上海世博会影响力的定量评估完稿

文档来源为文档来源为：从网络收集整理.word版本可编辑.欢迎下载支持#上海世博会影响力的定量评估摘要对于上海世博会影响力，本文建立了旅游本底趋势线模型和因子分析的综合评价模型分别对上海世博会在旅游业的影响力和经济的推动力做出定量评估。模型一，通过建立旅游本底趋势线模型来对上海未来几年的客流量做出预测，得到2010年和2011年入境客流量将分别达到11008.31万人次和9935.64万人次。进而和未来几年上海客流量的本底值进行比较，最后得出2010年和2011年的客流量较本底趋势值净增长20%和15%。模型二，运用因子分析综合评价法对7个上海经济具有代表性的指标进行评价，其

中主要运用SPSS对数据先进行z-score标准化处理,再进行kmo因子分析检验，然后求

得初始因子负荷矩阵，实施因子旋转后，最后得到综合评价函数。并引入了加权 PC评价思想，增强了模型的灵活性和适用性。根据综合评价函数可知世博会的举办对上海经济具有明显的推动作用。关键字：旅游本底趋势线，因子分析，综合评价，定量评估。一、问题重述2010年上海世博会是首次在中国举办的世界博览会。从1851年伦敦的“万国工业博览会”开始，世博会正日益成为各国人民交流历史文化、展示科技成果、体现合作精神、展望未来发展等的重要舞台。请你们选择感兴趣的某个侧面，建立数学模型，利用互联网数据，定量评估2010年上海世博会的影响力。二、模型假设1．假设所采集到的数据都是可靠的。2．世博会能按计划照常进行。3.假设天气变化没有对游客外出旅游的计划产生影响假设有足够的宾馆供旅客居住。不考虑旅游景点门票打折的情况。三、符号说明Na：数据订正起始点；Nb：数据订正终止点；Yn:第n年的游客总数；Ya：内插起始点的统计值；n:数据所要订正的年份；d:进行直线内插的公差值；t：从1998年依次取t1,2,3,...x1:人均生产总值；x2：全社会固定资产投入额；x3：社会消费品零售总额；x4：上海市进出口总额；X5:外省来沪旅游人均消费支出；X6:国际来沪旅游人均消费支出；x7：年底贷款余额。四、问题分析及模型的建立和求解模型一旅游本底趋势线（Backgroundtrendline,以下简称本底线）是指在不受严重冲击和干扰情况下,境外或境内旅游发展所呈现的固有趋势方程。它反映了一个国家（或地区）旅游业发展的基本趋势和时间规律⑴F。本文通过建立本底趋势线模型，对上海世博会导致的游客流量变化做出细致的预测，来反映上海世博会对上海旅游业的影响。由于建立旅游本底趋势线不能以短期的统计数据为依据，而应从长期的统计数据中寻找。本文采集数据的时间序列为1998年〜2009年，基本满足要求。基础数据主要取自《上海统计年鉴》2000〜2010年（电子稿附带），整理后的基础数据见表1。

表1各年份上海接待游客人数年份199819992000200120022003200420052006200720082009'国内（万人）583462196433647067975630634668057327776678428484国际（万人）152.7-165.63181.4204.26272.5；3319.87491.92571.35605.67665.59640.37628.9总和5986.7‘6384」66614.，46674.27069.55949.36837.97376.37932.68431.58482.39112.（万人立旅游本底趋势线，需要对因突发事件所造成统计数据所造成的异常数据进行订

正。采用直线内插方法对数据进行订正，具体方法是具体方法是 ：依据统计数据作出长期变化的趋势线，用目视观察法确定需要进行订正的时间区段，并确定适合进行直线内插的起始点（Na）和终止点（Nb），用内插公式YnYa（nNa）d订正异常数据⑷。式中Yn代表第n年的游客总数，Ya代表内插起始点的统计值，n代表所要订正的年份，d为进行直线内插的公差值，计算公式为：d（YbYa）/（NbNa）。从图2中可以看出，受2003年SARA危机和2008年北京奥运会及金融危机的影响，这两个阶段的统计数据具有比较大的非“本底性”，所以在建立本底趋势线方程时，要对这两个阶段的数据进行订正，订正的主要年份是2003年〜2005年和2008年。订正后的数据见表3。

