CN104077448A - 一种基于就业网络视角的城市就业空间分析方法 - Google Patents

Abstract

本发明公开了一种基于就业网络视角的城市就业空间分析方法，包括以下步骤：1)将统计区域划分为n个统计单元；2)获取统计单元中不同职业的就业人口数据；3)确定城市就业网络关联评价指标；4)构筑城市就业网络关联评价模型，包括各统计单元间的就业网络关联强度模型和各统计单元在就业网络中的关联层级模型；5)将步骤2)得到的就业人口数据输入步骤4)建立的就业网络的关联强度模型和就业网络的关联层级模型，得到量化的就业网络关联指标。本发明的基于就业网络视角的城市就业空间分析方法，建构了就业网络指标体系，构筑了简单、直观的就业网络关联模型，弥补了传统就业密度分析法和中心识别方法对于就业空间整体结构描述、空间内部相互关联分析等方面的不足，可直接用于城市就业空间分析，反映城市就业空间分布。

Description

一种基于就业网络视角的城市就业空间分析方法

技术领域

本发明属于就业空间布局领域，涉及一种基于就业网络视角的城市就业空间分析方法及装置。

背景技术

就业空间布局主要反映城市的经济特征，在不同的经济发展阶段，城市就业空间会呈现出不同的分布形态，表现出明显的经济规律。因而城市就业空间的分析对于解释城市在特定时点或某一时期的发展水平具有重要的作用。我国作为一个发展中国家，城市发展自改革开放以来已出现明显变化，其最突出的表现之一就是城市就业空间的快速扩张，内部空间相互作用的显著增强。

早期就业空间研究与产业空间的分布关系密切(Thunen，1826；Weber，1909)，其后基于城市就业空间与城市人口空间布局的相似性，很多国外学者采纳了传统城市人口空间结构的研究方法(如密度方法)来测度城市就业空间分布及其变动情况。90年代后随着新郊区化进展，城市形成多核心的就业结构特征，就业空间的研究开始关注城市就业中心及次中心分析，用以更为精确地描述城市中就业的分布特征。国内既有就业空间研究多为实证性研究，多数学者利用统计数据通过测算就业密度等方法对上海(吴文钰等，2006；)、北京(王玮，2009)、深圳(曾海宏等，2010)、南京(王波、甄峰，2010；王慧、吴晓，2014)等地就业空间布局进行研究；也还部分学者以北京(谷一桢等，2009)、广州(蒋丽等，2009)、上海(秦波等，2010)为例对城市就业中心及次中心进行识别并探讨改进识别方法。

总体来看，现有国内外相关的城市就业空间分析主要基于就业密度分析和的中心识别方法来测度城市就业空间布局。就业密度分析是就业空间分布测量的基本指标，可直观反映是就业空间分布，但其在深层刻画城市就业空间分布方面具有一定的局限性。中心识别方法主要用于分析城市就业空间的中心性、城市内部间的空间相互作用及其范围作用形式，但其在就业空间整体结构描述、空间内部相互关联分析等方面有所欠缺。

因此，需要一种新的城市就业空间分析方法以解决上述问题。

发明内容

本发明的目的是针对现有技术中城市就业空间分析方法的缺点，提供一种基于就业网络视角的城市就业空间分析方法。

为实现上述发明目的，本发明基于就业网络视角的城市就业空间分析方法可采用如下技术方案：

一种基于就业网络视角的城市就业空间分析方法，包括以下步骤：

1)、将统计区域划分为n个统计单元；

2)、获取步骤1)中得到的n个所述统计单元中不同职业的就业人口数据；

3)、确定城市就业网络关联评价指标，所述城市就业网络关联评价指标由就业值V_ai进行测度，其中，所述就业值V_ai由下式表示：

$V_{\mathrm{ai}}=\frac{D_{\mathrm{ai}}}{\mathrm{Avg}\left(D_{\mathrm{ai}}\right)(i=\mathrm{1,2,3}...,n)}\×\frac{G_{\mathrm{ai}}}{\mathrm{Avg}\left(G_{\mathrm{ai}}\right)(i=\mathrm{1,2,3}...,n)}\×\frac{F_{\mathrm{ai}}}{\mathrm{Avg}\left(F_{\mathrm{ai}}\right)(i=\mathrm{1,2,3}...,n)}$

