崔淑華，徐鳳嬌

(東北林業(yè)大學 交通學院，黑龍江 哈爾濱 150040)

隨著我國經濟的迅速發(fā)展，國民經濟逐漸壯大、人民收入水平不斷提高、道路建設也得到了進一步完善，這些都推動了我國汽車行業(yè)的飛速發(fā)展。國家統計局數據顯示，截至2016年底，全國機動車保有量已達2.9億輛，其中汽車1.94億輛；機動車駕駛人3.6億人，其中汽車駕駛人超過3.1億人[1]。隨著汽車行業(yè)的發(fā)展，機動車駕駛員培訓行業(yè)的規(guī)模也在逐漸擴大。

1　機動車駕駛員培訓行業(yè)發(fā)展影響因素分析

機動車駕駛員培訓行業(yè)的發(fā)展以適應市場需求為導向[2]，其發(fā)展規(guī)模同時又受到各種因素的影響，因此,對機動車駕駛員培訓行業(yè)發(fā)展的影響因素進行分析具有重要意義。

1.1　經濟水平

隨著我國經濟的快速發(fā)展，2010—2016年我國國內生產總值保持年均8.02%的增長率，同時，民用汽車保有量增長率基本保持在12%以上。經濟的快速發(fā)展大大提高了人民的生活水平，促進人們的消費與需求，改變了消費觀念與出行方式[3]。購買私家車已成為消費者滿足出行方便與舒適的途徑，私家車保有量的增加是駕駛員培訓行業(yè)發(fā)展的重要因素。圖1為2010—2016年城鎮(zhèn)居民家庭平均每百戶汽車擁有量與居民消費水平，其發(fā)展趨勢一致，一定程度上表現了經濟水平對機動車駕駛員培訓行業(yè)發(fā)展的影響?？紤]經濟發(fā)展對居民收入及消費水平的提升體現在人均生產總值和居民消費水平上，因此，本文選擇人均地區(qū)生產總值與居民消費水平為經濟水平指標，反映經濟發(fā)展水平對機動車駕駛員培訓行業(yè)發(fā)展的影響。

1.2　人口規(guī)模

人口規(guī)模也影響機動車駕駛員培訓行業(yè)的發(fā)展。截至2016年年末，我國的城市化水平已達到57.4%。城鎮(zhèn)化的進程表明未來將有大量農村人口涌進城市，因此，城鎮(zhèn)化的推進會增加地區(qū)人口密度。另外，人口的工作性質、生活方式以及消費能力的差異對機動車駕駛培訓的需求也產生了較大影響，相比較而言，城市人口的消費能力與工作性質都會對汽車產生更大的需求量[4-6]。人口的年齡分布與機動車駕駛員培訓的需求也有一定的相關性，美國18～24歲持駕照比例高達92%，高校在校生處于該年齡段，從未來工作生活需要出發(fā)而選擇在學校期間報考機動車駕照的人數逐年增多。本文采用年末常住人口、城鎮(zhèn)人口、鄉(xiāng)村人口、高等學校在校生作為指標，反應人口規(guī)模對機動車駕駛員培訓行業(yè)發(fā)展的影響。

1.3　車輛保有量

我國汽車行業(yè)發(fā)展迅速，2016年汽車產量已達到2 811.91萬輛，社會汽車保有量逐年增長，其中民用汽車擁有量已達18 574. 54萬輛，私人汽車擁有量為16 330.22萬輛。車輛保有量的增長促進了機動車駕駛培訓的需求，影響了機動車駕駛員培訓行業(yè)的發(fā)展[7-9]。因此，本文選用民用汽車擁有量、私人汽車擁有量、城市公共交通運營車輛數、出租汽車數量作為指標，反應車輛保有量對機動車駕駛員培訓行業(yè)發(fā)展的影響指標。

1.4　交通安全狀況

交通安全狀況對社會財產安全存在一定影響。國家統計年鑒數據顯示，2016年我國交通事故發(fā)生212 846起，受傷人數達63 093人，交通事故直接財產損失共計120 760萬元。區(qū)域交通狀況會影響物資流通以及人員的出行方式，對促進地區(qū)經濟發(fā)展具有重要意義。良好的交通安全狀況會降低交通事故的發(fā)生率，同時，也會減少交通事故的財產損失，間接增加居民購買車輛的信心并促進機動車駕駛員的培訓行業(yè)發(fā)展。因此，本文選擇交通事故量作為指標，反應交通安全狀況對機動車駕駛員培訓行業(yè)發(fā)展的影響。

2　機動車駕駛員培訓行業(yè)發(fā)展影響因素指標體系的建立

基于機動車駕駛員培訓行業(yè)影響因素的分析，構建機動車駕駛員培訓行業(yè)影響因素的指標體系，包括經濟水平、人口規(guī)模、車輛保有量、交通安全狀況四個方面的11個影響因素，如表1所示。

表1　機動車駕駛員培訓行業(yè)發(fā)展影響指標體系

3　主成分分析方法應用

應用建立的影響因素指標體系進行分析時，需要確定各指標的權重，但影響因素較多且各因素間可能存在的相關性，主成分分析方法可以將高維空間的問題轉化到低維空間去處理，使問題變得比較簡單、直觀，也就是將多個指標轉化為數目較少的綜合指標，且消除評價指標間的相關性，并能夠表示原有指標的絕大部分信息[10-12]。

