sas长三角、珠三角、海西经济区代表性城市的综合竞争力分析Word下载.doc

1、 经济学系08级统计（1）班 2011年 6月14日摘要近年来，许多学者运用不同的方法对各地区的城市竞争力进行了不同比较的分析，研究城市综合竞争力，对于区域经济的发展中存在的问题以及解决存在的问题具有重要的借鉴意义。本文用SAS统计分析软件进行因子分析，选用长三角、珠三角、海西经济区这三个地区具有代表性的15个城市、13个指标进行因子分析，通过因子分析的特征根及其贡献率、因子旋转的方法、因子得分对比得出影响这三个地区城市竞争力的经济因子和城市因子，从因子得分可以看出珠三角和长三角地区的城市竞争力强于海西城市群，而长三角群的城市竞争力比珠三角城市群来得高。关键词：城市竞争力 因子分析 SAS软件

2、引言对城市竞争力的研究始于上世纪九十年代初,国外学者主要围绕城市竞争机制、影响因素、评价体系及提升对策等方面展开相关研究。目前国外城市竞争力评价模型主要有波特“钻石模型”、IMD模型、WEF模型、彼得模型及丹尼斯模型等。本文主要运用SAS统计分析软件，选用长三角、珠三角以及海西经济区共15个代表性城市进行因子分析。长三角、珠三角以及海西地区是我国综合实力较强的区域,在社会主义现代化建设全局中具有重要的战略地位和带动作用。这些城市群具有得天独厚的交通、通信、人力资源、航运、外贸等优势。就目前发展形势来看，长三角与珠三角实力差距较小，而紧随其后的新兴的海峡西案经济区具有开放优势、对台优势、港澳侨优

3、势。在发展的同时，长江三角洲与珠江三角洲的代表性城市均存在环境问题、城市化的问题、产业转移问题，导致城市竞争力发展优势已不再明显。在新形势、新阶段研究长三角、珠三角及海西城市综合竞争力,对促进地区城市间优势互补,优化资源配置,全面提升这些城市在我国乃至世界城市群竞争力方面具有重要的现实意义。一、 城市综合竞争力概念界定及指标体系构建（一）城市综合竞争力概念界定城市综合竞争力指一个城市以其现有的自然、经济、社会及制度等方面的综合比较优势为基础,通过创造良好的城市环境,在资源要素流动过程中形成更强的聚集、吸引和利用各种资源要素的能力。这种竞争力是在基本要素构成的基础上相互影响、密切配合、协调统一、

4、有机结合的综合系统。（二）评价指标的选取及说明1.指标的选择：城市竞争力涵盖的内容非常广泛，包括了城市经济社会发展的各个方面。从现有文献来看指标体系的选择主要有综合型和简明型两种。因此在注重科学性、可比性、系统性、可操作性、代表性等原则的基础上，为了比较全面评价城市的综合竞争力水平，本文认为指标体系的选择要以城市经济功能为核心，包括社会、经济、文化、环境、科技等方面的内容。根据上述标准选择了13个指标对长三角、珠三角、海西经济区的城市竞争力状况进行分析。2.指标说明：地区GDP、单位从业人员、主要用来说明经济发展水平方面的竞争力；社会消费品零售总额、人均可支配收入用来说明人民生活水平方面的竞争

5、力；年平均人口用来说明城市在人力资源、方面的竞争力；科学技术支出用来说明科技方面的竞争力；工业二氧化碳排放量、人均绿地面积用来说明在环境方面的竞争力；外商直接投资合同金额用来说明对外贸易竞争力；第三产业占GDP比重、固定资产、工业总产值用来说明经济结构方面的竞争力。二、综合竞争力实证分析（一）数据来源：本文主要数据均来源于中国城市统计年鉴2010，选用地区生产总值、人均可支配收入、社会消费品零售总额、人均绿地面积、工业企业个数、外商直接投资合同金额、工业二氧化碳排放量、科学技术支出、单位从业人员、工业总产值、年平均人口、第三产业占GDP比重、固定资产这13个指标。选取了15个城市，分别是海西经

6、济区的福州、厦门、泉州、莆田、漳州5个代表性城市；珠江三角洲的东莞、汕头、佛山、深圳、广州5个代表性城市；长江三角洲的上海、杭州、南京、温州、无锡5个代表性城市。详细数据见附录。（二）因子分析：运用SAS统计分析软件进行因子分析，结果如下1、特征值及累计方差贡献率The FACTOR Procedure Initial Factor Method: Principal Components Prior Communality Estimates: ONE Eigenvalues of the Correlation Matrix: Total = 13 Average = 1 Eigenval

7、ue Difference Proportion Cumulative 1 9.11220566 7.68083290 0.7009 0.7009 2 1.43137275 0.55409014 0.1101 0.8110 3 0.87728261 0.20214844 0.0675 0.8785 4 0.67513417 0.33528450 0.0519 0.9305 5 0.33984967 0.06747233 0.0261 0.9566 6 0.27237734 0.14382403 0.0210 0.9776 7 0.12855331 0.06204197 0.0099 0.987

8、4 8 0.06651134 0.02231926 0.0051 0.9926 9 0.04419208 0.00738610 0.0034 0.9960 10 0.03680599 0.02528295 0.0028 0.9988 11 0.01152303 0.00802184 0.0009 0.9997 12 0.00350119 0.00281033 0.0003 0.9999 13 0.00069086 0.0001 1.0000 2 factors will be retained by the MINEIGEN criterion.图1-1 因子分析的特征根及其贡献率图1-1中给

9、出了所有计算出来的特征根，可以根据特征根的贡献率来决定应当选择的公因子数目。从各个特征根的贡献（proportion 列）来看，前两个特征根的贡献率分别是0.7009、0.1101，远远大于其他特征根的的贡献率，两者特征根累计贡献率达到了81.1%，基本上可以在较大程度上反映原始数据的信息，可以先选择两个因子进行分析。2、因子得分及排名Factor Pattern Factor1 Factor2 x1 0.91012 -0.11776 x2 0.69248 0.45473 x3 0.96530 -0.05307 x4 0.40434 0.84077 x5 0.87910 0.04301 x6

10、0.97951 -0.05175 x7 0.75714 -0.31368 x8 0.78747 0.39618 x9 0.91776 -0.22962 x10 0.95852 0.09310 x11 0.75238 -0.39609 x12 0.73898 0.00749 x13 0.95405 -0.15101图1-2旋转前的的因子载荷根据因子载荷，可以利用因子分析模型写出原始变量与公因子之间的关系，Variance Explained by Each Factor Factor1 Factor2 9.1122057 1.4313728 Final Communality Estimates: