0228 苏才谦 海南国际旅游岛运输需求分析与预测研究.docx

《0228 苏才谦 海南国际旅游岛运输需求分析与预测研究.docx》由会员分享，可在线阅读，更多相关《0228 苏才谦 海南国际旅游岛运输需求分析与预测研究.docx（35页珍藏版）》请在课桌文档上搜索。

1、课程设计设计题目：海南国际旅游岛运输需求分析与预料探讨课程名称：运输统计与分析学院：交通运输工程学院专业：交通运输班级：交运1002班学生姓名：苏才谦学号：201030010228指导老师：周和平朱灿柳伍生=2011/2012学年其次学期=课程设计（学年论文）任务书课程名称：运输统计与分析适用对象：交通运输工程一、 课程设计（论文）目的运输统计与分析课程设计作为独立的教学环节，是交通运输本科专业的必修课。其目的是，通过本课程设计实践，培育学生理论联系实际思想，加深统计分析基本理论与基本学问的理解，学会收集或调查行业统计数据，切实驾驭各种统计分析方法，并能敏捷运用统计软件在计算机上实现，正确说明

2、和分析运行结果，培育运用各种统计分析方法解决交通运输领域内实际问题的实力。二、 课程设计（论文）题目与内容本课程设计（论文）主要任务为：针对交通运输领域内某一主题，设计调查表调查或查询相关统计数据，依据本课程讲授内容选择一种或多种合适的统计分析方法，运用SPSS建立模型分析问题。题目自拟，但题名一般要包含主题与统计方法。且必需与交通运输相关，选题主题主要包括：1 .运输市场定位探讨2 .运输需求分析与预料3 .政策或技术方法实施效果评价4 .交通行为选择5 .影响因素分析6 .聚类分析7 .服务质量评价8 .自选三、 课程设计（论文）基本要求报告内容原则上不少于8000字，其正文至少包括如下几

3、个方面的内容：1 .问题背景（问题的提出、必要性与意义，该问题目前常用的分析手段与方法，本设计采纳的方法）2 .数据采集（含数据采集方式、描述性分析、统计图表）说明：调查分析则必需包含调查方案，其它数据原则上必需说明出处。3 .统计模型与分析（包含模型原理、SPSS操作步骤、输出结果及分析）4 .总结5 .附录数据清单四、 课程设计（论文）时间及进度支配1 .时间：两周：2011-2012学年其次学期第十九、二十周2 .进度支配：确定主题；调查、收集数据：2天数据分析与预处理、描述性统计分析：2天分析方法原理及选择：3天SPSS操作及结果分析：4天解决实际问题或建议：2天撰写报告、总结：1天（

4、此部分同学们可以依据自己设计具体内容，具体支配）3 .成果提交：要求独立完成，每人需提交1份打印的设计报告（A4）、WOrd电子文档、数据文件（sav格式）。电子文档文件名为：学号后四位+姓名+题目，先发电子文档给指导老师，经许可后方可打印。最终成果（打印稿1份、电子文档1份）统一交班长汇总并转交指导老师；最终成果提交截止时间为第20周周五。五、成果评定平常考勤20%,报告撰写规范20%,内容（选题合理、方案可行、分析正确、有创新）60%。成果评定实行优秀、良好、中等、及格和不及格五个等级。优秀者人数一般不得超过总人数的20%o六、报告格式课程设计报告装订依次依次为：封面、课程设计（学年论文）

5、任务书、书目、正文、参考文献、成果评定表。报告中全部图表应按“章号-图表序号-图表名”（例：图1-1-*频数图）进行编号。具体格式参看试验报告样本。七、主要参考资料1 .罗应婷等主编SPSS统计分析从基础到实践.北京：电子工业出版社，2007年6月；2 .章文波陈红艳编著.好用数据统计分析及SPSS12.0应用.人民出版社，2006年；3 .张文彤.SPSS.11.0统计分析教程.（高级篇）.北京希望电子出版社.2002年6月；4 .郝黎仁等.SPSS好用统计分析.中国水利水电出版社.2003年1月。1概述11.1 探讨背景11.2 常用分析方法21.3 本设计采纳的分析方法32数据采集31

