论文摘要:本文通过构建城镇居民生活质量指标体系,运用因子分析法对我国城镇居民生活质量进行综合评价,利用各个公共因子反映地区特征,了解地区优势与差距,并提出提高居民生活质量的若干建议。
论文关键词:居民生活质量,评价指标,因子分析,综合评价
一、生活质量的涵义及其指标体系的建立
生活质量反映居民生活需要满足程度,它既反映人们的物质生活状况,又反映社会和心理特征,包括:经济条件、物质生活、生活环境、精神生活和居民素质,其最基本特点是综合性。
本文根据我国城镇居民生活质量的现状及特点,按照可行性和可操作性原则设计了以下指标体系,分别从收入消费、居住条件、医疗条件、交通通讯、文教娱乐和生活环境等六方面加以反映,代表人均可支配收入,代表人均消费支出,代表居民消费价格指数,代表液化石油气用气人口比率,代表人均电力消耗量,代表人均生活用水量,代表人均住房面积,代表人均本年竣工住宅面积,代表每十万人拥有医生数,代表每十万人拥有病床数,代表每百户拥有家用电脑,代表每百户拥有移动电话,代表每十万人高等学校在校学生数,代表人均城市道路面积。
二、我国城镇居民生活质量的实证分析
考虑到选取的指标之间可能存在相关性以及传统指标体系评价方法对于权重选择的复杂性,本文应用SPSS11.5软件,采用因子分析法,对来源于《中国统计年鉴》(2008年)全国31个省上述14项指标的数据进行研究评价。
由于指标具有不同的量纲和数量级,分析前需要对数据进行标准化,标准化后所有的数据均值为0,标准差为1。对于逆指标,如居民消费价格指数,数值前加负号,将其转化为正指标.
1、模型的建立
(1)因子分析模型
是经过标准化后的指标,均值为0,标准差为1;是主因子,也称公共因子,其均值为0,方差为1,且各之间不相关,;是特殊因子,其均值为0,方差为1,各之间不相关;和相互独立;是因子载荷矩阵。
(2)因子得分模型
其中是因子得分系数向量,
(3)综合评价模型
根据因子方差贡献率确定各因子权重
其中,表示第个地区的综合得分
2、评价分析结果
(1)标准化及相关性分析
由标准化后的数据作相关性分析得到相关系数矩阵(见表1)(如果相关系数矩阵中的大部分相关系数都小于0.3且未通过统计检验,则变量不适合做因子分析),可见各因素之间有共同因素,故可用因子分析。
表1相关系数矩阵
| x1 | x2 | x3 | x4 | x5 | x6 | x7 | x8 | x9 | x10 | x11 | x12 | x13 | x14 |
x1 | 1.000 | 0.976 | 0.090 | 0.819 | 0.489 | 0.150 | 0.768 | 0.239 | 0.640 | 0.540 | 0.919 | 0.793 | 0.705 | -0.185 |
x2 | 0.976 | 1.000 | 0.182 | 0.834 | 0.485 | 0.154 | 0.710 | 0.182 | 0.651 | 0.561 | 0.930 | 0.837 | 0.701 | -0.269 |
x3 | 0.090 | 0.182 | 1.000 | 0.262 | 0.351 | -0.006 | -0.033 | -0.276 | 0.191 | 0.146 | 0.174 | 0.166 | 0.046 | 0.074 |
x4 | 0.819 | 0.834 | 0.262 | 1.000 | 0.415 | 0.291 | 0.588 | 0.093 | 0.541 | 0.434 | 0.760 | 0.711 | 0.505 | -0.151 |
x5 | 0.489 | 0.485 | 0.351 | 0.415 | 1.000 | -0.267 | 0.210 | -0.013 | 0.524 | 0.492 | 0.368 | 0.327 | 0.326 | 0.036 |
x6 | 0.150 | 0.154 | -0.006 | 0.291 | -0.267 | 1.000 | 0.321 | 0.003 | -0.161 | -0.299 | 0.178 | 0.124 | -0.086 | 0.068 |
x7 | 0.768 | 0.710 | -0.033 | 0.588 | 0.210 | 0.321 | 1.000 | 0.194 | 0.258 | 0.229 | 0.766 | 0.630 | 0.430 | -0.058 |
x8 | 0.239 | 0.182 | -0.276 | 0.093 | -0.013 | 0.003 | 0.194 | 1.000 | 0.215 | 0.300 | 0.044 | -0.077 | 0.143 | 0.174 |
x9 | 0.640 | 0.651 | 0.191 | 0.541 | 0.524 | -0.161 | 0.258 | 0.215 | 1.000 | 0.926 | 0.546 | 0.396 | 0.865 | -0.284 |
x10 | 0.540 | 0.561 | 0.146 | 0.434 | 0.492 | -0.299 | 0.229 | 0.300 | 0.926 | 1.000 | 0.461 | 0.312 | 0.754 | -0.309 |
x11 | 0.919 | 0.930 | 0.174 | 0.760 | 0.368 | 0.178 | 0.766 | 0.044 | 0.546 | 0.461 | 1.000 | 0.871 | 0.693 | -0.300 |
x12 | 0.793 | 0.837 | 0.166 | 0.711 | 0.327 | 0.124 | 0.630 | -0.077 | 0.396 | 0.312 | 0.871 | 1.000 | 0.504 | -0.363 |
x13 | 0.705 | 0.701 | 0.046 | 0.505 | 0.326 | -0.086 | 0.430 | 0.143 | 0.865 | 0.754 | 0.693 | 0.504 | 1.000 | -0.313 |
x14 | -0.185 | -0.269 | 0.074 | -0.151 | 0.036 | 0.068 | -0.058 | 0.174 | -0.284 | -0.309 | -0.300 | -0.363 | -0.313 | 1.000 |