广东省公路货运需求分析与预测课程设计正文-大学论文.doc

Changsha University of Science & Technology

课程设计

设计题目：广东省公路货运需求分析与预测
课程名称： 运输统计与分析
学 院： 交通运输工程学院
专 业： 交通运输
班 级：
学生姓名：
学 号：
指导教师： 周和平 柳伍生 李利华
==== 2013 /2014学年第二学期====

课程设计（学年论文）任务书
课程名称：运输统计与分析
适用对象：交通运输
一、 课程设计（论文）目的
《运输统计与分析》课程设计作为独立的教学环节，是交通运输本科专业的必修课。其目的是，通过本课程设计实践，培养学生理论联系实际思想，加深统计分析基本理论与基本知识的理解，学会收集或调查行业统计数据，切实掌握各种统计分析方法，并能灵活运用统计软件在计算机上实现，正确解释和分析运行结果，培养运用各种统计分析方法解决交通运输领域内实际问题的能力。
二、 课程设计（论文）题目与内容
本课程设计（论文）主要任务为：针对交通运输领域内某一主题，设计调查表调查或查询相关统计数据，根据本课程讲授内容选择多种合适的统计分析方法，运用SPSS建立模型分析问题。题目自拟，但题名一般要包含主题与统计方法，且必须与交通运输专业相关，选题主题主要包括：
1. 运输产品市场定位研究
2. 客货运需求分析与预测
3. 政策或技术方法实施效果评价
4. 交通出行行为选择
5. 影响因素分析
6. 运力调控研究
7. 交通应急响应状态判别分析
8. 运输服务质量评价
9 自选
三、 课程设计（论文）基本要求
（一）选题要求
1. 一人一题，不得重复；
2. 客货运需求分析与预测选题不得超过30%；
3. 所有选题必须报指导老师批准；
4. 选题确定后原则上不得更改，如需更改，必须得到指导教师同意。
（二）内容要求
报告内容原则上不少于8000字，其正文至少包括如下几个方面的内容：

1. 问题背景（问题的提出、必要性与意义，该问题目前常用的分析手段与方法，本设计采用的方法）
2. 数据采集
（含数据采集方式、描述性分析、统计图表）
说明：调查分析则必须包含调查方案，其它数据原则上必须说明出处。
3. 统计模型与分析
（包含模型原理、SPSS操作步骤、输出结果及分析）
4. 总结
5. 附录 数据清单
（三）成果要求
1. 必须采用三种以上统计分析方法；
2. 图表规范美观；
3. 报告中的所有SPSS输出结果必须更改为中文；
4. 报告排版符合规范要求。
四、 课程设计（论文）时间及进度安排
1. 时间:
两周：2013-2014学年第二学期第十九、二十周
2. 进度安排：
确定主题；调查、收集数据：2天
数据分析与预处理、描述性统计分析：2天
分析方法原理及选择：2天
SPSS操作及结果分析：4天
解决实际问题或建议：2天
撰写报告、总结：2天
（此部分可以按照自己设计具体内容，详细安排）
3. 成果提交：
要求独立完成，每人需提交1份打印的设计报告（A4）、word电子文档、数据文件（sav格式）。电子文档文件名为：学号后四位+姓名+题目，先发电子文档给指导老师，经许可后方可打印。最终成果（打印稿1份、电子文档1份）统一交班长汇总并转交指导老师；最终成果提交截止时间为第20周周五。
五、 成绩评定
平时考勤20%，报告撰写规范20%,内容(选题合理、方案可行、分析正确、有创新)60%。对于以下情况给予5分的特别加分：
1. 选题具有新意

2. 采取自主调查方式完成课程设计；
3. 运用自学的统计分析方法且使用正确。
成绩评定按百分制计分（最高100分），并按照学校相关规定按优秀、良好、中等、及格和不及格五个等级进行等级评定。
如下以下情况之一，按“不及格”进行处理：
1. 存在严重抄袭行为；
2. 未按时提交成果；
3. 报告排版混乱；
4. 缺席3次以上。
六、 报告格式
课程设计报告装订顺序依次为：封面、课程设计(学年论文)任务书、目录、正文、参考文献、成绩评定表。报告中所有图表应按“章号-图表序号-图表名”（例：图1-1-***频数图）进行编号。具体格式参看课程设计报告样本。
七、 主要参考资料
1. 王周伟，周敏 编著.SPSS综合分析与综合应用. 上海：上海交通大学出版社，2012年1月；
2. 张文彤，钟云飞 编著. IBM SPSS.数据分析与挖掘实战案例精粹.北京：清华大学出版社.2013年1月；
3. 贾俊平. 编著. 统计学. 北京：中国人民大学出版社.2011年6月（第4版）。

