区块链技术、教育资源差异与经济高质量发展——基于我国高等教育资源配置状况的实证分析

刘湖等陕西师范大学学报哲学社会科学版 2021-09-10

音乐·拾间

作者简介：刘湖，男，陕西榆林人，经济学博士，陕西师范大学国际商学院副教授。

基金项目：国家社会科学基金后期资助项目“中国教育消费研究”（17FJY004）

原文载于《陕西师范大学学报（哲社版）》2020年第1期“经济学研究”

本文作者：刘湖，于跃，蒋万胜

摘要：运用Kernel密度估计法与DEA评价模型分析中国教育资源的配置与失衡，实证结果表明：教育资源在数量与质量上均存在较大差异。运用系统动力学原理分析，可以发现：区块链技术通过正反馈效应缩小资源配置的差异，并通过交易、保护等机制实现教育资源的共享。运用新古典增长理论分析，可以发现“区块链＋教育”既提高了生产要素的投入与配置水平，又提高了全要素生产率，促进了经济增长方式的改变，成为推进经济高质量发展的重要力量。为了实现“区块链＋教育”驱动经济高质量的发展，采取加强区块链基础建设、推动区块链与教育融合，实现教育共建共享等政策。

关键词：区块链技术；经济高质量发展；教育均衡发展；教育信息化；系统动力学

一、引言

改革开放40多年来，经济发展实现了由规模与数量扩张向效益与质量提升的转变。具体而言，经济增长动力由投资出口主导转为创新驱动，生产方式由依靠要素投入数量的粗放式发展转为依靠生产要素质量的集约型发展，由投资、消费和出口拉动经济数量的增长转为全要素生产率带动的经济质量的提高。与此同时，经济高质量发展是更加平衡更加充分的发展，也是满足人民日益增长的美好生活需要的必由之路，其不仅是创新型增长，更是内涵式增长，从宏观增长动力到微观生产要素的转变深刻体现了创新、协调、绿色、开放、共享的五大新发展理念。一方面，创新是高质量发展的第一动力，是促进产业升级、优化发展方式、实现新旧动能转换的前提；另一方面，高质量发展需要全社会资源配置效率的提高，其亦是缩小地区差异、协调经济社会发展的重要保障。

2019年10月，习近平在主持中央政治局第十八次集体学习时强调，要加快推动区块链技术和产业创新发展，积极推进区块链和经济社会融合发展。与此同时，他指出：要探索“区块链＋”在民生领域的运用，推动区块链在教育、养老、精准脱贫、医疗健康等领域的发展，为人民群众提供更便捷、更智能、更优质的公共服务。随着中国特色社会主义进入新时代，经济已由高速增长阶段转向高质量发展阶段，教育信息化建设也迎来转型升级，如何实现教育资源数字化，促进教育资源的共享以及驱动经济持续发展成为社会关注的焦点。众所周知，高校经费资源的投入在推动产业结构升级，促进社会经济发展融合上具有重要意义。然而，中国高等教育规模的扩张导致教育资源配置失衡问题愈发突出。以科研经费为例，排名靠前高校的投入是落后高校的近20倍，经费显著差异的背后是资源配置的不公，尤其是当研究表明这种资源的垄断并没有带来产出效率的增加时，更应注重资源的公平配置。由此看来，教育共建共享势在必行。科学技术是推动经济高质量发展的重要力量。2018年4月，教育部在《教育信息化2.0行动计划》中提出实施“教育大资源共享计划”，旨在打破共享壁垒，促进教育资源的开放汇聚，为学生提供充足的学习资源。在此背景下，区块链的应用为实现教育资源的共建共享提供了技术支持。随着中国特色社会主义进入新时代，经济发展也进入了新时代，其基本特征就是中国经济已由高速增长阶段转向高质量发展阶段。经济高质量的发展需要生产方式的转变，人力资本需求空前凸显。人才培养，教育先行，教育资源的数量与质量对人力资本的积累具有重要意义。

