智造時代高職學生需要具備何種就業能力結構？

摘 要 就業能力作為連接職業教育人才培養與技術技能人才需求的中介環節，是職業教育服務制造業轉型升級的重要切入點。通過挖掘網絡招聘信息，采用大數據計量的方法提取智造時代高職學生的就業能力要素，并結合已有文獻分析和專家咨詢法予以修正，然后運用問卷調查法進行驗證，最后借鑒素質洋蔥模型構建出高職學生就業能力結構模型。該模型涵蓋了方法能力、技術能力、社會能力、學習能力和個體特質5個能力維度，并包含責任感、數字能力、創新能力、復雜問題解決能力等21個具體能力要素。通過構建高職學生就業能力結構模型發現，智造時代高職學生的就業能力呈現出要素日益更新化、維度日益復合化與層次日益知識化等特征。

關鍵詞 智造時代；制造業轉型升級；職業教育；高職學生；就業能力

中圖分類號 G712 文獻標識碼 A 文章編號 1008-3219（2023）10-0052-09

作者簡介

呂建強（1984- ），男，曲阜師范大學職業與繼續教育研究院講師，博士，研究方向：職業技術教育學（曲阜，273165）

基金項目

天津市哲學社會科學規劃重點項目“智能制造高技能人才培養模式變革研究”（TJJX20-022），主持人：許艷麗

隨著新一代信息通信技術與制造業深度融合，以“云大物移智”等數字技術為標志、以知識資源為依托的新一輪工業革命正在發生，這就是工業生產的第四個階段，即智能制造時代（下文簡稱“智造時代”）[1]?！吨悄苤圃彀l展規劃（2016-2020年）》指出，加快發展智能制造，是培育我國經濟增長新動能的必由之路，是搶占未來經濟和科技發展制高點的戰略選擇，對于推動我國制造業供給側結構性改革、打造制造業競爭新優勢、建設制造強國具有重要戰略意義。相較以往的工業時代，智造時代賦予工作世界以新的內涵，進而對技術技能人才提出了更高的就業能力要求。當前，我國技術技能人才供給還不能有效滿足智能制造的需求，民工荒、技工荒與大學生就業難問題的并存表明，空缺職位與人力資本供給存在嚴重的不匹配[2]。伴隨產業轉型升級進程出現的新職業和新崗位需要新的知識和能力，而勞動力或者缺乏特定的專業知識和能力，或者已有能力結構與產業發展需求不相契合，就業市場沒有形成供需匹配[3]?；诖?，本研究基于勞動力市場需求視角，采用混合研究方法對高職學生就業能力進行調查分析，并通過實證分析構建高職學生就業能力結構模型。

一、智造時代高職學生就業能力的要素提取

（一）數據來源

數據的選取應以權威性、科學性以及可獲得性為標準。技術進步、數字化和互聯網的普及使“大數據”收集成為可能。2019年網絡招聘雇主規模突破700萬，求職者突破1.9億人。招聘廣告內容的數據已從一系列國家在線招聘系統中收集，形成了大量數據集，其中載有關于招聘要求的詳細信息。通常記錄的信息包括廣告中的具體技能需求和技能相關指標，如職稱、資格、認證和經驗要求，以及關于空缺職位的其他信息，如經濟部門、雇主、職業類別和地理位置。收集數據是實時進行的，與公布前需要時間處理的調查相比，從網上職位空缺中獲得的數據幾乎可以立即使用[4]。因此，本研究借助大數據分析，通過數據挖掘、可視化技術等方法分析網絡招聘信息，推測高職畢業生的就業能力需求。

（二）分析方法

本研究運用內容分析法對所收集的資料進行分析。內容分析法是一種對具有明確特性的傳播內容進行客觀、系統和定量描述的研究技術[5]，具有客觀性、系統性、定量性、描述性和顯明性[6]。內容分析的具體過程是借助數據處理軟件或程序將目標媒介上的信息轉化為能夠定量分析的數據，并將數據內容分解歸類，以此來分析所需信息的某些特征[7]。網絡招聘信息屬于較為正式且簡短精練的書面用語，具有較強的一致性，適用于內容分析法。

