2024年需求职业

2024年需求中的职业技术报告总结

核心观点与方法

本报告旨在分析英国2020年职业分类（SOC）四位码单位群组级别的职业需求，通过七个劳动力市场指标构建需求指数，并使用K-means聚类方法识别职业群体特征。报告排除了数据缺失或异常的职业，并对指标进行加权处理以计算总体需求指数。

关键指标与权重

七个需求指标包括：

1. 签证申请密度：反映外籍劳动力需求。
2. 技能短缺空缺密度：衡量技能短缺职位占比。
3. 网上招聘广告密度：体现市场招聘活跃度。
4. 小时工资的同比变化：反映薪资增长趋势。
5. 工资溢价：比较职业内部薪资相对水平。
6. 工作时间的同比变化：体现工时变动情况。
7. 临时工或合同工的同比变化：反映用工模式调整。

指标权重分别为：签证申请密度（0.25）、技能短缺空缺密度（0.5）、网上招聘广告密度（0.25），其余指标权重为0。

研究结论

• 需求职业识别：总体需求指数高于均值一个标准差（≥0.39）的职业被定义为“高度需求”，介于均值与均值加一个标准差之间（≥0.004）的为“需求较高”，其余为“需求不高”。
• 聚类分析：K-means聚类将职业分为四类，其中集群1和2包含较多高度需求职业，集群3和4则以需求不高或较高职业为主。
• 敏感性分析：技能短缺空缺密度、工资溢价和年度工时变化指标最敏感，而签证申请密度和在线招聘广告密度最不敏感。
• 行业与技能分布：需求职业主要集中在STEM、建筑和短缺职业列表中，高技能水平职业（如高级职位）的工资溢价较高。

未来改进方向

• 工资溢价指标优化：考虑行业内部或技能水平内部比较，避免忽略职业群体差异。
• 数据来源替代：探索替代ASHE或APS数据的职业工人数据来源。
• 时间序列分析：纳入更多年份数据以识别长期趋势。
• 工资汇总分析：按薪资水平汇总职业并重新评估需求。
• 数据覆盖范围：纳入北爱尔兰ASHE数据以实现UK级分析。
• 数据排除标准：进一步优化职业排除标准。