论文部分内容阅读
摘 要：居民消费需求不足是我国经济发展中的一个突出问题。要解决居民消费需求不足这一问题，就要对我国居民的消费整体水平有深入的了解。本文利用SPSS软件对2015年31个省份城镇居民个人消费性支出的八项指标进行了分析。为了更好地了解不同省市居民消费水平和消费结构的情况，本文利用因子分析法得到了两个影响居民消费结构的主成分，并计算出了因子综合得分进行分析。
关键词：城镇居民消费 消费结构 因子分析
一、因子分析法
因子分析的基本思想是从协方差矩阵或相关矩阵出发，根据相关性大小把原始变量分组，使得同组内的变量之间相关性较高，而不同组的变量间的相关性则较低。每组变量用一个不可观测的假想变量表示，将这个假想变量称为公共因子，这几个公共因子能够反映原始变量的主要信息。可以通过下面的数学模型来表示：
二、数据来源
本文对我国31个省市2015年城镇居民的各地消费结构进行分析，数据来源于《中国统计年鉴（2016年）》。按照我国常用的消费支出分类方法，人均消费支出可分为食品烟酒、衣着、居住、生活用品及服务、交通通信、教育文化及娱乐、医疗保健和其他用品及服务等八大类。依次用代号表示为：X1、X2、X3、X4、X5、X6、X7和X8。
三、实证分析
1.消费指标的相关性分析。首先将原始数据标准化，以消除变量间在量纲上的不同。把2015年全国31个省市作为样本，把8项指标作为变量，可以得到相关矩阵。从表中可以看出，各项指标都呈正相关关系，且相关系数都比较大，达到0.5以上的有22个（79%）。这说明我国城镇居民消费性支出的8项指标之间具有相互影响、相互促进的关系。
2.因子分析的适用性检验。对于因子分析来说，重点是研究如何以最少的信息丢失，将众多的原始变量浓缩成少数几个因子变量，因此要求变量之间具有很强的相关性。检验是否适合进行因子分析主要采用KMO和Bartlett的检验。本文数据的KMO测度值为0.846，接近于0.9，显著性水平为0.000，因此本文选取的样本适合作因子分析。
3.提取因子。表1为公因子方差表，给出的是初始变量的共同度，其是衡量公共因子相对重要性指标。表1中的“提取”行即为变量共同度的取值，共同度取值为。由表1中的结果可知，这8个变量的共同度均大于0.5，且大部分都大于0.8，故表示提取的两个公因子能够很好的反映原始变量的主要信息。
4.对旋转前的总的解释方差进行分析。解释的总方差表给出了每个公共因子所解释的方差及累计和。从“初始特征值”一栏可以看出，前两个公共因子的特征值均大于1，解释的累计方差达82.739%，而后面的公共因子的特征值较小，对解释原有变量的贡献越来越小，因此提取两个公共因子是合适的。
5.旋转后的成份矩阵分析。未经旋转而得到的结果很容易导致多个主成分在同一个因子上有很大的载荷量，这对于解释变量会有一定的困难，为避免这种情况，需要进行因子旋转来进一步分析因子得分的情况。第一主成分中相对较大的因子载荷量在X1、X3 和X5这三个变量的系数分别达到了0.936，0.869和0.855。对于第二主成分来说，可以看到在X2和X7两个变量上的系数比较高，达到了0.863和0.834。
6.因子的得分系数。由表3的成分得分系数矩阵，可得到相应的主成分得分计算公式如下：
F1=0.432X1-0.238X2+0.271X3+0.055X4+0.258X5+0.115X6-0.185X7+0.132X8
F2=-0.336X1+0.487X2-0.077X3+0.193X4-0.061X5+0.113X6+0.436X7+0.111X8
（其中Xi（i=1，...，8）为标准化后的变量）
