范迎軍， 袁永生

(河海大學(xué)理學(xué)院，南京210098)

改革開放以來，我國人口的就業(yè)狀況發(fā)生了較大變化，就業(yè)結(jié)構(gòu)明顯改善，勞動(dòng)生產(chǎn)率得到較大的提高.但是各省市就業(yè)總體狀況各不相同，就業(yè)結(jié)構(gòu)、城鄉(xiāng)人力資源的就業(yè)分布也有各自的特點(diǎn).中西部省份和沿海城市相比，在經(jīng)濟(jì)發(fā)展水平、企業(yè)生存狀況、人力資源開發(fā)、非農(nóng)產(chǎn)業(yè)就業(yè)狀況、工業(yè)化程度等方面相對(duì)較低，這些因素導(dǎo)致了中西部省市在就業(yè)結(jié)構(gòu)方面明顯異于沿海省市.

本文對(duì)31省的就業(yè)情況進(jìn)行研究，在主成分分析的基礎(chǔ)上，定義了新的深度函數(shù)，以深度函數(shù)代替原有的回歸評(píng)分函數(shù)［1－5］進(jìn)行綜合排序.統(tǒng)計(jì)深度函數(shù)為多維數(shù)據(jù)提供了一種從深度中心向外的排序方法，由深度函數(shù)的性質(zhì)［6－7］可知，靠近中心的數(shù)據(jù)深度較大，遠(yuǎn)離中心的數(shù)據(jù)深度較小.我們以西藏的主成分因子作為深度中心，因此得到的31省市的綜合得分函數(shù)越小，說明排名越靠前，反之亦然.

進(jìn)一步，考慮主成分所起作用不同，以主成分的方差貢獻(xiàn)率為權(quán)重，運(yùn)用加權(quán)歐氏距離進(jìn)行了主成分聚類，結(jié)果更符實(shí)際.在分析結(jié)果的基礎(chǔ)上，總結(jié)出4個(gè)層次地區(qū)就業(yè)情況的總體特點(diǎn)與差異，并對(duì)差異的形成原因進(jìn)行了分析，找出各層次地區(qū)在就業(yè)情況中的優(yōu)勢與不足.

1 指標(biāo)體系的建立

對(duì)中國就業(yè)情況進(jìn)行評(píng)價(jià)，首先要構(gòu)建其指標(biāo)體系，本文對(duì)中國31省市的就業(yè)情況進(jìn)行研究，根據(jù)2010年《中國統(tǒng)計(jì)年鑒》［8］，選取屬于中國3大產(chǎn)業(yè)的19個(gè)行業(yè)作為指標(biāo)體系，即:X1(農(nóng)、林、牧、漁業(yè))、X2(采礦業(yè))、X3(制造業(yè))、X4(電力、燃?xì)饧八纳a(chǎn)和供應(yīng)業(yè))、X5(建筑業(yè))、X6(郵政)、X7(信息傳輸)、X8(批發(fā)、零售)、X9(住宿餐飲業(yè))、X10(金融業(yè))、X11(房地產(chǎn))、X12(商務(wù)服務(wù)業(yè))、X13(科研、技術(shù)服務(wù)和地質(zhì)勘查業(yè))、X14(水利、環(huán)境和公共設(shè)施管理)、X15(居民服務(wù))、X16(教育)、X17(衛(wèi)生、社會(huì)福利)、X18(文化、體育和娛樂業(yè))、X19(公共管理和社會(huì)組織)，將31省市的19個(gè)行業(yè)就業(yè)數(shù)作為原始數(shù)據(jù).

2 相關(guān)數(shù)據(jù)分析

2.1 因子分析

(1)利用SPSS軟件，先對(duì)19個(gè)指標(biāo)的原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，并得到各指標(biāo)之間的相關(guān)系數(shù)矩陣R.

(2)通過數(shù)據(jù)處理，KMO值為0.755，同時(shí)通過Bartlett檢驗(yàn)(表1)，說明這些數(shù)據(jù)適合作因子分析.

表1 KMO和Bartlett檢驗(yàn)Table 1 KMO and Bartlett′s test

(3)計(jì)算相關(guān)系數(shù)矩陣R的特征值和特征向量，結(jié)果見表2，根據(jù)特征值累計(jì)貢獻(xiàn)率大于85%確定主成分的數(shù)目為3，提取了87.27%的信息，求得因子載荷陣.

