تقرير تحليلي – منصة أرقامي |
تقرير تحليلي – منصة أرقامي |
يتناول هذا التقرير تحليلاً شاملاً لبيانات معدلات سوق العمل بناءً على استبيانات تمثيلية باستخدام أساليب إحصائية متعددة، بهدف تحديد الأنماط العامة، العلاقات بين المعدلات، الفروقات حسب الجنس والجنسية، وفهم البنية الهيكلية للبيانات. يساعد هذا التحليل على دعم اتخاذ القرار وتحسين فعالية السياسات العامة.
indicators <- c("معدل البطالة", "نسبة التوظيف من السكان", "معدل المشاركة في القوى العاملة")
nationality <- c("سعودي", "غير سعودي", "الإجمالي")
gender <- c("ذكر", "أنثى", "الإجمالي")
sim_data <- expand.grid(Indicator = indicators, Gender = gender, Nationality = nationality)
sim_data$Score <- c(
4.0, 63.8, 66.4, 10.5, 32.5, 36.3, 6.3, 48.0, 51.3,
0.6, 94.0, 94.6, 3.0, 35.6, 36.7, 0.8, 82.0, 82.7,
1.6, 83.4, 84.7, 8.1, 33.5, 36.5, 2.8, 66.3, 68.2
)
lfpr_data <- sim_data %>% filter(Indicator == "معدل المشاركة في القوى العاملة")
out_labor_data <- lfpr_data %>% mutate(Indicator = "خارج القوى العاملة", Score = 100 - Score)
sim_data <- bind_rows(sim_data, out_labor_data)التفسير: تم بناء البيانات لمعدلات رئيسية من تقرير سوق العمل، مع إدراج معدل “خارج القوى العاملة” كمكمل منطقي لمعدل المشاركة. هذا يتيح تحليلًا أكثر اكتمالًا للبنية الديموغرافية للقوى العاملة.
summary_table <- sim_data %>%
group_by(Indicator) %>%
summarise(
المتوسط = round(mean(Score), 2),
الانحراف_المعياري = round(sd(Score), 2),
الأدنى = min(Score),
الأعلى = max(Score),
عدد_القيم = n()
)
kable(summary_table, caption = "ملخص إحصائي لكل مؤشر")| Indicator | المتوسط | الانحراف_المعياري | الأدنى | الأعلى | عدد_القيم |
|---|---|---|---|---|---|
| خارج القوى العاملة | 38.07 | 22.72 | 5.4 | 63.7 | 9 |
| معدل البطالة | 4.19 | 3.43 | 0.6 | 10.5 | 9 |
| معدل المشاركة في القوى العاملة | 61.93 | 22.72 | 36.3 | 94.6 | 9 |
| نسبة التوظيف من السكان | 59.90 | 23.56 | 32.5 | 94.0 | 9 |
التفسير: المعدلات مثل معدل التوظيف والمشاركة في القوى العاملة تسجل متوسطات مرتفعة، خاصة لدى غير السعوديين الذكور. بالمقابل، تتباين نسب البطالة بشكل واضح، ما يعكس تحديات مختلفة في سوق العمل حسب الجنس والجنسية.
heat_data <- sim_data %>%
group_by(Nationality, Gender, Indicator) %>%
summarise(Avg = mean(Score), .groups = "drop") %>%
pivot_wider(names_from = Indicator, values_from = Avg) %>%
unite("Group", Nationality, Gender)
mat <- heat_data %>% column_to_rownames("Group") %>% as.matrix()
pheatmap(
mat,
display_numbers = TRUE,
number_format = "%.1f",
main = "خريطة حرارية حسب الجنس والجنسية",
color = colorRampPalette(c("#d73027", "#ffffbf", "#1a9850"))(50)
)
heat_data <- sim_data %>%
group_by(Nationality, Indicator) %>%
summarise(Avg = mean(Score), .groups = "drop") %>%
pivot_wider(names_from = Indicator, values_from = Avg) %>%
unite("Group", Nationality)
mat <- heat_data %>% column_to_rownames("Group") %>% as.matrix()
pheatmap(
mat,
display_numbers = TRUE,
number_format = "%.1f",
main = "خريطة حرارية حسب الجنس والجنسية",
color = colorRampPalette(c("#d73027", "#ffffbf", "#1a9850"))(50)
)
التفسير: تشير الخريطة إلى فروقات واضحة بين الإناث والذكور، إذ تسجل الإناث السعوديات معدلات بطالة أعلى ونسب مشاركة أقل، بينما الذكور غير السعوديين يحققون نسب توظيف مرتفعة، مما يعكس تفاوتًا هيكليًا يجب معالجته.
