杰出人才精準畫像構建研究
——以智能制造領域為例*

高 揚，池雪花，章成志，孔 捷

0 引言

近年全國各地對杰出人才的需求旺盛，政府、企業和高校等用人單位急需一套科學合理的杰出人才識別、遴選和評價方法?？茖W的人才識別和評價機制有助于發揮引才工作的前瞻性和引導性，從而掌握杰出人才競爭的主動權。目前中央和地方層面已基本形成覆蓋多學科，多層次，旨在識別、遴選和評價杰出人才的高層次人才項目資助體系。雖然這些高層次人才項目已經獲得了海內外各界的認可，但仍存在著人才分類評價不足、評價標準單一、評價手段趨同、評價社會化程度不高、評價結果不夠精準等問題，未能充分滿足我國各行各業精準識別和評價杰出人才的需求。根據2017年江蘇人才發展戰略研究院對全球智能制造人才分布的調研顯示，我國智能機器人、高檔數控機床和3D打印三大領域具有國家級或省市級人才項目頭銜的杰出人才占杰出人才總量不到三分之一。這表明有大量的智能制造杰出人才未被識別，現有的人才項目對杰出人才的識別和評價效果有待提升。因此，對特定領域杰出人才進行識別和評價，并發現杰出人才特征和人才現狀顯得尤為必要，有助于為特定領域的人才引育工作提供參考。

隨著大數據產業的發展，海量數據加速集聚，人們在互聯網上留下大量“蹤跡”。為了準確描繪互聯網用戶的特征，用戶畫像技術的應用日漸廣泛?；诮艹鋈瞬旁诨ヂ摼W上留下的“成長軌跡”，可將用戶畫像技術應用到人才研究領域構建人才畫像。本文精準構建杰出人才畫像，揭示特定專業領域的杰出人才群體特征，為人才管理部門的引才工作進行定制化服務和個性化推薦，為實現數據驅動的人才管理模式提供支撐。本文具體研究思路如下：首先通過各種途徑獲取人才“軌跡”數據，構建初始人才庫；然后利用專家評價法識別杰出人才，構建杰出人才庫；接著從多個維度構建杰出人才畫像；最后通過統計分析揭示杰出人才的群體特征。

1 相關研究概述

與本文相關的研究主要包括人才識別與評價、用戶畫像兩個方面，下面分別對這兩個方面的研究現狀進行概述。

1.1 人才識別和評價研究概述

情報學中對人才的識別和評價主要基于文獻計量學。賀德方利用知識管理思想構建了科技人才評價體系[1]；金碧輝解讀了評價科學家個人績效的h 指數[2]；邱均平等運用Hirsch 指數對CSSCI 收錄的被引次數排名前50 位圖情學者的個人研究績效進行分析[3]；張學梅以我國圖情領域100 名作者為例，比較NSP 與H 指數的異同以及適用范圍[4]；馬妍等探討H 指數與類H 指數應用于人才遴選的可行性[5]；隋桂玲以實證分析比較g 指數與h 指數、e 指數在評價科技工作者學術水平時的適用性[6]。情報學已有的人才識別方法存在評價標準單一問題。人力資源管理常用的人才識別方法有導師推薦、專家評估法、同行評價和實踐檢驗，這些方法在人才評價中被廣泛使用，其中德爾菲法是國際通用的人力資源管理方法，具有廣泛的代表性，較為可靠。這些人才識別和評價工作為本文研究奠定了基礎。

1.2 用戶畫像研究概述

用戶畫像構建旨在根據用戶的行為、觀點、目標等差異，抽取出高度精煉的用戶特征標識，如興趣愛好、心理特征。用戶畫像構建維度一般包括用戶基本屬性、用戶興趣以及結合具體應用場景下的屬性。用戶的基本屬性包括一些基礎注冊信息和背景信息等人口統計學特征，如年齡、性別、職業、地區、性格。興趣特征主要是通過對用戶的歷史行為數據進行挖掘得到。Hung 等利用用戶的標簽和收藏的書簽，從個人角度構建用戶興趣模型，然后結合好友數據擴展用戶興趣特征項，從社會角度發現用戶興趣[7]。在不同應用領域，用戶畫像屬性有所差別。在社交領域，Macskassy 針對用戶的轉帖行為以及微博內容生成用戶興趣畫像[8]。在通訊領域，張慷基于用戶基礎信息、終端信息、業務訂購等信息，形成手機用戶畫像[9]。在消費領域，高玉龍從行為屬性和價值屬性構建網購用戶畫像，行為屬性包括品牌偏好、產品偏好、購買動機等，價值屬性包括購買頻率、平均每次交易額、社交偏好等[10]。在金融領域，主要從人口屬性、消費屬性、信用屬性等構建用戶畫像[11]。