表2 R的特征值與累計(jì)貢獻(xiàn)率Table 2 R′s charalteristic value and cumulative percentage

(4)主成分因子與原始指標(biāo)之間的關(guān)聯(lián)程度由因子載荷陣體現(xiàn)，由于初始因子載荷陣因子含義不明顯，為此利用方差最大正交旋轉(zhuǎn)(Varimax)［9］，得到旋轉(zhuǎn)后的因子載荷陣(如表3).

將旋轉(zhuǎn)后的因子載荷陣中各指標(biāo)按載荷值較高的情況分為3類，即3個(gè)主成分.第1個(gè)主成分F1在X6(郵政)、X7(信息傳輸)、X8(批發(fā)、零售)、X9(住宿餐飲業(yè))、X10(金融業(yè))、X11(房地產(chǎn))、X12(商務(wù)服務(wù)業(yè))、X13(科研、技術(shù)服務(wù)和地質(zhì)勘查業(yè))、X15(居民服務(wù))、X18(文化、體育和娛樂業(yè))上的載荷值都很大.可以看出F1是第三產(chǎn)業(yè)中一些行業(yè)的指標(biāo)因子的歸類，是新興產(chǎn)業(yè)因子.

第2個(gè)主成分F2在X2(采礦業(yè))、X3(制造業(yè))、X4(電力、燃?xì)饧八纳a(chǎn)和供應(yīng)業(yè))、X5(建筑業(yè))、X6(郵政)、X8(批發(fā)、零售)、X10(金融業(yè))、X14(水利、環(huán)境和公共設(shè)施管理)、X16(教育)、X17(衛(wèi)生、社會(huì)福利)、X19(公共管理和社會(huì)組織)上有較大的載荷值.可以看出F2是第二產(chǎn)業(yè)與第三產(chǎn)業(yè)中部分行業(yè)的指標(biāo)因子的歸類，是與第二產(chǎn)業(yè)、第二產(chǎn)業(yè)相關(guān)的服務(wù)業(yè)因子.

第3個(gè)主成分 F3在 X1(農(nóng)、林、牧、漁業(yè))、X2(采礦業(yè))上載荷值較大.F3是第一產(chǎn)業(yè)與第二產(chǎn)業(yè)中部分行業(yè)的指標(biāo)因子的綜合，是傳統(tǒng)行業(yè)因子.

(5)通過因子分析，將19個(gè)變量降為3個(gè)公共因子，依據(jù)旋轉(zhuǎn)后的因子載荷陣寫出F1、F2、F3的因子表達(dá)式為:

其中X為標(biāo)準(zhǔn)化后的數(shù)據(jù)，lj為因子載荷陣.

從3個(gè)主成分的得分可以看出，由于西藏的3個(gè)因子明顯均處于最低水平，利用這個(gè)特點(diǎn)，以西藏的主成分Z為深度中心，定義這里的深度函數(shù)為:

表3 旋轉(zhuǎn)前后的因子載荷陣Table 3 Original and rotated component matrix

其中d(Zi，Z)為定義的加權(quán)歐氏距離，即

其中yi，k為樣本Zi在主成分Fk上的得分，ωk為第k個(gè)主成分的方差貢獻(xiàn)率，而

即數(shù)列{d(Zi，Z)}的中位數(shù).

以深度函數(shù)作為評(píng)定綜合得分函數(shù)，由深度函數(shù)的定義可知，數(shù)據(jù)深度可以看作是一個(gè)髙維數(shù)據(jù)在給定樣本數(shù)據(jù)集下，這個(gè)數(shù)據(jù)有多么的靠近深度中心，靠近中心的數(shù)據(jù)深度較大，遠(yuǎn)離中心的數(shù)據(jù)深度較小.因此得到的31省市的綜合得分函數(shù)越小，說明排名越靠前，反之亦然.通過深度函數(shù)計(jì)算出綜合得分，列出各省市就業(yè)情況排名順序，見如表4.

表中各因子對(duì)應(yīng)的數(shù)值越大，表明在此方面的就業(yè)水平越好，表中的負(fù)值表示該地區(qū)在對(duì)應(yīng)的方面就業(yè)情況低于全國平均水平.