目 录

第一章 绪论 1
1.1 研究背景及意义 1
1.2 研究本问题的常用方法 1
1.3 本设计采用的分析方法 2
第二章 广东省公路货运需求概述 3
2.1 广东省公路货运需求的含义 3
2.2 广东省公路货运需求影响因素及相关数据来源 3
2.2.1 影响因素的确定 4
2.2.2 数据的来源 5
2.3 广东省公路货运需求影响因素的描述性分析 6
2.3.1 经济指标走势图与产业构成 6
2.3.2 运输网络布局图与基础设施增长趋势 8
2.3.3 总人口密度增长趋势 9
第三章 统计模型与分析 10
3.1 各个因素对广东省公路货运量影响因素的相关性分析 10
3.1.1 模型原理 10
3.1.2 SPSS操作步骤 10
3.1.3 输出结果分析 11
3.2 对影响因素以及货运量预测的线性回归 13
3.2.1 模型原理 13

3.2.2 SPSS操作步骤 13
3.2.3 输出结果分析 15
3.3 用曲线拟合预测货运量 19
3.3.1 模型原理 19
3.3.2 SPSS操作步骤 20
3.3.3 输出结果分析 21
3.4 用时间序列分析预测 23
3.4.1 模型原理 23
3.4.2 SPSS操作步骤 23
3.4.3 输出结果分析 26
3.5 预测值汇总表 28
第四章 总结与分析 29
4.1 本文结论 29
4.2 本设计主要工作 29
4.3 本设计主要存在的问题 29
附录 数据清单 31

第一章 绪论
1.1 研究背景及意义
公路运输是19世纪末随着汽车的产生和发展而诞生的。近年来，随着我国经济的高速发展，公路运输在综合运输体系中占有越来越重要的地位。到2013年，我国公路总里程达424万公里，全国完成公路货运量318.9亿吨、货物周转量59535亿吨公里。而广东省作为我国最重要的轻工业基地，公路运输在全省的运输体系中起着举足轻重的作用，公路总里程约20万公里以上，完成全省公路货运量20亿吨，占全省总运输量71%、货运周转量6900亿吨公里，占全省总运输量25%。
广东省是我国人口最多，经济总量最大和经济发展最迅速的省份，货物运输需求是广东省人民最基本的需求之一。货物运输需求作为一个地区市场经济发达程度的重要标志，因此研究其货运需求有重要的意义。货运需求量的变动可以反映出其经济发展水平，同时货物的流向反映出了其市场的走向以及地区经济区位的联系。对提高我们大学生综合分析、预测能力也有很重要的意义。
1.2 研究本问题的常用方法
公路货运需求预测技术一般可以分为三大类，定性分析预测技术、定量分析预测技术以及两者相结合的综合预测技术。
定性预测分析技术，是指依靠熟悉的业务知识、具有丰富经验和综合分析能力的专家，根据已掌握的历史数据和材料，通过个人的经验对事物未来的发展大体方向和程度作出判断，主要有专家会议法、专家调查法等。
定量分析预测技术，是指以已经掌握的历史数据作为依据，在有关理论的基础上建立起预测的数学模型，并通过数学模型的计算结果，对未来的需求量做出测算的技术。其特点是有明显的数量概念，侧重于研究测算对象的发展程度(包括数量、时间、相关因素的比值等)。
定量预测和定性预测，各有其长处和局限性，实际应用中往往需要把定量预测和定性预测方法相结合，即在定性分析的基础上进行定量预测，而定性预测也采用一定的定量预测分析方法，以提高预测结果的准确性。因此，综合预测技术是货运需求预测经常采用的方法。
1.3 本设计采用的分析方法
本设计采用的方法有相关性分析、一元线性回归、多元线性回归、曲线拟合预测、时间序列预测。