隨著技術飛速發展，用戶畫像逐漸被電子商務、金融保險、社交媒體等多個領域所應用。目前將用戶畫像技術應用在人才領域，以人才為對象，進行人才特征標識從而構建人才畫像的研究尚不多見，對人才畫像的定義尚未成形成共識，大多是面向實踐工作的具有操作性的界定。本文借鑒用戶畫像方法，依據專業領域需求，從多個維度構建杰出人才畫像，揭示杰出人才的群體特征。

2 研究思路

圖1 特定專業領域的杰出人才精準畫像構建研究思路

本文認為杰出人才是對具備杰出能力的人才的總稱，至少包含兩層意思：一是杰出人才必須術業有專攻；二是杰出人才必須具備成為一個團隊的核心和靈魂的能力。據此，可將杰出人才界定為已取得同行公認的創新性成績或創造性科技成果，具有發展潛力，能引領和帶動產業科技發展并處于領先地位的團隊帶頭人。本文的杰出人才畫像構建研究包括四部分：第一，采集并預處理人才留下的大量“軌跡”數據，如學術論文、發明專利、科研項目、獲取獎項等基礎信息，構造初始人才庫；第二，邀請專家從初始人才庫識別出杰出人才，由此構造杰出人才庫；第三，從多維度構建杰出人才畫像；第四，通過統計分析發現杰出人才的群體特征。

2.1 初始人才庫構建

本文在具體的人才信息搜索中，對人才操作化的定義是與千人計劃、萬人計劃、國家杰出青年科學基金入選者同等水平的人才。由于目前還沒有公開的具有權威性的人才排行榜，因此本文主要通過兩種途徑獲取全面且具有權威性的人才軌跡數據信息。一是專家推薦。專家團隊由相關領域的著名高校學者、知名科研院所研究人員以及知名企業高管層組成。專家團隊提供搜索杰出人才信息的線索以及部分杰出人才信息。二是線上資源檢索，從人才信息分布平臺獲取數據，如學術平臺、專利信息平臺。學術平臺如科研在線(http：//www.escience.cn/)提供了大量學術主頁信息，包含基礎信息和學術成果等信息。專利信息平臺如IncoPat 數據平臺(http：//www.incopat.com/)收錄了112 個國家/組織/地區的1 億余件專利信息?；谝陨闲畔⒃?，采用信息抽取技術獲取人才的基本數據，包括基礎信息和研究信息兩部分?；拘畔ㄈ瞬诺男詣e、年齡、出生日期、國別、省、市、所在機構、職稱、職務、頭銜、電子郵箱、聯系電話、通訊地址等；研究信息如專利擁有量、專利內容、研究方向、人才URL、成果信息(如獲獎情況)等。這兩部分共同構成初始人才庫。

2.2 杰出人才識別

如何從大量的人才集合中識別杰出人才是本文的研究重點之一。根據杰出人才的定義，本文要識別的杰出人才需具備引領和帶動產業科技發展的潛力，單純依據文獻計量法無法找到與產業相關的技術人才，因此，本文基于德爾菲法[12]識別杰出人才，即：就一定的問題函請相關領域的專家提出意見或看法，然后將專家意見或新設想加以科學地綜合、整理、歸納，以匿名的方式將所歸納的結果反饋給各專家再次征詢意見。如此經過多輪反復，直到意見趨于集中，得到一種比較一致的、可靠性較高的意見。該方法具有一定的科學性和實用性。具體步驟：(1)確定被遴選的對象：從初始人才庫中挑選出杰出人才集合；(2)選擇該領域相關專家；(3)向各位選定專家發出杰出人才遴選調查表；(4)對返回的調查表進行定量統計分析并將結果反饋給專家；(5)專家重新給出人才遴選結果；(6)重復(4)(5)兩步直到取得大體上一致的意見。