（三）樣本選取

研究數據顯示，在眾多互聯網招聘網站中，前程無憂（www.51job.com）和智聯招聘（ts.zhaopin.com）行業占比最高，分別為31.8%和30.7%[8]，二者與應屆畢業生求職網（yingjiesheng.com）占據日均覆蓋人數的前三位，遠超其他招聘網站。在此基礎上增加專門招聘制造類技術技能人才的專業網站：制造業人才網（http：//www.michr.com/），以進一步提高樣本的代表性和針對性。樣本范圍限定在制造業，取樣過程是分別在這四個網站的職位搜索頁面設定檢索條件：以“工業4.0”“智能制造”“先進制造”“工業機器人”“軟件編程”“工業軟件”“數控機床”等為全文檢索關鍵詞，工作類型設置為“全職”，學歷要求設定為“大?！?，發布日期設定為“6個月內”，使用Python語言編寫腳本程序，于2020年10月20日抓取36866條招聘信息。對初步獲得的招聘數據進行篩選，剔除內容重復、外文、缺少具體要求，以及工作類型、學歷要求不符合數據選取標準、無關職位的招聘信息，最后獲得有效樣本13206份。

（四）資料編碼

資料編碼過程如下：首先，將Python采集的招聘信息保存到MYSQL數據庫中。招聘文本的主體內容為職位描述，主要包括崗位職責與任職要求，這是本研究的核心材料。其次，從MYSQL中提取導出CSV表格文件數據。最后，對數據進行清洗。對初步獲得的數據進行清洗，剔除無關內容，提煉出任職要求，以減少對后續數據編碼產生的干擾。清洗規則是運用關鍵詞剔除法，程序自動判定數據的有效性，結合自身的算法程序進行大數據樣本統計。雇主普遍關心的技能需求會較多地呈現在網絡招聘的文本信息中，因此，分析這些高頻詞匯可以推測出高職學生求職所需具備的就業能力[9]。

本研究首要的編碼工作是采用Jieba分詞軟件對所采集的數據進行分詞和詞頻分析，將與技能需求相關的高頻關鍵詞提取出來，然后分類合并剔除無關詞匯。通過數據清洗和提取關鍵詞等步驟，獲得21項出現頻率在10%以上的能力指標（見表1），從高到低依次是責任感、創新能力、適應能力、主動學習、終身學習、自我管理、復雜思維、溝通協調、團隊合作、服務導向、社交感知、設備操控維護、技術設計、數字能力、網絡技術、與計算機交互、解決復雜問題、業務流程管理、問題解決和優化、領導技巧和決策能力。然后，基于關鍵詞對各招聘信息中的任職要求內容分別進行編碼。通過計算編碼者的編碼一致性來度量內容分析的信度[10]。經計算，本次編碼信度為96.30%，符合標準。

二、智造時代高職學生就業能力的要素修正

智造時代勞動力市場的能力需求具有多樣性、復雜性和異質性，為進一步提煉高職學生就業能力需求，需按一定邏輯加以整合，增加討論的豐富性并減少數據的雜亂和遮蔽，以便更清晰地把握能力需求特點?？傮w而言，國內外已有研究對就業能力較為關注，運用不同視角和方法對就業能力要素和維度進行了分析探討，見表2。但現有研究多采用定性研究，對就業能力尤其是高職學生就業能力測量與評價的可操作性研究稍顯不足。

本研究中高職學生就業能力結構要素的提取以前述研究中的大數據分析和表1為基礎，對相關文獻資料的文本內容進行分析，見表2，提取描述高職學生就業能力結構要素的關鍵詞，對提取的關鍵詞中的相近詞進行歸并整合，對要素名稱進行轉換并補充和完善。為進一步完善就業能力結構模型要素，對初步提取的要素進行網絡預調研和專家咨詢。預調研的對象主要為職業教育研究人員、高職院校制造大類專業教師、制造類企業的技術人員。設計5點計分量表問卷進行測量。請上述人員對高頻能力因素進行評分，共發放問卷200份，收回問卷156份，有效問卷147份，問卷的有效率為94.23%。運用SPSS22.0對量表進行信度檢驗，克隆巴赫系數（Cronbachs alpha）為0.867＞0.70，表明量表信度可以接受。在此基礎上，KMO檢驗值為0.876，P=0.000＜0.001，表明樣本量足夠且顯著。結合對前期調研中的信息和專家意見，修正初步提取的就業能力要素，將“跨學科思考和行動能力”調整為“復雜思維能力”，將“建模/編程能力”修正為“與計算機交互的能力”；修正后的高職學生就業能力模型要素及釋義見表3。

