1、.課程設計設計題目：上海公路客運量需求預測與分析課程名稱：運輸統計與分析學院：交通運輸工程學院專業：交通運輸班級：學生姓名：學號：指導教師：= 2011 /2012學年第二學期 =.課程設計（學年論文）任務書課程名稱：運輸統計與分析適用對象：交通運輸工程一、課程設計（論文）目的運輸統計與分析 課程設計作為獨立的教學環節，是交通運輸本科專業的必修課。其目的是，通過本課程設計實踐，培養學生理論聯系實際思想，加深統計分析基本理論與基本知識的理解，學會收集或調查行業統計數據，切實掌握各種統計分析方法， 并能靈活運用統計軟件在計算機上實現，正確解釋和分析運行結果，培養運用各種統計分析方法解決交通運輸領域

2、內實際問題的能力。二、課程設計（論文）題目與內容本課程設計（論文）主要任務為：針對交通運輸領域內某一主題，設計調查表調查或查詢相關統計數據， 根據本課程講授內容選擇一種或多種合適的統計分析方法，運用 SPSS建立模型分析問題。題目自擬，但題名一般要包含主題與統計方法。且必須與交通運輸相關，選題主題主要包括：1. 運輸市場定位研究2. 運輸需求分析與預測3. 政策或技術方法實施效果評價4. 交通行為選擇5. 影響因素分析6. 聚類分析7. 服務質量評價8. 自選三、課程設計（論文）基本要求.報告內容原則上不少于8000 字，其正文至少包括如下幾個方面的內容：1. 問題背景（問題的提出、必要性與意

3、義，該問題目前常用的分析手段與方法，本設計采用的方法）2. 數據采集（含數據采集方式、描述性分析、統計圖表）說明：調查分析則必須包含調查方案，其它數據原則上必須說明出處。3. 統計模型與分析（包含模型原理、 SPSS操作步驟、輸出結果及分析）4. 總結5. 附錄 數據清單四、課程設計（論文）時間及進度安排1. 時間 : 兩周： 2011-2012 學年第二學期第十九、二十周2. 進度安排：確定主題；調查、收集數據：2 天數據分析與預處理、描述性統計分析：2 天分析方法原理及選擇： 3 天SPSS操作及結果分析： 4 天解決實際問題或建議： 2 天撰寫報告、總結： 1 天（此部分同學們可以按照自

4、己設計具體內容，詳細安排）3. 成果提交：要求獨立完成，每人需提交 1 份打印的設計報告（ A4）、word 電子文檔、數據文件（ sav 格式）。電子文檔文件名為：學號后四位 +姓名 +題目，先發電子文檔給指導老師，經許可后方可打印。最終成果（打印稿 1 份、電子文檔 1 份）統一交班長匯總并轉交指導老師；最終成果提交截止時間為第20 周周五。五、成績評定.平時考勤 20%，報告撰寫規范 20%,內容 ( 選題合理、方案可行、分析正確、有創新 )60%。成績評定實行優秀、良好、中等、及格和不及格五個等級。優秀者人數一般不得超過總人數的 20%。六、報告格式課程設計報告裝訂順序依次為：封面、課

5、程設計( 學年論文 ) 任務書、目錄、正文、參考文獻、成績評定表。報告中所有圖表應按“章號 - 圖表序號 - 圖表名”（例：圖 1-1-* 頻數圖）進行編號。具體格式參看實驗報告樣本。七、主要參考資料1. 羅應婷等主編 .SPSS統計分析從基礎到實踐 . 北京：電子工業出版社， 2007年 6 月；2. 章文波 陳紅艷編著 .實用數據統計分析及 SPSS12.0應用. 人民出版社，2006 年；3. 張文彤 .SPSS.11.0 統計分析教程 .( 高級篇 ). 北京希望電子出版社 .2002年 6 月；4. 郝黎仁等 .SPSS實用統計分析 . 中國水利水電出版社 .2003 年 1 月。.