第二章 广东省公路货运需求概述
2.1广东省公路货运需求的含义
货物运输需求有时简称为货运需求，广东省公路货运需求是指在一定的时间内，公路货运消费者对广东省公路货运劳务的有支付能力的需要。
货运需求是人类社会生活最基本的需求之一，广东省货物运输需求是该地区经济发达程度的重要标志，而其经济发展水平可以通过货运需求量的变动来反映。货运需求量通常用两个指标来表示：货运量和货运周转量，本文主要通过对广东省货运量的预测来反映其货运需求量。图2-1是不同年份广东省五种运输方式的货运量情况。图2-2是不同年份五种运输方式货运周转量情况。

图2-1 不同年份广东省五种运输方式货运量走势图

图2-2 不同年份广东省五种运输方式货运周转量走势图
由图2-1可以看出广东省自2000年以来货运量总体呈增长趋势，而公路货运量与其他几种运输方式相比较，所占比重一直居首位，而且增长趋势明显增加。铁路运输量与水路运输量虽无明显变化，但以其低廉的价格，对公路运输的影响的影响任不容忽视。由图2-2可以看出总货运周转量总体呈增长趋势，水路运输周转量所占比重较大，公路货运周转量位居第二且呈增长趋势。综合以上可以看出广东省公路货物运输需求量呈增长趋势。
2.2 广东省公路货运需求影响因素及相关数据的来源
2.2.1影响因素的确定
一般来说，货运需求的影响因素主要有以下几个方面：经济发展水平、产业结构变化、科学发展水平、资源分布、运输网络的布局与运输能力、人口因素、国家政策等。本文主要分析经济发展水平与产业结构变化以及运输网络的布局与运输能力和人口因素对广东省公路货运需求的影响。
2013年广东省GDP达62164亿元，全年实现GDP增长8.5%，人均GDP达58540元。经济发展在全国占有非常高的水平，这就反映出广东省货物运输需求较大。到2012年广东省第一产业、第二产业、第三产业占全年产业的比重分别是5.0%、48.5%、46.5%，从各产业分别占的比重可以看出广东省工业化水平较高，技术密集型产业比重达，导致运输工作量较大。因此可以通过广东省各年GDP的增长趋势和社会消费总额来反映其经济发展水平。完善合理的公路网络布局，对货物运输和方便、快捷、高质量的运输服务也将刺激货物运输需求，因此通过对广东省公路网络图和民用汽车拥有量来反映其运输能力。同时人口的增长将刺激消费，而广东省作为我国人口最多的省份，其运输需求将持续增加。本文将通过总人口增长趋势来反映货运需求的变化。
2.2.2 数据的来源
　本文所需数据来源于广东省统计年鉴（
（一）、全社会货物运输量（
（二）、地区生产总值产业构成（
（三）、地区生产总值（
（四）、运输工具和线路拥有量（
（五）、公路里程和桥梁数（
（六）、年末户籍总人口（

2.3广东省公路货运需求影响因素的描述性分析
2.3.1 经济指标走势图与产业结构

图2-3 广东省经济指标走势图

由图2-3可以看出广东省国民经济持续、快速发展，自2000年来GDP保持持续增长并且批发和零售业总额，保持增长趋势，可以反映出广东省经济发展水平持续提高。经济的高速发展使得广东省人民更为富裕，人民的消费行为也发生了改变，产品交换的频率加大，货物运输需求量随之增大。

图2-4 广东省不同年份产业结构变化图

由图2-3可以看出第二、三蓬勃发展，占总产业的比重较高，且第一产业的比重逐步下降，使得运输需求量增大，促使经济发展水平提高，导致产业结构优化

2.3.2 运输网络的布局与基础设施增长趋势

图2-5 广东省高速公路网络布局图

图2-6 广东省公路里程、载货汽车数及载货汽车吨位年走势

运输网络的布局和运输能力直接影响对货源的吸引范围和对运输需求的适应程度。由图2-5可以看出全省以广州市为中心，各地级市之间基本有高速公路线连通，同与邻省有多条公路线路，满足了本省高质量、高效率得货物运输，同时可以吸引过境货物、中转货物。由图2-6公路里程的变化区域平缓，但2005-2009年有相对较大增长，说明在这段时间内，全省公路运输系统不断完善，公路运输需求增大。载货汽车数量呈增长趋势，说明全省公路货运量持续增加，货运需求呈增长趋势。
由此可见，完善合理的运输网络布局，以运输能力为保障的快捷、方便的运输服务将刺激运输需求的增长。
2.3.3 总人口密度增长趋势

