运输统计与分析课程设计_我国汽车保有量发展趋势分析(编辑修改稿)

运输统计与分析课程设计_我国汽车保有量发展趋势分析(编辑修改稿)内容摘要：

DP 的增加， 年末 储蓄幅度的增加以及人们的消费结 7 构的转变，使得中国发展成为一个极具潜力的消费市场。 由上图可以看出近几年的各项经济指标增长的幅度明显大于往年，这也带动我国汽车保有量增长迅猛。 表 21 2020— 2020年汽车保有量 年份 汽车保有量（万辆） 2020 2020 2020 2020 2020 2020 2020 据 国家统计局统计， 1990 年全国民用汽车保有量仅有 554 万辆，其中私车保有量为 82 万辆，占 %。 这 82 万辆私人汽车中， 58 万辆是载货车，只有24 万辆是载客汽车。 私人客车中，相当数量是微型面包车，真正的私人轿车寥寥无几。 此后，私人汽车比例一路走高，私人轿车也逐步增加。 同时有数据显示，在 1993 年年底，我国的各类汽车的保有量数据 810 万辆，这个数据只相当于日本的 1/10，美国的 1/28，德国的 1/6 左右。 但是随着我国经济的迅速发展，人们消费水平的提高，汽车消费也是逐年增加，汽车行业发展很飞速。 自上世纪 80年 代中国开始出现私人汽车以来，到 2020 年社会保有量达到 1219 万辆，私人汽车突破千万辆用了近 20 年，而突破 2020 万辆仅仅用了 3 年时间。 从表 21，我们可以看出我国的汽车保有量从 2020 年 3159 万辆增长到了 2020 年的 万辆。 随着社会的和技术的进步，生活水平的进一步提高，我国的汽车保有量将会继续增长，在现实生活中，人们越来越多的重视汽车的消费，把汽车消费纳入生活中的一样必需品，汽车进入 普通家庭己经成为一个人所共知的事实，也是整个社会经济发展的趋势。 将来的社会汽车就会像手机一样普遍，汽车保有量的 迅速增长可是可想而知的，对汽车保有量进行相关方面的研究也是很有意义的。 8 3 统 计模型与分析 相关性分析 相关性分析 原理 任何事物的存在都不是孤立的，而是相互联系、相互制约的。 说明客观事物相互间关系的密切程度并用适当的统计指标表示出来，这个过程就是相关分析。 通常用相关系数来描述线性关系的强弱和方向。 如果两个样本观测值序列之间相关关系数的绝对值为 1，则两者之间具有完全的相关性，相关系数的绝对值越大，越接近于 1的话，两者之间的相关性就越强，反之，相关系数越小，绝对值为 0或者接近 0的话， 两者之间不具有相关性。 两个变量之间的相关性用相关系数来衡量，要是一个变量与多个变量之间的相关性，一般用偏相关系数来衡量。 运用相关分析法进行因子筛选，相关系数用 r表示，常用的相关系数主要有 Pearson简单相关系数、 Spearman等级相关系数和 Kendall相关系数。 这里介绍下 Pearson简单相关系数 用来度量定居型变量之间的线性相关 关系。 计算公式为： 其中， n为样本数， xi和 yi分别为两变量的变量值， 代为变量 xi和 yi的协方差， 分别为变量 x和 y的标准差。 rO为正相关。 rO为负相关。 r=0为零相关或无相关 .|r|越接近于 1，说明相关性越好。 |r|越接近于 0，说明相关 9 性越差。 r=l 时表示两变量之间存在完全的正相关。 r=1时，表示两变量存在完全负相关。 SPSS的 操作步骤 运用相关性分析法，通过判断各个因素与汽车保有量之间的线性相关程度的强弱，刷选出对汽车保有量有影响的重要因素。 设汽车保有量为 Y，设汽车保有量影响因素：人均 GDP、工业生产总值、公路货运量、公路客运量、公路总里程、能源消耗总量、人口数量、居民消费水平分别为 X X X X X X XX8。 SPSS 操 作步骤如下： ① 按分析 — 相关性 — 双变量相关，打开对话框， 完成相关操作， 如图所示： 图 31 相关分析操作界面 10 ② 结果输出： 表 31 相关分析输出结果 相关性 民用汽车 人均国内生产总值 工业总产值 货 运 量 客运量 民用汽车 Pearson 相关性 1 .991** .995** .998** .980** 显著性（双侧） .000 .000 .000 .000 N 22 22 22 22 22 人均国内生产总值 Pearson 相关性 .991** 1 .990** .996** .994** 显著性（双侧） .000 .000 .000 .000 N 22 22 22 22 22 工业总产值 Pearson 相关性 .995** .990** 1 .997** .977** 显著性（双侧） .000 .000 .000 .000 N 22 22 22 22 22 货 运 量 Pearson 相关性 .998** .996** .997** 1 .988** 显著性（双侧） .000 .000 .000 .000 N 22 22 22 22 