城市吸纳人才能力的综合评价与对策

城市吸纳人才能力的综合评价与对策

——基于熵值法的面板数据分析

南京财经大学王晓雪、王丽、王景宇

目录

一、引言 (2)

（一）问题概述 (2)

（二）问题提出 (2)

（三）问题分析 (3)

（四）国内外相关理论 (6)

（五）人才吸纳能力定义 (7)

二、模型建立前的准备 (7)

（一）若干假设 (7)

（二）评价指标选取 (7)

（三）数据的来源与预处理 (9)

三、模型构建与检验 (10)

（一）因子分析 (10)

（二）主成分分析 (12)

（三）基于面板数据的评价方法及结果 (15)

（四）模型解释 (22)

四、结论与建议 (23)

（一）一类城市：保持稳健发展，注重配套支撑 (23)

（二）二类城市：牢固产业基础，寻求多元发展 (23)

（三）三类城市：挖掘城市特色，利用旅游资源 (23)

（四）分析方法综合评价 (24)

参考文献 (25)

附录1： (26)

摘要

人才是提高城市竞争力的核心要素，城市经济发展与人才发展相辅相成。随着城市化进程的推进，人才转移和人才的流动方向产生了越来越强的趋向性。同时，人才转移与产业转移呈现反向流动趋势，严重影响区域经济的发展。因此，城市人才吸纳能力也逐渐成为决定城市竞争力的重要指标之一。

本文通过因子分析和主成分分析，将较多二级指标归为五类一级指标，减少因子数目；通过制定相应权重，运用熵值法、因子分析中的得分分析，对城市进行得分估计和综合排名；再运用聚类方法，将不同城市归类，寻找城市发展中的共同点，为其他类似城市提出相应的建议。

本文的主要特色是以十个具有代表性的城市为样本，预测整个国家区域间人才吸纳能力。原有的相关研究主要倾向于企业吸纳人才能力的分析，而本文旨在研究区域间人才发展的不均衡，统筹城市间的人才流向，从而推进城市间的和谐发展。本文通过两种评价体系（因子得分体系和熵值法得分体系）进行城市间排名并做出合理化分析，由此对十个样本城市人才吸纳能力进行综合测度。

关键词：人才转移熵值法指标体系

一、引言

（一）问题概述

人才是提高城市竞争力的核心要素之一，城市经济发展与人才发展相辅相成。随着城市化进程的推进，人才转移和人才的流动方向产生了越来越强的趋向性。

人口迁徙能给社会带来巨大的变革，人才的迁徙转移更加明显的影响着地区的经济文化发展，特别是在产业转移的现阶段，人才的转移和产业的转移呈反方向移动——产业向周边城市转移，人才向发达城市靠拢。通过调查显示，越发达地区关键人才跨市流出意愿越低，在排名中显示，上海以18%占据最低位置，其他依次为北京(22%)、成都(25%)、大连(27%)、天津(28%)。以上现象严重影响着我国经济的发展，因此，城市人才吸纳能力也逐渐成为决定城市竞争力的重要指标。关注并研究我国城市人才吸纳能力，有利于各个城市制定符合城市特色的人才吸引战略，为城市经济发展储备人才，奠定基础。

（二）问题提出

1．提出背景

当今世界呈现出一极多强的局面，一个国家必须有足够的魅力吸引人才、留住人才，才能让他们发挥应有的潜力。通过人才的知识运用，发展国家的经济、科技、文化，从而达到“人才兴国，人才强国”。

同理，城市的发展也离不开人才所作的贡献，而如何吸引人才也是每个发展中的城市需要思考的问题。但随着经济的发展，人才的流向的趋向性越来越明显：大中小城市人才分布的不均匀，区域发展的不平衡，也使地区间人才流向问题逐渐激化。以上情况将会造成大城市人才饱和，中小城市人才缺乏，阻碍了中小城市的经济发展与城市化进程的推进。

