黄冈在武汉城市圈中的现状及发展对策

【摘要】 本文以湖北省统计局网站2010年武汉城市圈主要经济指标为数据来源，将原始数据采用人均或相对比重方法处理后，一共选取8个指标构成评价指标体系，运用SPSS18.0统计软件因子分析方法处理数据，从评价体系中提炼出2个主因子对武汉城市圈各个城市进行综合评价，重点分析黄冈在武汉城市圈中的排名及发展现状。结果表明，黄冈在城市圈中处于中等发展水平，发展潜力巨大，据此提出黄冈要推进农业产业化发展，推进大别山旅游经济带建设，强化教育大市地位。

【关键词】 SPSS 因子分析 黄冈 武汉城市圈

一、引言

城市与城市之间的竞争本来就十分激烈，自2004年武汉城市圈建立以来，围绕武汉周边的8个城市更是如此，争相制定发展规划，期望在城市圈中有更好的发展，占据优势地位。黄冈在2010年已占城市圈30.05%的国土面积，20.37%的人口，8.95%的国内生产总值。本文通过SPSS软件处理数据，分析和比较城市圈内各城市的综合实力，可以清楚直观地认识各城市的优势和不足、现状和潜力，为科学制定黄冈社会经济发展战略提供一点参考意见。

二、研究过程

1、运用软件及相关理论

（1）SPSS软件。SPSS（Statistical Package for the Social Science）社会科学用软件包是世界上著名的统计分析软件之一。其名为社会学统计软件包，是为了强调其社会科学应用的一面（因为社会科学研究中的许多现象都是随机的，要使用统计学和概率论的定理来进行研究），而实际上它在社会科学、自然科学的各个领域都能发挥巨大作用，并已经应用于经济学、生物学、教育学、心理学、医学以及体育、工业、农业、林业、商业和金融等各个领域。

（2）因子分析理论。因子分析的概念起源于20世纪初Karl Pearson和Charles Spearmen等人关于智力测验的统计分析。因子分析以最少的信息丢失为前提，将众多的原有变量综合成较少的几个综合指标，名为因子。通常，因子有以下几个特点：因子个数远远少于原有变量的个数，原有变量综合成少数几个因子之后，因子将可以替代原有变量参与数据建模；因子能够反映原有变量的绝大部分信息；因子之间的线性关系并不显著，因子参与数据建模能够有效地解决变量多重共线性等给分析应用带来的诸多问题；因子具有命名解释性。通常，因子分析产生的因子能够通过各种方式最终获得命名解释性。因子的命名解释性有助于对因子分析结果的解释评价，对因子的进一步应用有重要意义。

总之，因子分析是研究如何以最少的信息丢失将众多原有变量浓缩成少数几个因子，如何使因子具有一定的命名解释性的多元统计分析方法。

2、评价指标体系

本文通过对湖北省统计局网站公布的2010年武汉城市圈原始经济指标进行分析之后，考虑到不同城市的可比性，这些指标全部采用人均或相对比重，一共选取了8个指标组成了城市经济发展水平评价指标体系（见表2）。指标体系解释如下：X1：高校在校学生与常住人口比（%）=普通高校在校学生数/城市常住人口，反映高等教育发展状况；X2：第一产业占国内生产总值比重（%）=第一产业产值/地区生产总值，反映农业发展水平；X3：国内旅游者人数与常住人口比（%）=国内旅游者人数/城市常住人口，反映城市旅游吸引能力；X4：固定资产投资额占国内生产总值比重（%）=全社会固定资产投资总额/地区生产总值，反映一年内城市投资增量，其大小影响到城市发展的潜力和后劲；X5：外贸口岸进出口额占国内生产总值比重（%）=城市外贸口岸进出口总额/地区生产总值*6.8（按2010年人民币兑美元汇率计算），反映城市对国外市场的依存度及城市对国外商品的吸引力；X6：每万人卫生机构床位数（张）=卫生机构床位数/城市常住人口，反映城市基础设施建设情况；X7：人均地区生产总值（元）=地区生产总值/城市常住人口，综合体现经济发展水平；X8：民用汽车拥有量（辆），反映城市居民生活水平。

3、数据分析

（1）因子分析可行性检验。根据因子分析的有关信息，在做因子分析之前，我们要对数据是否适合做因子分析进行检验，利用SPSS软件处理，结果如表3所示。

KMO是Kaiser-Meyer-Olkin的取样适当性量数。KMO测度的值越高（接近1.0时），表明变量间的共同因子越多，研究数据适合用因子分析。通过检验得知，KMO值为0.571，大于限定的0.5，虽然不是很高，但还是适合做因子分析的。Bartlett 球形度检验的伴随概率值为0.000

（2）主因子数的确定。第一，特征值提取。首先用SPSS对原始数据进行标准化处理，以消除观测量纲的差异及数量级的影响，使标准化后的变量均值为0，方差为1。然后对标准化后的数据进行因子分析，得到旋转后的主成分的特征值和贡献率（见表4）。

进行旋转后的每个因子的特征值和方差贡献率是其特征值占全部主因子特征值总和的比率，此次分析全部主因子特征值的总和为8（即主因子数），如第一主因子的贡献率为72.943%，是其特征值5.835和8的比率。在提取公因子数量时我们选择特征值大于1的公因子，得到2个公因子。由表4可知这2个公因子可以解释总方差的累计比例达到90.670%，其余的因子所占比例较少，也就是说这2个因子可以解释总方差的绝大部分，在此得出我们选的2个主因子是可行的。

第二，碎石图提取。“陡坡石”（scree）原是地质学上的名词，代表在岩石斜坡底层发现的小碎石，这些碎石价值性不高。应用于统计学之因素分析中，表示陡坡图底端的因素不具重要性，可以舍弃不用。从图1中可以看出从第二个因子以后，曲线变得比较平坦了，所以我们抽取2个因子是比较适宜的。

（3）因子分类。表5为旋转后的因子载荷矩阵表，可将指标分为两个主因子。第一主因子在高校在校学生与常住人口比（%）、第一产业占国内生产总值比重（%）、国内旅游者人数与常住人口比（%）、固定资产投资额占国内生产总值比重（%）、外贸口岸进出口额占国内生产总值比重（%）、每万人卫生机构床位数（张）、人均地区生产总值（元）、民用汽车拥有量（辆）上具有很大载荷，从各指标的经济含义可知反映了城市的教育实力、旅游吸引力、人民生活水平及对外发展程度等，我们将其定义为经济因子。第二主因子在固定资产投资占国内生产总值比重（%）上具有较大载荷，反映了城市的潜力和后劲，我们可以将其定义为潜力因子。