大作业报告¶

浅析全球教育水平变化趋势

1 研究动机¶

做了好多年的学生，也经历了初等教育到高等教育的阶段，多多少少对教育问题有所关注。于是想借此次大作业的机会，通过数据分析的方式，简单地探究一下全球教育水平的变化趋势。

本文大致从三个角度展开讨论：国家和政府对教育的投入、学生的学习情况和教育结果的体现，主要论述了不同国家公共教育支出占国内生产总值的比例变化、学生学习时间的变化、文盲率和教育公平改善等话题及其之间的相关性。

2 教育投入¶

2.1 国家公共教育支出占国内生产总值的比例¶

这里讨论的是各级政府用于教育的总支出占国内生产总值的比例。参与分析国家共169个¹，时间跨度为1971年至2023年。

2.1.1 各大洲的平均投入变化趋势¶

Code 1

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
import seaborn as sns

%config InlineBackend.figure_format = "retina"

# Import data
gov_exp = pd.read_csv('data/total-government-expenditure-on-education-gdp/total-government-expenditure-on-education-gdp.csv')

# 截取 Year > 1970 的数据
gov_exp = gov_exp[gov_exp['Year'] > 1970]

country_dict = {
    "Asia": [
        'AFG', 'ARM', 'AZE', 'BHR', 'BGD', 'BTN', 'CHN', 'CYP', 'GEO', 'IND', 'IDN', 'IRN', 'IRQ', 'ISR',
        'JPN', 'JOR', 'KAZ', 'KWT', 'KGZ', 'LAO', 'LBN', 'MAC', 'MDV', 'MYS', 'MNG', 'PAK', 'PSE', 'PHL',
        'QAT', 'SAU', 'SGP', 'SYR', 'TJK', 'THA', 'KOR', 'TUR', 'TKM', 'ARE', 'UZB', 'YEM'
    ],
    "Europe": [
        'ALB', 'AND', 'AUT', 'BGR', 'BIH', 'BLR', 'BEL', 'BLZ', 'HRV', 'CZE', 'DNK', 'EST', 'FIN', 'FRA', 
        'GEO', 'DEU', 'GRC', 'GRD', 'GTM', 'HUN', 'ISL', 'IRL', 'ITA', 'LIE', 'LTU', 'LUX', 'MDA', 'MCO',
        'MKD', 'MNE', 'NLD', 'NOR', 'POL', 'PRT', 'ROU', 'RUS', 'SVK', 'SVN', 'ESP', 'SWE', 'CHE', 'GBR'
    ],
    "Africa": [
        'DZA', 'AGO', 'BEN', 'BWA', 'CAF', 'TCD', 'CMR', 'CPV', 'COD', 'EGY', 'GNQ', 'ERI', 'ETH', 'GAB',
        'GHA', 'GIN', 'GMB', 'KEN', 'LSO', 'LBR', 'LBY', 'MDG', 'MWI', 'MLI', 'MOZ', 'NAM', 'NER', 'NGA',
        'RWA', 'SEN', 'SLE', 'SOM', 'ZAF', 'SSD', 'SDN', 'SUR', 'TGO', 'TUN', 'UGA', 'ZMB', 'ZWE'
    ],
    "America": [
        'ASM', 'ATG', 'BHS', 'BRB', 'BLZ', 'BOL', 'BRA', 'BRN', 'CHL', 'COL', 'COM', 'CUW', 'DOM', 'SLV',
        'GUY', 'HTI', 'HND', 'JAM', 'KIR', 'LCA', 'VCT', 'MEX', 'NIC', 'PAN', 'PRY', 'PER', 'PHL', 'PRT',
        'PRI', 'SUR', 'TTO', 'URY', 'VEN', 'USA', 'CAN', 'VGB'
    ],
    "Oceania": [
        'AUS', 'FJI', 'KIR', 'MHL', 'PLW', 'PNG', 'WSM', 'TUV', 'NRU', 'NZL'
    ],
    "World": [
        'OWID_WRL'
    ]
} # (1)

# 添加 Continent 列
continent_dict = {country: continent for continent, countries in country_dict.items() for country in countries}
gov_exp['Continent'] = gov_exp['Code'].map(continent_dict)