2.3 杰出人才畫像構建

本文借鑒用戶畫像的構建方法，對識別出的杰出人才進行畫像構建。由于人才數據具有高度的隱私性，較難獲得，因此難以構建“完整”的用戶模型。本研究結合實際的應用場景，針對特定專業領域的杰出人才特征以及人才管理工作的實際需求，科學設計杰出人才畫像標簽體系，對特定專業領域的杰出人才進行精準畫像構建。

2.4 杰出人才群體特征分析

相較于杰出人才的個體畫像，杰出人才群體特征呈現的是符合某一標準的杰出人才群體特征。不同階段的杰出人才在學術影響力方面的特征比較統一，這就更有利于本文從杰出人才的年齡、性別、研究方向、專利數量、所在機構類別以及地域等方面進行群體特征分析。如果單一地從杰出人才的某個屬性方面進行分析會存在一定的局限性，得出的結果也會過于簡單，很難形成一定的杰出人才群體特征和規律。

3 智能制造領域杰出人才畫像實驗

本文基于智能制造領域這一特定場景，精準構建智能制造領域杰出人才畫像，具體包括智能制造領域初始人才庫構建、智能制造領域杰出人才識別、智能制造領域杰出人才畫像呈現三部分。

3.1 智能制造領域杰出人才畫像構建

3.1.1 智能制造領域初始人才庫構建

以智能制造領域的智能機器人、高檔數控機床和增材制造三個子領域為研究對象，構建初始人才庫的過程如下：

(1)選取智能制造領域的專家。根據不同的子領域，組建智能機器人、高檔數控機床和增材制造3 個專家組。每個專家組由該領域的國內知名學者和產業界知名管理者組成，共10 人，包括有2 名全球500 強公司的高管、2 名具有“院士”“千人計劃”等人才稱號的專家、2 名一流大學和科研機構的教授、2 名相關行業協會主席、2名人才和產業部門管理者，確保對該領域的人才和機構信息具有全面了解。

(2)請專家提供該領域相關信息。相關信息包括：一是領域人才集聚機構清單；二是領域人才科研產出和專利成果的檢索關鍵詞列表；三是領域人才信息。

(3)根據專家提供的領域人才聚集機構清單搜索到人才127 名，按照專家提供的關鍵詞檢索出高專利擁有量的發明人共1420 名，同時專家根據領域人才聚集機構清單以及查找專利提供該領域人才2100 名。經過重名比對，最終得到三個子領域人才總計3461 名。

(4)根據3461 名人才清單，通過爬蟲技術從數據平臺包括科研在線、incoPat 數據平臺等補充初始人才相關基礎數據，具體包含字段見表1。

表1 人才基礎數據

3.1.2 智能制造領域杰出人才識別

使用德爾菲法進行杰出人才識別，通過四輪專家征詢，最終得到智能制造杰出人才清單及相關信息。

(1)第一輪征詢：邀請專家依據人才研究方向和專利內容，篩選智能機器人、高檔數控機床和增材制造三個子領域的潛在杰出人才。

①明確征詢問題。請專家去除與三個子領域無關的人才信息，圈選該領域的潛在杰出人才信息，標注無法確認的潛在杰出人才信息。

②選取和確定專家小組。此次每個子領域的專家小組成員擴充至20 人。其中，具有“院士”“千人計劃”等人才頭銜的專家、全國一流大學相關領域教授、全國知名企業的技術管理人員、全國行業協會的管理人員各5 人。他們具有廣泛掌握杰出人才信息的優勢。

③將第一份征詢調查表發放至專家小組。將包含3461 條領域人才信息的征詢調查表發至三個子領域的每位專家，并向專家說明征詢問題和工作規則。

④收回征詢調查表并進行分析。專家通過查找人才研究方向的關鍵詞以及專利內容中的關鍵詞，去除無關信息1920 條，圈定潛在杰出人才信息1500 條，標注無法確認的潛在杰出人才信息21 條，增補潛在杰出人才信息20 條。