图2-7 广东省人口密度走势图
截至至2013年广东省总人口数达，居全国首位。由图2-7可以看出，广东省人口密度呈增长趋势，说明其总人口数持续增加。人口的增加必然引起消费品供应量的增加，也就引起货物运输需求量的增加。
第三章 统计模型与分析
3.1 各个因素对广东省公路货运量影响的相关性分析
3.1.1 模型原理
相关性分析指的是对两个或多个具备相关的事物之间进行分析，从而衡量两个事物之间关系的密切程度。任何事物的变化都与其他变量相互影响相互联系，例如某地区经济的发展水平与人口总数的关系，工厂数与空气污染指数的关系等等。只有当各变量的标准差都不为零是，相关系数才有定义。在统计学中相关性系数的计算过程可表示为：将每个变量都转化为标准单位，乘积的平均数即为相关系数。
3.1.2 spss操作步骤
①按分析——相关——双变量 打开双变量相关对话框，如图3-1所示

图3-1
②在双变量对话框中进行如下操作然后点击“确定”按钮，如图3-2所示

图3-2
3.1.3 输出结果及分析
表3-1 公路货运量与各影响因素描述性统计量
描述性统计量

均值
标准差
N
公路货运量（万吨）
116957.61
32651.029
13
公路里程（公里）
150561.69
40531.005
13
载货汽车数（万辆）
119.3083
27.79810
13
GDP（亿元）
29575.7580
15868.74413
13
社会零售业总额（亿元）
3140.2831
1588.60039
13
人口密度（人/公里）
531.58
38.571
13

表3-2 公路货运量与各影响因素的相关性
相关性

公路货运量（万吨）
公路里程（公里）
载货汽车数（万辆）
GDP（亿元）
社会零售业总额（亿元）
人口密度（人/公里）
公路货运量（万吨）
Pearson 相关性
1
.770**
.954**
.960**
.987**
.931**
显著性（双侧）

.002
.000
.000
.000
.000
平方与叉积的和
12793076476.022
12235750420.835
10391462.440
5970346129.782
614352895.447
14064310.415
协方差
1066089706.335
1019645868.403
865955.203
497528844.149
51196074.621
1172025.868
N
13
13
13
13
13
13
公路里程（公里）
Pearson 相关性
.770**
1
.872**
.905**
.833**
.921**
显著性（双侧）
.002

.000
.000
.000
.000
平方与叉积的和
12235750420.835
19713148560.769
11788753.866
6983013309.952
643550446.310
17277620.702
协方差
1019645868.403
1642762380.064
982396.155
581917775.829
53629203.859
1439801.725
N
13
13
13
13
13
13
载货汽车数（万辆）
Pearson 相关性
.954**
.872**
1
.985**
.972**
.971**
显著性（双侧）
.000
.000

.000
.000
.000
平方与叉积的和
10391462.440
11788753.866
9272.812
5216226.854
515156.718
12497.937
协方差
865955.203
982396.155
772.734
434685.571
42929.726
1041.495
N
13
13
13
13
13
13
GDP（亿元）
Pearson 相关性
.960**
.905**
.985**
1
.984**
.993**
显著性（双侧）
.000
.000
.000

.000
.000
平方与叉积的和
5970346129.782
6983013309.952
5216226.854
3021804484.250
297760806.196
7290894.911
协方差
497528844.149
581917775.829
434685.571
251817040.354
24813400.516
607574.576
N
13
13
13
13
13
13
社会零售业总额（亿元）
Pearson 相关性
.987**
.833**
.972**
.984**
1
.967**
显著性（双侧）
.000
.000
.000
.000

