跳到主要內容

人才培訓概念

基礎人才與中階人才都是屬於實務人才,所以在訓練基礎人才與中階人才時給與他們的訓練就是屬於技能性的訓練,讓他們可以在職場上具有未來三至五年的存活技能。例如:Word排版能力、文字組織能力、EXCEL分析能力、簡報說明能力、專業基本知識能力等。







不過,相比於基礎與中階人才,高端人才可分為兩種,一種是實務人才,另一種則是基礎研究人才。高階實務人才就是目前所見的CEO,而多出來的基礎研究人才,則是做高端研究的人員,這類人員是走在所有實務之前,就如同是開路先鋒一樣,先在各領域研究出新的理論,並且在理論與實務之間還有一層人員進行如何將理論轉為實務的資訊人員。

這群資訊人員將理論轉為實務可用的系統後,這些系統就會被使用在適用的行業內。

因此,在教育體系內同樣也該運用如此方法去落實人才的培訓機制。以目前從高中職、大學、研究所等體制來看,各科系所設計出來的課程規劃多是多種人才的部分技能訓練,換言之,如果就讀單一科系的話,那些人員進入職場就會產生巨大的職能落差。


現階段的人才訓練不是單一科系培訓出來的人員就可以進入職場,反而需要接受更多的訓練後才能上手他們的工作內容。也就是說,現在的工作內容與校園職能培訓並沒有對等上,多數技能都是需要多種不同領域的課程組合在一起,並且內容需要搭配多種能力的訓練。所以在制定所謂核心能力或專業能力的訓練時,更需要注意課程連接性與職場契合度。

例如,基礎課程會是眾多進階課程的基礎。基礎的內容又如何與進階內容結合,可以讓進階內容不需要再次說明基礎內容,如此既可以省時,又可以有效率地讓人員吸收課程內容。

補習班的興起就是課程內容的整合度夠,課程內容各單元間的連接性夠,可以有效率地讓人員吸收課程內容。雖然學歷逐漸無效了,但歸納其原因不外乎就是學習的內容過於理論,流於表面。最終詢問他們在高等教育下學習到什麼可用的內容時,皆是無法答覆出個所以然。當進入職場的新進人員連自己所學習的內容都無法自己整理後說出,那麼等於是他們學習過程沒有任何效果。

教育體制的改革是有必要性的,但是卻不需要繼續僵固下去。
我國培育的人才是為了讓人民在職場上存活,更甚者是可以成為終身志業。絕非現在所見的一灘死水,或是捨教育體系而就證照體系。



最近美國MIT的教授Andraw Lo也鄭重對美國提出報告書,指出美國的科學研發支出下降,影響美國未來的競爭力,特別是其他地區,如歐盟與中國,對科學研發支出的比重持續增加中。

而我最近也有看到過去是計量經濟學指標性期刊Econometrica,最新一期的內容竟然將應用性的論文放在前面三篇,回想過去吾輩之人看到Econometrica無不以崇高的態度去看待,因為那裏頭的內容多是高深的數學模型推導出來的眾多理論結果,進而持續推動計量經濟學的演進。但此次,卻讓我失望了,實務性、應用性的文章做為前三篇論文,這是否顯示計量經濟學的工具已經沒有進步了。

在這樣的急迫又摸不著邊際的時代下,你想學什麼?你想成為怎樣的人?
沒有人將套餐配好給你,並且適用於特定的行業。
這也讓我想起最近要來台灣開發市場的中國商家【海底撈】,本業是火鍋,卻另外提供很多免費的服務。試想我國的教育體制,本業是教育,但是學生就讀一個科系後即使讀完科系之課程後,卻只部分符合業界人才需求。這樣的人才放在全世界恐怕也是不足以立即在職場上生存,而需要較多時間在磨合與培育自己。

請問教育體系的主導人員們:
下一個10年人員培訓計畫,你們準備好了嗎?

這個網誌中的熱門文章

Durbin-Watson檢定與LM檢定的存在意義

每一本統計學、計量經濟學、時間序列分析、迴歸分析、市場預測的書籍都會提到資料自我相關問題。為了找到資料的自我相關性,有的學者從樣本相關係數出發進行資料的假設檢定,有的學者則是創造與樣本相關係數很相近的數學公式進行資料的假設檢定,其中,最知名的便是Durbin-Watson檢定與LM檢定(Breusch–Godfrey)。兩個檢定公式的出發點都是一樣的,那就是從迴歸分析的殘差出發。

