如何用数据找到“钱多事少离家近”的工作？

“

“钱多事少离家近，位高权重责任轻，睡觉睡到自然醒，数钱数到手抽筋”， 这样的工作真的存在吗？快随本文数据侠，一起搜罗吧~

本文转自公众号城市数据团（ID：metrodatateam）

前几天学姐来找我：“我想换一个工作。你用数据帮我看看什么行业好？”

我说：“好呀。学姐你对工作有什么要求呢？”

学姐说：“钱多事少离家近。”

虽然我不相信有这样好的工作，但看看总没有坏处嘛。于是我打开电脑，开始对行业一项一项进行筛选。

第一项，钱多。这个容易。根据《上海统计年鉴2017》，各行业平均年收入如下图所示：

根据上图，可将20个行业大项分为四类：

1、收入超高（20万以上）：金融业； 2、收入较高（10-20万）：水电气生产供应业、采矿业、信息服务业、卫生和社会工作产业、公共管理业、科研服务业； 3、收入中等（5-10万）：交运仓储业、文化体育娱乐业、商务服务业、批发零售业、公共设施管理业、房地产业、制造业； 4、收入较低（5万以下）：建筑业、住宿餐饮业、农林牧渔业、教育业。

显然，在“钱多”的标准下，金融、水电气生产供应、采矿、信息服务等都是不错的选择。

第二项，事少。数据论证有点麻烦，姑且跳过吧。

第三项，离家近。由于学姐不肯透露她住在哪里，我只好假设学姐住在上海各地的概率与上海人口总体分布概率相同。然后，我以人口密度最高处（市中心）为原点，绘制出各个行业企业的密度衰减曲线。

上图中，离市中心距离为0处的企业密度越高，说明该行业在市中心的密集度越高。假如学姐从事了该行业的工作，那么工作地点离学姐家近的概率也越高。（学姐明确表示：一些行业她没有进入渠道（如水电气生产和供应），另一些行业她没有能力从事（如农业、卫生），因此，图中只保留了像学姐这样的大多数普通人有一定选择空间的10个行业大类；其中，信息服务业和科研服务业进行了合并。）

根据上图，从行业密集（离家近概率）的角度，我们再次将行业分为四类：

1、行业聚集度极高（离家近概率很大）：金融业、住宿餐饮业； 2、行业聚集度较高（离家近概率较大）：商务服务业、房地产业、文化体育娱乐业； 3、行业聚集度一般（离家近概率一般）：批发零售业、信息服务业、交运仓储业； 4、行业聚集度较低（离家近概率较低）：制造业、建筑业。

我指着图说：“学姐，同时符合钱多和离家两个要求的只有金融了。次优的选择是信息科技服务业，钱多，但离市中心不算近；商务服务、文化娱乐的距离比较适中，但收入就不算太高了。”

学姐皱眉思考了片刻：“金融虽然很好，但据说加班很厉害。我可不想把美好的青春年华都奉献给工作。你再帮我看看哪些行业不加班吧。”

我叹了口气，看来“事少”的研究是逃不掉了。

怎么衡量“事少”呢？从常识来看，事少的行业应该符合以下表现中的至少一个：上班晚、下班早、工作时间短。而为了找到大家都在什么时候上下班，我不得不搬出了前几天 延华智能 提供的建筑用电量数据。

（图片说明：这是一张“城市呼吸”图。图中白金色线条代表道路和来往人流，柱子代表建筑，红色柱子为我们的样本建筑。用电量越大的时刻，红色越深。每一天随着时间的变化，人来人往，灯亮灯灭。）

我们的建筑样本全部位于上海市黄浦区。用电数据为2017年全年、每隔15分钟记录一次的用电量。其中，我们用于研究的是办公建筑（写字楼），样本数量约100个。（由于样本数量、抽样规则和推算方法的不完善，我们的结论与实际情况将存在一定偏差。不过，依然不失为一次有趣的尝试。）