# 各大洲的平均值
plt.figure(figsize=(16, 9))
sns.lineplot(data=gov_exp, x='Year', y='Public spending on education as a share of GDP', hue='Continent', marker='o')
plt.ylabel('Public spending on education as a share of GDP (%)')
plt.xticks(ticks=range(int(gov_exp['Year'].min()), int(gov_exp['Year'].max()) + 1, 2), rotation=45)

该分类字典由 ChatGPT 生成.

fig1

图1. 各大洲的公共教育支出占GDP比例变化趋势

从图中可以看出，各大洲国家的公共教育支出占GDP比例基本稳定在 3% - 5% 之间，没有明显的变化趋势。其中欧洲、美洲和大洋洲略高于平均水平²，非洲和亚洲则略低。然而，由于世界各地的收入（以人均国内生产总值衡量）普遍增长，这意味着全球用于教育的资源总额的绝对值也在增加。

可以注意到，1994年非洲的数据有一个明显的峰值，检查数据时发现是津巴布韦的数据达到了 44.33%，远远高于其他国家。这可能是数据错误，暂时没有找到更多的信息。大洋洲的国家和数据较少，故波动较大，置信区间也较宽。

此外，从2020年起的三年，全球的数据都有明显的下降趋势，可能与新冠疫情有关。

Code 2

# 1994年非洲各国的数据
df = gov_exp[gov_exp['Year'] == 1994]
df = df[df['Continent'] == 'Africa']
df = df.sort_values('Public spending on education as a share of GDP', ascending=False)
df = df[['Entity', 'Public spending on education as a share of GDP']]
df

Entity	Public spending on education as a share of GDP
Zimbabwe	44.33398
Lesotho	7.02543
Tunisia	6.17647
Kenya	5.92402
South Africa	5.29777
Egypt	4.58376
Niger	2.26539
Zambia	1.79352

2.1.2 中国及周边国家的投入情况¶

此部分着眼于中日韩三国的数据。

Code 3

east_asia = gov_exp[gov_exp['Code'].isin(['CHN', 'JPN', 'KOR'])]

# Plot
plt.figure(figsize=(16, 9))
g = sns.lineplot(data=east_asia, x='Year', y='Public spending on education as a share of GDP', hue='Entity', marker='o')
plt.xticks(rotation=45)
plt.ylabel('Public spending on education as a share of GDP (%)')
# 图上添加世界总体趋势折线
sns.lineplot(data=gov_exp[gov_exp['Continent'] == 'World'], x='Year', y='Public spending on education as a share of GDP', color='red', linewidth=2, ax=g, label='World trend')
plt.xticks(ticks=range(int(gov_exp['Year'].min()), int(gov_exp['Year'].max()) + 1, 2), rotation=45)

fig2

图2. 中日韩的公共教育支出占GDP比例变化趋势

中国在21世纪之前在公共教育方面的投入明显偏少，而在2000 - 2010 年间有了很明显的增长，之后基本稳定在 4% 左右，与世界平均水平和大部分发达国家相当。日本在 1990 年代前的教育支出比重较大，之后下降并稳定在 3.5% 左右。韩国的数据波动较大，但自从20世纪末以来一直在增长。

2.1.3 亚洲整体变化趋势¶

Code 4

gov_exp_asia = gov_exp[gov_exp['Continent'] == 'Asia']
plt.figure(figsize=(16, 9))
sns.catplot(data=gov_exp_asia, x='Year', y='Public spending on education as a share of GDP', kind="box", aspect=5, color='skyblue')
plt.ylabel('Public spending on education as a share of GDP (%)')
plt.xticks(rotation=45)

fig3

图3. 亚洲部分国家的公共教育支出占GDP比例变化箱型图

图中给出了亚洲部分国家（40个）的数据箱型图，可以看作各国家公共教育支出的区间估计。由图可以得出亚洲国家公共教育支出占比的平均值在 3% 左右涨落，无明显的变化趋势，且不同国家间的差异较大。

2.2 家庭教育支出¶

与 2.1 节的公共教育支出不同，这里讨论的是由私人来源（家庭和其他私人实体）资助的教育支出。本节数据仅涉及了OECD国家，且由于数据下载不便，只粗浅地展示2020年的数据。图中数据单位均为占GDP的百分比。

