基于因子分析与聚类分析的我国31省市人力资源状况比较研究

刘金晶

[摘    要] 运用因子分析和聚类分析，以2017年相关统计数据为基础，从人力资源数量、质量、潜力和分布4方面对我国31个省市的人力资源状况进行了分析和评价。研究表明：不仅不同类别地区之间人力资源发展水平存在较大差异，同一类地区之间人力资源发展水平也存在较大差异。因此，应针对不同类别的地区，制定不同的发展策略。

[关键词] 人力资源状况;因子分析;聚类分析

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2019. 17. 062

[中图分类号] F241    [文献标识码]  A      [文章编号]  1673 - 0194（2019）17- 0156- 05

1      引    言

虽然我国人力资源总量丰富，但不同的省市具有不同的人力资源发展水平和特点。针对各省市人力资源状况，我国学者杜丽婷（2008）从人口素质角度，采用因子分析和聚类分析对我国31个省市的教育环境进行了分析和评价，得出对教育重视程度高和教育水平发达的地区人力资源状况好;陆远权  等（2010）利用因子分析和聚类分析，以2008年我国31省市相关统计数据为基础，对各省市人力资源状况进行分析;左传  等（2018）利用因子分析和聚类分析对我国31省市2015年人力资源能力状况进行了研究，指出影响人力资源能力的因素包括数量、人均支持、研发与产出、人口素质、人口自然增长和文化支持因子。本文采用因子分析和聚类分析方法，以2016年相关统计数据为基础，对我国31个省市的人力资源状况进行分析和评价。

2      指标构建

本文运用《中国统计年鉴——2017》以及各省市2017年统计年鉴中的数据，结合我国31个省市的人力资源情况，从人力资源数量、质量、潜力和分布4个方面构建人力资源状况评价指标体系，如表1所示。

3      因子分析

3.1   数据处理

本文先采用反向指标数据（总抚养比、文盲人口占15岁及以上人口比重）加负号的方法对数据进行归一化处理，然后用SPSS19.0软件对样本数据进行标准化处理。

3.2   KMO和Bartletts球形检验

本文采用SPSS19.0软件对样本数据进行KMO和Bartletts球形检验，结果得出KMO值为0.704，大于0.7;Bartletts球形检验的显著性水平为0.000，小于0.05，表明样本数据适合做因子分析。

3.3   提取公因子

本文采用主成分法提取公因子，从原始数据中提取的前2个公因子的特征值累计贡献率为72.458%，可用这2个主成分（分别用F1、F2表示）来代替表1 中14个指标对31个省市人力资源状况进行衡量，如表2所示。

3.4   因子旋转和因子命名

本文采用方差最大化正交旋转方法对成分矩阵进行因子旋转，旋转后因子成分矩阵如表3所示。

主成分F1在城镇人口比重、大学专科及以上比重等指标上具有较高的载荷系数，这几个指标反映的是文化支持对人力资源状况的影响，将主成分F1命名为文化支持因子。

主成分F2在人口数量、普通高等学校数量、教育支出等指标上具有较高的载荷系数，这几个指标反映的是人口基础性因素和社会物質性条件对人力资源状况的影响，将主成分F2命名为人口基础和社会物质因子。

3.5   得分及排名

根据成分得分系数矩阵（见表4），乘以各因子标准化数值，即可得出各省市在这两个公因子上的具体得分（见表5中的F1i、F2i）。

以每个主成分各自方差贡献率占总体方差累计贡献率的比重作为权重，再乘以各省市在这两个公因子上的具体得分，即可得出我国31个省市人力资源状况的综合得分及排名（见表5）。综合得分公式为：Fi=0.615 3F1i+0.384 7F2i（i=1，2，…，31）;F=F1+F2。

4      聚类分析

本文在因子分析的基础上，利用两个公因子进一步做聚类分析，方法为Ward法，度量标准区间为平方Euclidean距离。通过聚类分析，将31个省市人力资源状况分为5类。

第一类为北京、天津、上海。这3个直辖市在文化支持因子上具有绝对的优势，说明这3个直辖市人力资源发展潜力巨大。这3个直辖市在人口基础和社会物质因子上的得分较低，主要是因为这3个直辖市相比其他大部分省市而言，人口数量、普通高等学校数量、教育支出相对较少。