二、相关研究回顾

从本质上看，区块链是具有去中心化特性的分布式数据库技术，属于应用在独立验证来自密码摘要的散列值中人工制品的所有权链。从作为第一个主流区块链的比特币诞生以来，学术界就对区块链技术的研究不断拓宽，在基础性研究方面，刘明达等设计了一种基于区块链的分布式可信网络连接架构，以解决信任关系从终端扩展到网络的关键问题；刘海等提出了基于区块链的分布式K匿名位置的隐私保护方案。

与此同时，区块链技术的主体去中心化、机制高效化、过程安全化等优点引起了物流、财务等领域专家学者的广泛讨论。宋立丰等基于区块链技术与网络特点，分析了共享经济和商品经济之间的冲突、互动和转化关系；万国华、孙婷在现有的法律法规框架内，以区块链技术为基础，建立了加密证券交易试点系统，对防范和控制金融风险具有借鉴意义；邓建鹏、李雪宁认为区块链在金融领域监管沙盒测试中占据重要的地位；邓爱民、李云凤探讨了区块链的智能合约技术在供应链保理业务中的应用，通过博弈理论突出了区块链技术对于主体方决策行为的优化作用。在教育领域，许涛从区块链技术教学、区块链技术教学平台建设和区块链技术校园传播3个视角论述了“区块链＋教育”的应用价值；金义富从教育资源建设、教学过程评价和教育投入产出等方面探究了区块链的需求问题，基于云计算技术与大数据设计了“区块链＋教育”的体系框架。

当下，经济转向高质量发展阶段，教育必须基于与经济的生态网络关系主动因应，然而教育公平问题一直受到社会各界的广泛关注，资源配置的差异制约着经济增长的数量与质量。在教育资源方面，杜鹏、顾昕总结了中国高校生均经费存在“不均衡”“增长慢”和“低水平”的特征，认为高等教育经费支出分布呈现“东高西低，中部塌陷”的格局，而且经费水平的校际间差异要大于省际间差异；刘华军、张权则认为中国高等教育资源配置失衡问题主要体现在地区差异上，并利用Moran’s（莫兰）I指数说明了教育资源分布具有正向空间相关性。此外，教育资源差异受到诸多因素影响，罗建平分别探究了影响不同经济水平省份经费资源投入的关键因素，认为产业结构显著制约着发达省份的经费支出。教育资源的共建共享是推动发展创新的重要力量，大量国外研究证实了经费配置对高校技术转让活动存在正向促进作用。同时，国内研究分别实证探究了企业与政府的经费投入比例对高校技术转让活动的影响。

创新是引领经济高质量发展的第一动力，而人力资本的积累与配置效率是影响创新的重要因素，其中教育发挥了不可替代的作用。经济增长动力的探究一直以来都是经济学领域的重要内容，以索洛（Solo）模型为代表的新古典经济增长理论认为资本要素的积累、劳动要素的投入和技术进步共同作用了经济增长，并且强调了技术进步是增长的主要动力。在此基础上，贝克尔（Becker）和舒尔茨（Schultz）强调人力资本积累的数量与质量才是经济增长的不竭动力。随着人口红利的消失，生产要素结构发生改变，经济高质量发展对人力资本提出了更高的要求。只有依托人力资本才能为中国带来新一轮经济发展。然而，增加人力资本的“量”、提高人力资本的“质”关键在教育。一方面，教育资源的数量差异将影响人力资本积累存量，进而影响知识创新能力，其通过改变技术进步率影响经济增长率；另一方面，教育资源的质量差异是影响人力资本结构的关键因素，通过促进产业结构升级与缩小城乡收入差距，从而推动经济的高质量发展。在新旧动能转换的关键阶段，中国经济发展尚存在创新能力不足、城镇化水平较低等问题，人力资本存量与结构制约着经济高质量发展，教育资源配置在数量与质量上的差异有待进一步地探究。