Code 5

# Import data
early = pd.read_csv('data/OECD-private-spending/early-childhood.csv')
primary = pd.read_csv('data/OECD-private-spending/primary.csv')
secondary = pd.read_csv('data/OECD-private-spending/secondary.csv')
tertiary = pd.read_csv('data/OECD-private-spending/tertiary.csv')

# 2 x 2 subplot
fig, axs = plt.subplots(2, 2, figsize=(15, 15))

# Early childhood
colors = ['lime' if category != 'OECD - Average' else 'red' for category in early['Category']]
sns.barplot(data=early, x='Category', y='Private spending on education', ax=axs[0, 0], palette=colors, saturation=0.5)
axs[0, 0].set_title('Early childhood')
for label in axs[0, 0].get_xticklabels():
    label.set_rotation(90)

# Primary
colors = ['lime' if category != 'OECD - Average' else 'red' for category in primary['Category']]
sns.barplot(data=primary, x='Category', y='Private spending on education', ax=axs[0, 1], palette=colors, saturation=0.5)
plt.xticks(rotation=45)
axs[0, 1].set_title('Primary')
for label in axs[0, 1].get_xticklabels():
    label.set_rotation(90)


# Secondary
colors = ['lime' if category != 'OECD - Average' else 'red' for category in secondary['Category']]
sns.barplot(data=secondary, x='Category', y='Private spending on education', ax=axs[1, 0], palette=colors, saturation=0.5)
axs[1, 0].set_title('Secondary')
for label in axs[1, 0].get_xticklabels():
    label.set_rotation(90)


# Tertiary
colors = ['lime' if category != 'OECD - Average' else 'red' for category in tertiary['Category']]
sns.barplot(data=tertiary, x='Category', y='Private spending on education', ax=axs[1, 1], palette=colors, saturation=0.5)
axs[1, 1].set_title('Tertiary')
for label in axs[1, 1].get_xticklabels():
    label.set_rotation(90)


plt.tight_layout()

fig4

图4. 部分OECD国家的私人教育支出占GDP比例柱状图

图中可见，小学的私人教育支出整体来说最少，与学前教育相当，中学和高等教育的支出则明显增加，后者最高。这很可能是因为高等教育的学费较高，而且学生需要额外的生活费用。前几个高等教育支出最高的国家是智利、美国和英国，都有学费较高的特点。

3 学生学习情况¶

3.1 学生学习时间¶

从 https://ourworldindata.org/grapher/daily-time-students-spent-studying 可以直观地看出，各国家学生的学习时间都在增加。由于数据比较陈旧，数据量也较少，这里不详细展开。

3.2 中国学生学习情况¶

澎湃新闻2019年的一篇评论，对国际学生评估项目PISA 2018的结果进行了分析，指出“我国四省市（北京、上海、江苏、浙江）学生的学习时间过多但效率低，且学生对学校归属感为负数，满意度偏低”。虽然中国学生在阅读、数学、科学能力素养排名第一，但学习的方式还存在问题和商讨的空间。

4 教育结果¶

4.1 识字率（Literacy rate）¶

世界范围内，文盲率在逐年下降。而年轻一代的文盲率更低，这说明教育水平在逐渐提高。

Code 6

# import data
literacy = pd.read_csv('data/cross-country-literacy-rates/cross-country-literacy-rates.csv')
literacy_younggen = pd.read_csv('data/literacy-rate-of-young-men-and-women/literacy-rate-of-young-men-and-women.csv')

# 截取 Year > 1800 的数据
literacy = literacy[literacy['Year'] > 1800]
literacy_younggen = literacy_younggen[literacy_younggen['Year'] > 1800]

