【《企业视角下探析养老服务床位增加中的“商机”探析》10000字】

企业视角下分析养老服务床位增加中的“商机”分析目录TOC\o"1-3"\h\u15523企业视角下分析养老服务床位增加中的“商机”分析 1282571.1发现商机 124211.1.1年龄模型 1183681.1.2空间相关性分析 4156091.1.3企业视角下如何发现养老服务床位增加中的商机 13289161.2分析商机 14282201.2.1因子分析理论 14281981.2.2基于因子分析对机构养老服务床位增加中的商机进行分析 18319551.3企业视角下如何发现并分析养老服务床位增加中的“商机” 26对于企业而言，发现养老服务床位增加中的“商机”也就意味着可以获得更大的利润。参照金融市场中的一价定律与无套利原则，当市场需求与现有供给产生巨大差距时，便说明市场中拥有着巨大的商业潜力，也反映出蕴藏在市场中的“商机”。据年龄模型求出的养老床位需求与现有床位供给进行比较分析，在宏观层面来寻找养老服务市场中的利润。同时由于上一章中对养老服务床位需求的分类结果具有两重性，因此在微观层面，可利用其分类结果的地域性来寻找各地区养老服务床位市场的利润。最后通过因子分析，根据现有的养老服务床位分布的数量和结构，能够得到养老服务床位数量变化对社会造成的影响，进而得到养老服务床位增加中的商机。而影响企业获得利润的因素多且复杂，因此通过利用统计分析软件进行因子分析，将众多影响因素进行压缩，用以分析养老床位增加所带来的的商机。1.1发现商机1.1.1年龄模型在第五届全球老龄大会中，各国老年学专家通过对大量老龄问题进行实证研究后认为，随着人类预期寿命的延长，老年群体的异质性也日益明显，在身体的健康状况方面，低龄老人与高龄老人之间存在明显的差异[12]。假设老年人主要是由于生活自理能力的缺乏而选择入住养老机构，结合老年人体质随年龄的增长而加速下降的状况，将老年人口分为岁、岁、岁以上三个阶段，并建立老年人群对养老机构床位数的线性需求模型，以此预测老年人对于机构养老的需求[12]。该模型以年龄为基础，故称为年龄模型，如下所示： （3-1）其中为第年老年人口对养老机构床位的需求，、、分别表示第年岁、岁、岁以上的老年人口数，、、分别表示第年岁、岁、岁以上的老年人口入住养老机构的实际需求比例。在模型（3-1）中，考虑到第年岁、岁、岁以上的老年人口入住养老机构的实际实际比例难以获得。对此，我们采用2010年度全国人口抽样调查资料中关于全国人口各年龄段生活自理能力的相关数据，以此来替代第年上述三个年龄组老年人口入住养老机构的实际需求比例、、。

表3-12010年份年龄老年自理能力情况

单位：人年龄段健康基本健康不健康，但生活能自理生活不能自理合计不能自理占该年龄组比例5528082351780777503911319699341341.14%18198102575499107600719078656621021.37%390281851735604221216239206246610.48%数据来源：2010年度全国人口抽样调查资料根据2010年度全国人口抽样调查资料，按照现实情况，假设生活不能自理的老人对养老机构的需求要远大于身体健康型老人对养老机构的需求，则、、分别表示岁、岁、岁以上的这三个年龄组中生活不能自理的老年人口比例。通过对以上3个参数的计算，可得到具体公式如下：

（3-2）

表3-2年老年人口年龄构成情况

单位：万人年份岁老人岁老人岁以上老人201513302.446286.052617.32201613876.946466.672755.32201714514.086692.112880.22201814977.207025.492955.61201914845.907471.153066.79数据来源：年中国统计年鉴将表中各年龄段老年人口数据带入模型（3-2），可得到全国养老机构床位需求量变化情况，如表3-3所示，通过对机构床位理论需求与实际供给情况进行比较，得图3-1，其运行代码见附录。 表3-3全国养老机构所床位理论需求量与实际供给量