三、智造時代高職學生就業能力的模型構建

（一）問卷設計與調查

基于網絡招聘信息并結合問卷調查對制造大類高職學生進行調查，設計5點計分量表問卷進行測量。請制造大類高職學生對表3中的就業能力要素分別打分。通過微信問卷的形式調查了500位高職學生，最后回收356份問卷，其中，有效問卷297份，有效率為83.42%。

（二）探索性因子分析

1.項目分析

為驗證問卷題目的測驗質量，需要在對高職學生就業能力問卷進行探索性因子分析之前做項目分析。項目分析按照極端分組法對題目的鑒別程度和題目之間的聚合程度進行測試。首先，將每個樣本得分相加求得各項目總分，接著采用極端分組法對項目加總后的總分數據進行分組，高分組為樣本的前27%，低分組則為樣本的后27%，然后對兩個分組在每項問題的得分進行獨立樣本T檢驗，最后得出獨立樣本T檢驗的sig值，當sig＜0.05表示問卷效果較好，該題目可以保留，如果sig＞0.05則表示該題目效果不好，應該刪除。根據各題項得分的獨立樣本T檢驗結果顯示，全部題目的決斷值都高于4，滿足顯著水平，表明題目的區分度滿足要求。

2.探索性因子分析

運用SPSS 22.0檢驗量表的信度，檢驗結果顯示：克隆巴赫系數（Cronbachs alpha）為0.867＞0.70，表明量表信度較高。KMO檢驗值為0.876，P=0.000＜0.001，表明樣本量足夠且顯著，量表可以采用因子分析。接下來使用SPSS 22.0對21個能力變量進行因子提取，然后采用主成分分析法，通過Varimax旋轉獲得6個特征值大于1的因素，這些因素共同解釋了這些項目之間64.78%的差異。表4顯示了6個因素上每個項目的載荷，可以發現每個指標在對應因子上的載荷在0.565～0.821之間，這一數據表明題目與因子之間的關系是緊密的。提取的因子累積方差貢獻率為71.23%，表明解釋度較高，說明本研究提取的幾個因子對問卷題目的解釋力足夠，有較好的代表性。適應能力、復雜思維、決策能力、領導能力四項在旋轉后都同時呈現在兩個因子內，表明它們在兩個維度上均存在一定的合理性。根據旋轉后的成分矩陣，對21個要素降維后的公共因子進行命名，提煉得到高職學生就業能力結構的一級維度，并對分類后的原有要素進行更正。

因子1包含責任感、創新能力、適應能力3個具體能力指標，其中，適應能力同時處于因子1和因子5中。因子分析方法規定，當一個觀測變量旋轉成份矩陣分布在兩個公因子時，按照觀測變量本身的意義，選擇適合自身的公因子[11]。結合這一思路，對因子1中的責任感和創新能力進一步觀察可以發現，兩者是對個體人格特質的表述。因子5中的解決復雜問題、業務流程管理、問題解決和優化三個能力指標更側重于行動中的方法策略。而適應能力更傾向于對個體心理特質的表述，因此，將其納入因子1之中，并將因子1命名為個體特質。

因子2包含主動學習、終身學習、自我管理、跨學科思考和行動4個能力指標。其中，復雜思維能力同時處于因子2和因子5中，與側重行動的因子5相比，復雜思維能力側重于思考能力更適合將其納入因子2。因此，將因子2中各要素的名稱改為主動學習、終身學習、自我管理、復雜思維能力，并將因子2命名為學習能力。因子3包含溝通協調、團隊協作、服務導向和社交感知4個要素指標。由此可見，這4個能力要素都是有關溝通互動和社會交往的相關內容。所以，可以將因子3命名為社會能力。因子4包含設備操控維護、技術設計、大數據、網絡技術、與計算機交互5個能力要素。因子4主要涉及技術和設備等的操控，因此，將因子4命名為技術能力。因子5包含解決復雜問題、業務流程管理、問題解決和優化3個能力要素。同時，領導技巧和決策能力同時處于因子5和因子6中。因子5中的三個能力指標側重于行動管理和策略，制造業工作環境中技術工人的領導技巧和決策更多的是指生產過程中處理臨時狀況的行動力，協調或組織生產資源的能力，因此將因子5和因子6合二為一，命名為方法能力。

