各地区城镇不同部门就业人数差异-spss论文

各地区城镇不同部门就业人数差异 【摘要】在当前就业形势严峻及就业结构多元化的背景下，本文根据不同企业部门的就业人数对我国31个省市自治区城镇就业情况进行因子分析和聚类分析，得出对各省市自治区城镇就业情况的分类结果。 【关键词】：就业人数    省市自治区    因子分析    聚类分析 一、引言 在市场进程中，就业问题成为中国政府所面临的一个十分严峻的社会问题。中国有近13亿人，是世界上人口最多的国家，在中国，解决就业问题任务艰巨。在国内就业中城镇的就业情况占据着很大的比例。目前，我国城镇的就业压力仍得不到缓解，并且各省市在不同企业部门的就业情况不均衡，这主要体现为城镇中失业人数增加，失业率上升，甚至有些省市的城镇就业情况处于饱和状态。然而城镇化水平对现阶段中国经济的发展具有很重要的作用，城镇化建设是地区经济发展的重要增长点，并且可以带动多个相关产业的发展，大力发展城镇建设是开拓市场，改善投资环境的重要手段，是扩大市场需求，提供就业机会，拉动经济增长的有效途径。其中就业水平也代表着某一地区的经济发展水平，所以本文通过因子和聚类分析得出不同企业部门就业人数对31个省市自治区城镇就业情况有何不同，通过分类得出哪些部门对哪些城市的就业影响大及哪些城市的就业前景乐观，并对就业不太乐观的城市提出建议和对策。 二、当前所研究问题的现状。 （一）国内研究 （1）研究者朝伟，常家树在《民营国有企业与私营企业运行机制的理性悖论与对策》中发表了相关的现状。我国进入社会主义市场经济体制以来，国有企业经济效益普遍处于不景气的状态，国有企业越是集中的地区经济综合实力越差，就业人数就会越少，企业的经济效益就难以实现，整个地区的整体经济活力难以被拉动，最终会影响国家企业的发展。以经济起源的国有经济，本来就存在有一定的弊端，它是不适应市场自由竞争规律的，因而只有从根本上找出深层次的原因，才能采取相应的措施振兴国有经济，搞活国有企业，从而更有利于带动国家经济的发展，创造更多的就业机会，增加就业人数。 （2）李阳春在《私营经济迎来新的发展机遇》中有表述到私营经济对地区经济增长的贡献。中国国内的地区差异表明， 私营经济越发达的地区，经济增长率就越快；私营经济不发达的地区，经济增长率相对慢。私营经济作为非公有制经济的重要组成部分，是国家经济发展中一支不可忽视的力量。如果私营企业能够建立和完善现代企业，市场竞争力将会更加强大。只要加大对非国有制企业的积极引导和鼓励，尤其是私营企业，将会带动中国经济走向新一轮发展高潮。私营经济在一定程度上决定地区经济活力。只有积极带动私营企业家的队伍，努力提高他们的素质，帮助他们逐步克服以往具有的整体规模狭小分布分散、技术水平和管理水平偏低、产业结构趋同等缺陷，一大批具备条件的私营企业将进入产业结构全面调整优化升级和提高整体素质的阶段，做强做大，加强企业文化建设，建立和完善现代企业制度。私营企业将全方位积极参与国有企业改组改造，大力发展混合所有制经济将成为民营经济发展的方向。与此同时，民营企业集团将会有更大发展，民营经济跨地区的联合重组将出现高潮。 （3）就我国各省区就业现状这一问题，陈高杰，谭斌采用聚类分析的方法，对全国31个地区进行了聚类实证分析，对各省区的就业状况进行分析从而将全国分为8个阵营。他们主要是通过我国各省区就业影响因素分析其状况，分别为：GDP的增长速度、城镇化水平、第三产业产值比重、人均教育经费、个体企业、城市人口密度。其中个体企业对各省区的就业起着重要的作用。近几年来，随着国家的一系列鼓励个体经济发展政策的逐步贯彻落实，个体经济向纵深发展。国有企业的改革使得国企的人员吸纳能力不但达不到就业增长的需求，而且使得大量的国企下岗职工流向社会成为岗位的需求者。