基于Logit模型的校企合作“订单式”培养模式效果分析

2017-11-01尚洁

武汉交通职业学院学报 2017年3期

关键词：订单式商务英语校企

尚洁

( 武汉交通职业学院，湖北武汉 430065)

基于Logit模型的校企合作“订单式”培养模式效果分析

尚洁

( 武汉交通职业学院，湖北武汉 430065)

依据商务英语专业学生成绩、顶岗实习企业评价等可靠数据，构造校企合作“订单式”培养模式效果评价的Logit模型，重点对影响学生职业能力的三个方面因素进行分析。结果表明采用订单班教学系统对学生职业能力影响最大，其次是学生在校期间的专业能力，而学习专业知识之前的测试成绩对职业能力的影响并不显著。Logit模型能够为校企合作“订单式”培养模式效果分析提供较准确的客观依据，同时也能够为专业建设提供有价值的参考信息。

校企合作；订单式；效果；职业能力；虚拟变量；Logit模型

随着高等职业教育的蓬勃发展，校企合作“订单式”培养模式已经在全国各大高职院校成为主流，对该模式的研究也逐渐成为热点。但是目前关于校企合作“订单式”培养模式的研究仍局限于培养的目标和实施途径、操作方法和技术路线等，而针对该培养模式在提升学生职业能力方面的作用和效果的分析评价还少有涉及。本文将围绕商务英语专业校企合作“订单式”培养模式的效果分析进行初步研究。

一、校企合作“订单式”培养模式效果分析的意义与方法

(一)校企合作“订单式”培养模式效果评估的意义

效果分析评估是培养模式实施的重要一环，用于了解所开展的培养模式创新是否达到预期培养目标，以及校企合作“订单式”培养模式本身对学生职业能力提升的影响程度，等等。如果无法可靠地了解新模式是否对提高学生职业能力起到显著的促进作用，盲目开展各种培养模式创新而未达到最初的目的，则对于新培养模式的创新推广造成严重阻碍。建立有效准确的反馈机制也便于更好地改进和优化培养组织和实施。

(二)校企合作“订单式”培养模式效果评估方法的选择

建立计量经济模型的一个基本要求[1]，就是模型中的所有变量都是可以用数值计量的。但是在实际经济问题中，影响经济变量变动的因素，除了定量因素还有定性因素。通过构造人工变量的规则，将其定性因素量化，便可与数值变量一样在模型中应用。这种规则即：当某种属性存在时，人工变量的取值为1；当某种属性不存在时，人工变量的取值为0，取值为0和1的人工变量称为虚拟变量(Dummy Variable)。当虚拟变量作为因变量时，其作用是对某一经济现象或活动进行“是”与“否”的判断或决策。在进行决策判断时，可以用计量经济模型定量描述具体的决策分析过程，常用的有线性概率模型(LPM)、Logit模型及Probit模型。但是在LPM模型中，不论自变量的变化是在什么水平发生的，参数都不发生变化，与现实经济所发生的情况是不符的。而Logit模型及Probit模型是LPM模型的改进，可以更好地分析经济变量之间的非线性关系，具有现实意义。在实证分析中，考虑到数学处理的方便和软件的支持，大都偏好使用Logit模型。本文研究的目的就是校企合作“订单式”培养模式的实施“是”“否”对学生职业能力起提升作用，以多大的程度(概率)起到促进作用。因此，选用Logit模型能够较好地解释决策分析的过程。

二、基于Logit模型的实证分析

(一)样本、数据与变量的选择

1.样本与数据

样本研究对象为武汉交通职业学院2012级商务英语(外贸方向)和商务英语(跨境电商订单班)共109名学生。自2010年以来，除商务英语专业招生外，还开办了外贸方向和跨境电商订单班两个类型的招生，共计521人，其重点开展“企业进课堂”[2]教学活动，将专业课程内容与职业标准对接，增强学生就业竞争力。

本文研究基础是两类学生均在学校进行两年半的学习，最后半年到企业实习。前四个学期课程完全相同，不同点则是订单班的学生第五学期下半年由企业派出专业人员与学校老师共同对订单班学生进行素质和技能培养，外贸方向学生则进行校内传统的实践环节学习。由于顶岗实习企业既可以接受订单班学生，也可以接受外贸方向学生，为了比较的统一性，需要进一步对两组样本进行筛选，选出第六学期经过双选后到订单班合作的企业顶岗实习的学生有58名，其中外贸方向33名，订单班25名，实习结束之后由学校、企业共同对他们进行综合评价，判定其在岗的职业能力。按照Logit模型样本数量的规定，要求比自变量多15～20倍。由于本文自变量有三个(见下文分析)，所以样本数据观测点(OBS)58个有效。

