节假日高校出行交通方式倾向与选择

1、Changsha University of Science & Technology课程设计设计题目：节假日高校出行的交通方式倾向与选择课程名称：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：交运 1302 班学生姓名：刘丽婉学号：2指导教师：周和平柳伍生李利华= 2014 /2015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，

2、 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. 运输市场调控7. 交通运输状态判

3、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%；2/523. 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，数据来源）2. 描述性统计3. 多元统计分析（包含数据准备、 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（不包含描述性统计）；2. 图表规范美观；3.

4、 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： 2014-2015 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

5、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。3/52五、成绩评定成绩评定按各项评分汇总，如表1 所示：表 1 成绩评定项目与分值选题数据来源统计方法软件操作规范性考勤10分20分30分20分10分10分对于以下情况给予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

6、严重抄袭行为；2. 未按时提交成果；3. 方法运用严重错误；4. 报告排版混乱；5. 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

7、俊平. 编著. 统计学. 北京：中国人民大学出版社.2012 年 6 月（第 5 版）。4/52目录1概述 . . 11.1研究背景与意义 .11.2数据来源 .11.3采用的分析方法 .12描述性统计分析 .32.1数据处理 .32.2描述性分析 .33出行方式统计分析 .53.1主成分分析法 .53.1.1数据准备 . . 53.1.2SPSS操作步骤 .53.1.3结果分析 . . 73.2对应分析法 .105/523.2.1数据准备 . . 103.2.2SPSS操作步骤 .123.2.3结果分析 . . 143.3 logistic 回归分析法 .173.3.1数据准备 . . 17

8、3.3.2SPSS操作步骤 .193.3.3结果分析 . . 213.4曲线估计预测法 .244 总结.324.1本设计的主要工作 .324.2存在的不足 .324.3下阶段研究需解决的问题. 32附录一数据清单 .33附录二问卷调查表 .346/521 概述1.1研究背景与意义随着交通行业的发展，人们出行已经有了多种多样的方式可以选择，而高校大学生作为现在促进社会发展的主力军， 研究他们对交通方式的选择倾向是不可或缺的。除此之外，在节假日，人们对出行方式的需求大大提升， 节假日的出行次数和概率和大大增加。由于经济条件越来越好和闲暇时间越来越多， 出外旅游将成为人们的经常性的消费， 人们对旅游

9、服务质量的要求也会越来越高。在信息化时代，每周例行的短途往返（从家里至办公地点，或从家里至超级市场选购生活用品）的次数将相对减少，但是人们参加特定目的的长途旅行的次数可能会比以前任何时候不多。在这样的环境及背景促使下产生了我这次的研究课题：节假日高校出行的交通方式倾向与选择。 研究不同目的下高校学生对于交通方式的选择， 有利于进行交通力的分配， 了解节假日高校学生的去向， 进行不定量的交通方式分配从而尽可能满足更多人的需求，合理高效的利用好现有的交通资源。1.2数据来源因为在现有的统计数据资料中未能直接查阅到所需的资料，所以这里采用的是调查获取数据， 通过随机发放问卷进行抽样调查。问卷详见附录

10、二。调查方法：问卷随机抽样调查。抽样率：因为是在网上随机方法问卷，因此不确定整体数是多少，总共收集了 18 份问卷，各个年级各个地区都有，粗略估计抽样率应在 30%左右。1.3采用的分析方法(1) 主成分分析： 为了全面分析问题， 往往提出很多与此有关的变量（或因素），因为每个变量都在不同程度上反映这个课题的某些信息。 通过设置不同的因素从而更加清晰的找到高校学生在某种目的选择此类交通方式的原因， 因为是探究原因而设置了很多与此相关的变量，所以这里采用主成分分析法刚好能解决。(2) 对应分析：通过分析由定型变量构成的交互汇总来揭示变量间的联系， 可揭示同一变量各个类别之间的差异， 及不同变量各

11、个类别之间的对应关系。(3) logistic 回归分析：由于事物间的联系是多方面的，在因变量相同的情况下， 通过探讨不同的自变量来研究之间的相关性的大小。这里应用到问卷里，在已经是本地（省市）学生的情况下，对是否选择回家及回家的方式与选择原因进行调查与分析。(4) 曲线估计预测法： 在实际的一元回归分析中， 一般首先绘制自变量和因变量间的散点图。 如果散点图中的数据分布明显呈直线趋势， 则可以利用线性回归分析方法估计回归方程。 但在很 2/52多情况下并非如此， 数据在散点图中的分布呈曲线趋势且具有某种函数的图形特点。这时如果要作回归分析，就需要利用 SPSS 的曲线估计。 研究大学所处城市

