THE BUSINESS CIRCULATE
商业流通 | MODERN BUSINESS
现代商业
7
杨京坤
郑州大学 河南郑州 450000
摘要：投资、出口、消费是拉动我国经济增长的“三驾马车”，但是在国际金融危机爆发以后，我国的投资报酬就一直呈递减趋势。通过大数据可以看出在2008年的金融危机爆发以后，投资和出口对拉动经济的贡献率不断减弱，而消费贡献率相对突出，对经济的拉动作用进一步增强。在新常态背景下，我国居民在衣食住行方面提出了更高的要求。本文主要运用了因子分析法和聚类分析法，借助SPSS.22.0对201 8年度中国居民的消费结构的统计指标数据进行研究论证。运用因子分析法探究2018年度中国居民的消费结构中的主要消费因子和次要消费因子，运用聚类分析法探究居民消费与地域发展水平之间的关系，考察不同类别的城市之间的关联。
关键词：消费结构；因子分析；聚类分析；经济增长
中图分类号:F126 文献识别码:A 文章编号:1673-5889(2021)14-0007-03
一、引言
在经济新常态的背景之下，我国的GDP增速放缓，经济下行压力不断加大。投资和出口所占贡献率不断减少，而居民消费贡献率不断提高，进一步拉动经济的增长。
如今，居民消费是我国经济内需的最主要来源，消费结构的探讨对我国我国的消费政策和各地区的经济健康增长具有重大的意义。由于我国居民在衣食住行方面提出了更高的要求，经济物质文化需求不断增加，研究我国居民消费结构对国家制定新一轮的消费政策和供给侧改革具有重大的意义，也可以进一步拉动经济增长，调整我国产业结构。 二、理论基础
(一)因子分析理论基础
因子分析法实质上是将大部分数据简化，从而突出几个较为重要、影响力较大的因子。简单来看，它起到的是降维的作用。它的优点是可以同时研究上百个指标和数据，然后提取几个独立且未知的因子，并使提取指标的大部分信息及特征都集中于这几个因子上，这样更有利于我们观察、分析和研究。通过因子处理，我们所研究的指标并不会丧失特征和信息，相反，大部分的特征及信息都集中于这几个主要因子上，主因子承载着选取指标的主要特征和信息，由此大大减少了所要分析的数据量。我们一般认为提取主因子的累计方差贡献率达到80%以上，就能够说明提取的因子能够反映研究对象大部分特征和信息。
因子分析法的步骤如下。
1.数据标准化处理。对原始数据进行无量纲处理，由此来消除结果的不稳定性，最后得到所需要的无单位限制的因子矩阵；
2.因子载荷矩阵。因子分析的重中之重是因子载荷矩阵，因子载荷矩阵的方法有很多，有主成分分析法、最小二乘法和最大似然估计法等；
3.因子旋转。如果最后得到的因子载荷矩阵不能进行说
明，应该对其进行旋转，使得结果清晰；
4.计算因子得分。最后得到线性关系和因变量结果，由此可以构造因子得分函数，并计算出公因子得分、得分排名。 (二)聚类分析理论基础
聚类分析，顾名思义，就是将类似的物理或者抽象对象组合在一起，形成一个类的分析过程。将数据收集后就可以通过软件分析将数据分类，操作简单。聚类分析来源于多个领域，诸如统计学、计算机学和经济学等。不同的领域中，聚类分析的应用也是不同的，用于衡量数据的相似度，并将数据分类到不同的簇中。
聚类分析也不止一种，常用的是系统聚类法和逐步聚类法，而两者中最常用的则是逐步聚类法中的K -均值法(K-means)。
基本步骤如下。
1.确定聚凝点和距离。先确定一批聚凝点，然后再计算聚凝点和各个样本之间的距离；qlb-06
2.归类。通过计算，到各个聚凝点和各个样本点之间的最短距离，按照距离最短的准则将样本集聚到相应的归类中；
3.新的聚凝点。通过计算点所分类的重点，将其作为类中新的聚凝点；
4.重复以上步骤。最后不断重复以上的步骤，直到到的凝聚点和上一次凝聚点相同方可停止。
三、实证分析(一)因子分析
1.样本指标选取及数据来源
本文采用统计分析软件SPSS.22.0对数据进行因子分析，研究的对象以中国31个省市地区居民的消费支出为主，包含实物消费支出和现金消费支出。其中，选取食品烟酒(X 1)、衣着(X 2)、居住(X 3)、生活用品及服务(X 4)、交通通信(X 5)、教育文化娱乐(X 6)、医疗保健(X 7)和其他用品及服务(X8)以上八大指标
THE BUSINESS CIRCULATE
苏联祭
| 商业流通
MODERN BUSINESS
现代商业8
作为居民消费结构的指标数据来进行分析。本文所用数据均来自《中国统计年鉴2019》。
2.因子分析法适用度检验。在处理原始数据之前，先通过KMO取样适切性与Bartlett球形度检验8项变量之间的偏相关矩阵，结果如表1所示。
表1 KMO和Bartlett检验
KMO取样适切性量数0.816
Bartlett的球形度检验
上次读取的卡方
358.227自由度28显著性
通过表1可以发现，Bartlett球形度检验显著性为0，小于0.01，由此拒绝原假设，认为单位矩阵和相关系数矩阵之间有显著差异。表中显示KMO值为0.816，说明数据适合做因子分析。
3.提取公共因子。使用特征值大于0.5的主成分分析来提取公因子，结果如表2所示。