根据主成分得分公式可以得知，影响最终第一主成分得分高低的主要是X1、X3和X5这三个正向影响比较大，两个负向影响是X2和X7。也就是说，如果一个地区的食品、居住和交通通信的消费水平比较高，而衣着和医疗保健的消费水平比较低，那么第一主成分的得分就会比较高，因此第一主成分反映的是城镇居民对于衣食住行这样的基本生活需求方面的消费情况。
而对于第二主成分而言，对其得分正面影响较大的是X2和X7，负向影响较大的是X1，这说明，如果一个地区的衣着和医疗保健的消费水平较高，而对食品的消费较低，那么该地区第二主成分的得分就会比较高。可以看出，第二主成分主要反映的是城镇居民对保障性需求的消费情况，这表明随着物质生活水平的不断提高，人们更加注重身体健康和精神消费。
总体上来说，在居民的总消费支出中，食品消费虽然仍占据着相当大的一部分，但影响消费支出的主要因素已經不单单是食品支出这一方面。从以上的分析中，不难发现作为消费主力军的70-90年代人的消费观念已经有了很大的转变，消费重点已经由原来的物质产品消费转向对个人健康投资、提升个人素质的消费。
7.各个主成分的因子得分和综合得分情况。为了更好地了解每个省市的消费情况并进行对比，综合以上的分析结果，我对各个省份的主成分得分情况及综合得分进行了排序。从中可以看出经济发达地区如北京、上海等地的消费能力明显比欠发达地区的消费水平高；沿海的地区如浙江、广东、福建、天津、海南等地消费水平较之内地的省份消费水平要高一些；北方与南方地区的消费结构差别较大，差别比较明显的就是辽宁和海南，差距比较悬殊。整体来看符合我国城镇居民的消费的实际情况。
参考文献：
[1]刘昱清. 我国城镇居民消费支出结构与水平的因子分析[J]. 济宁学院学报. 2014（04）.
[2]马银晓，柳虹. 因子分析法在城镇居民消费结构分析中的研究[J]. 浙江工业大学学报. 2012（03）.
[3]赵丽棉，黄基廷. 基于主成分分析法的中国城镇居民消费结构研究[J]. 广西科学. 2012（02）.
[4]孙海涛. 城镇居民可支配收入与消费支出关系协整分析[J]. 商业时代. 2011（30）.
作者简介：王席（1994—）女。陕西渭南人。会计学。硕士研究生，西安财经学院。刘浴（1991—）男。陕西榆林人。区域金融学。硕士研究生，西安财经学院。
关键词：城镇居民消费 消费结构 因子分析
一、因子分析法
因子分析的基本思想是从协方差矩阵或相关矩阵出发，根据相关性大小把原始变量分组，使得同组内的变量之间相关性较高，而不同组的变量间的相关性则较低。每组变量用一个不可观测的假想变量表示，将这个假想变量称为公共因子，这几个公共因子能够反映原始变量的主要信息。可以通过下面的数学模型来表示：
二、数据来源
本文对我国31个省市2015年城镇居民的各地消费结构进行分析，数据来源于《中国统计年鉴（2016年）》。按照我国常用的消费支出分类方法，人均消费支出可分为食品烟酒、衣着、居住、生活用品及服务、交通通信、教育文化及娱乐、医疗保健和其他用品及服务等八大类。依次用代号表示为：X1、X2、X3、X4、X5、X6、X7和X8。
三、实证分析
1.消费指标的相关性分析。首先将原始数据标准化，以消除变量间在量纲上的不同。把2015年全国31个省市作为样本，把8项指标作为变量，可以得到相关矩阵。从表中可以看出，各项指标都呈正相关关系，且相关系数都比较大，达到0.5以上的有22个（79%）。这说明我国城镇居民消费性支出的8项指标之间具有相互影响、相互促进的关系。
2.因子分析的适用性检验。对于因子分析来说，重点是研究如何以最少的信息丢失，将众多的原始变量浓缩成少数几个因子变量，因此要求变量之间具有很强的相关性。检验是否适合进行因子分析主要采用KMO和Bartlett的检验。本文数据的KMO测度值为0.846，接近于0.9，显著性水平为0.000，因此本文选取的样本适合作因子分析。
