原创SPSS不同因素对通勤交通方式选择的影响论文报告.docx
《原创SPSS不同因素对通勤交通方式选择的影响论文报告.docx》由会员分享，可在线阅读，更多相关《原创SPSS不同因素对通勤交通方式选择的影响论文报告.docx（16页珍藏版）》请在冰豆网上搜索。
原创SPSS不同因素对通勤交通方式选择的影响论文报告
不同因素对通勤交通方式选择的影响
出行强度是衡量居民的出行需求、出行能力和城市交通服务水平的综合指标，它由一系列的指标来表示，其中人均出行次数最具代表性。
出行次数主要反映居民出行能力和需要，其与城市人口数的乘积即为出行总量，出行总量是城市交通系统最低承受能力限度的基本量度指标。
人均出行次数是指调查范围内适龄人口全日出行总量与适龄人口总数的比值，是交通规划中用来衡量城市居民出行状况，计算城市居民出行需求总量的非常重要的指标。
一、研究内容
1.1、研究背景
本文想要研究不同因素对通勤交通方式选择的影响，对成都两个大型小区（高端和普通）居民分别进行了出行调查，各调查了300人。
1.2、研究目的
通过运用决策树和Logistic回归方法，找出对通勤交通方式选择的影响的因素，建立合适的模型,对通勤交通方式选择问题进行分析以及提供一些合理化的建议。
1.4、研究方法
主要采用因子分析和聚类方法对数据进行分析。
二、数据介绍
2.1、数据来源
本次分析的数据来自对两个大型小区（高端和普通）居民的出行调查。
2.2、指标选取
本次分析一共选取了：
Distance：
居住地离上班地的距离（公里）
Pincome：
个人年收入（万元）
Hincome：
家庭年收入（万元）
Age：
年龄
Gender：
性别（0：
女；1：
男）
Car：
家庭拥有汽车的数量
Education：
教育水平（1：
初中及以下；2：
高中；3：
专科；4：
本科；5：
研究生）
Job：
工作类型（1：
公司职员；2：
工厂工人；3：
公务员；4：
个体；5：
事业单位；6：
其他）
People：
家里人口数量
Children：
家里未成年人数量
Housing：
房屋拥有类型（0：
租房；1：
买房）
Area：
房屋居住面积（平方米）
Mode：
主要通勤出行方式（1：
汽车；2：
公共交通；3：
电动自行车；4：
其他）
三、数据预处理
3.1、数据审核
由上表，可得：
本次分析的数据都是有效的，不存在缺失值。
3.2、描述性统计量
描述统计量
N
极小值
极大值
均值
标准差
distance
600
.0000
36.7600
11.859700
7.5379513
pincome
600
3
23
8.59
4.106
hincome
600
3.0000000
62.0000000
19.593333333
9.7215638434
car
600
0
3
1.19
.935
age
600
19
65
41.66
13.485
children
600
0
2
.82
.552
people
600
1
5
2.98
1.028
area
600
70
180
121.85
28.380
有效的N（列表状态）
600
由上表，可得：
距离、个人收入、年收入、拥有汽车数量、教育水平、工作类型、家里人口数量、未成年人数量、房屋居住面积这8个变量的均值分别为：
11.8597、8.59、19.593333、1.19、41.66、.82、2.98、121.85，可以看出这8个连续性变量不存在量纲上的差异，因此在后面的分析中，不需要进行标准化处理。
同时，这8个变量之间存在较强的线性相关性，说明变量之间存在严重的多重共线性，可以考虑对变量进行降维后在进行分析。
Distance、Pincome、Hincome、Age、Car、People、Children、Area、为数值型变量，Gender、Education、Job、Housing、Mode是定类型变量。
数值型的均值与方差：
描述统计量
N
均值
方差
distance
600
12.2377
55.326
pincome
600
8.34
14.984
hincome
600
19.10
90.688
age
600
42.15
187.220
car
600
1.18
.853
people
600
2.95
1.166
children
600
.81
.287
area
600
120.78
764.494
有效的N（列表状态）
600
分类型的频率：
统计量