Durbin-Watson檢定公式

LM檢定公式
從資料角度去看,無庸置疑的是資料的數值都是已知的,我們使用迴歸分析來瞭解資料間的因果關係。換言之,此時,解釋變數與被解釋變數之間是樣本條件關係。然而,我們卻遺忘了一件事情,那就是資料也是可以形成分配的,那就是抽樣分配。
既然資料可形成抽樣分配,這意味著解釋變數與被解釋變數都是抽樣分配,需要以分配的概念去解讀。於是,在統計學內就明確寫著: 每個樣本服從母體分配樣本的變異數一樣都是母體變異數樣本之間是無線性相關
同樣在迴歸分析的解釋變數、被解釋變數與誤差都有各自的母體分配,並且滿足上面的三個條件。同時解釋變數與被解釋變數之間可以是聯合關係,也可以是條件關係。
進一步推導所得到的係數、殘差、甚至是殘差的數學組合、變異數分析表內的SSR、SSE、MSR、MSE、自我相關係數都是抽樣分配。
請注意,這些都是隨機變數或隨機變數的數學組合,所以都是抽樣分配(只討論一個數字,不是分配)。當樣本數夠大時,才能夠代表母體分配(樣本要多大,沒人知道)。
所以要使用公式前,問問: 你確定資料的抽樣分配了嗎?你確定資料的抽樣分配轉換過程了嗎?(是數值的亂數表,不是機率生成的亂數表)隨機變數的數學組合之間有沒有成為函數關係?(例如自我相關係數與MSE)
當我們確定每一個轉換步驟狀況後,就可以觀察到解釋變數數值、解釋變數個數、誤差母體分配、樣本數、殘差限制對Durbin-Watson檢定與LM檢定的抽樣分配變化。
確實,Durbin-Watson檢定適合所有樣本大小,但是Durbin-Watson檢定的決策規則本身有問題,不符合統計公式的原則,那就是灰色地帶判定給虛無假設,因此只有虛無與對立假設的二分法,以及分配的臨界值只會有一個數字,而不會有所謂的上下界。除非沒有控制住解釋變數數值與殘差限制影響,才會讓這兩個影響融入分配當中,造成臨界值的不確定,產生了帶狀區間。
Dur…

經濟學的基礎 - 經濟循環圖概說

無論是基礎的經濟學、個體經濟學或總體經濟學,在前言總是會提到循環圖來讓學習者了解他們位在哪個地方。有趣的是循環圖總是無法全面性地展顯出來,甚至指引學習者知道他們該怎麼使用經濟循環圖。

Parkin在他所論著的經濟學教科書中,就將整個經濟循環圖展現出來。


就像是線上遊戲一般,初心者進入遊戲前總會來段開場動畫,告訴初心者所在的情境是怎樣。同樣地,完整的經濟循環圖內會包含四名角色、四個市場與金流方向。

四名角色:家計單位、廠商、政府與國外部門

如果沒有國外部門的話,那麼經濟循環圖就是封閉體系,如同清朝鎖國時期。
如果有國外部門的話,那麼經濟循環圖就是開放體系,如同台灣從早年至今的情況。

在圖上,四名角色可以在四個地方活動,也就是市場(Market)。

四個市場:勞動市場、商品市場、金融市場、外匯市場

在這邊的勞動市場只是要素市場當中的一種要素。
因為勞動的數量就為龐大,所以我在這邊將勞動市場指稱為要素市場的代表。

四種要素:勞動、資本、土地、企業家精神
四種報酬:工資、利息、地租、利潤

整個經濟循環圖,其實就是在講總體經濟的範圍。






學習經濟學的入門經驗

過去看過的經濟學教科書多是使用圖解、數學式來證實經濟學觀念的正確性,同時也讓學習者了解經濟學觀念的實用性。我常想如果能夠搭配電腦使用,達到經濟學觀念的實作演練,那不知該有多好?!

其實國外也有類似的教科書,只是深入一看,也都是根據經濟學的章節來撰寫內容。於是,我又想如果可以從本質著手,配合真實狀況,會不會更能夠將經濟學觀念的基礎說明得更加透徹?

經濟學最常見的區分方式就是個體經濟學(Microeconomics)與總體經濟學(Macroeconomics)。

所謂個體或總體,其實是從討論的對象(或角色)不同範疇而有所區隔。

個體經濟學是討論消費者(或生產者、政府)的經濟行為,而總體經濟學則是討論較大範疇,如國家、區域或全球的整合性經濟行為。於是,兩者的代表性指標就有所不同。


雖然個體經濟學與總體經濟學有所差異,但是,個體經濟學還是總體經濟學的基礎,所以,在新古典理論,常會提到個體基礎下的總體分析方法。

無論是先從總體的角度學習經濟學,或是先從個體角度學習經濟學,都是合宜且適用的。原因在於你選擇想先「見樹」再「見林」,還是先「見林」再「見樹」。

如果你選擇先「見樹」再「見林」,未免有以管窺天之虞,容易產生合成謬誤。如果選擇先「見林」再「見樹」,又難免犯了分割謬誤。

如此說來,好像怎樣做都不合適。那麼在這邊給初學者一個小小的建議,那就是投資理財上的一個觀念:

先見全盤(大盤走勢),然後觀看類股走勢,從強勢的類股中挑選一支值得你投資的股票。

或者是當你開車去某目的地前,先看看地圖,如同俯視一般了解大致的路況後,再上路,總比到了當地,在巷弄之間如無頭蒼蠅穿梭其中還來得好吧。

想避開分割謬誤,則可以如此思考:

並非一個類股下的所有股票都是強勢,開紅。

因此,當你了解整個經濟狀況後,再深入去看個體的經濟行為時,總是比較能夠抓出系統性的相同因素,剩下的就是個體自己的特殊因素在影響其決策了。