探析數據挖掘技術在經濟統計中的應用

王致遠

摘 要：本文對數據挖掘技術進行簡要介紹，并對技術特點進行分析，最后闡述其在研究生招生信息挖掘中的應用流程與方法，通過確定目標、數據準備、數據挖掘、數據評估等對有意義、有價值的統計信息進行挖掘，力求能夠對經濟統計有所幫助。

關鍵詞：數據挖掘技術;經濟統計;應用方法

一、數據挖掘技術簡介

數據挖掘技術的應用原理較為簡單，主要是將原本復雜的數據進行精簡，然后將有價值的、滿足實際需求的信息提取出來，經過整理與分析后進行利用，達到提高數據利用率的目的。該技術在應用中需要先進技術的支持，如模糊概念、模塊識別、數據庫系統、知識篩選技術等，通過相應算法的應用，使原始數據得到有效的挖掘整理，最終形成一套簡潔明了的統計數據，為使用者的數據提取與應用提供極大的便利[1]。

二、經濟統計中數據挖掘技術的特點

（一）工作效率較高

在經濟統計方面，數據挖掘技術的應用具有較大優勢，受該技術自身特點影響，與其他技術相比，在工作效率方面的優勢較為顯著。該技術作為一種新型的數據深加工技術，自身的目的性較強，在實際應用中，通常以兩種形式展現，一是對經濟類數據的高效處理，二是對現有數據的高效處理，無論二者中的哪一種，均可在經濟統計領域中得以充分體現，呈現出較強的高效性。

（二）擁有充足的數據支持

將數據挖掘技術引入經濟統計中，其對宏觀數據具有較強的適應性，如同擁有一個展示功能的平臺，以更加新穎、高效的方式展示自身特性。在經濟統計領域中，對數據分析的準確性有嚴格的要求，并且在處理速度方面也有規定，而挖掘技術的應用剛好能滿足這一條件，它擁有充足的數據支持，經過分析和統計的數據更加科學高效。

（三）綜合應用性良好

現階段，數據挖掘技術逐漸滲透到諸多領域，具有較強的綜合應用性能，主要體現在數據物理分析、經濟統計、數學統計等方面。該技術蘊含較大的挖掘能力、統計能力，還具有強大的自動分析與統計作用，可幫助使用者良好高效地完成數據處理工作。將該技術應用到經濟統計中，在經濟數據挖掘、整理與歸類等方面發揮極大作用，為使用者的工作帶來極大的便利[2]。

三、經濟統計中數據挖掘技術的應用

（一）應用流程

1.確定目標。在數據挖掘技術應用的初始時期，應由經濟領域的專家學者對被挖掘的數據進行目標定位，定位效果對數據挖掘結果具有決定性作用。可見，初始目標確定不可忽視，應在定義的過程中，對算法進行推算，確保目標準確無誤。此外，定義要求是在現實需求的基礎上推理而成。

2.數據準備。在挖掘技術應用中，數據準備十分關鍵，且花費的時間最長，主要分為三個階段來完成，即數據選取、數據處理與變化分析。在數據選取方面，可將宏觀數據庫中的全部信息進行篩選，并定義為目標區數據;在數據處理中，對排列后的信息進行初步篩選，所選擇的數據應與要求相符;在變換分析方面，針對選取出的數據進行精簡，屬于數據深入選取，最后得出與目標相符的信息。

3.數據挖掘。該階段的主要目標在于預定算法，利用合理的算法對變換的數據源進行選擇后，再進行深入挖掘。在算法初步預定完成后，便可開展數據模塊計算，該流程需要專家與專業挖掘人員來完成，因此該項工作也是挖掘的核心所在。

4.數據評估。通過上述步驟的實施得出最終結果，由使用者對該結果進行分析，將分析結果全面展示出來，并對數據價值進行評估，經過嚴格的選取后將有意義、有價值的信息保存下來，將無效信息剔除。若經過上述操作后得出的數據與要求不符，系統將自動返回上一步，如此反復循環，直至數據與要求相符。