2．问题提出

（1）影响城市吸纳人才的因素涉及诸多方面，该怎样选取相应指标，并通过模型将指标系统化，从而得到全面测度城市人才吸纳能力；

（2）对于已选定的一级、二级指标，怎样设置响应的指标权重，使各项指标精确地反映出其对城市吸纳人才的能力所作出的贡献率；

（3）对于指标分析主要设计哪些方法，以及如何选取、选取那些适当的分析方法；

（4）使用何种方法对评价主体予以分类，进行类别分析并最终提出发展建议及改进方法。

（三）问题分析

1．城市吸纳人才能力的综合指标体系选取原则

（1）目的性原则

设计城市吸纳人才能力评价指标体系的目的在于，衡量城市吸纳人才能力的状况，找出吸纳人才能力弱的原因所在，指出改善城市吸纳人才能力的手段和方法，最终增强城市的竞争实力。

（2）科学性原则

城市吸纳人才能力指标体系应该准确地反映城市吸纳人才能力的实际情况，有利于同一国家不同城市间人才吸纳能力的比较，挖掘城市竞争潜力。

（3）全面性原则

城市吸纳人才能力的评价应该充分考虑城市显在和潜在的人才吸纳能力。不仅要反映城市吸纳人才能力的“硬”指标，还要考虑一些“软”指标。

（4）定性与定量结合的原则

对定性指标要明确其含义，并按照某种标准对其赋值，使其能够恰如其分地反映指标的性质。定性和定量指标都必须有明确的概念和确切的计算方法。

（5）通用性和发展性结合的原则

所建立的指标体系必须具有广泛的适应性，即设立的指标能反映不同地区的城市人才吸纳能力的共性。建立的城市吸纳人才能力指标必须具有发展性，即可根据具体的地域、城市做出适当的调整，从而灵活应用，更准确地反映不同城市的特征。

2．样本城市的选取

本文样本城市的选取参照中国城市竞争力研究会2010年评出的我国“十佳发展潜力城市”排行榜：

该排行榜是中国城市竞争力研究会的年度综合性研究评价课题之一，是该会首度对中国最具开发潜力城市进行研究与评价，应用自主创立的评价指标体系（GN中国城市开发潜力评价指标体系：由包括政策倾向指数、国家扶持度指数、投资者关注度指数、支援优势指数在内的4项一级指标、21项二级指标、62项三级指标組成），在搜集翔实的基础资料及进行大量的调查研究、充分考虑公众口碑支持率的基础上，对中国包括港、澳、台地区在内的34个省、直辖市、自治区，295个地级市、374个县级市的分类优势进行评价产生的最新研究成果。

通过对上榜的10个城市进行政治地位、经济实力、城市规模、区域辐射力四项因素的初步分析，可得出结论：该榜所列出的“十佳城市”具有较高的权威性和可靠性，所选取的十个城市覆盖面广泛，囊括了（准）一线（天津）、二线（武汉、沈阳、重庆、福州、乌鲁木齐、南宁）、三线城市（海口、日照、开封），沿海及内陆城市，东北部、中西部及南部城市，具有很强的代表性。

因此可从这10个最具发展潜力的城市入手，运用其当年经济发展，教育、医疗、社会保障、科技支出等方面的相关数据，使用熵值法对十个样本城市建立人才吸纳能力模型，综合测度其人才吸纳能力。并在理论及模型分析的基础上，根据实证分析的结果，就提高中国所有城市人才吸纳能力提出相应的对策建议。

3．评价方法

（1）因子分析

因子分析是指研究从变量群中提取共性因子的统计技术。因子分析的基本目的就是用少数几个因子去描述许多指标或因素之间的联系，即将相关比较密切的几个变量归在同一类中，每一类变量就成为一个因子，以较少的几个因子反映原资料的大部分信息。因子分析可在许多变量中找出隐藏的具有代表性的因子。在数据分析时，先对已选指标进行因子分析，进行指标的同类合并和删除，确保选取指标的有效性，同时减少指标数目，减少运算量。