根據上述因子分析結果可知，高職學生就業能力是一個結構化模型，由21項具體指標及其綜合而成的5個維度構成。按照因子分析結果可以得到高職學生就業能力結構維度及各項構成要素，見表5。

（三）高職學生就業能力結構模型的確立

1. 高職學生就業能力要素及其釋義

根據上述分析與討論結果，將高職學生就業能力結構模型中的具體要素和形成維度在表6中詳細呈現出來。

2.高職學生就業能力的信效度檢驗

對高職學生就業能力模型的5個維度進行信度與效度檢驗。首先，進行信度檢驗。本研究檢驗量表信度是采用因子之間及其與就業能力結構量表的相關性和內部一致性信度，見表7。運算結果表明，各個因子之間、因子與量表之間的相關性均達到了顯著正相關。各因子與總量表的相關系數依次為：個體特質（0.780），學習能力（0.762），社會能力（0.726），技術能力（0.713），方法能力（0.681），表明各因子與結構量表相關性較高。進一步考察高職學生就業能力結構各因子與結構量表之間的內部一致性程度表明，高職學生就業能力結構量表各維度的內部一致性程度較高，α系數在0.681～0.780之間，見表7?？偭勘淼膬炔恳恢滦孕哦认禂禐?.787，說明本研究的量表信度較高，表明本研究所構建的高職學生就業能力結構量表是穩定可靠的。

其次，進行效度分析。本研究采用常用的內容效度檢驗法來度量研究效度。本研究的就業能力結構量表是在已有研究基礎上編制的，有較好的理論和現實依據，而且量表編制過程較為規范，剔除了意義指向不明的項目，進一步提高了內容效度。運用因子分析法檢驗結構效度，探索性因子分析獲得的因子結構與理論構想的結構維度基本一致，同時，探索性因子分析結果顯示，本研究提取的5個因子對總體方差的解釋度是73.23%，表明這些因子對所有題項總方差的決定程度在73%以上，5個因子對原始題項有較高的代表性，據此可以認為該因子模型的結構效度良好。

依據聚類分析并綜合不同分類方法的特點與共識，結合雇主對就業能力需求關注點的差異，將高職學生就業能力劃分為5個維度，即個體特質、學習能力、社會能力、技術能力、方法能力。該就業能力結構模型涵蓋了從個體特質到方法能力等5個能力維度以及21個具體能力，見圖1。

四、智造時代高職學生就業能力結構模型的驗證

（一）研究設計與調查實施

通過分析高職學生就業能力與就業質量之間的關系來驗證因子結構的外部效度。同時對高職在校生和畢業生進行就業能力調查，并增加對高職畢業生就業質量的調查。就業質量是評價高職學生就業情況的重要指標。高質量就業是指畢業生在實現充分就業的前提下，能夠勝任職業崗位需求，對所從事的工作具有較高的滿意度[12]，并且符合地方乃至國家需求，使高校人才培養目標匹配經濟社會發展需求。已有研究多從宏觀和微觀兩個層面測量就業質量。宏觀視角的就業質量評價多是從畢業生的就業結構、地域分布、就業部門、職位供需等方面進行觀測；微觀視角的就業質量評價多是從工資水平、就業滿意度以及能崗匹配等方面進行考察[13]。本研究結合宏觀和微觀兩個維度對高職學生的就業質量進行考察。微觀層面從薪酬滿意度、福利保障以及工作發展機會等方面來觀測就業質量并采用5點量表測評；宏觀就業質量選取單位類型、平均起薪、薪資待遇相對水平進行測評。本次調查采用微信問卷形式，研究對象為近3年內畢業的制造大類高職學生。委托部分高職院校教師向已畢業學生發送微信問卷，每個微信號限填一次。調查在2021年3月下旬開展，為期一周，回收問卷852份，剔除無效問卷，獲得有效問卷667份，問卷有效率為78.30%。