從F1得分可以看出，廣東、北京等地在服務(wù)行業(yè)具有明顯的優(yōu)勢，低于平均水平的大多為中西部地區(qū)，這是急需發(fā)展的行業(yè).從F2得分看，廣東、山東、河南等地在第二產(chǎn)業(yè)與部分第三產(chǎn)業(yè)具有明顯優(yōu)勢，小于0的中西部地區(qū)有待提高.從F3得分看，在農(nóng)、林、牧、漁業(yè)、采礦業(yè)上黑龍江、遼寧、新疆、河南等地具有優(yōu)勢，這與地理優(yōu)勢與礦產(chǎn)資源有很大的關(guān)系.

2.2 主成分加權(quán)聚類與結(jié)果分析

F1對(duì)原始變量的方差貢獻(xiàn)率為39.992%，F(xiàn)2對(duì)原始變量的方差貢獻(xiàn)率為39.04%.F1、F2都是研究就業(yè)情況時(shí)需要著重考慮的方面.F3對(duì)原始變量的方差貢獻(xiàn)率為8.238%，對(duì)評(píng)價(jià)就業(yè)情況的重要性要相對(duì)低一些.

由于主成分重要性不一，我們對(duì)于樣本間距離的定義需要考慮到特征指標(biāo)所起的作用不同，本文選擇各個(gè)主成分的方差貢獻(xiàn)率作為權(quán)重進(jìn)行主成分加權(quán)聚類.

主成分加權(quán)聚類:當(dāng)樣本比較大，指標(biāo)比較多的時(shí)候，利用樣本的主成分得分代替原始數(shù)據(jù)進(jìn)行主成分聚類，大大減少了聚類過程中計(jì)算的復(fù)雜程度，同時(shí)為了突顯主成分的不同作用，對(duì)兩兩樣本的距離進(jìn)行加權(quán)綜合.31個(gè)樣本中兩兩樣本Zi，Zj間的距離為d(Zi，Zj)，這里采用(3)中的加權(quán)距離公式.而類與類之間采用系統(tǒng)聚類中的類平均法［10］進(jìn)行主成分聚類.

通過加權(quán)距離公式進(jìn)行主成分聚類，聚類結(jié)果見表4，得到譜系圖(圖1).我們將31省市的就業(yè)情況分為4大類.

表4 綜合排名與主成分聚類結(jié)果Table 4 Integrated rank and principal component clustering results

第1類為北京、廣東，說明在非農(nóng)產(chǎn)業(yè)因子上有絕對(duì)優(yōu)勢的地位，各方面的資源得到充分的應(yīng)用;第2類為山東、河南、浙江、江蘇和上海，這5個(gè)華東區(qū)的省市在第二產(chǎn)業(yè)與第三產(chǎn)業(yè)的得分高于全國平均水平，特別是在第二產(chǎn)業(yè)及與之聯(lián)系緊密的服務(wù)業(yè)上優(yōu)勢明顯，展現(xiàn)了區(qū)域性就業(yè)發(fā)展的巨大潛力;第3類為四川、遼寧、黑龍江、陜西、福建等21個(gè)省市，涵蓋區(qū)域最廣，東部省市如黑龍江第二產(chǎn)業(yè)與服務(wù)業(yè)得分排名靠前，而中西部如安徽和陜西傳統(tǒng)行業(yè)因子較高，展現(xiàn)了非農(nóng)產(chǎn)業(yè)與傳統(tǒng)農(nóng)業(yè)就業(yè)情況的不協(xié)調(diào)發(fā)展，是需要大力發(fā)展非農(nóng)產(chǎn)業(yè)的區(qū)域;第4類為寧夏、青海、西藏，該類西部省區(qū)在各因子中的得分均明顯落后于全國平均水平，在非農(nóng)產(chǎn)業(yè)開發(fā)方面面臨巨大挑戰(zhàn).

比較因子分析與主成分加權(quán)聚類結(jié)果，除了上海與四川的聚類結(jié)果排序與因子分析綜合得分排序有所不同外，其他省市的排序結(jié)果具有很好的一致性.

圖1 各省就業(yè)聚類分析譜系圖Fig.1 The tree diagram of the 31 province's employment

3 結(jié)論

就業(yè)結(jié)構(gòu)地域性差異明顯，并受多方面因素的影響.

從因子分析與主成分聚類結(jié)果上看，第一、第二層中廣東、北京、山東、河南、浙江、江蘇、上海等地就業(yè)情況領(lǐng)先全國，原因是多因素的.

