中国城镇居民消费区域差异的因素分析毕业论文.doc

《中国城镇居民消费区域差异的因素分析毕业论文.doc》由会员分享，可在线阅读，更多相关《中国城镇居民消费区域差异的因素分析毕业论文.doc（19页珍藏版）》请在三一办公上搜索。

1、本科毕业论本科生毕业论文中国城镇居民消费区域差异的因素分析Chinas urban residents consumption factors analysis of regional differences学 院：理学院专 业：统计学姓 名： 学 号： 指导教师： 职 称： 论文提交日期：二一三年六月摘 要 最近几年，中国城镇居民的消费水平和消费结构发生了很大的变化，具体表现为：城镇居民的消费水平有了较大幅度的提高；食品消费仍占有很大比重，但恩格尔系数下降；发展性和享受性消费比重提高；服务性消费的需求不断上升；城镇居民家庭的教育投入增长迅速，文化消费增长却依然缓慢，比重过小等等。物价的疯涨更

2、是充斥着每一位中国老百姓的心。由于我国幅员辽阔，各省、市、自治区之间的资源禀赋和经济发展水平不同，城镇居民消费水平与结构地区差异较为明显。为了更好地分析各地区农村居民人均纯收入及其影响因素的不同，本文采用，利用因子分析和聚类分析对全国31个省、市、自治区进行分类，进一步分析我国城镇居民的消费结构差异及其原因。因此，该研究对于把握城镇居民的消费结构的发展方向，进一步对于于我国政府的宏观调控，具有重要的现实意义。关键词：城镇居民消费结构 地区差异 因子分析 系统聚类法Chinas urban residents consumption factors analysis of regional di

3、fferencesAbstractIn recent years, Chinas urban residents consumption level and consumption structure, great changes have taken place, embodied in: the consumption level of urban residents has improved significantly; Food consumption is still occupy a large proportion, but the engels coefficient decr

4、ease; Developing and improving sex consumption ratio; Increasing demand for service consumption; Education investment to the rapid growth of the culture of urban households consumption growth is still slow, the weight is too small, and so on. Price rise is filled with heart of every Chinese people.B

5、ecause our country is a large country, the provinces, municipalities and autonomous regions resources endowment and economic development level is different, between the urban residents consumption level and structure, regional differences are obvious. In order to better analysis of regional per capi

6、ta net income of rural residents and its influencing factors, in this paper, using factor analysis and cluster analysis to classify the national 31 provinces, municipalities and autonomous regions, and further analysis of Chinas urban residents consumption structure difference and its reason. Theref

7、ore, the research for the direction of the consumption structure of urban residents, further to the governments macroeconomic regulation and control in our country, have important practical significanceKey words: Urban residents consumption structure Regional differences Factor analysis System clust

8、ering method目 录1 引言11.1 研究的背景及意义11.2 本文的研究方法11.3 数据来源22 因子分析22.1 因子分析的基本原理22.2 因子分析KMO检验32.3 因子分析共同度32.4 因子分析的总方差解释42.5 因子碎石图42.6 因子载荷矩阵52.7 因子得分系数62.8 因子得分及排名63 聚类分析处理83.1 用因子得分进行聚类83.2 总结聚类图104研究结果及解释105 结论与讨论116 建议11致谢13参考文献14附录151 引言1.1 研究的背景及意义消费作为经济活动中的一环，是实现经济健康平稳发展的关键，而消费结构作为消费的具体内容，它的合理与否，又

9、是消费的关键问题。因而，正确把握城镇居民消费结构的现状及地域间差异具有重要的现实意义。20世纪90年代以来，中国城镇居民的消费水平和消费结构发生了很大的变化，具体表现为：城镇居民的消费水平有了较大幅度的提高；食品消费仍占有很大比重，但恩格尔系数下降；发展性和享受性消费比重提高；服务性消费的需求不断上升；城镇居民家庭的教育投入增长迅速，文化消费增长却依然缓慢，比重过小等等。刚刚走过的2012年，物价的疯涨更是充斥着每一位中国老百姓的心，通胀预期影响着人们的消费方式和投资观念。那么，在这一年，我国各大中城市的消费结构如何？地域间差异又如何得以体现？本文利用2012年我国31个省直辖市城镇居民消费品