实际上，技术创新动能加速了经济增长的创造性破坏过程，区块链作为第4次科技革命的代表已成为创新驱动经济发展的重要力量。人力资本始终是实现技术转型升级的基础，经济的高质量发展也始终以高水平的人力资本积累为前提，而教育资源的配置差异将显著影响人力资本积累的存量与结构。因此，本文将从教育资源配置差异视角出发，探究“区块链＋教育”驱动中国经济高质量发展的机制。

三、教育资源数量和质量的度量方法

区块链作为前沿信息技术之一，将在优化教育资源配置方面发挥重要作用。对教育资源数量与质量的分析也是探索区块链技术促进教育资源共享、实现经济高质量发展的基础。本文将从教育资源数量与质量方面入手，对资源配置的差异进行检验，下面首先探讨拟使用的度量方法。

（一）教育资源数量差异度量

１．Kernel密度估计。参数方法和非参数方法是处理函数估计问题通用的两种方法，非参数方法基于数据结构推测回归曲面，无需预先设定函数的具体形式，比参数方法更加灵活。其中Kernel（核）密度估计是研究分布不平衡的一种重要的非参数估计方法，由普拉凯特（Placket）、西尔弗曼（Silverman）在核函数的研究基础上进一步发展而来，用于对随机变量的概率密度进行估计，通过连续的密度曲线表示随机变量的分布形态，图像的位置变化、形态变化以及延展性（左右拖尾）变化表示分布的差距大小的变化和极化现象。

ｆ（ｘ）为随机变量Ｘ的密度函数，式（1）表示在点ｘ的概率密度，在式（1）中，核函数用Ｋ表示，Ｘ_ｉ为独立同分布的观测值，ｘ为平均值，Ｎ是观测值的个数，ｈ为带宽，带宽的选择决定着Kernel密度估计能否得到一个最优的拟合结果，一般来说，带宽越大（小），密度函数曲线越平滑（不平滑），样本越少，带宽应该越大。

Kernel密度估计根据核函数不同的选择而具有不同的表达形式，核函数主要有三角核、四次核、高斯核和叶帕涅奇尼科夫（Epanechnikov）核等几种形式。本文对高校教育资源投入的Kernel密度估计选择高斯核函数形式，具体表达式如（２）所示。

２．极化指数方法。在埃斯特班（Esteban）和雷（Ray）定义的疏远函数、认同函数的基础上，本文构造了衡量教育资源配置极化程度的ER指数，以此说明其资源投入的极化现象，表达式如（３）所示。其中，Ｋ＞０，起标准化作用，根据数据要求的不同而取不同的数值；α在［０，１．６］之间取任意值，反映极化敏感程度，α的数值越小（大），ＥＲ指数的测度效果偏差就越小（大）。具体来说，v_ｉ、v_ｊ分别表示第ｉ组、第ｊ组高校数量占总体的比例；μ_ｉ、μ_ｊ分别表示第ｉ组、第ｊ组生均经费值。

由于ER指数需满足子群内成员具有完全一致的认同感的假设条件，存在一定的局限性，埃斯特班、格兰丁（Grandin）等对ER指数进行了改进，得到的EGR指数表达式如（4）所示，其中，ｋ和α的意义与取值范围与ＥＲ指数一致；β＞０，是衡量组内聚合程度的敏感性参数，

β的取值根据数据的要求而取不同的数值；G1表示总体的基尼系数，G2表示生均经费投入的组间差异，式（４）说明越小的组内差异和越大的组间差异都会使得ＥＧＲ指数的数值变大，从而极化程度增高。

在EGR指数的基础上，拉索（Lasso）和乌鲁蒂亚（Urrutia）提出了LU指数，解决了EGR指数对于子群收入范围重叠情况下敏感性不足的问题，本文构造的LU指数的表达式如（5）所示。其中，Ｇ_ｉ表示第ｉ组高校的基尼系数，α、β和ｋ的意义与取值范围与EGR指数一致。

本文对教育资源配置的极化问题探究借鉴了洪兴建等人提出的齐次性原则，即不同单位生均经费投入同比增减时单位间的非均衡状态不发生改变。从而将参数设定为：ER指数、EGR指数和LU指数中Ｋ＝１／（２μ），μ为所有样本生均经费的平均值；同时，按照研究的惯例，α取1.5，ＬＵ指数中β取0.5，EGR指数中β取0.1；由于参数不影响测度指数的变动趋势，因而其他参数下的探究本文不加以论述。

