□彭 俊

｜背景與目標(biāo)問(wèn)題的提出

（一）問(wèn)題的提出

最新的第七次全國(guó)人口普查（下文簡(jiǎn)稱“七人普”）數(shù)據(jù)顯示，上海15-59 歲勞動(dòng)適齡人口比重進(jìn)一步下降。2012 年起，我國(guó)勞動(dòng)年齡人口的數(shù)量和比重就開(kāi)始出現(xiàn)“雙降”，至2018 年末全國(guó)就業(yè)人口總量也首次出現(xiàn)下降，上海受益于不斷涌入的年輕外來(lái)常住人口，勞動(dòng)年齡人口總量和比重的變化趨勢(shì)稍晚于全國(guó)，在2010 年達(dá)到頂峰的76.3%比重后，開(kāi)始呈現(xiàn)逐漸下降的趨勢(shì)。2020 年，上海15-59 歲勞動(dòng)適齡人口1662 萬(wàn)人，仍然比較充沛，但未來(lái)的減少趨勢(shì)不可避免，依靠人口紅利推動(dòng)經(jīng)濟(jì)增長(zhǎng)的時(shí)代逐漸過(guò)去，即人口紅利的時(shí)間窗口正在逐步關(guān)閉，下一步必須向人才素質(zhì)、勞動(dòng)力結(jié)構(gòu)優(yōu)勢(shì)轉(zhuǎn)變，即依靠人才紅利推動(dòng)經(jīng)濟(jì)高質(zhì)量發(fā)展。

（二）目標(biāo)

本文的主要目標(biāo)是研究上海就業(yè)人口中的人才紅利對(duì)經(jīng)濟(jì)增長(zhǎng)的影響效應(yīng)，通過(guò)建模來(lái)挖掘驗(yàn)證人才紅利對(duì)經(jīng)濟(jì)產(chǎn)出效率的影響方式、影響結(jié)構(gòu)與空間效應(yīng)有何特征，以此為上海更好利用人力資本紅利促進(jìn)經(jīng)濟(jì)轉(zhuǎn)型發(fā)展提供政策與建議。因此，我們充分發(fā)揮“七人普”與第四次經(jīng)濟(jì)普查（下文簡(jiǎn)稱“四經(jīng)普”）數(shù)據(jù)作用，為本課題設(shè)定了一個(gè)相對(duì)數(shù)據(jù)可獲得、可復(fù)制的“人才”定義：15 周歲及以上的就業(yè)人口①①就業(yè)人口是指“一周內(nèi)為取得收入而工作了一小時(shí)以上”或“在職休假、在職學(xué)習(xí)培訓(xùn)、臨時(shí)停工（保留工資）”人員。中或者職業(yè)為“黨的機(jī)關(guān)、國(guó)家機(jī)關(guān)、群眾團(tuán)體和社會(huì)組織、企事業(yè)單位負(fù)責(zé)人”或“專業(yè)技術(shù)人員”，或者受教育程度為大專及以上的人口，將該類“人口占就業(yè)人口的比重”作為本文探索人才對(duì)經(jīng)濟(jì)效率影響評(píng)價(jià)建模的指標(biāo)基礎(chǔ)。

｜上海市人才現(xiàn)狀分析

（一）就業(yè)人口中的人才比重為53.7%

“七人普”長(zhǎng)表抽樣數(shù)據(jù)顯示，就業(yè)人口中的人才比重為53.7%，比2010 年提高了19.5 個(gè)百分點(diǎn)，其中，戶籍常住人口的該比重為56.8%，外來(lái)常住人口該比重為43.2%。

（二）人才的平均年齡為35.4 歲

人才的平均年齡為35.4 歲，比2010 年提高1.3 歲，比就業(yè)人口的平均年齡低2.7 歲。其中，戶籍人才的平均年齡為38 歲，比外省市來(lái)滬人才的平均年齡高6 歲。

