摘要
高校在国家治理体系中具有重要地位和作用，高校数字化治理能力是高校治理现代化的重要组成部分。数字化是教育系统性变革的内生变量，更是引领教育现代化发展的重要抓手和途径。近年来，高校相继组织和开展了数字化治理能力的评价研究，对高校数字化基础建设及教学应用起到了一定的引导作用。但现有的评价、实践大多未能充分体现以效能思想为核心的发展要求，出现了“盲投入”和“追热点”等问题。具体表现在以下几个方面。
航天器的健康管理技术是对航天器以及有效载荷进行故障预测、故障诊断、故障隔离、故障处理决策、部件性能跟踪、趋势预测等方面实现自主保障的一门技术，对于控制航天器以及有效载荷的风险、降低保障成本、缩减维护规模具有现实意义。
引言
其中：uk为各模态；ωk为各模态中心频率；K 为分解 层数；δ ( t )为脉冲函数。
搭配裤灰色西裤，韩剧室长即视感
上衣是离不开条纹设计的，尤其是横条纹，而且细条纹相比宽条纹更显优雅。
图7 黏聚力参数测试样本拟合曲线
LOOK5
李钢[1]
一、研究的目的、意义及所使用的研究方法
[1]李钢，中国社会科学院工业经济研究所研究员。
二、 成果的主要内容、重要观点或对策建议
课题组通过对第三、四、五、六次全国人口普查数据中的省、自治区、直辖市的6岁及以上人口的受教育程度数据进行计算，分析了中国人口素质的时空演化规律。通过对四次人口普查数据的分析研究，我们得出如下结论：一是从绝对量来说，未上过学人口数量大，减少量也大；小学、初中、高中、大专、大学本科和研究生人数都在上升，且文化程度越高，其增长速度越快。不同素质的人口在地区之间分布不均衡，总的来看，低素质人口主要分布在西部落后地区，高素质人口主要分布在东部沿海和东北地区。对各地区人口占全国人口比例与不同素质人口占地区总人口比例进行对比发现，未上过学人口和小学人口在地区之间的失衡态势在恶化，而其他较高素质人口在地区之间的分布则愈加趋于平衡。二是改革开放以来，我国人口素质提高迅速，基本呈现出线性增长的趋势。对各省人口平均受教育年限的动态变化进行研究发现，各省份之间的人口平均受教育年限有一定的差异，且这种差异具有规律性。具体而言，北京、上海基本处于人口素质最高一级梯度，其次为东北三省、天津、广东；西藏是人口素质排位最低的省份，其次为甘肃、青海、贵州和云南四省；而在人口素质处于一般水平的省份中，江苏、山西、陕西的人口平均受教育程度处于较优水平，而安徽处于较差水平。三是对全国人口平均受教育年限提高进行群体分解研究。其中区域分解结果表明，贡献较大的为人口大省或经济大省，且有由人口大省向经济大省过渡的趋势；而贡献较小的为西部经济落后、人口较少的省份。受教育程度的分解结果表明，初中人口比例提高是全国人口受教育年限提高的最主要因素，但其作用在逐渐减弱；小学人口起初为正的贡献，但到1990—2000年间已经变为负的贡献，且负的绝对值有变大趋势；高中人口比例变化的贡献率始终维持在一般水平，并经历了先变大后又变小的过程；大专及以上文化程度人口占比提高贡献较小，但其有不断增大的趋势。性别分解结果表明，女性相比男性对于全国人口素质提高贡献更大。四是在受教育的平等性方面，就区域而言，人口受教育在区域间的不平等减小趋势明显。分性别来看，人口受教育在性别间的不平等程度持续下降。
课题组在对中国人口素质现状分析的基础上，以第六次全国人口普查数据为基础，根据不同的情景，预测了中国劳动力素质的变化趋势。预测结果显示，中国未来的劳动力素质提升是比较快的。以中等水平出生率情景为例，25岁及以上劳动人口的平均受教育年限，将从2010年的8.5年上升到2030年的10.2年。中国劳动力素质的快速提高，将成为中国经济持续发展和产业结构升级的基础推动力。
在前述研究基础上，课题组将中国劳动力素质与美国、日本进行了对比。从接受了高等教育（大专及以上）的劳动力占比情况来看， 2010年中国25岁及以上的劳动力中接受了大专及以上教育的人数占比为8.8%，这还远未达到美国1940年的水平（美国1940年为10.1%），约相当于日本1968年的水平。以25岁及以上劳动力的平均受教育年限为对比指标，中国到2020年劳动力的平均受教育年限将为9.7年，大约与美国1951年的水平、日本1975年的水平相当。中国到2030年，劳动力的平均受教育年限将为10.2年，大约与美国1965年的水平、日本1983年的水平相当。进一步分析发现，虽然中国近年来的劳动力受教育程度提升非常快，但却没有导致劳动力平均素质提升速度快于美国和日本。重要的原因在于中国目前劳动力的结构特点，即低素质的劳动力占比很大，虽然新增劳动力的素质提高很快，但对基数较大的低素质劳动力的影响较小，所以拉低了整体劳动力的平均素质水平。通过构造新指标“劳动力素质的净提升”，发现与美国等发达国家相比，中国的劳动力净提升速度将会非常快。
课题组利用非参数方法对劳动生产率进行了测算，并对其按不同生产要素进行了分解。研究结果发现：1997—2010年全国全要素生产率年均提升约2.07个百分点，其中，劳动生产率的贡献是0.89个百分点；劳动生产率的提高主要来自劳动技术的进步；分区域来看，无论是劳动技术进步率还是劳动利用效率，东部地区均处于明显的领先地位。我们检验了劳动力素质等相关变量对劳动生产率增速的影响，研究结果并未发现劳动力素质的提升明显促进了劳动生产率的提高，这表明劳动力素质提升并未成为经济增长的主要动力，这也从一个侧面反映了中国经济增长方式并未实现真正的转变。这一结论虽然出乎意外，甚至可以说不尽如人意，但与最近其他的一些研究结论相同。