6、目錄1概述 .11.1研究背景 .11.2常用分析方法 .21.3本設計采用的分析方法 .32數據采集 .42.1數據來源 .42.2數據處理 .42.3現狀分析 .73統計模型與分析 .93.1一元線性回歸預測 . .93.2多元線性回歸預測 .143.3時間序列法： .173.4曲線擬合 .194總結 .234.1本設計的主要工作 .234.2存在的不足 .234.3下階段研究需解決的問題 .244.4個人感悟 .24附錄數據清單 . .25.1 概述1.1研究背景隨著社會經濟的發展， 人民生活水平日漸提高， 公路基礎設施建設取得了跨越式發展， 公路客運日益增加。對于經濟相當發達的上海市，

7、公路交通是其居民出行的重要交通方式。改革開放以來，特別是進入“八五”以來，隨著我國公路狀況的不斷改善， 公路客運以其快速、 靈活、方便的優勢快速發展。 據統計，“八五”期間全國客運量比“七五”增長518%，年均遞增 98%，同期公路客運年均遞增率達 111%。自 1991 年以來，在全國新增旅客運量中， 公路客運量占 99%。公路客運除在運量上大大高于鐵路等其他運輸方式外，自1995 年起，其旅客周轉量占全國旅客周轉量的比重也已超過50%。導致公路客運量持續增長的主要原因：一是公路對鐵路繼續保持在中、短途客運上的分流優勢；二是公路客運因高速公路和其他高等級公路的發展而在中、長途客運上逐步獲得了

8、市場競爭優勢； 三是場站及車輛等服務設施和裝備水平不斷提高；四是公路客運的整體服務質量與水平在逐步改善， 使公路客運對旅客的吸引力在提高。研究公路交通客運的需求有重大意義。一個高效運行的客運系統有利于交通的通暢，方便人們出行，減少環境污染。分析公路客運量的發展變化規律，研究公路客運量的預測技術， 并應用于公路客運管理工作中， 對提高公路交通的管理水平和公路營運效率具有非常重要的實際意義， 從而促進公路交通事業的持續發展，緩解交通壓力。預測未來若干年后上海市公路客運量及其發展趨勢 , 可以為投資、規劃、優化配置資源及其相關問題的科學決策提供可靠依據 , 同時提高公路客運的經濟效益和社會效益，也對

9、公路管理水平和建立高效公路客運交通系統具有重要作用。.在預先掌握公路線路客運量發展變化的情況下， 公路客運企業才能科學的制定調度計劃，合理地調配人、 車資源。從而改變以往車輛管理調度中缺乏實用的分析預測手段，大多依靠經驗和直覺來判斷客運量變化的傳統方式。因此， 上海市公路客運量預測為上海市的公共交通規劃提供有力的支持。1.2常用分析方法研究公路客運量需求預測這類問題涉及到統計學、 運籌學、交通經濟學等學科，常用的預測方法有回歸分析法、灰色模型、組合預測法。12.1 回歸分析法：回歸分析法是指根據預測的相關性原則，找出影響預測目標的各因素，并用數學方法找出這些因素與預測目標之間的函數關系的近似表

10、達，再利用樣本數據對其模型估計參數及對模型進行誤差檢驗，一旦模型確定，就可利用模型，根據因素的變化值進行預測。回歸分析預測法的步驟：a. 根據預測目標，確定自變量和因變量;b. 建立回歸預測模型 ;c. 進行相關分析 ;d. 檢驗回歸預測模型，計算預測誤差;c. 計算并確定預測值。1.2.2灰色模型預測：灰色預測模型是通過少量的、 不完全的信息， 建立數學模型并做出預測的一種預測方法。灰色系統的特點：a. 用灰色數學處理不確定量，使之量化;.b. 充分利用已知信息尋求系統的運動規律;c. 灰色系統理論能處理貧信息系統.1.2.3組合預測：組合預測方法是對同一個問題， 采用兩種以上不同預測方法的

