陕西铁路客运需求分析

1、戈皿如 设计题目陕西铁路客运需求分析 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1102班 学生姓名：陈 雷 学 号：2 指导教师：周和平、柳伍牛、李利华、朱灿 = 2012 /2013 学年第二学期= 3 / 30 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：交通运输工程 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，

2、 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一种或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。且必须与交通运输相关， 选题主题主要包括： 1. 运输市场定位研究 2. 运输需求分析与预测 3. 政策或技术方法实施效果评价 4. 交通行为选择 5. 影响因素分析 6. 聚类分析 7. 服务质量评价 8.

3、自选 三、课程设计（论文）基本要求 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 四、课程设计（论文）时间及进度安排 1. 时间 : 两周： 2012-2013 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

4、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： 3 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： 1 天 （此部分同学们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 2

5、0%,内容（选题合理、 方案可行、 分析正确、 有创新 ）60%。 成绩评定实行优秀、 良好、中等、 及格和不及格五个等级。优秀者人数一般不得超过总 人数的 20%。 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。具体格式参看实验报告样本。 七、主要参考资料 1罗应婷等主编.SPSS统计分析从基础到实践北京：电子工业出版社，2007年6月； 2章文波陈红艳编著实用数据统计分析及 SPSS12.0应用人民出版社，2006年； 3张文彤.SPS

6、S.11.0统计分析教程（高级篇）北京希望电子出版社.2002年6月； 4郝黎仁等SPSS实用统计分析中国水利水电出版社.2003年1月。 目录 1 概述 . 1 1.1 研究背景 1 1.2 常用分析方法 2 1.3 本设计采用的分析方法 3 2 数据采集 4 2.1 数据来源 4 2.2 数据处理 5 2.3 现状分析 7 3 统计模型与分析 9 3.1 因子分析法 9 3.2 时间序列法 10 3.3 曲线拟合法 15 3.4 线性回归分析法 19 3.5 预测值汇总表 24 4 总结 . 25 4.1 本设计的主要工作 25 4.2 存在的不足 25 附录 数据清单 . 26 1 概述

7、 1.1 研究背景 随着社会的发展， 交通运输已成为国民经济正常运行的重要保障条件， 也是 人们生活不可或缺的支撑。 而铁路运输是陆地运输两个基本方式之一， 它在整个 运输领域中占有重要的地位，并发挥着愈来愈重要的作用。 目前，旅客运输需求是我国铁路客运专线运输组织与经营管理的基础。 铁路 客运需求是社会经济生活在人的空间位移方面所提出的具有支付能力的需要， 有 实现位移的愿望和具备支付能力是客运需求的两个必要条件。 这些年来我国铁路 运输需求也发生了一些变化， 产生了新特点：（ 1）铁路客运总量将快速上升：（2） 快捷，便利的铁路客运需求迅速上升： （3）客流结构将发生明显变化。但是，近 年

8、来，因为公路和民航运输的崛起， 也使得铁路运输的市场占有率下降。 与此同 时，铁路运输与公路、 水运和民航的竞争格局已经形成， 各种运输方式之间互相 竞争，抢占市场行为日趋白热化。 铁路运输作为最具可持续性及环境友好性的交通运输模式， 集中体现和标志 着一个国家的创新能力、 综合国力和现代化程度， 在保障国民经济正常运转和促 进经济社会又好又快发展中起着不可替代的作用。根据铁路“十一五”规划 ， “十一五 （2006-2010 年）期间，中国将建设铁路新线 17000 公里，其中客运专线 公里；建设既有线复线 8000公里，既有线电气化改造 15000公里。 2010年，全 国铁路营业早程达到

9、 9 力公里以上，复线和电气化比例分别达到 45以上， 快速客运网总规模达到 20000公里以上，“十一五 铁路基建总投资将达 12500亿 元，是“十五 规模的近 4 倍。这对于铁路旅客运输创造了新的社会形势，必将 推动铁路旅客运输进一步向市场化迈进。 0 / 30 铁路客运需求量增加的原因： 一是在中长途途运输上， 铁路运输相对公路运 输有时间及价格上的优势，同时更为安全， 相对于民航运输， 则在价格上优势更 为突出；二是随着科技的发展， 火车几次提速加之高铁的运营使得铁路运输效率 提高：三是铁路客运的服务质量得到提高。 选题研究意义：一是可以更好的满足社会需要，按市场需求提供运输能力。