个体企业具有比较充分的就业空间，加速其发展是缓解就业压力和解决国有企业下岗职工分流的一个有效途径。 （二）国外研究 三、问题的分析与变量的选择。 一个省市的就业情况与该省市不同企业部门的就业人数息息相关，本文主要是通过因子和聚类分析得出不同企业部门就业人数对31个省市自治区城镇就业情况有何不同。该文选择7个变量：国有单位（x1）、集体单位（x2）、有限责任公司（x3）、股份有限公司（x4）、私营企业（x5）、外商的投资单位（x6）、 个体经营（x7），通过这些变量对31各省市自治区陈振就业情况进行分类分析。 四、模型的构建。 1．聚类分析 聚类分析的基本思想是，从一批样品的多个观测指标变量中，定义能度量样品间相似程度的统计量，在此基础上求出各个样品之间的相似程度的度量值，按相似程度的大小，将样品逐一归类，关系密切的聚集到一个小的分类单位，关系疏远的聚集到一个大的分类单位，直到所有的样品都聚集完毕，把不同类型一一划分出来，形成一个亲疏关系谱系图，用以更加直观的显示分类对象的差异和联系。聚类分析的原则是同一类中的个体有较大的相似性，不同类的个体差异很大。 根据分类对象不同，聚类分析分为样本聚类和变量聚类，即统计学上的Q型聚类和R型聚类。常见的聚类分析方法有快速样本聚类和分层聚类。 快速样本聚类的前提是要已知将要聚成的类数，这样在使用这种聚类法的过程中能够很快的将观测量分到各类中去。 分层聚类方法根据聚类过程不同分为凝聚法和分解法。分解法，就是在聚类开始的时候，把所有个体都视为属于一个大类，然后根据距离和相似性逐层分解，直到参与聚类的每个个体自成一类为止；而凝聚法刚好相反，它是在一开始把参与聚类的每个个体视为一类，根据两类之间的距离或相似性逐步合并，直到合并成一个大类为止。 1.1直接聚类法 先把各个分类对象单独视为一类，然后根据距离最小的原则，依次选出一对分类对象，并成新类。如果其中一个分类对象已归于一类，则把另一个也归入该类；如果一对分类对象正好属于已归的两类，则把这两类并为一类。每次归并，都划去该对象所在的列与列序相同的行。经过没m-1次就可以把全部分类对象归类，这样就可以根据归并的先后顺序作出聚类谱系图。 1.2最短距离聚类法 最短距离聚类法在原来的m×m矩阵的非对角元素中找出，把分类对象Gp和Gq归并为新类Gr，然后按计算公式计算原来原来各类与新类之间的距离，这样就得到一个新的m－1阶的距离矩阵；再从新矩阵中选出最小者dij，把Gi和Gj归并成新类；再计算各类与新类的距离，这样一直下去，知道各分类对象被归为一类。 其与最短距离聚类法的区别在于计算原来的类与新类距离时采用的公式不同。其使用的是最远距离来衡量样本之间的距离。 2. 因子分析 它是将多个实测变量转换为少数几个不相关的综合指标的多元统计分析方法。因子分析的基本思想是根据相关性大小将变量分组，使得同组内的变量之间相关性较高，不同组的变量相关性较低。通过因子分析，有可能用较少的不相关的综合指标来描述原来观察的每一个指标，在尽可能少的信息损失情况下，降低分析问题的复杂性。    五、实证分析过程。 <1>层次聚类分析 初始聚类中心   聚类 1 2 3 国有单位 278.8 36.8 428.1 集体单位 31.0 1.8 56.8 有限责任公司 105.0 7.9 190.1 股份有限公司 59.7 1.8 78.0 私营企业 855.5 20.2 311.1 外商投资单位 131.4 1.2 109.5 个体经营 291.6 19.2 225.8         该表展示了3个类的初始类中心点的情况。3个初始类中心点的数据分别是（278.8,31.0,105.0,59.7,855.5,131.4,291.6），（36.8,1.8,7.9,1.8,20.2,1.2,19.2），（428.1,56.8，190.1,78.0,311.1,109.5,225.8）。