式中，n为统计单元个数，V_ai表示职业i在统计单元a的就业值，D_ai表示在统计单元a中从事i职业的就业人口的就业密度，G_ai表示统计单元a中从事i职业的就业人口占总体从事i职业的就业人口的比重，F_ai表示统计单元a中从事i职业的就业人口占统计单元a总体就业人口的比重；

4)、构筑城市就业网络关联评价模型，所述城市就业网络关联评价模型包括各统计单元间的就业网络关联强度模型和各统计单元在就业网络中的关联层级模型，其中，

5)、将步骤2)得到的就业人口数据输入步骤4)建立的所述就业网络关联强度模型和就业网络的关联层级模型，得到量化的就业网络关联指标L_ab和L_a，其中，L_ab表示统计单元a与统计单元b的就业关联强度，L_a表示统计单元a在就业网络中的关联层级。

其中，步骤3具体为：

步骤3.1：确立就业网络关联概念。如果就业人口在不同的统计单元从事同一职业，则认为上述就业人口所在的统计单元之间存在一定的就业网络关联。

步骤3.2：明确就业网络关联指标含义。在n个统计单元中，就业人口从事m种职业，统计单元a的就业值被定义为在该统计单元在整个就业网络的重要程度，并具体的用V_ai来表示i职业在统计单元a的就业值。

步骤3.3：确立就业值的基本指标。在描述i职业在统计单元a的就业值时，将在统计单元a从事i职业的就业人口的就业密度(D_ai)、统计单元a从事i职业的就业人口占总体从事i职业的就业人口的业比重(G_ai)、统计单元a从事i职业的就业人口占统计单元a总体人口的就业比重(F_ai)作为三个基本指标。

步骤3.4分别对三个基本指标进行去量纲的标准化处理；

${\mathrm{Id}}_{\mathrm{ai}}=\frac{D_{\mathrm{ai}}}{\mathrm{Avg}\left(D_{\mathrm{ai}}\right)(i=\mathrm{1,2,3}...,n)},$

${\mathrm{Ig}}_{\mathrm{ai}}=\frac{G_{\mathrm{ai}}}{\mathrm{Avg}\left(G_{\mathrm{ai}}\right)(i=\mathrm{1,2,3}...,n)},$

${\mathrm{If}}_{\mathrm{ai}}=\frac{F_{\mathrm{ai}}}{\mathrm{Avg}\left(F_{\mathrm{ai}}\right)(i=\mathrm{1,2,3}...,n)},$

步骤3.5：确立就业值V_ai的表达式；

V_ai＝Id_ai×Ig_ai×If_ai，

即,

$V_{\mathrm{ai}}=\frac{D_{\mathrm{ai}}}{\mathrm{Avg}\left(D_{\mathrm{ai}}\right)(i=\mathrm{1,2,3}...,n)}\×\frac{G_{\mathrm{ai}}}{\mathrm{Avg}\left(G_{\mathrm{ai}}\right)(i=\mathrm{1,2,3}...,n)}\×\frac{F_{\mathrm{ai}}}{\mathrm{Avg}\left(F_{\mathrm{ai}}\right)(i=\mathrm{1,2,3}...,n)}$

式中，n为统计单元个数，V_ai来表示i职业在统计单元a的就业值，D_ai表示在统计单元a从事i职业的就业人口的就业密度，G_ai表示统计单元a从事i职业的就业人口占总体从事i职业的就业人口的比重，F_ai表示统计单元a从事i职业的就业人口占统计单元a总体就业人口的比重。

更进一步的，步骤4)中各统计单元间的就业网络关联强度模型用L_ab表示，其表达式为：

$L_{\mathrm{ab}}={\mathrm{\Σ}}_{i=1}^m\frac{V_{\mathrm{ai}}}{\mathrm{Avg}\left(V_{\mathrm{ai}}\right)(i=\mathrm{1,2,3}...,n)}\×\frac{V_{\mathrm{bi}}}{\mathrm{Avg}\left(V_{\mathrm{bi}}\right)(i=\mathrm{1,2,3}...,n)}$