（二）驗證性因子分析

1.就業能力結構因子間的相關分析

相關分析結果表明，高職學生就業能力各結構因子分量表與結構總量表的相關系數除一項低于0.6外，其余均在0.6以上，且P<0.01，說明本研究的就業能力結構對各因子有較好的代表性。各因子間的相關系數最低為0.245，最高為0.787，且P<0.01，表明各因子之間存在顯著性相關，見表8。

2.就業能力結構量表的信效度檢驗

運用SPSS22.0軟件檢驗就業能力結構量表及各分量表的內部一致性信度。運算結果顯示，內部一致性信度系數為0.875，表明量表的信度較高；各因子的內部一致性信度也較高，其中，個體特質、學習能力的內部一致性信度都在0.85以上。這表明，可以信賴量表的探索性因子分析結果。接著，運用SPSS22.0對結構量表的有效性作進一步檢驗。因子分析結果表明，KMO值為0.984，Bartlett球形度檢驗顯著性為0.000，表明可以用因子分析來檢驗。因子分析所提取的因子對總體方差的解釋度為77.343%，表明提取的因子具有較高的代表性，進一步說明能力結構模型較為合理。通過主成分分析法旋轉后的成分矩陣顯示，高職學生就業能力結構因子結構清晰，各因子內所包含的項目在該因子上的負荷最低值為0.573，最高值為0.892，因子結構與探索性因子分析得到的因子結構完全一致，進一步檢驗了高職學生就業能力因子結構的有效性。

3.就業能力結構量表的驗證性因子分析

利用AMOS22.0軟件對高職學生就業能力與就業質量研究樣本數據進行驗證性因子分析，分析結果見表9。根據模型擬合度指數，本研究模型的各種擬合度指數良好?？梢哉J為本研究構建的模型擬合效果較好。

（三）因子間的關系模型

進一步考察就業能力各因子間的結構關系。首先，結合前述就業能力結構要素間相互關系的理論設想，針對高職學生就業能力結構的初始模型，提出就業能力結構因子間關系的假設。高職學生就業能力結構分別包括個體特質、學習能力、社會能力、技術能力、方法能力5個結構因子?；趪鴥韧庖延醒芯康姆治?，本研究構建的高職學生就業能力結構初始模型中的要素關系類似冰山能力模型對顯性能力與隱性能力的關系描述，冰山模型將能力要素劃分為難以在短期發生改變或提升、可觀察的“水上部分”和容易通過教育或培訓得到提高的、不易觀測的“水下部分”。相比冰山能力模型，聚合能力模型除了體現各能力維度的聯系，更加關注各能力維度的層次性，模型的核心部分是中心的圓環對外層圓環具有驅動作用[14]。因此，本研究假設：個體特質是高職學生就業能力結構中的核心因子。個體特質主要由責任感、創新能力、適應能力構成，很大程度上決定了個體對各類能力的態度、學習及掌握。個體的責任感、適應能力和創新能力越強，越能夠自我激勵，持續學習并提高相關能力，促進職業生涯發展。具體到高職學生，其就業導向思維較普通高校大學生更明顯，那些具有更強責任心、創新能力和適應能力的高職學生，往往會努力鉆研專業技術、適應崗位變化和持續提升自己的能力。另外，創新能力強的人，更能把握和整合現有資源去適應不斷變遷的工作環境。

學習能力作為次深層的因子，主要包括主動學習、自我管理和終身學習等，反映了個體對環境的適應程度和信息的獲取效率，對技術能力、方法能力和社會能力的獲取具有重要的前提性影響。技術能力、方法能力和社會能力是就業能力結構中的外層因子，其中，技術能力主要包括設備操控維護、技術設計、數字能力、網絡技術、與計算機交互等；方法能力主要包括解決復雜問題、業務流程管理、問題解決和優化、領導技巧和決策能力等；社會能力包括溝通協調、團隊合作、服務導向和社交感知等。技術能力、方法能力和社會能力三者之間是平行且相互影響的關系。社會能力和方法能力影響技術能力的獲取，企業和個人更愿意為有良好社會能力的員工提供獲得技術和技巧的機會。方法能力有助于個體高效率地完成任務和獲得技術能力。