（三）金融、科研、教育和信息行業(yè)集聚

分行業(yè)看，人才占就業(yè)人口的比重較高的行業(yè)是金融業(yè)，教育，科學(xué)研究和技術(shù)服務(wù)業(yè)和信息傳輸、軟件和信息技術(shù)服務(wù)業(yè)，其比重分別為 91.4%，88.2%，88.2% 和86.8%。與2010 年相比，金融業(yè)就業(yè)人口中人才的比重均位居行業(yè)之首，比重略減0.2 個(gè)百分點(diǎn)。

（四）人才相對(duì)集中于“專業(yè)技術(shù)人員”

分職業(yè)看，上海專業(yè)技術(shù)人員占人才的比重為38.6%，位居職業(yè)前列，比2010 年下降5.3 個(gè)百分點(diǎn)；社會(huì)生產(chǎn)服務(wù)和生活服務(wù)人員所占比重提升最快，從2010 年的15.0%提高到32.8%，提高了17.8個(gè)百分點(diǎn)。

｜人才紅利對(duì)經(jīng)濟(jì)效率的影響效應(yīng)測(cè)度

相對(duì)于勞動(dòng)力要素，人才要素對(duì)經(jīng)濟(jì)效率的影響可能更為復(fù)雜，因此本文分別從中介、門(mén)限與經(jīng)濟(jì)空間三個(gè)維度來(lái)測(cè)度人才紅利對(duì)經(jīng)濟(jì)效率的影響效應(yīng)。主要使用“七人普”和“四經(jīng)普”數(shù)據(jù)，包括人才占比、勞動(dòng)生產(chǎn)率、資產(chǎn)貢獻(xiàn)率、信息化投入強(qiáng)度、綜合技術(shù)效率等五項(xiàng)分行業(yè)大類①①“農(nóng)林牧漁業(yè)”“采礦業(yè)”“煙草制品業(yè)”“公共管理、社會(huì)保障和社會(huì)組織”“國(guó)際組織”暫不納入測(cè)算。的統(tǒng)計(jì)指標(biāo)。人才占比=受教育程度為大學(xué)及以上或職業(yè)為單位負(fù)責(zé)人、專業(yè)技術(shù)人員/就業(yè)人口總數(shù)，勞動(dòng)生產(chǎn)率=總產(chǎn)出②為保持二產(chǎn)和三產(chǎn)、“四上”和“四下”測(cè)算口徑一致，行業(yè)總產(chǎn)出按營(yíng)業(yè)收入-營(yíng)業(yè)成本+稅金及附加進(jìn)行測(cè)算。/從業(yè)人員平均人數(shù)，資產(chǎn)貢獻(xiàn)率=總產(chǎn)出/資產(chǎn)總計(jì)，信息化投入強(qiáng)度③由于該指標(biāo)無(wú)“四下”數(shù)據(jù)，故僅測(cè)算“四上”部分。=信息化投入/營(yíng)業(yè)收入，綜合技術(shù)效率選擇EBM-超效率模型進(jìn)行測(cè)算，投入指標(biāo)為勞動(dòng)力要素和資本要素，產(chǎn)出指標(biāo)為總產(chǎn)出。（表1）

表1 人才紅利對(duì)經(jīng)濟(jì)效率影響的建模指標(biāo)數(shù)據(jù)示例

（一）人才紅利對(duì)經(jīng)濟(jì)效率影響的中介效應(yīng)測(cè)度——影響方式能夠復(fù)合、影響程度能夠疊加

1.人才紅利對(duì)經(jīng)濟(jì)效率影響的中介效應(yīng)測(cè)度方法。結(jié)構(gòu)方程模型是基于協(xié)方差矩陣分析多個(gè)原因和結(jié)果間關(guān)系的多元統(tǒng)計(jì)方法，本部分使用包含中介效應(yīng)的結(jié)構(gòu)方程模型分析人才紅利對(duì)經(jīng)濟(jì)效率的中介效應(yīng)。

包含中介效應(yīng)的結(jié)構(gòu)方程模型的表達(dá)為:

式中，yt為被解釋變量，xt為解釋變量，mt為中介變量，at′為直接效應(yīng)，βtγt為間接效應(yīng)，at為總效應(yīng)，εit為誤差項(xiàng)。a 代表自變量X作用于中介變量M 的效應(yīng)，c' 代表考慮或控制中介變量M 后，自變量X 作用于因變量Y 的效應(yīng)。