式中，L_ab表示统计单元a与统计单元b的就业关联强度，m为职业种数，n为统计单元个数，即在n个统计单元中，就业人口从事m种职业，V_ai为i职业中统计单元a的就业值，V_bi为i职业中统计单元b的就业值。

更进一步的，步骤4)中各统计单元在就业网络中关联层级模型用L_a表示，其表达式为：

$L_a={\mathrm{\Σ}}_{i=1}^m\frac{{\mathrm{\Σ}}_{j=1}^n(V_{\mathrm{ai}}\×V_{\mathrm{ji}})}{\mathrm{Avg}\left[{\mathrm{\Σ}}_{j=1}^n(V_{\mathrm{ai}}\×V_{\mathrm{ji}})\right](i=\mathrm{1,2,3}...,n)}$

式中，L_a表示统计单元a在就业网络中的关联层级，m为职业种数，n为统计单元个数，即在n个统计单元中，就业人口从事m种职业，V_ai为i职业中统计单元a的就业值，V_ji为i职业中统计单元j的就业值。

其中，步骤4具体为：

步骤4.1：确立分职业的各统计单元间的就业网络关联强度模型。

所有统计单元(n)和所有职业(m)构成n×m的就业关联值矩阵V。则i职业中，统计单元a与统计单元b的就业网络关联量L_abi即可表示在i职业中统计单元a与统计单元b的就业网络关联强度。其表达式为：

L_abi＝V_ai×V_bi

式中，V_ai为i职业中统计单元a的就业值；V_bi为i职业中统计单元b的就业值；

步骤4.2：确立分职业的各统计单元在就业网络中的关联层级模型。

i职业中，统计单元a在区域网络中与其他统计单元的总关联量L_ai即可表示在i职业中统计单元a在就业网络中的关联层级。其表达式为：

$L_{\mathrm{ai}}={\mathrm{\Σ}}_{j=1}^n{L}_{\mathrm{aji}}(a\≠j)$

式中，L_aij表示i职业中统计单元a与统计单元j的就业网络关联量，即

L_aji＝V_ai×V_ji；

步骤4.3：确立各统计单元间的就业网络关联强度模型。

统计单元a、b间的就业关联量L_ab即可表示统计单元a与统计单元b的就业网络关联强度。其表达式为：

$L_{\mathrm{ab}}={\mathrm{\Σ}}_{i=1}^m{\mathrm{IL}}_{\mathrm{abi}}$

式中，IL_abi为L_abi去量纲化后的标准值，即

${\mathrm{IL}}_{\mathrm{abi}}=\frac{V_{\mathrm{ai}}}{\mathrm{Avg}\left(V_{\mathrm{ai}}\right)(i=\mathrm{1,2,3}...,n)}\×\frac{V_{\mathrm{bi}}}{\mathrm{Avg}\left(V_{\mathrm{bi}}\right)(i=\mathrm{1,2,3}...,n)}.$

即得到各统计单元间的就业网络关联强度模型表达式为：

$L_{\mathrm{ab}}={\mathrm{\Σ}}_{i=1}^m\frac{V_{\mathrm{ai}}}{\mathrm{Avg}\left(V_{\mathrm{ai}}\right)(i=\mathrm{1,2,3}...,n)}\×\frac{V_{\mathrm{bi}}}{\mathrm{Avg}\left(V_{\mathrm{bi}}\right)(i=\mathrm{1,2,3}...,n)}$

式中，L_ab表示统计单元a与统计单元b的就业关联强度。m为职业种数，n为统计单元个数，即在n个统计单元中，就业人口从事m种职业。V_ai为i职业中统计单元a的就业值，V_bi为i职业中统计单元b的就业值。