10、支出统计数据，在这个大背景下进行城镇居民消费结构分析，利用因子分析及聚类分析方法，将全国各省市进行分类，针对各类地区居民消费结构及差异进行研究，以期发现特点和规律。以往学术界也有对我国城镇居民的消费结构进行分析，如陈彦玲我国城镇居民消费结构区域差异分析、刘思嘉我国城镇居民消费结构的聚类分析及政策建议、孔蓓蓓我国城镇居民消费结构比较研究等，但以往的研究没有这个特殊的大背景，或没有对地区间进行差异研究。因而，本研究在理论以及实践上均有着重要的意义。1.2 本文的研究方法本文根据2012年全国各省城镇居民消费结构数据，分析城镇居民消费结构的地域影响因素，运用多元统计分析中的因子分析提取变量中的主要因

11、素，再对因子得分进行聚类分析，将我国各省市城镇进行分类，并比较各类的差异。下面介绍一下多元统计分析： 多元统计分析是研究多个随机变量之间相互依赖关系以及内在统计规律性的一门统计学科。同时，利用多元分析中不同的方法还可以对研究对象进行分析（如指标分类或样品分类）和简化（如把相互依赖的变量变成独立的或降低复杂集合的维数等等）。在当前科技和经济迅速发展的今天，在国民经济许多领域中特别对社会经济现象的分析，只停留在定性分析上往往是不够的。为提高科学性、可靠性，通常需要定性与定量分析相结合。实践证明，多元分析是实现做定量分析的有效工具。多元分析包括的主要内容：多元正态总体的参数估计和假设检验以及常用的统

12、计方法。这些方法是多元数据图表法、聚类分析、判别分析、主成分分析、因子分析、对应分析、多重多元回归分析、典型相关分析、路径分析、多维标度法等。本文运用SPSS软件来做因子分析和聚类分析，下面介绍一下统计软件SPSS的一些应用于功能。SPSS既是Statistical Package for the Social Science（社会科学统计软件包）的缩写，也是Statistical Product and Service Solution (统计产品与服务解决方案)的缩写，是世界上几大统计分析软件（SPSS、SAS、S-plus/R、STATA、GUASS）中使用最广泛，界面最友好，操作最方便

13、的统计软件，其强大的功能和易掌握性对于非统计专业特别是经济和管理专业的学生和工作人员，是一个不可多得的统计分析和数据处理的好工具、好助手。1.3 数据来源本文引用中国统计数据库中的2012年中国31个省直辖市城镇居民消费品支出统计的八项数据为例进行分析（见附表），包括：食品、衣着、家庭设备用品及服务、医疗保健、交通通讯、文教娱乐及服务、居住、杂项商品及服务。在此，以各地区城镇居民家庭平均每人全年消费性支出的各构成部分作为指标变量，分别记为X1、X2、X3、X4、X5、X6、X7、X8，采用SPSS13.0 for windows综合运用因子分析和聚类分析等多元统计方法对数据进行分析。数据见附录

14、表。2 因子分析2.1 因子分析的基本原理 因子分析的就是将具有错综复杂关系的变量（或样品），综合为数量较少的几个因子，以再现原始变量和因子之间的相互关系，通过不同的因子还可以对变量进行分类。因子分析模型的建立和求解过程都是基于随机向量的斜差矩阵，这是因为因子分析是为了消除相关性，同时在信息损失最小的情况下降维，通常认为随机变量的信息蕴含在其变化中，而随机变量变化通常用方差来表示，因此随机变量本身的信息就在变量的方差中，而变量间的重叠信息在变量协方差中，因此我们要研究变量的协方差矩阵。因子分析的基本目的就是用少数几个因子去描述许多指标或因素之间的联系，即将相关比较密切的几个变量归在同一类中，每

15、一类变量就成为一个因子，以较少的几个因子反映原资料的大部分信息。因子分析方法由研究原始变量的相关矩阵内部的依赖关系出发，把多个具有错综复杂关系的原始变量归结为少数几个综合因子的一种多元统计方法。因子分析的基本思想是根据相关性大小把原始变量分组，使同组内的变量之间的相关性较高，不同组的变量间的相关性则较低。对于所研究的某一具体问题，原始变量可以分解成少数几个公共因子的线性函数和与公共因子无关的特殊因子之和的形式。2.2 因子分析KMO检验表1是KMO检验及巴特莱特球形检验结果。在因子分析中我选择KMO and Bartletts test of sphericity 检验统计量，得到如下结果：表

