基于因子分析與聚類分析的居民出行目的與租車關系研究

摘 要：通過因子分析和聚類分析方法建立綜合評價模型，對居民出行目的與其租車是否存在影響進行實例分析，從出行目的中提取3個符合實際意義的公因子，給出因素的影響排名，然后根據因子得分應用K-means聚類分析將居民出行12種出行目的分成3類，客觀地分析了居民出行目的與居民租車之間的聯系，所得到的評價結果可為租車行業的發展與規劃提供科學的依據和參考。

關鍵詞：居民出行；出行目的；租車

引言

因子分析和聚類分析方法主要用于多種事物間關系研究，交通方面采用該方法研究較少。Ben-Akiva等[1-2]討論了出行者個性特征對個體行為的影響；鄒繼賢等對漢中市居民出行特征進行系統分析，其目的用于解決中小城市交通問題；陳熙采用問卷調查方式，歸納總結城市居民交通出行基本特征在不同區域的差異性及其影響因素；蘆芳強等以五個典型城市公交OD出行數據運用圖形處理及模型標定等方法進入深的數據挖掘。

1 出行目的研究

居民出行目的包含上班、上學、回程、購物、休閑旅游、探親訪友、商務辦公等，不同出行目的選擇的交通方式差異性較大。

2 模型建立

2.1 因子分析方法

假設評價的總體有n個居民對應的出行目的為j，因子分析的數學模型就是把j個出行目的分別表示為m（m≤j）個公共因子和一個獨特因子的線性加權和，即：

X=AF+？著

其中X=（X1，X2，…，Xj）為可測的j個出行目的構成的j維隨機向量，F=（F1，F2，…，Fm）是不可測的m維隨機向量，稱為公共因子（也稱主因子），它的每個分量F1，F2，…，Fm將出現在每個變量中。

2.2 聚類分析

聚類分析法是事物分類常用方法，思路是根據樣本性質方面的親密程度進行分類，然后按照距離遠近將數據分為若干類別，最終使類別內數據差異盡可能小，類別間差異盡可能大。

2.3 變量選擇

特性變量的選擇是指針對居民出行目的的選擇。

3 案例分析

3.1 因子分析

將因子分析法應用于重慶市南岸區居民出行目的與其租車之間的關系研究，將出行目的劃分為：上班、上學、自駕、帶駕、接待、婚慶、回程、購物、休閑旅游、探親訪友、商務辦公、家用車輛和其他，用X1，X2，…，X13來表示，用xij表示第i個居民的出行目的為j，則X=（xij）200×13。

（1）首先將原始數據輸入SPSS軟件，對13個變量作KMO（Kaiser-Meyer-Olkin）檢驗和巴特利特球度檢驗。其KMO值為0.612>0.5，并通過了Barlett's球形檢驗（P<0.000），說明可以進行因子分析。使用主成份方法提取因子，選取特征值大于1的特征值。

（2）對原始數據進行標準化處理后，利用相關系數矩陣進行基于主成分分析方法的因子分析，計算其特征值及貢獻率，公共因子的特征值和累計方差貢獻率見表1。

表1 解釋方差及貢獻率

另根據表1方差累積貢獻率可知前3個因子能解釋變異量的83.149%，因此13個變量可以提取為3個公共因子，繼而得到公因子的旋轉矩陣。

表2 旋轉及得分矩陣

根據表2旋轉后的因子載荷矩陣，從旋轉后的因子載荷矩陣將F1因子命名為主要因素。主因子F2命名為次要因素。主因子F3命名為其他因素。

3.2 聚類分析

根據3個因子得分函數，用SPSS計算所得的200名居民的3個因子得分作為新變量，對200名居民出行目的進行K-means聚類分析并分成3類。

表3 最終聚類中心

根據3個類的最終類中心情況（見表3），第一類居民出行目的為剛性需求；第二類居民出行目的主要為彈性需求；第三類居民出行目的主要為生活娛樂出行。

4 結束語

利用新產生因子得分排名及各因子中載荷分析，可以客觀的了解出行目的與居民租車之間的關系，分析不同出行目的與居民租車之間存在的主次關系。

參考文獻

[1]Ben-AkivaM， Boccara. Integrated framework for travel behavior analysis[C]//4th Conference of International Association of Travel Behavior Research France，1987.

[2]Bowan J L， Ben-Akiva M.Activity-based disaggregate travel demand model system with activity schedules[J].Transportation Research Part A，2001，35（1）：1-28.

作者簡介：聶 （1990-），安徽六安人，碩士研究生在讀，主要研究方向：交通運輸系統規劃與設計。