墨滴

张春成

V2

2023/04/15阅读：35主题：默认主题

来自 2018 的美国就业数据

来自 2018 的美国就业数据

本文是对美国 2018 年就业数据的搬运和简单可视化分析，该数据不仅是包括各行业门类，也包括这些门类中对不同教育水平人才的需求量和期望薪资，这些材料对青年的教育及就业选择极其重要。所谓“男怕入错行，三分钟带你选好专业”是也。本文使用的分析工具是 Tableau，开源地址如下

  • 来自 2018 的美国就业数据[1]
    • 数据来源及说明[2]
    • 数据可视化[3]
    • 附录：数据获取及归类的代码[4]

数据来源及说明

原始数据来自于开源发布的就业数据，它是立足于 2018 年的，并 2028 年的就业数据进行预测和分析的开源数据。我之所以选择该数据进行可视化绘图，是因为历史经验表明，美国的来路往往就是我国的去路，因此这些数据应该能够对今后的就业规律产生启发。另外，该数据不仅是包括各行业门类，也包括这些门类中对不同教育水平人才的需求量和期望薪资，教育各类分为四种（英文为原文，中文为意译）

  1. 研究生，Graduate degree
  2. 本科生，Four-year degree
  3. 专科或函授，Some college or two-year degree
  4. 高中及以下，High school diploma or less

这些材料对青年的教育及就业选择极其重要。所谓“男怕入错行，三分钟带你选好专业”是也。

该数据的官方权威说明如下：

The labor department figures, updated annually and released for 2018 to 2028 in late September[5], estimate 62,300 job openings each year through 2028. State economists expect 6.2% of those openings to be newly created positions, distinct from positions that come open as workers retire or change fields. Job openings created when workers change jobs within a profession aren’t included in these figures.

What jobs may come[6]

MT Dept. Labor & Industry job growth projections, 2018-2028[7]

数据可视化

本组数据可视化分析主要考察三个关键指标，它们分别是薪资、岗位数量和转换率，其中，薪资和岗位数量无须多言。需要额外说明的是所谓“转换率（turnover）”，它是一个综合指标，包括岗位数量的减少、岗位人员的转行等，简单来说它代表如果你进入了某个行业，那么你在未来 10 年内有多大的概率（被迫）失业或转行。再换句话说，如果岗位数量代表进入，那么转换率就代表流出。

本文使用的分析工具是 Tableau，开源地址如下，如果您觉得下面的图不清晰，请移步以下网址

首先，薪资和转换率之间的关系如下图，每个圆点代表某个细分行业，（下文如无特殊说明，均按此方式进行点的绘制），其中左图按照行业进行着色，右图按照就业人员的教育年限进行着色。它告诉我们两个事实

  1. 转换率越高，即行业转换率越高，则薪资越低；或者说行业薪资越低，则行业转换率越高；
  2. 薪资和转换率指标受到人员受教育指标的影响程度较大，受教育年限越长，则薪资越高。

之后的细节图是对上图的同义复现，不同的是按教育水平、行业将这些点横向分隔开

Snipaste_2023-04-15_10-54-27.png
Snipaste_2023-04-15_10-54-27.png
Snipaste_2023-04-15_10-54-36.png
Snipaste_2023-04-15_10-54-36.png
Snipaste_2023-04-15_10-54-44.png
Snipaste_2023-04-15_10-54-44.png

下图及数值表是各个行业、各种受教育水平人员的细分薪资数值和岗位数量。下图中每个圆球的大小代表该行业、人员教育水平下的总薪资；每个圆球的颜色代表岗位数量。它们体现了社会对受教育年限较长的人员提供的岗位虽然薪资较高，但绝对数量较少。

另外，各个行业的投资总量虽然大致持平，但由于就业人员的数量差异巨大，导致其中的竞争和薪资环境截然不同。因此，普通人的教育及就业选择应该优先图中浅色的大球，远离深色的小球。

Snipaste_2023-04-15_10-55-47.png
Snipaste_2023-04-15_10-55-47.png
Snipaste_2023-04-15_10-56-14.png
Snipaste_2023-04-15_10-56-14.png
Snipaste_2023-04-15_10-56-29.png
Snipaste_2023-04-15_10-56-29.png

附录：数据获取及归类的代码

data = {
  const sector_cats = {
    "Marketing": 'Services',
    "Business Management & Administration": 'Services',
    "Health Science": 'Healthcare',
    "Hospitality & Tourism": 'Services',
    "Architecture & Construction": 'Construction',
    "Transportation, Distribution & Logistics": 'Trade',
    "Human Services": 'Healthcare',
    "Education & Training": 'Education/Government',
    "Manufacturing": 'Manufacturing',
    "Finance": 'Services',
    "Agriculture, Food & Natural Resources": 'Natural Resources',
    "Law, Public Safety, Corrections & Security": 'Services',
    "Information Technology": 'Services',
    "Arts, Audio/Video Technology & Communications": 'Services',
    "Government & Public Adminstration": 'Education/Government',
    "Science, Technology, Engineering & Mathematics": 'Services',
  }
  
  const clean_ed_level = {
    // "No formal educational credential": 'Less than high school',
    "No formal educational credential": 'High school diploma or less',
    "High school diploma or equivalent": 'High school diploma or less',
    "Some college, post-HS training or Associate's degree": "Some college or two-year degree",
    "Bachelor's degree": "Four-year degree",
    "Master's degree": "Graduate degree",
    "Doctoral or professional degree": "Graduate degree",
  }
  
  
  const raw = await d3.json('https://gist.githubusercontent.com/eidietrich/0047db2bfcfae1543ff37c70474587d3/raw/51bcb25225d5517c40fc8328645973183ed140e6/trimmed-for-vis.json')
  raw.forEach(d => {
    d.openings = Math.round(d['Annual Openings 2018-2028'])
    d.ed_level_order = Object.keys(clean_ed_level).indexOf(d.ed_level)
    d.sector_cat = sector_cats[d.sector]
    d.ed_level = clean_ed_level[d.ed_level]
    // d.turnover = d['Annual Openings 2018-2028'] / d['Total Jobs 2018']
    d.turnover = (d['Annual Exits 2018-2028'] + d['Annual Transfers 2018-2028']) / d['Total Jobs 2018']
    d.yRef = 33900 // living wage standard
    // d.collisionSize = 4 // hack for beeswarm plot
  })
  
  return raw
}

参考资料

[1]

来自 2018 的美国就业数据: #来自-2018-的美国就业数据

 [2]

数据来源及说明: #数据来源及说明

 [3]

数据可视化: #数据可视化

 [4]

附录：数据获取及归类的代码: #附录数据获取及归类的代码

 [5]

released for 2018 to 2028 in late September: http://lmi.mt.gov/Publications/montana-employment-projections-2018-2028#726967736-labor-market-publications

 [6]

What jobs may come: https://montanafreepress.org/2019/10/04/what-jobs-may-come/

 [7]

MT Dept. Labor & Industry job growth projections, 2018-2028: https://observablehq.com/@eidietrich/mt-dept-labor-industry-job-growth-projections-2018-2028

分类：

后端

标签：

后端

作者介绍

张春成
V2