分析评价模型的构建和运行，需要在掌握较准确一手数据基础上进行，如学生在实际工作中体现出来的职业能力的定量描述。另一方面，评价工作需要归纳与学生职业能力相关的主要影响因素(如是否参加新培养模式、专业基础、个人基本能力等)，通过分析了解各影响因素是否对提高职业能力起作用。因此，还需采集能反映这些影响因素的量化数据。在进行数据采集中，需要考虑数据的客观性、完整性和合理性。

2.变量的选择

根据研究需要，结合变量数据的可获取性，本文构造学生职业能力(PC)[3]、订单班教学系统(OTS)、学生学习专业知识之前的测试成绩(TUCE)、四个学期的专业成绩(GRADE)四个变量。

(1)学生职业能力(PC)

由于学生职业能力(PC)评判标准多样化，为了更好地量化数据，采用学校统一制定的《学生顶岗实习管理办法》中“顶岗实习鉴定与成绩评定”的企业与学校考核表数据。例如，企业考核表从5个方面21个评价点进行评价，5个方面包括工作态度、纪律意识、协调沟通能力、实务操作能力、创意意识等，较全面地评价了学生的职业能力。综合成绩评定包括“企业考核成绩”和“学校考核成绩”两个方面，权重各占50%，成绩按五个等级评定：优85分(含85分)以上、良(75-84分)、中(66-74分)、及格(60-65)、不及格(60分以下)。本文把两组学生的“职业能力(PC)是否提高”定义为虚拟因变量，即被解释变量，取值0或1。为了验证这个结论，还需要选取以下三个主要的解释变量进行检验。

(2)订单班教学系统(OTS)

订单班教学系统(OTS)是校企合作“订单式”培养模式特有的。通过充分利用企业平台，共同完善以案例教学与情景教学为内容的体验式教学模式。让企业一线骨干走进课堂，手把手指导学生学习和实操岗位技能，从而使学生认识行业规范标准、市场真实需求、从业技能要求等。除了在理论和实操的培养，订单班教学系统还不断培养学生与人交往的沟通能力，书本以外各方面知识的熏陶，增强基于专业素养的自信心。

(3)学生学习专业知识之前的测试成绩(TUCE)

通过对学生学习专业知识之前进行摸底测试，可以了解学生对专业的认知程度。该测试题具有标准化、科学化的特点。一般而言，测试成绩越高，则对专业的认知程度越高，有利于进一步培养专业的认同感，更加快速地提高职业素养和职业技能。

(4)四个学期的专业成绩(GRADE)

为了便于量化，我们将在校期间四个学期的专业成绩(GRADE)作为度量学生职业能力的预测单元。专业成绩由第二学期至第四学期四门课程成绩之和取均值，主要以职业基础课、职业技能课、职业拓展课及实践课程构成，例如，商务英语、国际贸易与进出口实务、电子商务、外贸业务综合实训等课程，基本能够体现“商务英语应用能力” “商务运作能力” “可持续发展能力”等职业能力培养的核心。

根据以上分析，基本数据信息统计如下表1。

表 1 两类学生的基本数据

(注：OBS为观测点，PC可以由企业评价和学校评价综合得出，OTS为是否采用订单班教学系统，TUCE数据、GRADE数据均可从学校教学系统相关数据导出。)

(二)模型的建立

根据以上解释变量，建立度量学生职业能力的Logit模型。分布函数采用逻辑分布，即Logit模型为：

PC=β0+β1·GRADE+β2·TUCE+β3·OTS

β0、β1、β2、β3均为待估参数。

此模型比较清楚地描述了新模式下学生的职业能力与三个因素的关系，以及受这些因素影响的程度。

以被解释变量PC表示学生的职业能力是否提高，取1表示职业能力得到提高、0表示未提高。在此规定，凡是评价分数在85分以上的取1，否则取0。GRADE是对学生在校期间专业能力的考查，由第二学期至第四学期四门课程成绩之和取均值；TUCE是第一学期对专业认识学习前的测试成绩；OTS表示在第五学期是否受到订单班教学系统的指导，取1表示采用订单班教学系统，0表示没有采用。