（二）教育资源质量差异的度量

１.DEA模型。DEA是一个线性规划模型，表示产出对投入的比率，是由美国著名的运筹学家亚伯拉罕·查恩斯和威廉·威格·库珀等人在1978年提出的一种用于评价投入产出效率的非参数统计估计方法，教育配置质量的研究涉及多种资源的投入与产出。与参数方法相比较而言，ＤＥＡ模型既满足“多元最优原则”，而且对决策单元的函数形式约束较低，不要求统一的函数形式。在规模报酬不变（CRS）的假设下，DEA中CCR模型可以计算出总体的综合效率；在规模报酬可变（VRS）的假设下，DEA中BCC模型可以计算出教育资源配置的规模效率和技术效率。此外，DEA模型分为产出导向与投入导向，在规模报酬可变的假设下，两种导向估计的效率值不同，在规模报酬不变的假设下，两种导向估计的效率值相同。结合CCR模型与BCC模型，并考虑到各重点地区能够根据政策形势、经济发展等情况调整教育资源的投入，故选择以投入为导向，对重点地区教育资源配置质量差异作出说明。

在以投入为导向的DEA-CCR模型中，表达形式如式（６）所示，Ｘ_ｉ＝（ｘ_１ｉ，…，ｘ_ｍｉ）Ｔ，Ｙ_ｉ＝（ｙ_１ｉ，…，ｙ_ｍｉ）Ｔ，ｘ_ｍｉ是第ｉ个决策单元的第ｍ项投入，ｙ_ｍｉ是第ｉ个决策单元的第ｍ项产出，s^-_j和s⁺_r分别代表投入冗余值、产出冗余值。当决策单元DEA有效时绩效最高，即资源配置效率达到最优，即θ＝１而且s^-_j＝０，s⁺_r＝０；倘若只有θ＝１，那么决策单元为DEA弱有效，即资源配置未达到最优状态，如表达式（7）所示。

DEA-BCC模型在CCR模型的基础上增加了凸性假设，即，表达形式如（7）所示，式中变量符号含义与式（6）相同。结合BCC模型与CCR模型即可求出决策单元的综合效率、技术效率和规模效率。

本文投入指标包括人力资源因素、物力资源因素和财力资源因素。其中，高等院校教学与科研人员数、年末固定资产值、生均经费分别作为人力、物力和财力资源因素。产出指标包括：人才培养的数量和科研成果的数量。其中，人才培养数量选取高等院校的毕业生人数表示，科研成果数量又包括：高等院校的专利授权数量，高等院校的著作和学术论文数量。

另外，在数量差异方面的研究对象选取入选“双一流”建设名单的高校，名单来源于教育部《关于公布世界一流大学和一流学科建设高校及建设学科名单的通知》。基于数据合理性和可得性原则，教育经费、教学科研人员数量等数据均来源于2008—2017年《高等学校科技统计资料汇编》与《中国教育经费统计年鉴》、2011—2016年度的《中国教育统计年鉴》。所有涉及到货币价值的指标数值，均按GDP平减指数进行统一的平减。

四、中国教育资源数量和质量差异实证分析

人力资本积累的存量与结构是推动经济高质量发展的重要力量，而教育资源配置上的差异已成为影响人力资本积累的关键，其配置差异主要体现在数量与质量方面。

（一）教育资源数量差异

为说明教育资源配置差异的动态变化，本文利用2007—2016年“双一流”高校生均经费数据，通过EViews7.2软件估计出不同类别高校的Kernel密度曲线，并选取其中2007年、2011年和2016年作为考察年份。图中纵轴表示对应的Kernel密度值，为反映高校经费投入的相对变化，横轴表示总体均值的倍数，取值为１代表样本高校生均经费等于总体平均水平（见图１）。图１从左到右依次为综合类高校间、理工类高校间以及农林类高校间经费差异的Ｋｅｒｎｅｌ密度估计。