表3订正后的游客总数数据年份199819992000200120022003200420052006200720082009'总和（万人）5986.；16384.856614.，46674.627069.357285.1537501.17716.8537932.768431.958772.5529112.2旅游业的发展趋势是确定的和可预报的，而各年增长率的变化是随机和不可预报的。旅游业发展的本底趋势线归结为4种基本形式和6种复合形式，直线（或指数线）增长基础上的周期性波动可能反映了旅游业发展的基本规律 ⑸。根据这12年来客流总量的统计数据，运用SPSS统计软件包，用直线-三角函数复合模型进行模式识别，得到上海入境游客动态变化的本底线方程：y267.841t 5715.87854.025sin（2999.698t 2002.175）R2 0.987其中t为时间变量，从1998年依次取t1,2,3，...图4为旅游本底线与统计线的组合图，包括一个“凹型谷”和一个“凸型峰” 。“凹型谷”是受SARS危机的影响，而“凸型峰”是根据本底趋势线的自然延伸，并在此基础上按高、中、低3个不同的方案估计的，以2010年上海入境游客为例，计算方法如下：低方案YYin(11)=9173.591(1+0.2)=11008.31(万人次)中万案YmYn(1m)=9173.591(1+0.25)=11466.99(万人次)咼方案YhYh(1h)=9173.591(1+0.3)=11925.67(万人次)其中，Yh，Ym，为2010年高、中、低3个不同方案的预测值；人是基于本底趋势线的2010年入境客流量预测值；i,m,h为北京奥运会时基于专家预测的相对贡献率，是以本底趋势线为基准“凸型峰”高出部分的百分比。根据同样的原理和方法，可以对2009年和2011年上海入境游客进行预测，结果如表5所示。表52009〜2011年上海市入境旅游人数预测项目类别高于本底值的比例（%） 客流量的预测值（万人次）预测年份200920102011200920102011高方案r 、、』〕”1030159872.5811925.6710881.89中方案825109693.07811466.9910408.77低方案620159513.57711008.319935.64首先，拟合后的本底线方程的R2=0.987，说明该拟合相关性显著，符合高精度预测要求。其次，虽然所有的预测方案得出的2009年的客流量大于实际值，但根据到2010年9月12号为止世博会的客流量为5086.53万人次［6］和世博会预计的7000万人次的客流量［7］，可以基本上得出最后2010年的上海入境客流量能到达低方案的预测值。所以该模型在一定程度上能定量说明最后世博会对上海旅游业所产生的影响。举办世博会将对上海的旅游业的发展带来巨大的影响。本模型根据旅游本底趋势线理论，对2010年上海世博会对上海的入境客流量进行预测，结果显示：在世博会影响下，在世博会的前后上海入境客流量将进入一个超常增长期，可划分为“世博会前”、“世博会中”、“世博会后”三个阶段，分别为孕育生成期、庆典高峰期和消减变平期。客流量统计线将掀起一个“凸型峰”，以低方案计算2010年和2011年入境客流量将分别达到11008.31万人次和9935.64万人次，较本底趋势值净增长20%和15%。模型二上海在2002年申请世博会成功，世博会的举办吸引大量游客来访，促进消费需求，带来额外的收益，给经济带来巨大的推动。可以通过对各经济数据的分析，来定量评估上海世博会对上海经济的推动作用。在数据的选择上，根据世博经济的特殊性，选择了2002〜2009年间上海市人均生产总值x1、全社会固定资产投入额x2、社会消费品零售总额X3、上海市进出口总额X4、外省来沪旅游人均消费支出X5、国际来沪旅游人均消费支出x6、年底贷款余额x7这七个方面进行因子分析。