单位：万张 年份理论需求量实际供给量2015637.8391.22016664.9414.02017692.8419.62018717.2397.42019742.4438.8数据来源;课题测算

图3-1养老机构床位供需状况将通过年龄模型计算得到的全国养老机构床位理论需求数与实际供给量进行比较，见表3-3与图3-1，可以发现：机构床位数的市场供给难以满足老年人口对机构养老的需求。因此若养老服务业得到更加优化的发展，也就会促进养老服务市场的繁荣，推动经济的增长，给企业带来商机。1.1.2空间相关性分析随着我国老年人口的逐年增加，养老行业所蕴含的巨大商机已成为客观事实，所以机构养老床位成为社会养老服务供给中不可缺少的关键资源。根据上一章节中对养老服务床位需求的分类结果的二重性，其中一个性质便是地域性。而对于我国现有养老服务床位在不同地区是否具有空间依赖、空间关联或空间自相关性，还要做进一步的研究。因此基于空间统计学理论从中国统计年鉴的2015年至2019年按地区分类的各指标数据中挖掘空间自相关等规律，来分析我国现有床位在不同地区的分布状况，结合各地区的实际情况，分析养老养老床位市场中利润点。1、空间自相关性理论空间统计的基本思想是空间自相关是普遍存在的，地理现象在空间上的变化不是随机的。因此借助空间统计可以更好的理解地理现象，同时也能准确地判断具体地理模式的原因，且可以协助我们处理复杂的数据集。对于空间统计的基本原理与方法则主要由以下三种变量与函数组成：空间权重矩阵

空间权重矩阵用于描述空间位置关系，即通过定义一个二元对称矩阵，来表示个位置的空间区域的邻近关系，其形式如下： 式中表示区域与的临近关系，它可根据邻接标准或距离标准来度量。通常有两种方法来确定空间权重矩阵：简单二进制（0-1二值变量）邻接矩阵

基于距离的二进制空间权重矩阵

全局空间自相关

全局空间自相关主要概括了在一总的空间范围内空间依赖的程度。我们通常用指数和系数来度量全局空间自相关。指数用于反映空间邻接或空间邻近的区域单元属性值的相似程度，而系数则与指数存在负相关关系。若是针对位置（或区域）的观测值，则关于该变量的的两个全局空间自相关指标的计算如下所示：全局指数计算公式如下，式中， （3-3）若记，，，，则全局全局指数计算公式也可写为： （3-4）

而全局系数计算公式如下， （3-5）指数的取值一般在[-1,1]之间，小于0表示负相关，等于0表示不相关，大于0表示正相关；系数的取值一般在[0,2]之间，大于1表示负相关，等于1表示不相关，而小于1表示正相关。局部空间自相关局部空间自相关用于描述一个空间单位与其领域的相似程度，能够表示每个局部单位服从全局总趋势（包括方向和量级），反映了空间异质性，说明空间依赖是如何随位置变化的。局部空间自相关分析方法包括3种，分别是空间联系的局部指标（）、统计量和散点图。其中空间联系的局部指标（）满足两个条件，其一是描述该区域单元周围显著的相似值区域单元之间空间集聚程度的指标，其二是所有区域单元的总和与全局的空间联系指标成比例。而则包括局部指数和局部指数。较为常用的便是局部指数，其定义式为： （3-6）或可进一步写为：

