省级-居民消费结构升级数据集(2014-2022年)

2024-03-31 22:04

本文主要是介绍省级-居民消费结构升级数据集(2014-2022年),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

01、数据简介

居民消费结构升级是指各类消费支出在消费总支出中的结构升级和层次提高,它直接反映了消费水平和发展趋势。

生存型消费包括食品烟酒、衣着、居住。

发展型消费包括交通通信、教育文化娱乐、医疗保健。

享受型消费包括生活用品及服务、其他用品及服务。

居民消费结构升级=发展与享受型消费支出/总消费支出。

数据名称:省级-居民消费结构升级数据

数据年份:2014-2022年

数据整理:自主整理

数据来源:《中国统计年鉴》

参考文献:

[1]熊颖,郭守亭.数字经济发展对中国居民消费结构升级的空间效应与作用机制[J].华中农业大学学报(社会科学版),2023,163(01):47-57.

[2]姜奇平,刘宇洋,许滨鸿.产业数字化转型与居民消费结构升级——效应、路径与机理[J].产业经济评论,2023,(04):67-89.

[3]张驰,王满仓.数字经济对居民消费升级的影响效果及作用机制检验[J].统计与决策,2023,39(07):11-16.

02、相关指标

id、省份、年份、消费支出(元)、食品烟酒(元)、衣着(元)、居住(元)、生活用品及服务(元)、交通通信(元)、教育文化娱乐(元)、医疗保健(元)、其他用品及服务(元)、生存型消费、发展型消费、享受型消费、居民消费结构升级。

03、样例数据

id省份年份消费支出(元)食品烟酒(元)衣着(元)居住(元)生活用品及服务(元)交通通信(元)教育文化娱乐(元)医疗保健(元)其他用品及服务(元)生存型消费发展型消费享受型消费居民消费结构升级
1北京201431102.9 7467.8 2359.8 9497.7 2041.4 3578.6 3268.3 1914.2 975.2 19325.3 8761.1 3016.6 0.37867 
1北京201533802.8 7584.2 2425.7 10350.2 2098.3 4489.6 3634.6 2228.6 991.4 20360.1 10352.8 3089.7 0.39767 
1北京201635415.7 7608.5 2433.0 11187.7 2327.2 4701.7 3686.6 2455.7 1015.2 21229.2 10844.0 3342.4 0.40057 
1北京201737425.3 7548.9 2238.3 12295.0 2492.4 5034.0 3916.7 2899.7 1000.4 22082.2 11850.4 3492.8 0.40997 
1北京201839842.7 8064.9 2175.5 14110.3 2371.9 4767.4 3999.4 3274.5 1078.6 24350.7 12041.3 3450.5 0.38882 
1北京201943038.3 8488.5 2229.5 15751.4 2387.3 4979.0 4310.9 3739.7 1151.9 26469.4 13029.6 3539.2 0.38498 
1北京202038903.3 8373.9 1803.5 15710.5 2145.8 3789.5 2766.0 3513.3 800.7 25887.9 10068.8 2946.5 0.33456 
1北京202143640.4 9306.6 2104.4 16846.7 2559.7 4226.8 3348.0 4285.7 962.5 28257.7 11860.5 3522.2 0.35249 
1北京202242683.2 9223.2 1860.8 17170.3 2193.3 4129.3 3008.0 3981.5 1116.8 28254.3 11118.8 3310.1 0.33805 
2天津201422343.0 7376.6 1859.3 4873.0 1295.5 2904.7 1833.8 1584.5 615.5 14108.9 6323.0 1911.0 0.36853 
2天津201524162.5 7709.9 1949.4 5237.5 1514.0 3185.9 2096.0 1757.1 712.6 14896.8 7039.0 2226.6 0.38347 
2天津201626129.3 8020.6 1931.2 5654.8 1561.7 3752.2 2404.0 2022.9 782.0 15606.6 8179.1 2343.7 0.40272 
2天津201727841.4 8647.0 1944.8 5922.4 1655.5 3744.5 2691.5 2390.0 845.6 16514.2 8826.0 2501.1 0.40684 
2天津201829902.9 8647.5 1990.0 6406.3 1818.4 4280.9 3186.6 2676.9 896.3 17043.8 10144.4 2714.7 0.43003 
2天津201931853.6 8983.7 1999.5 6946.1 1956.7 4236.4 3584.4 2991.9 1154.9 17929.3 10812.7 3111.6 0.43713 
2天津202028461.4 8516.0 1711.8 7035.3 1669.4 3778.7 2253.7 2646.0 850.5 17263.1 8678.4 2519.9 0.39346 
2天津202133188.4 9138.4 1872.0 7519.5 1940.6 4390.4 3372.5 3747.6 1207.5 18529.9 11510.5 3148.1 0.44168 
2天津202231323.7 9313.1 1630.4 7468.1 1789.0 3888.6 2546.0 3555.5 1132.9 18411.6 9990.1 2921.9 0.41221 
3河北201411931.5 3263.7 971.8 2727.7 773.6 1749.3 1144.5 1027.5 273.5 6963.2 3921.3 1047.1 0.41641 

