2026年5月28日，第六届全球产业发展论坛在天津国家会展中心举办。论坛以”产业学学科建设和AI赋能“为主题，围绕产业学理论构建、人工智能赋能产业发展、投资体制改革及教育变革等议题展开深入研讨。我们推出嘉宾系列深度文章，萃取前言观点、拆解产业趋势、分享学术洞见。

张一名  中国劳动和社会保障科学研究院大数据和政策仿真研究室主任、研究员

当前，我国人力资源开发带动高质量充分就业新阶段，但需求导向的人力资源开发手段相对欠缺，在经济高质量发展和产业升级过程中，构建与产业发展相适应的职业序列、培训体系以及人才引进等具有强烈的现实需求。产业需求导向的动态技能清单和职业序列通过对职业分布和技能需求的分析，为政府制定职业培训和就业扶持政策提供科学依据，为课程优化和教学改革提供明确需求，推动职业生态体系向更加高效、透明和动态的方向发展。

人力资源开发带动高质量充分就业新阶段

习近平总书记强调：“现代化的本质是人的现代化”；“推动高质量充分就业，是新时代新征程就业工作的新定位、新使命”。人力资源社会保障部党组书记、部长王晓萍强调：“要聚焦投资于人，以加强人力资源开发利用为主线，着力促进高质量充分就业，健全终身职业技能培训制度”；要坚持“管产业就要管就业，破解前沿产业高端人才短缺、就业结构性错配两大核心难题。以产业扩容催生高质量就业岗位，最终实现产业提质、人才成长、就业增效三方共赢”

历史经验表明：产业发展必须贴合国家发展大势、匹配人才供给能力、前瞻布局未来赛道。党的二十届四中全会对“十五五”时期经济社会发展部署了12项战略任务，“建设现代化产业体系，巩固壮大实体经济根基”摆在第一位。 因此，要构建以实体经济为支撑的现代化产业体系，坚持市场需求导向，以提升劳动者能力素质为核心，加快培养大批高素质劳动者和技术技能人才。从供给看，我国人才依然不足，特别是技能劳动者还不能完全满足制造强国建设需要；从需求看，产业转型升级和技术迭代发展对劳动者技术技能水平提出更高要求。 

同时，人工智能、大数据和物联网等数字技术的快速发展和广泛应用，新职业迅速崛起，而传统职业则因技术革新而发生了功能上的转变甚至逐步消退，导致求职者在选择职业时面临更大的不确定性。与此同时，劳动力市场中长期存在的供需不匹配问题愈发显著。企业总是难以找到岗位需求的合适人才，职业教育与实际需求的脱节问题更加突出。

需求导向的人力资源开发手段相对欠缺

一是我国建立于计划经济时代的统计制度，需求侧统计欠缺。计划经济时期，我们学习前苏联的政府统计，建立了企业统计，以及推广到事业单位和行政单位的逐级统计方式方法，成为国家统计的基本统计模式。这种统计模式在市场经济、数字经济等的发展过程中遇到了一些挑战。计划经济下是以单位包括企业单位、事业单位、行政单位，企业、事业单位和政府统计采取统计报表逐级上报的统计组织生态和思维逻辑，与市场经济供求模式相比，忽视了需求方面的信息化和数字化智能化使能技术的统计技术现代化。进入市场经济，需求统计包括消费需求、投资需求、国外需求（进出口）统计受到越来越重要的重视，1985年建立并逐步发展成目前的全国城乡住户收支与生活状况抽样调查。但是与相对完善的供给方面的统计相比，需求方面的统计仍然很欠缺，统计技术和方法改革也没有同步进入互联网统计时代。与完善的单位和劳动者统计信息相比，劳动力市场的需求信息相对短缺。

二是新职业的产生发布需要具备一定的条件，市场主体的微观需求与职业大典存在不同步问题。我国进入以人力资源开发带动高质量充分就业发展的新阶段，但以职业大典等为基本遵循的培训工种、培训教材、培训方式、培训补贴政策等与市场需求在时间、内容等方面存在错位；劳动力供需不匹配及就业结构性矛盾等。技术的快速发展和产业结构的升级催生了大量的新兴职业，同时也改变了传统职业的技能需求。 求职者在选择职业时面临更大的不确定性，不仅需要理解现有岗位的技能要求，还需要预判未来职业的发展趋势和转型方向。如近几年新增95个数字化岗位：职业大典中成为大数据工程技术人员、人工智能工程计划人员等；但市场实际需求的数字岗位有230多个，不少岗位与职业大典中的职业（工种）在名称、含义等方面不完全一致。