2.人才紅利對(duì)經(jīng)濟(jì)效率影響的中介效應(yīng)測(cè)度結(jié)論。設(shè)定模型的被解釋變量為綜合技術(shù)效率，解釋變量為人才占比，中介變量為勞動(dòng)生產(chǎn)率、資產(chǎn)貢獻(xiàn)率、信息化投入強(qiáng)度。求解軟件為AMOS 24，設(shè)置1000 次Bootstrap 自抽樣檢驗(yàn)中介效應(yīng)，并輸出結(jié)果（圖1）。

圖1 結(jié)構(gòu)方程模型參數(shù)估計(jì)標(biāo)準(zhǔn)化結(jié)果

（1）模型整體擬合效果較為理想?？ǚ浇y(tǒng)計(jì)量伴隨概率為0.301＞0.05，說(shuō)明假設(shè)模型的變量關(guān)系矩陣與實(shí)際數(shù)據(jù)的變量關(guān)系矩陣不存在顯著差異，假設(shè)模型能夠獲得實(shí)際數(shù)據(jù)的支持。其他絕對(duì)、增值、綜合擬合度指標(biāo)同樣顯示模型整體擬合較為理想（表2、表3、表4）。

表2 結(jié)構(gòu)方程模型絕對(duì)擬合度評(píng)價(jià)指標(biāo)

表3 結(jié)構(gòu)方程模型增值擬合度評(píng)價(jià)指標(biāo)

表4 結(jié)構(gòu)方程模型綜合擬合度評(píng)價(jià)指標(biāo)

（2）人才要素對(duì)經(jīng)濟(jì)效率的影響方式具有復(fù)合性。影響方式能夠符合是指人才要素對(duì)經(jīng)濟(jì)效率既能產(chǎn)生顯著的直接效應(yīng)，也能產(chǎn)生顯著的間接效應(yīng)。一方面，“人才占比”對(duì)“綜合技術(shù)效率”直接效應(yīng)的標(biāo)準(zhǔn)化有偏校正置信區(qū)間不包括0，顯著性檢驗(yàn)伴隨概率為0.066，說(shuō)明具有90%置信水平下顯著的直接影響。另一方面，“人才占比”對(duì)“綜合技術(shù)效率”間接效應(yīng)的標(biāo)準(zhǔn)化有偏校正置信區(qū)間不包括0，顯著性檢驗(yàn)伴隨概率為0.001，說(shuō)明具有95%置信水平下顯著的間接影響。

（3）人才要素對(duì)經(jīng)濟(jì)效率的影響程度具有疊加性。影響程度能夠疊加是指人才要素對(duì)經(jīng)濟(jì)效率產(chǎn)生的直接效應(yīng)和間接效應(yīng)的系數(shù)估計(jì)均為正值，并非一正一負(fù)?！叭瞬耪急取睂?duì)“綜合技術(shù)效率”總效應(yīng)的系數(shù)估計(jì)為0.808。其中，直接效應(yīng)（即“人才占比-＞綜合技術(shù)效率”）的系數(shù)估計(jì)為0.407，間接效應(yīng)（即“人才占比-＞M”דM-＞綜合技術(shù)效率”）的系數(shù)估計(jì)為0.401（表5）。結(jié)果說(shuō)明人才要素既能夠直接促進(jìn)經(jīng)濟(jì)效率的提高，且人才要素的聚集程度越高對(duì)經(jīng)濟(jì)效率的直接拉動(dòng)作用越強(qiáng)，也能夠先提高勞動(dòng)力、資本、信息化等生產(chǎn)要素的使用效率，再進(jìn)一步地促進(jìn)經(jīng)濟(jì)效率的提高，且人才要素的聚集程度越高對(duì)經(jīng)濟(jì)效率的間接拉動(dòng)作用同樣越強(qiáng)。

表5 結(jié)構(gòu)方程模型系數(shù)估計(jì)

（二）人才紅利對(duì)經(jīng)濟(jì)效率影響的門(mén)限效應(yīng)測(cè)度——能夠優(yōu)化生產(chǎn)要素的影響結(jié)構(gòu)