12、的级别来预测该高校大学生对于交通方式的选择倾向。2 描述性统计分析2.1数据处理此次调查问卷总共采集到18 份问卷，得到的相关统计量如表2-1 所示，我们可以很直观的看到并得出这样的结论，高校大学生节假日出行的主要交通工具是公交车，占到了总人数的50%，3/52其次乘坐火车的人占到了总人数的33.33%，乘坐高铁和乘坐电瓶车及自行车的都占到了总人数的5.56%，选择步行及出租车、长途汽车与飞机的则为0。在此次随机调查中，因为调查的时间不够长，导致数据并不能完整的分布，按理论上讲每一种出行方式都会有人选择的， 但还是可以知道， 高校大学生还是比较倾向于选择公交车，火车作为自己的出行工具。出行 方

13、式频数表 2-1出行方式统计表步自行电瓶出租公交长高铁火车飞合计行车车车车途机汽车01109016018百分比0%5.56%5.56%0%50%0%5.56%33.33%0%100%2.2描述性分析这对此现象，本课题对究竟是什么影响到高校大学生节假日出行方式的选择进行了调查。结合生活经验， 列出了如下的一些影响因素：性别，年级，是否为本地 （省市）学生，每月生活费，每月交通费，出行目的，出行方式选择原因，学校周围交通情况以及其他因素。对上述的因素进行相关分析。4/52图 2-1数据输入在数据输入中， 因为有设定是否为本地 （省市）学生的选项，因为在是与否的不同前提下有不同的选项，通过对本地（省

14、市）学生节假日是否选择回家探究在距离较近的情况下，高校大学生对于回家的倾向以及限定距离的交通方式的选择。在统计的18 人中，有6 人为本地（省市）学生，其中有4人选择节假日回家，占总人数的66.6%，可见在较短距离下，高校大学生对于回家的倾向很明显，在这4 人中， 1 人选择私家车回家， 1 人选择长途汽车， 1 人选择火车， 1 人选择其他方式 （高铁）。而后对他们选择该方式的原因进行调查，如图2-2 。图 2-2 本地（省市）学生回家方式选择与原因统计图从上图可以看出，选择私家车是考虑到路线问题，选择长途汽车是因为价格问题， 选择火车是考虑到安全问题，选择其他（高5/52铁）是因为时间问题

15、，可见每一种交通方式的选择对于本地（省市）学生回家都存在这一定的原因。这仅仅是对本地（省市）学生的一个小类别的分析，其他各方面都影响着节假日高校大学生出行的交通方式的选择， 接下来，我们也要进行一系列的分析与讨论。3 出行方式统计分析3.1主成分分析3.1.1数据准备由讨论多个指标降为少数几个综合指标的过程在数学上就叫做降维。主成分分析通常的做法是，寻求原指标的线性组合Fi 。主成分分析的原理是设法将原来变量重新组合成一组新的相互无关的几个综合变量， 同时根据实际需要从中可以取出几个较少的总和变量尽可能多地反映原来变量的信息的统计方法叫做主成分分析或称主分量分析，也是数学上处理降维的一种方法。

16、主成分分析是设法将原来众多具有一定相关性（比如P 个指标），重新组合成一组新的互相无关的综合指标来代替原来的指标。通6/52常数学上的处理就是将原来P 个指标作线性组合， 作为新的综合指标。最经典的做法就是用F1（选取的第一个线性组合，即第一个综合指标）的方差来表达，即Va（rF1 ）越大，表示F1 包含的信息越多。因此在所有的线性组合中选取的F1 应该是方差最大的，故称 F1 为第一主成分。如果第一主成分不足以代表原来 P 个指标的信息，再考虑选取F2 即选第二个线性组合，为了有效地反映原来信息， F1 已有的信息就不需要再出现再F2 中，用数学语言表达就是要求Cov（ F1,F2 ）=0，

17、则称 F2 为第二主成分，依此类推可以构造出第三、第四， ，第P 个主成分。选取所在城市，性别，年级，生活费，出行方式作为主要指标，数据来自随机问卷调查统计结果，无缺失数据。3.1.2SPSS操作步骤(1) 点击“分析 - 降维 - 因子分析”，将需要分析的影响因素选入变量；(2) 在“描述”中，选择需要输出的统计量与相关矩阵；(3) 在“抽取”中，选择主成分分析，勾选需要输出的量。7/52图 3-1主成分分析操作步骤1图 3-2主成分分析操作步骤28/52图 3-3主成分分析操作步骤33.1.3结果分析表3-1相关矩阵你的大学所你的性别在城市为？你所在的年级你每月的生活费你出行是选择的是？（

