不同地区运输仓储与邮政业就业人员因子分析.docVIP

不同地区运输仓储与邮政业就业人员因子分析 　　【摘 要】本文首先以全国31个省市地区的运输、仓储和邮政业为研究对象，选取7个研究指标，运用SPSS19.0对其做因子分析，并加以命名，构建了该行业的评价指标。然后又进行系统聚类分析。最后根据分类结果进行概括，把各地区分为交通运输业很方便地区、交通运输业较方便地区、交通运输业方便地区和交通运输业不太方便地区。 　　【关键词】因子分析；系统聚类分析；经济发展水平 　　0 引言 　　现代社会，随着经济发展水平的提高，人们各方面的消费实力也在日益提升。消费，尤其是扩大内需已成为带动我国经济发展的一个重要因素。网上购物、包裹邮寄、外出旅游、走亲访友等需求，促进了我国交通运输、仓储和邮政业的快速发展。特别是近几年来网上购物的流行，一些运输邮政行业已经不能满足人们的日常需求，需要的相关行业就业岗位和人员也日益增多。因此，就有必要对全国各地区各行业的就业人员进行研究分析，这对于如何更合理，更高效地利用人力资源，是十分有价值的。 　　因此，本文以《中国统计年鉴（2013）》为依据，选取数据“分地区交通运输、仓储和邮政业就业人员数（2012年底）”，从铁路运输业、道路运输业、水上运输业、航空运输业、搬运和代理业、仓储业、邮政业七项指标，对各行业人员做因子分析和系统聚类分析，并对各地的交通运输业进行区域划分。 　　1 实例分析 　　本文重点选取以上七项指标，对各行业就业人员进行因子分析和系统聚类分析。为了表达方便，各变量指标分别记为x1，x2，x3，x4，x5，x6，x7。为了消除变量在水平和量纲上的影响，其各项指标数据均已标准化。 　　1.1 因子分析[1-2] 　　一般地认为，当KMO小于0.5则不宜做因子分析。经SPSS分析可知该数据KMO检验结果是0.729，大于0.7，较适合做因子分析。Bartlett检验的Sig.取值0.000，表示拒绝原假设，说明各变量之间存在着较强的相关关系。 　　另外，我们还可以得到一个重要的表格，就是方差表，它是主成分选取的主要依据。其中，前两个成分的初始特征值分别为4.130和1.227，累计方差百分比分别为64.006%和81.538%。显然，要保证特征值大于1，且累计方差贡献率大于80%，故前2个主成分基本包含全部指标具有的信息，因子分析的效果比较理想。 　　1.2 主成分命名[3] 　　另外，从因子载荷矩阵可知，第一主成分对道路运输业、水上运输业、航空运输业、搬运和代理业、仓储业、邮政业的载荷系数较大，它们大都属于一次性运输量较小，运输不方便的行业，故可命名为“可需求型运输行业”。第二主成分对铁路运输业的载荷系数较大，且考虑到铁路一般的运输量较大，运输相对较方便，故可命名为“可依赖型运输行业”。 　　从主成分表达式中可得出各个因子得分，为了分析，这里我们要考虑各因子的综合得分，依据公式： 　　y=■y1+■y2 （λ1=4.130，λ2=1.227） 　　经SPSS计算后，可得出各个地区的综合得分，其排名（按照综合得分从大到小）列举为：北京、广东、上海、河南、山东、黑龙江、辽宁、浙江、湖南、湖北、山西、吉林、江苏、四川、陕西、河北、内蒙古、福建、广西、天津、安徽、重庆、云南、江西、新疆、甘肃、贵州、海南、青海、宁夏、西藏。 　　根据我国经济发展水平和各地区的交通运输、仓储和邮政业等能力，可以大体得知，该排名能够反映一定的实际情况，即：我国大部分交通运输、仓储和邮政业就业人员都集中在经济发达或较发达地区，或是沿海地区，或是各种资源较集中的地区，或是陆路和水路等交通均方便的地区。 　　1.3 聚类分析 　　在因子分析的基础上，我们提取了两个主成分，并且得出各个主成分的得分情况。为了得到更加合理的结果，分别用组间联接法、组内联接法、中位数法、最近、最远邻元素法进行比较，将31个地区分别聚类为2、3、4、5类，但通过分析，得出word方法与组内联接法在将各地区聚为四类时结果基本一致，而且此结果符合实际。 　　2 结果分析 　　由聚类分析知，当把31个地区聚为4类时合理性较强，其中： 　　第一类包括：北京、广东； 　　第二类包括：上海、山东、浙江、江苏、新疆； 　　第三类包括：河南、黑龙江、山西、吉林、陕西、内蒙古； 　　第四类包括：辽宁、湖南、湖北、四川、河北、福建、广西、天津、安徽、重庆、云南、江西、甘肃、贵州、海南、青海、宁夏、西藏。 　　第一类可概括为交通运输业很方便地区。北京是全国的政治、经济、文化中心，交通十分方便，尤其是铁路运输、道路运输和航空运输。而且，密集的人口会刺激消费水平大幅度提高，它的优势条件，使得大量资源流向北京，尤其是人力资源，因此，交通运输业的就业人员也就更多；广东处在我国南方沿海地区