（3-7）式中，和是经过标准差标准化的观测值。局部指数检验的标准化统计量为： （3-8）而散点图，则是以为坐标点的散点图，常用于研究局部的空间不稳定性，它对空间滞后因子对于的线性回归系数，对界外值及指数具有强烈影响的区域单元，可通过标准回归来进行诊断。散点图的4个散点图，分别对应于区域单元与其邻居之间4种类型的局部空间联系形式，第1象限表示区域单元被高值的区域所包围的空间联系形式，第2象限表示低观测值的区域单元被高值的区域所包围的空间联系形式，第3象限表示低观测值的区域单元被低值的区域所包围的空间联系形式，第4象限代表了高观测值的区域单元被低值的区域所包围的空间联系形式[13]。2、模型的建立与分析为分析我国现有养老服务床位在全国31个地区的空间关联性，我们使用软件进行相关空间数据的计算与分析。为方便计算，现对全国31个地区进行编号如表3-4所示。表3-4全国31个地区及编号设置地区编号地区编号北京1湖南18天津2广东19河北3广西20山西4海南21内蒙古5重庆22辽宁6四川23吉林7贵州24黑龙江8云南25上海9西藏26江苏10陕西27浙江11甘肃28安徽12青海29福建13宁夏30江西14新疆31山东15河南16湖北17根据各地区之间的邻接关系，采用二进制邻接权重矩阵（见附录），选取各地区年机构养老服务床位数的自然对数（见表3-4），依照公式计算全局指数，计算其检验的标准化统计量，结果如表3-5所示，相应运行代码见附录。表3-4年自然对数化的机构养老服务床位地区年份2015201620172018201911.1238516411.1335389081.1731862681.0217886251.03742649820.7160033440.7075701760.7075701760.6896550910.75587485631.2068258761.2095150151.2278867051.2267828631.30319605740.7993405490.7075701760.6989700040.6632956460.75587485650.9294189260.9344984510.9444826720.9301438480.91907809261.2174839441.2278867051.2068258761.1669597071.22530928270.8129133571.0791812461.0718820071.08496214610492180231.082785371.1238516411.138441651.19312459891.0492180231.0755469611.107209971.1203073511.133538908101.5899496011.6127838571.6180480971.6005558161.630427875111.3424226811.3944516811.4329692911.4606392931.494154594121.1522883441.1760912591.2648178231.3307728311.390935107130.6812412370.6812412370.690196080.6660122570.819543936141.1702617151.1875207211.1643528561.1662465291.240549248151.5010592621.5065050321.4638929891.4559452011.521138084161.0644579891.0718820071.0644579891.1440726891.374748346171.3521825181.3783979011.3729120031.3591674071.40654018181.1038037211.1492191131.1238516411.128056611.285557309191.2095150151.2787536011.3053513691.3077997241.357934847200.5797835970.623249290.6434526760.719414160.857332496210.0413926850-0.045757491-0.426548178-0.301029996220.9190780920.9344984510.9138138520.9358698660.986771734231.4800069431.5037906831.4913616941.451275111.46834733240.7923916890.869231720.8388490910.857983450.880813592250.7075701760.7160033440.6989700040.7468754070.908485019260.176091259-1-0.522878745-1.111820506-0.522878745270.9242792860.9242792860.9542425090.9299091461.004321374280.5682017240.4149733480.3802112420.3110117490.34242268129-0.301029996-0.301029996-0.22184875-0.248028425-0.22184875300.1461280360.1461280360.1760912590.1455071710.230448921310.5797835970.6127838570.6434526760.5702159280.591064607数据来源：年国家民政部统计公报数据表3-5全局指数、检验统计量及值年份IZP20150.2032.0490.02020160.2302.3810.00920170.2292.2930.01120180.2192.2770.01120190.2572.5390.006从表中可以看出，在年期间，全国31个地区机构养老服务床位数的全局指数均为正值，基于正态分布的假设，对指数检验的结果也高度显著。