虽然到目前为止，劳动力素质提升并未成为经济增长动力，但我们认为随着中国经济实力与发达国家差距的缩小，经济增长方式必须要更多地依靠内涵式的增长，劳动力素质提升对经济增长方式的转变提供了内在的动力。但劳动力素质提升并不一定会促进经济增长，这是因为虽然劳动力素质提升将会促使技术进步，提高劳动生产率，从而促进产业升级与经济增长；但劳动力素质提升后必然要求更高的报酬，从而提高劳动力成本，降低经济增长率。因而劳动力素质提升对经济增长的影响难以直接判断，要结合中国实际进行定量计量分析。课题组采用可计算一般均衡（computable general equilibrium，CGE）模型对劳动力素质提升与经济增长的关系进行分析。模型运行的结果显示，劳动力素质的提升将会提高经济增长率，从2011年到2020年每年提高经济增长2个百分点左右，到2020年累计提高经济增长20%（也就是2020年冲击结果的GDP是基线GDP的1.2倍）。由于不同行业的生产函数不同，劳动力素质提升对不同行业产生的影响也有较大差异。总体而言，劳动力素质的提升更加有利于资本密集型产业的发展，有利于技术进步较快行业的发展。分区域看，劳动力素质提升对东北地区、东部沿海地区、中部地区和西部地区均有正面冲击，提高四个地区的经济总量分别为620亿元、4660亿元、1413亿元和1239亿元，提高各区域GDP增长率分别为1.87%、2.14%、1.87%与1.79%。提升劳动力素质对东部沿海地区的经济增长率提高幅度影响最大，东北地区及中部地区次之，西部地区最小。
三、成果的学术创新、应用价值以及社会影响和效益
（1）将劳动力素质纳入CGE模型，建立动态CGE模型，并分析劳动力素质对中国经济发展的影响。CGE模型通过对家庭、企业、政府等各个经济主体的行为设定，可对经济体系中各部门之间的相互影响进行定量分析，从而可以分析一项经济政策的直接与间接影响。模型的数据基础是在2007年中国投入产出表的基础上构建的社会核算矩阵（SAM）。SAM能够为CGE建模提供一个完整一致的核算框架。对于原始SAM表中不同来源统计数据存在的一些差异以及投入产出表本身存在的统计误差项，本课题采用跨熵法（cross entropy）进行调整。模型中的替代弹性、收入弹性等一些关键参数的取值主要是通过借鉴其他一些CGE模型相关文献确定，并根据课题组所进行的历次大样本企业调查数据来进行不同行业及地区的调整；其余参数的取值则是利用SAM表的基年数据和外生给定的关键参数通过校准（calibration）方法得到。课题组构造41部门的CGE模型，从而可以分析劳动力素质提升对于主要产业部门进出口的影响。课题组采用CGE模型对劳动力素质提升与经济增长的关系进行分析。模型运行的结果显示，劳动力素质的提升将会提高经济增长率，从2011年到2020年每年提高经济增长2个百分点左右，到2020年累计提高经济增长20%（也就是2020年冲击结果的GDP是基线GDP的1.2倍）。
（2）采取DEA模型对劳动力素质对全要素生产率的影响进行分析。课题组采用非参数的数据包络分析（DEA）方法测算全要素生产率，然后分析劳动力素质对全要素生产率的影响。目前所使用的测算全要素生产率的方法主要有参数方法与非参数方法两大类。非参数方法一般是以DEA方法为基础，首先通过线性规划测算出产出距离值，再将产出距离值动态化计算出反映全要素生产率的指数。参数方法与非参数方法各有其特点，对此已有许多文献进行过讨论。对于参数方法而言，首先需要设定生产函数的具体形式，并对误差项设定某些假设前提。其次，对于关键的要素投入产出弹性，要么通过计量方程回归获得，要么通过国民经济账户中的要素收入份额直接获得（仅限于CD函数时）。如果通过计量方程回归获得，那么所得到的要素投入产出弹性是所使用样本的平均值，难以反映样本的个体差异；如果是通过国民经济账户中的要素收入份额直接获得，则暗含的假定是生产要素的报酬等于其边际产出，这只有在完全竞争市场中才可能实现，对于中国等处于转型阶段的国家而言，这一假设条件难以满足。再次，对于经济增长核算所关心的全要素生产率，由于其在很大程度上取决于要素投入的产出弹性，因此，要素投入产出弹性的前述问题也会影响到全要素生产率测算结果的准确性。最后，由于各区域之间经济发展的空间依赖性，用参数方法进行分析的结果很可能是有偏差的。与参数方法相比，非参数方法无须对生产函数的形式进行先验设定，同时可以避免空间相关性带来的测量误差，因此在测算全要素生产率方面可能更为适宜。课题组利用非参数方法对劳动生产率进行了测算，并对其按不同生产要素进行了分解。
（3）利用三至六次全国人口普查数据分析了中国人口素质的时空演化规律，并对我国劳动力素质中长期变化趋势进行了预测。课题组通过对第三、四、五、六次全国人口普查数据中的省、自治区、直辖市的6岁及以上人口的受教育程度数据进行计算，分析了中国人口素质的时空演化规律。课题组在对中国人口素质现状分析的基础上，以第六次全国人口普查数据为基础，根据不同的情景，预测了中国劳动力素质的变化趋势。