我国城市-消费潜力的分析.doc

我国城市餐饮消费潜力的分析 【摘要】本文选取全国52个主要城市作为研究对象，运用因子分析法对反映餐饮消费潜力的12个指标进行公因子评价，通过SPSS统计软件的运用，得出52个城市的综合得分并对各因子得分情况作出了相应的分析。 【关键字】消费潜力指标 因子分析 综合得分 一、问题的提出 古风餐饮作为一家新兴的餐饮公司，其市场拓展还处于起步阶段。在市场开发中没有积累很多的经验，因此需要对各个城市影响餐饮消费的经济水平与消费结构做一个全面的了解。国民经济与社会发展中反映经济水平与消费结构的指标非常多，但过多的指标有时反而令我们难以取舍，这些指标间又存在着较多的关联性，致使其提供的信息有一定的重复性，各指标间的权重也很难确定。同时，我们在对一个城市的餐饮消费潜力进行考察时，往往只能对单个指标进行分析，很少能把全部指标综合起来进行考虑。 本文将采用因子分析的方法，对指标提取公因子，以此来将多个变量简化为少数的几个因子。同时，本文还将根据各因子的得分情况，利用各因子的解释能力作为权重，用回归的方法得出各城市的综合得分，根据综合得分判断各城市的餐饮消费潜力。 二、指标体系的建立 结合影响消费的因素和公司的实际要求及定位，根据《中国统计年鉴》，遵循指标的客观性、可操作性、可代表性，从城市的生产能力、收入水平、消费能力、生活水平构建指标体系，主要包括以下12个指标： X1－国内生产总值、X2－第三产业占比、X3－人均国内生产总值、X4－社会消费品零售总额、X5－住宿餐饮业零售额、X6－常住人口、X7－人口密度、X8－职工平均工资、X9－城镇居民人均可支配收入、X10－城镇居民人均消费性支出、X11－恩格尔系数、X12－城镇居民人均居住面积。 本文参考公司的发展定位，选取全国各省份的省会城市以及2007年GDP排名在前50名的其它城市为样本（由于西藏、甘肃、青海、新疆、内蒙古5个省份数据不全且不符合公司发展定位，故将其舍去），提取各省份2008年统计年鉴以及各城市公布的《2007国民经济和社会发展统计公报》中的数据。（数据见附表１） 三、数据分析 本文运用SPSS13.0，采用因子分析方法对数据进行分析，分析步骤及结果如下： 1、首先用极差法对数据进行标准化，消除量纲的影响，同时进行指标同向化处理 2、检验数据是否适合做因子分析 因子分析有一个前提条件是各变量间必须有相关性，否则各变量间没有共享信息就不应当有公因子需要提取，自然谈不上使用该方法。在判断方法上，可以使用KMO统计量和Bartlett’s球形检验。KMO统计量用于探查变量间的偏相关性，它比较的是各变量间的简单相关和偏相关的大小，取值范围在0~1之间。一般认为当KMO大于0.9时效果最佳，0.7以上效果尚可，0.6时效果很差，0.5以下时不适宜做因子分析。Bartlett’s球形检验用于检验相关阵是否是单位阵，即各变量是否各自独立。如果是独立的，即说明这些变量各自提供一些信息，之间没有什么联系。分析结果见表1 表1：KMO检验和Bartlett球形检验 由表1可以看出：KMO统计量为0.7450.7，适合做因子分析，Bartlett’s球形检验P=0.0000.05，认为各变量间是不独立的，即各变量间有相关性。 3、按照特征根大于１的原则选取公共因子 表2：共同度表 表2为共同度表，Initial为未提取主成分前都为1，Extraction为按照所选标准提取相当数量的的主成分，各变量中信息分别被提取出的比列。由表2中看出，除第三产业占比和人口密度提取程度在60%左右外，其余变量都在70%以上，提取得比较充分。  表3：总方差解释表 表3为总方解释表，它们按照特征根从大到小的次序排列。按特征根大于1我们提取三因子，第一个因子能解释总变量的48.147%，第二个因子解释20.375%，第三个因子解释11.094%。这三个主成分总共能解释总变量的79.616%。 图1：碎石图 图1为碎石图，它是按特征根大小排列的因子散点图，可见从第三个因子后的特征根都非常低相差不大，该图从另一个侧面说明了只需提取三个因子即可。 4、采用主成分分析法计算因子载荷矩阵 为了更能突出各因子代表的变量，合理解释其实际意义，需对因子负荷矩阵进行旋转。选择方差最大化方法进行因子旋转，得到旋转后的因子负荷矩阵。见表4 表4：旋转因子负荷矩阵 由表4旋转因子负荷阵可看出，第一因子在X9－城镇居民人均可支配收入、X10－城镇居民人均消费性支出、X8－职工平均工资、X3－人均国内生产总值、X7－人口密度上有较高的载荷，从各指标的 HYPERLINK /Economic/ 经济含义可知它体现的是消费潜在能力，称之为消费因子；第二因子在X4－社会消费品零售总额、X5－住宿餐饮业零售额、X6－常住人口、X1－国内生产总值