首先，综合类高校的分布动态呈现出以下3个特征（见图１-a）：第一，在样本考察期内，Kernel密度曲线整体向右移动，说明其整体教育资源投入水平相对提高；第二，Kernel密度曲线右拖尾先拉长后缩短，波峰高度上升，波峰宽度减小，反映出教育资源在整体上的配置差异缩小，且其极差呈先增大后减小的态势；第三，从2007年到2016年，Kernel密度曲线由微弱的双峰趋势演变成清晰的单峰形态，说明教育资源在综合类高校之间的配置逐渐均衡，极化现象逐渐减弱至消失。

其次，理工类高校的分布动态呈现出以下3个特征（见图１-b）：第一，Kernel密度曲线中心先向右移动、后整体位置保持稳定，说明相对于总体水平，教育资源在理工类高校之间的投入先增加后保持平稳；第二，在样本考察期内，Kernel密度曲线主波峰高度大幅度上升，主波峰宽度逐渐缩小，Kernel密度曲线右拖尾缩短，说明教育资源在高投入段集中程度增大，但是极差在缩小；第三，Kernel密度曲线逐渐演变成明显的双峰形态，说明教育资源在理工类高校之间的配置失衡，极化程度增加。

最后，农林类高校的分布动态呈现出以下3个特征（见图１-c）：第一，在样本考察期内，教育资源低投入段的Kernel密度曲线向左移动，高投入段的Kernel密度曲线向右移动，右拖尾逐渐扩大，说明教育资源在其整体上的投入差距有逐渐增大的趋势；第二，Kernel密度曲线主波峰高度上升，主波峰宽度减小，说明教育资源在低投入段集中程度增加；第三，Kernel密度曲线表现出由双峰形态向清晰的多峰形态发展的趋势，说明教育资源在农林类高校之间的配置失衡，极化现象明显，且逐渐多极分化态势。

２．教育资源失衡测度与解释。为进一步探究教育资源配置的差异状况，按照原有分组方式，得到衡量极化程度的ER指数、EGR指数和LU指数，相关数值如表1所示，并将2007年作为基期年份，取其极化指数数值为100。同时，图2直观地描述了极化程度的变动趋势。

结合表1、图2可以看出，各极化指数虽在部分时期有所起伏，但整体仍呈下降趋势，以2007年为基期，教育资源配置的ER指数、EGR指数和LU指数年均分别下降2.49%、2.50%和1.95%，由于以上3种指数对极化程度更加敏感，可以得到相同类别高校间的同质性增强、聚合程度上升的同时，不同类别高校间的异质性在降低、组间的对抗程度在下降。不同类别高校间的资源配置差异逐渐缩小，水平界限愈发不明显，不同类别高校间差异的下降程度大于相同类别高校间同质化的上升程度，从而造成了３种极化指数出现下降的趋势。

（二）教育资源质量差异

以“一带一路”国内建设重点地区为例，利用DEAP2.1软件测算出不同地区的教育绩效，以此说明教育资源配置的质量差异。DEA模型的评价结果包括3个部分：综合效率（Crste）、技术效率（Vrste）、规模效率（Scale）和规模报酬（Rts）。究其内涵，技术效率表示要素配置效率，即给定的投入水平下所能达到的最大产出能力，在一定程度上，数值越接近1，说明该效率越高；规模效率越接近1，说明教育资源规模越合理、集聚效应越好。综合效率是规模效率与技术效率的乘积，若数值等于１，说明该地区教育资源配置质量较高，即DEA有效；若数值小于１，则说明该地区教育资源配置质量较低，即DEA无效。具体结果如表2所示