构建产业需求的技能清单挖掘及职序列

根据主导产业和未来产业部署，基于市场招聘需求动态数据，采用大数据技术挖掘岗位需求核心技能，挖掘形成技能清单和技能集，基于技能集构建职业序列，并进行动态调整，形成基于产业需求的人力资源开发体系，为人才引进和培养、职业规划等提供科学指导。

一是基于动态招聘需求数据，结合产业发展识别关键岗位进行技能清单挖掘。自2018年起，中国劳动和社会保障科学研究院持续开展微观招聘岗位大数据的采集、治理及分析应用工作。目前年度采集原始招聘数据约3.3亿条，去重清洗等数据治理后的有效招聘信息3800多万条。采用大数据技术挖掘岗位需求核心技能，挖掘形成技能清单和技能集，基于技能相似度构建职业序列，并进行动态调整，为精准就业服务和职业指导、人才引进和培养提供以及个人职业生涯规划提供数据支撑。

二是构建包括基础知识、专业技能、操作工具、工作内容等的技能清单。首先识别城市重点行业的重点需求岗位,挖掘需求侧每个行业岗位的核心技能，然后基于技能构建各行业的职业序列，最后对技能集进行整理、提炼，形成技能清单。如对数据分析师，在招聘信息数据库选择10万条招聘需求数据，进一步对分类结果进行整合、提炼和结构化。主要解决的问题是：每类词语中均不同程度的存在同义词重复；内容碎片化；单词化表述等。再次对分类后的框架进行了整合、提炼，试图提高技能集的结构化程度。最终梳理的数据分析师的结果是：20门基础知识；5类29项专业技能（分析方法、编程语言、操作技能、数据库系统、算法）；10类44个操作工具（大数据与分布式计算、数据库管理与开发、数据可视化与报表、企业资源规划、制图软件、科学计算与数据处理、办公软件、编程和开发工具、地理信息系统与地图制作、其他）；33项工作内容。

三是数据挖掘方法逐步迭代，实现从关键词技能提取到职位解析模型、大语言模型、决策树模型等的持续优化。

在进行重点岗位识别的基础上，核心环节是岗位技能提取，在前面基于关键词的技能清单提取的基础上，不断进行技术迭代，构建基于机器学习的职位解析模型、大语言模型、决策树模型等。通过职位解析模型进行文本分词与标注、技能提取与识别、技能归一化与标准化、技能分类与标签体系构建等。

随着大语言模型技术的应用，构建了基于大语言模型的职位解析模型，包括构建高质量标注数据、对大语言模型进行微调、模型评估与调整、模型蒸馏与压缩等，结果越来越准确、模型的解释性越来越好。还构建决策树模型，包括构建黄金训练标准集、模型训练、最大深度、叶节点、分裂节点、模型预测等。

四是基于技能跃升关系构建职业序列，实现从静态技能清单到动态岗位路径的逻辑转化。

在完成重点岗位技能的挖掘与结构化清单生成之后，核心工作是将技能映射到职业发展的路径逻辑中，构建反映实际劳动市场迁移趋势的职业序列。在此过程中，职业序列的构建不仅强调技能之间的语义关联，更强调岗位之间在技能要求、等级层级及发展方向上的渐进性关系。具体实现路径是，首先以岗位为单位建立岗位技能矩阵，在技能清单的基础上，对每一类岗位的技能要素进行量化处理，通过技能频率统计、技能权重标定、文档逆频率等方法，形成标准化的技能嵌套模型。其次，在岗位技能矩阵基础上，计算不同岗位之间的技能重叠度、技能层次差异和新增技能特征，依据岗位间的“技能跃升距离”判断其潜在的晋升路径或转岗关系。以此为依据，建立职业之间的关系网络，形成具备方向性的岗位晋级图谱。

在构建过程中，为了提升路径构建的自动化与准确性，进一步引入了基于图网络结构的职业路径挖掘方法。将每一个岗位视为图中的节点，不同岗位之间基于技能相似性和技能新增维度建立加权边，并通过图数据库技术进行可视化组织与关系存储。通过图算法（如PageRank、最短路径算法、节点中心性分析等），可以识别职业图谱中关键枢纽岗位、典型晋升路径和技能迁移瓶颈。例如，分析图谱中发现“数据工程师”岗位既可以作为“高级数据分析师”的上升通道，也可向“机器学习工程师”方向转化，通过其连接技能（如Hadoop、Spark、Python）可实现路径跳跃；而“运维工程师”虽然与“数据分析”岗位在工具层面存在部分交集，但因核心技能方向不同，路径跳转的技能成本较高，不宜纳入同一序列体系中。通过图谱建模，不仅实现了岗位之间的精准关联，还可对不同路径所需的技能迁移成本进行建模，从而为个体职业规划提供个性化、结构化的参考依据。