图6因子分析综合评价方法的流程图表72002〜2010年上海市经济部分指标年份上海市人均生产总值（元）全社会固定资产投入额（亿元）社会消费品零售总额（亿元）进出口总额（亿元）外省来沪旅游人均消费支出（元）国际来沪旅游人均消费支出（美元）年末贷款余额（亿元）上海市税收收入（亿元）200235445.002187.062203.89726.641134834.7710550.94657.70200340130.002452.112404.451123.971465641.8213168.05796.87200446755.003084.662656.911600.261430627.9514972.011036.23200552060.003542.552979.501863.651452631.4916798.121238.40200657695.003925.093375.202274.891466653.9918603.921393.97200766367.004458.613873.302829.731578711.721709.951975.48200875109.004829.454577.233221.381465785.0124166.122223.43200978989.005273.335173.242777.311452762.5829684.102165.23数据来自于《上海统计年鉴》2000〜2010年（电子稿附带）（1）计算相关系数矩阵，并作因子分析适宜度的统计检验利用SPSS计算相关系数矩阵R为：

1.0000.9950.9870.9630.5760.2440.9820.9890.9951.0000.9750.9630.6000.1870.9780.9790.9870.9751.0000.9100.4830.3310.9920.9650.9630.9630.9101.0000.6820.1310.9000.9770.5760.6000.4830.6821.0000.5470.5450.5910.2440.1870.3310.1310.5471.0000.2330.2770.9820.9780.9920.9000.5450.2331.0000.9520.9890.9790.9650.9770.5910.2770.9521.000R借助SPSS统计软件包，对样本是否适宜作因子分析进行检验，检验结果为:Kaiser-Meyer-OlkinMeasureofSamplingAdequacy=0.Bartlett'sTestofSphericityApprox.Chi-Square=100.438726DF=21，sig=0.0000这表明，本题样本中的七个指标之间的相关结构适宜作因子分析。（2）根据相关矩阵，计算特征根、初始负荷矩阵。因前两个因子累积方差贡献度为96.983%，故此处只需取前两个特征根:15.274;21.515.运用SPSS中componentsmatrix求得初始因子负荷矩阵为0.9960.0780.9950.0260.9800.086AO 0.9770.1790.9680.0660.1770.9620.6400.734于是可得初始因子模型为: XA0F其展开式为:x10.9960.078f11x20.9950.026f22x30.9800.086f33x40.9770.179*f44x50.9680.066f55x60.1770.962f66x70.6400.734f77（3）实施因子转换，确定最终因子模型。从所得的两个初始公因子来看，含义基本具备，但是还是不够突出，第一因子（主成分）除了与第六个指标国际来沪旅游人均消费支出x6相关性低外，与其他六个指标相关性都高，基本上反映了上海世博会对上海经济的推动力；第二因子（主成分）只于国际来沪旅游人均消费支出X6相关度高，反映世博会对国际旅游影响的因子。 为了促使负荷系数进一步两极化，下面对上述初始公共因子进行旋转处理。采用方差最大化旋转技术，利用SPSS软件，求得正交旋转变换矩阵T。求得方差极大化旋转后的因子负荷矩阵(RotatedComponentMatrix)A1.0.9990.050.9930.0570.9890.097A1 0.9830.0050.9600.1460.2560.9440.5760.784正交旋转变化矩阵(ComponentTransformationMatrix)T为：0.9970.083T0.0830.997求得因子得分系数矩阵(ComponentScoreCovarianceMatrix)D为：0.1920.0360.1890.0010.1940.102D0.1790.0590.0810.4930.0860.6300.1900.041验证得到：初始因子负荷矩阵A1A0*T初始因子(为旋转)F与旋转之后的D之间的关系有：DT1*F也可写作具体的因子模型：XA1D0.1920.1890.1940.1790.0810.0860.190C0.0360.0010.1020.0590.4930.6300.041(4)构造评价函数，进行综合评价。根据上述因子得分，可以写出各因子的表达式如下：f1* 0.192x1 0.189x2 0.194x3 0.179x4 0.081x5 0.086x6 0.190x7f2* 0.036x1 0.001x2 0.102x3 0.059x4 0.493x5 0.630x6 0.041x7按方差贡献率求加权，即可得到因子分析综合评加函数：m mpfac wifi icijxj(1f1 2f2)/(1 2 3)i1 i1j10.16164x10.15238x20.17638x30.13263x40.03201x50.19312x60.16069x7变量Xi均是经过Z—score标准化处理的值。X5是外省来沪旅游人均消费额，其系数为负值。然而根据有关资料测算 ⑹，会展经济对综合社会消费指数经验数据为1:6，即如果参观者在会展上消费1元钱，就意味着在其他行业(如零售、住宿、餐饮等方面)将消费6元钱。