基于因子分析对交通枢纽城市运输经济指标研究.docVIP

基于因子分析对交通枢纽城市运输经济指标研究 　　【摘要】本文运用因子分析法建立模型，对我国主要港口城市的交通运输能力指标进行因子分析（使用SPSS17.0），得出港口城市货运量、交通运输行业产值以及港口生产性泊位规模个三个因子指标作为影响港口城市运输业发展水平的主要因素，并以此对7个主要港口城市进行综合评价和聚类分析，给出发展政策建议。 　　【关键词】因子分析；交通运输经济指标；聚类分析 　　 　　一、引言 　　近几年我国的进出口贸易总额体现出贸易总额大，增长速度快，持续性顺差等特点。作为海陆运输枢纽节点的港口，尤其是大型海港城市在区域物流运输中的地位和作用日益突出。港口城市作为区域物流的中心。其交通运输行业的发展状况更直接影响着区域运输的能力和效率。本文的目的就是通过挑选具有代表性的影响因素来进行运输经济指标的因子分析，构筑若干个意义明确的公因子，以此来进行综合评价，同时使得评价的结果具备很好的解释性。 　　二、分析方法与模型设计 　　1.因子分析法简介 　　因子分析法是一种数据降维方法，作为主成份分析的推广，不仅借助变量之间的线性相关性可以将多变量化为少数几个线性无关的综合变量，而且构筑若干意义较为明确的公因子使得新的变量有明确的解释性，便于进行替代性建模分析。 　　因子分析中的主要步骤是从指标相关系数矩阵出发，推算因子载荷矩阵。这一过程类似于主成份分析。然后对载荷矩阵进行旋转，得到具有明确意义的解释变量。最后，根据因子得分对观测进综合评价和归类分析。 　　2.样本数据评价指标的建立 　　拟采用十个指标： 　　1)港口货物吞吐量 　　2)集装箱吞吐量 　　3)铁路货运量 　　4)公路货运量 　　5)水运货运量 　　6)航空货运量 　　7)第三产业总值 　　8)交通运输仓储服务业生产总值 　　9)生产用泊位长度 　　10)生产用泊位数量 　　样本城市为：大连；秦皇岛；天津；青岛；上海；宁波和广州。 　　三、分析与计算过程 　　1.因子分析的可行性检验（见表1） 　　其中相关系数大于等于0.3的数据占相关阵的70%，证明此数据相关性较强，适宜作因子提取分析。 　　2.因子的提取 　　拟提取三个公因子，其方差的解释程度如下表。（见表2，表3，表4） 　　其中表2显示，当提取3个主成分时对10个指标的方差解释度均大于83%，具有较高的解释度。 　　表3显示三个主成分各自的方差贡献率经旋转后分别为0.36699，0.25778，0.24286，使其较旋转前的方差贡献率更加均匀，为后续因子可命名性做准备。其三个主成分的累积方差贡献率达到86.763%，解释了原变量大部分信息，说明提取因子数量是比较适合的。 　　图4说明当提取3个主成分时其方差解释的跨度约为5.3-1.2，而第3个至第6个主成分解释方差的跨度约为1.2-0.5，而6个主成分后基本无方差信息变化，说明提取3个因子数量是合适的。 　　3.因子的命名（见表5） 　　表5说明经过旋转后的主成分在代表各变量的信息类别上较为整齐。第1个主成分在解释第1个和2个变量时有很高的解释度，将其合并为一类，命名为交通运输行业产值因子。同理第3至第8个指标合并至第2个因子，命名为枢纽城市货运总量因子。第9个和第10个指标归为第3个因子，命名为港口生产性泊位规模因子。 　　4.因子的得分（见下表6） 　　5.结果分析（见表7） 　　其中综合排名的权重指数采用三个因子各自旋转后的方差贡献率作为模型权重。 　　可以看出，对综合评分指标影响较大的因子是货运总量因子，其排名基本决定了综合排名的最终情况。 　　聚类结果如下图（表8） 　　可以从树状图读出： 　　大连，秦皇岛，天津，青岛归为一类，可理解为地区性辐射型枢纽城市； 　　宁波，广州归为一类，可理解为区域性集散型枢纽城市； 　　上海独自成为一类，可理解为国际化中心型枢纽城市。 　　四、分析及建议 　　1.分析 　　（1）从综合排名看，宁波，上海，广州，天津各为我国经济发达的长三角，珠三角，环渤海经济区域的运输枢纽城市，集中了大部分的货运量，其自身的港口建设规模和配套的交通运输业也较为成熟。（2）从交通运输行业产值因子方面看，天津因为在2007年被国务院定位于北方经济中心，服务于东北亚的国际化港口城市。其城市的产业结构特别是资源对交通运输，仓储和邮政方面的倾斜性配置较为明显。相比之下，上海的产业结构更为成熟和稳定，其运输系统和配套设施相对更成熟和完善，故交通运输业占第三产业比重相对较低。（3）从枢纽城市货运总量和港口生产性规模上看，上海的货物运输的供求矛盾较为尖锐，尤其是港口运输方面。港口生产性泊位规模明显无法满足巨大的海上货运需要。天津港也同样存在类似的问题。