由表2可见：（1）教育资源配置质量不高，且地区间差异显著。2011年“一带”国内地区综合效率为0.944，即只是最优水平的94.4%，由于地区整体技术效率的显著提升，2016年综合效率增长至0.961，达到了最优水平的96.1%；2011年“一路”国内地区综合效率为0.992，2016年其效率值有所下降，低至最优水平的96.3%。由于“一路”国内地区是沿海发达省份，教育资源丰富，教育信息化建设水平相对较高，基础设施较西部地区更为完善，导致“一路”国内地区的配置质量水平比大多数“一带”国内地区要高，差距在0.011—0.197之间。（2）从教育资源配置的有效性上来看，资源的集聚效应起到了重要作用。2011年DEA有效的“一带”国内地区有5个，分别是陕西、甘肃、辽宁、青海与广西；“一路”国内地区有4个，分别是上海、福建、广东以及浙江，规模效率是影响资源配置水平的关键因素。（3）从规模报酬的角度来看，教育资源的共建共享将极大地提升配置水平，缩小地区间差异。相比于“一路”国内重点地区，“一带”国内地区大多数处于规模报酬递增阶段，即适当加大高教资源投入将会造成更高比例地产出增加。

五、“区块链+教育”驱动经济高质量发展的机制

教育资源数量与质量的差异制约了人力资本积累的存量与结构，阻碍了经济的高质量发展。与此同时，技术进步加速了经济增长的创造性破坏过程，区块链技术依靠去中心化、不可篡改性等特点在众多领域皆有广泛的实践成果，已经成为创新驱动经济发展的重要力量。在教育资源配置上，其既能优化资源数量结构，又能提高要素配置效率。在经济高质量发展阶段，“区块链＋教育”将成为驱动经济高质量发展的新动力。

（一）区块链技术特征

区块链是一种集体维护可靠数据的分布式账簿系统。通俗来讲，在任何时间所有人均能通过相同的技术手段录入自己的信息，以延伸区块链，进而满足各种数据存储的需要。其核心包括哈希加密算法、智能合约、点对点传输等。从诞生到3.0版本，区块链技术已经从一种去中心化的数字支付系统发展成为万物互联的主流底层协议，其技术特点与内涵如表3所示。随着区块链技术应用的不断发展，其也将成为教育信息化建设的有力技术支撑，极大地提高教育资源共享程度，缩小地区间资源配置差异，实现教育公平。

（二）区块链提高教育资源配置效率

区块链技术从数据信息的存储、优化、交易与管理4个方面促进了教育资源的共享，在数量与质量上提高了教育资源的配置效率，这对改善资源配置失衡现象具有重要意义，具体机制如图3所示。区块链提高教育资源配置效率的机制包括4个部分：（1）教育资源优化机制。以共识机制为基础，区块链技术使获得51%以上节点承认的数据信息通过验证并不可篡改地记录在区块链系统中，这就意味着只有取得共识的优质教育资源才能够流通交易，优化机制大大提升了共享资源的质量。（2）教育资源交易机制。基于区块链的分布式存储结构，数据交易可以无需中介以P2P模式直接完成。区块链的去中心化特点保证了人人参与教育资源分享，同时资源拥有者与使用者的点对点交易极大地促进了资源流通，进而降低了交易成本，提高了共享效率。（3）教育资源管理机制。区块链交易能够通过智能合约自动执行，教育资源的上传、验证、共享自动完成，提高了管理的自动化、智能化水平。（4）教育资源保护机制。由于区块链技术具备不可篡改、去中心化与去信任化等特点，使得资源共享者能够将所有权信息录入到区块链。又因为在区块链中，每个区块都具有时间戳，将区块按时间戳记录排序，就能追溯交易信息，从而解决了共享过程中数据权问题，保护了资源的占有、使用与收益等权利，并进一步激励了共享行为。

（三）“区块链＋教育”驱动经济高质量发展

随着计算机仿真技术的发展，以反馈控制理论为基础的系统动力学逐渐成为研究系统发展动态行为的应用学科。其通过因果关系图、流图等构建系统整体框架，进而研究各要素间的关系。区块链作为新型数据库技术，其分布式记账规则、去中心化等特点将在促进教育资源共享方面发挥重要作用，其核心技术之间的关系如图４所示。