可见，第一类各部门的数据是最优的，第三类次之，第一类各数据最不理想。 迭代历史记录a 迭代 聚类中心内的更改 1 2 3 1 136.325 155.436 181.711 2 .000 .000 .000 a. 由于聚类中心内没有改动或改动较小而达到收敛。任何中心的最大绝对坐标更改为 .000。当前迭代为 2。初始中心间的最小距离为 575.946。         该表展示了3个类中心点每次迭代时的偏移情况。由表可知：第1次迭代后，3个类的中心点分别偏移了136.325,155.436,181.711，第3类中心点偏移最大；第2次迭代后，3个类的中心点的偏移均小于指定的判定标准（0.02），聚类分析结束。 最终聚类中心   聚类 1 2 3 国有单位 334.0 150.5 302.4 集体单位 44.7 10.6 33.7 有限责任公司 121.9 44.3 139.1 股份有限公司 56.9 17.2 53.2 私营企业 789.7 97.2 220.3 外商投资单位 138.3 16.3 40.7 个体经营 395.0 77.8 203.9         该表展示了3个类的最终类中心点的情况。3个最终类中心点的数据分别是（334.0,44.7,121.9,56.9,789.7,138.3,395.0），（150.5,10.6,44.3,17.2,97.2,16.3,77.8） （302.4,33.7,139.1,53.2,220.3,40.7,203.9）。仍然可见，第1类的数据均是最优的，第3类次之，第2类个数据理想。 每个聚类中的案例数 聚类 1 2.000 2 18.000 3 10.000 有效 30.000 缺失 1.000       该表展示了3个类的类成员情况，有一个数据缺失。第一类（上游水平）有俩个省市自治区，第二类（下游水平）有18个省市自治区，第三类（中游水平）有10个省市自治区。具体情况如下表所示： 类型 包括的省市 第一类 江苏、广东 第二类 天津、山西、内蒙古、吉林、上海、安徽、福建、江西、广西、海南、重庆、贵州、云南、陕西、甘肃、青海、宁夏、新疆 第三类 北京、河北、辽宁、黑龙江、浙江、山东、河南、湖北、湖南、四川     ANOVA     聚类 误差 F Sig. 均方 df 均方 df 国有单位 89742.898 2 4605.704 27 19.485 .000 集体单位 2334.081 2 81.960 27 28.478 .000 有限责任公司 30641.253 2 2123.177 27 14.432 .000 股份有限公司 4836.630 2 168.498 27 28.704 .000 私营企业 441207.209 2 6656.088 27 66.286 .000 外商投资单位 13866.534 2 1077.043 27 12.875 .000 个体经营 120265.083 2 4324.714 27 27.809 .000 F 检验应仅用于描述性目的，因为选中的聚类将被用来最大化不同聚类中的案例间的差别。观测到的显著性水平并未据此进行更正，因此无法将其解释为是对聚类均值相等这一假设的检验。               该表展示了各数据在不同类的均值比较情况，各数据项的含义依次是组间均方、组间自由度、组内均方、组内自由度、F统计量的观测值以及对应的概率P-值，该表可以看出各数据的均值在3类中的差异是显著的。 从以上分析及图表中，可以看出2009年江苏和广东在不同企业部门就业最为乐观，北京、河北、辽宁等地区处于中等就业水平，而天津、山西，内蒙等地区在不同企业部门的就业不太理想。 继续阅读