我國智能人才需求預測研究

吳淑娟 吳海民

[摘要]文章基于人才對智能產業發展的重要作用，運用線性回歸方法和灰色預測方法以及我國智能產業上市公司數據，對我國智能人才的需求進行預測，結果發現：從整體上看，我國智能產業人才的需求量將逐步增加，對低級勞動力仍有大量的需求，特別是應用環節;地區稅負和融資環境以及企業經營規?；旧吓c智能產業的就業量正相關;企業收益質量與智能產業的中高級人才就業量顯著負相關;智能產業的人才結構對產業人才需求水平提升明顯不利。

[關鍵詞]智能產業;智能人才;彈性系數

[中圖分類號]G521

[文獻標識碼]A

[文章編號]2095-3437（2020）04-0029-04

教育部于2018年印發的《高等學校人工智能創新行動計劃》要求，高校到2030年要成為建設世界主要人工智能創新中心的核心力量和引領新一代人工智能發展的人才高地，為我國躋身創新型國家前列提供科技支撐和人才保障，因此必須對智能人才的需求進行合理預測，為智能人才培養提供有用參考。常用的人才需求預測方法主要有經驗預測法和模型預測法，后者較前者更客觀和精準。本文基于我國智能人才的需求趨勢提出相應的政策啟示以供參考。

一、文獻綜述

國外的人才需求預測研究較國內的早。蘇聯在制定其第一個五年計劃之時便開展了專家需求量預測的研究工作。第二次世界大戰之后，發展經濟學的出現和盛行推動了人才需求預測的研究。特別是舒爾茨等人提出人力資本理論以后，教育理論界于20世紀60年代提出“人力資源說”，主張學?？筛鶕慕洕l展計劃和“長期性的人力預測”來提供一定數量的訓練有素的人力儲備，為經濟的發展服務。自此，西方國家興起了教育規劃熱潮。

國內的相關研究始于20世紀80年代。1982年，國務院決定制訂全國專門人才規劃，不久后多個部門聯合下達關于進行人才預測和制訂教育發展規劃的通知。在其研究成果方面，可通過中國知網檢索到1479篇相關論文（截至2019年3月筆者修改此文時）。早期的研究以歷史研究、現狀分析、比較研究和專家的分析判斷方法為主。近年的研究多為對某區域或行業或人才類型等的實證性研究以及對人才需求預測的方法和模型研究。時間序列法和相關分析法是前期較為常用的數學模型。比較常用的方法有灰色預測模型和支持向量機、神經網絡等非線性預測方法。

盡管現有成果已經較為豐富，但專門針對智能技術人才預測的研究仍鮮見。在智能經濟迅猛發展的時期，人才需求會因為智能技術對人才需求的紛繁多變而呈現出不確定的特點。因此，本文采用線性和非線性預測方法進行預測，綜合研判我國智能行業的人才需求。

二、線性預測及其結果

線性預測方法有時間序列法和相關序列法，后者更為常用，因而為本文所采用。

（一）智能人才需求的影響因素

人才需求的影響因素主要包括：企業外部環境因素，如政府的產業政策;企業內部因素，如企業的戰略目標、生產銷售計劃、組織結構的調整等;人才自身因素，如人才的年齡結構、素質結構等。因智能產業的官方統計不足，故本文采用上市公司數據。企業外部環境因素選取政府的稅收政策和產業融資環境兩項指標。前者用智能企業的稅收負擔（TB）代表，用企業歷年應交稅費與營業收入的比值來表示。后者用智能企業的融資金額（FA）代表，通過企業籌資活動產生的現金流量凈額來反映。企業內部因素選取企業的規模和收益質量兩項指標，企業規模（BS）用企業歷年的總資產的對數來表示，收益質量（INQ）用企業歷年經營活動凈收益與利潤總額的比值來表示。人才自身因素選取企業的人才素質結構（HRSTR）指標，用各智能企業歷年本科及本科以上員工的占比來表示。

（二）模型的構建

為考察智能人才需求與影響因素的關系，以人才需求量為因變量，以TB、FA、BS、INQ和HRSTR為自變量，搭建多元回歸模型如下：

（三）數據、分析過程和結果

采用2012年至2017年間83家智能上市公司的數據，涵蓋基礎平臺、技術平臺和應用環節，覆蓋粵、京、浙、蘇等智能產業聚集地，共計966條。先對數據進行無量化處理，再進行單位根檢驗和協整檢驗。其檢驗結果表明變量通過單位根檢驗，也存在協整關系，運用Stata 12.0進行回歸分析。這個結果見表1。

（四）結果分析

表1結果顯示：第一，地區的稅負和融資環境、企業的經營規?；旧吓c基礎平臺、技術平臺和應用環節的中高級人才和低級勞動力有正相關關系，因而這些因素在整體上與智能產業的就業總量有正相關關系。第二，企業應收質量與技術平臺和應用環節的中高級勞動力就業量均負相關，因而在整體上與智能產業的中高級人才就業量顯著負相關。第三，人才的素質結構基本上與三個環節的中高級人才和低級勞動力就業負相關，因而在整體上與智能產業的就業負相關。值得一提的是：地區稅收負擔與就業的正相關關系表明我國當前的稅收政策對就業起促進作用，可能是因為對智能產業的稅收優惠制度，使得實際稅收水平處于相對低的水平。隨著稅收水平的提升，在未達到最優稅率之前，稅收負擔仍然起到促進作用。技術平臺和應用環節企業的收益質量不利于中高級人才的就業，其原因可能是因為收益質量強調銷售能迅速轉化為現金，要求在收益創造過程中使用的固定資產維修良好并保存至今，而我國這兩個環節的研發活動仍有較大的發展空間，對中高級人才的需求尚未迅猛提升。