3.提取因子。表1为公因子方差表，给出的是初始变量的共同度，其是衡量公共因子相对重要性指标。表1中的“提取”行即为变量共同度的取值，共同度取值为。由表1中的结果可知，这8个变量的共同度均大于0.5，且大部分都大于0.8，故表示提取的两个公因子能够很好的反映原始变量的主要信息。
4.对旋转前的总的解释方差进行分析。解释的总方差表给出了每个公共因子所解释的方差及累计和。从“初始特征值”一栏可以看出，前两个公共因子的特征值均大于1，解释的累计方差达82.739%，而后面的公共因子的特征值较小，对解释原有变量的贡献越来越小，因此提取两个公共因子是合适的。
5.旋转后的成份矩阵分析。未经旋转而得到的结果很容易导致多个主成分在同一个因子上有很大的载荷量，这对于解释变量会有一定的困难，为避免这种情况，需要进行因子旋转来进一步分析因子得分的情况。第一主成分中相对较大的因子载荷量在X1、X3 和X5这三个变量的系数分别达到了0.936，0.869和0.855。对于第二主成分来说，可以看到在X2和X7两个变量上的系数比较高，达到了0.863和0.834。
6.因子的得分系数。由表3的成分得分系数矩阵，可得到相应的主成分得分计算公式如下：
F1=0.432X1-0.238X2+0.271X3+0.055X4+0.258X5+0.115X6-0.185X7+0.132X8
F2=-0.336X1+0.487X2-0.077X3+0.193X4-0.061X5+0.113X6+0.436X7+0.111X8
（其中Xi（i=1，...，8）为标准化后的变量）
根据主成分得分公式可以得知，影响最终第一主成分得分高低的主要是X1、X3和X5这三个正向影响比较大，两个负向影响是X2和X7。也就是说，如果一个地区的食品、居住和交通通信的消费水平比较高，而衣着和医疗保健的消费水平比较低，那么第一主成分的得分就会比较高，因此第一主成分反映的是城镇居民对于衣食住行这样的基本生活需求方面的消费情况。
而对于第二主成分而言，对其得分正面影响较大的是X2和X7，负向影响较大的是X1，这说明，如果一个地区的衣着和医疗保健的消费水平较高，而对食品的消费较低，那么该地区第二主成分的得分就会比较高。可以看出，第二主成分主要反映的是城镇居民对保障性需求的消费情况，这表明随着物质生活水平的不断提高，人们更加注重身体健康和精神消费。
总体上来说，在居民的总消费支出中，食品消费虽然仍占据着相当大的一部分，但影响消费支出的主要因素已經不单单是食品支出这一方面。从以上的分析中，不难发现作为消费主力军的70-90年代人的消费观念已经有了很大的转变，消费重点已经由原来的物质产品消费转向对个人健康投资、提升个人素质的消费。
7.各个主成分的因子得分和综合得分情况。为了更好地了解每个省市的消费情况并进行对比，综合以上的分析结果，我对各个省份的主成分得分情况及综合得分进行了排序。从中可以看出经济发达地区如北京、上海等地的消费能力明显比欠发达地区的消费水平高；沿海的地区如浙江、广东、福建、天津、海南等地消费水平较之内地的省份消费水平要高一些；北方与南方地区的消费结构差别较大，差别比较明显的就是辽宁和海南，差距比较悬殊。整体来看符合我国城镇居民的消费的实际情况。
参考文献：
[1]刘昱清. 我国城镇居民消费支出结构与水平的因子分析[J]. 济宁学院学报. 2014（04）.
[2]马银晓，柳虹. 因子分析法在城镇居民消费结构分析中的研究[J]. 浙江工业大学学报. 2012（03）.
[3]赵丽棉，黄基廷. 基于主成分分析法的中国城镇居民消费结构研究[J]. 广西科学. 2012（02）.
[4]孙海涛. 城镇居民可支配收入与消费支出关系协整分析[J]. 商业时代. 2011（30）.
作者简介：王席（1994—）女。陕西渭南人。会计学。硕士研究生，西安财经学院。刘浴（1991—）男。陕西榆林人。区域金融学。硕士研究生，西安财经学院。