一方面，由于教育资源配置存在多个反馈系统，而且各个反馈系统不存在线性数量关系，探究“区块链＋教育”机制的建设不易使用常规方法。因此，基于系统动力学原理能够综合分析社会各项相关因素，更加全面地探究问题。另一方面，系统动力学能够以图形化的方式直观表现复杂问题的结构和特点，这对于分析区块链下资源共享机制具有重要意义。具体来说，本文以系统动力学原理为基础呈现区块链技术应用、教育资源配置与经济发展之间的关系，影响机制如图5所示。其中，经济发展水平为状态变量，用以表示该社会系统的状态；共享资源的增长与减少以流量表示，在该社会系统中用来反映经济发展状态的变化程度；区块链技术的运用和教育资源差异为辅助变量，用以进一步分析区块链技术下教育资源配置差异与经济发展的关系。人口因素（共享观念的普及）、制度因素、心理因素、技术水平与资源水平为常量，假定在研究期间不会发生大幅度变动。

此系统主要包括两个反馈：一个是由区块链技术和经济发展水平构成的正反馈回路。区块链被视为继互联网后又一项推动经济发展的创新技术，随着人们思维观念的转变，再加上计算机等技术的支持将极大地提高区块链的社会普及程度，从而提高资源共享水平，改善教育资源数量与质量上的差异，影响人力资本积累的存量与结构，进而驱动经济实现高质量发展。同时，经济发展也将促使科研水平不断提升，进而推动区块链技术的不断改进升级。然而，上述正反馈回路运行的前提是资源的开放共享。由于教育资源配置差异造成竞争缺失甚至垄断，地区之间、学校之间以及学生之间资源的获取存在较大限制门槛，造成这一前提在现实生活中很难实现，因此，便产生了区块链技术、教育资源差异和经济发展的负反馈回路。经费投入使得资源配置存在数量和质量上的不足，加大了地区差距，阻碍了教育共建共享，导致区块链技术难以大规模普及，制约经济高质量发展。这就需要政府发挥调节作用，进一步调整优化结构提高经费的使用效益，降低负反馈效应。除此之外，制度因素和心理因素也会影响资源的共享开放，受制于安全因素考量，资源尤其是教育资源的开放共享必然是循序渐进的过程。

经济高质量发展必然伴随着经济增长模式的转变，必须由资源高投入、高消耗的粗放型增长转变为全要素生产效率提升的集约型增长，其中人力资本的积累至关重要。因此，以索洛增长模型为基础，“区块链＋教育”驱动经济高质量发展路径包括3种，如图6所示：（1）区块链推动教育共享，促进人力资本积累。教育资源共享既增加了要素投入数量，保证经济持续增长，又提高了要素投入质量，使生产点尽可能靠近生产可能性曲线，进而实现最大化产出。（2）区块链提高资源配置效率。共享改变了资源配置方式，提升了配置效率，进而实现规模报酬递增。（3）技术进步。一方面，区块链技术提高了教育资源的数字化程度，数字化教育资源作为一种新要素加入生产函数支撑经济增长；另一方面，区块链技术本身作为一种技术创新，使生产可能性曲线外移动，推进全要素生产率增加，进而实现经济内涵式发展。

区块链是具有去中心化、点对点交易等特征的分布式数据库技术，其有力地改善了教育资源配置差异，推进了教育信息化建设，实现了教育公平。区块链通过交易机制、管理机制和保护机制等提高了教育资源的配置效率，优化了人力资本积累的数量与结构。基于新古典增长理论，“区块链＋教育”既影响了生产要素的投入与配置，又提高了全要素生产率，实现经济增长方式的改变，成为推进经济高质量发展的重要力量。

