“十四五”时期上海市金融人才需求总量预测研究

殷林森，李延泽，高倩倩

（上海立信会计金融学院金融科技学院，上海 201209）

一、引言

2022年3月，国家高端智库中国（深圳）综合开发研究院与英国智库Z/Yen 集团共同发布第31 期全球金融中心指数（The Global Financial Centers Index，GFCI，报告上海的综合排名比GFCI 30 上升两位至全球第四，仅次于纽约、伦敦和香港；上海的金融科技水平排名全球第二，仅次于美国纽约；人力资本排名第十三位①http://www.cdi.org.cn/upload/file/20220328/6378408366483044839946415.pdf。。在内地金融中心城市中，上海继续保持领先地位，并且已经成为“亚洲第一金融中心”的有力竞争者。

上海市始终坚持扩大对外开放，深化改革创新。“十三五”时期，上海围绕全球资产管理中心、跨境投融资服务中心、金融科技中心等“六大中心”建设，加快建设金融人才高地，进一步提升上海国际金融中心地位。通过深入实施“金才工程”，坚持以人为本，进一步完善了金融人才政策，集聚了国内外高水平金融人才。上海已形成了完善的金融体系，金融产业高度规模化，金融人才需求不断增大，上海始终保持对金融人才强大的吸引力。上海的金融人才数量呈现持续上升态势。但与国际顶尖国际金融中心相比，还存在较大差距（肖志富，2015；崔明，2020），上海在GFCI 31“人力资本”方面的排名远低于其综合排名也可以说明这一点。

金融中心的竞争本质上是人才的竞争，上海市政府关于上海国际金融中心建设“十四五”规划中对金融人才也提出了更高的要求和迫切的需求（易纲，2019）。2021年6月，上海市地方金融监督管理局等六部门联合印发《上海市重点领域（金融类）“十四五”紧缺人才开发目录》（沪金监〔2021〕106 号），涵盖监管类、管理类、研究类、业务类、专业服务类五大类金融紧缺人才。其中，金融科技监管人才、金融高层次管理人才、金融风险研究人才、国际金融研究人才、跨境金融业务人才、科技金融人才、风险控制与管理人才、云计算应用金融人才、区块链应用金融人才等子类列入“极度紧缺”①http://jrj.sh.gov.cn/RCHJ201/20210819/8b9b12a650df40bdb1f751b4690339fc.html。。因此，精准预测“十四五”时期上海市金融人才需求总量，对于上海国际金融中心的建设具有非常重要的现实意义。本文通过文献梳理和定性分析确定了上海市金融人才需求预测的研究方法及相关指标，基于上海市及全国2006－2020年金融从业人员的相关数据，采用逐步回归法和主成分分析法构建多元线性回归模型预测上海市“十四五”时期金融人才需求总量，为上海市国际金融中心的建设提供一定的参考。

二、文献综述

目前，学者们主要基于线性回归模型、灰色模型和时间序列模型以及不同模型的组合等方法，对不同行业的人才需求情况展开预测分析，涉及农科、物流、科技、保险及健康业等行业。张磊和肖永梅（2017）基于GDP 指数，通过简单的一元线性回归模型预测了安顺市“十三五”时期的人才需求情况。刘志民和赵杏娜（2019）使用灰色GM（1，1）模型，预测了2020－2025年我国农科人才的总需求量，以及专科、本科、硕士及博士各层次农科人才的需求量，发现未来对复合型农科人才的需求更为迫切。于丽静等（2017）分别采用二元线性回归和灰色GM（1，1）模型对山东省物流人才需求量进行预测，并在这两种模型基础上采用最优加权组合法计算得到需求量的组合预测值。陈燕莹等（2017）选取20 个指标，基于主成分分析的线性回归和趋势外推法组合预测了海南省健康产业的人才需求。满讲义等（2019）、任静等（2020）和瞿群臻等（2021）基于灰色GM（1，1）模型和不同的时间序列模型的组合模型，分别预测了上海市保险业人才、杭州市金融贸易等六个行业人才以及我国科技人才的总需求量。