通過運用AMOS 22.0軟件驗證因子間的關系，分析數據顯示，各類擬合指數均大于0.9，表明修正后的因子關系結構模型擬合度較好。各類統計指標符合標準?？梢哉J為，本研究構建的高職學生就業能力結構模型通過驗證。修正后的模型顯示，個體特質對學習能力、技術能力、方法能力和社會能力的影響都顯著，驗證了其在結構中的核心控制作用；學習能力對技術能力、社會能力和方法能力的影響作用明顯且較其他維度更大，這表明學習能力強的高職學生更能夠感知外部環境因素的變化，并善于調節自身來適應環境變化。

（四）高職學生就業能力結構改進模型

通過以上探索性和驗證性因子分析，得到改進后的高職學生就業能力結構模型，見圖2。改進模型由五個層面構成，由表及里分別是方法能力、技術能力、社會能力、學習能力和個體特質。與初始就業能力結構模型相比，改進后的模型各維度之間的關系更加清晰。圖3是高職學生就業能力結構的聚合模型，聚合模型更注重突出就業能力的層次性，通過圖示更明確地表現出高職學生就業能力構成中隱性的個人特質和學習能力與外顯的技術能力、方法能力和社會能力在維度上的層次性。越接近外層的能力維度越是外顯的，也就越容易測評和考察。技術能力、方法能力和社會能力處于聚合能力結構的表層，容易培養、測量、評價和考察。個人特質位于就業能力結構的內層，體現了智造時代高職學生的核心特質和最深層次的就業能力特征，是最難于發展和改變的部分。目前，對個體特質和學習能力等較為隱性的能力還很難觀測評價，需要探索新的觀測和評價方法以對學生的個體特質和學習能力進行有效考察，以便能夠對高職學生未來職業發展進行科學預測和評價。

結合智造時代高職學生就業能力的聚合模型，在對高職學生就業能力進行考察、測評以及培養過程中，不僅要關注他們外顯的知識和能力，還應更審慎、細致地觀測其內在的個人特質和學習能力。聚合能力模型可以為高職學生的就業能力培養提供可資借鑒的內容和思路。本研究構建的就業能力結構模型反映了智造時代所需的能力要素和維度，有利于更有針對性地對高職學生就業能力進行培養和評價。

五、研究結論

通過構建高職學生就業能力結構模型可以發現，智造時代高職學生就業能力結構呈現出要素日益更新化、維度日益復合化與層次日益知識化等特征。

（一）就業能力結構要素日益更新化

一是數字能力正成為通用能力。第四次工業革命也稱為“數字革命”，無論就業者來自哪個行業、從事何種工作、處于哪個層級，數字接收能力和數字產出能力都不可或缺[15]。從制造業轉型升級的驅動因素而言，制造業的智能生產、智能服務、智能物流等環節都需要先進數字技術的驅動，離開數字技術很難順利實現制造業轉型升級。智能制造的特點是可以針對不同消費群體需求進行個性化定制，需要借助各種先進技術判斷和預測消費者偏好，進而組織生產并提供服務，這些功能的實現同樣離不開相應的數字能力。

二是復雜思維能力日益受到關注。由于智能制造具有個性化、多種類和大批量定制化的生產特點，生產過程需要涉及多學科的知識和技能，生產智能化導致各個生產環節間的界限趨于模糊，員工需要掌握產品的全鏈條知識，成為產品的設計者、制造者、管理者與服務者[16]。智能生產系統與復雜的電子和數據處理過程相結合，也增加了所有層級的資格和能力要求。除了必要的學科知識和應用外，員工將越來越需要具備跨學科的復雜思維能力。