1.人才紅利對(duì)經(jīng)濟(jì)效率影響的門(mén)限效應(yīng)測(cè)度方法。門(mén)限回歸模型用于描述復(fù)雜隨機(jī)系統(tǒng)，核心思想在于捕獲門(mén)限變量可能發(fā)生跳躍的臨界點(diǎn)，在該點(diǎn)處模型系數(shù)發(fā)生改變，從而更能解釋非線性的經(jīng)濟(jì)現(xiàn)象，本部分使用截面門(mén)限回歸模型分析人才紅利對(duì)經(jīng)濟(jì)效率的門(mén)限效應(yīng)。

門(mén)限回歸模型的主要分析流程是，第一步對(duì)所有門(mén)限值求其殘差平方和，將殘差平方和最小值對(duì)應(yīng)的門(mén)限值記為θ，第二步使用門(mén)限值θ 估計(jì)模型在不同區(qū)間的系數(shù)。單一截面門(mén)限回歸模型的表達(dá)式為y=β1xI (q ≤γ) +β2xI (q ＞γ) +ε，式中，y 表示被解釋變量，x 表示解釋變量，I (·) 表示定義的指示函數(shù)，當(dāng)q≤γ 時(shí)，門(mén)限回歸的系數(shù)為β1，當(dāng)q＞γ 時(shí)，門(mén)限回歸的系數(shù)為β2，ε 為誤差項(xiàng)。

2.人才紅利對(duì)經(jīng)濟(jì)效率影響的門(mén)限效應(yīng)測(cè)度結(jié)論。設(shè)定模型的被解釋變量為綜合技術(shù)效率，解釋變量為勞動(dòng)生產(chǎn)率、資產(chǎn)貢獻(xiàn)率、信息化投入強(qiáng)度，門(mén)限變量為人才占比。求解軟件為Stata 16，設(shè)置1000次Bootstrap 自抽樣檢驗(yàn)門(mén)限效應(yīng)。

（1）模型整體擬合效果較為理想。門(mén)限效應(yīng)的LM 檢驗(yàn)統(tǒng)計(jì)量為4.112，伴隨概率為0.972＞0.05，故拒絕原假設(shè)（不存在單一門(mén)限）。多元線性回歸模型的R2=0.734，門(mén)限回歸模型的Joint R2=0.900，門(mén)限變量的臨界點(diǎn)q=0.572，門(mén)限回歸模型相對(duì)于多元線性回歸模型擬合效果更為良好。

（2）人才要素集聚程度較低的行業(yè)主要依靠傳統(tǒng)生產(chǎn)要素提高經(jīng)濟(jì)效率。模型在門(mén)限變量臨界點(diǎn)左側(cè)的“勞動(dòng)生產(chǎn)率”系數(shù)估計(jì)為0.00049，“資產(chǎn)貢獻(xiàn)率”為3.437，分別大于臨界點(diǎn)右側(cè)的0.00005 和1.811，說(shuō)明當(dāng)人才聚集程度較低時(shí)，勞動(dòng)力、資本等傳統(tǒng)生產(chǎn)要素對(duì)經(jīng)濟(jì)效率的影響程度相對(duì)較大。對(duì)于這些行業(yè)而言，政府部門(mén)可以側(cè)重引導(dǎo)其充分挖掘傳統(tǒng)生產(chǎn)要素的使用潛能來(lái)提高經(jīng)濟(jì)效率。

（3）人才要素集聚程度較高的行業(yè)主要依靠新興生產(chǎn)要素提高經(jīng)濟(jì)效率。模型在門(mén)限變量臨界點(diǎn)右側(cè)的“信息化投入強(qiáng)度”系數(shù)估計(jì)為1.176，大于臨界點(diǎn)左側(cè)的0.489，說(shuō)明當(dāng)人才要素的聚集程度較高時(shí)，信息化、數(shù)字化等新興生產(chǎn)要素對(duì)經(jīng)濟(jì)效率的影響程度相對(duì)較大。對(duì)于這些行業(yè)而言，政府部門(mén)可以側(cè)重引導(dǎo)其充分發(fā)揮新興生產(chǎn)要素的使用潛能來(lái)提高經(jīng)濟(jì)效率（表6）。