步骤4.4：确立各统计单元在就业网络中的关联层级模型。

统计单元a在区域网络中与其他统计单元的总关联量L_a即可表示统计单元a的就业网络关联层级。

$L_a={\mathrm{\Σ}}_{i=1}^m{\mathrm{IL}}_{\mathrm{ai}},$

式中，IL_ai为L_ai去量纲化后的标准值，即

即得到各统计单元的就业网络关联层级模型表达式为：

$L_a={\mathrm{\Σ}}_{i=1}^m\frac{{\mathrm{\Σ}}_{j=1}^n(V_{\mathrm{ai}}\×V_{\mathrm{ji}})}{\mathrm{Avg}\left[{\mathrm{\Σ}}_{j=1}^n(V_{\mathrm{ai}}\×V_{\mathrm{ji}})\right](i=\mathrm{1,2,3}...,n)}$

式中，L_a表示统计单元a在就业网络中的关联层级。m为职业种数，n为统计单元个数，即在n个统计单元中，就业人口从事m种职业。V_ai为i职业中统计单元a的就业值，V_ji为i职业中统计单元j的就业值。

更进一步的，还包括将量化数据进行可视化输出步骤，根据步骤5)中得到的量化的统计单元a与统计单元b的就业关联强度L_ab进行等级划分，将分级结果投射至空间单元上；根据步骤5)中得到的量化的统计单元a在就业网络中的关联层级L_a将统计单元进行聚类分级，将分级结果投射至空间单元上。

其中，将量化数据进行可视化输出步骤具体为：

步骤6.1：就业网络关联层级可视化输出。

步骤6.1.1：运用SPSS软件，根据L_a值将统计单元的进行聚类(HierarchialCluster，Ward’s聚类法)分级。

步骤6.1.2：运用GIS软件，将分级结果投射至空间单元上，由此将就业网络关联层级进行空间图示。

步骤6.2：就业网络关联强度可视化输出。

步骤6.1.1根据L_ab值，将统计单元的就业关联强度进行等级划分。

步骤6.1.2:将分级结果投射至空间单元上，由此将就业网络关联强度进行空间图示。

有益效果：本发明的基于就业网络视角的城市就业空间分析方法，建构了就业网络指标体系，构筑了简单、直观的就业网络关联模型，弥补了传统就业密度分析法和中心识别方法对于就业空间整体结构描述、空间内部相互关联分析等方面的不足，可直接用于城市就业空间分析，反映城市就业空间分布。

附图说明

图1为本发明实施例1的流程图；

图2为本发明实施例1的就业网络关联层级分级结果；

图3为本发明实施例1的就业网络关联层级空间图示；

图4为本发明实施例1的就业网络关联强度分级结果；

图5为本发明实施例1的就业网络关联强度空间图示。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

以下将结合南京市主城区外来务工人员就业网络分析和附图来详细地说明本发明的技术方案。

实施例1

图1为本发明实施例的流程图；本方法包括如下步骤：

步骤1：获取南京市主城区地图资料，根据行政区划将主城区分为44个统计单元；

步骤2：获取44个统计单元内分职业的外来务工人员的就业人口数据；

步骤3：确定外来务工人员的城市就业网络关联评价指标，由就业值Vai进行测度，其表达式为：

$V_{\mathrm{ai}}=\frac{D_{\mathrm{ai}}}{\mathrm{Avg}\left(D_{\mathrm{ai}}\right)(i=\mathrm{1,2,3}...,n)}\×\frac{G_{\mathrm{ai}}}{\mathrm{Avg}\left(G_{\mathrm{ai}}\right)(i=\mathrm{1,2,3}...,n)}\×\frac{F_{\mathrm{ai}}}{\mathrm{Avg}\left(F_{\mathrm{ai}}\right)(i=\mathrm{1,2,3}...,n)}$

式中，n为统计单元个数，V_ai来表示从事i职业的外来务工人员在统计单元a的就业值，D_ai表示在统计单元a从事i职业的外来务工人员的就业人口密度，G_ai表示统计单元a从事i职业的外来务工人员占总体从事i职业的外来务工人员的比重，F_ai表示统计单元a从事i职业的外来务工人员占统计单元a总体外来务工人员的比重。

