Статистический анализ занятости (стр. 3 из 8)

Рассмотренные коэффициент занятости населения и коэффициенты составляющих его категорий взаимосвязаны следующими соотношениями:

где ДТНТВ - доля трудоспособных лиц трудоспособного возраста в общей численности населения трудоспособного возраста;

где ДНТВ - доля населения трудоспособного возраста в общей численности трудовых ресурсов;

где ДТР - доля трудовых ресурсов в общей численности населения.

На основе приведенных соотношений можно записать всю цепочку взаимосвязи коэффициента занятости населения и коэффициента занятости трудоспособных лиц трудоспособного возраста:

По аналогичной схеме могут быть построены взаимосвязи коэффициента занятости трудоспособного населения трудоспособного возраста и коэффициента занятости трудовых ресурсов, коэффициента занятости населения трудоспособного возраста и коэффициента занятости всего населения. В зависимости от цели исследования общая цепочка взаимосвязи показателей может быть сокращена до трех или двух сомножителей, например:

где - доля трудоспособных лиц трудоспособного возраста в общей численности трудовых ресурсов;

ТР

где - доля трудоспособных лиц трудоспособного возраста в общей численности населения.

Кроме количества сомножителей, включенных во взаимосвязь, сами сомножители также могут быть вычленены по усмотрению исследователя, например:

Практическое значение взаимосвязей коэффициентов занятости заключается в возможности определять неизвестный показатель на основе нескольких известных.

Все рассмотренные взаимосвязи применяются при построении индексных моделей влияния отдельных факторов на уровень занятости населения, трудовых ресурсов и т. д[4].

1.3 Методы анализа занятости населения

Для анализа занятости населения Оренбургской области были применены следующие методы: анализ структуры и динамики, корреляционно-регрессионный анализ, кластерный анализ и прогнозирование.

Процесс развития, движения социально-экономических явлений во времени в статистике принято называть динамикой. Для отображения динамики строят ряды динамики(хронологические ряды, временные ряды), которые представляют собой ряды изменяющихся во времени значений статистического показателя, расположенных в хронологическом порядке.

Составными элементами ряда динамики являются показатели уровнейряда (уровни ряда) и периоды времени(годы, кварталы, месяцы, сутки) или моменты (даты) времени.

При изучении явления во времени перед исследователем встает проблема количественного описания изменений, происходящим с уровнями в динамическом ряду. Для этого рассчитываются специальные показатели анализа динамики. Рассматривают цепные и базисные показатели. Их отличие в том, какой уровень ряда берется за базу для сравнения с текущим уровнем при расчете показателя. Когда сравнение проводится с начальным (базисным) периодом или моментом времени в ряду динамики, то показатель называется базисным. Если же сравнение производится с предыдущим периодом или моментом времени, то соответствующий показатель является цепным.Любой уровень в ряде динамики может быть охарактеризован как при помощи цепного, так и при помощи базисного показателя. Но если значения цепного показателя рассчитываются однозначно, то значения базисного зависят от выбранных единиц измерения. Фактически и цепные, и базисные показатели описывают одни и те же единицы совокупности, и каждому базисному показателю можно однозначно поставить в соответствие цепной показатель. К показателям динамики относятся: абсолютный прирост, темп роста, темп прироста, коэффициент роста, значение 1% прироста, средние показатели динамики[2].

Структура – это совокупность устойчивых связей и отношений объекта, обеспечивающих его целостность и тождественность самому себе, т.е. сохранение основных свойств при различных внешних и внутренних изменениях. Структурным показателем является показатель, состоящий из суммы элементов и выраженный в относительных величинах (обычно в процентах). Наглядное представление структуры совокупности или изображения состава целого, разделенного на части, достигается при помощи структурных диаграмм. Изобразительными средствами для этого могут служить диаграммы: столбиковые, полосовые (или ленточные), секторные, круговые или полукруговые. Анализ структуры изучаемого явления необходим для представления объективной, качественной, наиболее полной информации адекватно отражающей анализируемые направления.[21]

Корреляционная связь (от англ. corelation - соответствие) является частным случаем статистической связи, при которой изменение среднего значения результативного признака обусловлено изменением значений факторного признака (парная корреляция) или множества факторных признаков (множественная корреляция). Для оценки тесноты связи (связь отсутствует, слабая, умеренная, сильная), определения ее направленности

(связь прямая или обратная), а также формы (связь линейная, параболическая, гиперболическая, степенная и т.д.) используется корреляционно-регрессионный метод.