(三)参数估计

利用Eviews工具(注：计量经济学中专门从事数据分析、回归分析和预测的工具)对Logit模型估计结果如图1所示。

图 1 Logit模型的估计结果

根据Eviews估计的结果，得到以下数据：

PC=-12.04308+0.090145·GRADE+

0.046200·TUCE+1.364610·OTS

z-Statistic=(-2.514552) (2.335861)

(1.234973) (2.212739)

LRStatistic=13.75586Prob(LRStatistic)=

0.003257

McFaddenR-squared=0.173470

模型左边PC是职业能力，右边数据-12.04308、0.090145、0.046200及1.364610分别是常数项C、GRADE、TUCE及OTS的回归系数(斜率)估计值，它们表明对PC的影响程度。z-Statistic对应各个解释变量回归系数为0的原假设成立时的z统计量的值，主要用来衡量样本均值偏离整体均值的方差倍数，就是偏离方差的程度。LRStatistic是检验系数整体的显著性，其对应的P值为0.03257，McFaddenR-squared是似然比率指标，总是介于0和1之间，约等于0.1735。

(四)模型检验

从图1的结果看，上述方程中每个斜率系数度量了相应的回归元(即解释变量)的值变动一个单位(其他回归元保持不变)所引起的Logit估计值(即潜在变量的值)的变化。换句话说，即在5%的显著性水平上，OTS对PC的影响是显著的。也就是说，当GRADE和TUCE都一样的情况下，接受过OTS的学生与没有接受过OTS的学生相比，学习成绩提高的概率要多1.365。在通过对方程的斜率系数取反对数从而得到机会比率，可以给出系数估计系数更有意义的解释。如果对OTS的系数估计1.364610取反对数得到3.9142，表明在其他解释变量保持不变的情况下，接受OTS的学生其PC提高的可能性比没有接受的学生高出约4倍。此外，GRADE对PC提高的边际影响是0.09，也就是说，在其他条件相同的情况下，GRADE每增加1,PC提高的概率是9%。

上述回归结果还表明，上述式子中 (Prob.=0.0119)、GRADE(Prob.=0.0195)均在0.05的显著程度下显著异于0，说明其对PC影响显著，相应的有TUCE(Prob.=0.2168)统计上不显著，即说明该学生第一学期对外贸及电商学习前的测试成绩对PC无明显影响。

表1、图1中还给出了有关模型的似然比检验和拟合优度的信息。表中的Loglikelihood(对数似然函数的最大值的值)为-32.77112，Restr.Loglikelihood(约束条件：所有斜率系数为0，也就是仅含有截距项的模型的对数似然函数的最大值)的值为-39.64905，LRstatistic的值为13.75586，它对应的p值只有0.003257，小于0.05，因此它是显著的，表明模型整体是显著的。

三、研究结论

(一)研究结果的启示意义

经过构造新培养模式的Logit模型，并利用2012级商务英语(外贸方向)和商务英语(跨境电商订单班)两组学生在校学习和在企业实习的数据进行实证检验，得到的主要研究结果的启示意义如下。

本文筛选出来影响商务英语专业学生职业能力(PC)的因素主要有三个，接受过订单班教学系统(OTS)的学生在企业顶岗实习中职业能力有显著的提高，在校期间系统的专业学习(GRADE)对在岗实习也有一定的影响，而学生对外贸及电商课程学习前的认知程度(TUCE)并不能决定后期在岗实习期间职业能力的提高。这验证了订单班教学系统(OTS)的重要作用，说明在整个培养过程中，企业参与订单班的教学非常必要。应该在订单培养的每个阶段，与学生建立良好的沟通机制，及时了解学生动态，掌握学生技能现状，而不仅仅在某个教学阶段“让企业进课堂”。另外，除了企业发挥的重要作用，学生在校期间有系统地掌握专业技能也是非常有必要的。仅仅依靠企业在校短训的培养，可能会速成一批学生，但是从长远来看，专业的内涵建设提高了才能真正提高学生的职业能力。

(二)存在的不足和改进方向

Logit模型能够为校企合作“订单式”培养模式效果分析提供较准确的客观依据，同时也能够为专业建设提供有价值的参考信息。但是在验证过程中也存在不足。例如，在筛选影响因素时，还有其他因素，如学生在岗的薪资水平，除了基本工资还有绩效提成，更能体现学生的职业能力。但是该数据比较难以获得，而且不稳定，因此未列入影响因素之列。我们应该建立科学长效的毕业生质量跟踪调查体系，尽可能多渠道的了解学生离校后的岗位适应情况、薪资变动、员工评价、社交能力等，多方面的评估学生职业能力，通过这些信息反馈来进一步调整学校的教学和实践安排。