18、）（）为？（）是？（）交通方式是？（）相关你的性别是？ （）1.000.056-.319.000.462你的大学所在城.0561.000-.169-.352-.026市为？（）你所在的年级-.319-.1691.000.063.136为？（）你每月的生活费.000-.352.0631.000-.236是？（）你出行是选择的.462-.026.136-.2361.000交通方式是？ （）表3-2 KMO 和 Bartlett的检验9/52取样足够度的 Kaiser-Meyer-Olkin度量。.362Bartlett的球形度检近似卡方10.811验df10Sig.372表 3-3公因子方差初始提

19、取你的性别是？（）1.000.856你的大学所在城市为？（）1.000.703你所在的年级为？（）1.000.857你每月的生活费是？（）1.000.759你出行是选择的交通方式1.000.886是？（）提取方法：主成份分析。表3-4解释的总方差初始特征值提取平方和载入成份合计方差的 %累积 %合计方差的 %累积 %11.62232.43932.4391.62232.43932.43921.28425.67858.1161.28425.67858.11631.15523.09381.2091.15523.09381.2094.62312.45293.6615.3176.339100.000提取

20、方法：主成份分析。10/52图 3-4 主成分分析碎石图表 3-5 成份矩阵 a成份123你的性别是？（）.730.459-.337你的大学所在城市为？（）.461-.696.075你所在的年级为？（）-.415.263.785你每月的生活费是？（）-.545.468-.493你出行是选择的交通方式.639.548.420是？（）提取方法 : 主成份。a.已提取了 3个成份。从“相关矩阵表”中可知许多影响因素之间直接的相关性均大于 0.8 ，存在高度相关性, 证明本设计选取的影响因素之间存在信息上的重叠， 从相关性来看适于进行主成分分析。且显著性11/52均小于 0.05 ，认为分析结果存在统

21、计学意义。在“KMO和 Bartlett的检验”中可知， Bartlett球度检验统计量的观测值为38.151 。相应的显著值小于0.05 ，故应拒绝原假设，认为相关系数矩阵与单位存在显著差异。模型的 KMO值为 0.80.8250.9 ，根据 Kaister 给出的 KMO度量标准，可知适合进行因子分析。“公因子方差” 表显示了所有变量共同度数据。第一列数据是因子分析初始解下的变量共同度，它表明：如果对原有4 个变量采用主成分分析方法提取所有特征值，那么原有变量的所有方差都可被解释，变量的共同度均为1（原有变量标准化后的方差为 1）。事实上，因子个数小于原有变量的个数才是因子分析的目标，所以

22、不可提取全部特征值。 第二列的数据是在按指定提取条件（这里为特征值大于 1）提取特征值时的共同度。可以看到：本设计选取的影响因素中的 GDP和公路总里程可被解析 （均大于 85%）。在“说明的总方差”中， “合计，方差的，累积” ，分别表示特征值，方差贡献率，累计方差贡献率。它们描述了因子分析初始解的情况。可以看到，第一个因子的特征值为3.742 ，解释原有 4 个变量总方差的 93.554%, 累积方差贡献率为 93.554%；第二个因子的特征值为 0.214 ，解释原有 4 个变量总方差 5.338%，累积方差贡献率为 98893。其余数据含义类似。在初始解中由于提取了 4 个因子，因此原

23、有变量的总方差均被解释，累积方差贡献12/52率 100%。在“碎石图”中，横坐标为因子数目，纵坐标为特征值。可以看到第一个因子特征值很高，对解释原有变量的贡献最大，第三个以后的因子特征值都较小，对解释原有变量的贡献很小。但，4 个变量在第一个因子上的载荷都很高，意味着它们与第一个因子的相关程度高，第一个因子很重要。3.2对应分析法对应分析也称关联分析、 R-Q 型因子分析，是近年新发展起来的一种多元相依变量统计分析技术， 通过分析由定性变量构成的交互汇总表来揭示变量间的联系。 可以揭示同一变量的各个类别之间的差异，以及不同变量各个类别之间的对应关系。3.2.1数据准备依据输入的数据，设定各数

24、值标签，将年级中：1=“大一”，2=“大二”，3=“大三”，4=“大四”，5=“研究生”；出行方式中：1=“步行”，2=“自行车”，3=“电瓶车”，4=“出租车”，5=“公交车”， 6=“长途汽车”，7=“高铁”，8=“火车”， 9=“飞机”，如图 3-5 ，图 3-6 ，图 3-7 ：13/52图 3-5数据输入图 3-6 设定数值标签114/52图 3-7 设定数值标签23.2.2SPSS操作步骤(1) 选择“分析” - “降维” - “对应分析”打开分析窗口，如图3-8 ：图 3-8 对应分析窗口(2) 选择“你出行时选择的交通方式” 作为行，“你所在年级”作为列，并定义范围， 出行方式

