智造時代高職學生需要具備何種就業(yè)能力結構？

摘 要 就業(yè)能力作為連接職業(yè)教育人才培養(yǎng)與技術技能人才需求的中介環(huán)節(jié)，是職業(yè)教育服務制造業(yè)轉型升級的重要切入點。通過挖掘網(wǎng)絡招聘信息，采用大數(shù)據(jù)計量的方法提取智造時代高職學生的就業(yè)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(yè)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(shù)字能力、創(chuàng)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(yè)能力結構模型發(fā)現(xiàn)，智造時代高職學生的就業(yè)能力呈現(xiàn)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(yè)轉型升級；職業(yè)教育；高職學生；就業(yè)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(yè)與繼續(xù)教育研究院講師，博士，研究方向：職業(yè)技術教育學（曲阜，273165）

基金項目

天津市哲學社會科學規(guī)劃重點項目“智能制造高技能人才培養(yǎng)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(yè)深度融合，以“云大物移智”等數(shù)字技術為標志、以知識資源為依托的新一輪工業(yè)革命正在發(fā)生，這就是工業(yè)生產(chǎn)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(fā)展規(guī)劃（2016-2020年）》指出，加快發(fā)展智能制造，是培育我國經(jīng)濟增長新動能的必由之路，是搶占未來經(jīng)濟和科技發(fā)展制高點的戰(zhàn)略選擇，對于推動我國制造業(yè)供給側結構性改革、打造制造業(yè)競爭新優(yōu)勢、建設制造強國具有重要戰(zhàn)略意義。相較以往的工業(yè)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(yè)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(yè)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(chǎn)業(yè)轉型升級進程出現(xiàn)的新職業(yè)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(yè)知識和能力，或者已有能力結構與產(chǎn)業(yè)發(fā)展需求不相契合，就業(yè)市場沒有形成供需匹配[3]?；诖耍狙芯炕趧趧恿κ袌鲂枨笠暯?，采用混合研究方法對高職學生就業(yè)能力進行調查分析，并通過實證分析構建高職學生就業(yè)能力結構模型。

一、智造時代高職學生就業(yè)能力的要素提取

（一）數(shù)據(jù)來源

數(shù)據(jù)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(shù)字化和互聯(lián)網(wǎng)的普及使“大數(shù)據(jù)”收集成為可能。2019年網(wǎng)絡招聘雇主規(guī)模突破700萬，求職者突破1.9億人。招聘廣告內容的數(shù)據(jù)已從一系列國家在線招聘系統(tǒng)中收集，形成了大量數(shù)據(jù)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(jīng)驗要求，以及關于空缺職位的其他信息，如經(jīng)濟部門、雇主、職業(yè)類別和地理位置。收集數(shù)據(jù)是實時進行的，與公布前需要時間處理的調查相比，從網(wǎng)上職位空缺中獲得的數(shù)據(jù)幾乎可以立即使用[4]。因此，本研究借助大數(shù)據(jù)分析，通過數(shù)據(jù)挖掘、可視化技術等方法分析網(wǎng)絡招聘信息，推測高職畢業(yè)生的就業(yè)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(tǒng)和定量描述的研究技術[5]，具有客觀性、系統(tǒng)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(shù)據(jù)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(shù)據(jù)，并將數(shù)據(jù)內容分解歸類，以此來分析所需信息的某些特征[7]。網(wǎng)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(shù)據(jù)顯示，在眾多互聯(lián)網(wǎng)招聘網(wǎng)站中，前程無憂（www.51job.com）和智聯(lián)招聘（ts.zhaopin.com）行業(yè)占比最高，分別為31.8%和30.7%[8]，二者與應屆畢業(yè)生求職網(wǎng)（yingjiesheng.com）占據(jù)日均覆蓋人數(shù)的前三位，遠超其他招聘網(wǎng)站。在此基礎上增加專門招聘制造類技術技能人才的專業(yè)網(wǎng)站：制造業(yè)人才網(wǎng)（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(yè)，取樣過程是分別在這四個網(wǎng)站的職位搜索頁面設定檢索條件：以“工業(yè)4.0”“智能制造”“先進制造”“工業(yè)機器人”“軟件編程”“工業(yè)軟件”“數(shù)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“大專”，發(fā)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(shù)據(jù)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(shù)據(jù)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(shù)據(jù)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(shù)據(jù)。最后，對數(shù)據(jù)進行清洗。對初步獲得的數(shù)據(jù)進行清洗，剔除無關內容，提煉出任職要求，以減少對后續(xù)數(shù)據(jù)編碼產(chǎn)生的干擾。清洗規(guī)則是運用關鍵詞剔除法，程序自動判定數(shù)據(jù)的有效性，結合自身的算法程序進行大數(shù)據(jù)樣本統(tǒng)計。雇主普遍關心的技能需求會較多地呈現(xiàn)在網(wǎng)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(yè)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(shù)據(jù)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(shù)據(jù)清洗和提取關鍵詞等步驟，獲得21項出現(xiàn)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(chuàng)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(xié)調、團隊合作、服務導向、社交感知、設備操控維護、技術設計、數(shù)字能力、網(wǎng)絡技術、與計算機交互、解決復雜問題、業(yè)務流程管理、問題解決和優(yōu)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(jīng)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(yè)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(yè)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(shù)據(jù)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(yè)能力較為關注，運用不同視角和方法對就業(yè)能力要素和維度進行了分析探討，見表2。但現(xiàn)有研究多采用定性研究，對就業(yè)能力尤其是高職學生就業(yè)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(yè)能力結構要素的提取以前述研究中的大數(shù)據(jù)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(yè)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(yè)能力結構模型要素，對初步提取的要素進行網(wǎng)絡預調研和專家咨詢。預調研的對象主要為職業(yè)教育研究人員、高職院校制造大類專業(yè)教師、制造類企業(yè)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(fā)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(shù)（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(yè)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(yè)能力模型要素及釋義見表3。

