基于全国大数据分析的高等职业教育人才供需匹配研究

摘 要 聚焦人才培养和产业发展“两张皮”问题，面向产业需求持续优化专业布局、提升人才培养质量，为中国式现代化提供强大的高技能人才支撑，是我国高等职业教育的重大使命。基于全国高职毕业生就业调查、高职状态数据库等数据来源及大数据模型对高职教育人才供需匹配情况进行实证分析：基于专业布点数据，分析各地高职专业设置与地方经济发展的紧密度；基于招生结构的变化，考察高职专业布局与产业结构的动态匹配度；基于就业大数据分析，深入了解高职教育人才供给质量以及供需匹配情况。针对分析结论，提出相应的对策建议：加强整体统筹规划，注重跨地区协作，以优质资源共享平衡区域差异；坚持产业需求导向，建立专业预警机制，健全“招生—培养—就业”联动机制；立足人才培养为本，持续优化以提升技能水平和就业质量为导向的评价体系。

关键词 高职教育；专业布局；产业结构；匹配度；就业质量；大数据分析

中图分类号 G719.2 文献标识码 A 文章编号 1008-3219（2025）12-0067-07

我国职业教育已进入高质量发展新阶段，但部分领域和关键环节存在的问题仍需着力破解。一方面，职业教育支撑国家、区域经济社会发展能力和水平仍有待提高，人才培养与社会需求之间还存在落差，一些高职院校定位不清晰、特色不鲜明、盲目求大求全等现象仍然突出。另一方面，自2019年高职大扩招开始，我国高等教育已进入普及化阶段，高校毕业生人数从2022年开始突破千万，毕业生就业形势复杂严峻。从社会需求视角来看，聚焦人才培养和产业发展“两张皮”的问题，面向产业需求持续优化专业布局，从而推动人力资源供给结构不断优化，已成为新形势下各级教育主管部门和高职院校的紧迫任务，也是促进我国职业教育高质量发展的重要着力点之一。

一、相关研究综述

潘懋元指出，经济产业结构是制约教育学科结构的主要因素，评价教育学科结构是否合理应看其是否与产业结构和人才需求相匹配[1]。陈基纯基于广东地市面板数据，通过对比各产业的增加值比重和就业比重之间的偏差来计算产业结构偏离度，分别从广东区域整体及内部城市差异两个维度对高职专业设置与产业发展的匹配状况进行分析[2]。麻灵基于协同理论，参考环境与经济“协调发展”模型对重庆市高职进行专业结构与产业结构的匹配度分析，通过计算协调度和发展度两个指标，分别得出专业结构与三次产业结构的互动情况和互动发展的量化指数并基于等级与类型划分标准进行实证分析[3]。

部分研究者基于相关指标的动态变化情况来分析人才供需结构匹配度。崔晓迪等人从规模、结构和质量效益三方面分析京津冀中职教育与地区经济发展的匹配程度，其中专业结构与地区经济产业结构匹配度的计算考虑了增长率的对比，即通过比较各地区三次产业对应毕业生比例的平均增长率和三次产业产值比例的平均增长率并加权综合计算得出[4]。宋亚峰和潘海生系统梳理了专业与产业的匹配标准，构建了以专业大类—专业类—具体专业为关键节点的职业教育专业谱系图，以产业类—行业门类—行业大类—行业中类—行业小类—职业群为关键节点的产业谱系图，并根据专业谱系图与产业谱系图关键节点之间的匹配程度构建了专业建设与产业发展谱系图分析框架[5]。

毕业生就业质量是人才供需匹配情况的直接表现，通过招生—培养—就业联动分析，可以为学校招生和人才培养提供反馈依据，进而优化人才供给。于晓光和姜海鹏基于报考率、报到率、就业率、就业竞争力等指标建立专业预警机制，为专业结构优化和招生计划调整提供量化依据[6]。高耀等人深入分析毕业生就业的学科专业差异，指出毕业生的学校层次、所学专业类别对其就业单位性质、起薪水平、就业满意度等指标有显著影响[7]。宗诚等人从人才培养投入、过程、产出3个维度构建涵盖10项二级指标和34项指标观测点的高职人才培养质量评价指标体系，对各地高职学校进行定量对比，发现区域、省份、学校之间发展不平衡不充分的问题仍比较突出[8]。在大数据模型应用方面，相关研究引入逻辑回归、判别分析、决策树、神经网络、支持向量机等机器学习算法，基于学生所学专业、学习成绩、专业相关课外活动、实习经历等关键指标构建分析模型，寻找人才培养过程与就业最为相关的指标，帮助学校改进教育教学与就业指导工作，进而提升人才供需匹配度[9][10][11]。

