吉林省数字人才集聚与地区经济发展的耦合关系研究

王晶 宋殿辉 王威 单双双

(1.长春工业大学人文信息学院；2.长春一汽富晟集团有限公司；3.吉林外国语大学 吉林长春 130000)

数字经济背景下，数字人才集聚促进了新技术的采用和创新，为地区经济增长提供了动力和基础，是地区经济增长的主要引擎。与此同时，数字人才的过度集聚，也会导致人才再分配问题。因此，任何关于吉林省地区经济发展的社会科学研究，都应该纳入数字人才集聚。遗憾的是，现有文献中很少有与之相关的、系统的研究成果。为了填补此空白，本文基于结构方程模型(Structural Equation Modeling,SEM)，探索吉林省数字人才集聚与地区经济发展的耦合关系，以期为相关人员的研究提供一定的参考和借鉴。

1 分析数字人才集聚与地区经济发展耦合关系的思路

众所周知，地区经济内生增长模型，强调了知识或人力资本积累，在决定地区长期经济增长方面的重要性。简单来说，人力资本积累与地区经济发展之间存在着显著的正相关性[1]。从内生增长模型的角度来看，吉林省的弱经济表现，可以定位为经济增长的主要动力，即人力资本积累的不足。换句话说，吉林省各类高校的人才培养模式、吉林省人才流动及其发展水平等，是吉林省地区经济增长的潜在决定因素，因为它们共同促进了吉林省有形资本和生产力的积累。现阶段，国外研究虽然没有具体的“人才聚集”的概念，但是，有大量与人才聚集相关的思想和理论。这些思想和理论主要集中在人力资源流动和人力资源积累的相关研究领域中，例如麦金农(McKinnon，1973)发现人力资源流动和人力资源积累的发展，与人均 GDP 增长密切相关，有助于提高经济体内人力资本的使用效率[2]。

虽然国外的研究并不完全符合我国社会经济发展的特点，但是这些研究所体现的思想，为我国相关研究提供了参考和借鉴。例如，刘玉成(2019)[3]使用空间面板Durbin模型的方法，发现科技创新对科技人才聚集的影响及其空间溢出效应。刘玉成的研究表明，科技创新对科技人才聚集有显著影响，而科技人才聚集也会反映在生产率的提高过程中。总的来说，国内的研究多采用面板数据方法，没有考虑到人才集聚与地区经济发展之间的异质性、内生性和横截面依赖性，而这些都可能导致面板数据参数和标准误差的偏差、低效率和不一致性，并不能完全揭示人才聚集与地区经济发展之间的动态联系。基于此，SEM能够揭示横截面依赖性，为系统分析人才聚集与地区经济发展的耦合，提供了技术和机会。因此，本研究基于SEM，按照吉林省“一主”“六双”产业空间布局，分析吉林省数字人才集聚与地区经济发展耦合关系，以此为吉林省人才培养、流动和经济发展，提供参考依据。

在分析思路上，本文首先通过文献综述，建立SEM的观测变量和潜在变量，并对调查问卷进行设计、信度和效度的检验及调整。其次，为了保证数据有较好的代表性，研究采用分层抽样的方式选取样本。其中，高校样本1选取长春、吉林、四平、通化、白城的研究型大学、应用型大学、高职院校；产业样本2按照吉林省产业空间布局，选取汽车产业、农产品加工产业、先进装备制造业、生物及医药健康产业、新能源产业等代表性产业的企业进行调研；产教融合按照吉林省政府产业数字化、数字产业化的发展目标，挑选能够体现数字技术运用和有助于吉林省产业转型升级的校企合作项目。最后，本文进行数据的统计分析、因素分析、回归分析及构建SEM并对模型进行数据验证。具体的技术路线如图1所示：

图1 技术路线图

2 建立数字人才集聚与地区经济发展耦合关系的模型

通常，SEM的变量分为两个部分：可观察的观测变量和不可观察的潜在变量。具体模型由以下方程构成：

上述方程中，式(1)为SEM的结构模型，

其中，η——内生潜变量；

ξ——外源潜变量；

B——矩阵系数；

Γ——误差向量。

式(1)和式(3)为SEM的测量模型，

其中，Y——内生潜变量的可测变量；

X——外源潜变量的可测变量；

Λy——内生潜变量与其可测变量的矩阵系数；

Λx——外源潜变量与其可测变量的矩阵系数。

依据SEM的测量过程，潜在变量被定义为不能直接衡量但必须通过其组成指标的变量。因此，本文所构建的SEM模型具有一个显示变量，即地区经济发展；四个独立的潜在变量，分别是样本1中的高校类型和数字人才聚集；样本2中的城市环境和薪酬水平。其中，城市环境、高校类型、薪酬水平为外源潜变量，数字人才聚集为内源潜变量。此外，研究另一个中介变量，即产教融合。在考虑潜变量结构的前提下，“最好”的潜变量应该与对应可测变量“最接近”。因此，SEM的优化准则本质是OLS回归分析。但是，OLS 估计量在协整面板中的不一致性和渐近偏差以及回归方程的潜在内生性。因此，本文采用了秦超(2023)[4]和王卓等(2022)[5]提出的完全修正 OLS (FMOLS)估计量和动态 OLS 估计量。前者采用长运行方差矩阵对因变量进行校正，然后应用标准OLS；后者通过包括引导和滞后项来校正干扰参数，允许横截面单元之间系数的异质性。在此基础上，本文将使用以下公式来优化SEM的方差解释，以建立数字人才集聚与地区经济发展耦合关系的模型：

