我国智能人才需求预测研究
来源:用户上传
作者:
[摘要]文章基于人才对智能产业发展的重要作用，运用线性回归方法和灰色预测方法以及我国智能产业上市公司数据，对我国智能人才的需求进行预测，结果发现：从整体上看，我国智能产业人才的需求量将逐步增加，对低级劳动力仍有大量的需求，特别是应用环节;地区税负和融资环境以及企业经营规模基本上与智能产业的就业量正相关;企业收益质量与智能产业的中高级人才就业量显著负相关;智能产业的人才结构对产业人才需求水平提升明显不利。
[关键词]智能产业;智能人才;弹性系数
[中图分类号]G521
[文献标识码]A
[文章编号]2095-3437（2020）04-0029-04
教育部于2018年印发的《高等学校人工智能创新行动计划》要求，高校到2030年要成为建设世界主要人工智能创新中心的核心力量和引领新一代人工智能发展的人才高地，为我国跻身创新型国家前列提供科技支撑和人才保障，因此必须对智能人才的需求进行合理预测，为智能人才培养提供有用参考。常用的人才需求预测方法主要有经验预测法和模型预测法，后者较前者更客观和精准。本文基于我国智能人才的需求趋势提出相应的政策启示以供参考。
一、文献综述
国外的人才需求预测研究较国内的早。苏联在制定其第一个五年计划之时便开展了专家需求量预测的研究工作。第二次世界大战之后，发展经济学的出现和盛行推动了人才需求预测的研究。特别是舒尔茨等人提出人力资本理论以后，教育理论界于20世纪60年代提出“人力资源说”，主张学校可根据政府的经济发展计划和“长期性的人力预测”来提供一定数量的训练有素的人力储备，为经济的发展服务。自此，西方国家兴起了教育规划热潮。
国内的相关研究始于20世纪80年代。1982年，国务院决定制订全国专门人才规划，不久后多个部门联合下达关于进行人才预测和制订教育发展规划的通知。在其研究成果方面，可通过中国知网检索到1479篇相关论文（截至2019年3月笔者修改此文时）。早期的研究以历史研究、现状分析、比较研究和专家的分析判断方法为主。近年的研究多为对某区域或行业或人才类型等的實证性研究以及对人才需求预测的方法和模型研究。时间序列法和相关分析法是前期较为常用的数学模型。比较常用的方法有灰色预测模型和支持向量机、神经网络等非线性预测方法。
尽管现有成果已经较为丰富，但专门针对智能技术人才预测的研究仍鲜见。在智能经济迅猛发展的时期，人才需求会因为智能技术对人才需求的纷繁多变而呈现出不确定的特点。因此，本文采用线性和非线性预测方法进行预测，综合研判我国智能行业的人才需求。
二、线性预测及其结果
线性预测方法有时间序列法和相关序列法，后者更为常用，因而为本文所采用。
（一）智能人才需求的影响因素
人才需求的影响因素主要包括：企业外部环境因素，如政府的产业政策;企业内部因素，如企业的战略目标、生产销售计划、组织结构的调整等;人才自身因素，如人才的年龄结构、素质结构等。因智能产业的官方统计不足，故本文采用上市公司数据。企业外部环境因素选取政府的税收政策和产业融资环境两项指标。前者用智能企业的税收负担（TB）代表，用企业历年应交税费与营业收入的比值来表示。后者用智能企业的融资金额（FA）代表，通过企业筹资活动产生的现金流量净额来反映。企业内部因素选取企业的规模和收益质量两项指标，企业规模（BS）用企业历年的总资产的对数来表示，收益质量（INQ）用企业历年经营活动净收益与利润总额的比值来表示。人才自身因素选取企业的人才素质结构（HRSTR）指标，用各智能企业历年本科及本科以上员工的占比来表示。
（二）模型的构建
为考察智能人才需求与影响因素的关系，以人才需求量为因变量，以TB、FA、BS、INQ和HRSTR为自变量，搭建多元回归模型如下：
（三）数据、分析过程和结果
采用2012年至2017年间83家智能上市公司的数据，涵盖基础平台、技术平台和应用环节，覆盖粤、京、浙、苏等智能产业聚集地，共计966条。先对数据进行无量化处理，再进行单位根检验和协整检验。其检验结果表明变量通过单位根检验，也存在协整关系，运用Stata 12.0进行回归分析。这个结果见表1。
（四）结果分析
表1结果显示：第一，地区的税负和融资环境、企业的经营规模基本上与基础平台、技术平台和应用环节的中高级人才和低级劳动力有正相关关系，因而这些因素在整体上与智能产业的就业总量有正相关关系。第二，企业应收质量与技术平台和应用环节的中高级劳动力就业量均负相关，因而在整体上与智能产业的中高级人才就业量显著负相关。第三，人才的素质结构基本上与三个环节的中高级人才和低级劳动力就业负相关，因而在整体上与智能产业的就业负相关。值得一提的是：地区税收负担与就业的正相关关系表明我国当前的税收政策对就业起促进作用，可能是因为对智能产业的税收优惠制度，使得实际税收水平处于相对低的水平。随着税收水平的提升，在未达到最优税率之前，税收负担仍然起到促进作用。技术平台和应用环节企业的收益质量不利于中高级人才的就业，其原因可能是因为收益质量强调销售能迅速转化为现金，要求在收益创造过程中使用的固定资产维修良好并保存至今，而我国这两个环节的研发活动仍有较大的发展空间，对中高级人才的需求尚未迅猛提升。
