探析数据挖掘技术在经济统计中的应用

王致远

摘 要：本文对数据挖掘技术进行简要介绍，并对技术特点进行分析，最后阐述其在研究生招生信息挖掘中的应用流程与方法，通过确定目标、数据准备、数据挖掘、数据评估等对有意义、有价值的统计信息进行挖掘，力求能够对经济统计有所帮助。

关键词：数据挖掘技术;经济统计;应用方法

一、数据挖掘技术简介

数据挖掘技术的应用原理较为简单，主要是将原本复杂的数据进行精简，然后将有价值的、满足实际需求的信息提取出来，经过整理与分析后进行利用，达到提高数据利用率的目的。该技术在应用中需要先进技术的支持，如模糊概念、模块识别、数据库系统、知识筛选技术等，通过相应算法的应用，使原始数据得到有效的挖掘整理，最终形成一套简洁明了的统计数据，为使用者的数据提取与应用提供极大的便利[1]。

二、经济统计中数据挖掘技术的特点

（一）工作效率较高

在经济统计方面，数据挖掘技术的应用具有较大优势，受该技术自身特点影响，与其他技术相比，在工作效率方面的优势较为显著。该技术作为一种新型的数据深加工技术，自身的目的性较强，在实际应用中，通常以两种形式展现，一是对经济类数据的高效处理，二是对现有数据的高效处理，无论二者中的哪一种，均可在经济统计领域中得以充分体现，呈现出较强的高效性。

（二）拥有充足的数据支持

将数据挖掘技术引入经济统计中，其对宏观数据具有较强的适应性，如同拥有一个展示功能的平台，以更加新颖、高效的方式展示自身特性。在经济统计领域中，对数据分析的准确性有严格的要求，并且在处理速度方面也有规定，而挖掘技术的应用刚好能满足这一条件，它拥有充足的数据支持，经过分析和统计的数据更加科学高效。

（三）综合应用性良好

现阶段，数据挖掘技术逐渐渗透到诸多领域，具有较强的综合应用性能，主要体现在数据物理分析、经济统计、数学统计等方面。该技术蕴含较大的挖掘能力、统计能力，还具有强大的自动分析与统计作用，可帮助使用者良好高效地完成数据处理工作。将该技术应用到经济统计中，在经济数据挖掘、整理与归类等方面发挥极大作用，为使用者的工作带来极大的便利[2]。

三、经济统计中数据挖掘技术的应用

（一）应用流程

1.确定目标。在数据挖掘技术应用的初始时期，应由经济领域的专家学者对被挖掘的数据进行目标定位，定位效果对数据挖掘结果具有决定性作用。可见，初始目标确定不可忽视，应在定义的过程中，对算法进行推算，确保目标准确无误。此外，定义要求是在现实需求的基础上推理而成。

2.数据准备。在挖掘技术应用中，数据准备十分关键，且花费的时间最长，主要分为三个阶段来完成，即数据选取、数据处理与变化分析。在数据选取方面，可将宏观数据库中的全部信息进行筛选，并定义为目标区数据;在数据处理中，对排列后的信息进行初步筛选，所选择的数据应与要求相符;在变换分析方面，针对选取出的数据进行精简，属于数据深入选取，最后得出与目标相符的信息。

3.数据挖掘。该阶段的主要目标在于預定算法，利用合理的算法对变换的数据源进行选择后，再进行深入挖掘。在算法初步预定完成后，便可开展数据模块计算，该流程需要专家与专业挖掘人员来完成，因此该项工作也是挖掘的核心所在。

4.数据评估。通过上述步骤的实施得出最终结果，由使用者对该结果进行分析，将分析结果全面展示出来，并对数据价值进行评估，经过严格的选取后将有意义、有价值的信息保存下来，将无效信息剔除。若经过上述操作后得出的数据与要求不符，系统将自动返回上一步，如此反复循环，直至数据与要求相符。

（二）对研究生招生信息的挖掘

在本文研究中对浙江宁波考点的报考数据（2015—2019年）进行数据挖掘与分析，主要采用以下几种挖掘技术。

1.预处理方法。在应用预处理方法时，需结合数据挖掘技术，才可实现预期目标，对当地研究生招生信息进行深入有效的挖掘。在数据预处理过程中，可采用均值处理的方式，将数据中的噪声和数据点空值剔除，数据中的空白得到弥补。当挖掘系统的基础数据结构完善时，统计分析数据的真实准确性才可得到切实保障，数据点取值公式为：

式中，Ci代表的是数据点空值;k代表的是实际权值。在采用平滑法进行数据处理时，可对数据空值与噪声值进行统一计算，并与加权平均数机制融合，对数据影响权重值进行提取，确保实际计算结果真实可靠。

2.集成处理法。该方法主要体现在两个层面，一是冗余问题，二是模式集成。在挖掘研究生招生信息时会对数据进行集成处理，为后续工作提供便利。同时，对于经过预处理后的信息应进行冗余清除，确保数据库中信息量处于较低的水平。对模式集成来说，经济活动中的数据量庞大、类型众多，应系统地对经济数据集成结果进行处理，在应用挖掘技术时，对比元数据模块，使识别率得到切实的保障，与质量标准规定相符合。在冗余问题方面，从本质上来看，数据挖掘属于深加工过程，要想提高信息价值，应构建技术模型，对正向关系进行精简，对冗余属性进行综合分析，使数据得到细化处理。以研究生招生信息为例，利用报考学位类别与生源地进行计算，需要对数据进行精简，公式为：

式中，rAB代表的是冗余属性;A与B属性的平均值可用与来表示;σA与σB代表的是A与B属性的标准方差。如若所得的rAB数值超过0，则二者属性为正比例关系;如若rAB的数值为0，说明二者无直接联系，即处于独立状态;如若所得的rAB数值小于0，则二者属性为反比例关系，且rAB的绝对值越大，说明二者间的关系越紧密。

3.决策树法。决策树属于应用较为频繁的方法，先利用训练集构建决策树，在此基础上进行数据分类，还应做好后面的“剪枝”工作。在决策树结构建立时，可从两个方面着手：一方面，构建数据输出模型，利用训练集建立决策树，并对其进行精简;另一方面，针对已经建成的决策树，应进行数据分类，从树根处开始，由下至上到达树枝。在应用过程中，应充分发挥训练集的作用，立足于实际问题与参数，科学有效地构建可行性的分析方法，在较短的时间内构建数据分析模型。同时，还应利用决策树对数据进行归类，使递归优势得到充分发挥，可输出与归类要求相符的数据。通过数据挖掘可知，在报考专业硕士学位中，主要集中在以下几个专业：工程硕士为53%，教育硕士为5.3%，公共管理硕士为6.0%，法律硕士为7.7%，农业推广为6.0%。值得注意的是，归类条件较为严格，在节点数据的级别相同时，处于停止条件，在具有分类属性时，对输入数据进行二次分割，即停止分类。在此过程中，利用决策树完成数据统计，定期进行“剪枝”，规避起伏影响，最大限度地提高数据稳定性与实效性。

综上所述，在现代化经济发展中，经济统计价值逐渐提升，需要积极引入数据挖掘技术，立足于市场实际情况，挖掘和分析有意义、有价值的信息，构建有效性较强的经济决策，为经济统计活动的开展提供充足的信息支持，促进数据挖掘技术的不断更新优化，为国内市场经济稳健发展贡献更多的力量。

参考文献

[1]董静.试析数据挖掘技术在经济统计中的应用[J].商，2018（31）：227-228.

[2]张丽丽.试析数据挖掘技术在经济统计中的应用[J].中国商贸，2018（01）：13-14.