其中，t——多组分析测试的耦合系数计算结果；

sample_1——样本1的路径系数；

sample_2——样本2的路径系数；

m——样本1的答复人数；

n——样本2的答复人数；

S.E.sample_1——样本1的SEM模型的标准误差；

S.E.sample_2——样本2的SEM模型的标准误差。

优化后的公式(4)对于有限样本尺寸和非正常数据的研究十分有利。因为它允许构建和估算特定模型，而不考虑高度受限的限制。不仅如此，优化后的公式(4)还考虑了两类异质性，即因果关系的异质性和下划线回归模型的异质性，能够以此探索数字人才集聚与地区经济发展耦合关系。

在本研究中，每个变量均以调查问卷的形式转化为若干指标并以题项的形式呈现。其中，Q2-Q5是高校类型量表，包括高校所在地、高校数量、高校性质、教学能力等；Q6-Q9是薪酬水平量表，包括行业薪酬水平、激励机制、工作环境和产业发展情况等；Q10-Q16是城市环境量表，包括城市产业分布、城市人才服务、城市产业聚集、企业核心能力、城市产业配置、产业社会认同等；Q18-Q21是人才聚集量表，包括人才产权、人才政策、人才理念和人才配置。此外，Q1、Q10和Q17是产教融合量表，包括校企合作项目数量、校企合作项目的内容和校企合作程度等。所有量表均以李克特5点量表的形式进行调查。其中，1表示严重不同意；2表示不同意；3表示中立；4表示同意；5表示强烈同意。在发放调查问卷前，应用SPSS22.3对量表进行信度分析，整个量表Cronbach’sα值为0.89，说明该量表具有较高的信度。其中，各分量表的信度系数依次为高校类型量表0.935、薪酬水平量表0.871、城市环境因素量表0.941、人才聚集量表0.820，均符合大于KMO值0.7的标准，而且Bartlett’s球形检验值为11436，自由度为153，各分量与潜变量的相关系数较高。因此，该量表具有较高的信度和有效性。

3 数字人才集聚与地区经济发展耦合关系的模型分析

本研究累计发放问卷500份，回收问卷489份，回收率97.8%；有效问卷475份，有效率97.1%。将所得数据带入公式(4)中，依据调查数据结果的回归权重的值(路径系数)和路径系数的标准误差，可以得到吉林省数字人才集聚与地区经济发展SEM路径，具体如图2所示。

图2 吉林省数字人才集聚与地区经济发展SEM路径

图2所建立的模型适配较理想，模型适配度较好。具体的模型参数估计值如表1所示。

表1 数字人才集聚与地区经济发展耦合关系SEM模型参数估计值

如表1所示，城市环境、高校类型和薪酬水平与人才聚集之间强相关；人才聚集与地区经济之间强相关；地区经济反过来影响城市环境、高校类型和薪酬水平，说明观测变量和潜在变量之间存在的关系。此外，高校类型与人才聚集之间、产教融合与人才聚集之间、地区经济与高校类型之间，路径系数为负，其他路径系数为正，说明观测变量和潜在变量之间关系是多因素共同影响，存在耦合关系且呈现双螺旋上升的态势。然后计算t，可以得到吉林省数字人才集聚与地区经济发展耦合系数。其中，t1表示数字人才和汽车产业的耦合系数；t2表示数字人才和农产品加工产业的耦合系数；t3表示数字人才和先进装备制造业的耦合系数；t4表示数字人才和生物及医药健康产业的耦合系数；t5表示数字人才和新能源产业的耦合系数；t表示数字人才和吉林省地区经济发展的综合耦合系数，具体结果如表1所示。

如表2所示，在吉林省地区经济发展动因中，城市环境、薪酬水平以及高校类型对数字人才聚集具有较为显著的影响，其标准化路径系数说明城市环境、薪酬水平以及高校类型等方面的进步，对人才聚集的形成起到了较大作用。其中，尽管产教融合没有直接有效地促进人才聚集的形成，但是，产教融合起到了中介作用，间接影响数字人才聚集。

表2 吉林省数字人才集聚与地区经济发展耦合系数计算结果

4 结语

综上所述，吉林省数字人才集聚与地区经济发展之间存在耦合关系，呈现双螺旋上升的态势。为此，吉林省在发展地区经济过程中，要合理的引导数字人才流动，将无序的数字人才聚集转变为有序的数字人才流动，才能充分发挥数字人才个体的最大效应，实现合理的最优化配置，推动吉林省地区经济全面且持续的发展，而不是拘泥于个别产业的单独发展。