11、預測。 它既可是幾種定量方法的組合， 也可是幾種定性的方法的組合， 但實踐中更多的則是利用定性方法與定量方法的組合。 組合的主要目的是綜合利用各種方法所提供的信息，盡可能地提高預測精度。1.2.4 時間序列法：時間序列回歸模型，是考慮事物發展的變化規律，以時間為自變量建立的一種相關模型， 它既考慮了事物發展的延續性， 又充分考慮到事物的發展受偶然因素的作用而產生的隨機變化。1.2.5 多元回歸方法：多元回歸分析預測法是通過對兩個或兩個以上的自變量與一個因變量的相關分析，建立預測模型進行預測的方法。它是研究一個隨機變量與兩個或兩個以上一般變量之間相依關系的統計分析方法。1.3本設計采用的分析方法

12、本課程設計將采用 一元線性回歸預測法、多元回歸預測方法，時間序列法， S 曲線分析 進行分析與預測。.2 數據采集2.1數據來源本設計所需的數據，（總人口、生產總值、旅客周轉率等經濟指標的）來源是2011年中國統計年鑒（ ）。:表 2-1 ：上海市 2006-2010 年統計年鑒公路客運量生產總值旅客周轉量年度總人口（萬人）( 億元）（萬人）（億人公里）20062784181510572.2486.820072872185812494.0194.020082934188814069.8694.120092995192115046.4599.620103634230217165.98115.42

13、.2數據處理本課程設計選取上海市總人口數量、生產總值、旅客周轉量作為主要指標。a. 總人口數量。 針對此模型中被解釋變量為公路客運量，其主要消費者為上海市民，總人口數量是一個重要的影響因素。b. 生產總值。交通運輸的發展離不開國家宏觀經濟的密切影響，因此選取地區生產總值（ GDP）作為解釋變量之一，分析其對公路客運量的影響。c. 旅客周轉量。 反映交通部門一定時期內旅客運輸工作量的指標。指旅客人數與運送距離的乘積， 旅客周轉量是制訂運輸計劃和考核運輸任務完成情況的主要依據之一。因此旅客周轉量也是一個重要的影響因素。.2.2.1數據描述性分析處理過程：打開 spss 軟件，在菜單欄中找到“分析描

14、述統計頻率” ，單擊出現一個對話框， 在對話框中輸入變量和數據， 點擊確定，即可得到最終數據。表 2 1：各指標描述性統計表描述統計量N極小值極大值均值標準差公路客運量 ( 萬人）5278436343043.80339.037總人口（萬人）5181523021956.80196.880生產總值（億元）510572.2417165.9813869.70802502.80002旅客周轉量 （億人公里）586.8115.497.98010.7467有效的 N （列表狀態）5圖 2 1：公路客運量與總人口莖葉圖.圖22：公路客運量與生產總值莖葉圖圖23：公路客運量與旅客周轉量莖葉圖.表 2 3：各指標

15、相互相關性相關性公路客運量總人口（萬人）生產總值（億旅客周轉量( 萬人）元）（億人公里）Pearson相關性1.999 *.872.975 *公路客運量 ( 萬人）顯著性（雙側）.000.054.005N5555Pearson相關性.999 *1.855.969 *總人口（萬人）顯著性（雙側）.000.065.007N5555Pearson相關性.872.8551*.938生產總值（億元）顯著性（雙側）.054.065.018N5555Pearson相關性.975 *.969 *.938 *1旅客周轉量 （億人公里） 顯著性（雙側）.005.007.018N5555*.在 .01水平（雙側）上

16、顯著相關。*.在 0.05水平（雙側）上顯著相關。2.3現狀分析經過對以上圖表的數據分析可以得出：根據公路客運量與其他各指標的莖葉圖，可以看出公路客運量的數量隨著各指標的增長而增長，呈正相關關系。根據各指標相互相關性表， 可以看出公路客運量與總人口、 旅客周轉量的 pearson 相關性較強；總人口與公路客運量、 旅客周轉量的 pearson 相關性較強；生產總值與旅客周轉量的 pearson 相關性較強； 旅客周轉量與總人口、 公路客運量和生產總值的pearson 相關性較強。.根據各指標相互相關性表，可以看出公路客運量與總人口、旅客周轉量顯著相關；總人口與公路客運量顯著相關；生產總值與各指