这也就说明，在年期间，全国31各地区存在着显著的、正的空间自相关，即各地区机构养老服务床位数的空间分布表现出相似值之间的空间集聚，其空间联系的特征是：拥有较多机构养老服务床位数的地区相对趋于和拥有较多机构养老服务床位数的地区相邻，又或者拥有较少机构养老服务床位数的地区相对趋于和拥有较少机构养老服务床位数的地区相邻。同时基于表3-4的数据，计算局部指数及其检验值，如图3-2至3-6所示，运行代码见附录。由计算结果及检验情况，以为坐标，进一步绘制散点图，如下图3-7至3-11所示：图3-22015年局部指数及其检验图3-32016年局部指数及其检验图3-42017年局部指数及其检验图3-52018年局部指数及其检验图3-62019年局部指数及其检验图3-72015年局部散点图图3-82016年局部散点图图3-92017年局部散点图图3-102018年局部散点图图3-112019年局部散点图可以发现，多地区位于第1和第3象限内，为正的空间联系，属于低低集聚和高高集聚，且位于第1象限的高高集聚类型的地区比位于第3象限内的低低集聚类型的地区更多一些。图3-7至图3-11进一步显示了31个地区机构养老服务床位数局部集聚的空间结构。经分析可看出，从机构养老服务床位数相对的看：高值被高值包围集聚的高高集聚地区有北京、河北、辽宁、吉林、上海、江苏、浙江、安徽、江西、山东、河南、湖北、湖南、重庆、贵州；低值被低值包围的低低集聚地区有：云南、西藏、甘肃、青海、宁夏、新疆；被低值包围的高值地区有内蒙古、黑龙江、广东、四川、陕西；被高值包围的低值地区有天津、山西、福建、广西、海南。据此可认识到养老床位在空间上的聚集性，在临海又或者人口聚集的地方趋于空间集聚的分布特征，养老服务床位更为密集；而人口相对稀少的地方，床位分布较为稀少。另一方面经济发达的地区趋于为一些相邻经济发展水平相对较高的地区所包围，即经济发达的地区及空间集聚分布特征也显现出来，这说明养老服务床位也与各地区经济发展水平有着更为密切的关系，经济发展水平相对较高的地区，养老服务床位更为密集，而经济发展水平相对较地的地区，床位分布也较为稀少。1.1.3企业视角下如何发现养老服务床位增加中的商机对于养老服务市场，通过寻找养老服务市场中机构养老床位供需差异最大化的点，该点意味着市场中蕴含着的巨大商机。所以据年龄模型求出理论养老床位需求和现有床位供给进行比较分析，用以判断市场中是否具有利润可言。通过计算与分析，我们发现机构床位数的市场供给严重失衡，很难满足老年人口对机构养老的需求，因此若养老服务业得到更加蓬勃的发展，也就会促进养老服务市场的进一步繁荣，推动经济的增长，给企业带来商机。而后根据上一章中养老服务床位需求的分类结果具有地域性，通过空间自相关性分析我国现有床位在不同地区的密度分布，从而进一步发现增加养老床位所带来的的商机。经对全局指数及其检验值、局部指数及其检验值以及散点图的分析，可发现养老床位在空间上的聚集性，在临海或者人口聚集的地方，养老服务床位更为密集；而人口相对稀少的地方，床位分布较为稀少。另一方面养老服务床位也与各地区经济发展水平有着更为密切的关系，经济发展水平相对较高的地区，养老服务床位更为密集，而经济发展水平相对较地的地区，床位分布也较为稀少。1.2分析商机根据现有的养老服务床位分布的数量和结构，能够得到养老服务床位数量变化对社会造成的影响，进而得到养老服务床位增加中的商机。而影响企业获得利润的因素多且复杂，因此通过因子分析，可将众多影响因素进行压缩，减少因素个数。由于影响养老机构获得利润的相关数据在现实中各年份又或各地区的统计方法有所不同，甚至有所缺失，对此我们选用2014年中国统计年鉴中数据进行。因此基于全国31个地区选取影响养老机构获得利润的各因素，建立影响因素指标体系如表所示。再利用统计分析软件进行因子分析，用以分析养老床位增加所带来的的商机。1.2.1因子分析理论因子分析的基本思想是依据相关性大小将原始变量进行分组，使同组变量间相关性较高，而不同组的变量间相关性较低，其中每组变量代表一个基本结构，并用一个不可观测的综合变量表示，这个基本结构就称为公共因子，而因子分析通过研究众多变量之间的内部依赖关系，探究观测数据中的基本结构，并用少数几个公共因子来表示其基本的数据结构，这些公共因子能够反映原来众多变量的主要信息[9]。对于因子分析中公因子数量的确定需遵循3个原则：第1个原则是主成分的累计贡献率，通常提取主成分的累计贡献率达到以上就基本可行，可由此确定需提取的主成分个数；第2个原则是特征值，其在某种程度上可视为主成分影响力度大小的指标，若特征值小于1，说明该主成分的解释力度小于直接引入原变量的平均解释力度，因此一般可用特征值大于1作为纳入标准；第3个原则是综合判断，根据客观事实，若利用累计贡献率确定主成分数较多，而用特征值来确定又较少，则往往将两者结合以综合确定合适的数量[10]。1、常用的因子分析模型有型因子分析（即对变量进行因子分析）和型因子分析（对样品进行因子分析）。型因子分析模型设为观测到的随机向量，是不可观测的向量。则有 （3-9）用矩阵表示为： （3-10）其中称为公共因子，他们系数称为因子载荷。是特殊因子，是不能被前个公共因子包含的部分，称为第个公共因子，为因子载荷。之间相互独立且方差为1。型因子分析模型满足以下假设： 型因子分析模型类似地，型因子分析模型为： （3-11）此时，表示个样品。因子分析的目的便在于通过模型，以替代，由于，从而达到降维的作用。2、因子载荷阵的估计