而历年外省来沪旅游人均消费额对上海的经济必是存在推动作用的，在此，何故其系数为负，还有须进一步求证。从整体来看，因X5的系数与其他变量的系数相比，要小的很多，所以对 fac*的影响相对小。fac*是一个正指标，其值越大，表示世博会给上海经济的推动力越大。在此，为体现每一个指标的重要性，这里可以对因子分析评价函数进行扩展，即参照加权PC评价的思想，作“加权因子分析”，与加权PC模型类似引入权重，这里假设规定上述的七个指标重要性权重之比依次为：0.15、0.25.、0.25、0.15、0.02、0.25、0.15。这样可以混合加权因子分析评价模型：fac*0.161640.15X10.152380.25X20.176380.25X30.132630.15X40.032010.02X50.193120.25X60.160690.15X7567对0.0242453X10.0380956X20.0440947X30.019895X40.0006402X50.04828X60.024105X7于权重的比值对待不同的问题可以重新做调整，大大增大了模型的灵活性和适用性。世博会的筹办必定加大上海市全社会固定资产的投入（世博园馆的建设，交通的改善等）；世博会的举办也会极大增加上海社会消费品零售总额的收入，吸引更多的国际旅游者来到上海，而这些都势必会给上海的经济发展带来极大的推动。由于时间的上的限制，本文不能对各个因子做出预测，也无法给出具体的数值来衡量世博会对上海经济的推动力。但根据综合评价函数可知世博会的举办对上海经济具有明显的推动作用。五、模型的优缺点和改进模型一由于旅游本底趋势线是依据过去统计经过订正建立的，它反映了一个国家（或地区）旅游业发展的天然趋势和基本规律。所以做本底趋势线的自然延伸可以很好的预测一个地区的未来几年旅游业的发展状况和水平。其次尽管旅游业受多种因素影响,统计线具有随机波动的特点,但却是以本底线为中轴的。我国境外旅游业持续稳定增长是当前和今后的基本趋势,因此,基于本底趋势线基础上的旅游预测,较起其他预测模型不仅物理意义清晰,而且预测的精确性要更高更可信[1]。另外模型对于客流量的计算比较笼统，没有将国内和国外的客流量分开来说明世博会对于上海旅游业的影响力。而且对于最后的相对贡献率的决定显得过于主观。模型二模型的优点在于采用因子分析综合评价法很好的进行了综合评价，评价的可靠性高。同时，模型引入了加权PC评价的思想，使模型的灵活性和适用性大大增加。但在原始变量的选择上存在着一定的弊端，数据不能完整的体现世博会对上海经济的影响。模型一方面因没有对相关因子做出预测而无法给出定量的评估，另一方面也因世博会还未结束而无法进行很好的检验。六、参考文献孙根年，我国境外旅游本底趋势线的建立及科学意义，地理科学，1998，18（5）：442〜447.孙根年，马丽君，基于本底线的2008年北京奥运会客流量预测，地理研究，2008,27（1）：65〜73.孙根年，李乃英，西安市境外旅游本底趋势线的建立及科学意义，西北大学学报（自然科学版）,1998,28（4）:339〜343.李振亭，中国国内旅游本底趋势线的建立及其应用研究，统计与信息论坛，2009,24（1）：62〜65.孙根年，苟小东，上海市入境旅游本底趋势线的建立及其应用，陕西师范大学学报（自然科学版），2000,28（2）:110〜114.⑹中国2010年上海世博会官方网站，，2010年9月13日.百度百科，中国2010年上海世界博览会，/357651.htm?fr=ala01，2010年9月13日.张世贤，马莉，奥运经济与世博经济之比较研究，社会科学， 2004,5:19〜24.苏为华，综合评价学，北京市：中国市场出版社， 2005.李志辉，罗平主编，洪楠，吴伟健编， SPSSforWindows统计分析教程（第2版），北京市：电子工业出版社，2005.七、附录附录一：SPSS非线性拟合结果报告*NonLinearRegression.MODELPROGRAMa=250b=5600q=1000c=3000d=2000.COMPUTEPRED_=a*t+b+q*sin （c*t+d）. NLR ren/OUTFILE='C:\Users\CHRIST~1\AppData\Local\Temp\spss7736\SPSSFNLR.TMP' /PREDPRED_/CRITERIASSCONVERGENCE1E-8PCON1E-8.NonlinearRegressionAnalysis[数据集0]IterationHistorybParameterterationResidualSumofNumberaSquaresabqcd1.06996467.583250.0005600.0001000.0003000.0002000.00C1.1159221.134266.4615724.26012.9013000.0271999.7882.0159221.134266.4615724.26012.9013000.0271999.7882.1170043.696269.0645704.756-30.1733000.2561999.6052.2165908.384269.3765703.191-32.0173000.0972000.1632.3154568.962269.4985702.822-30.9643000.0531999.9523.0154568.962269.4985702.822-30.9643000.0531999.9523.1149783.500269.3905704.283-17.3253000.0251999.7984.0149783.500269.3905704.283-17.3253000.0251999.7984.1146065.022269.4945702.702-31.4222999.9981999.6345.0146065.022269.4945702.702-31.4222999.9981999.634