（二）對研究生招生信息的挖掘

在本文研究中對浙江寧波考點的報考數據（2015—2019年）進行數據挖掘與分析，主要采用以下幾種挖掘技術。

1.預處理方法。在應用預處理方法時，需結合數據挖掘技術，才可實現預期目標，對當地研究生招生信息進行深入有效的挖掘。在數據預處理過程中，可采用均值處理的方式，將數據中的噪聲和數據點空值剔除，數據中的空白得到彌補。當挖掘系統的基礎數據結構完善時，統計分析數據的真實準確性才可得到切實保障，數據點取值公式為：

式中，Ci代表的是數據點空值;k代表的是實際權值。在采用平滑法進行數據處理時，可對數據空值與噪聲值進行統一計算，并與加權平均數機制融合，對數據影響權重值進行提取，確保實際計算結果真實可靠。

2.集成處理法。該方法主要體現在兩個層面，一是冗余問題，二是模式集成。在挖掘研究生招生信息時會對數據進行集成處理，為后續工作提供便利。同時，對于經過預處理后的信息應進行冗余清除，確保數據庫中信息量處于較低的水平。對模式集成來說，經濟活動中的數據量龐大、類型眾多，應系統地對經濟數據集成結果進行處理，在應用挖掘技術時，對比元數據模塊，使識別率得到切實的保障，與質量標準規定相符合。在冗余問題方面，從本質上來看，數據挖掘屬于深加工過程，要想提高信息價值，應構建技術模型，對正向關系進行精簡，對冗余屬性進行綜合分析，使數據得到細化處理。以研究生招生信息為例，利用報考學位類別與生源地進行計算，需要對數據進行精簡，公式為：

式中，rAB代表的是冗余屬性;A與B屬性的平均值可用與來表示;σA與σB代表的是A與B屬性的標準方差。如若所得的rAB數值超過0，則二者屬性為正比例關系;如若rAB的數值為0，說明二者無直接聯系，即處于獨立狀態;如若所得的rAB數值小于0，則二者屬性為反比例關系，且rAB的絕對值越大，說明二者間的關系越緊密。

3.決策樹法。決策樹屬于應用較為頻繁的方法，先利用訓練集構建決策樹，在此基礎上進行數據分類，還應做好后面的“剪枝”工作。在決策樹結構建立時，可從兩個方面著手：一方面，構建數據輸出模型，利用訓練集建立決策樹，并對其進行精簡;另一方面，針對已經建成的決策樹，應進行數據分類，從樹根處開始，由下至上到達樹枝。在應用過程中，應充分發揮訓練集的作用，立足于實際問題與參數，科學有效地構建可行性的分析方法，在較短的時間內構建數據分析模型。同時，還應利用決策樹對數據進行歸類，使遞歸優勢得到充分發揮，可輸出與歸類要求相符的數據。通過數據挖掘可知，在報考專業碩士學位中，主要集中在以下幾個專業：工程碩士為53%，教育碩士為5.3%，公共管理碩士為6.0%，法律碩士為7.7%，農業推廣為6.0%。值得注意的是，歸類條件較為嚴格，在節點數據的級別相同時，處于停止條件，在具有分類屬性時，對輸入數據進行二次分割，即停止分類。在此過程中，利用決策樹完成數據統計，定期進行“剪枝”，規避起伏影響，最大限度地提高數據穩定性與實效性。

綜上所述，在現代化經濟發展中，經濟統計價值逐漸提升，需要積極引入數據挖掘技術，立足于市場實際情況，挖掘和分析有意義、有價值的信息，構建有效性較強的經濟決策，為經濟統計活動的開展提供充足的信息支持，促進數據挖掘技術的不斷更新優化，為國內市場經濟穩健發展貢獻更多的力量。

參考文獻

[1]董靜.試析數據挖掘技術在經濟統計中的應用[J].商，2018（31）：227-228.

[2]張麗麗.試析數據挖掘技術在經濟統計中的應用[J].中國商貿，2018（01）：13-14.