10、二是正确认识铁路客运系统， 进一步改善提高其效率。 三是增强铁路运输企业竞 争力。富有竞争性的市场， 迫使铁路运输产品接受市场的检验。 因此了解消费需 求，分析市场环境，制定和实施有效的营销模式，必将极大提高运输企业素质， 改善经营管理，增强应变与竞争能力。 铁路旅客运输必须面向未来，因此对客运需求分析是很有必要的。 1.2 常用分析方法 1.2.1 时间序列法： 时间序列回归模型，是考虑事物发展的变化规律，以时间为自变量建立的 一种相关模型， 它既考虑了事物发展的延续性， 又充分考虑到事物的发展受偶然 因素的作用而产生的随机变化。 1.2.2 因果分析法： 因果分析法是从其它经济指标、社会发

11、展状况与交通量的关系水平进行预 测，通过对客运量与社会经济指标的相关关系研究， 建立并选择合适的数学模型 进行计算，最后对各种预测结果进行汇总、 对比、 分析和研判，确定远景客运量 1.2.3 组合预测： 组合预测方法是对同一个问题， 采用两种以上不同预测方法的预测。 它既可 是几种定量方法的组合， 也可是几种定性的方法的组合， 但实践中更多的则是利 用定性方法与定量方法的组合。 组合的主要目的是综合利用各种方法所提供的信 息，尽可能地提高预测精度。 12.4 回归分析法： 回归分析法是指根据预测的相关性原则， 找出影响预测目标的各因素， 并用 数学方法找出这些因素与预测目标之间的函数关系的近

12、似表达， 再利用样本数据 对其模型估计参数及对模型进行误差检验，一旦模型确定，就可利用模型， 根据 因素的变化值进行预测。 1.2.5 灰色模型预测： 灰色预测模型是通过少量的、 不完全的信息， 建立数学模型并做出预测的一 种预测方法。 1.3 本设计采用的分析方法 本课程设计采用相关分析，因子分析，时间序列法，曲线拟合法，一元及多 元线性回归预测法。 2 / 30 2数据采集 2.1数据来源 本设计所需数据（旅客周转量，总人口，生产总值等）均来自 2012年中国 统计年鉴。 表2-12007-2011年陕西省相关数据 年度 铁路客运 旅客周转量 总人口 生产总值 公路客运 量（万人） （亿人

13、公里） （万人） （亿元） 量（万人） 2002 2670 207.4 3662 2253.39 28663 2003 2497 207.8 3672 2587.72 28159 2004 3231 255.5 3681 3175.58 31763 2005 3601 279.1 3690 3675.66 34780 2006 4370 294.9 3699 4523.74 38606 2007 4848 319.5 3708 5465.79 43555 2008 5218 350.6 3718 6851.32 70566 2009 5008 342.6 3727 8169.80 79033

14、2010 5411 362.6 3735 10123.48 87457 2011 5614 405.4 3743 12512.30 101062 2.2数据处理 本课程设计选取陕西省旅客周转量， 总人口，生产总值，公路客运量作主要 指标。 a旅客周转量，指旅客人数与运送距离的乘积，旅客周转量是制订运输计划 和考核运输任务完成情况的主要依据之一。故旅客周转量是一个重要影响因素。 b. 总人口，作为陕西的消费者，人口数量将对客运量产生影响。 c. 生产总值，国民经济同样会对交通运输业产生重要影响，故选取陕西生 产总值作为解释变量之一。 d. 公路客运量，作为陆地运输两大基本方式之一，很大程度上，公

