全部 标题 作者
关键词 摘要

OALib Journal期刊
ISSN: 2333-9721
费用:99美元

查看量下载量

相关文章

更多...

上海市规模以上工业企业的从业人数探讨——基于聚类分析和主成分分析模型
Exploration of the Number of Employees in Industrial Enterprises above Designated Size in Shanghai—Based on Clustering Analysis and Principal Component Analysis Models

DOI: 10.12677/orf.2024.142119, PP. 138-146

Keywords: 系统聚类,K均值聚类,主成分分析,工业企业,从业人数
System Clustering
, K-Means Clustering, Principal Component Analysis, Industrial Enterprises, Number of Employees

Full-Text   Cite this paper   Add to My Lib

Abstract:

本文选取了2021年上海市规模以上的工业企业(包含33个行业),不同职业类型的从业人员期末人数数据。通过系统聚类和K均值聚类方法进行聚类分析,对这33个行业进行分类,系统聚类将其分为4类,K均值聚类分别分为4类和5类两种情形。再通过主成分分析,确定不同职业类型中的第一主成分和第二主成分,然后计算得分,得到主成分综合评价。结果表明,上海市各行业里从事计算机、通信和其他电子设备制造业,汽车制造业和通用设备制造业的人数较多。随着大数据时代的发展,未来相关领域的从事人数是否会进继续增加,值得学者进一步探讨。
This article selects data on the number of employees from industrial enterprises above designated size (including 33 industries) and different occupational types in Shanghai in 2021. Cluster analysis was conducted using systematic clustering and K-means clustering methods to classify these 33 industries. Systematic clustering divided them into 4 categories, while K-means clustering was divided into 2 categories: 4 and 5, respectively. Then, through principal component analysis, determine the first and second principal components in different occupational types, and calculate the scores to obtain a comprehensive principal component evaluation. The results indicate that there are more people engaged in computer, communication, and other electronic equipment manufacturing, automotive manufacturing, and general equipment manufacturing in various industries in Shanghai. With the development of the big data era, it is worth further exploration by scholars whether the number of professionals in related fields will continue to increase in the future.

References

[1]  刘宇. 部门分类标准与中国供给使用表的编制[J]. 统计与决策, 2023, 39(3): 33-38.
[2]  黄雯怡, 张睿. 全球工业企业研发现状、经验及江苏启示[J]. 现代管理科学, 2023(4): 98-105.
[3]  范震, 姜顺婕. 创新价值链视角下我国“十三五”期间地区工业企业科技创新效率评价研究——基于三阶段DEA-Malmquist模型[J]. 统计与管理, 2023, 38(7): 47-57.
[4]  孙兰芸, 胡云红, 曹文海. 河北省规上工业企业技术创新现状分析及对策研究[J]. 统计与咨询, 2023(3): 34-37.
[5]  韩平平, 郭佳林, 董玮, 等. 基于系统聚类法的含新能源电力系统分区策略[J/OL]. 电力系统及其自动化学报: 1-8.
https://doi.org/10.19635/j.cnki.csu-epsa.001292, 2024-04-03.
[6]  周湘贞, 李帅, 隋栋. 数据驱动下基于量子人工蜂群的K均值聚类算法优化[J]. 南京理工大学学报, 2023, 47(2): 199-206.
[7]  林伟杰, 王勇, 周林. 基于加权二分图的K均值最佳聚类数确定算法[J]. 计算机工程与设计, 2023, 44(4): 1104-1111.
[8]  徐婷婷, 胡摇, 郝群, 沈添天. 基于主成分分析重建图像的互信息视觉伺服[J]. 光学技术, 2023, 49(6): 736-742.
[9]  李月, 朱俊烨, 刘子涵, 等. 基于主成分分析与聚类分析评价茯砖茶滋味品质[J]. 食品安全质量检测学报, 2023, 14(21): 283-291.
[10]  徐業釗, 张晗, 冯贯昂, 韩立言, 庞华. 基于系统聚类法的基金资产配置策略研究[J]. 中国商论, 2021(17): 102-104.
[11]  陈玉明, 蔡国强, 卢俊文, 等. 一种邻域粒K均值聚类方法[J]. 控制与决策, 2023, 38(3): 857-864.
[12]  孟银凤, 李庆方. 基于多元函数主成分表示的识别学习[J]. 山东大学学报(工学版), 2022, 52(3): 1-8 17.
[13]  房汉国. 基于主成分分析法的宏观经济景气指数研究[J]. 当代经济, 2022, 39(1): 26-31.
[14]  赖晨华. 大数据时代事业单位人力资源管理的变革方法[J]. 人才资源开发, 2022(8): 33-34.
[15]  姜昊, 董直庆. 人工智能技术应用会存在选择性偏向吗?——行业属性与就业偏向[J]. 南方经济, 2023(12): 37-61.
[16]  鲁轶. 关于经济活动的行业归类判断方法的研究——行业分类标准的应用与实践[J]. 统计科学与实践, 2014(6): 26-29.
[17]  黄吉婷, 郭可歆, 齐佳音. 企业数字化转型对就业规模及结构影响的实证研究[J]. 智能科学与技术学报, 2023, 5(3): 352-365.
[18]  张涛, 唐僖, 吴君民, 等. 基于微分博弈的互联网企业与新能源汽车企业技术协同创新策略研究[J]. 运筹与管理, 2023, 32(10): 43-49.
[19]  刘宗巍, 宋昊坤, 赵福全. 中国新能源汽车产业人才需求预测研究[J]. 中国科技论坛, 2023(12): 137-148.

Full-Text

Contact Us

service@oalib.com

QQ:3279437679

WhatsApp +8615387084133