6、.1数据来源32 .2数据处理32. 2.1数据频率性分析33. 2.2各个因素对总客运量影响的相关性分析42. 3现状分析53统计模型与分析73.1一元线性对因素的预料分析73.1.1 模型原理73.1.2 SPSS操作步骤73. 1.3因素预料结果及分析83. 2相关分析与回来分析101. 2.1模型原理103. 2.2SPSS操作步骤114. 2.3输出结果及分析123.3时间序列法193.3.1统计原理193.3.2SPSS操作步骤193.3.3输出结果分析203.4曲线预料回来原理213.4.1统计原理213.4.2SPSS步骤223.4.3输出结果及分析233.5多种预料结果值25

7、4总结27附录数据清单281概述1.1 探讨背景交通运输业是国民经济的基础产业，“运输进步之基本功能为可扩大市场，并激励劳动之分工与提高生产力二而当今时代是人流、物流快速周转的时代，交通运输作为承载人流、物流的途径，已成为国民经济和社会发展的基础，是促进生产要素合理流淌，拉动国民经济稳步发展的先决条件。长期以来，由于历史和体制等多种缘由，海南交通运输事业的发展始终非常缓慢。1988年，海南建省办经济特区，在国家有关部门和省委、省政府的大力支持下，海南交通运输事业最终迎来一个新的春天，尤其是经过九五、十五的大规模交通投资建设,进入了快速发展的新时期。马路运输始终是海南的主要交通方式。九五、十五期

8、间，抓住和省委、省政府加快马路建设的机遇，海南省交通厅把环岛高速马路和三纵四横等路网建设列为我省马路建设战略目标，将干线马路改造升级和提高农村马路的通达深度作为工作重点，分步实施，有序推动。马路事业的发展，能够促进和带动海南旅游业经济的发展。在海南经济高速发展时期，客运需求就较快增加，需求较大，大量的人员因生产以及生活的须要而频繁出行；所以经济的发展，反促进于马路交通事业的发展，使得马路客运需求大幅度提高。但由于原有马路运输体系不够完善，交通基础设施总体规模偏小等缘由，马路客运需求总量成为影响海南省交通运输业和经济发展的重要问题。所以明确马路客运需求，是指导海南建设国际旅游岛的发展要务和发展经

9、济的相关保障。1.2 常用分析方法马路客运量需求预料探讨会涉及到统计学、运筹学、交通经济学等学科、需运用数理统计分析、系统分析等理论，具体会运用调查法、视察法、定性分析法、定量分析法、多目标规划法。(1)调查法调查法是科学探讨中最常用的方法之一，是有目的、有支配、有系统地搜集有关探讨对象现实状况或历史状况材料的方法。调查方法是科学探讨中常用的基本探讨方法，综合运用历史法、视察法等方法以及谈话、问卷、个案探讨、测验等科学方式，对现象进行有支配的、周密的和系统的了解，并对调查搜集到的大量资料进行分析、综合、比较、归纳，从而为人们供应规律性的学问。本文运用调查法，搜集相关图书文献和网络资料，获得马路

10、客运量相关因素的具体数值。(2)定量分析法在科学探讨中，定量分析法可以使人们对探讨对象的相识进一步精确化，以便更加科学地揭示规律，把握本质，理清关系，预料事物的发展趋势。具体通过对探讨对象的规模、速度、范围、程度等数量关系的分析探讨，相识和揭示事物间的相互关系、改变规律和发展趋势，借以达到对事物的正确说明和预料的一种探讨方法。运用多元回来方法定量分析采集的调研数据，获得马路客运量与各因素的数量关系。时间序列法时间序列回来模型，是考虑事物发展的改变规律，以时间为自变量建立的一种相关模型，它既考虑了事物发展的持续性，又充分考虑到事物的发展受偶然因素的作用而产生的随机改变。(5)多元回来方法多元回来

11、分析预料法是通过对两个或两个以上的自变量与一个因变量的相关分析，建立预料模型进行预料的方法。它是探讨一个随机变量与两个或两个以上一般变量之间相依关系的统计分析方法。1.3 本设计采纳的分析方法本设计采纳的预料分析方法为：多元回来方法，时间序列法，曲线回来法。2数据采集2.1数据来源本课程设计数据来源海南省2000-2010年统计年鉴（具体数据见附录）2.2数据处理2.2.1数据频率性分析SPSS操作步骤：在菜单中找到“分析一描述统计一频率”输入数据，点击确定。输出结果：表2-2-1数据频率性分析结果统计量马路客运量（万人）客运总量（万人）总人口（万人）GDP亿元）旅客周转量（亿人公里）有效11