表2 变量的特征值与方差贡献值
成分初始特征值
提取载荷平方和旋转载荷平方和总计方差%累积%总计方差%累积%总计方差%累积%1 6.73184.13284.132 6.73184.13284.132 4.10351.28551.28520.5697.11891.2510.5697.11891.251 3.19739.96691.25130.293 3.66194.911 40.154 1.92896.839 50.103 1.28398.122 60.0750.93699.057 70.0580.72499.781 8
0.017
0.219
100
通过上表2可以看出，有2个大于0.5的特征值。经过旋转之后的因子解释总方差的百分比依次为51.285%,39.966%，2个因子累计解释了91.251%的原有变量方差，基本上认为包含了全部变量的主要信息。
4.旋转并解释公共因子。使用最大方差法正交旋转公共因子得到如表3所示的载荷矩阵。
由表3可以明显看出，第一个公因子在食品烟酒(X 1)、居住(X 3)、生活用品及服务(X 4)、交通通信(X 5)、教育文化娱乐(X 6)、其他用品及服务(X 8)上具有较高的载荷值，这表示了基本生活以及高质量教育发展的消费因子；而第二个公因子在衣着(X 2)和医疗保健(X 7)这两个指标上的解释力度较大，这表示了注重身体健康以及注重形象的消费因子。
5.因子得分。因子得分系数矩阵显示了成分矩阵识别因子最后结果，如表4所示。
表4 成分得分系数矩阵
高斯函数
组件
1
2食品烟酒(ZX 1)0.575-0.470衣着(ZX 2)-0.4280.685居住(ZX 3)0.335-0.176生活用品及服务(ZX 4)0.1320.064交通通信(ZX 5)
0.1500.043教育文化娱乐(ZX 6)0.213-0.033医疗保健(ZX 7)-0.3290.579其他用品及服务(ZX 8)
0.121
0.082
由表４可以明显看出，8个变量的线性组合表示了2个公共因子。将提取的2个公共因子的得分记为F 1、F 2，将8个指标变量标准化后(记为ZX i ，i=1～8)分别乘以其因子载荷量后加总，最终建立2个线性方程并得到因子得分。
F 1=0.575ZX 1-0.428ZX 2+0.335ZX 3+0.132ZX 4+0.15ZX 5+0.213ZX 6-0.329ZX 7+0.121ZX 8
F 2=-0.47ZX 1+0.685ZX 2-0.176ZX 3+0.64ZX 4+0.43ZX 5-0.033ZX 6+0.579ZX 7+0.082ZX 8我的电脑我做主
6.综合得分及排名。最终以各主成分的方差贡献率作为权
重后除以累计贡献率计算综合得分F。
中国糖酒网
通过上式，可以得到31个省市的居民消费综合得分。按照降序对地区综合得分进行排名，排名越靠前，说明该地区消费支出水平越高，得到表5。
表5 因子得分排名
地区F 1F 1排名F 2F 2排名综合得分综合得分排名
上海 3.067021 1.140554 2.221北京 1.581823 2.347151 1.922天津0.847187 1.559282 1.163浙江 1.2129450.5485280.924广东 1.970372-1.36495290.515江苏0.5263280.4207110.486辽宁-0.3767818 1.1635530.37福建 1.293214-1.32601280.158内蒙古-0.6756422 1.0837750.099湖北-0.17921150.2095915-0.0110重庆-0.07916140.0719216-0.0111山东-0.26221170.2210614-0.0512湖南
-0.0383413-0.1983720-0.1113吉林-0.93805290.762777-0.1914四川-0.019612-0.4813822-0.2215宁夏-0.81657250.536129-0.2216黑龙江-1.14393310.95456-0.2217青海-0.8689280.4675610-0.2818新疆-0.84646270.4116912-0.319河北-0.59298200.0202918-0.3220陕西-0.6127210.0295817-0.3321安徽0.0458610-0.8557623-0.3522海南0.965426-2.0997831-0.3823江西-0.0083411-1.0426326-0.4624河南-0.7972524-0.0807819-0.4825山西-1.08174300.2438413-0.526甘肃-0.7884323-0.2434721-0.5527广西0.116879-1.473330-0.5828云南-0.2526416-1.0883527-0.6229贵州-0.4103519-0.9132324-0.6330西藏
-0.83772
26
-1.02441
25
-0.92
31
由表５可得以下结论。