16、1 KMO检验表表1结果用来判断数据是否能够用来做因子分析，我们知道，因子分析中，变量应该有较高的相关度，降维的效果才好，因此表格的第一行为检验变量间偏相关程度的KMO统计量，其值至少要在0.6以上数据才适合做因子分析，如果小于0.6，说明变量间相关性不强，因子分析效果不会太好，应该重新选择变量。下面的三行是球形检验的结果，球形检验的原假设是变量是不相关的，显然只有拒绝原假设的情况下数据才适合做因子分析。本例中KMO值为0.880，球形检验显著，两个条件都满足，变量间相关程度大，适合做因子分析。2.3 因子分析共同度如表2所示是因子分析的共同度，显示了所有变量的共同度数据。第一列是因子分析初始

17、值下的变量共同度，它表明对原有8个变量如果采用主成分分析法提取所有8个特征根，那么原有变量的方差都可被解释，变量的共同度均为1；第二列列出了按指定条件提取特征根时的共同度。从表中可以看到，变量的绝大部分信息可被因子解释，这些变量信息丢失较少。表2 因子共同度图表2.4 因子分析的总方差解释如表3所示是因子分析的总方差解释，是相关系数矩阵的特征值、方差贡献率及累计方差贡献率的计算结果。 表3 因子贡献率图表表3给出了因子分析各阶段的特征根及方差贡献率，共有两个因子的特征根大于1，应提取相应的两个公因子。同时可以看出，前两个因子已经可以解释原始变量84.123%的方差，已经包含了大部分的信息。2.

18、5 因子碎石图如图1所示是因子分析的碎石图。从图中可以看到，第一、二个特征值明显大于后面的特征值，说明提取第一、二个因子是合适的。图1 碎石图2.6 因子载荷矩阵表4 因子载荷矩阵列出了旋转以后的因子载荷矩阵，该矩阵在因子分析中非常重要，首先，我们根据该表得出因子分析模型，了解因子结构；二，是我们进行因子命名的主要依据，我们从表中观察到，每个因子在有些变量上载荷较大，有些变量上载荷较小，归纳如下：因子1上载荷较大的变量：食品、家庭设备用品与服务、交通和讯、教育文化娱乐服务、杂项商品和服务、居住。因子2上载荷较大的变量：衣着、医疗保健。通过分析可知，公共因子食品、交通及通讯、居住、家庭设备用品及

19、服务、娱乐教育文化、杂项商品及服务上占有较大载荷，说明这几个指标有较强的相关性，可以归为一类，命名为“主要消费因子”。而公共因子2则在剩余的两项即医疗保健和衣着上占有较大比重，这两项可以归为一类，命名为“次要消费因子”。2.7 因子得分系数因子得分就是观测量的共性因子的值。给出了因子得分系数矩阵，根据表中的因子得分系数和原始变量的标准化值可以计算每个观测值的各因子的得分。表5 因子得分系数表2.8 因子得分及排名当因子载荷阵确定以后，便可以计算各因子在每个样本上的具体数值，称之为因子得分。由系数矩阵可以将2个公共因子表示为8个指标的线性形式。则旋转后的因子得分表达式可以写成：F1=0.945X

20、1+0.132X2+0.777X3+0.801X4+0.349X5+0.934X6+0.851X7+0.689X8F2=0.087X1+0.899X2+0.429X3+0.405X4+0.791X5+0.206X6+0.460X7+0.583X8以特征根贡献率为权数，综合因子得分计算公式为：F=54.328F1+29.795F2，各城市的综合因子得分及排序名次如表6所示。表6 各城市的综合因子得分及排名表城市主要消费因子得分次要消费因子得分主要消费因子排名次要消费因子排名综合得分综合因子排名北 京1.33022.60265311.782天 津0.764631.10654630.895河 北-0

21、.669730.368942412-0.315山 西-0.697280.246622513-0.3619内蒙古-0.779931.628462820.0710辽 宁-0.309430.55639189011吉 林-0.857671.09182304-0.1713黑龙江-1.106380.439293211-0.5628上 海3.018050.69788172.21江 苏0.63319-0.117597190.377浙 江1.236640.98844451.154安 徽-0.20624-0.536761323-0.3217福 建1.12631-0.865955260.426江 西-0.29307