（2）主成分分析

主成分分析主要是作为一种探索性的技术，在进行多元数据分析之前，用主成分分析来分析数据，对数据有一个大致的了解。是将多个变量通过线性变换以选出较少个数重要变量的一种多元统计分析方法。又称主分量分析。具体应用中，为了全面分析问题，往往提出很多与此有关的变量（或因素），因为每个变量都在不同程度上反映这个课题的某些信息。

（3）熵值法

“熵”表示任何一种能量在空间中分布的均匀程度。能量分布的越均匀，熵就越大。上也是系统混乱和无序的度量，通过计算熵值来判断一个事件的随机性及无序的程度，熵值越大，混乱无序的程度越大。一般而言，指标所反映信息的确定性越高信息熵越小，该指标提供的信息量越大，在综合分析中所起的作用越大。反之，指标的信息熵越大，该指标提供的信息量越小，在综合分析中所起的作用越小。利用熵值法模糊综合评价法可以比较客观、真实的评价城市吸纳人才的能力。

（4）聚类分析

聚类分析是直接比较各事物之间的性质，将性质相近的归为一类，将性质差别较大的归入不同的类的分析技术。本文将主要应用聚类分析对10个样本城市进行划分，并且可以描述出各细分类别的城市特征，以便于如后可以有针对性的对目标城市群提出增强其人才吸引力的合理化建议。

4．整体评价

本文将提到两种方法的比较（因子分析得分和熵值法得分及相应的排名）。

5．政策建议

最终得出结论，详细见最后结果。

（四）国内外相关理论

1．国外的研究

2009年9月8日，中华网刊载了瑞士研究机构“世界经济论坛”发表的2009年各国经济及社会竞争力报告。报告中提出一个国家在国际或地区中整体竞争力的概念，即国家竞争力是指一个国家在世界经济的大环境下，创造增加值和国民财富的可持续性增长的综合能力。国家竞争力的评价是全新的系统量化概念，以此为依据可得到城市竞争力的概念，从而进一步确定城市吸纳人才能力的概念：吸纳人才能力就是一个国家、地区或城市在一定时期内和一定产业、人才、资源基础等条件下所具备的吸引接纳转移人才并能使其得以发展的人才吸引能力，人才选择能力和人才支撑能力。它反映了一个地区在争取转移人才博弈中的实力。

城市是一个开放系统，所以对于城市很难做出客观准确的评价，因此对城市吸纳人才能力的评价就需要找到一个量化的标准，从而正确的引导人才的流动方向，促进产业转移与城市经济的发展。

2．国内研究

王让、李欣在《统计预测与决策2011年第8期》发表的《中国区域知识竞争力测度与提升政策分析》中采用层次分析法构建省域知识竞争力评价模型，从科技政策、人才政策，知识经济政策、社会信息政策等方面提出提升知识竞争力的建议，该文中提出知识对于经济发展的重要性。张浩、何明珂在《统计预测与决策2011年第7期》发表的《基于熵值法的企业战略绩效评价模型》中提出熵值法是建立评价模型的一个重要的方法，特别是平衡计分卡的使用。还有很多关于竞争力的研究，运用了因子得分法，例如《统计预测与决策2011年第9期》上发表的上官飞和舒长江的《中部省份区域竞争力的因子分析与评价》。

对于竞争力分析，产业转移方面的分析很多，但是区域吸纳人才能力的分析很少，另一方面城市吸纳人才能力的测度是城市建设的关键环节，其目的是为了能更好的指引人才的流动方向，达到经济效用最大化。发达城市经济发达，人才饱和，根据人才的边际效用递减规律，呈现负效用。为此，拟在界定人才承接

能力的概念基础上，以高校人才为例，运用熵值法对中国10个发展潜力排名靠前的城市建立模型，进行评估。

（五）人才吸纳能力定义

人才吸纳能力应是一个国家或地区在一定时期和一定条件下所拥有的，凝聚吸引人才，准确选择人才，融合人力资源优势，进而提升城市竞争力，促进区域经济发展的能力。由于城市发展需要专业的管理人才，专业的技术人才，特别是在当今城市竞争激烈的大环境下，存在许多不确定性因素，因此就需对人才提出更进一步的要求。