⑤潛在杰出人才信息整理。將專家認為無關的人才信息刪除，將專家圈選出的潛在杰出人才信息保留，對專家不確定的潛在人才信息作進一步擴充。將專家認為需要增補的人才信息補充完整。此階段得到智能機器人、高檔數控機床和增材制造三個子領域潛在杰出人才信息共1541 條。

(2)第二輪征詢：邀請專家依據人才的職稱、所在單位、頭銜、獲獎情況、專利擁有量等篩選符合杰出人才標準的人才信息。

①明確征詢問題。請專家根據三個子領域杰出人才的標準，去除不符合標準的杰出人才信息，圈定符合標準的杰出人才信息，標注出無法確定的杰出人才信息。

②選取和確定專家小組人員。此次每個子領域的專家小組成員擴充至25 人，增加了人才和產業主管部門的管理者5 人。他們對杰出人才的認定具有權威性。

③將第二份征詢調查表散發至專家小組。將包含1541 條潛在杰出人才信息表發至三個子領域的每位專家，并向專家說明征詢問題和工作規則。

④收回征詢調查表，按照專家組意見整理杰出人才信息。將專家認為無關的人才信息刪除，將專家圈選出的潛在杰出人才信息保留，對專家不確定的潛在人才信息進一步擴充。將專家認為需要增補的人才信息補充完整。此階段得到智能機器人、高檔數控機床和增材制造三個子領域潛在杰出人才信息共1201 條。

(3)第三輪征詢：專家組所有人員對杰出人才標準達成基本共識，精準鎖定杰出人才。

向各位專家提供有關集體意見情況和其他專家成員的各自觀點，專家組就杰出人才標準達成基本共識。專家一致認為可以將智能制造杰出人才的標準設定為同時具備以下條件的人才：職稱在副教授(或其他同等水平)及以上、獲得省級以上人才獎勵、人才所在單位在本領域業績排行前10 位。根據專家組達成的共識，精準鎖定杰出人才，形成最終意見。本文最終確定了785 條杰出人才信息，其中，智能機器人領域306 條，高檔數控336 條，增材制造143 條。表2 是得到的三個子領域的杰出人才信息數量分布。

表2 智能制造三個子領域杰出人才信息

(4)第四輪征詢：邀請已有具有人才頭銜的專家對杰出人才篩選結果進行評估。

選取智能制造三大子領域的“院士”“千人計劃”“萬人計劃”人才專家各2 名，“長江學者”、國家杰出青年科學基金獲得者2 名，組成10 人專家組，對潛在杰出人才的篩選結果進行評估。專家一致認為，篩選出的杰出人才均已取得同行公認的創新性成績或創造性科技成果，具備引領和帶動產業科技發展的潛力。785 名杰出人才水平大體相當，篩選結果比較可靠。

3.1.3 智能制造杰出人才畫像模型構建

根據智能制造杰出人才的特征以及人才管理工作的實際需求，從基本屬性、研究興趣、學術影響力三個維度構建杰出人才畫像標簽體系，清晰完整地呈現智能制造三個子領域的杰出人才信息(具體見圖2)?；A屬性指相對穩定和靜態的人口屬性；研究興趣指的是杰出人才的研究方向；學術影響力則通過杰出人才的H 指數、論文數量、專利數量等來體現。

圖2 智能制造杰出人才畫像

畫像結果能精準清晰地展現智能制造杰出人才的特點。例如，學術影響力較高的杰出人才將是智能制造基礎研究的領軍人物，肩負著關鍵核心技術的突破；處在中青年階段且學術影響力高的杰出人才將成為引領和帶動產業科技發展處于領先地位的團隊帶頭人；已形成老、中、青年齡梯度的杰出人才團隊更能夠支撐智能制造領域的可持續發展。根據以上杰出人才畫像，人才管理部門可以對智能制造杰出人才群體的研究方向、發展潛力以及地理坐標等有一個宏觀的把握，為人才引進工作以及產業布局提供科學參考。

3.2 智能制造領域杰出人才畫像特征分析

3.2.1 杰出人才年齡分布特征

大部分智能制造領域杰出人才的年齡分布在49~58 歲。其中，84%智能機器人杰出人才年齡分布在39~58 歲，81%高檔數控機床杰出人才年齡分布在49~68 歲，70%增材制造杰出人才年齡分布在39~58 歲。從三個子領域的杰出人才年齡構成看，增材制造領域杰出人才形成了老中青的年齡梯隊，智能機器人領域需要補充29~38 歲的青年杰出人才，高檔數控機床領域的杰出人才急需補充29~48 歲的中青年杰出人才。