三、非線性預測及其結果

非線性預測方法較多，其中灰色預測模型是較為常用的一種。該法可以提高預測的精確度，因而為本文所采用。

（一）模型的構建

利用灰色系統理論建立灰色預測模型，對科技人才系統做較全面的分析，并做較長期預測已經是國內外比較常用的人才需求預測辦法。選定GM（1，1）模型，根據該模型代表一個白化形式的微分方程，dX（1）/dt+aX（1）=u，式中，a和u是需要通過建模求得的參數X（1）原始數據x（0）的1-AGO。根據數據矩陣B和數據向量Y，并作最小二乘計算，求GM（1，1）的參數a和u并建立時間響應函數，將時間響應函數離散化便可得灰色預測模型如下：

（二）指標、數據、分析過程和結果

先對數據進行無量化處理，再進行單位根檢驗和協整檢驗。其檢驗結果表明變量通過單位根檢驗，也存在協整關系，運用灰色系統軟件3.0進行計算，其結果見圖1。

（三）結果分析

從圖1可見，2018年我國智能產業的就業量基本上呈上升趨勢。產業整體就業方面，低級勞動力就業依然以高于中高級人才就業量的增長速度增加，帶動產業整體就業量的增長。產業的基礎平臺和應用環節的低級勞動力就業量仍高于中高級人才就業量，前者的增速也將高于后者，而技術平臺的中高級人才就業量則稍微高于低級勞動力就業量，增速也高于后者。低級勞動力的需求量并未如文獻[1]至文獻[3]的發現那般減少，而是仍保持高于中高級人才的需求量速度增長。這主要是由我國智能產業對產業鏈內配套環節的拉動所造成。智能產業對就業有替代效應的同時也有創造效應。例如互聯網行業，國內智能產業的重點子行業之一，其應用場景有搜索引擎、電商用戶行為分析等，同時帶動了運輸業的發展，創造了大量的低級勞動力就業。

四、結論和政策啟示

（一）結論

鑒于人才對智能產業發展的重要作用，本文使用線性回歸和非線性方法以及智能上市公司的數據，測算了各類因素對智能產業人才需求的影響和智能人才的需求量，得到以下結論：從整體上看，我國智能產業的人才需求量將逐步增加。其中，對低級勞動力仍有大量的需求，特別是應用環節對低級勞動力的需求量最大。地區的稅負和融資環境以及企業的經營規?；旧吓c智能產業的就業量正相關。企業收益質量與智能產業的中高級人才就業量顯著負相關。我國智能產業的人才結構對產業的人才需求水平提升明顯不利。

（二）政策啟示

基于上述分析，我國發展智能經濟之時應該做好以下工作。

一是有序加強對智能中高級人才的培養，特別是注重對技術平臺環節的中高級人才的培養，優化人才結構。技術層是人工智能發展的核心，對應用層的產品智能化程度起到決定性作用，在這一發展過程中，算法和計算力對智能技術的發展起到主要推動作用。因此，特別要加強算法和計算力專業人才的培養。根據《高等學校人工智能創新行動計劃》，清華大學、天津大學等高校已經成立了人工智能學院、智能與計算機學部等。但是在加強雙一流理工高校的人工智能人才培養力度的同時，要注意凸顯應用型高校結合地方智能經濟發展的特點和優勢，加強地方特色智能人才的培養。另外，加強再就業技能培訓工作，使其能從實質上起到對低級勞動力進行培訓、提升其素質的作用。當然，還需要配套相應的人才政策，以保障勞動者的生活需要和平穩實現就業轉型。

二是加強稅收政策的促進作用。稅收政策對產業規模有著很重大的影響。隨著2017年“人工智能”一詞在兩會政府工作報告中出現，人工智能產業上升為國家戰略后得到了政策支持。今后工作的重點應該在于如何落實和優化政策，使其對產業的推動作用進一步提升，進而擴大產業規模，然后增強對智能產業配套環節的促進作用，從而提升就業需求。與美國人工智能的國家戰略相比，我國的政策性策略最為突出，具有實際操作性的具體實施細則稍顯不足。需要盡快增加相關政策實施細則、階段性目標、時間計劃表、具體要求等內容，提高政策的可操作性并健全相應的監督機制，切忌讓規劃文件空轉，確保人工智能產業創新政策不斷得以持續貫徹落實。

三是避免收益質量對技術平臺和應用平臺產生負作用。企業的研發活動需要大量的固定資產投資和高層次人才。國內大多數中小型科技企業難以支付研發設備費用和聘用高層次人才。因此，政府應該加強公共技術平臺的建設工作，這樣能在降低中小型科技企業研發成本的同時吸引和聚集一批相對穩定的高層次人才進行持續的科研，有利于技術攻關和克服技術瓶頸。

[責任編輯：龐丹丹]