本文对人才吸纳能力做以下的界定：人才吸纳能力就是一个国家、地区或城市在一定时期内和一定产业、人才、资源基础等条件下所具备的吸引接纳转移人才并能使其得以发展的人才吸引能力，人才选择能力、人才支撑能力和人才排斥影响。它反映了一个地区在争取转移人才博弈中的实力。

二、模型建立前的准备

（一）若干假设

1．人才向发达的国家或城市流动，从而造成了人才分配的不均衡。发达城市经济发达，人才饱和，根据人才的边际效用递减规律，呈现负效用。经济发展也是如此，投入过多的资源反而使效率降低。

2．经济增长发展水平主要是从一个国家的整体水平来考量，因此本文通过我国国内生产总值来度量全国的经济增长水平。

3．在模型建立的过程中，不考虑经济波动以及宏观政策变化等特殊因素的影响。

（二）评价指标选取

本文主要是针对产业转移和人才吸纳能力的分析，综合前人分析的区域竞争力和产业转移竞争力方面的指标，并加入了教育方面的指标。根据上官飞在《中部省份区域竞争力的因子分析与评价》中综合世界经济论坛的竞争力评价指标、国际管理学院竞争力指标体系、国家竞争力指标体系、中国人民大学国际竞争力

指标体系、赵晓博士的开发区竞争力指标体系，最终确立了二十四个评价指标体系。

这二十四个指标是：人口数、职工平均工资、城乡居民人民币储蓄存款、CPI、城镇居民家庭平均消费性支出、农村居民家庭人均纯收入、城镇登记失业率、高校数量、高校在校生数、高校教师数、科学技术支出、拥有公共交通车辆、邮电通讯总量、城市用水普及率、第一产业占GDP比重、第二产业占GDP比重、第三产业占GDP比重、一般性财政支出、房地产价格指数、城镇恩格尔系数、城市占地面积、卫生技术人员数、住房价格、户籍政策。

结合相关文献、著作中城市人才吸引、区域综合竞争力的指标体系。本文给出了以下的定义：

人才的吸纳能力包括城市为人才提供的就业信息量，比如中介公司的多少，信息的流畅程度，城市人员对人才的评估系统等城市选择人才的能力,而一个城市的人口状况，就业状况，消费水平，就业市场的大小这些因素都影响着人才的流向问题。只有将特定的人才分配到发展潜力不同的地方，才能最大效用的发挥人才的优势，做到人才的边际效用最大化。所以给出以下定义：

1．人才吸引能力

人才吸引能力是指结合当地经济、政治、区域影响力等综合因素决定的，能够影响、促使人才流向本地的城市综合能力。具体应包括城乡居民生活水平、职工工资、消费水平、当地失业率等因素。

2．人才选择能力

人才选择能力指当地政府在综合考虑经济、社会、人文、资源等基础上对人才转移进行认识、判断、筛选的能力，包括人才数据库的建立，人才评估系统的成立等。

3．人才支撑能力

人才支撑能力为经筛选后的人才融入承接地提供铺垫、保障，由人才配套支撑和辅助支撑两部分组成。配套支撑是指对工作要求的方面，公共交通状况，恩格尔系数，城市的建设状况等影响工作人员对工作满意度的因素；辅助支撑是指对于人们生活满意程度方面的支撑，比如社会保险，医疗救济等方面。

4．人才排斥影响

人才排斥影响是指标体系中的负向指标，综合考虑城市的人才吸纳能力，除了要充分考虑城市对人才的吸引和支撑能力外，还需考虑某些对人才吸纳具有不利作用的指标，如房价、户籍政策等。综合人才吸引、选择、支撑、排斥四项指标，方能较全面地测度出城市对人才的吸纳能力。