15、路运输可 替代一部分铁路运输，公路客运量的增加会使铁路客运量减少，故也会对铁路客 运量产生影响。 2 . 2.1数据描述性分析： 处理过程：打开SPSS软件，在菜单栏中找到“分析一描述统计一探索”，单 击出现一个对话框，在对话框中输入变量和数据，点击确定，即可得到最终数据。 表2.2 2-1描述统计量 N 极小值 极大值 均值 标准差 铁路客运量 10 2497 5614 4246.80 1160.502 旅客周转量 10 207.4 405.4 302.540 66.0281 总人口 10 3662 3743 3703.50 27.403 生产总值 10 2253.39 12512.30 5

16、933.8780 3437.17528 公路客运量 10 28159 101062 54364.40 27393.521 有效的N （列表状态） 10 10 / 30 GOCC- bOCCr- 铁nirr-运杲 4QCCr aoco- 2000- 2074207B 552791 2W 9119 534?fi 3506362 6405 4 雎客周转址 EOQCr COOO- 40(10- UUU- X0O- 22E3.39?ES7.72 2175.5S 567E GE 4E23.74 E46b.79E31 .32 B1 9 80 10r 23.3 12E12.30 生产总值 图22 2-1各变量

17、与铁路客运量关系 表2.2 2-2 相关性 铁路客运量 旅客周转量 总人口 生产总值 公路客运量 铁路客运量 Pearson相关性 1 .980 * .968 * .889 * .875 * 显著性（双侧） .000 .000 .001 .001 N 10 10 10 10 10 旅客周转量 Pearson相关性 .980 * 1 .983 * .937 * .918 * 显著性（双侧） .000 .000 .000 .000 N 10 10 10 10 10 总人口 Pearson相关性 .968 * .983 * 1 .959 * .946 * 显著性（双侧） .000 .000 .000

18、 .000 N 10 10 10 10 10 生产总值 Pearson相关性 .889 * .937 * .959 * 1 .982 * 显著性（双侧） .001 .000 .000 .000 N 10 10 10 10 10 公路客运量 Pearson相关性 .875 * .918* .946 * .982 * 1 显著性（双侧） .001 .000 .000 .000 N 10 10 10 10 10 *.在.01水平（双侧）上显著相关。 2.3现状分析 对所研究的地区与行业发展现状进行分析，采用描述性统计方法进行分析。 经过以上数据分析可得： （1）根据铁路客运量和其他指标的茎叶图，可知

19、铁路客运量总体水平随各 指标数量的增加而增加，呈正相关关系。 （2） 根据各指标相互相关性表，可知各指标相互Pearson相关性均较强, 且均为显著相关。 （3）根据各指标相互相关性表，可以看出铁路客运量并未与公路客运量呈 现负相关关系，故不再作讨论。 3统计模型与分析 3.1 因子分析法 3.1.1统计原理 因子分析法：又叫因素分析，就是通过寻找众多变量的公共因素来简化变量 中存在复杂关系的一种统计方法，它将多个变量总和为少数几个“因子”以在线 原始变量与“因子”之间的相关关系 3.1.2操作步骤 点击【分析】/【降维】/【因子分析】，弹出窗口，选择铁路客运量，旅客周 转量，总人口，生产总值

20、，年份作为变量，【抽取】选择主成分，单击【确定】 生出结果。 表3.1 3-1 公因子方差 初始 提取 铁路客运量 1.000 .951 旅客周转量 1.000 .983 总人口 1.000 .993 生产总值 1.000 .929 年份 1.000 .995 提取方法：主成份分析。 3.1.3输出结果分析 表3.1 3-2成份矩阵a 成份 1 铁路客运量 .975 旅客周转量 .992 总人口 .997 生产总值 .964 年份 .998 提取方法：主成份。 a.已提取了 1个成份。 由上表分析可知，提取主成分1个，利用公式可生成一个新变量 乙即主权重 表3.1 3-3解释的总方差 成份 初

21、始特征值 提取平方和载入 合计 方差的% 累积% 合计 方差的% 累积% 1 4.853 97.052 97.052 4.853 97.052 97.052 2 .117 2.344 99.397 3 .019 .372 99.769 4 .011 .230 99.998 5 8.233E-005 .002 100.000 提取方法：主成份分析。 Z=0.975*铁路 客运量+0.992*旅客 周转量+0.997*总 人口 +0.964*生 产总值 +0.998* 年份 3.2 时间序列法 3.2.1统计原理 从统计意义上讲，时间序列是将一个变量在不同时间上的不同数值按时间先 后排列而成的数列