此外，还有一些学者对金融业的人才需求情况进行了预测与分析。徐坚成和张爽（2014）通过对《金融业发展和改革“十二五”规划》及金融业历史数据的分析，提出2020年我国金融业人员占比将达1.4%（总规模约1060 万人）。朱丽萍和余翔（2015）基于宁波市历年金融人才数与年份建立一元线性回归模型，同时基于金融业增加值与金融业从业人员数量间的相关性得到两者间的线性指数方程，采用上述两种方法对宁波市金融业从业人员总数进行预测。王小平等（2014）、秦洪军等（2016）分别基于主成分分析法和逐步回归法构建多元线性回归模型对上海市和天津市的金融人才需求总量进行预测。豆晓利（2017）构建多元线性回归模型、VAR 自回归模型，分别预测2016－2020年郑州市金融人才的需求量和供给量，发现郑州金融人才需求缺口较大，并针对该问题提出了相应的发展建议。雷海波等（2019）采用灰色GM(1,1)模型，基于天津市2000－2016年金融业从业人员数量，对天津市2017－2021年的金融人才需求量进行预测，发现每年金融人才需求增速都超过 10%。

综上所述，由于金融业从业人员总量受宏观经济、社会环境等多种因素的影响，已有研究中对金融业人才需求的预测以回归模型为主，针对上海市金融从业人员需求量的预测研究相对较少，且样本数据陈旧，缺乏对上海市“十四五”时期金融人才的预测研究。作为我国经济中心、金融中心的上海，当前正在大力建设成为全球领先的国际金融中心，因此，掌握上海市未来金融业从业人员的总需求量，对其建成国际金融中心具有非常重要的现实指导意义。本文收集并整理上海市及全国2006－2020年金融从业人员数量及其相关因素的实际数据，通过构建多元线性回归模型，并使用主成分分析法和逐步回归法对模型进行修正，预测上海市“十四五”时期金融人才需求总量。

三、“十四五”时期上海金融人才需求总量预测模型构建与计算分析

（一）数据来源与指标选取

金融从业人员数量对金融业发展具有重要影响，而金融业的发展又对宏观经济发展形成显著影响。本文参照王小平等（2014）、秦洪军等（2016）、豆晓利（2017）的研究，并考虑数据的可获得性，选取如下三类指标：（1）上海市宏观经济相关指标，分别为上海GDP（SHGDP）、上海人均GDP（SHAGDP）、上证综指收盘指数（SSEC）；（2）上海市社会环境相关指标，分别为上海全社会从业人员数量（SHTY）、上海常住人口（SHRPN）、上海城镇居民可支配收入（SHPDI）；（3）上海市金融行业相关指标，分别为上海金融业增加值（SHADDV）、上海挂牌金融机构数量（SHFCN）、上海金融业从业人员平均工资（SHASAL）。此外，考虑到全国金融业的发展对上海市金融人才需求会产生宏观影响，本文加入三个全国金融行业相关指标，分别为全国金融业增加值（ADDV）、全国金融行业法人单位数（NCU）和全国金融业从业人员平均工资（ASAL）。本文选取上海市金融从业人员数量（Y）来衡量上海市金融人才需求总量，以该指标为因变量，以上述十二个指标为自变量，回归分析各指标对上海金融从业人员数量的影响。

本文数据来自《上海统计年鉴》《上海金融年鉴》《中国金融年鉴》《上海市国民经济和社会发展统计公报》、国家统计局网络公开资料，2006－2020年相关指标实际值如表1 所示。由表1 可以推算出，这一时期，上海的GDP 增长了261.1%，城镇居民可支配收入增长了269.8%，持牌金融机构数量增长了232.1%，金融业增加值增加了796.5%，金融从业人员数量增长了140.2%，金融业从业人员平均工资增长了378.1%；全国金融业增加值增加了938.0%，金融行业法人单位数增长了388.0%，金融业从业人员平均工资增长了275.8%。即，上海市的宏观经济与社会环境均呈现较高的发展水平。上海市宏观经济的上涨离不开金融业的蓬勃发展，在全国金融业繁荣发展下，上海的金融发展迅速，上海金融从业人员需求增长快速。

表1 2006－2020年上海市金融从业人员相关指标统计

（二）上海市金融人才需求预测模型的构建及检验

1.相关性分析与多重共线性检验

本文主要变量的皮尔逊相关性分析结果如表2 所示。从表2 可以看出，在1%的显著性水平下，除上证综指收盘指数（SSEC）外，其余11 个自变量与因变量上海金融从业人员数量（Y）间的相关系数都在0.86 以上，且这11 个自变量之间的相关系数大多超过0.86，还有一部分超过0.93，相关性较为显著。考虑模型中可能存在共线性问题，通过回归分析进行共线性诊断，结果如表3、表4 所示。

