绍指标选择、缺失值填补与评分方法。指标、维度和评分引擎的详细说明见技术附录(英文)。

GEFRI 的计算流程

  1. 每月使用最新可用指标更新当前数据集。每年 7 月 15 日重新计算当前报告年度和此前四年,以一致地纳入世界银行修订或补录的观测值。
  2. 清洗并验证数据,标记人口少于 30 万的微型国家,避免其影响参考统计量。
  3. 按以下顺序填补缺失值:同地区且同收入组、同地区、同收入组、全球。所有参考组均排除微型国家。
  4. 对各指标采用相应的准备度变换。多数指标根据非微型国家的观测值进行滚动最小–最大归一化。人力资本维度对教育支出、识字率、中等教育参与和高等教育参与采用固定变换。
  5. 计算各维度得分并进行合理性检验,包括适用于脆弱和受冲突影响情境的保障措施。
  6. 根据直接观测的指标比例评定置信等级,按规则进行扣减。人力资本按证据质量调整各指标,只有当来自该国自身观测的指标不超过一项时才作额外调整。
  7. 对各维度的最终得分取平均,得出 GEFRI 综合得分。

具体 Python 实现见技术附录(英文)。

数据来源

指标类别

GEFRI 使用来自世界银行和联合国教科文组织的指标来衡量五个准备度维度。包含指标代码和变换方法的完整目录见技术附录(英文)。

  • 基础设施:支持数字化与混合式学习所需的电力和网络连接。
  • 人力资本:教育投入、识字率及各人生阶段的教育参与情况。
  • 入学机会与性别平等:通过入学、学业完成和性别平等指标识别仍被排除在教育之外的人群。
  • 创新:研发支出、研究强度和技术出口,反映开发和推广新方案的能力。
  • 治理:全球治理指标,涵盖政府效能、监管质量、腐败控制以及公民表达与问责。

所有输入均来自公开数据集。多个机构共同提供某一指标序列时,附录列明各来源。

指标变换与归一化边界

多数指标的边界依据非微型国家观测值的最小值和最大值计算,最多保留 18 个已记录的归一化时期。每月更新时通常按月记录。重建历史数据时,已结束的年度通常用当年 12 月表示,当前年度使用实际运行月份。这样既能减小分数波动,又能保留最小–最大归一化的实证依据。科研产出和高技术出口等指标没有自然上限,全球最大值可能随新观测而提高,使原始值不变的国家获得较低的归一化分数。填补值使用这些边界,但不参与确定边界。历史重建仅使用目标时期及之前已有的归一化时期。人力资本的四项指标改用固定变换。

  • 线性指标:多数指标直接应用最小–最大归一化。观测超出历史范围时,归一化结果限制在 0–1。
  • 对数或衍生指标:安全服务器、每百万人研发人员、科学论文和高技术出口在归一化前使用 log1p,以减小极端值的影响。
  • 移动通信订阅:每百人订阅数从 0 增至 150 时,得分从 0 线性增至 1,之后保持为 1。一人一份订阅可能表明总体供应较广,但个人和地区间的分布仍可能不均。150 是方法设定的饱和点,并非国际电信联盟或世界银行的官方门槛。它兼顾一人多卡和覆盖缺口,并避免极高的订阅密度换取成比例的额外得分。
  • 人力资本:公共教育支出、成人识字率、中等教育和高等教育毛入学率采用固定变换。高等教育毛入学率使用边际收益递减的指数变换,技术饱和点为 120。该值符合毛入学率的统计特性,不代表大学就读率应达到的目标。
  • 每百万人论文数:仅在人口不少于 100 万时计算。较小国家的指标保留为缺失值,创新维度的置信等级随之降低。
  • 公平性指标:失学、学业完成与性别均等指标使用具有固定锚点的线性函数。
  • 随全球前沿变化:科研产出或安全服务器等指标的全球最大值上升时,归一化范围可能扩大,原始值未变的国家也可能获得较低的归一化得分。
代码指标维度
EG.ELC.ACCS.ZS电力可及率(占人口百分比)基础设施
IT.NET.USER.ZS互联网使用者(占人口百分比)基础设施
IT.NET.SECR.P6安全互联网服务器(每百万人)基础设施
IT.CEL.SETS.P2移动通信订阅(每百人)基础设施
SE.XPD.TOTL.GD.ZS公共教育支出(占 GDP 百分比)人力资本
SE.ADT.LITR.ZS成人识字率(15 岁及以上人口百分比)人力资本
SE.SEC.ENRR中等教育毛入学率(%)人力资本
SE.TER.ENRR高等教育毛入学率(%)人力资本
SE.ENR.SECO.FM.ZS中等教育性别平等指数(女生与男生毛入学率之比)学校入学与性别平等
SE.ENR.TERT.FM.ZS高等教育性别平等指数(女性与男性毛入学率之比)学校入学与性别平等
SE.PRM.UNER.ZS小学阶段失学儿童(占小学学龄人口百分比)学校入学与性别平等
SE.SEC.UNER.LO.ZS中学阶段失学青少年(占初中学龄人口百分比)学校入学与性别平等
SE.SEC.CMPT.LO.FE.ZS女生初中完成率(占相应年龄组百分比)学校入学与性别平等
SE.SEC.CMPT.LO.MA.ZS男生初中完成率(占相应年龄组百分比)辅助指标
GB.XPD.RSDV.GD.ZS研发支出(占 GDP 百分比)创新
SP.POP.SCIE.RD.P6研发人员(每百万人)创新
IP.JRN.ARTC.SC科学与技术期刊论文数创新
TX.VAL.TECH.CD高技术出口额(现价美元)创新
SP.POP.TOTL总人口辅助指标
GE.EST政府效能(WGI)治理
RQ.EST监管质量(WGI)治理
CC.EST腐败控制(WGI)治理
VA.EST表达权与问责(WGI)治理