三、智造時代高職學生就業(yè)能力的模型構建

（一）問卷設計與調查

基于網(wǎng)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(yè)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(yè)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(shù)據(jù)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(jù)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(qū)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(shù)（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(fā)現(xiàn)每個指標在對應因子上的載荷在0.565～0.821之間，這一數(shù)據(jù)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(xiàn)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(jù)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(yè)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(chuàng)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(guī)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(chuàng)新能力進一步觀察可以發(fā)現(xiàn)，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(yè)務流程管理、問題解決和優(yōu)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(xié)調、團隊協(xié)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(shù)據(jù)、網(wǎng)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(yè)務流程管理、問題解決和優(yōu)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(yè)工作環(huán)境中技術工人的領導技巧和決策更多的是指生產(chǎn)過程中處理臨時狀況的行動力，協(xié)調或組織生產(chǎn)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(jù)上述因子分析結果可知，高職學生就業(yè)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(yè)能力結構維度及各項構成要素，見表5。

（三）高職學生就業(yè)能力結構模型的確立

1. 高職學生就業(yè)能力要素及其釋義

根據(jù)上述分析與討論結果，將高職學生就業(yè)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(xiàn)出來。

2.高職學生就業(yè)能力的信效度檢驗

對高職學生就業(yè)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(yè)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(shù)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(yè)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(yè)能力結構量表各維度的內部一致性程度較高，α系數(shù)在0.681～0.780之間，見表7?？偭勘淼膬炔恳恢滦孕哦认禂?shù)為0.787，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(yè)能力結構量表是穩(wěn)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(yè)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(xiàn)實依據(jù)，而且量表編制過程較為規(guī)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(jù)此可以認為該因子模型的結構效度良好。

依據(jù)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(yè)能力需求關注點的差異，將高職學生就業(yè)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(yè)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(yè)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(yè)能力與就業(yè)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(yè)生進行就業(yè)能力調查，并增加對高職畢業(yè)生就業(yè)質量的調查。就業(yè)質量是評價高職學生就業(yè)情況的重要指標。高質量就業(yè)是指畢業(yè)生在實現(xiàn)充分就業(yè)的前提下，能夠勝任職業(yè)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(yǎng)目標匹配經(jīng)濟社會發(fā)展需求。已有研究多從宏觀和微觀兩個層面測量就業(yè)質量。宏觀視角的就業(yè)質量評價多是從畢業(yè)生的就業(yè)結構、地域分布、就業(yè)部門、職位供需等方面進行觀測；微觀視角的就業(yè)質量評價多是從工資水平、就業(yè)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(yè)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(fā)展機會等方面來觀測就業(yè)質量并采用5點量表測評；宏觀就業(yè)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(yè)的制造大類高職學生。委托部分高職院校教師向已畢業(yè)學生發(fā)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(yè)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(yè)能力各結構因子分量表與結構總量表的相關系數(shù)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(yè)能力結構對各因子有較好的代表性。各因子間的相關系數(shù)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(yè)能力結構量表的信效度檢驗