22、-0.818641725-0.4826山 东-0.255240.767491560.118河 南-0.781810.246162914-0.4221湖 北-0.28959-0.319181622-0.315湖 南-0.231580.083061416-0.1212广 东2.69533-1.132742291.343广 西0.07777-1.36679930-0.4323海 南0.57863-2.33851832-0.4524重 庆-0.104690.4652811100.19四 川-0.12995-0.679391224-0.3217贵 州-0.35475-0.985821928-0.5829

23、云 南-0.62523-0.880452327-0.7230西 藏-0.41659-1.429462131-0.7831陕 西-0.36936-0.101422018-0.2714甘 肃-0.5353-0.175762220-0.4120青 海-0.72307-0.221592721-0.5527宁 夏-0.716410.113142615-0.4221新 疆-1.007440.56791318-0.4524综合表6来看，主要消费因子排名与综合因子排名基本一致，且与城市发达程度呈正相关关系，其得分最高的四个城市分别为：上海、北京、广东、浙江。而次要消费因子排名与综合因子排名并不同步，且有较大差

24、异，得分高的城市经济发展程度普遍不高，得分排前四位的城市分别为：北京、内蒙古、天津以及吉林。改革开放30年来，我国国民经济保持了9.8%的年均增长速度，取得了举世瞩目的成就。伴随着经济的高速增长，经济发展不平衡、不协调的问题也随之产生，主要表现为区域经济发展差距扩大，发展不协调的矛盾日渐突出，特别是东部沿海地区与其他地区的经济发展差距越来越大。城镇居民的消费水平也与区域的差异有了更加突出的显现。从上面的因子的分排名就可以看出区域差异的影响，为了更好地展现，我准备要运用聚类分析来把具体城市做个分类。3 聚类分析处理3.1 用因子得分进行聚类聚类分析又称群分析，它是研究（样品或指标）分类问题的一种

25、多元统计方法。聚类分析内容非常丰富，有系统聚类法、有序样品聚类法、动态聚类法、模糊聚类法、图论聚类法、聚类预报法等。系统聚类法有11种方法可供选择：类平均法、重心法、最长距离法、密度法、最大似然法、可变法、MCQUITTYS相似分析、中间距离法、最短距离法、二阶密度法、离差平方和法。聚类分析的目的是把分类对象按照相似性的大小分成若干类，类的数目不必确定，分类完全根据数据自身的特点来完成，在分类结束以后，要求同类的对象相似，而不同类的对象差别大。我国幅员辽阔，地区间的自然条件、文化传统以及经济发展差异巨大，发展不协调的矛盾日渐突出，特别是东部沿海地区与其他地区的经济发展差距越来越大。区域经济发展

26、差距长期持续扩大所造成的现实和潜在的负面影响是不容忽视的。面对区域差距日益扩大的现实，国家实施了推进西部大开发、振兴东北等老工业基地、促进中部地区崛起等一系列重大的区域经济政策，以促进区域经济协调发展。目前，我国新的区域发展格局正在形成，即西部提速、东北攻坚、东部保持、东西互动、拉动中部。统筹区域发展，建立和健全区域经济协调发展的机制，对于促进我国经济社会协调发展的意义是不言而喻的。 从发展趋势看，缩小区域发展差距，推动区域经济协调发展依然任重道远。为了进一步分析各地区城镇居民在八项消费上所体现出的规律，对全国31个省市自治区进行聚类，本文采用系统聚类,分出哪些地区在消费上体现出相近的特征，利

27、用SPSS中聚类分析得到结果如下：图2 聚类图3.2 总结聚类图根据聚类图做出具体分类如下：第一类：天津、浙江、北京、上海、广东；第二类：海南、云南、贵州、江西、四川、安徽、西藏、广西、福建、江苏；第三类：陕西、甘肃、湖北 、青海、湖南、内蒙古、吉林；第四类：山西、河南、宁夏、河北、黑龙江、新疆、辽宁、山东、重庆。4 研究结果及解释因子分析中，从表6（各因子得分及排名）可知，各城市总排名与主要消费因子排名密切相关，且主要因子得分随发达程度递增，上海、北京、广东和浙江排在前四位，说明随着经济的发展，人们收入的增加，对生活的要求也不断增加，已经不满足于吃饱穿暖，而是追求更高的生活水平即更营养的食物