5.1145375.829269.3235703.186-34.3972999.9361999.8716.0145375.829269.3235703.186-34.3972999.9361999.8716.1143975.243269.3565703.285-33.7222999.9012000.3967.0143975.243269.3565703.285-33.7222999.9012000.3967.1140582.299268.9745706.492-35.3632999.7992001.2283.0140582.299268.9745706.492-35.3632999.7992001.2283.1138899.989267.8005716.868-49.2672999.6022002.8919.0138899.989267.8005716.868-49.2672999.6022002.8919.1136758.555267.6155717.368-50.9292999.7292001.89810.0136758.555267.6155717.368-50.9292999.7292001.89810.1136312.662267.8225716.182-53.7152999.6892002.23311.0136312.662267.8225716.182-53.7152999.6892002.23311.1136292.056267.8405715.845-53.9822999.7002002.16312.0136292.056267.8405715.845-53.9822999.7002002.16312.1136291.300267.8415715.886-54.0262999.6982002.17713.0136291.300267.8415715.886-54.0262999.6982002.17713.1136291.270267.8415715.876-54.0252999.6982002.17414.0136291.270267.8415715.876-54.0252999.6982002.17414.1136291.269267.8415715.878-54.0252999.6982002.17515.0136291.269267.8415715.878-54.0252999.6982002.17515.1136291.269267.8415715.878-54.0252999.6982002.175Derivativesarecalculatednumerically.Majoriterationnumberisdisplayedtotheleftofthedecimal,andminoriterationnumberistotherightofthedecimal.Runstoppedafter32modelevaluationsand15derivativeevaluationsbecausetherelativereductionbetweensuccessiveresidualsumsofsquaresisatmostSSCON=1.00E-008.NotesInputMissingValueHandlingOutputCreatedCommentsActiveDatasetFilterWeightSplitFileNofRowsinWorkingDataFileDefinitionofMissingCasesUsedSyntaxResourcesFilesSavedProcessorTimeElapsedTimeParameterEstimatesFile12-九月-201020时07分44秒数据集0<none><none><none>12User-definedmissingvaluesaretreatedasmissing.Statisticsarebasedoncaseswithnomissingvaluesforanyvariableused.Predictecvaluesarecalculatedforcaseswithmissingvaluesonthedependentvariable.MODELPROGRAMa=250 b=5600q=1000c=3000d=2000.COMPUTE