基于聚类分析的中国邮电产业业务分布研究
发布时间:2024-03-31 07:43  


  邮电业是国家重要的社会公用事业,也是现代服务业的重要组成部分,与我们日常的生活息息相关。为此,文章选取邮电行业2013各月份的数据,借助SPSS统计软件,先采用主成分分析的方法,挖掘各个月份各业务类型的内在联系,把8个业务类型转化3个主成分。再以这3个主成分为变量,对各个月份进行系统聚类分析,从而发现各月份具体业务量分布的差异,从而得出邮电经济业务水平的时间分布格局,为邮电产业的管理提供一定的依据。

 

  0 引 言

 

随着电子商务和科学技术的不断发展,邮电行业在人们日常生活中发挥着越来越大的作用,邮电产业在中国是具有中国特色的产业。在国内,高洁[1-2]首先采用多元模糊推理预测方法进行邮电业务总量预测的研究,通过模糊推理得到业务量预测结果,并将结果跟模糊神经元网络预测法的结果进行比较,明多元模糊推理预测方法是有效的。

 

而后她提出一种新的预测方法——可拓聚类预测方法,并用该方法进行邮电业务总量预测的研究,通过聚类分析得到邮电业务量预测值,结果明可拓聚类预测方法是有效的。袁正[3]1997年全国投入产出为基础,把国民经济整合成包括第一产业、第二产业、不包括邮电业的第三产业以及邮电业的四个部分。计算出直接消耗系数矩阵和列昂惕夫逆矩阵,并在此基础上分析邮电业的各种产业波及特性,如影响力、感应度、生产诱发系数、产值波及效应以及价格波及效应。

 

仲伟[4]在对邮电业基于发展变化的产业特性进行规范经济学分析的同时,着重利用投入产出这一有力的宏观经济分析工具进行定量考察,找出判断产业性质和国民经济部门间影响的事实数据。最后利用计量经济学方法依据现有资料尝试对今后几年邮电业及相关部门总产出、中间投入和最终投入的数值加以预测。张毕西等[5]以我国各地运输、邮电通信业就业人数分布为例来说明模糊聚类、判优与识别的应用,同时这种方法同样可用于各行各业就业分布情况的分析、归类。康国栋等[6]采用时间序列和空间差异相结合的方法,分析了近20年来我国邮电业的发展,通过对我国31个省区人均邮电业务量的分析,将其划分为5个等级,结果发现人均邮电业务量与人均GDP呈正相关关系。

 

在此基础上,以人口和人均GDF为变量,建立了我国邮电业的地域需求模型,发现科技进步和经济发展是我国各省区邮电需求的关键增长因素。曹小曙等[7]利用基尼系数,分析广东省邮电通信业务量19802006年的变化趋势,在此基础上,选取1985年、1995年和20053个时间断面,利用因子分析剖析邮电业务水平的空间分布格局,进而构建邮电通信发展指数P,反映各市的邮电通信发展速度。蔡亮亮[8]在灰色GM11模型的基础之上对全国邮电业务总量的数据进行了分析。

 

结合新陈代谢的方法,将修正后得到的GM11模型与马尔科夫链模型进行结合,提出了改进的灰色马尔科夫模型预测方法。利用改进后的灰色马尔科夫模型对全国邮电业务总量进行了预测,预测的结果明,采用改进后的灰色马尔科夫预测模型能够较准确地预测全国邮电业务总量的范围,预测值的精度和准确度都有了较大的提升,效果令人满意。

 

  关于邮电行业的研究不胜枚举,但对于邮电行业的时间分布的研究确实不多。为充分满足顾客需求,积极提高邮电行业的工作效率,加强人力资源的有效分配,掌握邮电行业每年的淡旺季和业务量的分布就显得尤为重要。因此,文章选取邮电行业2013年各月份的数据,结合主成分分析和聚类分析的统计方法,对2013年邮电行业业务的时间分布进行分析。

 

  1 指标选取和数据来源

 

  对于现有的邮电业务类型,诸如3G移动电话用户,正在飞速增长,没有很大的分析意义。为此,文章选取近年来发展比较稳定的业务类型:包件、快递、汇票、订销报纸累计数、定销杂志累计数、固定电话用户、移动电话用户和移动短信业务量。