从时间上看，写字楼用电具有明显的周期性规律：

可以看到，写字楼的三个周期规律为：

1、季节周期：用电量与气温高度相关。4-6月和9-11月的用电量相对稳定，在最热的7-8月和最冷的12-1月，用电量有显著增加。

2、节假日周期：以年为周期，春节、国庆等法定节日用电量减少；以星期为周期，周末用电量为工作日的1/2-2/3。

3、天周期：每天的零点到6点用电量处于低谷，从7点开始用电量飙升，于10点达到最高峰，其后缓慢下降，下午5点开始剧烈下降。

根据上述规律，我们制定如下研究思路：

1、基于写字楼用电量设计工作状态指标；

2、通过地址匹配找到入驻各幢写字楼的企业，并进一步计算行业结构；

3、用回归模型对各行业的工作状态进行模拟。

由于时间序列上的用电量绝对值不仅仅由工作用电决定，还受到基础用电、气温等多重因素的影响（本文最后的彩蛋有更为具体的解释），为了减少这些干扰，我们将用电量处理为相对值，并由此引申出上班时间、下班时间、工作时长的概念：

上图中：

1、相对用电量 = (当前时间分段用电量-当日分段用电量最小值) / (当日分段用电量最大值-当日分段用电量最小值)

2、上班时间为相对用电量第一次达到最高峰值70%的时刻，下班时间为相对用电量最后一次达到最高峰值70%的时刻，工作时长为下班时间与上班时间之差。

3、每幢写字楼的上下班时间和工作时长各不相同。总体水平为8:30上班，6:00下班，工作时长9.5小时（含午休）。

接下来，我们要找到每幢写字楼里都有哪些企业。我们以 启信宝 提供的企业经营地址，与写字楼地址进行了匹配，从而获得了写字楼中企业的规模和行业信息。

现在，我们可以展开回归分析了。以行业结构（某行业占该写字楼中所有企业的比例）为自变量，以工作时长、上班时间、下班时间为因变量，标准化处理后进行三次回归分析，模型的平均误差在5%左右，R2介于0.7-0.8。

根据回归系数的大小，我们对各行业的工作状况进行了推算：

（图片说明：回归系数反映的是各行业对 工作时长/上下班时间 的贡献大小和方向。本图是根据系数大小的推算结果，不能等同于 工作时长/上下班时间 的排名。）

根据上图，从“事少”的角度，我们再次将行业分类：

1、早起早归型：批发零售业、信息技术服务业、交运仓储业 2、晚起晚归型：建筑业 3、起早贪黑型：商务服务业、住宿餐饮业、房地产业 4、正常型：金融业、制造业、文化体育娱乐业

至此，我们可以从“钱多事少离家近”三个角度给出十大行业的综合排名了：

1、金融：收入超高-离家近概率很大-工作状态普通； 2、信息科技服务业：收入较高-离家近概率一般-早起早归； 3、文化体育娱乐业：收入中等-离家近概率较大-工作状态普通； 4、商务服务业：收入中等-离家近概率较大-起早贪黑； 5、房地产业：收入中等-离家近概率较大-起早贪黑； 6、交运仓储业：收入中等-离家近概率一般-早起早归； 7、批发零售业：收入中等-离家近概率一般-早起早归； 8、制造业：收入中等-离家近概率较低-工作状态普通 9、住宿餐饮业：收入较低-离家近概率很大-起早贪黑。 10、建筑业：收入较低-离家近概率较低-晚起晚归。

看着这个榜单，我恍然大悟：“居然真的有钱多事少离家近的工作呀！……唉，学姐你去哪？”

“买两本CFA教程。”

▍彩蛋：一年之中，何时加班最疯狂？

学姐走后，我觉得这个小研究做得还不过瘾。不妨顺便用这组数据再看一看，大家都在什么时候加班多，什么时候休假多？

个人的加班或休假行为很难在用电数据层面体现。但群体的加班或休假将使得用电发生相应变化：

1、大量员工休假→在岗员工数量减少→工作用电量减少

2、大量员工加班→夜间用电比例增加→工作用电量增加

由此可以推知，工作用电量是衡量员工工作状态的重要指标。然而，工作用电只是建筑用电的一部分。因此，需要从建筑用电量中剥离出工作用电量，再判断其数值是否处于合理区间。