22、。从数学意义上讲，设 Xt (t T)是一个随机过程，Xt (i=1 , 2,，n)是在Xt在时刻i对过程Xt的观察值，则称Xt为一次样本实现， 也就是一个时间序列。从系统意义上讲，时间序列就是某一系统在不同时间(地 点、条件等)的响应。 3.2.2 SPSS操作步骤 说明SPSS操作步骤，如果涉及到统计量、图表以及相关参数选择，并须予 以说明 按分析一一预测-创建模型打开创建模型对话框 在左侧源变量框中选择铁路客运量，旅客周转量，总人口，生产总值，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、2,

23、然后点继 续。接着在统计表选项中选中显示预测值、拟合优度等选项。 然后将模型框中选择多种方法进行拟合， 并点击“确定”按钮，如图所示。 j Melies h1| an 舉 的1須 保存 d为楔型显示i貽度呈-一丄叩七次邹-呈用舗营拆唱工 礙蠱 附 祜也n匏駅髓童 2 R(R)匚噩桶iiS附出 何折腥叨案曲旳建囚 砂毗唾前tt弓匚凝他E- C(y 11 / 30 如帥计量 J躺谕 Z曲分目毅苗蜚PACFiJ) V显示挣創倩唱 附悭的 参削斟电 匚書託祸老田歎呦F) .4S1fe3hiF CF:(C 323输出结果分析 对输出结果进行详细分析，给出主要结论 表3.2 3-1 模型描述 模型类型 模

24、型ID 铁路客运量 模型_1 ARIMA(2,1,2) 旅客周转量 模型_2 ARIMA(2,1,2) 总人口 模型_3 ARIMA(2,1,2) 生产总值 模型_4 ARIMA(2,1,2) 表3.2 3-2模型拟合 拟合统计量 均值 SE 最小值 最大值 百分位 5 10 25 50 75 90 95 平稳的 R 方 .544 .333 .237 .949 .237 .237 .255 .495 .882 .949 .949 R方 .965 .040 .923 1.000 .923 .923 .927 .968 .999 1.000 1.000 RMSE 192.819 229.473 .

25、651 490.787 .651 .651 6.603 139.919 431.935 490.787 490.787 MAPE 3.282 2.573 .008 6.139 .008 .008 .712 3.491 5.644 6.139 6.139 MaxAPE 10.373 9.959 .019 23.889 .019 .019 1.925 8.792 20.402 23.889 23.889 MAE 91.508 106.703 .295 226.323 .295 .295 3.166 69.708 201.651 226.323 226.323 MaxAE 224.017 277.2

26、04 .688 596.516 .688 .688 6.865 149.431 515.753 596.516 596.516 正态化的 BIC 8.718 5.990 .607 13.857 .607 .607 2.420 10.205 13.530 13.857 13.857 表3.2 3-3 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 R方 统计量 DF Sig. 铁路客运量-模型_1 1 .923 0 0 旅客周转量-模型_2 1 .939 0 0 总人口 -模型_3 1 1.000 0 0 生产总值-模型_4 1 .998 0 0 表3.2

27、 3-4 预测 模型 2012 2013 2014 2015 2016 铁路客运量-模型_1 预测 6069 6140 6557 6593 6973 UCL 7432 7844 8523 8690 9178 LCL 4706 4436 4592 4496 4768 旅客周转量-模型_2 预测 432.4 450.2 475.2 504.1 531.0 UCL 497.7 520.3 547.1 575.8 604.1 LCL 367.0 380.2 403.3 432.4 458.0 总人口 -模型_3 预测 3751 3760 3768 3775 3783 UCL 3753 3762 377