.000
平方与叉积的和
614352895.447
643550446.310
515156.718
297760806.196
30283814.359
710679.810
协方差
51196074.621
53629203.859
42929.726
24813400.516
2523651.197
59223.317
N
13
13
13
13
13
13
人口密度（人/公里）
Pearson 相关性
.931**
.921**
.971**
.993**
.967**
1
显著性（双侧）
.000
.000
.000
.000
.000

平方与叉积的和
14064310.415
17277620.702
12497.937
7290894.911
710679.810
17852.524
协方差
1172025.868
1439801.725
1041.495
607574.576
59223.317
1487.710
N
13
13
13
13
13
13
**. 在 .01 水平（双侧）上显著相关。

由上表可以得到公路里程、载货汽车数、GDP、社会零售业总额、人口密度与公路货运量r均大于零，说明其与公路货运量呈正相关，且公路里程数与公路货运量r=0.77，呈中度相关，其余均大于0.8，呈高度相关；同时得到公路里程、载货汽车数、GDP、社会零售业总额、人口密度与公路货运量的p值均小于0.05，拒接显著性假设，说明以上五个因素对广东省公路货运量均有显著影响。
3.2 对影响因素以及货运量预测的线性回归
3.2.1 模型原理
线性回归是是利用数理统计中的回归分析，来确定两种或两种变量以上定量关系的一种统计方法，回归分析中通常有一元线性回归和多元线性回归，一元线性回归只包含一个自变量和一个因变量，且二者的关系可以近似的用一条直线来表示，常用的统计指标有平均数、增减量，平均增减量。多元线性回归则包含两个或两个以上自变量，且自变量和因变量之间是线性关系，例如家庭消费支出除了受到家庭可支配收入外，还可能受到市场变动，物价水平等的影响。
3.2.2 SPSS操作步骤
①按分析——回归----线性 打开线性回归对话框，如图3-3所示

图3-3
②在左侧源变量框中选择公路里程作为因变量，将其送入因变量框，选择作年份为自变量，将其送入自变量框，然后点击“确定”按钮，如图3-4所示

图3-4
③在分析完五个因素与货运量的关系后，再利用五个因素与货运量进行多元线性回归，并得到分析结果。如图3-5所示：

图3-5

3.2.3 输出结果分析
表3-3 输入输出的变量
输入／移去的变量a
模型
输入的变量
移去的变量
方法
1
年份b
.
输入
a. 因变量: 公路里程（公里）
b. 已输入所有请求的变量。

表3-4 线性回归模型汇总
模型汇总
模型
R
R 方
调整 R 方
标准 估计的误差
1
.921a
.848
.834
16504.150
a. 预测变量: (常量), 年份。

表3-5 方差分析结果
Anovaa
模型
平方和
df
均方
F
Sig.
1
回归
16716892001.984
1
16716892001.984
61.372
.000b
残差
2996256558.786
11
272386959.890

总计
19713148560.769
12

a. 因变量: 公路里程（公里）
b. 预测变量: (常量), 年份。

表3-5 回归方程系数
系数a
模型
非标准化系数
标准系数
t
Sig.
B
标准 误差
试用版
1
(常量)
-19074732.890
2454082.432

-7.773
.000
年份
9583.896
1223.369
.921
7.834
.000
a. 因变量: 公路里程（公里）

由上表可以得出0.848，说明其拟合优度较好，并可以得出回归方程为。其中x表示年份，表示年份所对应的公路里程数。
表3-6 2013-2019的公路里程预测
2013
2014
2015
2016
2017
2018
2019
217649.7
229248.6
240849.5
252452.4
264057.3
275664.2
287273.1
同理可以得到载货汽车数、GDP、社会零售业总额、人口密度与年份的线性回归方程。各因素与年份的的回归方程及预测分别如下：
，其中x为年份，为载货汽车数。
表3-7 2013-2019的载货汽车数预测
2013
2014
2015
2016
2017
2018
2019
167.79
174.764
181.738
188.712
195.686
202.66
209.634
，其中x为年份，为GDP
表3-8 2013-2019的GDP预测
2013
2014
2015
2016
2017
2018
2019
57647.68
61657.87
65668.06
69678.26
73688.45
77698.65
81708.84
，其中为年份，为社会零售业总额。
表3-9 2013-2019社会零售业总额预测
2013
2014
2015
2016
2017
2018
2019
5859.046
6247.349
6635.652
7023.955
7412.258
7800.561
8188.864
，其中为年份，为人口密度。
表3-10 2013-2019的人口密度预测
2013
2014
2015
2016
2017
2018
2019
599.349
609.108
618.867
628.626
638.385
648.144
657.903
对五个因素进行多元素回归，输出结果如下：