28、、舒适的环境、快捷的交通等。因此，发达地区居民“主要消费因子”也不断增大。而不发达地区的收入较低，不能满足过高的要求，否则将入不敷出，因此“主要消费因子”也较低。而在“次要消费因子”中排前四位的分别是北京、天津、内蒙古以及吉林，经济发展程度有高有低，但均为北方城市，即这类地区在医疗、穿着上花费最多。这一方面是由于这些地区大部分都位于我国的北方和西部地区，四季分明，气候差异较大，需购置的服装种类以及数量均比较多。另一方面也是因为大部分为不发达地区，而且其中老国企较多，遗留下的退休职工更多，养老、医疗费用花费巨大。第三方面，不发达地区的年轻人都跑到发达地区打工，从而导致这些地区老龄化趋势严重，护理

29、和照顾老年人使得医疗费用大幅增加。发达地区外来打工人员居多，本地老年人比重相当较小，医疗费用少。因为人员的流动性，发达地区把养老的负担转嫁到不发达地区。聚类分析中，由表5可得，全国31个大中城市被分为四类。从地理位置、社会经济发展水平和消费结构等方面看,第一类地区为东部沿海地区，经济发展水平高，“主要消费因子”得分高，而“次要消费因子”得分较低。如上文所说，这与其气候、人口年龄结构等相关。第二类地区主要是北方城市，经济发展水平仅次于第一类，这类地区“主要消费因子”得分也高于全国水平，但“次要消费因子”得分最高，这与其寒冷的气候、老工业区、国企聚集有密切关系。第三类地区处于我国南部，经济发展水平

30、算不上发达，综合评价略低于全国水平。“主要消费因子”和“次要消费因子”都较低，除福州的“主要消费因子”略高于全国水平外，其他城市的两种因子均低于全国水平，这主要是由于这类地区经济发展水平不高，从而消费水平较低。第四类地区主要是我过中西部地区，这类地区经济发展程度处于较低水平，“主要消费因子”最低，但由于气候原因，其“次要消费因子”要比第三类地区高。5 结论与讨论本文运用因子分析和系统聚类分析方法对2012年上半年全国31个省份及直辖市城镇居民消费结构进行地区差异研究，首先运用因子分析方法将全国城镇居民八项消费指标进行降维，找出两个公共因子，并根据这两个公共因子对31个省份及直辖市进行聚类分析，

31、以进行地域间的差异比较。根据以上分析可以得到以下结论：第一，城镇居民消费结构最“主要的消费因子”包括食品、交通及通讯、居住、家庭设备用品及服务、娱乐教育文化、杂项商品及服务，而“次要消费因子”包括衣着和医疗保健。第二，根据居民消费结构的不同，全国可分为四类地区，在同一类地区上，居民的消费结构比较相似。第三，由地区居民消费结构与其社会经济发展水平的高度一致性可以推知,居民消费结构与社会经济发展水平相关，同时也与气候条件、人口年龄结构等有一定关系。需要说明的是,本文只是一项初步的探索性研究,其中还存在有待进一步发展和完善的不足之处，如受资料所限，本文仅是某个时点上的横向研究,只观察到了2012年我

32、国城镇居民消费结构的地区差异,而没有进行一般时期的动态研究来考察我国居民消费结构的变迁。6 建议根据以上研究结论，为了使居民消费结构更加合理，本文建议：首先，要保持经济的快速增长，提高居民收入水平，有效拉动地区消费，培育优良的消费环境，规范消费市场，使居民逐渐树立消费信心。其次，从各地区在主因子得分上来看，我国东部与中、西部地区消费差异明显，因而加快中、西部地区的经济增长，改善其经济结构，缩小其与东部地区在收入上的差距，不仅有助于本地区消费质量的提高，而且有助于使我国城镇居民的消费质量上一个新的台阶。再次，要进一步完善包括住房、医疗、失业、养老等在内的社会保障体系，消除居民消费顾虑，同时适当保