通过以上定义和比较，最终选取了二十四个对一级指标有影响的设计指标。

依据上面的三个层次的标准，依次抽离出了以下的因素，对此问题进行指标体系的建立：

（三）数据的来源与预处理

本文实证分析所选用的数据包括十个城市、二十四个指标的二百四十个数据，主数据要来源于各个地区的2010年城市统计年鉴，及2009年城市主要经济和社会发展统计报告（详见附录1）。为了使数据具有可比性，减少量纲不同所带来的差异性，我们将所有数据进行了数据标准化处理。

三、模型构建与检验

（一）因子分析

因子分析主要用于对二级指标进行分析，通过对各一级指标下属二级指标的因子分析，确定各二级指标所得主成分在一级指标中所占权重，以计算结果设置二级指标权数。

由于二级指标较多，它们对相应的一级指标的信息反映难免会有重复，即相关系数较大，因此运用因子分析法来检验个一级指标下属二级指标。因子分析法的最大优点是在消除指标间相关性的同时根据因子载荷矩阵确定各公共因子在综合评价中的作用大小。(注：q=（λ1+……+λm）/trM)

下面对一级指标进行因子分析：

（1）市场状况M1：

运用Markway5.0对市场状况包括的二级指标做Bartlett球形检验：

由上表知：Bartlett球形检验值为230.7681且通过显著性检验P=0.0000<0.01，说明对于一级指标市场状况可以运用因子分析方法。

运用Markway5.0对各级一指标做因子分析：

由软件结果可知前四个因子的特征值分别为 2.9372，2.1231，1.8947，1.6980，累计贡献率已达到q=86.53%，故提取4个公共因子。根据特征值对四

个公因子的得分进行加权的（1）式中，M1代表市场状况得分，F1，F2，F3，F4代表在Markway5.0中采用回归法得到的各个公因子的得分。

1234

M 2.9372F 2.1231F 1.8947F 1.6980F =+++ （1）

（2） 配套支撑M3：

运用Markway5.0对配套支撑的二级指标做Bartlett 球形检验：

由上表知：Bartlett 球形检验值为111.1407，且通过显著性检验P=0.0000<0.01，说明可以对一级指标配套支撑运用因子分析方法。

运用Markway5.0对各级一指标做因子分析：

由软件结果可知前三个因子的特征值分别为3.2652，2.2269，0.8863，累计贡献率已达到q=91.12%，故提取3个公共因子。根据特征值对四个公因子的得分进行加权的（2）式中，M 3代表市场状况得分，V 1，V 2，V 3代表在Markway5.0中采用回归法得到的各个公因子的得分：

3123M 3.2652V 2.2269V 0.8863V =++ （2）

（3） 辅助支撑M 4：

运用Markway5.0对一级指标辅助支撑的二级指标做Bartlett 球形检验：

由上表知：Bartlett 球形检验值为1.6977，且通过显著性检验P=0.9453> 0.01，说明不可以对一级指标辅助支撑运用因子分析方法，所以对所有因子采用回归法得到的各个公因子的得分：

4192021221.5147 1.0210.91010.5542M X X X X =+++ （3）

（4） 人才排斥指标M5：

运用Markway5.0对一级指标辅助支撑的二级指标做Bartlett 球形检验：

由上表知：Bartlett 球形检验值为0.1564，且通过显著性检验P=0.6925> 0.01，说明不可以对一级指标辅助支撑运用因子分析方法，所以对所有因子采用回归法得到的各个公因子的得分：

52324M 1.1437X 0.8563X =+ （4）

（二） 主成分分析

运用Markway5.0分析软件做主成分分析：

做主成分分析的主要原因是，求出个二级对主成分的贡献率，从而设置二级指标对个主成分的权重。 （1） 市场状况M 1： 提取方法：主成分法

图1 因子载荷图

由特征向量确定公共因子表达式：

(,)

k xi y i e ρ=

ρ为标准误差，k λ为特征值）

*i i F E x

=

112345678910

F 225.3601X 932.8656X 157.89100.3616X 1100.5994X 142.9009X 0.0006X 14.0080X 141802.7758X 1644.4139X X =+--++++++ 212345678910F 63.6577X 2522.0605X +518.93840.6121X 1023.3434X 553.5425X 0.0034X 2.3116X 37189.1436X 22876.0042X X =-++--++++

