成都城乡一体化水平的实证分析.docVIP

2成都市城乡一体化水平的实证分析 2.1指标选取 由于上述指标体系中许多指标的数据难以获得，故本文选取了以下8个指标来评价成都市的城乡一体化水平：非农业产值比X1，人均GDP X2，第三产业产值比重 X3， 万人卫生技术人员X4，人均社会消费品零售总额X5，农民人均纯收入X6，人均固定资产投资X7， 万人教师数X8。本文以成都市19个区县2005年的数据为样本来评价成都省城乡一体化水平。 2.2.2因子分析 因子分析的基本思想是在处理大容量样本数据时，往往需要面对5个及以上的变量或维度的情况，可以根据变量间的相关程度高低对原始变量进行重新组合， 将其合并成少数几类变量，即公共因子，一个公共因子代表一组相关程度较高的原始变量。由于公共因子中包含了原始变量中的绝大部分信息，所以通过对公共因子的重新命名及解释，挖掘出变量间的潜在结构及主要特征，使分析的结果更具客观性和科学性。具客观性和科学性。因子分析法的基本思想可以用数学模型来表示：。其中，X=(X1,X2,X3,……XP)为P个原有变量, F为ｍ个公共因子变量，ｍ≤ｐ，Ａ为p*m的因子载荷矩阵，aij表示第i个原有变量和第ｊ个公共因子变量的相关系数，aij越大说明公共因子Fj和原有变量Xi 越强，为特殊因子，表示了原有变量不能被公共因子变量所解释的部分，相当于多元回归分析中的残差部分。因子分析法的基本步骤:首先， 对样本数据进行标准化处理。由于每个指标的量纲单位不统一，即使有些指标的单位是相同的，其实际意义也可能是不同的，由于无法进行统计和比较，对每一指标Xi按照以下公式来对数据进行量化处理：（其中为该组指标的均值，S为该组指标的标准差）。其次， 对原始变量进行KMO检验。因子分析的前提条件是： 必须通过计算原始变量的相关系数矩阵来判断原始变量数据是否合适做因子分析。KMO检验用于探索变量间的偏相关性。KMO的取值应在(0-1)之间。当KMO值小于0.5时,一般就不适合做因子分析。再次，计算相关系数矩阵R。相关系数矩阵R可以发现各测评指标间的相关情况，从而能够科学合理筛选测评指标。在此基础上，求R的前ｍ个特征值及对应的特征向量。一般累计方差贡献率应在 85％以上。然后再求ｍ个公共因子的载荷矩阵A。在实际分析时， 往往对载荷矩阵进行方差极大法旋转， 使得每个公共因子上的最高载荷变量的数目最少。最后计算各公共因子的得分Fj。因子变量确定后， 就可以计算每一样本的ｍ个公共因子得分， 因为误差的存在，各因子得分计算须用各种不同的方法进行估计，本文采用的是回归法。最后，计算综合评价指标Y。Y=W1F1+W2F2+……WMFM， 本文对测评因子的权重是用其对应的特征值占总提取特征值的比重来设定。 2.3实证分析 运用SPSS11.0软件，求得相关矩阵（略）和KMO值为0.748，适合做因子分析，本文的公因子提取方法采用主成分提取法，所得四川省城乡一体化的公因子特征根及方差贡献率如表1所示: 表1 特征值、及贡献率 公因子 1 2 3 特征值 6.293 0.881 0.514 方差贡献率 37.665% 30.093% 28.332% 累计方差贡献率 37.665% 67.758% 96.090% 第一公因子的贡献率为37.665%，第二公因子的贡献率为30.093%，第三公因子的贡献率为28.332%，累计贡献率为96.090%，根据累计方差贡献率大于或等于85%的原则，故提取三公因子来代表原变量的所有信息量。 运用方差极大旋转法，计算得到旋转后的城乡一体化的因子载荷矩阵见表2 表2 城乡一体化旋转的因子载荷矩阵 指标 主因子 1 2 3 非农业产值比 0.933 0.279 0.113 人均GDP 0.706 0.434 0.538 人均固定资产投资 0.728 0.341 0.544 人均社会消费品零售总额 0.414 0.553 0.696 农民人均纯收入 0.687 0.648 0.244 每生教师数 0.148 0.135 0.965 万人卫生技术人员 0.602 0.399 0.651 第三产业比重 0.296 0.926 0.190 注：因子提取方法为主成分提取法（PCA） 从表2中可以看出，第一主因子主要由非农业产值比重，人均GDP，人均固定资产投资，农民人均纯收入，四个指标构成，表示了城乡一体化的经济水平和基础设施情况，第一因子可以定义为经济和基础设施因子。第三产业比重在第二因子上有较大的载荷，这一指标可以定义为城市化进程因子。人均社会消费品零售总额，每生教师数，万人卫生技术人员数在第三因子上有较大的载荷，可将其命名为社会保障和文明因子。由因子分析结果，我们可以得到成都市的因子得分系数矩阵，见表3。 表3 城乡一体