運用SPSS22.0軟件檢驗就業(yè)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(shù)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(yè)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(yè)能力因子結構的有效性。

3.就業(yè)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(yè)能力與就業(yè)質量研究樣本數(shù)據(jù)進行驗證性因子分析，分析結果見表9。根據(jù)模型擬合度指數(shù)，本研究模型的各種擬合度指數(shù)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(yè)能力各因子間的結構關系。首先，結合前述就業(yè)能力結構要素間相互關系的理論設想，針對高職學生就業(yè)能力結構的初始模型，提出就業(yè)能力結構因子間關系的假設。高職學生就業(yè)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(yè)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(fā)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(xiàn)各能力維度的聯(lián)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(huán)對外層圓環(huán)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(yè)能力結構中的核心因子。個體特質主要由責任感、創(chuàng)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(tài)度、學習及掌握。個體的責任感、適應能力和創(chuàng)新能力越強，越能夠自我激勵，持續(xù)學習并提高相關能力，促進職業(yè)生涯發(fā)展。具體到高職學生，其就業(yè)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(chuàng)新能力和適應能力的高職學生，往往會努力鉆研專業(yè)技術、適應崗位變化和持續(xù)提升自己的能力。另外，創(chuàng)新能力強的人，更能把握和整合現(xiàn)有資源去適應不斷變遷的工作環(huán)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(huán)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(yè)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(shù)字能力、網(wǎng)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(yè)務流程管理、問題解決和優(yōu)化、領導技巧和決策能力等；社會能力包括溝通協(xié)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(yè)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(shù)據(jù)顯示，各類擬合指數(shù)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(tǒng)計指標符合標準?？梢哉J為，本研究構建的高職學生就業(yè)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(huán)境因素的變化，并善于調節(jié)自身來適應環(huán)境變化。

（四）高職學生就業(yè)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(yè)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(yè)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(yè)能力結構的聚合模型，聚合模型更注重突出就業(yè)能力的層次性，通過圖示更明確地表現(xiàn)出高職學生就業(yè)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(yǎng)、測量、評價和考察。個人特質位于就業(yè)能力結構的內層，體現(xiàn)了智造時代高職學生的核心特質和最深層次的就業(yè)能力特征，是最難于發(fā)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(yè)發(fā)展進行科學預測和評價。

結合智造時代高職學生就業(yè)能力的聚合模型，在對高職學生就業(yè)能力進行考察、測評以及培養(yǎng)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(yè)能力培養(yǎng)提供可資借鑒的內容和思路。本研究構建的就業(yè)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(yè)能力進行培養(yǎng)和評價。

五、研究結論

通過構建高職學生就業(yè)能力結構模型可以發(fā)現(xiàn)，智造時代高職學生就業(yè)能力結構呈現(xiàn)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(yè)能力結構要素日益更新化

一是數(shù)字能力正成為通用能力。第四次工業(yè)革命也稱為“數(shù)字革命”，無論就業(yè)者來自哪個行業(yè)、從事何種工作、處于哪個層級，數(shù)字接收能力和數(shù)字產(chǎn)出能力都不可或缺[15]。從制造業(yè)轉型升級的驅動因素而言，制造業(yè)的智能生產(chǎn)、智能服務、智能物流等環(huán)節(jié)都需要先進數(shù)字技術的驅動，離開數(shù)字技術很難順利實現(xiàn)制造業(yè)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(chǎn)并提供服務，這些功能的實現(xiàn)同樣離不開相應的數(shù)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(chǎn)特點，生產(chǎn)過程需要涉及多學科的知識和技能，生產(chǎn)智能化導致各個生產(chǎn)環(huán)節(jié)間的界限趨于模糊，員工需要掌握產(chǎn)品的全鏈條知識，成為產(chǎn)品的設計者、制造者、管理者與服務者[16]。智能生產(chǎn)系統(tǒng)與復雜的電子和數(shù)據(jù)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(chuàng)新能力日益重要。漸進式創(chuàng)新是指直接從事生產(chǎn)的工人、技師所進行的漸進的、連續(xù)的創(chuàng)新活動，它往往伴有產(chǎn)品創(chuàng)新、過程創(chuàng)新和組織創(chuàng)新的連鎖反應，并最終引起產(chǎn)業(yè)結構變化[17]。可以說，漸進式創(chuàng)新是提升產(chǎn)業(yè)創(chuàng)新能力的一個必經(jīng)過程，是實現(xiàn)一國制造業(yè)根本性創(chuàng)新的深厚技術基礎[18]。漸進式創(chuàng)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(chǎn)品改進的想法都是通過在實際操作過程中對生產(chǎn)過程的直接觀察得來的。