表6 截面門(mén)限回歸模型系數(shù)估計(jì)

（三）人才紅利對(duì)經(jīng)濟(jì)效率影響的經(jīng)濟(jì)空間效應(yīng)測(cè)度——能夠通過(guò)溢出效應(yīng)擴(kuò)大影響范圍

1.人才紅利對(duì)經(jīng)濟(jì)效率影響的經(jīng)濟(jì)空間效應(yīng)測(cè)度方法。根據(jù)地理學(xué)第一定律（Waldo Tobler，1970）“地物之間的相關(guān)性與距離有關(guān)”可知，同一重大突發(fā)事件對(duì)不同區(qū)域企業(yè)要素效率的影響可能存在空間相關(guān)性，本部分使用空間計(jì)量模型分析人才紅利對(duì)經(jīng)濟(jì)效率的經(jīng)濟(jì)空間效應(yīng)。

通用嵌套空間模型 GNSM（Allers and Elhorst，2005）為y=ρWy+Xβ+WXθ+μ，μ=λWμ+ε。其中，y 表示被解釋變量，X表示解釋變量，W表示空間權(quán)重矩陣，μ 表示隨機(jī)干擾項(xiàng)，ρ 表示空間自回歸系數(shù)，λ 表示空間自相關(guān)系數(shù)，Wy 表示被解釋變量間的內(nèi)生交互效應(yīng)，WX 表示解釋變量間的外生交互效應(yīng)，Wμ表示隨機(jī)干擾項(xiàng)間的交互效應(yīng)。

2.人才紅利對(duì)經(jīng)濟(jì)效率影響的經(jīng)濟(jì)空間效應(yīng)模型選擇

設(shè)定模型的被解釋變量為綜合技術(shù)效率，解釋變量為勞動(dòng)生產(chǎn)率、資產(chǎn)貢獻(xiàn)率、信息化投入強(qiáng)度、人才占比。求解軟件為MATLAB 2021b，估計(jì)方法選擇兩階段最小二乘法。

第一步，空間權(quán)重矩陣設(shè)計(jì)。第一個(gè)候選空間權(quán)重矩陣為完全消耗系數(shù)矩陣w1，基于上海市投入產(chǎn)出調(diào)查的部門(mén)完全消耗系數(shù)構(gòu)造。第二個(gè)候選空間權(quán)重矩陣為經(jīng)濟(jì)效率反距離矩陣w2，d 表示樣本i 和j 樣本間綜合技術(shù)效率之差的絕對(duì)值，k 表示衰減系數(shù)（本文設(shè)定為1）。

第二步，全局空間自相關(guān)檢驗(yàn)。分別使用莫蘭指數(shù)I 和吉爾里指數(shù)C 對(duì)行標(biāo)準(zhǔn)化后的候選空間權(quán)重矩陣進(jìn)行雙邊全局空間自相關(guān)檢驗(yàn)。由檢驗(yàn)結(jié)果（表7、表8）可知，w2 通過(guò)了95%置信水平下的兩項(xiàng)全局空間自相關(guān)檢驗(yàn)，故選擇w2 為模型的空間權(quán)重矩陣。

表7 候選空間權(quán)重矩陣的莫蘭指數(shù)I 全局空間自相關(guān)檢驗(yàn)

表8 候選空間權(quán)重矩陣的吉爾里指數(shù)C 全局空間自相關(guān)檢驗(yàn)

第三步，最優(yōu)空間全局模型選擇。使用w2 為空間權(quán)重矩陣，對(duì)樣本集依次進(jìn)行NSM、SAR、SEM和SDM 模型擬合，并進(jìn)行LM、LR、Wald 檢驗(yàn)。根據(jù)擬合和檢驗(yàn)結(jié)果，確定選擇SDM 模型為最優(yōu)空間全局模型。