第二类为江苏、浙江、山东、广东。江苏、浙江在文化支持因子上的得分较高，而山东、广东在该因子上的得分一般，主要是因为山东、广东两省大学专科及以上比重比江苏、浙江要低些。这4个省在人口基础和社会物质因子上得分很高，说明这4个省人口基础好，社会物质条件能够很好地保障人力资源的发展。

第三类为福建、湖北、山西、陕西、重庆、吉林、黑龙江、内蒙古、辽宁。吉林、黑龙江、内蒙古、辽宁在文化支持因子上具有较大的优势，说明这4个省人力资源发展潜力较大;福建、湖北、山西、陕西、重庆在该因子上的得分处于中等水平，说明这5个省市人力资源发展潜力一般，主要是因为这5个省市在大学专科及以上比重比该类其余4个省要低些。这9个省市在人口基础和社会物质因子上的得分处于中等水平，说明这9个省市人口基础和社会物质保障一般。

第四類为湖南、四川、安徽、江西、河北、河南、甘肃、新疆、广西、云南、贵州。这11个省在文化支持因子上得分普遍较低，说明这11个省文化不能很好地支持人力资源的发展。湖南、四川、安徽、江西、河北、河南这6个省在人口基础和社会物质因子上的得分较高，而河南、甘肃、新疆、广西、云南、贵州这5个省在该因子上的得分较低，原因系这5个省在人口数量、普通高等学校数量及教育支出方面比该类其余6个省要少。

第五类为海南、宁夏、青海、西藏。这4个省在文化支持因子上得分位于中游或下游，在人口基础和社会物质因子上的得分最低，这4个省人力资源状况还有较大的发展空间。

5      结论与建议

通过以上的因子分析和聚类分析，可以得出以下结论：

（1）不同类地区之间人力资源发展状况差异较大

第一类地区人力资源总体得分为1.284 4，远高于其他四类地区。第二类地区4个省的第二主成分得分在我国各省市中处于领先地位，但其综合得分只有第一类地区的一半左右。第三类、第四类地区总体得分分别为0.021 8、-0.374 0，处于中等或中等偏下水平。第五类地区总体得分为-1.075 0，各类指标基本都落后于其他省市。

（2）同一类地区之间人力资源发展水平存在较大差异

第一类地区中，天津与北京、上海之间还存在一定的差距，总体得分分别只有北京和上海的66.18%和72.78%，主要是因为天津在文化支持因子上得分比此类中另外两个直辖市低。第二类地区中，江苏、浙江两省在文化支持因子上得分远高于广东和山东，但浙江在人口基础和社会物质因子上的得分还不及广东的一半。第三类地区中，辽宁、黑龙江、吉林、内蒙古在文化支持因子上得分较高，而湖北、福建在人口基础和社会物质因子上的得分较高。第四类地区中，四川、安徽、宁夏在文化支持因子上得分较高，而四川、河北、湖南、河南在人口基础和社会物质因子上的得分较高。第五类地区中，青海、海南在文化支持因子上得分较高，而新疆、海南在人口基础和社会物质因子上的得分较高。

针对不同类别的地区，本文提出以下建议：

第一类地区3个直辖市保持了人口的持续性、进一步优化了人口年龄结构，但相对于其他大部分省市而言，这3个直辖市在人口数量、普通高等学校数量、教育支出相对较少，今后需要加大教育投入，持续推进人力资源的开发，打造具有国际竞争实力的人才。

第二类地区人口基础大、社会物质基础丰富，江苏、浙江2省人口持续性、年龄结构较好，但山东、广东则相对较差，今后需提高当地的人力资源储备、优化年龄结构。

第三类地区、第四类地区、第五类地区人口持续性、负担能力、人口基础、社会物质基础一般或较差，今后不仅要继续加大资金投入，还要提高当地的人力资源储备，建立人力资源发展的长效机制。

主要参考文献

[1]杜丽婷. 基于因子与聚类分析的我国区域人力资源研究[J]. 开放教育研究，2008（10）：40-44.

[2]左传，赵文娟，蔡彦珠，等. 省域人力资源能力评价与比较研究——基于因子分析和聚类分析[J]. 商场现代化，2010（8）：70-73.

[3]陆远权，马垒信，何倩倩，等. 我国31省区人力资源状况比较研究——基于因子分析和聚类分析[J].科技与管理，2010（9）：117-120.