浅谈大数据在劳动统计中的应用

梅莉

摘 要：大数据的概念逐渐被我们认识，并在生产生活中应用。那么，大数据在具体的统计工作或者劳动统计工作中有什么样的应用和指导意义呢？本文对此进行了初步的探讨。

关键词：大数据;劳动统计

0 引言

大数据，相对于传统的数据模式，以数量的激增和多样化为特点。顾名思义，大数据就是海量的信息。

在信息大爆炸的时代，信息呈前所未有的几何性增长，在2003年到2012年产生的数据相当于2003年以前产生的500倍之多，而到2015年数据量还要增长3倍。并且，大数据还涵盖了许多人们无法统计的非典型性数据，比如声音、视频、图片、社交媒体评论和网站评述。

1 统计的概念

统计，是通过搜索、整理、分析、描述数据等手段，以达到推算所测对象本质的目的。大数据时代的统计首先以以下几个思维模式为前提：

1.1 不选择随机样本，而是全体数据。统计中随机采样是常用的方式，以用最少的数据获得更多的信息。采样分析的精准性取决于样本本身的选择而非采样的样本数量。其弊端在于实现绝对的随机性是非常困难的，一旦在采样过程中存在任何偏见，分析结果就会相去甚远。

1.2 更包容、更混杂。大数据一定要“大”，数据自然越多越好，无论是正确的数据还是错误的数据，这就决定了这些数据不够精确。并且，大数据并不筛选和纠错，简单的计算思路强调概率，海量的数据使错误的信息可以忽略不计。与传统的统计学中尽量避免错误的信息和样本的偏差不同，大数据的样本等于总体。

1.3 强调数据的关联性。大数据的数据庞大且繁杂，更强调相关关系，就是两个或多个数据间的数理关系。相关性告诉我们“是什么”，而不是“为什么”。作为一种特殊的相关关系，因果关系被证明需要更复杂的过程，耗费更多的精力。所以，只追求因果关系在大数据时代很困难，也很难提供更广阔的思路和视角。大数据需要相关关系来捕捉当下或预测未来。

2 大数据对统计分析方法发展的影响

大数据对统计分析方法的发展有什么影响吗？数据的变化和统计分析方法的发展程高度吻合的关系。

数据的变化经历了数据的产生、科学数据的形成和大数据的诞生。统计学的产生发展就是对科学数据进行研究的过程，其方法有：基于实验数据产生的概率论、分布理论、回归分析方法、小样本分布理论和假设检验方法;基于观察数据产生的误差正态分布、最小平方法、相关分析法;由于得不到全体的数据，人们通过总体中部分个体的数据，来达到认识总体特征、继而进行统计分析的目的，进而产生了多种具体的抽样调查方法，用尽量少的样本得到尽量精确的推断。

如今，随着进入智能化时代，数据的产生有了新的方法，各种设备每时每刻都产生大量的数据，不局限于最传统的纸媒，其形态也不局限于表格、文本。大数据的诞生必然不再像科学数据那样用传统的统计方法。由于采用全部数据，不强调因果关系，只是通过相关性发现存在的联系。庞大的数据无法通过目前的主流软件工具，在合理的时间内达到撷取、管理、处理、并整理成为决策的依据。其通过云计算采集数据、通过分布式处理技术处理数据、通过特定的存储技术（云）存储数据、通过感知技术形成结果。

3 劳动统计的概念

劳动统计，即及时、准确地收集、整理有关劳动资源配置、单位从业人员及劳动报酬等方面的资料，为决策层提供数据和决策依据。

大数据在一定程度上代表先进的生产力，也是未来的发展方向，在各个领域和行业都存在它的价值，在劳动统计方面势必也会发挥巨大的作用。因此，以下探讨几个大数据在劳动统计应用中的几个模型：

3.1 关于单位从业人员。从业人员是劳动统计的一个重要项目，是人力资源管理的主体。传统的劳动统计只就从业人员的数量进行统计，在类别划分上有按身份、按地域、按性别、按年龄、按学历、按技能等级等指标以判定从业人员的部分属性。并不能从从业人员的质量上全面掌握，大数据技术可以弥补这一空缺，根据设备终端数据的全面收集，比如，健康检测设备可以全面掌握从业人员的身体健康情况;从视频监控设备、服务质量评价仪等数据可以分析从业人员的工作熟练程度和工作态度，而不只是从考試结果或他人主观评价判定从业人员的技能等级或工作状态;根据GPRS数据可以得知其考勤情况等。每个从业人员身上都有多个标签，根据需要随时提取，不再重复调查和重复统计，并且可能发现不同标签之间的相关关系。

3.2 关于劳动报酬。在统计中，劳动报酬不只是个收入水平的问题，管理者更想知道收入水平与部门工种、劳动强度、工作质量之间的联系，以检验薪酬管理在制度方面规划是否合理。传统的统计方法将工作量进行量化，产生了以时间表示的工时定额、以产量表示的产量定额等。在分配过程中利用计件工资进行量化分配。所以，定额标准的制定直接影响劳动强度和工作量，计件工资的单价直接影响职工收入水平，其合理性在运用中逐步矫正，已达到相对平衡。在劳动报酬方面，大数据的应用可以表现为以下几个方面：①基于薪酬水平的应用：对不同线路、不同工种、劳动强度、对经营指标的贡献率等情况进行分析构建薪酬水平模型，以达到平衡薪酬水平的目的并对人员变化起到导向作用。②基于薪酬结构设计的应用：结合岗位评价系统，识别岗位差异，对工资结构中纳入考核的比例进行不同的测评，找到最为理想的考核比例。③基于职工满意度的应用：针对职工的诉求，利用文本挖掘技术，提取职工反馈的满意度信息，从而发现在薪酬设计中的缺陷或者某个群体的不合理。④基于人工成本和薪酬预算的应用：利用实时成本监控系统，对人工成本，尤其是外购劳务部分，敏捷发现人工成本支出与收入利润的匹配情况，在成本允许支出范围内合理薪酬水平。

3.3 劳动资源配置方面。无论是人员配备还是薪金设计，其目的都是劳动效率的提高。劳动生产率是劳动效率的重要指标，是传统统计方法对劳动效率的诠释。在大数据时代，统计不再拘泥于一个或多个指标，而是在现行的劳动生产过程中发现问题，可能是具有某一类特质的团队领导直接影响整个团队完成工作的进度;也可能是由于季节变化影响某个阶段生产任务变化，导致了阶段性的冗员，如何优化人员配备，需要从大量历史数据中发现相关关系。大量的数据和不能量化的因素是传统统计学无法做到的，不拘泥于量化指标和因果关系使大数据摆脱统计方法的局限，发现更多意想不到的关联，这种关联的价值在于能实现最优的资源配置。