估计因子载荷阵的方法常使用的方法有主成分法、主因子法、极大似然估计法。主成分法

设随机变量的协方差阵为，的特征值为，其相应的标准化特征向量为，记，则有：

由于我们的目标是寻找少数公共因子解释，故忽略后项的贡献，则调整后的协方差阵为：

其中，，。此外，当未知时，用样本协方差代表，或样本相关阵代替。主因子法

主因子法是对主成分法的修正，现对变量进行标准化变换，称为约相关矩阵，则

（3-12）

且

对求其前个特征根和对应的正交特征向量，得

当特殊因子的方差不同且已知时，则有：

在实际应用中，特殊因子的方差矩阵一般是未知的，可通过一组样本来估计，即先求的初始估计值，构造出。极大似然估计法。若假定公共因子和特殊因子服从正态分布，则可得到因子载荷和特殊因子方差的极大似然估计。3、因子旋转

若通过因子分析找出的公共因子的含义不清，可对因子载荷阵进行旋转，即用一个正交矩阵右乘使得旋转后的因子载荷阵结构简化，便于对公共因子进行解释，而结构简化是使得每个变量仅在一个公共因子上有较大的载荷，而在其余的公共因子上的载荷比较小，对于因子旋转则有正交旋转和斜交旋转两类[11]。实际中常用的方法是正交旋转中的方差最大旋转法。

因此对于方差最大旋转法，其基本原理是从简化因子载荷阵的每一列出发，使得和每个因子有关的载荷平方的方差最大。而方差最大的直观意义是希望通过因子旋转后，使每个因子上的载荷尽量拉开距离，使各个因子的实际意义能更加清晰的表现出来。4、因子得分

若要使用所得的公共因子作其他的研究，例如将得到的因子作为自变量来进行回归分析，对样本进行分类或评价，这就需要对公共因子进行测度，即给出公共因子的值。因子分析模型为： （3-13）原变量被表示为公共因子的线性组合，当载荷阵旋转之后，公共因子可以作出解释。而通常，还可以将公共因子表示为原变量的线性组合。故因子得分函数为： （3-14）由此可知，若要求得每个因子的得分，则必须求解得分函数的系数，但，则不能得到精确的得分，只能进行估计，通常的对此的估计方法有回归分析法、加权最小二乘法等。1.2.2基于因子分析对机构养老服务床位增加中的商机进行分析因此基于全国31个地区选取影响养老机构获得利润的各因素，建立影响因素指标体系如表所示。