 

  从国家统计局月度报中选取8个业务类型的全国2013112个月份的邮电业务的业务量。

 

  2 主成分分析

 

  运用SPSS[9],对20138个业务类型的月度数据进行因子分析,得出一系列指标及其对应图,并对其进行一一分析。其中用主成分[10]的方法,进行因子的抽取,缺失值使用均值进行替换。

 

  2.1 初始相关性

 

  本文选取的8个因素之间的初始相关性。如快递和固定电话用户(-0.851)、快递和移动电话用户(0.836)、快递和移动短信业务量(-0.815)、移动电话用户和固定电话用户(-0.996)之间的相关系数较大。且其对应的Sig值也较小(都为0.000),说明这4对对变量之间存在着较为显著的相关性,进而说明了有进行因子分析的必要。

 

  2.2 KMO检验和Bartlett球型检验

 

  KMO取值0.563尚可做因子分析。Bartlett 的球形度检验统计量的Sig=0.000<0.01,由此否定相关矩阵为单位阵的零假设,即认为各变量之间存在着显著的相关系,这与相关矩阵得出的结论相符。

 

  2.3 公因子方差

 

  知:所提取的公因子对于各个原始变量的解释效果不错。

 

  2.4 解释的总方差

 

  显示了各主成分解释原始变量总方差的情况。在实际应用中有些研究工作者习惯于保留特征值大于1的那些主成分,但这种方法缺乏完善的理论支持。在大多数情况下,当时即可使所选主成分保持信息总量的比重达到85%以上。在本文中看到当保留3个主成分为宜,这3个主成分集中了原始8个变量信息89.498%,可见效果是比较好的。保存主成分分析所得的3个公因子:FAC1_1FAC2_1FAC3_1

 

  3 系统聚类分析

 

  以这3个因子:FAC1_1FAC2_1FAC3_1为变量,对不同业务量的月份进行系统聚类分析。

 

  4 结论与建议

 

  对于聚类分析的结果,从宏观层面分析发现邮电行业是一个业务量偏稳定状态的行业。结果明,23月份业务量相对于其他月份出现了极大的偏差,但是就其本身来讲,各种业务量都很接近。结合中国的实际国情,人为地将这两类归结聚为一类,对邮电行业的整体业务偏稳定状态和23月份业务偏多的原因进行分析。

 

  对于邮电行业的整体业务偏稳定状态的原因有如下2点:

 

  (1)国家相关政策的支持。邮电业是国家重要的社会公用事业,也是现代服务业的重要组成部分,邮政业在促进国民经济和社会发展、保障公民基本通信权益等方面,发挥着十分重要的作用,受国家相关政策的保护。

 

  (2)邮电行业和铁路航空等交通运输业协作运营。随着电子商务的日益繁荣,各个行业也形成了较为稳定的协作关系。

 

  对于23月份业务偏多的原因有如下4点:

 

  (1)在每年的年初是企业上一年账务的结算和纳税的申报时期,这期间可能会有各公司向税务机关以及税务机关向企业寄送相关纳税申报材料。

 

  (2)从审计的角度考虑,在年初公司的账务也陆续进入年审阶段,在这期间各企业的审计项目组在对企业进行审计的过程中需要向与企业有业务往来的银行、供应商和主要客户进行函证和电话询问等。所有的函证业务是通过寄发征询函的方式,这也增加了邮电行业在这一时期的业务量。

 

  (3)年初节假日和商家的促销活动,增加了包件和快递的业务量。同时,节假日为忙碌的人们提供了交流问候的机会,使得电话短信的使用量急剧增加,也是邮电行业业务量猛增的原因之一。

 

  (4)受季节影响,年初气温偏低,人们更倾向于网上购物,增加的邮电的业务量。

 

  根据以上分析,可以给出如下建议:23月份,邮电行业处于旺季,可增派临时员工和临时物流车辆,增加窗口数,轮班倒岗,提高管理效率等方法以缓解旺季压力,更好地满足消费者需求。同时可以用提高奖金等激励措施来调动员工工作的积极性和提高服务质量。

 

  作者:成亚利 王波 来源:物流科技 201410

打印此文 关闭窗口
很牛学术网 联系我们 文献下载器
返回顶部
扫一扫