表3-11 多元回归输入移去的变量
输入／移去的变量a
模型
输入的变量
移去的变量
方法
1
人口密度（人/公里）, 公路里程（公里）, 载货汽车数（万辆）, 社会零售业总额（亿元）, GDP（亿元）b
.
输入
a. 因变量: 公路货运量（万吨）
b. 已输入所有请求的变量。

表3-12 多元回归模型汇总
模型汇总
模型
R
R 方
调整 R 方
标准 估计的误差
1
.995a
.990
.982
4360.114
a. 预测变量: (常量), 人口密度（人/公里）, 公路里程（公里）, 载货汽车数（万辆）, 社会零售业总额（亿元）, GDP（亿元）。

表3-13 方差分析
Anovaa
模型
平方和
df
均方
F
Sig.
1
回归
12660002332.940
5
2532000466.588
133.189
.000b
残差
133074143.082
7
19010591.869

总计
12793076476.022
12

a. 因变量: 公路货运量（万吨）
b. 预测变量: (常量), 人口密度（人/公里）, 公路里程（公里）, 载货汽车数（万辆）, 社会零售业总额（亿元）, GDP（亿元）。

表3-14 回归方程系数
系数a
模型
非标准化系数
标准系数
t
Sig.
B 的 95.0% 置信区间
B
标准 误差
试用版
下限
上限
1
(常量)
376006.470
160827.595

2.338
.052
-4290.361
756303.302
公路里程（公里）
-.220
.121
-.273
-1.824
.111
-.505
.065
载货汽车数（万辆）
-158.396
298.945
-.135
-.530
.613
-865.289
548.496
GDP（亿元）
3.080
1.685
1.497
1.828
.110
-.904
7.064
社会零售业总额（亿元）
12.229
7.611
.595
1.607
.152
-5.769
30.227
人口密度（人/公里）
-633.071
329.664
-.748
-1.920
.096
-1412.602
146.461
a. 因变量: 公路货运量（万吨）

表3-15 残差统计量
残差统计量a

极小值
极大值
均值
标准 偏差
N
预测值
82255.45
185929.48
116957.61
32480.767
13
残差
-6890.452
3163.497
.000
3330.092
13
标准 预测值
-1.068
2.123
.000
1.000
13
标准 残差
-1.580
.726
.000
.764
13
a. 因变量: 公路货运量（万吨）

图3-6 回归标准化残差的标准P-P图
可得线性回归方程：

将一元回归得到的预测值代入线性回归方程可得到广东省公路货运量的预测值，如下表：
表3-16 2013-2019广东省公路货运量预测值
2013
2014
2015
2016
2017
2018
2019
171320.9
178586.3
185851.2
193115.8
200379.9
207643.5
214906.7
3.3 用曲线拟合预测货运量
3.3.1 模型原理
用连续曲线近似地刻画或比拟平面上离散点组所表示的坐标之间的函数关系。更广泛地说，空间或高维空间中的相应问题亦属此范畴。在数值分析中，曲线拟合就是用解析表达式逼近离散数据，即离散数据的公式化。实践中，离散点组或数据往往是各种物理问题和统计问题有关量的多次观测值或实验 。
3.3.2 SPSS操作步骤
①按分析——回归----曲线估计 打开曲线估计对话框，如图3-6所示：

图3-7
②在左侧源变量框中选择公路货运量作为因变量，将其送入因变量框，选择GDP为自变量，将其送入自变量框；然后将模型框中选择多种方法进行拟合，并点击“确定”按钮，如图3-7所示：