步骤4：构筑城市就业网络关联评价模型。包括各统计单元间的就业网络关联强度模型和各统计单元在就业网络中的关联层级模型。

各统计单元间的就业网络关联强度模型用Lab表示，其表达式为：

$L_{\mathrm{ab}}={\mathrm{\Σ}}_{i=1}^m\frac{V_{\mathrm{ai}}}{\mathrm{Avg}\left(V_{\mathrm{ai}}\right)(i=\mathrm{1,2,3}...,n)}\×\frac{V_{\mathrm{bi}}}{\mathrm{Avg}\left(V_{\mathrm{bi}}\right)(i=\mathrm{1,2,3}...,n)}$

式中，L_ab表示统计单元a与统计单元b的就业关联强度。m为外来务工人员所从事的职业种数，n为统计单元个数，即在n个统计单元中，外来务工人员从事m种职业。V_ai为i职业中统计单元a的就业值，V_bi为i职业中统计单元b的就业值。

各统计单元在就业网络中关联层级模型用La表示，其表达式为：

$L_a={\mathrm{\Σ}}_{i=1}^m\frac{{\mathrm{\Σ}}_{j=1}^n(V_{\mathrm{ai}}\×V_{\mathrm{ji}})}{\mathrm{Avg}\left[{\mathrm{\Σ}}_{j=1}^n(V_{\mathrm{ai}}\×V_{\mathrm{ji}})\right](i=\mathrm{1,2,3}...,n)}$

式中，L_a表示统计单元a在就业网络中的关联层级。m为外来务工人员所从事的职业种数，n为统计单元个数，即在n个统计单元中，外来务工人员从事m种职业。V_ai为i职业中统计单元a的就业值，V_ji为i职业中统计单元j的就业值。

步骤5：将外来务工人员的就业人口数据输入所建立的就业网络关联强度模型和就业网络的关联层级模型，得到量化的就业网络关联指标L_ab和L_a。

步骤6：将量化数据进行可视化输出。

步骤6.1：就业网络关联层级可视化输出。

步骤6.1.1：运用SPSS软件，根据L_a值将44个统计单元的进行聚类(Hierarchial Cluster，Ward’s聚类法)分级，将南京市外来务工人员就业网络关联层级聚为7类，由此将就业网络关联层级分级，如图2所示。

步骤6.1.2：运用GIS软件，将分级结果投射至空间单元上，由此将就业网络关联层级分级进行空间图示，如图3所示。

步骤6.2：就业网络关联强度可视化输出。

步骤6.1.1根据各统计单元的L_a值分级，撷取前4个层级统计单元(前15位)之间的就业网络关联量列表，并依照L_ab值，提取前5‰、10‰、20‰的就业网络关联强度，将统计单元的就业关联强度划分为3种等级，如图4所示。

步骤6.1.2:将分级结果投射至空间单元上，由此将就业网络关联强度进行空间图示，如图5所示。

对空间图示进行解读，通过南京市主城区外来务工人员的就业网络关联层级和就业网络关联强度明晰外来务工人员就业空间格局。结果显示：

南京市外来务工人员的就业网络高层级单元在主城中南部呈现出以夫子庙街道为中心的集聚区域，在主城北部边缘区则呈现出以阅江楼、迈皋桥街道联动集中的集聚区域；即南京市外来务工人员的就业节点形成“南北双峰”的分布特征。

南京市外来务工人员的的就业网络关联强度构成相对复杂，对关联量为前5‰的关联对进行分析，这些强关联对均发生在不同统计单元之间，没有明确的指向性和集中性；对关联量为前10‰的关联对进行分析，关联主要集中于北部区域，此时主城北部关联对的集聚特征逐步显现；进一步分析关联量为前20‰的区域关联对，关联主要集中于南部区域，此时主城南部区域关联对体现出明显的集聚特征。即外来务工人员就业网络中的主要节点构成的“南北双峰”的就业空间集聚区域，具体呈现出北部“少区域、强关联”与南部“多区域、弱关联”的关联特征。