一般来说，办公建筑用电可以粗略分为三个部分：基础用电、空调用电和工作用电。

• 基础用电。办公楼正常运转的基础消耗，如通风用电、电梯用电、走廊灯光用电等。
• 假设每日基础耗电量是一个常数，以β表示。

• 空调暖气用电。温度偏离适宜温度越远，空调需求量越大。
• 空调暖气用电量与气温(t)有显著相关性，空调积温指数（T）是一种常见的测算方法，T=max(thigh-27,0)+max(10-tavg,0)。该部分用电量与空调积温指数呈线性相关，假设其形式为α1T。（参考文献：chenqin《上海用电量一年降了30多亿度，其实原因很简单》。）

• 理想状态下的工作用电。假设一年中员工数量没有大规模变动，则工作日的正常工作时间内（8-18点）、正常工作强度下为一个常数，表示为α2。
• 设定一个虚拟变量W，工作日W=1，节假日W=0，则每日的常规工作耗电量为α2W。

由此可以构建回归方程：e = β + α1T + α2W + ε

上式中，e表示每日总用电量，β表示基础用电，α1T表示空调用电，α2W表示理想状态下的工作用电；ε表示回归模型的残差，也就是预测用电量与实际用电量的差值，(α2W+ ε)近似代表实际的工作用电量。

若实际用电量小于预测用电量(ε<0)，很可能意味着在岗员工数量较少、大量员工处于休假状态；若实际用电量大于预测用电量(ε>0)，则有着员工数量增加、工作时间延长、工作强度增大等多种可能，需要进一步验证。

接下来，我们采用线性回归，求出β、 α1、α2三个参数的值（模型的平均误差为9.5%，R2为84.4%）。将参数值代入到方程中，将可以分别模拟得到每日的各项用电量及总用电量，并从而得到预测用电量与实际用电量的残差ε。如下图所示：

上图中，黑色实线表示实际用电总量，深蓝色区域表示预测基础用电量、天蓝色区域表示预测空调用电量，浅蓝色区域表示理想工作用电量，绿色区域表示超额工作用电量（实际值高于预测值，ε>0），橙色区域表示不足工作用电量（实际值低于预测值，ε<0）。

图中橙色和绿色区域为选择性展示，实质为A与B的交集。A：实际用电量与预测用电量的差值大于平均误差水平的日期。B：使用随机森林模型进行每天每小时用电量预测，其中全天用电量偏低（橙）/或夜间用电量比例偏高（绿）的日期；该部分方法本文中不再展开。

由图可知，用电超额的时段（绿色），也就是大家最可能在疯狂加班的时段，可以分为两类：

1、第一类零星分布在3月、5月、6月、9月的许多周末。

2.、第二类集中分布在6月中下旬、8月到9月中旬。

而用电不足的时段（橙色），则可以分为三类：

1、第一类为春节前两周、春节后一周，此类用电不足主要是因为员工数量不足；这反映出春节前提前休假、春节后推后上班，是较为普遍的做法。

2、第二类用电不足时段分布在清明节-劳动节、以及国庆节后；这两个时段是一年中不需要开空调、气候最为适宜的时节，也是旅游度假的最好时机。

3、第三类则零散分布在某些工作日的周四、周五，原因嘛，大家都懂的……

本文的行业榜单和加班/休假时间分布，与你的认知是否相符呢？欢迎给本文留言交流。

注： 本文仅为作者观点，不代表DT财经立场。

作者 | 若木、团支书

题图 | 视觉中国

▍数据侠门派

本文数据侠来自城市数据团，他们关注生活在城市中的个人，致力于用市民的生活轨迹，数字化地描绘城市生活、揭示城市问题。