1. 引言
随着中国经济的快速发展和转型,以新商科教育为主题的新一代产业经济革命正不断向高校教育提出新的挑战,紧紧围绕“新商科”教育如何开展等话题,在全国高校里掀起了一阵热潮。同时移动互联网、大数据技术、人工智能的迅速发展催生了新技术、新业态、新产业,我国经济结构面临巨大调整优化,这对商科人才的结构和规模提出了巨大要求,需要大量复合型人才进行支撑。为此,只有将“供需匹配”作为导向,才能让“商道”教学有所依托。本文以上海市为例,从供给端和需求端出发,对产教融合背景下新商科人才双创人才市场供需匹配现状进行调查,以此得出培养拔尖双创人才的方案。霍宝锋(2023)认为新商科的时代背景是:当前数字经济时代与以往原始的工业经济时代不同,需要高校将重点聚焦于“融合”,打破传统学科存在的界限,培养具有跨界能力的学生 [1] 。在对新商科理念的定义中,杨倩(2023)认为新商科是培养具备基础理论扎实、创新型的人才,注重跨学科知识和创新思维的锻炼培训,强调行业适应性和数字化转型背景下商业和新技术的连接 [2] 。李瑞强(2023)认为当前的新商科教学忽视创新型人才培养、缺乏连续性和衔接度的专业课程设计,以及社会实践教育方法和途径不足等 [3] 。张雨婷(2023)曾利用供需匹配度模型从社区端和医疗机构端对社区医疗卫生医养结合服务进行研究 [4] 。本文在上述研究基础上进行创新,利用供需匹配度模型对高校端和企业端所培养的商科人才的匹配度进行调查。研究发现高校培养的沟通型人才与知识型人才达到了企业的需求,但其培养的创新型人才与应用型人才尚未达到企业的标准,商科人才培养仍然面临很大的质量缺口。同时,针对供需匹配模型得出质量缺口,本文认为当下商科人才的培养方向应定位成培养基于能力复合型的精准决策的数字商科管理人才。
2. 数据处理
2.1. 数据获取
由于本次调查需要从供给和需求两个角度切入,因此调查问卷的设计也相应分成两个部分,分别向企业和高校商科学生进行问卷发放。
1) 供给端
本部分调查着眼于高校对商科专业学生的能力培养的研究,调查中包含的三个方面有:被调查者的基本信息、被调查者学校相关举措和被调查者对于自身能力的认知,主要调查人群为上海市各大高校的商科学生,调查方式为简单随机抽样与分层抽样相配合。最终获得供给端问卷1054份,有效问卷934份。
2) 需求端
需求端的调查群体主要是围绕各大企业的主管、HR以及实习专员,调查方式为便利抽样,问卷的设计首先从调查单位的基本信息出发,大致对企业类型进行初步了解,随后通过一系列选择题的设计来了解企业对新商科人才各方面需求的侧重点以及对新商科人才评价与期望的调查,最终获得需求端问卷280份,有效问卷251份。
2.2. 抽样检验
为判断供给端抽样效果的好坏,控制抽样估计的精度,我们首先对供给端样本设计的效果进行测定,计算本次抽样调查的设计效果系数Deff。对于分层随机抽样和简单随机抽样相结合的抽样方式,计算这种抽样方式下调查总体满意度总体均值的方差的无偏估计量。首先,对第i层的第j个学校抽取的样本毕业生计算其方差,通过方差求得该学校被调查者的满意度总体均值的方差的无偏估计,计算见式(1)。
(1)
式(1)中,
表示满意度均值;
为抽样比,在各学校2019级至2022级商科专业在校生总体很大的情况下,认为
;
表示第i层的第j个学校抽取商科专业在校生样本量。在求出第i层的第j个学校被调查者的满意度总体均值的方差的无偏估计后,计算第i层所有学校2019级至2022级商科专业在校生的满意度总体均值的方差的无偏估计,计算见式(2)。
(2)
式(2)中,
表示第i层第j个学校2019级至2022级商科专业在校生总量占该层总量的层权比;
表示第i层的入样学校数量。在求出第i层毕业生的满意度总体均值的方差的无偏估计后,计算这种抽样方式下调查总体满意度总体均值的方差的无偏估计量,计算见式(3)。
(3)
式(3)中,
表示第i层学校2019级至2022级商科专业在校生总量占上海地区设有商科专业的本科院校2019级至2022级商科专业在校生总量的层权比。
通过样本数据的收集和整理,我们得出
、
、
、
