基于因子研究各地城镇就业情况综合评价.docx

基于因子研究各地城镇就业情况综合评价 【摘要】对各地区城镇的就业情况进行综合评价， 从而为各地区长期就业规划提出有利建议，选取的是全国31 个省市2013年中国统计年鉴上关于19个不同行业的就业人 员工资总数作为数据进行因子分析，计算各省市的各因子得 分和综合得分，从而得出综合排名，客观分析各地区城镇的 各行业间的优势与劣势。 【关键词】就业情况；因子分析；综合评价 0引言 我国经济增长总体呈上升趋势，而就业增长率却呈现下 降趋势。解决就业问题已不能再着重与经济增长，而应在产 业结构调整中促进就业。研究各地区城镇的不同行业就业情 况有重要的现实意义，能判断各行业的优势与劣势，对经济 结构调整、产业结构优化有着重要作用。 1各地区城镇单位就业情况综合评价 本文以北京、天津、河北等31个省市的19个行业就业 人员工资总数为样本，利用因子分析方法，对该数据进行因 子分析。原始数据来源于2013年中国统计年鉴，数据的处 理与计算利用了 SPSS19. 0统计软件。 1.1因子分析适用性检验 利用因子分析的目的是从众多的原有指标变量中提取 出少量的具有代表性的因子，这就要求有一个前提，那就是 要求原变量之间应具有较强的相关关系，否则不能运用因子 分析。采用计算各个指标变量的相关系数矩阵以及巴特利特 球度检验和KMO检验等方法来检测因子分析对本文所取数据 的适用性。 通过观察各个指标变量的相关系数矩阵可以发现，19个 指标（每个行业算一个指标）两两之间大多数具有很强的相 关性，检验变量间偏相关行的KMO统计量，数值为0. 773, 大于0.5,因此各变量间的相关程度无太大差异，可知数据 适合作因子分析；巴特利特球形假设检验的结果，其概率p 接近于0,由于概率p小于显著性水平，可以认为相关系数 矩阵与单位阵有显著差异，可见球形假设被拒绝，因此19 个指标间并非独立，取值是有关系的，适合作因子分析。 1. 2主因子的确定 根据各个因子解释原有指标变量总方差的情况，我们利 用因子分析中的主成分分析法，从19项指标变量中提取出 主要因子，通过它们来代替原有指标变量所含的信息。先计 算因子方差贡献情况，计算出公因子方差比，公因子方差比 指的是按照所选标准提取相应数量主成分后，各变量中信息 分别被提取出的比例，例如变量（农、林业）的公因子方差 比是0.564,即提取的公因子对变量农林业的方差作出了 56. 4%的贡献。由表可知前两个数据大于54.6%,其余大量的 都在90%以上，说明提取的因子保留了足够多的信息，因子 分析的效果是显著的。 再由主成分列表分析得出第一个主成分的特征根为 11.974,解释了总信息的63.021%,第二个主成分的特征根 为3. 172,解释了总信息的16. 695,第三个主成分的特征根 为1.229,解释了总信息的6. 468,第四个特征根为0. 886, 比1小，说明解释力度不如直接引入原变量。另外，提取的 3个主因子累计方差贡献率达到了 86. 183%,丢失的信息较 少，用它们来代替原指标变量进行各地区的就业评价是可行 的。 1.3因子的命名 上述得出的3个因子必须具备一定的意义，否则提取是 不成功的，就是说所得的因子必须是可以命名的。计算3个 主因子的因子载荷矩阵并从因子载荷矩阵可以看出，各因子 的典型代表变量并不突出，不能对因子做很好的解释。因子 采用具有Kaiser标准化的正交旋转进行因子旋转，计算旋 转后的因此载荷矩阵。通过旋转后的因子载荷矩阵得到相应 的因子模型，从表中我们可以得到这些信息：（1）批发与零 售业、交通运输、住宿与餐饮业、信息传输、金融业、房地 产业、租赁和商务、科学研究、居民服务和文化体育这几个 指标在第一个因子上具有较高的载荷，这些指标包括了各种 公共服务、社会服务业，我们可以命名为第三产业就业信息 因子；(2)制造业、电力热力、建筑业、水利环境、教育、 卫生和社会保障、公共管理这几个指标在第二个因子上具有 较高的载荷，这些指标包含的是企事业单位，我们可以命名 为第二产业就业信息因子；(3)农林业、采矿业这两个指标 在第三个因子上具有较高的载荷，这些指标中包含的是一些 基础产业，我们可以命名为第一产业就业信息因子。 1.4计算因子得分及综合得分排序 采用回归法估计因子得分系数，通过系数矩阵将提取的 主因子表示为各个变量的线性组合，求出得分函数。根据各 因子得分函数，计算出因子得分，再以各因子特征值所占权 重为权数计算各省市的综合评价得分。根据总得分，对31 个省市就业情况进行排序。由于数据收集的时候，西藏的居 民服务业数据缺失，最后结果不算西藏。排名靠前的是北京、 广东、浙江、上海这些城市，排名靠后的是青海、宁夏、甘 肃这些城市。这些基本符合我们所大致了解的情况，由此可 见此评级还是比