25、（行）为（ 1 8 ），年级（列）15/52为（ 1 5 ），如图 3-9 ，图 3-10 ：图 3-9 出行方式定义范围图 3-10 年级定义范围16/52图 3-11 定义完成图(3) 点击确定后，经计算得出表格和对应分析图。3.2.3结果分析表3-6对应表你所在的年级为？（）你出行是选择的交通有效边方式是？（）大一大二大三大四研究生际步行000000自行车010001电瓶车100001出租车000000公交车070209长途汽车000000高铁010001火车131106有效边际21213018表3-7摘要惯量比例置信奇异值维数奇异值惯量卡方Sig.解释累积标准差相关17/5221.74

26、2.551.788.788.167.4402.341.116.166.954.1683.179.032.0461.000总计.69912.583.995 a1.0001.000a. 28自由度表3-8概述行点 a维中的得分贡献你出行是选择的交点对维惯量维对点惯量通方式是？（）质量12惯量1212总计步行.000.自行车.056.493.543.028.018.048.361.201.562电瓶车.056-3.2081.026.444.771.172.955.0451.000出租车.000.公交车.500.464.291.102.145.124.786.141.927长途汽车.000.高铁.05

27、6.493.543.028.018.048.361.201.562火车.333-.326-.788.097.048.608.271.726.996有效总计1.000.6991.0001.000a. 对称标准化18/52图 3-12对应分析图19/52图 3-13对应分析图 - 初步解析通过以上对应分析过程中，选择了研究年级与出行方式的关系，从各表图数据中可以得出，高校学生在节假日出行时，大一学生更愿意选择火车出行， 大二学生更愿意选择公交车出行， 大三学生更愿意选择火车出行， 大四学生更愿意选择公交车作为交通方式出行，研究生则在此次调查中未参加，无法得出结论。3.3logistic回归分析3.

28、3.1数据准备Logistic回归分析是对因变量为定性变量的回归分析，从模型角度出发，把20/52事件发生的情况定义为Y=1，事件未发生的情况定义为Y=0 ，这样取值为 0 、1 的因变量可以写为：依据输入的数据，设定各数值标签，将本地生中； 0=“是”，1=“否”；选择回家中： 0=“会”，1=“不会”，-3= “不满足是本地生的前提不参与调查” ；回家方式中： 1=“私家车”，2=“公交”，3=“出租车”，4=“长途汽车”，5=“火车”，6=“飞机”，7=“其他（需注明）”；选择原因中：1=“时间问题”， 2=“价格问题”，3=“路线问题”，4=“安全问题”，5=“其他（需注明） ”，如图

29、3-14 ，图 3-15 ：21/52图 3-14 数据输入图 3-15 回归分析数据准备3.3.2SPSS操作步骤(1) 点击“分析” - “回归” - “多项 logistic ”，打开窗口，分别设置本地生、是否回家、选择原因作为因变量，选择回家的交通方式作为因子，如图3-16, 图 3-17 ，图 3-18 ：22/52图 3-16 回归分析设定123/52图 3-17 回归分析设定2图 3-18 回归分析设定33.3.3结果分析得到数据表格，如下：表3-9参数估计 (1)Exp(B)的置信区你是否为所在院校的本地（省市）显著水间 95%学生？（） aB标准误Walddf平Exp(B)下

30、限上限是截距18.455094.58.0001.99787 回家方式-20.25094.58.0001.9971.605E-.000. b=-35079 回家方式.000.000.1.1.0001.0001.000=1 回家方式.000.000.1.1.0001.0001.000=424/52 回家方式.000.000.1.1.0001.0001.000=5 回家方式0c.0.=7a.参考类别是 :否。b. 计算该统计量时发生浮点溢出。因此，其值被设置为系统缺失值。c. 因为此参数冗余，所以将其设为零。表 3-10 参数估计 (2)Exp(B)的置信区你节假日的时候会选择回家显著水间 95%么

31、？（） aB标准误Walddf平Exp(B)下限上限-3截距1.79213504.27.00011.0005 回家方式.00013504.27.00011.0001.000.000. b=-35 回家方式.000.000.1.1.0001.0001.000=1 回家方式.000.000.1.1.0001.0001.000=4 回家方式.000.000.1.1.0001.0001.000=5 回家方式0c.0.=7会截距20.25414943.38.0001.9992 回家方式-35.9615054.60.0001.9982.397E-.000. b=-37316 回家方式.00013365.77.00011.0001.000.000. b=11 回家方式.00013365.77.00011.0001.000.000. b=41 回家方式.00013365.77.00011.0001.000.000. b=51 回家方式c.0.0=725/52表 3-10参数估计 (2)Exp(B)的置信区你节假日的时候会选择回家显著水间