表2 相关性分析

由表3 和表4 可以发现，各自变量的方差膨胀因子（VIF）统计值都大于10，并且除了上海GDP（SHGDP），其他自变量的条件指标都大于10。综上，本模型中自变量间存在较强的共线性问题。为了排除变量间共线性的影响，本文采用逐步回归和主成分分析两种策略修正多元线性回归模型。

表3 回归系数

表4 共线性诊断

2.逐步回归分析

基于上述分析，首先对因变量上海金融从业人员数（Y），自变量上海GDP（SHGDP）、上海人均GDP（SHAGDP）、上海全社会从业人员数量（SHTY）、上海常住人口（SHRPN）、上海城镇居民可支配收入（SHPDI）、上海金融业增加值（SHADDV）、上海挂牌金融机构数量（SHFCN）、上海金融业从业人员平均工资（SHASAL）、全国金融业增加值（ADDV）、全国金融行业法人单位数（NCU）以及全国金融业从业人员平均工资（ASAL）进行逐步回归，回归结果如表5、表6 和表7 所示。

表5 模型摘要（逐步回归法）

表6 方差分析（逐步回归法）

表7 回归系数（逐步回归法）

由表5 可知，经逐步回归分析后模型中最后存留了上海GDP（SHGDP）、上海人均GDP（SHAGDP）及上海常住人口（SHRPN）三个变量，模型调整后的R2达到0.976，表明模型拟合优度较好，且其德宾-沃森统计量为2.020。表明模型非伪回归。

根据表6 方差分析结果，模型的F 值为193.853，在5% 的显著性水平下，F＞F（3,11）=3.587，

同时，由表7 可知，逐步回归分析后模型2 的常量及三个留存变量（SHGDP、SHAGDP、SHRPN的t 检验值分别达到3.548、4.572、-4.178 和-2.722，在5% 的显著性水平下其绝对值都超过T0.025（11）=2.201，表明本模型参数估计显著。

基于上述回归分析，最终得到逐步回归分析后优化的回归模型，如公式（1）所示。

3.主成分分析

除了逐步回归法之外，本文进一步使用主成分分析法对上海人均GDP（SHAGDP）、上海全社会从业人员数量（SHTY）、上海常住人口（SHRPN）、上海城镇居民可支配收入（SHPDI）、上海金融业增加值（SHADDV）、上海挂牌金融机构数量（SHFCN）、上海金融业从业人员平均工资（SHASAL）、全国金融业增加值（ADDV）、全国金融行业法人单位数（NCU）以及全国金融业从业人员平均工资（ASAL）进行主成分分析。

表8 是主成分分析结果。从中可以看出，提取一个主成分时该模型的累积特征值达到97.429%，已具有较高的解释水平。因此，利用主成分分析法可提取标量自变量X。

表8 主成分方差统计

表8（续）

根据表9 所示的主成分系数矩阵，可按如下公式计算标量自变量X。

表9 主成分系数矩阵

然后，对因变量上海金融从业人员数（Y）与主成分标量自变量（X）进行一元线性回归分析，结果如表10 所示。

根据表10 的回归结果，得到一元线性回归模型。

表10 主成分回归系数

将公式（2）代入公式（3），得到基于主成分分析法优化后的回归模型：

为了检验基于逐步回归法和主成分分析法得到的回归模型的有效性，利用2006－2020年各指标的实际数据，计算得到2006－2020年上海市金融人才需求的预测值，并将其与实际值进行比较（如图1 所示）。结果表明，整体上，基于逐步回归法回归模型的预测值稍高于实际值，而基于主成分分析法回归模型的预测值与实际值差别不大。

图1 上海2006－2020年金融人才需求实际值与预测值

（三）预测分析

为了预测上海市“十四五”时期金融人才的需求总量，使用上述两种方法得到的回归模型（1）、模型（4），基于时间序列对收集到的各项数据进行预测，得到了“十四五”时期（2021－2025年）的上海市金融人才需求预测数据。另外，为了比较预测值，本文还基于上海金融从业人员的时间序列数据，采用传统的时间序列模型预测“十四五”期间的人才需求，如表11 所示。可以发现，在三种预测模型下，基于传统的时间序列模型下对“十四五”时期上海市金融人才需求量的预测相对粗放，基于主成分分析模型则预测相对保守，基于逐步回归模型预测值居中。根据预测结果，2025年上海市金融从业人员应有58.18 万人，最高应达62.45 万人（时间序列预测结果）。2020年末，上海市金融业实际从业人员47 万人，因此，“十四五”期间金融人才缺口将较为明显。