(1)有10个地区F 1公共因子得分上大于0，上海、广东、北京、福建，浙江是得分较高的前5个地区，说明这些地区的居民
THE BUSINESS CIRCULATE
商业流通 | MODERN BUSINESS 现代商业9
在基本生活和高质量教育发展的消费因子上的花费较多。
(2)有19个地区F 2公共因子得分上大于0，北京、天津、辽宁、上海、内蒙古是得分较高的前5个地区，说明这5个地区的居民更注重身体健康和整体形象。
(3)从综合得分排行中可以看到，只有9个地区在2018年居民消费支出水平综合得分中大于0，其余地区居民人均消费水平仍处于平均水平以下，上海、北京、天津、浙江和广东为前五个得分最高的地区；甘肃、广西、云南、贵州和西藏为消费支出最低的五个地区。其中，综合得分最高的上海和得分最低的西藏相差3.14。
(二)聚类分析
对因子分析提取的2个主因子，采用SPSS 22.0软件k均值聚类分析功能，对全国31个省份城镇居民消费进行分类，各聚类组员如表6所示。
表6 各聚类组员
个案编号
地区聚类距离1北京11448.8622天津21471.3843河北3856.4814山西31246.2155内蒙古31192.0166辽宁31787.4637吉林3727.7598黑龙江3805.7729上海11448.86210江苏21383.88111浙江21287.61512安徽3904.52413福建21421.14714江西3825.21615山东3892.32116河南3992.41317湖北31249.2621
8湖南31128.77119广东2864.18120广西3761.83821海南31954.62422重庆31491.84023四川31189.84124贵州31389.10925云南31080.21726西藏32318.48927陕西3655.66428甘肃3972.98329青海3727.12930宁夏3882.29031
新疆
3
621.270
音乐能力测试对上面的聚类组员进行整理，得到全国31个省区聚类分布表，如表7所示。
表7 全国31个省区聚类分布表
类别省区名称
省区个数
1北京，上海
22天津，江苏，浙江，福建，广东
5
3
河北，山西，内蒙古，辽宁，吉林，黑龙江，安徽，江西，山东，河南，湖北，湖南，广西，海南，重庆，四川，贵州，云南，西藏，陕西，甘肃，青海，宁夏，新疆
24
通过以上的聚类分析结果可得以下结论。
1.居民消费结构与经济发展水平密切相关。不同类别的所属地区经济发展水平不同，消费结构也有着差异。而相同经济发展水平的地区，消费结构相似，被归为一类。
2.居民消费结构和所处地域之间的联系并不绝对相关。例如，所属同一类的内蒙古、山东、重庆、陕西、吉林等省市，它们之间的地理距离较远，地理区域大不相同，而它们地区的居民消费结构却十分相似。
四、结论
经过上述对我国31个省市地区居民消费的分析与研究，得到如下结论。
1.中国居民消费结构中，处于主要地位的仍旧是基本生活和高质量教育发展。可以明显看出综合得分最高的前五个地区上海、北京、天津、浙江和广东在政治经济方面较为发达，这说明经济发展水平较高地区的居民的消费重点仍是衣食住行和教育
2.从侧面可以看出，我国的医疗水平在不断进步，居民对于医疗保健的意识也在不断增加。北京、天津、辽宁、上海、内蒙古为F2公共因子得分较高的前5个地区。其中，有四个处在中国北部地区。而北方地区冬季更为寒冷，处于这些地区的居民更加注重在外在形象和身体健康上面的花销。其次，除了地理条件会影响我国居民消费结构之外，文化思想水平和时尚理念同样为一大因素。以上海为例，上海居民的时尚理念和思想较为前卫，所以更加注重穿着打扮上面的花销。
3.不同地区的居民消费结构差异较大，我国存在显著的地区消费水平差异。通过聚类分析，可以看出我国居民地区消费水平分为三类，其中，较高消费水平大部分为沿海地区，而中低消费水平多为中西部地区，这说明我国区域消费结构和经济发展水平仍有较大差异。参考文献：
[1]石夏星.因子分析在居民消费结构变动分析中的应用[J].科教纵横,2011(12):260.
[2]刘馨蔚.中国城镇居民消费结构聚类分析[J ].林业经济,2012(02):56-60.
[3]周萌萌，彭小军.我国居民收入与经济发展、劳动生产率的关系研究[J].时代金融,2014(20):130-132.
[4]齐蒙.基于因子和聚类分析的城镇居民消费结构研究[J].决策与信息,2015(10):104-106.
[5]习近平.决胜全面建成小康社会夺取新时代中国特社会主义伟大胜利——在中国共产党第十九次全国代表大会上的报告[J].中国经济周刊,2017(42):68-96．
[6]邱月.基于因子分析的中国居民消费支出结构分析[J].宁夏师范学院学报,2018,39(04):74-78.
[7]赵馨.中国居民消费结构——基于因子分析法[J].西部皮革,2020,42(02):79.作者简介：
杨京坤，郑州大学本科生。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议