Корреляционно-регрессионный анализ позволяет количественно измерить тесноту, направление связи (корреляционный анализ), а также установить аналитическое выражение зависимости результата от конкретных

факторов при постоянстве остальных действующих на результативный признак факторных признаков (регрессионный анализ).

Основные условия применения корреляционно-регрессионного метода

1. Наличие достаточно большой по объему выборочной совокупности.

Считается, что число наблюдений должно превышать более чем в 10 раз

число факторов, влияющих на результат.

2. Наличие качественно однородной исследуемой совокупности.

3. Подчинение распределения совокупности по результативному и факторным признакам нормальному закону или близость к нему. Выполнение этого условия обусловлено использованием метода наименьших квадратов (МНК) при расчете параметров корреляции и некоторых др.

Основные задачи корреляционно-регрессионного анализа

1. Измерение тесноты связи между результативным и факторным признаком (признаками). В зависимости от количества влияющих на результат факторов задача решается путем вычисления корреляционного отношения, коэффициентов парной, частной, множественной корреляции или детерминации.

2. Оценка параметров уравнения регрессии, выражающего зависимость средних значений результативного признака от значений факторного признака (признаков). Задача решается путем вычисления коэффициентов регрессии.

3. Определение важнейших факторов, влияющих на результативный признак. Задача решается путем оценки тесноты связи факторов с результатом.

4. Прогнозирование возможных значений результативного признака при задаваемых значениях факторных признаков. Задача решается путем подстановки ожидаемых значений факторов в регрессионное уравнение и вычисления прогнозируемых значений результата.

Кластерный анализ – это совокупность методов, позволяющих классифицировать многомерные наблюдения, каждое из которых описывается набором исходных переменных . В отличие от комбинационных группировок кластерный анализ приводит к разбиению на группы с учетом всех группировочных признаков одновременно.

В методах классификации, основанных на кластерном анализе, используется принцип образования групп, так называемый политетический подход. Все группировочные признаки одновременно участвуют в группировке, т. е. они учитываются все сразу при отнесении наблюдения в ту или иную группу. При этом, как правило, не указаны четкие границы каждой группы, а также неизвестно заранее, сколько же групп необходимо выделить в исследуемой совокупности.

Кластерные методы классификации важное место занимают в тех отраслях науки, которые связаны с изучением массовых явлений и процессов. Широко используются они и в социальной статистике. Поэтому целесообразно было применить данный метод и для анализа занятости населения Оренбургской области.

Методы кластерного анализа позволяют решать следующие задачи:

-проведение классификации объектов с учетом признаков, отражающих сущность, природу объектов. Решение такой задачи, как правило, приводит к углублению знаний о совокупности классифицируемых объектов;

-проверка выдвигаемых предположений о наличии некоторой структуры в изучаемой совокупности объектов, т.е. поиск существующей структуры;

-построение новых классификаций для слабоизученных явлений, когда необходимо установить наличие связей внутри совокупности и попытаться привнести в нее структуру;

-сжатие данных – если исходная выборка избыточно большая, то можно сократить её, оставив по одному наиболее типичному представителю от каждого кластера[5].

Прогнозирование — это метод, в котором используются как накопленный в прошлом опыт, так и текущие допущения насчет будущего с целью его определения. Можно сказать, что прогноз - это догадка, подкрепленная знанием. Поскольку прогностические оценки по сути своей являются приближенными, может возникнуть сомнение относительно его целесообразности вообще. Поэтому основное требование, предъявляемое к любому прогнозу, заключается в том, чтобы в пределах возможного минимизировать погрешности в соответствующих оценках. По сравнению со случайными и интуитивными прогнозами, научно обоснованные и планомерно разрабатываемые прогнозы без сомнения являются более точными и эффективными. Как раз такими являются прогнозы, основанные на использовании методов статистического анализа. Можно утверждать, что из всех способов прогнозирования именно они внушают наибольшее доверие, во-первых, потому что статистические данные служат надежной основой для принятия решений относительно будущего, во-вторых, такие прогнозы вырабатываются и подвергаются тщательной проверке с помощью фундаментальных методов математической статистики. К статистическим методам прогнозирования относятся: метод скользящих средних, метод экспоненциального сглаживания, модели авторегрессии, модель Бокса-Дженкинса, методы Хольта и Брауна, регрессионные методы прогнозирования, прогнозирование с помощью тренда, прогнозирование на основе систем рядов динамики[23].