图3-8
3.3.3 输出结果及分析
表3-17 曲线估计个案处理摘要
个案处理摘要

N
个案总数
13
已排除的个案a
0
已预测的个案
0
新创建的个案
0
a. 从分析中排除任何变量中带有缺失值的个案。

表3-18 曲线估计模型描述

模型描述
模型名称
MOD_1
因变量
1
公路货运量（万吨）
方程
1
线性
2
对数
3
三次
4
幂a
5
指数a
自变量
GDP（万元）
常数
包含
其值在图中标记为观测值的变量
未指定
用于在方程中输入项的容差
.0001
a. 该模型要求所有非缺失值为正数。

表3-19 曲线估计变量处理摘要
变量处理摘要

变量
因变量
自变量
公路货运量（万吨）
GDP（万元）
正值数
13
13
零的个数
0
0
负值数
0
0
缺失值数
用户自定义缺失
0
0
系统缺失
0
0

模型汇总和参数估计值
因变量: 公路货运量（万吨）
方程
模型汇总
参数估计值
R 方
F
df1
df2
Sig.
常数
b1
b2
b3
线性
.922
130.128
1
11
.000
58523.154
.000

对数
.819
49.914
1
11
.000
-878979.693
51442.136

三次
.980
148.710
3
9
.000
39045.371
2.209
-1.590E-012
1.904E-021
幂
.884
83.700
1
11
.000
28.374
.428

指数
.940
172.667
1
11
.000
70526.448
1.599E-009

自变量为 GDP（万元）。

表3-20 曲线估计模型汇总和参数估计

由上表及图可以得到线性、对数、三次、幂、指数，在货运量随GDP变化的曲线图范围内，R方分别为0.922、0.819、0.980、0.884、0.940，说明三次的拟合度最好，因此选择三次的曲线估计，可得到预测方程为：

对各年公路货运量进行预测
表3-21 2013-2019广东省公路货运量预测值
2013
2014
2015
2016
2017
2018
2019
166389.1
175247.6
184106.1
192964.6
201823.1
210681.6
219540.2

3.4 用时间序列分析预测公路货运量
3.4.1 模型原理
时间序列分析是根据系统观测得到的与时间有关的数据，通过曲线拟合和参数估计来建立数学模型的理论和方法。时间序列有多种分析方法，当时间序列趋于平稳时采用ARMA模型（自回归平均滑动模型），其基本表达式为：
3.4.2 SPSS操作步骤
①按分析——预测----创建模型 打开创建模型对话框。如图3-8所所示

图3-8
②在左侧源变量框中选择公路货运量、载货汽车、公路里程、总人口密度、GDP作为因变量，将其送入因变量框，选择年份作为自变量，将其送入自变量框。在方法一框中选择ARIMA，并设置条件中模型的几个值分别为2、1、1，然后点继续。接着在统计表选项中选中显示预测值、拟合优度、比较模型的统计量选项。如图3-9、3-10、3-11所示

图3-9

图3-10

图3-11
③然后将模型框中选择多种方法进行拟合，并点击“确定”按钮。

3.4.3 输出结果及分析
表3-22 时间序列模型描述
模型描述

模型类型
模型 ID
公路货运量（万吨）
模型_1
ARIMA(2,1,1)
公路里程（公里）
模型_2
ARIMA(2,1,1)
载货汽车数（万辆）
模型_3
ARIMA(2,1,1)
GDP（亿元）
模型_4
ARIMA(2,1,1)
社会零售业总额（亿元）
模型_5
ARIMA(2,1,1)
人口密度（人/公里）
模型_6
ARIMA(2,1,1)

表3-23 时间序列模型统计量
模型统计量
模型
预测变量数
模型拟合统计量
Ljung-Box Q(18)
离群值数
平稳的 R 方
R 方
统计量
DF
Sig.
公路货运量（万吨）-模型_1
1
.383
.944
.
0
.
0
公路里程（公里）-模型_2
1
.214
.846
.
0
.
0
载货汽车数（万辆）-模型_3
1
.469
.975
.
0
.
0
GDP（亿元）-模型_4
1
.812
.997
.
0
.
0
社会零售业总额（亿元）-模型_5
1
.639
.987
.
0
.
0
人口密度（人/公里）-模型_6
1