计量地理学.docx

1、计量地理学本科毕业生论文标题 地理科学 年级： 专业： 地理科学 类别： 姓名： 二一四年月 摘 要当前，随着建筑业市场的持续攀升，建筑业成为国家宏观调控的重点行业，加上低碳环保经济发展模式受到国家政府的高度重视，建筑工程项目的开发使用正在面临着巨大变革，在新模式的发展下，逐渐向总承包方向迈进。总承包建设工程项目是一个庞大而又复杂的工程，如若没有科学有效的管理方法，将会给建设周期内带来极大的风险，项目质量也将难以得到保证。因此，笔者将项目管理的理念引入到建筑工程中来，应用项目风险管理理念让后续项目风险管理更加标准、进度合理、利润最大化、可实现性增强。本文主要是将项目管理与项目风险管理的理论应用

2、到土建施工承包工程项目的建设中。本文通过项目风险管理的四个环节，即项目风险识别、项目风险度量、项目风险应对及项目风险控制，从福建金山区生活区A14项目不同角度出发进行分析和评估，对结果进行分析和计划，最后得到项目各个风险的权重，为后期风险的防范制定可执行、合理有效的应对策略。关键词：项目风险管理 建筑工程项目 成本控制 施工方案目 录1 绪论 11.1 研究背景 11.2 分析主成分研究现状 11.3 SPSS简介 32 数据分析 12.1 某地区农业数据 12.2 SPSS分析 22.2.1 相关分析 22.2.2 回归分析 3参考文献 51 绪论1.1 研究背景随着生产力的不断进步，生产方

3、式由外延式扩张转化为追求经济效益的内涵式发展，以致在生产过程中必须考虑经济效益的各个方面，如生产力水平、技术进步、资源占用等情况，并需要就综合各方面的因素进行综合评价。评价是根据确定的目的来测定对象系统的属性，并将这种属性变为客观定量的计值或者主观效用行为，整个过程离不开评价者的参与，而综合评价作为评价的一种也需要评价者做出相应反应或指示，而很多综合评价过程易受到评价者的干预，使评价结果产生偏差。主成分分析1能将高维空间的问题转化到低维空间去处理，使问题变得比较简单、直观，而且这些较少的综合指标之间互不相关，又能提供原有指标的绝大部分信息。而且，伴随主成分分析的过程，将会自动生成各主成分的权重

4、，这就在很大程度上抵制了在评价过程中人为因素的干扰，因此以主成分为基础的综合评价理论能够较好地保证评价结果的客观性，如实地反映实际问题。主成分综合评价提供了科学而客观的评价方法，完善了综合评价理论体系，为管理和决策提供了客观依据，能在很大程度上减少了上述不良现象的产生。所以在社会经济、管理、自然科学等众多领域的多指标体系中，如节约型社会指标体系、生态环境可持续型指标体系、和谐社会指标体系、投资环境指标体系等，主成分分析法常被应用于综合评价与监控。综上所述，对综合评价指标体系理论进行研究，既有理论上的必要性，更有实践中的迫切性。1.2 分析主成分研究现状主成分分析，首先是由英国的皮尔生(Kar

5、Pearson)对非随机变量引入的，而后美国的数理统计学家赫特林(Harold Hotelling)在1933年将此方法推广到随机向量的情形团。主成分分析的降维思想从一开始就很好地为综合评价提供了有力的理论和技术支持。20世纪8090年代，是现代科学评价在我国向纵深发展的年代，人们对包括主成分综合评价在内的评价理论、方法和应用开展了多方面的、卓有成效的研究，主要表现为：常规评价方法在国民经济、生产控制和社会生活中的广泛应用；多种评价方法的组合研究，综合应用及比较；新评价方法的研究和应用；评价方法的深入研究，如：评价属性集的设计、标准化变换、评价模型选择等等。目前国内外关于综合评价的方法很多，在