PRED_=a*t+b+q*sin(c*t+d).NLRrenLocal\Temp\spss7736\SPSSFNLR.TMP'/PREDPRED_/CRITERIASSCONVERGENCE1E-8PCON1E-8.0:00:00.0160:00:00.038spss7736\SPSSFNLR.TMPParameterEstimatesParameter95%ConfidenceIntervalEstimateStd.ErrorLowerBoundUpperBounda267.84111.946239.593296.089b5715.87887.5495508.8575922.898q-54.02557.576-190.17082.120c2999.698.3212998.9403000.457d2002.1752.0591997.3062007.044CorrelationsofParameterEstimatesabqcda1.000-.885.141-.031-.057b-.8851.000-.128-.049.116q.141-.1281.000.032-.040c-.031-.049.0321.000-.855d-.057.116-.040-.8551.000ANOVAaSourceSumofSquaresdfMeanSquaresRegression6.777E851.355E8Residual136291.269719470.181UncorrectedTotal6.778E812CorrectedTotal1.053E711Dependentvariable:rena.Rsquared=1-(ResidualSumofSquares)/(CorrectedSumofSquares)=.987.SETUnicode=NoOLang=SChineseSmall=0.0001.附录二：模型二SPSS吉果报告FACTOR /VARIABLESVAR00001VAR00002VAR00003VAR00004VAR00005VAR00006VAR00007/MISSINGLISTWISE/ANALYSISVAR00001VAR00002VAR00003VAR00004VAR00005VAR00006VAR00007/PRINTUNIVARIATEINITIALCORRELATIONSIGDETKMO/FORMATSORT/PLOTEIGENINVREPRAICEXTRACTIONROTATIONFSCORE/FORMATSORT/PLOTEIGENROTATIONITERATE(25)/CRITERIAMINEIGEN⑴ROTATIONITERATE(25)/CRITERIAMINEIGEN⑴ITERATE(25)/ROTATIONVARIMAX/SAVEREG(ALL) FACTORANALYSIS/EXTRACTIONPC/CRITERIA/METHOD=CORRELATION.FactorAnalysisNotesFactorAnalysisNotesOutputCreatedComments13-九月-201002时22分04秒InputActiveDatasetDataSetOFilter<none>Weight<none>SplitFile<none>NofRowsinWorkingDataFile8MissingValueHandlingDefinitionofMissingMISSING=EXCLUDE: User-definedmissingvaluesaretreatedasmissing.CasesUsedLISTWISE:Statisticsarebasedoncaseswithnomissingvaluesforanyvariableused.SyntaxFACTOR/VARIABLESVAR00001 VAR00002VAR00003 VAR00004 VAR00005VAR00006VAR00007/MISSINGLISTWISE/ANALYSIS VAR00001 VAR00002VAR00003VAR00004 VAR00005VAR00006VAR00007/PRINT UNIVARIATE INITIALCORRELATIONSIGDETKMOINVREPRAICEXTRACTIONROTATIONFSCORE/FORMATSORT/PLOTEIGENROTATION/CRITERIA MINEIGEN(1)ITERATE(25)/EXTRACTIONPC/CRITERIAITERATE(25)/ROTATIONVARIMAX/SAVEREG(ALL)/METHOD=CORRELATION.ResourcesProcessorTime0:00:02.355ElapsedTime0:00:02.865MaximumMemoryRequired7692(7.512K)bytesVariablesCreatedFAC1_1Componentscore1FAC21Componentscore2[DataSetO]DescriptiveStatisticsMeanStd.DeviationAnalysisNVAR0000110069.93503278.620578VAR000023719.10751109.949118VAR000033405.46501062.708238