现有研究在专业与产业的结构匹配分析、“招生—培养—就业”联动分析等方面进行了一定探索，为后续研究提供了较好的基础。本研究聚焦高职教育人才供需匹配度，结合全国高等职业学校人才培养工作状态数据采集与管理平台（下称“高职状态数据库”）专业设置与招生数据、全国高校毕业生就业调查数据①，以及国家统计局发布的产业增加值数据等多种来源的全国性大数据进行建模分析，为专业布局动态调整乃至高等职业教育质量提升提供客观依据和优化建议。

二、人才供需匹配度的多维分析

2022年，中共中央办公厅、国务院办公厅印发的《关于深化现代职业教育体系建设改革的意见》明确提出，深化职业教育供给侧结构性改革，推动形成同市场需求相适应、同产业结构相匹配的现代职业教育结构和区域布局。教育部副部长吴岩对其中的“两翼”改革部署作出进一步解读，即从“块”上提升职业教育与地方经济结合的“紧密度”，从“条”上加强职业教育与行业发展需要的“适配度”[12]。本研究从三个方面对高职教育人才供需匹配情况进行分析：一是基于专业布点数据，分析各地高职专业设置与地方经济发展的紧密度；二是基于招生结构的变化，考察高职专业布局与产业结构的动态匹配度；三是基于就业大数据分析，深入了解高职教育人才供给质量以及供需匹配情况。

（一）基于专业布点分析专业设置与地方经济发展的紧密度

将高职专业按我国三次产业划分进行归类②，基于高职状态数据库中专业设置是否匹配本区域紧缺行业或支柱产业字段数据（2023年度），可以分别计算出三次产业对应专业布点与本地紧缺/支柱产业匹配的比例。从全国整体来看，第二产业专业布点与本地匹配比例最高，达到近2/3（66.58%）；其次是第一产业，约为六成（59.99%）；匹配比例最低的是第三产业，尚未达到一半（45.54%）。据此方法，同样可以计算出各省份的三次产业专业布点与本地匹配比例，结果见表1。

考虑到各地产业结构的差异，将国家统计局公布的各省份三次产业增加值数据（2023年度）作为权重，对各省份三次产业专业布点与本地匹配比例进行加权计算，可以综合得到各省份高职专业设置与地方经济的紧密度，计算公式如下：

Cj=∑3i=1wij·Mij

其中Cj为j省份的专业设置紧密度，wij是j省份的第i产业增加值占比，Mij是j省份的第i产业专业布点与本地匹配比例。

从表1可以看出，专业设置紧密度相对较高（大于60%）的有浙江省、山东省、海南省、广东省、北京市、江苏省、湖北省和湖南省8个省份，主要集中在东部地区，也是职业教育和地方经济较为发达的省份。专业设置紧密度相对较低（不足50%）的有内蒙古自治区、甘肃省、河南省、四川省、云南省、黑龙江省、江西省、青海省、宁夏回族自治区和广西壮族自治区10个省份，主要集中在西部地区，也是职业教育和经济发展相对落后的省份；尤其是青海省和宁夏回族自治区的三次产业专业布点与本地匹配比例均未达到50%，专业设置与地方经济发展明显脱节。

（二）基于招生结构分析专业布局与产业结构的动态匹配度

相关研究普遍认为[13][14][15]，产业结构通过劳动力结构间接影响专业结构，评价高职专业布局是否合理的依据之一，就是考察其与产业结构是否匹配，尤其是招生规模动态调整是否与产业发展趋势相协调。基于2022年和2023年的经济数据和招生数据，对比各省份三次产业增加值的变化趋势与对应专业招生规模的变化趋势，可以定量分析各地招生结构与产业结构的动态匹配度。

将j省份第i产业的招生结构与产业结构动态匹配度定义为：

e-|∆Sij-∆Eij|

其中∆Sij是j省份的第i产业对应专业招生占比年增长率，∆Eij是j省份的第i产业增加值占比年增长率，两者差值越小则动态匹配度越高。产业总体动态匹配度可以通过加权计算得出：