6、根据各指标间相关关系或各指标值的变异程度来确定权重系数的方法中，主成分分析法是应用尤为广泛。在使用该方法的早期，大多都是按照传统的主成分分析法做综合评价的步骤来计算综合得分来对样品排序，即利用主成分F1，F2，Fm做线性组合，并以每个主成分Fi的方差贡献率i作为权重系数来构造一个综合评价函数：Y =1F1 +2F2 +m Fm然而，随着传统主成分分析方法2在综合评价中的进一步应用，人们发现此方法时经不起实践检验的。在实际应用中，经常发现运用此方法所得结果的解释往往与实际情况不符。举了一个简单的例子，假定高考中考试科目有四门：数学(x1)、语文(x2)、外语(x3)和物理(x4)，满分都是相同的

7、150分。考生的四门考试成绩必须综合成一个综合评价函数，一般取为总分。但从统计学的角度来看，可能取为更为合理，这里xi*是xi的标准化数值（x1*、x2*、x3*、x4*有相同的均值和标准差）。如果我们使用传统的主成分分析法，根据上述综合评价函数F的得分来对学生进行排名，那就酿成大错了。就此，一些学者3提出了一些改进的方法，其中具有代表性的方法有：Yan(1998)提出，当第一主成分的方差比较大时，即贡献率较大时，用它做综合评价指标。如果觉得用一个主成分解释的方差不够大时，综合反映X1，X2，Xp信息的能力不够，而用多个主成分构造综合评价函数又不合适时，可以像因子分析那样对主成分进行旋转。Ho

8、u(2006)也提出，当用第一主成分进行综合评价达不到理想结果时，可用分组主成分评价法。即先用因子分析法将p个变量分成k组，然后分别对各组变量进行主成分分析，只取每组的一主成分，求出各组第一主成分的得分Cj(j=1,2,k)以因子旋转后各因子的方差贡献率为权重建立综合评价函数：。最后根据各评价样本综合得分y来对样品进行排序。但其可行性也受到了一些学者的质疑。由此可见，主成分综合评价法是一片有待进一步深耕细作的热土。1.3 SPSS简介SPSS是“社会科学统计软件包”的简称，是一种集成化的计算机数据处理应用软件。SPSS软件的特点：（1）集数据录入、资料编辑、数据管理、统计分析、报表制作、图形绘

9、制为一体。从理论上说，只要计算机硬盘和内存足够大，SPSS可以处理任意大小的数据文件，无论文件中包含多少个变量，也不论数据中包含多少个案例。（2）统计功能，包含常规的集中量数和差异量数、相关分析、回归分析、方差分析、卡方检验、t检验和非参数检验：也包含近期发展的多元统计技术，如多元回归分析、聚类分析、判别分析、主成分分析和因子分析等方法，并能在屏幕（或打印机）上显示（打印）如正态分布图、直方图、散点图等各种统计图表。从某种意义上讲，SPSS软件还可以帮助数学功能不够的使用者学习运用现代统计技术。使用者仅需要关心某个问题应该采用何种统计方法，并初步掌握对计算结果的解释，而不需要了解其具体运算过程

10、，可能在使用手册的帮助下定量分析数据。（3）自从1995年SPSS公司与微软公司合作开发SPSS界面后，SPSS界面变得越来越友好，操作也越来越简单。熟悉微软公司产品的用户学起SPSS操作很容易上手。SPSS for Windows界面完成全是菜单式，一般稍有统计基础的人经过三天培训即可用SPSS做简单的数据分析，包括绘制图表、简单回归、相关分析等等，关键在于如何进行结果分析及解释，这一方面需要学习一些数理统计的基本知识，另一方面也要多进行实践，在实践中了解各种统计结果的实际意义。SPSS软件的主窗口，从上到下为：（1）10个主要的下拉菜单：文件；编辑；视图；数据；转换；统计分析；作图；工具；

11、窗口转换；帮助。（2）快捷工具栏：小图标表示常用操作，如：打开、存盘等；（3）数据输入栏：二维数据表（每列为一个变量；每行为一个案例）；（4）“数据视图”与“变量视图”转换按钮。2 数据分析2.1 某地区农业数据某一地区的不同变量的一组数据，以及变量之间的相关系数矩阵，如下表2-1、2-2所示。表2-1 某地区有关农业统计数据样本序号人口密度人均耕地面积森林覆盖率农业人均纯收入人均粮食产量经济作物占农作物播面比例耕地占土地面积比率果园与林地面积之比灌溉田占耕地面积之比1363.9120.35216.101192.11295.3426.72418.4922.23126.2622141.5031.