clust_data <- sim_data %>%
group_by(Indicator, Nationality) %>%
summarise(Avg = mean(Score), .groups = 'drop') %>%
unite("Group", Nationality) %>%
pivot_wider(names_from = Group, values_from = Avg) %>%
column_to_rownames("Indicator") %>%
scale()
kmeans_res <- kmeans(clust_data, centers = 3, nstart = 25)
fviz_cluster(list(data = clust_data, cluster = kmeans_res$cluster),
main = "تحليل K-Means حسب الجنسية والجنس")
التفسير: حدد التحليل ثلاث مجموعات رئيسية: معدل منخفضة (مثل البطالة)، وأخرى متوسطة (خارج القوى العاملة)، ومجموعة مرتفعة الأداء (نسبة التوظيف). هذا يفيد في وضع أولويات السياسات حسب خصائص كل مجموعة.
pca_res <- prcomp(clust_data, center = TRUE, scale. = TRUE)
fviz_pca_biplot(
pca_res,
repel = TRUE,
title = "تحليل المكونات الرئيسية (PCA)",
col.var = "steelblue",
col.ind = "gray30"
)
التفسير:
يعرض الرسم الناتج من تحليل المكونات الرئيسيةيعكس تحليل المكونات الرئيسيةتحليل PCA أظهر أن المؤشرات الرئيسية لسوق العمل تنقسم إلى مجموعتين متباعدتين: الأولى ترتبط بالتوظيف والمشاركة (إيجابية)، والثانية تعكس البطالة والخروج من سوق العمل (سلبية). كما يُظهر التحليل أن أنماط السعوديين تختلف قليلاً عن غير السعوديين، ما يتطلب سياسات مخصصة لكل فئة.
# تجهيز البيانات بحيث تكون المؤشرات هي الأعمدة
net_data <- sim_data %>%
group_by(Gender, Nationality, Indicator) %>%
summarise(Avg = mean(Score), .groups = 'drop') %>%
pivot_wider(names_from = Indicator, values_from = Avg)
# تحويل إلى مصفوفة بعد حذف الأعمدة غير المطلوبة
net_matrix <- net_data[, !(names(net_data) %in% c("Gender", "Nationality"))] %>%
as.matrix()
# حساب مصفوفة الارتباط
net_cor <- cor(net_matrix)
# رسم الشبكة
qgraph(net_cor, layout = "spring", labels = colnames(net_matrix), title = "تحليل شبكة المؤشرات")
:التفسير
يعرض تحليل الشبكة قوة العلاقة بين مؤشرات سوق العمل المختلفة، مثل معدل البطالة، ونسبة المشاركة في القوى العاملة، ونسبة التوظيف. كلما كانت الخطوط بين المؤشرات أقوى وأقصر، دلّ ذلك على ترابط أقوى بين هذه المؤشرات عبر مختلف الفئات. هذا النوع من التحليل يساعد في تحديد المؤشرات التي تتحرك معًا ويمكن تحسينها ككتلة مترابطة.
dist_hc <- dist(clust_data)
hc <- hclust(dist_hc)
plot(hc, main = "التحليل الهرمي للمعدلات")
التفسير: يوفر التحليل تمثيلاً بصريًا للتشابه البنيوي بين المعدلات، ويقترح مجموعات قابلة للمعالجة الموحدة.
ggplot(sim_data, aes(x = Gender, y = Score, fill = Nationality)) +
geom_col(position = "dodge") +
facet_wrap(~ Indicator, scales = "free_y") +
labs(
title = "تحليل مقارن للمعدلات حسب الجنس والجنسية",
x = "الجنس",
y = "القيمة (%)",
fill = "الجنسية"
) +
theme_minimal(base_size = 14) +
theme(plot.title = element_text(hjust = 0.5))
التفسير: يعرض هذا الرسم بيانات أكثر وضوحًا من تحليل الاتجاه. نلاحظ تفوق الذكور في المشاركة، وتراجع لدى الإناث في معدلات التوظيف، ما يعكس فجوة مستمرة تستدعي التدخل عبر برامج تمكين.
جميع الحقوق محفوظة © أرقامي 2025
لمزيد من المعلومات، تواصل معنا عبر بريدنا الإلكتروني: argamil2025@gmail.com