3.人才紅利對(duì)經(jīng)濟(jì)效率影響的經(jīng)濟(jì)空間效應(yīng)測(cè)度結(jié)論

（1）人才要素對(duì)經(jīng)濟(jì)效率具有顯著的經(jīng)濟(jì)空間溢出效應(yīng)。本行業(yè)“人才占比”對(duì)本行業(yè)“綜合技術(shù)效率”的系數(shù)估計(jì)為0.416，且通過(guò)了99%置信水平下的顯著性檢驗(yàn)。同時(shí)，鄰近行業(yè)“人才占比”對(duì)本行業(yè)“綜合技術(shù)效率”的系數(shù)估計(jì)為0.456，且通過(guò)了95%置信水平下的顯著性檢驗(yàn)。結(jié)果說(shuō)明人才要素的聚集程度越高不僅越能拉動(dòng)本行業(yè)的經(jīng)濟(jì)效率，而且還能將這種影響延伸到經(jīng)濟(jì)效率與其相近的行業(yè)，促進(jìn)這些行業(yè)經(jīng)濟(jì)效率的提高。

（2）人才要素對(duì)經(jīng)濟(jì)效率的經(jīng)濟(jì)空間溢出效應(yīng)仍存在增強(qiáng)空間。本行業(yè)“人才占比”對(duì)本行業(yè)“綜合技術(shù)效率”的系數(shù)估計(jì)為0.4157，低于“資產(chǎn)貢獻(xiàn)率”的1.3153；鄰近行業(yè)“人才占比”對(duì)本行業(yè)“綜合技術(shù)效率”的系數(shù)估計(jì)為0.4557，同樣低于“資產(chǎn)貢獻(xiàn)率”的2.3722。結(jié)果說(shuō)明，雖然人才要素的聚集程度越高不僅越能拉動(dòng)本行業(yè)的經(jīng)濟(jì)效率，還能促進(jìn)鄰近行業(yè)經(jīng)濟(jì)效率的提高，但從兩類效應(yīng)的影響程度看還均都低于資本要素。也就是說(shuō)，人才紅利對(duì)經(jīng)濟(jì)高質(zhì)量發(fā)展的助推和驅(qū)動(dòng)作用已較為有力，但仍有進(jìn)一步增強(qiáng)的空間（表9）。

表9 SDM 參數(shù)β 和θ 估計(jì)結(jié)果

（四）測(cè)度模型小結(jié)

本文分別從中介、門(mén)限與經(jīng)濟(jì)空間測(cè)度了人才紅利對(duì)經(jīng)濟(jì)效率的影響效應(yīng)，主要得到了三方面的研究結(jié)論，可用“三個(gè)能夠”概括。一是人才要素能夠復(fù)合對(duì)經(jīng)濟(jì)效率的影響方式、疊加對(duì)經(jīng)濟(jì)效率的影響程度，人才聚集程度越高既能夠直接拉動(dòng)經(jīng)濟(jì)效率，也能夠先改善其他生產(chǎn)要素的使用效率再間接地進(jìn)一步拉動(dòng)經(jīng)濟(jì)效率。二是人才要素能夠優(yōu)化生產(chǎn)要素對(duì)經(jīng)濟(jì)效率的影響結(jié)構(gòu)，當(dāng)人才聚集程度較低時(shí)勞動(dòng)力、資本等傳統(tǒng)生產(chǎn)要素對(duì)經(jīng)濟(jì)效率的拉動(dòng)作用較為明顯，當(dāng)人才聚集程度較高時(shí)更能激發(fā)信息化、數(shù)字化等新興生產(chǎn)要素對(duì)經(jīng)濟(jì)效率的拉動(dòng)作用。三是人才要素能夠通過(guò)溢出效應(yīng)擴(kuò)大對(duì)經(jīng)濟(jì)效率的影響范圍，人才聚集程度越高不僅越能夠拉動(dòng)本行業(yè)的經(jīng)濟(jì)效率，還能夠?qū)⑦@種影響延伸到鄰近行業(yè)，促進(jìn)鄰近行業(yè)經(jīng)濟(jì)效率的提高。