28、0 3778 3785 LCL 3749 3757 3765 3773 3780 生产总值-模型_4 预测 14890.14 17355.16 19991.25 22909.62 26174.32 UCL 15553.71 12186805 20719.40 23688.13 26965.97 LCL 14226.57 16629.67 19263.10 22131.12 25382.68 a 二 族竄转郭苗沪2 - 3 27 / 30 主r总車軽 图3.2 3-1时间与各变量关系图 30X0- Xi.XO- gDQpr A 由上述的表格以及图像可以得出上述六个变量与年份的时间序列分析的拟 合

29、度较高，均大大0.8，说明这个预测值的准确度较好。其中，总人口数的 R方的 值为1.0，说明总人口数与年份的预测值最为准确。 3.3.曲线拟合预测法 3.3.1统计原理 曲线估计用在因变量与自变量与一个已知或未知的的曲线或者非线性函数 关系相联系的情况下，在很多情况下有两个相关的变量，用户希望用其中一个变 量对另一个变量进行预测，但是又不能马上根据记录数据确定一种最佳模型， 此 时可以用曲线估计在众多回归模型中建立一个既简单又比较适合的模型。 3.3.2 spss 操作步骤 按分析一一回归-曲线估计打开曲线估计对话框 在左侧源变量框中选择铁路客运运量作为因变量，将其送入因变量框，选 择生产总值

30、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，如图所示 3.3.3 输出结果及分析 表3.3 3-1 模型描述 模型名称 M0D_5 因变量 1 铁路客运量 方程 1 对数 2 二次 3 三次 表3.3 3-2个案处理摘要 N 个案总数 15 已排除的个案a 5 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。 4 Sa 自变量 生产总值 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3.3 3-3 变量处理摘要 变量 因变量 自变量 铁路客

31、运量 生产总值 正值数 10 10 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 5 5 表3.3 3-4模型汇总和参数估计值 因变量：铁路客运量 方程 模型汇总 参数估计值 对数 二次 三次 .927 .951 .977 .956 100.998 67.552 86.110 174.724 自变量为生产总值。 df1 df2 Sig. 常数 bl b2 b3 .000 -12100.778 1914.858 .000 681.333 .960 -4.646E-00 .000 -1075.650 1.957 -0.000203 7.171E-009 .000 8

32、.850 -2353.583 o已曲I 对孰 二农 二罠 图3.3 3-1生产总值与铁路客运量关系图 从以上数据可以得知，以生产总值为自变量，铁路客运量为因变量，得到对 数，二次，三次，S曲线的拟合度都很好，其中三次曲线 RA2=0.977最高，故用三 次曲线拟合预测，其拟合方程为： Y -1075.650 1.957* X - 0.000203* X2 7.171E-009* 乂八3 其中，X为未来几年生产总值，Y为铁路客运量 根据上面预测未来几年的生产总值，得到: 年份 2012 2013 2014 2015 2016 铁路客运量（Y1） 5558.88 5827.14 6281.22 6

33、977.47 7972.24 3.4 线性回归分析法 341 统计原理 回归分析主要的任务是在考察变量直接的数量依存关系的基础上， 通过一定 的数学表达式将这种关系描述出来，进而确定一个活几个变量（自变量） 对另一 个变量（因变量）的影响程度。 一元线性回归方程反应一个因变量与一个自变量之间的线性关系，当直线方 程y ax b的a和b确定时，即为一元回归线性方程。 多元回归分析预测法，是指通过对两个或两个以上的自变量与一个因变量 的相关分析，建立预测模型进行预测的方法。 当自变量与因变量之间存在线性 关系时，称为多元线性回归分析。多元回归分析是研究多个变量之间关系的回 归分析方法，按因变量和自

34、变量的数量对应关系可划分为一个因变量对多个 自变量的回归分析（简称为“一对多”回归分析）及多个因变量对多个自变量的 回归分析（简称为“多对多”回归分析）,按回归模型类型可划分为线性回归分 析和非线性回归分析。 经过相关分析后，在直角坐标系中将大量数据绘制成散点图，这些点不在一 条直线上，但可以从中找到一条合适的直线，使各散点到这条直线的纵向距离之 和最小，这条直线就是回归直线，这条直线的方程叫做直线回归方程。 3.4.2 SPSS操作步骤 第一步：按分析回归线性打开线性回归对话框 第二步：在左侧源变量框中选择铁路客运量作为因变量，将其选入因变 量框，选择作YEAF为自变量，将其选入自变量框，然