六、结论与建议

本文重点探究了“区块链＋教育”对中国经济高质量发展的作用及内在机制。在理论研究上，以新古典增长理论为基础，分析了区块链技术下经济高质量发展的路径，揭示了“区块链＋教育”对人力资本积累的促进作用，全要素生产率的提高是经济发展向质量效益型模式转变的保证。在实证方面，基于系统动力学原理，分析了区块链技术、教育共享与经济发展的关系。并分别利用Kernel密度估计法和DEA评价模型说明了教育资源配置的差异特征，结果表明：教育资源投入在数量上存在极化现象，绩效水平不高且地区差异显著，规模效率是制约质量提升的关键因素。而后通过系统流图说明区块链下教育共享的正负反馈机制，其可以缩小资源配置差异，实现经济高质量发展。尤其是，政府需要发挥资源调节作用以降低教育资源配置差异所导致负反馈效应。以上结论为实现“区块链＋教育”驱动经济高质量发展奠定了理论与实践基础。政府可以采取具体政策措施：

加强区块链基础条件建设，促进“区块链＋”应用发展。区块链作为一种新技术，无论在新兴互联网产业还是在传统实体产业中都起到至关重要的作用，其决定着经济发展的数量与质量。一方面，随着5G时代的到来，要加快区块链技术所依赖的各种互联网基础设施的建设投入，尤其是推进区块链与大数据技术的融合，保障共享经济高质量发展；另一方面，需要加强软实力建设，加大人才培养力度，鼓励科研单位交流合作，打造优势互补、资源共享的管理体系。

推动区块链与教育融合，实现教育共建共享。区块链技术与实体经济融合的广度与深度还有很大的提升空间，特别是在教育领域，几何式增长的数据资源并未得到有效的利用，垄断现象尚未改善，共享壁垒依存在。一方面，要搭建区块链行业与教育行业的交流平台，激发资源共享主体的内生动力，充分发挥区块链网络化、自动化和智能化的优势；另一方面，要出台相关政策，满足区块链与实体经济融合过程中的需求。

第三，完善监管体系建设，保障经济高质量发展。传统经济时代监管三大法宝——立法、设机构、筑门槛不一定适用于“区块链＋”经济。发展“区块链＋”经济，既要创新监管理念又要统一监管尺度，既需强化数据信息管理又得避免这种管理成为区块链与实体经济融合的阻碍。

“区块链＋教育”是引领经济高质量发展的动力，在教育信息化建设进程中，发挥区块链在共建共享机制上的作用，既需要提高区块链技术的管理与运用水平，以人工智能、物联网等革新技术为基础，增强实体经济与区块链的融合水平，缩小区域差异，促进新旧动能接续转换；又需要加快推动区块链技术和产业创新发展，优化人力资本的结构，完善相关法律法规，为经济高质量发展提供有力保障。

部分参考文献

把区块链作为核心技术自主创新重要突破口加快推动区块链技术和产业创新发展［Ｎ］．人民日报，2019-－10－26（1）．

林兆木．关于我国经济高质量发展的几点认识［Ｎ］．人民日报，2018－01－17（7）．

张亮，李楚翘．区块链经济研究进展［Ｊ］．经济学动态，2019（4）．

林木西，张紫薇．“区块链＋生产”推动企业绿色生产———对政府之手的新思考［Ｊ］．经济学动态，2019（5）．

刘明达，拾以娟，陈左宁．基于区块链的分布式可信网络连接架构［Ｊ］．软件学报，2019，30（8）．

刘海，李兴华，雒彬，等．基于区块链的分布式Ｋ匿名位置隐私保护方案［Ｊ］．计算机学报，2019，42（5）．

汪传雷，万一荻，秦琴，等．基于区块链的供应链物流信息生态圈模型［Ｊ］．情报理论与实践，2017，40（7）．

朱建明，郝奕博，宋彪．基于区块链的财务共享模式及其效益分析［Ｊ］．经济问题，2019（10）．

宋立丰，宋远方，国潇丹．基于数据权的现实与虚拟闲置资产共享———区块链视角下的共享经济发展研究［Ｊ］．经济学家，2019（8）．

万国华，孙婷．“区块链＋证券”的理想、现实与监管对策研究［Ｊ］．上海金融，2017（6）．

邓建鹏，李雪宁．监管沙盒的国际实践及其启示［Ｊ］．陕西师范大学学报：哲学社会科学版，2019（5）．