三、非线性预测及其结果
非线性预测方法较多，其中灰色预测模型是较为常用的一种。该法可以提高预测的精确度，因而为本文所采用。
（一）模型的构建
利用灰色系统理论建立灰色预测模型，对科技人才系统做较全面的分析，并做较长期预测已经是国内外比较常用的人才需求预测办法。选定GM（1，1）模型，根据该模型代表一个白化形式的微分方程，dX（1）/dt+aX（1）=u，式中，a和u是需要通过建模求得的参数X（1）原始数据x（0）的1-AGO。根据数据矩阵B和数据向量Y，并作最小二乘计算，求GM（1，1）的参数a和u并建立时间响应函数，将时间响应函数离散化便可得灰色预测模型如下： （二）指标、数据、分析过程和结果
先对数据进行无量化处理，再进行单位根检验和协整检验。其检验结果表明变量通过单位根检验，也存在协整关系，运用灰色系统软件3.0进行计算，其结果见图1。
（三）结果分析
从图1可见，2018年我国智能产业的就业量基本上呈上升趋势。产业整体就业方面，低级劳动力就业依然以高于中高级人才就业量的增长速度增加，带动产业整体就业量的增长。产业的基础平台和应用环节的低级劳动力就业量仍高于中高级人才就业量，前者的增速也将高于后者，而技术平台的中高级人才就业量则稍微高于低级劳动力就业量，增速也高于后者。低级劳动力的需求量并未如文献[1]至文献[3]的发现那般减少，而是仍保持高于中高级人才的需求量速度增长。这主要是由我国智能产业对产业链内配套环节的拉动所造成。智能产业对就业有替代效应的同时也有创造效应。例如互联网行业，国内智能产业的重点子行业之一，其应用场景有搜索引擎、电商用户行为分析等，同时带动了运输业的发展，创造了大量的低级劳动力就业。
四、结论和政策启示
（一）结论
鉴于人才对智能产业发展的重要作用，本文使用线性回归和非线性方法以及智能上市公司的数据，测算了各类因素对智能产业人才需求的影响和智能人才的需求量，得到以下结论：从整体上看，我国智能产业的人才需求量将逐步增加。其中，对低级劳动力仍有大量的需求，特别是应用环节对低级劳动力的需求量最大。地区的税负和融资环境以及企业的经营规模基本上与智能产业的就业量正相关。企业收益质量与智能产业的中高级人才就业量显著负相关。我国智能产业的人才结构对产业的人才需求水平提升明显不利。
（二）政策启示
基于上述分析，我国发展智能经济之时应该做好以下工作。
一是有序加强对智能中高级人才的培养，特别是注重对技术平台环节的中高级人才的培养，优化人才结构。技术层是人工智能发展的核心，对应用层的产品智能化程度起到决定性作用，在这一发展过程中，算法和计算力对智能技术的发展起到主要推动作用。因此，特别要加强算法和计算力专业人才的培养。根据《高等学校人工智能创新行动计划》，清华大学、天津大学等高校已经成立了人工智能学院、智能与计算机学部等。但是在加强双一流理工高校的人工智能人才培养力度的同时，要注意凸显应用型高校结合地方智能经济发展的特点和优势，加强地方特色智能人才的培养。另外，加强再就业技能培训工作，使其能从实质上起到对低级劳动力进行培训、提升其素质的作用。当然，还需要配套相应的人才政策，以保障劳动者的生活需要和平稳实现就业转型。
二是加强税收政策的促进作用。税收政策对产业规模有着很重大的影响。随着2017年“人工智能”一词在两会政府工作报告中出现，人工智能产业上升为国家战略后得到了政策支持。今后工作的重点应该在于如何落实和优化政策，使其对产业的推动作用进一步提升，进而扩大产业规模，然后增强对智能产业配套环节的促进作用，从而提升就业需求。与美国人工智能的国家战略相比，我国的政策性策略最为突出，具有实际操作性的具体实施细则稍显不足。需要尽快增加相关政策实施细则、阶段性目标、时间计划表、具体要求等内容，提高政策的可操作性并健全相应的监督机制，切忌让规划文件空转，确保人工智能产业创新政策不断得以持续贯彻落实。
三是避免收益质量对技术平台和应用平台产生负作用。企业的研发活动需要大量的固定资产投资和高层次人才。国内大多数中小型科技企业难以支付研发设备费用和聘用高层次人才。因此，政府应该加强公共技术平台的建设工作，这样能在降低中小型科技企业研发成本的同时吸引和聚集一批相对稳定的高层次人才进行持续的科研，有利于技术攻關和克服技术瓶颈。
[责任编辑：庞丹丹]
转载注明来源:https://www.xzbu.com/9/view-15154339.htm