22 客运量 Pearson 相关性 .980** .994** .977** .988** 1 显著性（双侧） .000 .000 .000 .000 N 22 22 22 22 22 公 路 Pearson 相关性 .923** .948** .932** .933** .933** 显著性（双侧） .000 .000 .000 .000 .000 N 22 22 22 22 22 能源消耗 Pearson 相关性 .971** .987** .976** .980** .976** 显著性（双侧） .000 .000 .000 .000 .000 N 22 22 22 22 22 人口数量 Pearson 相关性 .818** .872** .796** .832** .886** 显著性（双侧） .000 .000 .000 .000 .000 N 22 22 22 22 22 居民消费 Pearson 相关性 .983** .997** .977** .988** .995** 显著性（双侧） .000 .000 .000 .000 .000 N 22 22 22 22 22 相关性 公 路 能源消耗 人口数量 居民消费 民用汽车 Pearson 相关性 .923 .971** .818** .983** 显著性（双侧） .000 .000 .000 .000 N 22 22 22 22 人均国内生产总值 Pearson 相关性 .948** .987 .872** .997** 显著性（双侧） .000 .000 .000 .000 N 22 22 22 22 工业总产值 Pearson 相关性 .932** .976** .796 .977** 11 显著性（双侧） .000 .000 .000 .000 N 22 22 22 22 货 运 量 Pearson 相关性 .933** .980** .832** .988 显著性（双侧） .000 .000 .000 .000 N 22 22 22 22 客运量 Pearson 相关性 .933** .976** .886** .995** 显著性（双侧） .000 .000 .000 .000 N 22 22 22 22 公 路 Pearson 相关性 1** .974** .861** .943** 显著性（双侧） .000 .000 .000 N 22 22 22 22 能源消耗 Pearson 相关性 .974** 1** .875** .983** 显著性（双侧） .000 .000 .000 N 22 22 22 22 人口数量 Pearson 相关性 .861** .875** 1** .904** 显著性（双侧） .000 .000 .000 N 22 22 22 22 居民消费 Pearson 相关性 .943** .983** .904** 1** 显著性（双侧） .000 .000 .000 N 22 22 22 22 **. 在 .01 水平（双侧）上显著相关。 输出结果分析 从表 31的输出结果我们可以看出，汽车保有量与人均 GDP、工业总产值、公路货运量、公路客运量、公路总里程、能源消耗总量、人口数量、居民消费水平的相关系数分别是 、 、 、 、 、 、 、。 因此，我们可以得出汽车保有量与各个影响因素之间具有很好的相关性。 同时，从表中也可以看出汽车保有量的各个影响因素之间也存在很好的相关性，他们之间可能存在相互影响。 主成分分析 主成分分析的基本理论 1. 主成分的概念 12 主成分分 析（ PCA），是由 Hotelling 于 1933 年首先提出的。 在社会经济的研究中，为了全面系统的分析和研究问题，必须考虑许多经济指标，这些指标能从不同的侧面反映所研究对象的特征，在某种程度上存在信息的重叠，具有一定的相关性。 主成分分析就是力求数据信息丢失最少的原则下，在高维的变量空间降维，即研究指标体系的少数几个线性组合，并且这几个线性组合所构成的综合指标将尽可能多的保留原来指标变异方面的信息的一种分析方法。 假设我们所讨论的实际问题中，有 p 个指标，我们把这 p 个指标看作 p 个随机变量，记为 Xl， XZ，„， XP， 主成分分析就是要把这 p 个指标的问题，转变为讨论 p 个指标的线性组合的问题，而这些新的指标 Fl， FZ，„， Fk(k≦ P)，按照保留主要信息量的原则充分反映原指标的信息，并且相互独立。 第一个线性组合即为第一个综合指标记作 Yl，为了使得该线性组合具有唯一性，要求在所有的线性组合中 Yl 的方差最大，它所包含的信息最多。 如果要是第一主成分不足以代表原来的 P 个指标的所有信息量的话，考虑选择第二个主成分，第二主成分是与第一主成分不相关的原线性组合方差最大者，以此类推。 2. 主成分的性质 方差为所有特征根之和即 一说明 主成分分析把 p个随机变量。