表3-6影响养老机构获得利润的指标体系指标单位符号指标单位符号卫生、社会保障和社会福利业全社会固定资产投资亿元民办非企业单位单位数个65岁及以上人口数(人口抽样调查)人城乡居民社会养老保险基金支出亿元老年人口抚养比(人口抽样调查)%卫生和社会工作城镇单位就业人员万人居民消费价格指数上年=100文化、体育和娱乐业城镇单位就业人员万人居民人均可支配收入元公共管理、社会保障和社会组织城镇单位就业人员万人社会福利企业机构数个房地产开发投资亿元民政部门社会捐赠款亿元文化、体育和娱乐业全社会固定资产投资亿元社区服务机构数个数据来源：2014年中国统计年鉴表3-7影响养老机构获得利润的指标数据汇总1北京67.03151810.5101.6444895748.110911天津49.7146215.1101.9288322230.61793河北231.67568212.9101.7166475410.110028山西69.45256611.1101.7165383780.12910内蒙古116.35192912.1101.6205591440.12227辽宁127.35440715.7101.72282017494.36295吉林84.37231011.1102175203182.1633黑龙江141.8297111.9101.5174044410.12204上海31.83193812.1102.7459669281.83810江苏271.44792516.3102.227173260814.829324浙江175.39437412.3102423544安徽171.22523114.5101.61679634306097福建118.64238310.1102233312770.93183江西105.26346411.2102.31673429813137山东340926715.8101.92086412221.922758河南244.04682112.5101.9156958150.43226湖北177.25492211.9102182835340.88692湖南226.3604515.3101.9176224992.75421广东231.8732211102.32568514712.255011广西140.89374111.9102.1155571240.1906海南27.0857110.4102.417476130.21658重庆90.66348720101.8183527455.34107四川208.02939820101.615749682312790贵州35.29267011.4102.412371410.817589云南101.53339312.1102.413772267101547西藏14.181447.9102.91073030.239陕西227.71330614.3101.6158372000.13153甘肃69.25191012102.112185640.14999青海11.193429.5102.814374360.1271宁夏28.533709.2101.915907800.1805新疆54.2913039.5102.1150971610.22300数据来源：2014年中国统计年鉴表3-8影响养老机构获得利润的指标数据汇总2北京503521.325.417.446.73715.3380.18天津245020.39.32.115.41699.6585.08河北778364.435.45.386.44059.72362.84山西541631.919.54.958.51401.55171.34内蒙古465529.214.81.5431370.88184.29辽宁1110237.434.55.351.85301.31251.98吉林477116.117.91.535.61030.1380.7黑龙江693219.322.64.144.81324.09107.78上海825740.6195.720.53206.48104.7江苏38382175.746.77.869.88240.22578.86浙江20033126.641.67.267.77262.38284.91安徽1049265.328.21.447.84338.96195.06福建728639.4214374567.4257.88江西615629.421.53491322.49251.7山东23335157.458.77.11115817.95860.17河南1628599.6507.5110.64375.71309.47湖北1458752.238.65.759.33981.79252.95湖南1162865.238.15.381.32881.57248.03广东24990105.959.711.5104.37638.45260.34广西796149.329.91.446.41838.49164.67海南24579.25.71.211.21431.6565.89重庆728441.417.82.629.23630.2381.19四川17642110.945.16.386.34380.09183贵州37603218.1247.72187.6787.32云南614536.124.61.451.12846.65194.14西藏171.51.80.711.752.9112.77陕西805547.225.54.556.92426.49201.57甘肃360524.111.72.541.9721.47140.88青海11265.91.80.99.8308.2720.25宁夏11404.84.30.910.1654.822.5新疆33449.517.5350.61014.8169.92数据来源：2014年中国统计年鉴再利用统计分析软件进行因子分析，用以分析养老床位增加所带来的的商机。