Claims (4)

1.一种基于就业网络视角的城市就业空间分析方法，其特征在于：包括以下步骤：

1)、将统计区域划分为n个统计单元；

2)、获取步骤1)中得到的n个所述统计单元中不同职业的就业人口数据；

3)、确定城市就业网络关联评价指标，其中，所述城市就业网络关联评价指标由就业值V_ai进行测度，其中，所述就业值V_ai由下式表示：

$V_{\mathrm{ai}}=\frac{D_{\mathrm{ai}}}{\mathrm{Avg}\left(D_{\mathrm{ai}}\right)(i=\mathrm{1,2,3}...,n)}\×\frac{G_{\mathrm{ai}}}{\mathrm{Avg}\left(G_{\mathrm{ai}}\right)(i=\mathrm{1,2,3}...,n)}\×\frac{F_{\mathrm{ai}}}{\mathrm{Avg}\left(F_{\mathrm{ai}}\right)(i=\mathrm{1,2,3}...,n)}$

式中，n为统计单元个数，V_ai表示职业i在统计单元a的就业值，D_ai表示在统计单元a中从事i职业的就业人口的就业密度，G_ai表示统计单元a中从事i职业的就业人口占总体从事i职业的就业人口的比重，F_ai表示统计单元a中从事i职业的就业人口占统计单元a总体就业人口的比重；

4)、构筑城市就业网络关联评价模型，所述城市就业网络关联评价模型包括各统计单元间的就业网络关联强度模型和各统计单元在就业网络中的关联层级模型；5)、将步骤2)得到的就业人口数据输入步骤4)建立的所述就业网络关联强度模型和就业网络的关联层级模型，得到量化的就业网络关联指标L_ab和L_a，其中，L_ab表示统计单元a与统计单元b的就业关联强度，L_a表示统计单元a在就业网络中的关联层级。

2.根据权利要求1所述的基于就业网络视角的城市就业空间分析方法，其特征在于：步骤4)中各统计单元间的就业网络关联强度模型用L_ab表示，其表达式为：

$L_{\mathrm{ab}}={\mathrm{\Σ}}_{i=1}^m\frac{V_{\mathrm{ai}}}{\mathrm{Avg}\left(V_{\mathrm{ai}}\right)(i=\mathrm{1,2,3}...,n)}\×\frac{V_{\mathrm{bi}}}{\mathrm{Avg}\left(V_{\mathrm{bi}}\right)(i=\mathrm{1,2,3}...,n)}$

式中，L_ab表示统计单元a与统计单元b的就业关联强度，m为职业种数，n为统计单元个数，即在n个统计单元中，就业人口从事m种职业，V_ai为i职业中统计单元a的就业值，V_bi为i职业中统计单元b的就业值。

3.根据权利要求1所述的基于就业网络视角的城市就业空间分析方法，其特征在于：步骤4)中各统计单元在就业网络中关联层级模型用L_a表示，其表达式为：

$L_a={\mathrm{\Σ}}_{i=1}^m\frac{{\mathrm{\Σ}}_{j=1}^n(V_{\mathrm{ai}}\×V_{\mathrm{ji}})}{\mathrm{Avg}\left[{\mathrm{\Σ}}_{j=1}^n(V_{\mathrm{ai}}\×V_{\mathrm{ji}})\right](i=\mathrm{1,2,3}...,n)}$

式中，L_a表示统计单元a在就业网络中的关联层级，m为职业种数，n为统计单元个数，即在n个统计单元中，就业人口从事m种职业，V_ai为i职业中统计单元a的就业值，V_ji为i职业中统计单元j的就业值。

4.根据权利要求1所述的基于就业网络视角的城市就业空间分析方法，其特征在于：还包括将量化数据进行可视化输出步骤，根据步骤5)中得到的量化的统计单元a与统计单元b的就业关联强度L_ab进行等级划分，将分级结果投射至空间单元上；根据步骤5)中得到的量化的统计单元a在就业网络中的关联层级L_a将统计单元进行聚类分级，将分级结果投射至空间单元上。