17、標不顯著相關；旅客周轉量與共路客運量顯著相關。.3 統計模型與分析3.1 一元線性回歸預測3.1.1一元線性回歸預測原理一元線性回歸預測法是分析一個因變量與一個自變量之間的線性關系的預測方法。設 y 為因變量， 為自變量，并且自變量與因變量之間為線性關系時，則一元線性回歸預測的基本思想：確定直線的方法是最小二乘法。最小二乘法的基本思想： 最有代表性的直線應該是直線到各點的距離最近。 然后用這條直線進行預測。3.1.2操作步驟及結果分析影響上海市公路客運量的3 個因素：總人口，生產總值，旅客周轉量。以年度為自變量，各因素為因變量建立模型預測結果如下。（ 1）以年度為自變量，總人口為因變量建立預測

18、模型ASPSS操作步驟如下：按分析回歸線性，打開對話框；將自變量輸入年度，因變量輸入總人口，單擊確定。如圖所示。.圖 3-1-1 ：spss 操作步驟截圖B. 輸出結果：表 3-1-1 ：總人口為因變量時的輸出結果輸入移去的變量a模型輸入的變移去的變方法量量1年度 b.輸入a. 因變量 : 總人口（萬人）b. 已輸入所有請求的變量。.模型匯總模型RR 方調整 R 方標準估計的誤更改統計量差R 方更改F 更改df1df2Sig. F更改1.833 a.694.591125.844.6946.79013.080a.預測變量 : (常量 ),年度。系數 a模型非標準化系數標準系數tSig.B 的 9

19、5.0%置信區間B標準 誤差試用版下限上限(常量)-206272.80079908.917-2.581.082-460578.63948033.0391103.70039.795.8332.606.080-22.946230.346年度a. 因變量 : 總人口（萬人）C. 結果分析：依據上述表格得到模型的擬合優度R2=0.694，說明擬合程度較好 ;得到回歸方程： Y=-206272.800 +103.700 X1.(Y ：總人口， X1：年度 )表 3-1-1 ：2011 2015 年上海總人口的預測結果（單位：萬人）年份20112012201320142015預測量2267.92371.6

20、2475.325792682.7（ 2）以年度為自變量，生產總值為因變量建立預測模型ASPSS操作步驟 :如上所述（略）B. 輸出結果：表 3-1-2：生產總值為因變量時的輸出結果輸入移去的變量a.模型輸入的變移去的變方法量量1年度 b.輸入a. 因變量 : 生產總值（億元） b. 已輸入所有請求的變量。模型匯總模型RR 方調整 R 方標準估計的誤更改統計量差R 方更改F 更改df1df2Sig. F更改1.994 a.989.985306.33516.989264.00513.001a.預測變量 : (常量 ),年度。Anovaa模型平方和df均方FSig.回歸24774508.161124

21、774508.161264.005.001 b1殘差281523.693393841.231總計25056031.8544a. 因變量 : 生產總值（億元）b. 預測變量 : ( 常量 ), 年度。系數 a模型非標準化系數標準系數tSig.B 的 95.0%置信區間B標準 誤差試用版下限上限(常量)-3146706.228194518.389-16.177557-2527661.89911573.99296.872.99416.248.0011265.7031882.281年度a. 因變量 : 生產總值（億元）C. 結果分析：依據上述表格得到模型的擬合優度R2=0.9

22、89，所以擬合程度很好；.得到回歸方程： Y=-3146706.228+1573.992X1。 （Y: 生產總值， X1：年度）表3-1-3 上海 2011-2015年生產總值預測結果（單位：億元）年份20112012201320142015預測量18591.6820165.6821739.6723313.6624887.65（ 3）以年度為自變量，旅客周轉量為因變量建立預測模型ASPSS操作步驟 :如上所述（略）B. 輸出結果：表 3-1-4 ：旅客周轉量為因變量時的輸出結果輸入移去的變量a模型輸入的變移去的變方法量量1年度 b.輸入a. 因變量 : 旅客周轉量（億人公里） b. 已輸入所有