｜政策建議

（一）創(chuàng)新人才體制機(jī)制，積極打造上海人才高地

本文建模結(jié)果表明，人才要素既能夠直接促進(jìn)經(jīng)濟(jì)效率的提高，且人才要素的聚集程度越高對(duì)經(jīng)濟(jì)效率的直接拉動(dòng)作用越強(qiáng)，也能夠通過(guò)提高勞動(dòng)力、資本、信息化等生產(chǎn)要素的使用效率促進(jìn)經(jīng)濟(jì)效率的提高，且人才要素的聚集程度越高對(duì)經(jīng)濟(jì)效率的間接拉動(dòng)作用同樣越強(qiáng)。因此，上海要進(jìn)一步創(chuàng)新人才體制機(jī)制，著力優(yōu)化人才發(fā)展環(huán)境，加大國(guó)際化和創(chuàng)新型人才的培養(yǎng)和引進(jìn)力度，積極打造上海人才高地，推動(dòng)經(jīng)濟(jì)高質(zhì)量發(fā)展。

只有建立合適的人才選拔機(jī)制和人才激勵(lì)機(jī)制，才能更快地釋放人才紅利，讓更多“千里馬”奔騰于新時(shí)代，為上海經(jīng)濟(jì)增長(zhǎng)提供不竭動(dòng)力。要打破束縛人才的制度羈絆，優(yōu)化落戶政策，讓創(chuàng)新血液在全社會(huì)自由流動(dòng)，讓創(chuàng)造活動(dòng)擁有更廣闊空間。積極推廣分類推進(jìn)人才評(píng)價(jià)機(jī)制改革成果，擴(kuò)大惠及面。積極推廣集成電路、人工智能和生物醫(yī)藥等戰(zhàn)略性新興產(chǎn)業(yè)領(lǐng)域由領(lǐng)軍企業(yè)等牽頭制定人才評(píng)價(jià)標(biāo)準(zhǔn)的先進(jìn)做法。

（二）積極培育數(shù)字化人才，奮力創(chuàng)造新時(shí)代上海發(fā)展新奇跡

建模結(jié)果表明，當(dāng)人才要素的聚集程度較低時(shí)，勞動(dòng)力、資本等傳統(tǒng)生產(chǎn)要素對(duì)經(jīng)濟(jì)效率的影響程度相對(duì)較大。當(dāng)人才要素的聚集程度較高時(shí)，信息化、數(shù)字化等新興生產(chǎn)要素對(duì)經(jīng)濟(jì)效率的影響程度相對(duì)較大。因此，對(duì)于人才集聚程度比較低的行業(yè)，政府部門(mén)可以側(cè)重引導(dǎo)其充分挖掘傳統(tǒng)生產(chǎn)要素的使用潛能來(lái)提高經(jīng)濟(jì)效率；對(duì)于人才集聚程度比較高的行業(yè)，政府部門(mén)可以側(cè)重引導(dǎo)其充分發(fā)揮新興生產(chǎn)要素的使用潛能來(lái)提高經(jīng)濟(jì)效率。

（三）抓住關(guān)鍵行業(yè)“牛鼻子”，推動(dòng)上海經(jīng)濟(jì)高質(zhì)量發(fā)展

建模的結(jié)果提示人才要素的聚集程度越高不僅越能夠拉動(dòng)本行業(yè)的經(jīng)濟(jì)效率，而且還能將這種影響延伸到技術(shù)效率與其相近的行業(yè)，促進(jìn)這些鄰近行業(yè)經(jīng)濟(jì)效率的提高。以“軟件和信息技術(shù)服務(wù)業(yè)”為例，與其技術(shù)效率較為相近的行業(yè)包括“教育”“研究和試驗(yàn)發(fā)展”“新聞和出版業(yè)”“電信、廣播電視和衛(wèi)星傳輸服務(wù)”等。如果“軟件和信息技術(shù)服務(wù)業(yè)”的人才聚集程度提高，除了會(huì)拉動(dòng)本行業(yè)的經(jīng)濟(jì)效率外，還會(huì)促進(jìn)上述這些鄰近行業(yè)經(jīng)濟(jì)效率的提高。因此，上海要抓住關(guān)鍵行業(yè)“牛鼻子”，擴(kuò)大關(guān)鍵行業(yè)的帶動(dòng)效應(yīng)，推動(dòng)經(jīng)濟(jì)高質(zhì)量發(fā)展。