假定有n個樣本數，每個樣本都有p個變量，這樣可以構成一個n×p階樣本數據矩陣，記為X。原變量指標記為x1，x2，…，xp，將原變量指標降維后的綜合指標記為z1，z2，…，zm(m

其中主成分之間不相關，z1是x1，x2，…，xp的一切線性組合中方差最大者，z2是與z1不相關的x1，x2，…，xp的一切線性組合中方差最大者，依次類推，zm與zm-1不相關，且為x1，x2，…，xp的一切線性組合中方差最大者。因此，主成分z1，z2，…，zm(m

1)原樣本數據記為X，將原樣本數據矩陣X進行標準化處理，可得到標準化矩陣

2)計算相關系數矩陣

3)計算特征根與特征向量。由特征根方程λ-R=0可求出p個特征根λ(i=1,2,…,p)，并按照數值大小依次排列，且大于0。對于特征根λ，根據公式λ-R=0，能夠得到特征向量矩陣F。

4)主成分的貢獻率。主成分的貢獻率為Qi與累積貢獻率為Q∑(m)，λ為特征值，計算公式分別為

(i=1,2,…,p；j=1,2,…,p),

當前m個主成分的累積貢獻率Q∑(m)達到85%～95%時就可以取前m個主成分作為新的綜合變量。

4　黑龍江省機動車駕駛員培訓行業(yè)影響因素的主成分分析

本文在表1所示的指標體系下運用SPSS軟件對黑龍江省機動車駕駛員培訓行業(yè)發(fā)展的影響因素進行主成分分析。

4.1　數據采集

數據由《國家省統計年鑒》《黑龍江省統計年鑒》中獲取，采用黑龍江省2009—2016年的指標數據(見表2)。

表2　2009—2016年指標數據

4.2　數據標準化

本文采用的指標數據較多，且數量級的差別較大。因此，為消除原始數據量綱不同所帶來的影響，在進行主成分分析前需要對原始數據進行標準化處理，得到的標準化數據X*如表3所示。

表3　標準化數據

4.3　影響因素的主成分分析

4.3.1主成分的特征值與貢獻率

對標準化后的數據運用SPSS軟件進行主成分分析，得到的主成分分析結果如表4所示。

表4　主成分分析結果

根據主成分分析結果可知成分1、2、3的特征值均大于1，并且累積貢獻率可以達93%，說明成分1、2、3可以作為綜合指標且能夠充分表達11個影響因素的93%的信息。

4.3.2特征向量矩陣

將已知特征根λ代入到特征方程λ-R=0中，可求得特征向量矩陣為

主成分的表達式為特征向量F與標準化數據X*的乘積，即成分1、2、3分別為(綜合指標)主成分z1、z2、z3，因此，主成分的表達式為

5　結束語

本文基于機動車駕駛員培訓行業(yè)發(fā)展影響因素指標體系對黑龍江省機動車駕駛員培訓行業(yè)發(fā)展的影響因素進行了主成分分析，通過分析得到的3個綜合指標(z1、z2、z3)對黑龍江省機動車駕駛員培訓行業(yè)發(fā)展影響的解釋可以達到93%，且為原變量指標因素的線性組合。綜合指標z1在原變量指標上有較大的負載且表達了總體信息的72.9%，表明對黑龍江省機動車駕駛員培訓行業(yè)發(fā)展影響最大的因素是人口規(guī)模與車輛保有量；z2表達了總體信息的11.3%，其在居民消費水平與道路交通事故數上有較大的負載，說明居民消費水平與道路交通事故數對機動車駕駛員培訓行業(yè)的發(fā)展有較大影響；z3表達了總體信息的9.7%，并在高等學校在校生上有著較大負載，說明高等學校在校生人數對機動車駕駛員培訓行業(yè)的發(fā)展存在一定影響。

參考文獻：

[1]國家統計局.中國統計年鑒[Z].北京:中國統計出版社,2010-2016.

[2]李毛俠.安徽省消費需求影響因素的主成分回歸分析[J].現代物業(yè)(中旬刊),2010,9(2):48-51.

[3]王崢嶸.現階段我國小型汽車駕駛培訓量預測方法研究[D].南京：東南大學,2015.

[4]王亞楠. 中國農村人口變化趨勢研究[D].南京：南京農業(yè)大學,2015.

[5]李晉玲,喬麗思.基于主成分回歸分析的長治市城鎮(zhèn)化影響因素研究[J].山西師范大學學報(自然科學版),2017,31(1):99-105.

[6]李學成.人均GDP增長對我國私人汽車未來需求的影響[J].特區(qū)經濟,2010(1):284-285.

[7]巴云軍.淺談加強駕校質量管理的措施[J].現代營銷(下旬刊),2016(5):41-42.

[8]蔣艷梅,趙文平.Logistic模型在我國私人汽車保有量預測中的應用研究[J].工業(yè)技術經濟,2010,29(11):99-104.

[9]冀華姝,靳文舟.基于計量經濟學模型的汽車保有量預測[J].交通運輸系統工程與信息,2005,5(2):74-78

[10] FARBER L A. Genetic data analysis with neural networks[J]. Neral Information Processing System-Nature and Synthetic,2009：85-98.

[11] 邢航. 多因素方差分析中數學模型的建立與檢驗方法[J]. 電大理工,2008(2):73-75.

[12] YIN Hongbin,WBNG S C, XU Jiamnin. Urban traffic how prediction using a flizzy-neural approach[J].Transportation research Parter 2010,10(2):85-98.