35、后点击“确定”按钮， 得到输出文档如图所示 第三步，完成一元线性回归分析后，进行多元线性回归分析，选择铁路 客运量，总人口，生产总值，旅客周转量作为因变量，将其选入因变量框，选 择作YEAR为自变量，将其选入自变量框，然后点击“确定”按钮， 343 输出结果及分析 （一）一元线性回归分析 表3.4 3-1输入/移去的变量a 模型 输入的变量 移去的变量 方法 1 YEAR,not b periodic 输入 a.因变量：铁路客运量 b.已输入所有请求的变量。 表3.4 3-2模型汇总 模型 R R方 调整R方 标准估计的误差 1 .966 a .934 .925 317.245 a.预测变量：

36、（常量）,YEAR, not periodic。 RA2=0.934 表 3.4 3-3 Anova a 模型 平方和 df 均方 F Sig. 1 回归 11315720.194 1 11315720.194 112.432 .000 残差 805157.406 8 100644.676 总计 12120877.600 C J a.因变量：铁路客运量 b.预测变量：（常量）,YEAR, not periodic。 通过了 F检验，拟合度很好 Sig=0.000 表3.3 3-4 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） -738863.515 7

37、0082.250 -10.543 .000 YEAR, not periodic 370.352 34.928 .966 10.603 .000 a.因变量：铁路客运量 故回归方程为：Yi 370.352X -7.38863.515 其中X为年份，Y1为铁路客 、二曰 运里 铁路客运量预测如下: 年份（X） 2012 2013 2014 2015 2016 铁路客运量（Y1） 6284.709 6655.061 7025.413 7395.765 7766.117 用相同的操作步骤得到未来五年陕西省旅客周转量，总人口，生产总值如下: Y221.456X-42748.438 其中X为年份，Y2为

38、旅客周转量 旅客周转量预测如下： 年份（X） 2012 2013 2014 2015 2016 旅客周转量（丫2） 421.034 442.49 463.946 485.402 506.858 丫3 9.048X-14452.285其中X为年份，Y3为总人口 总人口预测如下： 年份（X） 2012 2013 2014 2015 2016 总人口（ Y3） 3752.291 3761.339 3770.387 3779.435 3788.483 丫4 1094.064*X-2189306.511 其中X为年份，Y4为生产总值 生产总值预测如下： 年份（X） 2012 2013 2014 2015

39、 2016 生产总值（Y4） 11950.257 13044.321 14138.385 15232.449 16326.513 （二）多元线性回归预测: 表3.4 3-5输入/移去的变量a 模型 输入的变量 移去的变量 方法 1 生产总值，旅客 周转量，总人口， YEAR,not periodic b 输入 a.因变量：铁路客运量 b.已输入所有请求的变量。 表3.4 3-6 模型汇总 模型 R R方 调整R方 标准估计的误差 1 .988 a .976 .957 239.883 a.预测变量：（常量）,生产总值,旅客周转量，总人口，丫EAR, not periodic 。 表 3.4 3-

40、6 Anova a 模型 平方和 df 均方 F Sig. 1 回归 11833158.226 4 2958289.556 51.409 .000 残差 287719.374 5 57543.875 总计 12120877.600 r 9 a.因变量：铁路客运量 b.预测变量：（常量）,生产总值,旅客周转量，总人口，丫EAR, not periodic。 表3.4 3-7 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） -2090879.703 3447464.243 -.606 .571 YEAR, not periodic 1219.865 2103.478 3.183 .580 .587 旅客周转量 11.816 7.577 .672 1.559 .180 总人口 -95.809 209.389 -2.262 -.458 .666 生产总值 -.216 .152 -.639 -1.421 .214 a.因变量：铁路客运量 可得多元线性回归方程: 丫 1219.865* Xi 11.816* X2-95.809* X3-0.216* X4-2090879.703 其 中X1为年份，X2为旅客周转量，X为总人口