23、請求的變量。模型匯總模型RR 方調整 R 方標準估計的誤更改統計量差R 方更改F 更改df1df2Sig. F更改1.924 a.854.8054.7464.85417.50613.025a.預測變量 : (常量 ),年度。Anovaa模型平方和df均方FSig.回歸394.3841394.38417.506.025 b1殘差67.584322.528總計461.9684a. 因變量 : 旅客周轉量（億人公里）.b. 預測變量 : ( 常量 ), 年度。系數 a模型非標準化系數標準系數tSig.B 的 95.0%置信區間B標準 誤試用版下限上限差( 常-12512.2603013.874-4.

24、152.025-22103.753-2920.7671 量 )年度6.2801.501.9244.184.0251.50311.057a. 因變量 : 旅客周轉量（億人公里）C. 結果分析：依據上述表格得到模型的擬合優度R2=0.854，所以擬合程度很好；得到回歸方程Y=-12512.260+6.280X1 。（Y: 旅客周轉量， X1：年度）表 3-1-5 ：上海 2011-2015年旅客周轉量預測結果（單位：億人公里）年份20112012201320142015預測量116.82123.1129.38135.66141.943.2 多元線性回歸預測3.2.1 多元線性回歸預測原理多元回歸分

25、析是研究多個變量之間關系的回歸分析方法,按因變量和自變量的數量對應關系可劃分為一個因變量對多個自變量的回歸分析 ( 簡稱為“一對多”回歸分析 ) 及多個因變量對多個自變量的回歸分析 ( 簡稱為“多對多” 回歸分析 ), 按回歸模型類型可劃分為線性回歸分析和非線性回歸分析。利用二元線性回歸方程，以旅客周轉量，GDP,總人口為自變量， 公路客運量為因變量，建立模型預測分析，結果如下：.3.2.2 SPSS 操作步驟：按分析回歸線性，打開對話框；將自變量輸入總人口、生產總值、旅客周轉量，因變量輸入公路客運量，單擊確定。如圖所示。圖 3-2-1 ： spss 操作步驟截圖3.2.3 輸出結果分析表 3

26、-2-1 ：多元線性回歸輸出結果輸入移去的變量a模型輸入的變量移去的變方法量旅客周轉量（億人公里） ,1生產總值（億.輸入元） , 總人口（萬人） ba. 因變量 : 公路客運量 ( 萬人）.b. 已輸入所有請求的變量。模型匯總模型RR 方調整 R 方標準估計的誤更改統計量差R 方更改F 更改df1df2Sig. F更改11.000 a1.0001.0001.3081.00089625.76931.002a.預測變量 : (常量 ),旅客周轉量（億人公里）,生產總值（億元）,總人口（萬人）。Anovaa模型平方和df均方FSig.回歸459783.0903153261.03089625.769

27、.002 b1殘差1.71011.710總計459784.8004a. 因變量 : 公路客運量 ( 萬人）b. 預測變量 : ( 常量 ), 旅客周轉量（億人公里） , 生產總值（億元） , 總人口（萬人）。系數 a模型非標準化系數標準系數tSig.B 的 95.0%置信區間B標準 誤試用版下限上限差(常量)-260.5598.281-31.466.020-365.774-155.344總人口（萬人）1.625.017.94494.443.0071.4061.8441.009.001.0638.858.072-.004.021生產總值（億元）旅客周轉量（億人公里）.066.471.002.14