而因子分析的步骤如下所示：图3-12因子分析的基本流程因此通过表3-7和表3-8的指标数据，在图3-12所示的流程下，利用软件中的因子分析模块得到如下的分析及结果。根据表3-9与图3-13可以看出前4个特征值大于1，同时这3个公共因子的方差贡献率占了88.028%，说明提取这4个公共因子可以解释原变量的绝大部分信息。表3-9特征值与方差贡献表初始特征值提取平方和载入旋转平方和载入成份合计方差的%累计%合计方差的%累计%合计方差的%累计%18.89959.32859.3288.89959.32859.3286.85045.66645.66622.06011.73271.0602.06011.73271.0602.94019.60265.26831.2248.16381.2221.2248.16381.2221.97411.16278.43041.0216.80588.0281.0216.80588.0281.4409.59888.02850.6104.06592.09360.3592.39194.48370.2571.71196.19480.1771.17797.37190.1170.77798.149100.1040.69198.839110.0560.37499.214120.0510.34399.557130.0360.24099.797140.0190.12599.922150.0120.078100.000提取方法：主成份分析图3-13碎石图此时旋转前的因子载荷矩阵是使用主成分分析法，有4个主成分被抽取出来，如表3-10所示。而旋转后的因子载荷矩阵如表3-11所示。在表3-10所示未经旋转的载荷矩阵中，因子变量在许多变量上均有较高的载荷，从旋转后的因子载荷矩阵表3-11可以看出，因子1在、、、、、、、、上有较大载荷，反映地区经济发展和养老设施财政投入情况，可以命名为养老服务环境因子；因子2在、、上有较大载荷，反映收入水平与身心健康服务供给情况，可以命名为内在健康水平因子；因子3在、上有较大载荷，反映社会关于老年人的福利投入情况，可以命名为福利发展因子；因子4在上有较大载荷，反映消费情况，可以命名为消费水平因子。表3-10旋转前因子载荷矩阵成份12340.882-0.3750.010-0.1100.914-0.3300.060-0.0010.521-0.398-0.2830.535-0.2830.4530.7650.1130.2960.741-0.4650.0460.7260.240-0.0990.5030.6350.5810.0960.1190.7500.3260.279-0.2430.9470.0830.1660.1260.948-0.0490.1640.1190.952-0.1260.022-0.1900.6560.416-0.400-0.4180.841-0.3110.048-0.3650.9200.234-0.0030.0760.818-0.2170.1590.049提取方法：主成分。已提取4个成分表3-11旋转后因子载荷矩阵成份12340.8980.0370.244-0.2540.8930.0560.344-0.1700.306-0.0690.754-0.358-0.175-0.046-0.1420.912-0.1180.9070.121-0.0660.3630.4680.7000.0750.3650.6770.2510.3300.7050.474-0.0380.2860.7940.3570.4120.1360.8360.2490.4210.0720.9140.2730.164-0.1490.4470.796-0.155-0.2830.9350.084-0.018-0.2400.6920.5430.3610.0540.7940.0690.332-0.016再通过表3-12可以表明因子提取的方法是主成份分析，旋转的方法是方差最大化旋转法。最终得到因子得分及综合因子得分情况，如表3-13所示。表3-12因子转换矩阵成份123410.8520.3860.345-0.0742-0.2900.829-0.1120.46630.305-0.393-0.1280.8584-0.311-0.0980.9230.203表3-13因子得分及综合因子得分情况因子综合得分排名12340.1690.097-0.2370.2140.10910.248-0.069-0.285-0.1160.10620.1720.001-0.130-0.0590.08830.173-0.105-0.046-0.1070.07740.133-0.1080.0720.0650.07550.149-0.1120.046-0.0400.07460.102-0.0430.1300.1200.07470.065-0.087-0.0130.6630.07180.0820.0090.1290.1520.07190.0310.1280.0920.0580.04810-0.0330.2190.0900.2170.032110.0330.365-0.334-0.2750.02312-0.1420.1110.4800.079-0.02413-0.128-0.0980.555-0.187-0.05714-0.2060.4560.062-0.151-0.06515综上可知，从宏观角度，可基于公司战略层面对4个公共因子进行调整，使得在养老床位增加中获得利润。而从微观角度，即对企业的业务条线进行调整，即可根据各地政府实施的养老政策，对自身生产规模