(1)沿海城市改革早、發(fā)展快，就業(yè)的能力差異主要是由于就業(yè)結(jié)構(gòu)不同引起的，經(jīng)濟(jì)發(fā)達(dá)地區(qū)非農(nóng)產(chǎn)業(yè)吸納就業(yè)的能力明顯高于經(jīng)濟(jì)落后地區(qū)，特別是第三產(chǎn)業(yè).

(2)工業(yè)化程度，工業(yè)的發(fā)展促進(jìn)就業(yè)崗位的增加，同時(shí)帶動(dòng)服務(wù)業(yè)的發(fā)展，促進(jìn)就業(yè)結(jié)構(gòu)的變化，而東部地區(qū)工業(yè)化程度均高于中西部地區(qū)，工業(yè)結(jié)構(gòu)實(shí)現(xiàn)了第二產(chǎn)業(yè)與第三產(chǎn)業(yè)的協(xié)調(diào)發(fā)展.第三、第四層中中西部地區(qū)的工業(yè)化水平相對(duì)較低，第二產(chǎn)業(yè)與第三產(chǎn)業(yè)沒有很好的協(xié)調(diào)發(fā)展，特別是與制造業(yè)密切相關(guān)的第三產(chǎn)業(yè)發(fā)展水平偏低.

(3)城鎮(zhèn)化水平在全國區(qū)域差異性明顯，東部城鎮(zhèn)化水平高，促進(jìn)本地非農(nóng)產(chǎn)業(yè)的部門轉(zhuǎn)移，有效帶動(dòng)了第三產(chǎn)業(yè)的就業(yè).而中西部地區(qū)縣域經(jīng)濟(jì)相對(duì)落后，不能有效的吸收農(nóng)村剩余勞動(dòng)力，寧夏、青海、西藏等中西部地區(qū)無論在人才、資源、技術(shù)等方面都與沿海地區(qū)有很大差距.

(4)非公有制經(jīng)濟(jì)的發(fā)達(dá)水平，非公有制經(jīng)濟(jì)能夠有效地推動(dòng)就業(yè)結(jié)構(gòu)的變化.

(5)國家區(qū)域發(fā)展政策的影響.

［1］汪文雄，李啟明.基于因子與聚類分析的中國建筑業(yè)產(chǎn)業(yè)競爭力研究［J］.數(shù)理統(tǒng)計(jì)與管理，2008(3):329－337.

［2］陸遠(yuǎn)權(quán)，馬壘信，何倩倩.我國31省區(qū)人力資源狀況的比較研究［J］.統(tǒng)計(jì)與決策，2011(4):75－78.

［3］陳希鎮(zhèn)，林俊濤.用多元統(tǒng)計(jì)方法分析浙江省各地區(qū)的經(jīng)濟(jì)結(jié)構(gòu)［J］.數(shù)理統(tǒng)計(jì)與管理，2010，29(6):1044－1051.

［4］趙元篤，趙艷軻.廣東省工業(yè)主導(dǎo)產(chǎn)業(yè)選擇初探——基于因子分析和聚類分析的實(shí)證研究［J］.科技管理研究，2011(13):30－34.

［5］王慶豐，黨耀國，王麗敏.基于因子與聚類分析的縣域經(jīng)濟(jì)發(fā)展研究——以河南省18個(gè)縣(市)為例［J］.數(shù)理統(tǒng)計(jì)與管理，2009，28(3):495 －501.

［6］REBECKA JORNSTEN. Clustering and classification based on the L1 data depth［J］.Journal of Multivariate A-nalysis，2004，90:67 －89.

［7］ZUO Yijun，CUI Hengjian，HE Xuming.On the Stahel-Donoho estimator and depth-weighted means of multivariate data［J］.The Annals of Statistics，2004，32(1):167 －188.

［8］中華人民共和國國家統(tǒng)計(jì)局.中國統(tǒng)計(jì)年鑒(2010)［M］.北京:中國統(tǒng)計(jì)出版社，2010.

［9］王德青.一類復(fù)雜觀測數(shù)據(jù)的分類方法研究［D］.南京:河海大學(xué)理學(xué)碩士學(xué)位論文，2009:17－24.

［10］包為民，萬新宇，荊艷東，等.基于主成分分析的河流洪水系統(tǒng)聚類法［J］.河海大學(xué)學(xué)報(bào)，2008(1):1－5.