gender
education
mode
job
housing
N
有效
600
600
600
600
600
缺失
0
0
0
0
0
gender
频率
百分比
有效百分比
累积百分比
有效
0
315
52.5
52.5
52.5
1
285
47.5
47.5
100.0
合计
600
100.0
100.0
education
频率
百分比
有效百分比
累积百分比
有效
1
42
7.0
7.0
7.0
2
95
15.8
15.8
22.8
3
151
25.2
25.2
48.0
4
238
39.7
39.7
87.7
5
74
12.3
12.3
100.0
合计
600
100.0
100.0
mode
频率
百分比
有效百分比
累积百分比
有效
1
229
38.2
38.2
38.2
2
139
23.2
23.2
61.3
3
180
30.0
30.0
91.3
4
52
8.7
8.7
100.0
合计
600
100.0
100.0
job
频率
百分比
有效百分比
累积百分比
有效
1
168
28.0
28.0
28.0
2
139
23.2
23.2
51.2
3
51
8.5
8.5
59.7
4
73
12.2
12.2
71.8
5
107
17.8
17.8
89.7
6
62
10.3
10.3
100.0
合计
600
100.0
100.0
housing
频率
百分比
有效百分比
累积百分比
有效
0
59
9.8
9.8
9.8
1
541
90.2
90.2
100.0
合计
600
100.0
100.0
独立样本检验
方差方程的Levene检验
均值方程的t检验
F
Sig.
t
df
Sig.（双侧）
均值差值
标准误差值
差分的95%置信区间
下限
上限
distance
假设方差相等
.076
.783
-1.133
598
.257
-.71143
.62765
-1.94409
.52124
假设方差不相等
-1.132
467.069
.258
-.71143
.62843
-1.94632
.52347
hincome
假设方差相等
1.447
.230
-14.614
598
.000
-10.092
.691
-11.448
-8.736
假设方差不相等
-14.363
443.673
.000
-10.092
.703
-11.473
-8.711
age
假设方差相等
1.135
.287
-.773
598
.440
-.893
1.155
-3.162
1.376
假设方差不相等
-.779
480.615
.436
-.893
1.146
-3.145
1.359
people
假设方差相等
2.427
.120
-13.457
598
.000
-1.075
.080
-1.232
-.918
假设方差不相等
-13.755
501.168
.000
-1.075
.078
-1.229
-.922
由上表中的结果：
hincome、people、distance和age的sig>0.05，可知：
hincome、people、distance和age无显著区别。
（2）对于分类型变量，进行卡方分布检验。
案例处理摘要
案例
有效的
缺失
合计
N
百分比
N
百分比
N
百分比
gender*小区
600
100.0%
0
.0%
600
100.0%
education*小区
600
100.0%
0
.0%
600
100.0%
gender*小区
交叉表
计数
小区
合计
1
2
gender
0
204
111
315
1
172
113
285
合计
376
224
600
卡方检验
值
df
渐进Sig.（双侧）
精确Sig.（双侧）
精确Sig.（单侧）
Pearson卡方
1.244a
1
.265
连续校正b
1.063
1
.303
似然比
1.244
1
.265
Fisher的精确检验
.273
.151
线性和线性组合
1.242
1
.265
有效案例中的N
600
a.0单元格（.0%）的期望计数少于5。
最小期望计数为106.40。
b.仅对2x2表计算
由上表结果：
gender的渐进sig>0.05，可知1区、2区的gender的区别是不显著的。
education*小区
交叉表
计数
小区
合计
1
2
education
1
31
11
42
2
65
30
95
3
84
67
151
4