VAR000042052.2288878.751658VAR000051430.2500127.746128VAR00006706.163779.754558VAR0000718706.65136257.821438CorrelationMatrixVAR00001VAR00002VAR00003VAR00004VAR00005Correlation VAR00001VAR00002VAR00003VAR00004VAR00005VAR00006VAR000071.000.995.990.954.570.242.988.9951.000.975.963.600.187.978.990.9751.000.910.483.331.992.954.963.9101.000.682.131.900.570.600.483.6821.00C-.547.545Sig.(1-tailed) VAR00001VAR00002VAR00003VAR00004VAR00005VAR00006VAR00007.000.000.000.070.282.000.000.000.000.058.329.000.000.000.0000.000.000.001.031.378.001.070.058.112.031.080.081a.Determinant=3.79E-012CorrelationMatrixaVAR00006VAR00007Correlation VAR00001.242.988VAR00002.187.978VAR00003.331.992VAR00004.131.900VAR00005-.547.545VAR000061.000.233VAR00007.2331.000Sig.(1-tailed) VAR00001.282.000

VAR00002.329.000VAR00003.211.000VAR00004.378.001VAR00005.080.081VAR00006.289VAR00007.289a.Determinant=3.79E-012InverseofCorrelationMatrixVAR00001VAR00002VAR00003VAR00004VAR00005VAR0000117256.047-1633.771-3365.053-5710.505882.785VAR00002-1633.771867.0781156.9051.15671.608VAR00003-3365.0531156.9052098.171401.46328.706VAR00004-5710.5051.156401.4632321.344-418.773VAR00005882.78571.60828.706-418.77387.858VAR00006228.600-13.826-77.051-77.97017.047VAR00007-7499.599-418.598-248.0193396.600-645.112InverseofCorrelationMatrixVAR00006VAR00007VAR00001228.600-7499.599VAR00002-13.826-418.598VAR00003-77.051-248.019VAR00004-77.9703396.600VAR0000517.047-645.112VAR0000611.488-77.595VAR00007-77.5955374.158

KMOandBartlett'sTestKaiser-Meyer-OlkinMeasureof.619SamplingAdequacy.Bartlett'sTestofSphericity Approx.Chi-Square100.813df21Sig..000Anti-imageMatricesVAR00001VAR00002VAR00003VAR00004Anti-imageCovariance VAR00001VAR00002VAR00003VAR00004VAR00005VAR00006VAR000075.795E-5.000-9.294E-5.000.001.001-8.087E-5.000.001.0015.741E-7.001-.001-8.983E-5-9.294E-5.001.0008.243E-5.000-.003-2.200E-5.0005.741E-78.243E-5.000-.002-.003.000Anti-imageCorrelation VAR00001VAR00002VAR00003VAR00004VAR00005VAR00006VAR00007.612a-.422-.559-.902.717.513-.779-.422.802a.858.001.259-.139-.194-.559.858.753a.182.067-.496-.074-.902.001.182.581a-.927-.477.962a.MeasuresofSamplingAdequacy(MSA)Anti-imageMatricesVAR00005VAR00006VAR00007Anti-imageCovariance VAR00001.001.001-8.087E-5VAR00002.001-.001-8.983E-5VAR00003.000-.003-2.200E-5VAR00004-.002-.003.000VAR00005.011.017-.001VAR00006.017.087-.001VAR00007-.001-.001.000Anti-imageCorrelationVAR00001.717.513-.779VAR00002.259-.139-.194VAR00003.067-.496-.074VAR00004-.927-.477.962VAR00005.431a.537-.939VAR00006.537.334a-.312VAR00007-.939-.312.615’a.MeasuresofSamplingAdequacy(MSA)CommunalitiesInitialExtractionVAR000011.000.998VAR000021.000.990VAR000031.000.987VAR000041.000.942VAR000051.000.947VAR000061.000.958VAR000071.000.967ExtractionMethod:PrincipalComponentAnalysis.TotalVarianceExplainedComponentInitialEigenvaluesTotal%ofVarianceCumulative%15.27475.33821.51521.6463.1432.04399.0264.063.89499.9205.005.07699.996

6.000.00399.99974.248E-5.001100.000ExtractionMethod:PrincipalComponentAnalysis.TotalVarianceExplainedComponentInitialEigenvaluesExtractionSumsofSquaredLoadingsCumulative%Total%ofVarianceCumulative%175.3385.27475.33875.338296.9831.51521.64696.983ExtractionMethod:PrincipalComponentAnalysis.TotalVarianceExplainedComponentRotationSumsofSquaredLoadingsTotal%ofVarianceCumulative%15.24874.96674.96621.54122.01796.983ExtractionMethod:Princip