IP.JRN.ARTC.SC 以论文数原值纳入。人口不少于 100 万时,换算为每百万人论文数用于创新评分。总人口和男生初中完成率是辅助输入,用于衍生计算、置信等级与数据展示,不直接计入综合得分。各指标的变换和填补说明见技术附录(英文)。

数据填补与置信等级

国家缺少某项指标时,GEFRI 按以下四步填补:

  1. 同地区且同收入组的平均值。两项分类均已知且合并组观测充分时采用。
  2. 同地区平均值。合并组无可用值时采用。
  3. 同收入组平均值。无可用地区平均值时采用。
  4. 全球平均值。上述数据均不可用时采用。

高收入国家缺少成人识字率数据时,填补为 100%,来源记为 Assumed (high income)。报告值为 100% 的观测仍属原始数据。此假设参考国际常态,其他证据可支持不同判断。

数据表标记原始观测和填补值,并记录每个填补值所用的方法。人口少于 30 万的微型国家不参与填补计算。

各维度的置信等级取决于直接观测、未经填补的指标占比:

  • 高:直接观测覆盖率至少为 90%。
  • 中:直接观测覆盖率达到 70%,但低于 90%。
  • 低:直接观测覆盖率低于 70%。

各国概况列出填补指标、所用方法及置信等级。极少数情况下,若指标不适用于小人口国家,例如人口不足 100 万时的每百万人论文数,相关维度自动归为低置信。

人力资本的四项指标分别按直接观测、较早观测、插值或填补等数据来源及状况赋予权重,再计算调整后得分的平均值。只有当来自该国自身观测的指标不超过一项时,才另乘 0.85。

归一化与评分

  • 最小–最大归一化:多数指标归一化至 0–1,以 0–100 报告。边界依据最多 18 个已记录归一化时期内非微型国家的观测最小值和最大值确定。采用目标年份及此前七年内最新发布的观测值。填补值遵循边界,不改变边界。
  • 极端值处理:指标变换需要时,截断负值或不可能值,最终归一化得分限制在 0–1。公平性子分数采用 10–100 的固定锚点。
  • 对数变换:安全互联网服务器、每百万人研发人员、每百万人科学论文和高技术出口在归一化前应用 log1p。
  • 移动通信订阅:采用每百人 150 份订阅的技术饱和点,超过此值的得分不再增长。导出保留原始值,极端值仍会触发诊断提示。未来可重新评估该饱和点。
  • 人口门槛:每百万人科学论文数仅适用于人口不少于 100 万的国家。低于门槛的国家在创新维度中列为低置信。
  • 维度评分:基础设施、创新和治理采用归一化指标的算术平均值。人力资本将四项固定变换指标按证据质量调整后取平均。入学机会与性别平等将四项核心指标转换为 10–100 分,在特定高收入国家应用合理性检验,取调和平均值,再按规定应用脆弱性上限。
  • 置信等级与扣减:基础设施、创新、治理和入学机会与性别平等按直接观测覆盖率分为低(<70%)、中(70% 至低于 90%)和高(≥90%)。这些维度的低置信得分乘以 0.85。人力资本仍公布置信等级,但不使用这一统一扣减规则,而是对各指标按证据质量加权,并在前述直接观测不足时作额外调整。
  • GEFRI 综合得分:对维度最终得分取平均,并换算至 0–100。