圖3 智能制造杰出人才年齡分布

3.2.2 杰出人才所在機構分布特征

本文將杰出人才所在機構類別分為三種：高校及研究院所、企業和學會/行業協會。如圖4所示，從外至內圈，①代表智能機器人領域，②代表高檔數控機床領域，③代表增材制造領域。三個子領域中的杰出人才以學術研究型人才居多，集中分布在高校及研究院所，部分分布在企業，只有極少數的杰出人才來自于學會/行業協會。

圖4 智能制造杰出人才機構分布

3.2.3 杰出人才性別分布特征

經過數據清洗，得到包含性別信息的智能制造領域杰出人才共726 名。其中，以男性為主，占96%；而女性僅占4%，見圖5。

圖5 智能制造杰出人才性別分布

3.2.4 杰出人才專利數量分布特征

智能制造領域的杰出人才人均專利數為27項。三個子領域的杰出人才專利數量差別較大，見圖6。在智能機器人領域，杰出人才專利數量較為平均且數目較多，皆在20 項專利以上；在高檔數控機床領域，高?；蜓芯吭核艹鋈瞬湃司鶎＠?3.78 項，而企業和學會/行業協會的杰出人才人均專利數量較少；相對于其他兩個子領域，增材制造領域的杰出人才人均專利數量偏少。

圖6 智能制造杰出人才專利數量分布

3.2.5 杰出人才地理分布特征

表3-5 是智能機器人、高檔數控機床、增材制造三個子領域的杰出人才在不同省份的人才數量分布情況。從表中看出，智能制造杰出人才集中在北京、遼寧、上海、江蘇。其中，智能機器人領域杰出人才主要分布在東部沿海地區和東北地區；高檔數控機床領域和增材制造領域的杰出人才分布較為相似，除了集中在東部沿海地區和東北地區，還有一部分分布在西部地區如四川、陜西和重慶。

表3 智能機器人杰出人才地區分布

表4 高檔數控機床杰出人才地區分布

表5 增材制造杰出人才地區分布

4 結論與展望

本文將用戶畫像技術應用于人才畫像研究，以智能制造領域為例，開展特定專業領域的杰出人才精準畫像構建研究，為我國智能制造杰出人才的引育工作提供參考。本文首先獲取智能制造領域人才“軌跡”數據，構建初始人才庫；然后利用專家評價法識別杰出人才，從多個維度構建智能制造杰出人才畫像；最后分析智能制造杰出人才的群體特征。研究結論如下：總體來看，我國智能制造杰出人才以男性為主(占96%)，年齡主要分布在49~58 歲，以學術研究型人才居多，集中在高校及研究院所，人均專利數量27 項，主要分布在北京、遼寧、上海、江蘇、湖北等省份。從三個子領域來看，為更好地引領和支撐我國智能制造產業發展，智能機器人領域需要補充29~38 歲的青年杰出人才，高檔數控機床領域需要補充29~48 歲、能夠帶動產業發展的中青年杰出人才，增材制造領域缺乏掌握專利技術的杰出人才。此方法獨立于具體領域，可以用于其他領域的人才畫像構建。

本文的創新之處：首次將用戶畫像技術應用于人才畫像研究，清晰直觀地展示了智能制造杰出人才的群體特征。本文構建的杰出人才畫像思路具有可遷移性，可以應用于其他領域的杰出人才畫像構建。不足之處：一是杰出人才畫像構建的實證研究僅局限在智能制造領域，應用范圍有待進一步擴展；二是采用專家評價法識別杰出人才，需耗費大量時間和人力成本，無法大批量進行。下一步將對杰出人才的學術影響力和工作影響力進行更深入的研究。具體而言，將更深入地進行專利內容分析，同時利用一些文獻計量學的指標完善杰出人才的學術影響力評估。將選取人才獎勵和人才頭銜等指標對杰出人才的工作影響力進行評估，更加系統、深入地呈現智能制造杰出人才畫像。