,从而计算出分层随机抽样和简单随机抽样相结合方式下调查总体满意度总体均值的方差的无偏估计量 = 0.000043327。
而若将这934名被调查者看作通过简单随机抽样方式直接抽取,那么可以计算出简单随机抽样方式下满意度总体均值的方差的无偏估计量,计算见式(4)。
(4)
式(4)中,f表示简单随机抽样方式下的抽样比;n表示样本总量,即934名有效样本;表示样本方差。根据调查数据,计算得
。
因此,抽样方式设计效果系数为:
(5)
(6)
结果显示Deff < 1,表明本调查采用的分层随机抽样和简单随机抽样相结合的方式比简单随机抽样更有效,抽样效果更好。
2.3. 数据检验
对供给端和需求端获取的样本数据进行信度和效度检验。利用公式(7)对样本数据进行信度检验,其中供给端Cronbach α值为0.828,需求端Cronbach α值为0.885,说明其可靠性较高;效度检验中,使用KMO值样本检测和Bartlett氏球型检验来检测问卷的结构效度。使用SPSS计算问卷的KMO (Kaiser-Meyer-Olkin),得到结果,供给端KMO系数为0.779,需求端KMO系数为0.815,二者P值均为0.000,因此可以说明供给端和需求端问卷的数据有效性较高,适合做因子分析。
(7)
3. 模型建立
本文想要将供给端与需求端的问卷调查结果进行聚类分析,使得调查对象分成具体的类别,从而得出供给端与需求端的人群特征对比。但是由于分析项过多,故需要首先进行因子分析降低问题的维度,然后将得到的因子得分进行聚类分析后进行命名,以此得到结论。
3.1. 因子分析
因子分析是主成分分析的推广,即利用降维的思想,把一些具有错综复杂关系的多个变量归结为少数几个综合因子的一种多元统计分析的方法。由于分析项过多,我们从两个问卷的问题中分别挑选有代表性的10个问题,并且这10个问题分别与供给端与需求端对应,可以形成供给端与需求端的对比,并计算出因子得分,利用因子得分进行后续聚类分析。
3.1.1. 因子分析的有效性检验
在进行因子分析之前,首先要判断数据是否适合进行因子分析,数据检验结果如表1所示,KMO统计量供给端和需求端分别为0.690和0.680,很适合做因子分析。同时巴特利特球形度检验显著性为0.000,说明可以在1%的显著性水平上拒绝原假设即相关系数矩阵为单位阵,说明变量之间存在相关关系,适合做因子分析。
![](Images/Table_Tmp.jpg)
Table 1. KMO test and Bartlett for supply-side and demand-side questionnaire
表1. 供需两端问卷KMO检验和Bartlett
注:***、**、*分别代表1%、5%、10%的显著性水平。
3.1.2. 因子提取
观察所研究的10个题目可大致分为四类,因此我们初步提取4个因子进行因子分析,得到供给端和需求端的方差解释率如表2和表3所示。
![](Images/Table_Tmp.jpg)
Table 2. Table of variance explanation rates on the supply side
表2. 供给端方差解释率表格
![](Images/Table_Tmp.jpg)
Table 3. Table of variance explanation rates on the demand side
表3. 需求端方差解释率表格
3.1.3. 因子提取
旋转后因子载荷系数可以用于判断因子与题项之间的对应关系,如果出现“张冠李戴”或者“纠缠不清”的情况需要关注,如果某分析项对应的多个因子载荷系数绝对值均低于0.4,可考虑删除该项。利用SPSSAU软件,将10个问题浓缩成4个因子,每一个问题对应的因子均存在大于0.4的情况,意味着研究项和因子之间有着较强的关联性,因子可以有效的提取出信息,所以不用删除调整。根据SPSSAU的数据结果分析,可将研究变量浓缩成四个因子:业务能力、沟通能力、创新能力、知识水平。其中业务能力主要是指岗位技能熟练、工作效率高;沟通能力指具有超强的协调能力以及团队协作能力;创新能力是指双创竞赛经历及工作中的创新能力;知识水平是指学科基础知识及通识课基础知识的扎实程度。