表11 “十四五”时期（2021－2025年）上海金融人才需求预测值

为了进一步探究上海市金融人才的发展概况及其需求，根据第31 期全球金融中心指数报告（GFCI 31），选取排名前十位中的另外两个中国内地城市北京和深圳，对三个城市“十三五”时期金融业及金融人才相关数据展开对比分析，结果见表12。可以看出，“十三五”时期（2016－2020年），北京市的金融从业人员数量最多，上海市其次，深圳市最少，但深圳市金融从业人员数量的增速最快，增长率约为216%，远高于北京市和上海市，一方面是由于深圳市存量金融人员较少、基数小，另一方面是源于深圳市近年来不断加大人才引进力度，提升人才待遇，吸引了大量金融人才，也提升了深圳国际金融中心的地位。在GFCI 30 中，深圳排名全球第十。从金融业增加值来看，北京市、上海市总量相当，且明显高于深圳市，但上海市的金融从业人员数量低于北京市，因此人均金融业增加值高于北京市，约为后者的1.5 倍左右，表明上海市的金融人才使用效率更高。从金融从业人员占比来看，上海市的金融从业人员占比低于北京市，略高于深圳市，与国际领先的金融中心相比，仍然存在较大的提升空间（纽约10%，伦敦20%以上）。上海市应进一步加大人才引进力度，同时保持人才利用效率较高的传统优势。

表12 “十三五”时期北京市、上海市、深圳市金融业相关数据

此外，本文从金融人才供给端出发，对上海市高等院校毕业生数据进行了统计分析，结果见表13。作为金融人才的主要培养单位，财经类院校占上海本地高校的比例接近27%，具有良好的金融人才培养土壤。财经类院校毕业生达到3.5 万人/年，占上海市毕业生总量超过26%，人才供给稳定。调查研究表明，约60%的毕业生会选择在上海就业，为满足上海“十四五”期间金融人才需求，上海市应在人才培养体系建设、金融人才就业待遇、相关优惠政策等方面持续发力，吸引更多的优秀毕业生留在上海，加快上海国际金融中心建设。

表13 “十三五”时期上海市高等院校毕业生数据

四、结论和建议

上海市政府在“十四五”规划和“2035 远景目标”中提出要将上海建成具有世界影响力的国际金融中心，而实现这一宏伟目标的关键在人才。本文从上海宏观经济、上海社会环境、上海金融行业及全国金融业四方面共选取了12 个相关指标作为自变量，以上海金融从业人员数量为因变量构建多元线性回归模型。首先，为解决模型自变量之间存在的共线性问题，分别采用了逐步回归法和主分分析法对模型进行修正，基于逐步回归法得到上海GDP（SHGDP）、上海人均GDP（SHAGDP）及上海常住人口（SHRPN）对上海金融从业人员数量影响的线性回归模型；基于主成分分析法提取出一个主成分后得到上海GDP（SHGDP）、上海人均GDP（SHAGDP）、上海全社会从业人员数量（SHTY）、上海常住人口（SHRPN）、上海城镇居民可支配收入（SHPDI）、上海金融业增加值（SHADDV）、上海挂牌金融机构数量（SHFCN）、上海金融业从业人员平均工资（SHASAL）、全国金融业增加值（ADDV）、全国金融行业法人单位数（NCU）以及全国金融业从业人员平均工资（ASAL）11 个自变量对上海市金融从业人员数量影响的多元线性回归模型。其后，对两个线性回归模型计算出的上海市金融从业人员数量的预测值与实际值进行对比分析，结果表明模型拟合度较高、预测效果较好。最后，基于逐步回归法和主成分分析法的多元线性回归模型，以及传统的时间序列模型，预测了上海市“十四五”时期金融从业人员需求总量，2025年上海市金融从业人员预计将达62 万人，未来将存在较大的缺口。

为了满足上海金融业发展的需要，助力国际金融中心建设，本文基于上述研究结论，提出以下建议：第一，放宽金融从业人员落户政策，针对具有相应水平金融专业职称、专业技能证书的金融专业人才，采取缩短落户所需年限等政策，进一步放开对金融人才的落户准入，吸引金融人才留沪及落沪，提升金融人才的安全感、获得感；第二，加大对在沪财经类高等院校的资金支持，助力本地金融人才的培养；第三，加强与全国财经类高等院校的联系，通过举办交流会、专场招聘会等人才交流活动，吸引金融人才来沪就业；第四，建立灵活的金融人才引进政策，尤其是针对国内外高水平的金融人才，加大人才补贴力度，吸引高层次金融人才来沪，进一步促进上海市金融业的发展。