# 添加 Continent 列
literacy['Continent'] = literacy['Code'].map(continent_dict)
literacy_younggen['Continent'] = literacy_younggen['Code'].map(continent_dict)

fig, axs = plt.subplots(1, 2, figsize=(12, 6))

sns.lineplot(data=literacy[literacy['Continent'].isin(['World'])], x='Year', y='Literacy rate', hue='Continent', marker='o', errorbar=None, ax=axs[0])

sns.lineplot(data=literacy_younggen[literacy_younggen['Continent'].isin(['World'])], x='Year', y='literacy male', marker='o', errorbar=None, color='skyblue', ax=axs[1])
sns.lineplot(data=literacy_younggen[literacy_younggen['Continent'].isin(['World'])], x='Year', y='literacy female', marker='o', errorbar=None, color='orange', ax=axs[1])
plt.legend(labels=['Male literacy rate', 'Female literacy rate'])

plt.tight_layout()

fig5

图5. 左图为全球范围内识字率变化趋势，右图为全球15-24岁年轻人识字率的变化。

自从20世纪后半叶以来，全球范围内的文盲率快速下降，体现出教育扩张开始成为一种全球现象，这是好的趋势。遗憾的是，男女识字率的差异虽然在逐步减小，但仍然存在。

4.1.1 识字率的多因素方差分析¶

接下来选取1990年，15-24岁年轻群体的数据，讨论识字率与国家人均GDP和性别差异的关系。

假设 \(H_{0,\text{GDP}}:\) 识字率与人均GDP之间没有显著关系，\(H_{0,\text{SEX}}:\) 识字率与性别差异之间没有显著关系，取显著性水平为 \(\alpha = 0.05\)。

Code 7

outcome = pd.read_csv('data/learning-outcomes-vs-gdp-per-capita/learning-outcomes-vs-gdp-per-capita.csv')

# 截取 Year = 2010 的数据
outcome = outcome[outcome['Year'] == 2010]

high_income = outcome[outcome['GDP per capita'] > 20000]
low_income = outcome[outcome['GDP per capita'] < 5000]

# 提取对应的国家代码
high_income_code = high_income['Code']
low_income_code = low_income['Code']
# 去除代码中的NaN
high_income_code = high_income_code.dropna()
low_income_code = low_income_code.dropna()

# 查找对应的识字率
literacy_high_income = literacy_younggen[(literacy_younggen['Code'].isin(high_income_code)) & (literacy_younggen['Year'] == 2010)]
literacy_low_income = literacy_younggen[(literacy_younggen['Code'].isin(low_income_code)) & (literacy_younggen['Year'] == 2010)]
# 去除NaN
literacy_high_income = literacy_high_income.dropna(subset=['literacy male'])
literacy_low_income = literacy_low_income.dropna(subset=['literacy male'])

# 合成新表格，仅保留 'Entity', 'Code', 'GDP', 'Gender', 'Literacy'
# 创建一个空的 DataFrame
columns = ['Entity', 'Code', 'GDP', 'Gender', 'Literacy']
new_df = pd.DataFrame(columns=columns)

# 定义一个函数来处理每一行
def process_row(row, gdp_value):
    return pd.DataFrame({
        'Entity': [row['Entity'], row['Entity']],
        'Code': [row['Code'], row['Code']],
        'GDP': [gdp_value, gdp_value],
        'Gender': ['M', 'F'],
        'Literacy': [row['literacy male'], row['literacy female']]
    })

# 处理 high_income 数据
for _, row in literacy_high_income.iterrows():
    new_df = pd.concat([new_df, process_row(row, 'H')], ignore_index=True)

# 处理 low_income 数据
for _, row in literacy_low_income.iterrows():
    new_df = pd.concat([new_df, process_row(row, 'L')], ignore_index=True)

from statsmodels.stats.anova import anova_lm
from statsmodels.formula.api import ols

# ANOVA
# 线性拟合
model = ols('Literacy ~ C(GDP) + C(Gender)', data=new_df).fit()

# 方差分析
anova = anova_lm(model)
print(anova)

	df	sum_sq	mean_sq	F	PR(>F)
C(GDP)	1.0	10839.264992	10839.264992	40.525980	3.593177e-08
C(Gender)	1.0	305.126445	305.126445	1.140811	2.899838e-01
Residual	57.0	15245.482121	267.464599	NaN	NaN

由上表的 \(F\) 检验结果可知，识字率与人均GDP之间的关系显著，而与性别差异之间的关系不显著。即有理由拒绝 \(H_{0,\text{GDP}}\)，而不能拒绝 \(H_{0,\text{SEX}}\)。