33、护低收入者，确保城市最低生活保障水平线；鼓励居民多层次拓宽投资渠道，实现财产的不断升值；加大对个体和私营经济的扶持力度，切实提高经营者收益。最后，还要清理那些抑制消费的不合理规定，打击制造销售假冒伪劣商品的行为，整顿市场秩序，改善售后服务，营造消费的良好氛围。致 谢本论文是在我们的老师吴国荣的亲切关怀和悉心指导下完成的。他严肃的态度，严谨的治学精神，精益求精的工作作风，深深地感染和激励着我。从课题的选择到项目的最终完成，吴国荣都始终给予我们细心的指导和不懈的支持。在论文即将完成之际，我的心情无法平静，从开始进入课题到论文的顺利完成，有多少可敬的师长、同学、朋友给了我无言的帮助，在这里请接受我诚

34、挚的谢意!书到用时方恨少，在这篇论文的撰写过程中，我们深感自己的水平还非常的欠缺。生命不息，学习不止，人生就是一个不断学习和完整的过程。参 考 文 献1 夏怡凡 SPSS统计分析精要与实例详解.北京电子工业出版社，2010.32 郭志刚 社会统计分析方法SPSS软件应用（第二版） 中国人民大学出版社3 孙彩虹 我国城镇居民消费结构变动的因子分析J. 重庆工商大学学报，2007（2）4 陈彦玲 我国城镇居民消费结构区域差异分析. 全国贸易经济类核心期刊5 刘思嘉 我国城镇居民消费结构的聚类分析及政策建议.现代管理科学，2010（1）6 孔蓓蓓 我国城镇居民消费结构比较研究. 北方经济，2010（

35、11）7 肖 萍，韩锦春 全国各地区农民家庭收支的聚类与判别分析J.科技信息，2007（14）附录 表7我国各省城镇居民消费的各项指标值 单位： 元地 区食 品衣 着居 住家庭设备用品及服务医疗保健交通和通信教育文化娱乐服务杂项商品和服务北 京4934.051512.881246.19981.131294.072328.512383.96649.66天 津4249.311024.151417.45760.561163.981309.941639.83463.64河 北2789.85975.94917.19546.75833.511010.51895.06266.16山 西2600.371064

36、.61991.77477.74640.221027.991054.05245.07内蒙古2824.891396.86941.79561.71719.131123.821245.09468.17辽 宁3560.211017.651047.04439.28879.081033.361052.94400.16吉 林2842.681127.091062.46407.35854.80873.88997.75394.29黑龙江2633.181021.45784.51355.67729.55746.03938.21310.67上 海6125.451330.051412.10959.49857.113153.

37、722653.67763.80江 苏3928.71990.031020.09707.31689.371303.021699.26377.37浙 江4892.581406.201168.08666.02859.062473.402158.32467.52安 徽3384.38906.47850.24465.68554.44891.381169.99309.30福 建4296.22940.721261.18645.40502.411606.901426.34375.98江 西3192.61915.09728.76587.40385.91732.97973.38294.60山 东3180.641238

38、.341027.58661.03708.581333.631191.18325.64河 南2707.441053.13795.39549.14626.55858.33936.55300.19湖 北3455.981046.62856.97550.16525.32903.021120.29242.82湖 南3243.881017.59869.59603.18668.53986.891285.24315.82广 东5056.68814.571444.91853.18752.522966.081994.86454.09广 西3398.09656.69803.04491.03542.07932.8710

39、50.04277.43海 南3546.67452.85819.02519.99503.781401.89837.83210.85重 庆3674.281171.15968.45706.77749.511118.791237.35264.01四 川3580.14949.74690.27562.02511.781074.911031.81291.32贵 州3122.46910.30718.65463.56354.52895.041035.96258.21云 南3562.33859.65673.07280.62631.701034.71705.51174.23西 藏3836.51880.10628.3

40、5271.29272.81866.33441.02335.66陕 西3063.69910.29831.27513.08678.38866.761230.74332.84甘 肃2824.42939.89768.28505.16564.25861.471058.66353.65青 海2803.45898.54641.93484.71613.24785.27953.87331.38宁 夏2760.74994.47910.68480.84645.98859.04863.36302.17新 疆2760.691183.69736.99475.23598.78890.30896.79331.80数据来源：中国统计年鉴2012