三是漸進式創新能力日益重要。漸進式創新是指直接從事生產的工人、技師所進行的漸進的、連續的創新活動，它往往伴有產品創新、過程創新和組織創新的連鎖反應，并最終引起產業結構變化[17]?？梢哉f，漸進式創新是提升產業創新能力的一個必經過程，是實現一國制造業根本性創新的深厚技術基礎[18]。漸進式創新需要用到員工隊伍中長期積累起來的技能，因為很多對產品改進的想法都是通過在實際操作過程中對生產過程的直接觀察得來的。

（二）就業能力結構維度日益復合化

一方面，產業關聯度的不斷強化需要勞動者掌握更加復合化的能力。產業轉型升級的趨勢之一就是產業之間的界限日趨模糊，各類產業聯系日益緊密，這就需要員工具備通用能力，既要精通本職崗位的專業技能，還要了解甚至掌握相關崗位、學科的知識和技能，形成復合化的能力體系。制造業轉型升級下的產業集群有別于傳統意義上僅限于某一地域的產業集群概念，借助“云大物移智”等前沿數字技術突破了地域限制，實現了各個生產環節的緊密聯合，最終實現快速化、大規模、個性化定制生產。新型制造模式要求技術工人具備更復雜的能力以適應生產的變革，他們既要掌握相關數字技術以適應智能化生產流程，也要具備跨學科知識和靈活性以應對產品的快速迭代更新；還要具備服務式生產模式所產生的新型營銷、設計和售后等方法和社會能力。

另一方面，工作組織環境的復雜化導致技能的復雜化。由于新興技術的破壞性以及通信和協作結構的改進，工作活動的技術、組織和社會領域將重疊，工作組織模式將變得更加關聯和更加復雜。同時，采用智能制造技術導致人們在數字化和網絡化的工作場所工作，促進與算法和機器人的交互，以及在虛擬世界中工作和交流。這些變化導致了對獨特和專門技能集的新要求[19]。隨著智能制造系統的復雜性和知識密集性的持續深化，勞動者技能的復雜性也隨之不斷增長。例如，在訂單式生產環境下，市場需求變化頻繁，表現為品種多、交貨期短、質量要求高、工藝復雜等。一線員工的多技能及自組織、自適應能力的發揮，可有效應對需求的復雜變化及生產過程的失衡[20]。

（三）就業能力結構層次日益知識化

智能化補充了工人的認知和創造性能力。智能化通過縮短從概念到實現的距離，擴大了思想的力量。機械提高了人類在開發和指導復雜生產過程中專業知識的價值，并提供了使人們將想法轉化為產品和服務的工具。隨著時間的推移，智能化將人類勞動的比較優勢從物理領域轉移到認知領域，并不可避免地提高了大多數工作的技能要求。另一方面，由于全球競爭和產品復雜性的日益增加，生產系統和自動化的復雜性急劇增加，這加重了自動化技術人員、系統工程師和設備工程師的負擔，因為人類的認知能力并沒有上升到與技術系統的復雜性相匹配的程度[21]。

未來勞動力需求將轉向知識密集型工作，與生產有關的技能是各國經濟增長以及制造業保持長期競爭力的重要組成部分。智能制造融合了先進制造技術和新一代數字技術，系統集成了硬件、軟件、人、網絡和標準等制造要素。滿足智能制造需求的人才既要掌握先進的制造技術又要精通新興數字技術，還要具備現代管理理念與知識[22]。智能制造所需要的人才知識結構發生了新的變化，技能需求也隨之轉變。生產制造從過去單一、瑣碎的流水線模式轉向柔性化、個性化、靈活的智能生產模式，而生產制造所需要的高技能工人也從傳統機器和工具的操作者、加工者轉向智能裝備和數控機床的使用者與管理者[23]。因此，智能制造的工作崗位需要跨學科的專業工程師、智能生產車間和工廠的頂層架構師，需要新一代的信息知識和技術、網絡技術以及通信、計算、控制等多元化的復合知識與能力。

參 考 文 獻

[1]苗圩.中國制造處于全球制造第三梯隊[EB/OL].（2015-11-18）[2020-12-09].http：//www.chinanews.com/cj/2015/11-18/7630207.shtml，

[2]張原.工業化進程中的職業教育[M].北京：知識產權出版社，2016：111.

[3]張原，陳建奇.我國經濟發展方式非均衡特征及優化的政策選擇——基于人力資本投資低水平“陷阱”視角的分析[J].當代經濟科學，2011（3）：87-96.