入学机会与性别平等

该维度考察入学、初中学业完成情况和性别差异,同时考虑数据偏差及脆弱性或冲突造成的教育中断。

  • 指标:小学阶段失学儿童、中学阶段失学青少年、女生初中完成率和中等教育性别平等指数。四项均通过线性函数转换为 10–100 分。
  • 合理性调整:对不在 FCS 名单上的高收入国家,若四项中三项得分 ≥80,而一项 ≤40,则以次低值替代最低值。该规则针对职业教育路径未完整纳入统计等已知问题。2025 年 11 月的敏感性测试显示,取消该规则使九个高收入教育体系的该维度得分降低 4–12 分,而在其余排名中的相对位置不变。
  • 置信处理:填补值不单独扣分,但会降低直接观测比例,可能降低置信等级并触发低置信乘数 0.85。
  • 脆弱性上限:世界银行 2025 财年脆弱和受冲突影响情境(FCS)名单上的国家,在其他调整之后,该维度得分最高为 40。敏感性测试中,取消上限会使这些国家的分数提高 8–20 分,但综合排名变动均不超过五位。
  • 透明度:可公开的完整评分代码、公式和计算示例见技术附录(英文)。

设计选择与参数依据

  • 微型国家门槛(人口 <30 万):这些国家的数据序列往往不连续。将其排除可避免波动值扭曲地区和收入组均值。
  • 每百万人论文数的适用门槛(人口 ≥100 万):人口过少会使按人均计算的科研指标不稳定。
  • 公平性置信处理:填补带来的不确定性通过置信阈值和低置信乘数反映,不另行扣分。
  • 人力资本可靠性权重:按指标加权可降低主要依赖填补值或陈旧观测的教育投入及参与度数据对分数的影响。
  • 公平性合理性调整:高收入且不在 FCS 名单上的国家若有三项得分 ≥80、一项 ≤40,以次低值替代最低值,从而减小职业教育路径漏报等已知问题的影响。
  • 置信等级门槛(<70%、70% 至低于 90%、≥90%):区分直接观测覆盖水平较低、部分覆盖及较充分的情况。
  • FCS 上限 40 分:当原始指标无法体现教育服务的结构性中断时,上限有助于避免高估准备度。

世界银行现用“脆弱和受冲突影响情境”(FCS)发布分类。旧代码或文档可能仍沿用 FCV 缩写。

数据局限与使用说明

历史评分使用八年窗口内最新发布的观测值,包括目标年份及此前七年。这避免使用过于陈旧的资料,但较新观测缺失时,部分国家仍只能由较早数据代表。缺失值填补会引入不确定性,尤其是在缺失或陈旧数据较多时。指标发布可能滞后,各国的报告标准也可能不同。创新指标的人口筛选有助于减轻极小样本带来的失真,但无法消除所有小样本问题。

GEFRI 提供自 2016 年起的年度得分。世界银行收到并验证新观测后会更新指标。GEFRI 每年 7 月按由早到晚的顺序重算当前报告年度及此前四年。每个重建年份都会更新下一年使用的归一化边界记录。较晚时期不会影响较早年份的评分,完整边界档案仍保留供日后使用。无自然上限的指标若出现更高的全球最大值,原始值不变的国家也可能获得较低的归一化得分。如需不可变的时间序列,可将原始数据版本与 GEFRI 输出一起存档。

该指数适合作为研究与政策讨论的起点,并结合本地专业知识和背景。仅凭排名难以对单个国家作出定论,置信等级较低时尤其如此。

  • 得分反映参考窗口内发布的观测值,无法衡量近期事件。
  • 填补数据占比较高时,置信等级会降低。

如有意见或发现问题,请联系我们。

更新记录

  • 2026-07-15 — 评分引擎 1.2:入学机会与性别平等采用调和平均值;置信等级以直接观测为依据;边界参考排除微型国家;归一化范围限制在 0–1;移动通信订阅使用固定饱和点;人力资本采用固定变换和指标级证据权重;修正每百万人论文数对创新评分的贡献。按新方法重算自 2016 年起的历史得分。
  • 2026-07-12 — 扩展分析页面和地图浏览器。API 基础端点更新为 /api/v1/gefri。旧的 /api/gefri 至少保留至 2027 年 1 月 1 日以兼容既有客户端。修正历史归一化,避免未来观测影响较早年份,并保留完整边界档案。
  • 2026-06-20 — 每个 ISO 3166-1 三字母代码只保留一个标准国家概况,国家名称仅用于显示,从而消除索马里重复记录。索马里 2026 年得分的实质性变化自 7 月 1 日起出现在已发布数据中。
  • 2025-11-26 — 评分引擎 1.1:引入以历史数据为初值的 18 期滚动记录,减小月度波动;增设历史数据视图并改进界面。
  • 2025-05-27 — 评分引擎 1.0:微型国家不再参与排名和缺失值填补计算,产生新一组得分。对未受冲突影响的高收入国家引入公平性合理性调整。 当三项指标得分很高而一项异常低时,以次低值替代最低值,以减轻职业教育路径未计入统计等问题的影响。
  • 2025-05-16 — 首次公开测试 GEFRI 综合得分与维度得分,并征求公众意见。