一、 引言

　　本文綜合以前學(xué)者的研究成果，突出不同區(qū)域的物流產(chǎn)業(yè)發(fā)展水平，提出更為簡(jiǎn)便可行的指標(biāo)體系，同時(shí)運(yùn)用因子分析和聚類分析，對(duì)這些區(qū)域節(jié)點(diǎn)城市的物流發(fā)展水平進(jìn)行比較研究，最后針對(duì)分析結(jié)果提出一些改進(jìn)建議。

　　二、 區(qū)域物流發(fā)展指標(biāo)體系的構(gòu)建

　　1. 評(píng)價(jià)指標(biāo)體系的建立。本文選取的指標(biāo)力圖能夠反映區(qū)域物流發(fā)展的整體水平，通過(guò)對(duì)各種物流評(píng)價(jià)指標(biāo)體系的比較，按照指標(biāo)設(shè)置的原則，經(jīng)過(guò)反復(fù)篩選，最終從人口規(guī)模、經(jīng)濟(jì)實(shí)力、工業(yè)規(guī)模、第三產(chǎn)業(yè)規(guī)模、物流主導(dǎo)產(chǎn)業(yè)規(guī)模五個(gè)方面確立了現(xiàn)代區(qū)域物流評(píng)價(jià)指標(biāo)體系，并將這些方面分解為9項(xiàng)二級(jí)指標(biāo)。

　　2. 數(shù)據(jù)來(lái)源與分析步驟。本研究的數(shù)據(jù)來(lái)源于《中國(guó)城市統(tǒng)計(jì)年鑒2009》以及各城市統(tǒng)計(jì)年鑒，由于在17個(gè)區(qū)域物流節(jié)點(diǎn)城市中，數(shù)據(jù)符合要求的有11個(gè)城市，包括哈爾濱、長(zhǎng)春、包頭、呼和浩特、太原、合肥、福州、長(zhǎng)沙、昆明、?？?、銀川，本文就以這些城市為研究對(duì)象。在數(shù)據(jù)準(zhǔn)備階段完成之后，利用SPSS17.0for windows統(tǒng)計(jì)軟件從以下幾個(gè)方面展開(kāi)分析。首先檢驗(yàn)構(gòu)建的區(qū)域物流評(píng)估指標(biāo)系統(tǒng)，然后選擇因子分析法從9個(gè)具體指標(biāo)中提取出n個(gè)公共因子，根據(jù)得到的因子得分，建立模型計(jì)算綜合得分，從而對(duì)各節(jié)點(diǎn)城市的物流綜合水平進(jìn)行排序，為確保研究結(jié)果的科學(xué)性和可靠性，在因子分析的基礎(chǔ)上進(jìn)一步進(jìn)行聚類分析， 并利用聚類分析結(jié)果對(duì)全國(guó)區(qū)域物流節(jié)點(diǎn)城市的發(fā)展水平進(jìn)行總體評(píng)價(jià)，并給出相應(yīng)的政策建議。

　　三、 因子分析

　　1. 因子分析適用性檢驗(yàn)。在指標(biāo)綜合評(píng)價(jià)中利用因子分析的目的是從眾多的原有指標(biāo)變量中提取出少量的具有代表性的因子，提取出的因子必須能夠代表不同的評(píng)價(jià)維度。其應(yīng)用的前提是要求原指標(biāo)之間具有較強(qiáng)的相關(guān)關(guān)系，否則就不能運(yùn)用因子分析法，我們將原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理之后，采用KMO和Bartlett檢驗(yàn)方法來(lái)檢測(cè)因子分析法的適用性。

　　Bartlett球度檢驗(yàn)表明：Bartlett值=131.602。P接近于0，若顯著性水平為0.01，則拒絕相關(guān)矩陣為單位矩陣的原假設(shè)，相關(guān)矩陣與單位矩陣存在顯著差異，可以進(jìn)行因子分析。取樣足夠的Kaiser-Meyer-Olkin檢驗(yàn)是用于比較觀測(cè)相關(guān)系數(shù)值與偏相關(guān)數(shù)值的一個(gè)指標(biāo)，其值越逼近1，表明對(duì)這些變量進(jìn)行因子分析的效果越好，KMO值大于0.5，因而可以對(duì)指標(biāo)變量進(jìn)行因子分析。

　　2. 因子提取。本文采用主成分分析法對(duì)指標(biāo)數(shù)據(jù)進(jìn)行因子分析，按照相關(guān)系數(shù)矩陣特征值大于1的標(biāo)準(zhǔn)，從原9個(gè)統(tǒng)計(jì)指標(biāo)中提取二個(gè)主因子來(lái)表達(dá)其信息含量。。第二列至第四列描述了因子分析的初始解對(duì)原有變量總體的刻畫(huà)情況;第二列合計(jì)是各成分的特征值。第一成分特征值合計(jì)=4.883，第二成分特征值為合計(jì)=1.797，這里只有前兩個(gè)因子的特征值大于1。第三列是各因子變量的方差貢獻(xiàn)率，即該因子刻畫(huà)的方差占原有變量總方差的比例;第四列是因子變量的累計(jì)方差貢獻(xiàn)率，表示前m個(gè)因子刻畫(huà)的總方差占原有變量總方差的比例。如果提取2個(gè)公共因子，那么它們可描述原變量總方差的90.536%，大于80%，可以認(rèn)為，這2個(gè)公因子基本反映了原變量的絕大部分信息。