[4]IOL.Can we use Big Data for Skills Anticipation and Matching？[EB/OL].（2019-09-20）[2021-03-01].https：//www.ilo.org/wcmsp5/groups/public/---ed_emp/documents/genericdocument/wcms_715844.pdf.

[5]MICHAEL SINGLE FARY. Mass Communication Research： Contemporary Methods and Application[M].New York：Long Man，1994：281.

[6]周翔.傳播學內容分析研究與應用[M].重慶：重慶大學出版社，2014：10.

[7]王偉軍，蔡國沛.信息分析方法與應用[M].北京：清華大學出版社，2010：172.

[8]艾瑞咨詢.中國網絡招聘行業半年度報告（2017）[EB/OL].（2018-09-17）[2021-03-02].http：//report.iresearch.cn/report/201711/3082.shtml.

[9]許艷麗，呂建強.面向人工智能的高職畢業生技能需求研究——基于近萬條網絡招聘信息的調查分析[J].高教探索，2019（7）：97-102.

[10]柳俊，王求真，陳琿.基于內容分析法的電子商務模式定義研究[J].浙江大學學報（人文社科版），2010（5）：82-91.

[11]王萍，張韞麒，朱立香，等.政務微信公眾號知識服務質量影響因素研究[J].圖書情報工作，2018（23）：43-50.

[12]張小詩，于浩.高校畢業生高質量就業的基本內涵[J].現代教育管理，2016（7）：115-119.

[13]楊釙，郭建如，金軼男.高職高專畢業生就業質量分析[J].教育發展研究，2013（21）：24-34.

[14]宋雪雁，李溪萌，鄧君.數字時代檔案文獻編纂人員勝任力模型研究[J].圖書情報工作，2020（3）：32-41.

[15]劉立新，劉紅，殷文.工業4.0背景下德國職業教育發展戰略[M].北京：教育科學出版社，2019：170.

[16]謝莉花，尚美華.智能制造背景下技術技能人才的資格要求及培養定位[J].職業技術教育，2019（4）：18-24.

[17]李毅.日本制造業自主發展過程中的技術創新研究：經濟史的啟示[J].經濟研究參考，2007（21）：29-44.

[18]G.DOSI， ET AL. Technical change and economic theory[M].London： Pointer Books， 1988：45-59.

[19]KERGROACH， S. Industry 4.0： New challenges and opportunities for the labour market[J].Foresight and STI Governance， 2017，11（4）：6-8.

[20]劉蓉，胡盛強，張畢西.人工作業系統各作業模式生產效率與成本分析[J].系統工程，2013（7）：104-109.

[21]比吉特·沃格爾—霍伊澤爾，托馬斯·保爾漢森，邁克爾·騰·洪佩爾.德國工業4.0大全第2卷：自動化技術（第2版）[M].房殿軍，林松，張新艷，等，譯.北京：機械工業出版社，2019：56.

[22]李耀平，郭濤，段寶巖.面向智能制造的人才培養策略[M].西安：西安電子科技大學出版社，2019：41.

[23]鄒潔.辛國斌：推進智能制造需錘煉高水平供應商[N].中國工業報，2019-12-16（1）.

Abstract? Higher vocational studentsemployability， as an intermediary link connecting the cultivation of vocational education talents and the demand for technical and skilled talents， is an important entry point for the transformation and upgrading of vocational education service manufacturing industry. By mining the online recruitment information， using the big data measurement method to extract the employability elements of higher vocational students in the era of intelligent manufacturing， combined with the existing literature analysis， modify the ability elements through the expert consultation method， use the questionnaire survey method to verify， and use the quality onion model for reference to construct the employability structure model. In the era of intelligent manufacturing and the overall strategy of high-quality development of vocational education， we finally constructed an aggregate ability structure model covering five ability dimensions： method ability， technical ability， social ability， learning ability and individual characteristics， and including 21 specific abilities such as sense of responsibility， digital ability， innovation ability and complex problem-solving ability.

Key words? intelligent manufacturing age; manufacturing transformation and upgrading; vocational education; higher vocational students; employability