（二）就業(yè)能力結構維度日益復合化

一方面，產(chǎn)業(yè)關聯(lián)度的不斷強化需要勞動者掌握更加復合化的能力。產(chǎn)業(yè)轉型升級的趨勢之一就是產(chǎn)業(yè)之間的界限日趨模糊，各類產(chǎn)業(yè)聯(lián)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(yè)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(yè)轉型升級下的產(chǎn)業(yè)集群有別于傳統(tǒng)意義上僅限于某一地域的產(chǎn)業(yè)集群概念，借助“云大物移智”等前沿數(shù)字技術突破了地域限制，實現(xiàn)了各個生產(chǎn)環(huán)節(jié)的緊密聯(lián)合，最終實現(xiàn)快速化、大規(guī)模、個性化定制生產(chǎn)。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(chǎn)的變革，他們既要掌握相關數(shù)字技術以適應智能化生產(chǎn)流程，也要具備跨學科知識和靈活性以應對產(chǎn)品的快速迭代更新；還要具備服務式生產(chǎn)模式所產(chǎn)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(huán)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(xié)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(lián)和更加復雜。同時，采用智能制造技術導致人們在數(shù)字化和網(wǎng)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(tǒng)的復雜性和知識密集性的持續(xù)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(chǎn)環(huán)境下，市場需求變化頻繁，表現(xiàn)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(fā)揮，可有效應對需求的復雜變化及生產(chǎn)過程的失衡[20]。

（三）就業(yè)能力結構層次日益知識化

智能化補充了工人的認知和創(chuàng)造性能力。智能化通過縮短從概念到實現(xiàn)的距離，擴大了思想的力量。機械提高了人類在開發(fā)和指導復雜生產(chǎn)過程中專業(yè)知識的價值，并提供了使人們將想法轉化為產(chǎn)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(yōu)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(shù)工作的技能要求。另一方面，由于全球競爭和產(chǎn)品復雜性的日益增加，生產(chǎn)系統(tǒng)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(tǒng)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(tǒng)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(chǎn)有關的技能是各國經(jīng)濟增長以及制造業(yè)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(shù)字技術，系統(tǒng)集成了硬件、軟件、人、網(wǎng)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(shù)字技術，還要具備現(xiàn)代管理理念與知識[22]。智能制造所需要的人才知識結構發(fā)生了新的變化，技能需求也隨之轉變。生產(chǎn)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(chǎn)模式，而生產(chǎn)制造所需要的高技能工人也從傳統(tǒng)機器和工具的操作者、加工者轉向智能裝備和數(shù)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(yè)工程師、智能生產(chǎn)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(wǎng)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(yè)化進程中的職業(yè)教育[M].北京：知識產(chǎn)權出版社，2016：111.

[3]張原，陳建奇.我國經(jīng)濟發(fā)展方式非均衡特征及優(yōu)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(jīng)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(wǎng)絡招聘行業(yè)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(yè)生技能需求研究——基于近萬條網(wǎng)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(yè)生高質量就業(yè)的基本內涵[J].現(xiàn)代教育管理，2016（7）：115-119.

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

[14]宋雪雁，李溪萌，鄧君.數(shù)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(yè)4.0背景下德國職業(yè)教育發(fā)展戰(zhàn)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(yǎng)定位[J].職業(yè)技術教育，2019（4）：18-24.

[17]李毅.日本制造業(yè)自主發(fā)展過程中的技術創(chuàng)新研究：經(jīng)濟史的啟示[J].經(jīng)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(yè)系統(tǒng)各作業(yè)模式生產(chǎn)效率與成本分析[J].系統(tǒng)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(yè)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(yè)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(yǎng)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(yè)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