3.2. 聚类分析模型
在进行因子分析后,我们分别对需求端(企业端)和供给端(高校端)所培养的商科人才进行聚类分析,将商科人才划分为不同特点的人群,同时使用4个因子对不同的商科人才进行描述并命名,以便更加直观的看出商科人才类型和特征画像。在本次分析中,我们选择K-Means聚类。K均值聚类算法是一种迭代求解的聚类分析算法。基于前面的因子分析以及问卷调查数据,本文预将数据分为4组,将该四个对象作为初始的聚类中心。然后计算每个对象与各个样本聚类中心之间的距离,把每个样本分配给距离它最近的聚类中心。
3.2.1. 聚类基本情况
1) 供给端
使用聚类分析对供给端样本进行分类,使用K-means聚类分析方法,从下表可以看出:最终聚类得到4类群体。其中创新型人才的频数为192,占比为20.13%;知识型人才频数为333,占比为34.91%;沟通型频数为283,占比为29.66%;应用型人才频数为146,占比为15.30%;
2) 需求端
使用聚类分析对需求端样本进行分类,使用K-means聚类分析方法,从下表可以看出:最终聚类得到4类群体。其中创新型人才频数为61,占比为24.30%;知识型人才为54,占比为23.51%;沟通型人才频数为59,占比为21.51%;应用型人才频数为77,占比为30.68%;
3.2.2. 聚类结果分析
根据聚类方差分析表发现聚类结果均呈现显著性(P < 0.05),意味着聚类得到的不同类别样本,在相同指标上具有明显差异。这说明参与聚类分析的三个变量能够很好的区分类别,类间差异足够大,P值越小说明类别之间的差异越大。
![](Images/Table_Tmp.jpg)
Table 4. Comparison results of variance analysis of clustering categories on the supply side
表4. 供给端聚类类别方差分析差异对比结果
![](Images/Table_Tmp.jpg)
Table 5. Comparison results of variance analysis of clustering categories on the demand side
表5. 需求端聚类类别方差分析差异对比结果
3.2.3. 聚类结果分析
第一类:应用型人才,该类人才指代业务能力突出,能自如从事设计、规划、管理和决策等方面的人群。该类人才的培养能帮助学生掌握实用的技能,提高他们的实践能力,从而更好的适应于社会发展的需要,对应于表4、表5的类别1,即第一列,判断依据为:从表4所示的供给端聚类类别方差分析可以看出,第一类人群样本数共有146人,其在业务能力特质上得分高于剩余三项,即其的主要特征为业务能力突出,符合应用型人才特征;其余几类人才判断方式一致,后文不再详述。
第二类:创新型人才,具有一定的创新能力,善于思考,并且在双创类竞赛中获得一定的奖项。当今时代创新已经成为推动社会发展的核心驱动力,创新型人才培育是社会发展的重要力量。对应于类别4.在需求端占比24.30%,供给端占比20.13%,处于供不应求状态,这说明当下商科双创人才仍然无法满足市场上的人才需求。
第三类:沟通型人才,在日常工作中,具有超强的协调能力以及团队协作能力,且英语口语等能力较强。对应于类别2,在需求端占比21.51%,供给端占比29.66%,处于供过于求状态,即当下高校培养的该类人才已经满足企业的要求。
第四类:知识型人才,专业基础知识较好,且英语水平与计算机水平能力较强。对应于类别3,需求端占比23.51%,供给端占比34.91%,处于供过于求状态。
3.3. 供需匹配度模型
利用已有的样本数据,来分析商科类人才供给(企业端)与需求(高校端)的匹配程度,描述性统计分析、方差分析、卡方检验是目前已有研究的常用方法,但很难得出具体项目的匹配程度,仅能作为简单的定量分析的依据。故本文在徐德英等人所研究的供需匹配度模型的基础上进行改良,利用上述通过构建供需匹配模型对商科人才的不同维度进行供需匹配分析。
3.3.1. 模型建立
1) 供需匹配度