155
83
238
5
41
33
74
合计
376
224
600
卡方检验
值
df
渐进Sig.（双侧）
Pearson卡方
9.053a
4
.060
似然比
9.106
4
.059
线性和线性组合
2.287
1
.130
有效案例中的N
600
a.0单元格（.0%）的期望计数少于5。
最小期望计数为15.68。
由上表结果：
education的渐进sig〉0.05，可知1区和2区的education不具有显著的差别。
四、因子分析
通过前述的信度检验和Bartlett球形检验可知，相关矩阵不是单位阵。
本研究适合进行因子分析。
利用主成分分析法按照特征根大于1来进行因子分析。
表明前5个因子解释了原始16个因素的56.482%，效果比较明显，可以较充分反映出原始16个因素所含的信息。
计算旋转后的因子载荷结果如表2所示，据此可得出各因子的表达式。
在第1个因子的载荷中，出行路况、城市交通管理水平、天气状况的系数较大。
其中城市交通管理水平的得分均值为4.24，仅在绿色出行理念和安全性之后，是城市居民选择绿色出行方式时很重要的一个决策因素，而出行路况情况为4.02，天气情况均值仅为3.76。
因此，将第1个因子命名为“交通管理水平因子”。
在第2个因子的载荷中，出行方式的安全性、舒适性、便利性、经济性这4个影响因素的系数较大。
4个因素的得分均值依次为4.26、3.77、4.09和3.98，表明4者都是居民做出选择所需要考虑的重要因素。
因此，将第2个因子命名为“出行方式服务水平因子”。
在第3个因子载荷中，出行距离、耗时性、出行目的和出行紧迫性的系数较大。
其中耗时性即出行时间的长短和出行紧迫性均值是3.91，说明其在居民决策中有一定的影响度，其次是出行目和出行距离。
因此，将第3个因子命名为“出行特性因子”。
在第4个因子载荷中，私家车拥有情况、自行车拥有情况和家庭收入的系数较大，其得分均值分别是3.48、3.20和3.76，可以看出家庭收入相比于前两者居民看重程度较高，且前两者一定程度受到家庭收入的影响。
因此，将第4个因子命名为“家庭因子”。
在第5个因子载荷中，绿色出行理念和环保性的系数较高依次是0.745和0.706。
两者的均值（4.52）分别排在首位和第5位（4.07），说明居民在决策时十分看重绿色出行理念和环保性。
因此，将第5个因子命名为“绿色出行理念因子”。
五、聚类分析
根据居住地距离，我们使用kmean聚类将样本分成2个类别，并保存结果到小区变量中。
结果如图所示。
聚类中心结果如下
初始聚类中心
聚类
1
2
distance
1.7400
36.7600
pincome
4
15
hincome
6.0000000
30.0000000
age
19
62
car
0
1
people
3
2
children
0
0
迭代历史记录a
迭代
聚类中心内的更改
1
2
1
20.721
25.990
2
2.869
2.682
3
.777
.744
4
.634
.603
5
.540
.487
6
.000
.000
a.由于聚类中心内没有改动或改动较小而达到收敛。
任何中心的最大绝对坐标更改为.000。
当前迭代为6。
初始中心间的最小距离为61.436。
人均出行次数是指调查范围内适龄人口全日出行总量与适龄人口总数的比值，是交通规划中用来衡量城市居民出行状况，计算城市居民出行需求总量的非常重要的指标。
其中，适龄人口指的是在年龄上具备独立出行能力的城市居民，通常指学龄前儿童以外的其他年龄段居民，也即城市居民出行调查的对象。
一般来说，人均出行次数的多少与出行目的、城市布局、生活方式、工作方式、家庭经济状况、交通设施、通讯设施、城市环境质量等因素有关。
六、结论和建议
通过居民出行方式选择的分析不难发现，个体机动化交通方式在对公共交通有着强烈排斥作用的同时正无时无刻地与公共交通进行激烈的竞争。
有车家庭和无车家庭在出行方式的选择上必然存在很大的差别，有车家庭出行时首选自驾车，由于自驾车需要花费取车、停车等额外时间，而且还需要缴付一定的进程及停车费用，所以在短途出行时，出行者大多数仍会采用传统的步行出行方式。
居民出行方式的选择影响着交通系统结构的建立。
我国目前正处于交通结构调整时期，出行方式日趋多样化，出行需求日益增长，为了调整城市交通各出行方式间的构成比例，建立一个可持续化的交通系统结构模式，仍需要大力发展公共交通，引导人们选择更加有益于社会、环境的出行方式
升级会员 