312345678910F 77.6526X 4069.4120X +1447.80600.3133X 1283.5896X 1403.9637X 0.0026X 0.4107X 13620.3363X 3124.3360X X =+--+-+-+

412345678910

F 125.8646X 2867.4501X 1611.52930.8995X +1065.2436X 1339.4295X 0.0010X 1.1935X 9687.9974X 888.9923X X =-+-++-+++

（2） 配套支撑M 3：

提取方法：主成分法 迭代次数1

图2 因子载荷图

通过因子载荷矩阵计算的特征向量矩阵：公式;

(,)

k xi y i e ρ=

ρk λ为特征值）

由公式*i i V E x =

得：

112131415161718

V 810.0705X 246460.7X 0.26889X 0.56287X 1.382404X 0.82052X +95.37427X =+--+-

212131415161718

V 214.984X 154769.2X 0.644082X 1.09812X 0.87746X 1.970467X +10.65047X =++--+

112131415161718

V 63.17519X 173272X 0.77025X 0.557841X 1.81841X + 1.264573X +47.71172X =+-+-

（3） 辅助支撑M4：

419202122

M 1.5147X 1.0210X 0.9101X 0.5542X =+++ （5）

由以上分析数据变化为以下形式：

表14 变换后的10个城市

值表格）

（三） 基于面板数据的评价方法及结果 1．因子得分分析：

（1） 将表14的数据指标的标准化：

(ij ij X x -=

（2） 建立相关系数矩阵：

1

()(n

ai

i aj a ij x

x x r =-=

∑表16相关系数矩阵R

（3） 求相关系数矩阵R 的特征值及相应的单位特征向量：

分别记为120p λλλ≥≥≥> 和12,,,p u u u U=（12,,,p u u u ）

=11121212221

2

p p

p p pp u u u u u u u u u ??

????????????

根据累计贡献率的要求比如

1

1

85%

m

i

i p

i

i λ

λ

==≥∑∑，取前m 个特征根及相应的特征向

量写出因子载荷矩阵：

m=3

A=1112121

2221

2

m m

m m m m a a a a a a a a a ??????????

??

=122

2m

m m m m m u u u u u u u

u u ???????

A=u u u u ???? 对A 进行方差最大正交旋转

（4） 计算因子得分 得分系数矩阵：

表17得分系数矩阵

因子得分表格：

表18因子得分表格

计算各得分多占权重：1

i

m

i j

j w λλ

==

∑

1 1.92λ=

2 1.53λ=

3 1.07λ= 1w =0.425 2w =0.338 3w =0.237

综合得分2

1

i i i s A w ==

∑

表19 综合得分情况

2．熵值法得分分析：

（1） 指标的标准化

设统计数据为n 个样本，评价体系指标有m 个，X ij （i=1,2，……n ，j=1,2……m ）为第i 个样本的第j 个指标的指标值。将各个评价指标进行标准化处理，处理为统一数量级，越大越好的标准数据。

正向指标：ij ij jm ax x x /x = 负向指标：i j jm in ij x x /x =

表20 经过标准化的因子矩阵

（2） 计算各指标比重：

ij ij 1

P x /n

ij

i X ==∑

表21 ij P 指标矩阵

（3） 计算j 项指标的熵值：

j ij ij 1

e k p *ln p n

i ==-∑（）

其中，k>0,e j >=0,k=1/lnn

K=0.434294

（4） 计算第j 项指标的信息效用值：

对于第j 项指标，各样本指标值的信息效用值越大，对于样本评价作用越大，熵值就越小。定义信息效用值：

j i G 1e =-

（5） 定义权重：

j j j 1

G /n

j a G ==∑