04、下载链接:https://download.csdn.net/download/T0620514/89062019

这篇关于省级-居民消费结构升级数据集(2014-2022年)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/865464

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

基于MySQL Binlog的Elasticsearch数据同步实践

一、为什么要做 随着马蜂窝的逐渐发展,我们的业务数据越来越多,单纯使用 MySQL 已经不能满足我们的数据查询需求,例如对于商品、订单等数据的多维度检索。 使用 Elasticsearch 存储业务数据可以很好的解决我们业务中的搜索需求。而数据进行异构存储后,随之而来的就是数据同步的问题。 二、现有方法及问题 对于数据同步,我们目前的解决方案是建立数据中间表。把需要检索的业务数据,统一放到一张M

关于数据埋点,你需要了解这些基本知识

产品汪每天都在和数据打交道,你知道数据来自哪里吗? 移动app端内的用户行为数据大多来自埋点,了解一些埋点知识,能和数据分析师、技术侃大山,参与到前期的数据采集,更重要是让最终的埋点数据能为我所用,否则可怜巴巴等上几个月是常有的事。   埋点类型 根据埋点方式,可以区分为: 手动埋点半自动埋点全自动埋点 秉承“任何事物都有两面性”的道理:自动程度高的,能解决通用统计,便于统一化管理,但个性化定

使用SecondaryNameNode恢复NameNode的数据

1)需求: NameNode进程挂了并且存储的数据也丢失了,如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2)故障模拟 (1)kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 (2)删除NameNode存储的数据(/opt/module/hadoop-3.1.4/data/tmp/dfs/na

异构存储(冷热数据分离)

异构存储主要解决不同的数据,存储在不同类型的硬盘中,达到最佳性能的问题。 异构存储Shell操作 (1)查看当前有哪些存储策略可以用 [lytfly@hadoop102 hadoop-3.1.4]$ hdfs storagepolicies -listPolicies (2)为指定路径(数据存储目录)设置指定的存储策略 hdfs storagepolicies -setStoragePo

Hadoop集群数据均衡之磁盘间数据均衡

生产环境,由于硬盘空间不足,往往需要增加一块硬盘。刚加载的硬盘没有数据时,可以执行磁盘数据均衡命令。(Hadoop3.x新特性) plan后面带的节点的名字必须是已经存在的,并且是需要均衡的节点。 如果节点不存在,会报如下错误: 如果节点只有一个硬盘的话,不会创建均衡计划: (1)生成均衡计划 hdfs diskbalancer -plan hadoop102 (2)执行均衡计划 hd

【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算

✨✨ 欢迎大家来到景天科技苑✨✨ 🎈🎈 养成好习惯,先赞后看哦~🎈🎈 🏆 作者简介:景天科技苑 🏆《头衔》:大厂架构师,华为云开发者社区专家博主,阿里云开发者社区专家博主,CSDN全栈领域优质创作者,掘金优秀博主,51CTO博客专家等。 🏆《博客》:Python全栈,前后端开发,小程序开发,人工智能,js逆向,App逆向,网络系统安全,数据分析,Django,fastapi

usaco 1.3 Mixing Milk (结构体排序 qsort) and hdu 2020(sort)

到了这题学会了结构体排序 于是回去修改了 1.2 milking cows 的算法~ 结构体排序核心: 1.结构体定义 struct Milk{int price;int milks;}milk[5000]; 2.自定义的比较函数,若返回值为正,qsort 函数判定a>b ;为负,a<b;为0,a==b; int milkcmp(const void *va,c

烟火目标检测数据集 7800张 烟火检测 带标注 voc yolo

一个包含7800张带标注图像的数据集,专门用于烟火目标检测,是一个非常有价值的资源,尤其对于那些致力于公共安全、事件管理和烟花表演监控等领域的人士而言。下面是对此数据集的一个详细介绍: 数据集名称:烟火目标检测数据集 数据集规模: 图片数量:7800张类别:主要包含烟火类目标,可能还包括其他相关类别,如烟火发射装置、背景等。格式:图像文件通常为JPEG或PNG格式;标注文件可能为X

pandas数据过滤

Pandas 数据过滤方法 Pandas 提供了多种方法来过滤数据,可以根据不同的条件进行筛选。以下是一些常见的 Pandas 数据过滤方法,结合实例进行讲解,希望能帮你快速理解。 1. 基于条件筛选行 可以使用布尔索引来根据条件过滤行。 import pandas as pd# 创建示例数据data = {'Name': ['Alice', 'Bob', 'Charlie', 'Dav