28、0.912-5.9136.044a. 因變量 : 公路客運量 ( 萬人）.可得回歸方程 Y=1.625X1+0.009X2+0.066X3-260.559 。（Y：公路客運量， X1：總人口， X2：生產總值， X3：旅客周轉量。）將 2011-2015年上海總人口，生產總值，旅客周轉量預測值代入方程得到2011-2015年上海公路客運量結果如下：表 3-2-2 ：2011-2015年上海公路客運量（單位：萬人）年份20112012201320142015預測量3599.8143782.90739664149.0934332.1853.3 時間序列法：3.3.1 時間序列原理時間序列是指將某種

29、現象某一個統計指標在不同時間上的各個數值，按時間先后順序排列而形成的序列。 時間序列法是一種定量預測方法， 亦稱簡單外延方法。在統計學中作為一種常用的預測手段被廣泛應用。3.3.2 SPSS 操作步驟按分析回歸線性，打開對話框；將自變量輸入年度，因變量輸入公路客運量，單擊確定。如圖所示。.圖 3-3-1 ： spss 操作步驟截圖3.3.3 輸出結果分析表 3-3-1 ：時間序列法輸出結果輸入移去的變量a模型輸入的變量移去的變量方法1年度 b.輸入a. 因變量 : 公路客運量 ( 萬人） b. 已輸入所有請求的變量。模型匯總模型RR 方調整 R 方標準估計的誤更改統計量差R 方更改F 更改df

30、1df2Sig. F更改1.850 a.723.630206.116.7237.82313.068a. 預測變量 : ( 常量 ), 年度。Anovaa.模型平方和df均方FSig.回歸332332.9001332332.9007.823.068 b1殘差127451.900342483.967總計459784.8004a. 因變量 : 公路客運量 ( 萬人） b. 預測變量 : ( 常量 ), 年度。系數 a模型非標準化系數標準系數tSig.B 的 95.0%置信區間B標準 誤差試用版下限上限(常量)-363014.600130880.922-2.774.069-779536.1075350

31、6.9071182.30065.180.8502.797.068-25.131389.731年度a. 因變量 : 公路客運量 ( 萬人）可得回歸方程 ： Y=-363014.600+182.300X1。（Y：公路客運量， X1：年度）表 3-3-2 ： 2011-2015 年上海公路客運量預測結果（單位：萬人）年份20112012201320142015預測量3590.737733955.34137.64319.93.4 曲線擬合3.4.1 曲線擬合原理曲線擬合（ curve fitting）是指在因變量與自變量與一個已知或未知的的曲線或者非線性函數關系相聯系的情況下，在很多情況下有兩個相關的

32、變量，用戶希望用其中一個變量對另一個變量進行預測，但是又不能馬上根據記錄數據確定一種最佳模型，此時可以用曲線估計在眾多回歸模型中建立一個既簡單又比較適合的模型 .3.4.2 SPSS 操作步驟按分析回歸曲線估計，打開對話框；將因變量輸入公路客運量，變量輸入總人口，單擊確定。如圖所示。圖 3-4-1 ： spss 操作步驟截圖3.4.3 輸出結果分析表 3-4-1: 曲線擬合輸出結果模型描述模型名稱MOD_1因變量1公路客運量 ( 萬人）1線性2二次方程3冪 aa4S自變量總人口（萬人）常數包含.其值在圖中標記為觀測值的變未指定量用于在方程中輸入項的容差.0001a. 該模型要求所有非缺失值為正

33、數。個案處理摘要N個案總數5已排除的個案 a0已預測的個案0新創建的個案0a. 從分析中排除任何變量中帶有缺失值的個案。變量處理摘要變量因變量自變量公路客運量總人口（萬人）( 萬人）正值數55零的個數00負值數00用戶自定義缺失00缺失值數系統缺失00模型匯總和參數估計值因變量 :公路客運量 ( 萬人）方程模型匯總參數估計值.R 方Fdf1df2Sig.常數b1b2線性.9992729.08813.000-324.0581.721二次1.00075302.74222.000-3181.5254.503-.001冪.9981949.79213.000.7101.103S1.00011308.38513.0009.186-2271.547自變量為總人口（萬人）。圖3-4-2 ：各方程擬合曲線圖根據以上圖表，可以看出線性方程、二次方