12、68424.3011752.35452.2632.31414.4641.45527.0663100.6951.06765.6011181.54270.1218.2660.1627.47412.4894143.7391.33633.2051436.12354.2617.48611.8051.89217.5345131.4121.62316.6071405.09586.5940.68314.4010.30322.932668.3372.03276.2041540.29216.398.1284.0650.0114.861795.4160.80171.106926.35291.398.1354.063

13、0.0124.862862.9011.65273.3071501.24225.2518.3522.6450.0343.201986.6240.84168.904897.36196.3716.8615.1760.0556.1671091.3940.81266.502911.24226.5118.2795.6430.0764.4771176.9120.85850.302103.52217.0919.7934.8810.0016.1651251.2741.04164.609968.33181.384.0054.0660.0155.4021368.8310.83662.804957.14194.049

14、.114.4840.0025.791477.3010.62360.102824.37188.0919.4095.7215.0558.4131576.9481.02268.0011255.42211.5511.1023.1330.013.4251699.2650.65460.7021251.03220.914.3834.6150.0115.59317118.5050.66163.3041246.47242.1610.7066.0530.1548.70118141.4730.73754.206814.21193.4611.4196.4420.01212.94519137.7610.59855.90

15、11124.05228.449.5217.8810.06912.65420117.6121.24554.503805.67175.2318.1065.7890.0488.46121122.7810.73149.1021313.11236.2926.7247.1620.09210.078设有n个因素，则各因素之间相互作用潜力可用F矩阵表示：矩阵中Fij=Fji，即因素i对因素j的作用潜力等于因素j对因素i的作用潜力。因此，F矩阵是一个nn阶的对称矩阵。Fij表示因素i对因素i的作用潜力，在分析农业数据时，没有经济意义。将变量数据转化成数据矩阵F，在上述的数据中可得到以上各种变量之间的相关系数矩阵

16、，如下表2-2所示。表2-2 各变量之间的相关系数矩阵人口密度人均耕地面积森林覆盖率农民人均纯收入人均粮食产量经济作物占农作物播面比例耕地占土地面积比例果园与林地面积之比灌溉田占耕地面积之比人口密度1.000-.327-.714-.336.309.408.790.156.744人均耕地面积-.3271.00-.035.644.420.255.009-.078.094森林覆盖率-.714-.0351.000.070-.740-.755-.930-.109-.924农民人均纯收入-.336.644.0701.000.383.069-.046-.031.073人均粮食产量.309.420-.740.

17、3831.000.069-.046-.031.073经济作物占农作物播面比例.408.255-.755.069-.0461.000.658.222.707耕地占土地面积比例.790.009-.930-.046.672.6581.000-.030.890果园与林地面积之比.156-.078-.109-.031.098.222-.0301.000.290灌溉田占耕地面积之比.744.094-.924.073.747.707.890.2901.0002.2 SPSS分析2.2.1 相关分析利用SPSS软件中的相关分析，对某一地区有关农业统计数据的10项指标数据进行处理，求出因子相关性。试验步骤：（1

18、）建立数据文件；定义变量名：人口密度、人均耕地面积、森林覆盖率等10项因素，按顺序输入相应数据。（2）选择菜单“AnalyzeCorrelatePartial”，弹出“Partial Correlations”对话框。在对话框左侧的变量列表中选变量进入Variables框，选择要控制的变量进入“Controlling for”框中，以在控制体量的影响下对变量进行偏相关分析；在“Test of Significance”框中选双侧检验。（3）单击“Options”按钮，弹出“Partial Correlations：Options”对话框。在“Statistics”复选框组中选择要输出的统计量。

19、（4）单击“OK”按钮，得到输出结果。相关性控制变量样本序号农业人均纯收入人口密度人均耕地面积森林覆盖率人均粮食产量经济作物占农作物播面比例耕地占土地面积比率果园与林地面积之比灌溉田占耕地面积之比样本序号相关性1.000-.101-.298-.422.364-.573-.395-.383-.385-.477显著性（双侧）.665.190.057.105.007.076.086.085.029df0191919191919191919农业人均纯收入相关性-.1011.000-.336.644.070.383.069-.046-.031.073显著性（双侧）.665.137.002.763.087