Dj=∑3i=1wij·e-|∆Sij-∆Eij|

其中Dj为j省份的产业总体动态匹配度，wij是j省份的第i产业增加值占比。

基于2022-2023年数据进行计算，可以得到全国及各省份的三次产业动态匹配度和产业总体动态匹配度，见图1。从全国整体情况来看，产业动态匹配度呈现出“三二一”的特点，即第三产业动态匹配度最高，第一产业动态匹配度最低。

分省份来看，产业总体动态匹配度排名前五位的依次为北京市、福建省、四川省、上海市和重庆市，这些省份的专业招生动态调整与本地产业发展趋势较为协调；排名后五位的依次为（倒序）西藏自治区、海南省、宁夏回族自治区、黑龙江省和内蒙古自治区，这些省份亟须以本地经济发展需求为导向，加强专业布局和招生结构动态调整的及时性和有效性。

（三）基于就业质量分析高职教育人才供需匹配情况

毕业生是新增就业群体的主力军，其就业状况是评价人才供给质量的直接依据，也是衡量人才供需匹配情况的重要指标。一方面，从毕业生就业质量反映出来的产业需求变化，可以为招生环节和人才培养环节提供改进依据，帮助高职院校建立健全“招生—就业—培养”联动机制。另一方面，基于就业大数据对高职毕业生就业影响因素进行分析，有利于深入了解毕业生就业状况反映出来的能力匹配问题，为高职院校改进教育教学和就业工作提供抓手，从而优化人才供给、提升人才供需匹配度。

1.招生规模与就业质量交叉分析

随着2023年初以来宏观经济逐渐回暖，高职毕业生就业形势与2022年相比有所好转。新锦成研究院调查数据显示，2023届全国高职毕业生（毕业后3～6个月调查，下同）毕业去向落实率为88.37%，较上届提高超过2个百分点；2023届全国高职毕业生就业对口度为72.17%，较上届提高近2个百分点。

分专业大类来看，随着2023年旅游行业的快速复苏，2023届高职旅游大类毕业生的毕业去向落实率比上届提高了超过4个百分点，就业对口度则大幅提高了超过13个百分点；制造业全面复工复产也为毕业生就业带来利好条件，装备制造大类、生物与化工大类、轻工纺织大类等相关专业大类毕业生的就业对口度均有不同程度的提升。

从高职状态数据库2021-2023年的全国高职招生规模数据可见，招生规模较大（占比超过10%）的专业大类共有5个，依次为电子与信息大类、财经商贸大类、医药卫生大类、装备制造大类和教育与体育大类，5个专业大类招生人数之和占高职招生总数的2/3，见表2。结合招生数据和2021-2023届毕业生就业数据进行交叉分析，见图2，招生规模较大的5个专业大类中：装备制造大类毕业生的毕业去向落实率和就业对口度均处于相对较高水平，展示出良好的就业质量，较好地支撑了装备制造业的技能人才需求；财经商贸大类毕业生的就业对口度偏低，但毕业去向落实率相对较高；受对口行业准入门槛影响，教育与体育大类、医药卫生大类毕业生的就业对口度较高，但毕业去向落实率相对偏低，其招生规模应及时根据教育行业、卫生行业的发展现状和政策导向作适当调整；这三年招生规模最大的电子与信息大类，毕业生的毕业去向落实率和就业对口度均相对偏低，需紧密结合信息技术产业发展趋势，培养满足产业实际需求的高技能人才。

2.就业满意度影响因素大数据分析

就业满意度是毕业生对自身就业状况的综合评价指标，其影响因素包括收入、晋升机会、工作本身的性质等工作因素，以及毕业生的人口学特征、毕业生的人力资本、个人和家庭的社会资本、毕业院校特征、求职状况等非工作因素。应用大数据模型对高职毕业生就业满意度的影响因素进行深入分析，既能概览全局特征，又能定位不同群体的问题，挖掘出传统就业统计难以发现的结果，见图3。

首先，采用基于分类与回归树（Classification and Regression Tree， CART）的监督式机器学习算法模型 XGBoost（eXtreme Gradient Boosting），对2023届全国高职毕业生就业调查大数据进行训练，得出其他30余项就业特征指标对就业满意度指标的预测模型。本研究将解释模型 SHAP（SHapley Additive exPlanations，由合作博弈论中的 Shapley value启发的可加性解释模型）应用于预测模型，可以计算出毕业生数据样本的每个就业特征指标对其就业满意度的影响力（即 SHAP 值）。通过计算任意特定群体的平均 SHAP 值，可以得出该群体就业满意度的影响因素排序——特征指标的 SHAP 值越大，表明该因素对就业满意度的影响越大。