商科人才供需匹配度
,指高校所培养的新商科人才与企业实际所需要的商科人才特质之间的适配程度。当匹配度低于0.9为较低匹配度,高于0.9为较高匹配度,当匹配度为1为完美匹配度。计算公式如下:
,其中
(8)
(9)
(10)
其中
表示企业端中样本j对第i项人才特质的需求强度(即企业端问卷中对商科人才第i项人才特质的期望值),
表示高校端中样本j对第i项人才特质的供给强度(即供给端问卷中商科人才对自身人才特质评价的实际值)。
在以需求为横轴,供给为纵轴的坐标系中,(需求,供给)表示人才特质的供需坐标。商科人才供需匹配度取值在
之间。
2) 匹配环境
匹配环境
的取值为{1, −1}。当商科人才某项人才特质的供给强度大于企业的实际需求强度时,匹配环境变量
记为−1,此时意味着供给端要削弱对商科人才该项人才特质的培养力度;当商科人才某项人才的供给强度小于企业的实际需求时,匹配环境变量
记为1,此时意味着供给端要加大对商科人才该类特质的培养力度。
(11)
(12)
3) 供需匹配向量
人才供需匹配向量
,即企业对商科人才的某项人才特质的需求程度与高校对其的培养程度之间的差异情况,用商科人才供需匹配度与环境变量的二维向量来表示。
3.3.2. 结果分析
以上述问卷调查结果为基础,为确保模型的合理性与准确性,我们从供给端与需求端问卷中各随机抽取200个样本,以此来计算供需匹配度与匹配环境,得到供需匹配二维向量。利用已有的聚类分析知,目前市场上的商科人才主要有四大类:应用型、创新型、沟通型、知识型。本文将这三类标准作为一级人才要素,结合问卷调查题目,一级人才要素下又设各个二级人才要素。
表6显示了运用商科人才供需匹配模型分析目前商科人才各种要素需求与供给的匹配程度的结果。调查结果显示:
匹配度:创新型人才 < 应用型人才 < 知识型人才 < 沟通型人才;
匹配环境:供不应求:应用型人才、创新型人才;供过于求:沟通型人才、知识型人才。
![](Images/Table_Tmp.jpg)
Table 6. The matching degree of various elements of business talents in the demand side and the supply side
表6. 商科人才各种要素需求与供给的匹配程度
沟通型人才与知识型人才的一级匹配度大于0.9,处于供需匹配状态,且匹配环境为−1,说明目前二者处于供过于求状态,表明当下商科人才的沟通表达能力与专业基础知识能力的实际值与企业的期望值基本一致。但需要注意的是知识型人才的二级指标计算机能力的匹配度处于较低水平,说明商科学生的计算机能力仍有所欠缺。
应用型人才、创新型人才的一级匹配度小于0.9,且匹配环境为1,说明二者目前在人才市场上处于供不应求状态,表明当下高校所培养的商科人才在这两方面仍未满足企业的需求。同时两者的二级指标业务操作能力、创新能力匹配度处于较低水平,未来仍有很大改进空间。
通过以上供需匹配度的对比,本文发现,当下新商科人才创新发展仍然存在较大壁垒。其一,对双创人才培养的实践教学重视程度不够,虽然我国有很多高校在创新创业教育方面加大了力度,但实践能力依旧欠缺;其二,大部分商科人才对数据处理、人工智能等领域不够了解,计算思维和数据思维尚未达到市场的要求。
4. 结论与建议
本文通过供需匹配度模型发现高校培养的沟通型人才与知识型人才达到了企业的需求,但其培养的创新型人才与应用型人才尚未达到企业的标准。二级匹配因素下,发现当下商科学生的计算机能力、创新能力、业务操作能力与企业所要求的水平不相匹配,说明商科人才培养仍然面临很大的质量缺口。针对这些缺口,本文从企业维度、学生维度、高校维度综合考虑,认为当下商科人才的培养方向应定位成培养基于能力复合型的精准决策的数字商科管理人才。但究其根源,我们认为造成当下商科人才社会适应性缺失的根本原因是大学生的态度问题。当前商科学生并没有抓住教育改革为我们带来的便利条件,也没有认清大数据时代下自身发展所面临的挑战,而是依旧安于现状,得过且过,要想从根本上解决商科人才社会适应性缺失的问题,当下商科学生必须重新审视自己,去做一些“正确”的事。