20、.766.843.894.755df1901919191919191919人口密度相关性-.298-.3361.000-.327-.714.309.408.790.156.744显著性（双侧）.190.137.147.000.174.067.000.500.000df1919019191919191919人均耕地面积相关性-.422.644-.3271.000-.035.420.255.009-.078.094显著性（双侧）.057.002.147.881.058.265.970.737.684df1919190191919191919森林覆盖率相关性.364.070-.714-.0351.0

21、00-.740-.755-.930-.109-.924显著性（双侧）.105.763.000.881.000.000.000.637.000df1919191901919191919人均粮食产量相关性-.573.383.309.420-.7401.000.734.672.098.747显著性（双侧）.007.087.174.058.000.000.001.672.000df1919191919019191919经济作物占农作物播面比例相关性-.395.069.408.255-.755.7341.000.658.222.707显著性（双侧）.076.766.067.265.000.000.001

22、.334.000df1919191919190191919耕地占土地面积比率相关性-.383-.046.790.009-.930.672.6581.000-.030.890显著性（双侧）.086.843.000.970.000.001.001.899.000df1919191919191901919果园与林地面积之比相关性-.385-.031.156-.078-.109.098.222-.0301.000.290显著性（双侧）.085.894.500.737.637.672.334.899.203df1919191919191919019灌溉田占耕地面积之比相关性-.477.073.744.0

23、94-.924.747.707.890.2901.000显著性（双侧）.029.755.000.684.000.000.000.000.203.df1919191919191919190样本序号相关性1.000.586显著性（双侧）.035df011农业人均纯收入相关性.5861.000显著性（双侧）.035.df110a. 单元格包含零阶 (Pearson) 相关。2.2.2 回归分析试验步骤：（1）建立数据文件；定义变量名并且输入原始数据。（2）选择菜单“AnalyzeRegressionLinear”，弹出“Linear Regression”对话框。从对话框左侧的变量列表中选择因变量，

24、使之进入“Dependent”框，选择从变量，进入“Indepentdent”框；在“Method”处下拉菜单，选用Enter法。（3）单击“Statistics”按钮选择是否作变量的描述性统计、回归方程应变量的可信区间估计等分析；单击“Plots”按钮选择对标准化预测值作变量分布图；单击“Save”按钮选择对根据所确定的回归方程求得的未校正预测值和标准化预测值作保存；单击“Options”按钮选择变量入选与剔除的、值和缺失值的处理方法。（4）单击“OK”完成设置，得到输出结果。具体操作步骤为：将数据导入spss19.0中，在“分析”菜单栏下的“降维”中选取“因子分析”，进而选取相对应的变量“

25、人均生活用水量”、“城市绿地面积”、“客运量”、“铁路客运量”四个变量，在此过程中，对因子分析中的描述、抽取、旋转、得分、选项进行相应的定义。模型汇总b模型RR 方调整 R 方标准 估计的误差1.793a.628.381319.25737a. 预测变量: (常量), 灌溉田占耕地面积之比, 人均耕地面积, 果园与林地面积之比, 经济作物占农作物播面比例, 人口密度, 人均粮食产量, 森林覆盖率, 耕地占土地面积比率。b. 因变量: 农业人均纯收入系数a模型非标准化系数标准系数tSig.B标准 误差试用版1(常量)-1341.2521259.721-1.065.308人口密度-2.8152.60

26、3-.446-1.082.301人均耕地面积278.168231.350.2981.202.252森林覆盖率25.31115.4541.1161.638.127人均粮食产量1.7201.519.4221.132.280经济作物占农作物播面比例-6.30613.797-.144-.457.656耕地占土地面积比率27.98763.061.308.444.665果园与林地面积之比-18.96256.569-.091-.335.743灌溉田占耕地面积之比52.58239.780.9461.322.211a. 因变量: 农业人均纯收入残差统计量a极小值极大值均值标准 偏差N预测值335.35531718.50261067.0005321.5326221残差-559.95300587.28552.00000247.2957021标准 预测值-2.2752.026.0001.00021标准 残差-1.7541.840.000.77521a. 因变量: 农业人均纯收入