　　3. 因子旋轉(zhuǎn)。因子分析的目的不僅是要找出主因子，更重要的是知道每個(gè)主因子的具體經(jīng)濟(jì)意義。為便于對(duì)主因子進(jìn)行解釋，一般須對(duì)因子載荷矩陣進(jìn)行旋轉(zhuǎn)。本研究采用方差極大值法進(jìn)行正交旋轉(zhuǎn)之后，得到9個(gè)指標(biāo)的兩個(gè)因子負(fù)荷。

　　第一主成分對(duì)社會(huì)消費(fèi)品零售總額、國(guó)內(nèi)生產(chǎn)總值、第三產(chǎn)業(yè)增加值、年末總?cè)丝?、工業(yè)總產(chǎn)值有絕對(duì)值較大的相關(guān)系數(shù)，第二個(gè)因子相關(guān)系數(shù)絕對(duì)數(shù)較大的正好是九個(gè)原始變量中的另外四個(gè)，即貨運(yùn)總量、公路貨運(yùn)量、鐵路貨物運(yùn)量、交通運(yùn)輸、倉(cāng)儲(chǔ)及郵政業(yè)增加值。根據(jù)這些變量的原始含義可以對(duì)兩個(gè)因子進(jìn)行命名。第一個(gè)因子主要概括了一般的社會(huì)人口規(guī)模、經(jīng)濟(jì)實(shí)力、工業(yè)和第三產(chǎn)業(yè)的規(guī)模，可以命名為社會(huì)經(jīng)濟(jì)因子。第二個(gè)因子主要概括了物流主導(dǎo)產(chǎn)業(yè)的情況，可以稱為物流產(chǎn)業(yè)因子。

　　根據(jù)實(shí)驗(yàn)的最終因子載荷矩陣，由此可以寫(xiě)出如下因子分析的模型：

　　X1=0.979F1+0.024F2;X2=0.974F1+0.183F2;……;X9=0.324F1+0.879F2

　　Xi(i=1，2，…，9)代表了9個(gè)評(píng)價(jià)指標(biāo)，公共因子F1表示社會(huì)經(jīng)濟(jì)因子，F(xiàn)2表示物流產(chǎn)業(yè)因子。由于因子載荷矩陣是正交旋轉(zhuǎn)，這兩個(gè)因子之間不存在相關(guān)，避免了因子綜合評(píng)價(jià)的多重共線性，故可以代表不同的評(píng)價(jià)維度。

　　4. 因子得分。因子分析把原來(lái)的9個(gè)指標(biāo)濃縮成相互獨(dú)立的2個(gè)公因子，一方面達(dá)到了降維的目的;另一方面也排除了指標(biāo)之間的相關(guān)性，同時(shí)，SPSS根據(jù)因子得分函數(shù)自動(dòng)計(jì)算各樣本的因子得分，并選取各因子的方差貢獻(xiàn)率為因子得分權(quán)重，計(jì)算各城市的綜合因子得分，其計(jì)算形式為：

　　F=0.511 09F1+0.394 26F2

　　每個(gè)城市的綜合因子得分反映了各節(jié)點(diǎn)城市區(qū)域物流綜合實(shí)力的強(qiáng)弱，將11個(gè)城市的綜合因子得分從高到低排序，如表5所示。

　　四、 聚類分析

　　聚類分析是研究“物以類聚”的一種多元統(tǒng)計(jì)分析方法。最常用最基本的一種聚類分析方法是層次聚類分析，此外還有動(dòng)態(tài)聚類法、模糊聚類法、有序聚類法等，本研究采用層次聚類法。

　　層次聚類法的基本思想是，一開(kāi)始將要?dú)w類的n個(gè)變量看成一類，然后按事先規(guī)定好的方法計(jì)算各類之間的歸類指數(shù)(相似系數(shù)或距離)，根據(jù)指數(shù)大小衡量?jī)深愔g的密切程度，將關(guān)系最密切的兩類并成一類，其余不變，即得n-1類;重新計(jì)算各類之間的歸類指數(shù)，再將關(guān)系最密切的兩類并成一類，其余不變，即得n-2類;如此進(jìn)行下去，直到最后n個(gè)變量都?xì)w成一類。

　　我們按照層次聚類法的步驟，首先經(jīng)過(guò)運(yùn)算將原始數(shù)據(jù)標(biāo)準(zhǔn)化，使具有不同量綱、不同數(shù)量級(jí)的數(shù)據(jù)能放在一起比較;然后用11個(gè)節(jié)點(diǎn)城市的標(biāo)準(zhǔn)化數(shù)據(jù)求出歐氏距離;最后應(yīng)用Wald離差平方和法，按照使總的類內(nèi)離差平方和增加最小的原則，使得類的分法逐漸減小。具體聚類過(guò)程見(jiàn)表6。

　　SPSS完成以上運(yùn)算步驟后，可將11個(gè)城市分成2類~4類，如果按照四類來(lái)劃分，其中包頭距離其他城市較遠(yuǎn)，單獨(dú)聚合為一類;屬于物流發(fā)展高水平的地區(qū);長(zhǎng)沙、哈爾濱、長(zhǎng)春、福州聚合為一類，屬于物流發(fā)展中等偏上地區(qū);合肥、呼和浩特、太原、昆明距離較近，聚合為一類，屬于物流發(fā)展中等偏下地區(qū);海口、銀川聚合為一類，相對(duì)于全國(guó)其他九個(gè)節(jié)點(diǎn)城市來(lái)說(shuō)，是屬于物流發(fā)展低水平地區(qū)。