然而，上述分析存在不足的点是：

找到的识字率数据中含性别分类的只有15-24岁年轻人的识字率，而没有全年龄段的数据。而年轻一代识字率较整体高很多，所以可能体现不出差异。
上面的代码对两个数据表格（一个是男女年轻人识字率，一个是国家人均GDP）进行了整合，本来想选取1990年甚至更早的数据，但是早些年的识字率数据缺失很多，所以最终选择了2010年的数据。然而2010年男女文盲率差距已经下降了很多，所以数据的差异性可能不够明显。

4.1.2 识字率趋势预测¶

使用机器学习的方法预测全球范围内的识字率变化趋势。因为识字率的变化趋势显然不是线性的，所以这里采用了 sklearn 包中的随机森林回归模型，以1820 - 2023年的数据为训练集，预测2024 - 2050年的识字率。

Code 8

from sklearn.ensemble import RandomForestRegressor

literacy_world = literacy[literacy['Continent'] == 'World']
# 截取年份和识字率
literacy_train = pd.DataFrame({
    'Year': literacy_world['Year'],
    'Literacy rate': literacy_world['Literacy rate']
}).sort_values('Year', ascending=True)

# train set
X = literacy_train['Year'].values.reshape(-1, 1)
y = literacy_train['Literacy rate'].values

# fit
model = RandomForestRegressor(n_estimators=200, random_state=24)
model.fit(X, y)

# predict
X_pred = np.arange(2024, 2051).reshape(-1, 1)
y_pred = model.predict(X_pred)

# Plot
plt.figure(figsize=(8, 6))
sns.lineplot(data=literacy_world, x='Year', y='Literacy rate', marker='o', label='Actual')
plt.plot(X_pred, y_pred, linestyle='--', label='Prediction')
plt.xlabel('Year')
plt.ylabel('Literacy Rate')
plt.legend()

fig6

图6. 使用随机森林回归预测全球识字率

拟合效果不是很好。下面尝试用 Prophet 库进行预测。

Code 9

from prophet import Prophet
# 转换为 Prophet 需要的格式
data = literacy_train.rename(columns={'Year': 'ds', 'Literacy rate': 'y'})
model = Prophet()
model.fit(data)

future = model.make_future_dataframe(periods=80, freq='Y')
forecast = model.predict(future)

fig = model.plot(forecast)
plt.xlabel('Year')
plt.ylabel('Literacy Rate')
plt.title('Literacy Rate Forecast')

fig7

图7. 使用Prophet预测全球识字率

早期年份的数据比较稀疏，Prophet 模型在拟合时没有采用这部分数据。但可以大致看出，到2035年，全球识字率将达到 90% 以上。

4.2 教育公平¶

4.2.1 Atkinson 指数¶

Atkinson 指数是衡量不平等程度的指标。它通常用于衡量收入不平等，但也可用于衡量任何分配的不平等，如财富分配，甚至预期寿命。它以 0 到 1 的范围来衡量不平等程度，数值越高表示不平等程度越高。Inequality in education - Our World in Data 这里的不平等的衡量标准是 25 岁以上成年人参加正规教育的年数。

图8. 教育不平等情况示意图

从图中可以看出，全球范围内的教育不平等程度在非洲和南亚地区较高，其次是南美洲。而北美洲、欧洲和大洋洲的教育不平等程度较低。

4.2.2 性别差距¶

男女教育机会的平等一直是现代社会追求的目标。下图展示了不同教育阶段男女比例的变化。

图9. 不同教育阶段男女比例变化

可以发现，男女比例在不同教育阶段的差距在逐渐缩小，且在高等教育阶段女性比例已经略高于男性。这在我国教育部网站公开的数据中也有体现。可以说，性别差距在教育领域改观明显。

5 总结¶

本文从教育投入、学生学习情况和教育结果三个角度展开讨论，主要论述了不同国家公共教育支出占国内生产总值的比例变化、学生学习时间的变化、文盲率和教育公平改善等话题及其之间的相关性。总体来说，全球范围内的教育水平在逐渐提高，教育公平也在变得越来越好，但不同地区的差异非常多，教育资源的分配不均衡，学生的学习质量和幸福感问题也值得关注。

6 文中主要数据来源与参考资料¶

文章：

数据：

实际上下载到的原始数据中总共有205个国家，但是代码1中的 country_dict 只包含了169个国家的代码，所以这里只分析了这些国家。 ↩
世界平均水平的数据从1999年开始才有。 ↩