12、11111111N缺失00000均值29612.7330638.64828.271041.5998.064中值25705.0026785.00828.00894.5789.500众数19392n19974787,51860.5标准差8387.3738684.77727.792507.24630.5207微小值193921997478751860.5极大值42785442098692065154.92522979.0023612.00803.00604.1375.900百分位数5025705.0026785.00828.00894.5789.5007539050.0040239.00854.00

13、1459.23124.900a.存在多个众数。显示最小值2. 2.2各个因素对总客运影响的相关性分析操作步骤：按分析相关双变量打开双变量相关对话框在左侧源变量框中进行如下操作然后点击“确定”按钮。表2-2-2相关性分析结果相关性客运总量（万人）马路客运量（万人）总人口（万人）GDP亿元）旅客周转量（亿人公里）客运总量（万人）Pearson相关性11.OO(T.969”.957.953“显著性（双侧）.000.000.000.000N1111111111马路客运量（万人）Pearson相关性1.000”1.965”.956.951”显著性（双侧）.000.000.000.000N11111111

14、11总人口（万人）Pearson相关性.969“.965:.960w.973显著性（双侧）.000.000.000.000N1111111111GDP亿元）Pearson相关性.957”.956”.960”1.992”显著性（双侧）.000.000.000.000N1111111111旅客周转量（亿人公里）Pearson相关性.953”.951”.973”.9921显著性（双侧）.000.000.000.000N1111111111*.在.01水平（双侧）上显著相关。3. 3现状分析十五以来，海南路网结构明显改善，90%以上的市县建成了高等级水泥出口路，完成了东线高速马路和一批国道、省道的改造

15、。到2005年底，二级以上马路里程达到2184公里，占总里程的10%以上，是1987的14倍，比1999年提高了近3乐全省马路网综合技术等级达到三级。到2010年，海南省马路通车里程达到21565公里，马路网密度达到63.58公里/百平方公里；其中高速马路总里程达到810公里，二级以上马路总里程达到3510公里，农村马路通畅工程建设里程将达100OO公里以上。交通的快速发展，使海南省的开放开发战略得到了全面实施，经济发展布局日渐清楚，海南经济进入了一个健康稳定较快发展的新时期。2004年，全省旅游接待突破1400万人次，旅游总收入突破110亿元。十一五期间，是海南省全面落实科学发展观，建设小康

16、社会的关键时期。这一时期，全省经济建设将进入持续快速发展阶段。经济规模不断扩大，市场更加活跃，物流和人流加快，交通运输也将保持增长势头。从统计数据及表格上可得，海南的交通正快速旺盛的发展，客运需求接着高涨且占海南客运需求的主导地位；从近11年的旅客量来看，自05年海南国际旅游岛的旅客量逐年高速增加。从以上数据处理可知，GDP,马路客运量，总人口，旅客周转量与客运总量的P值小于005,说明GDP,马路客运量，总人口，旅客周转量与客运总量有着显著影响关系，且相关系数R都大于0.8,高度相关，所以上述4数据介可以当做因素经行下一步的分析。3统计模型与分析3.1一元线性对因素的预料分析3.1.1 模型

17、原理一元线性回来方程反应一个因变量与一个自变量之间的线性关系。本课程设计采纳一元线性回来预料影响海南省客运总量的4个因素：马路客运量，总人口，GDP,旅客周转量。以年度为自变量，各因素为因变量建立模型预料。3.1.2 SPSS操作步骤按分析一一回来一线性打开线性回来对话框在左侧源变量框中选择马路客运量作为因变量，选择年度为自变量，然后点击“确定”按钮，如图所示。残性回归区表3-1-3一元线性回来分析结果输入/移去的变量，模型输入的变量移去的变量方法1年度输入a.因变量：马路客运量（万人）b.已输入全部恳求的变量。模型汇总模型RR方调整R方标准估计的误差1.963n.927.9192394.24

18、8a.预料变量：（常量），年度。Anova*模型平方和df均方FSig.1回来651888500.8091651888500.809113.719.OOOb残差51591827.37395732425.264总计703480328.18210a.因变量：马路客运量（万人）b.预料变量：（常量），年度。系数模型非标准化系数标准系数tSig.B的95.0%置信区间B标准误差试用版下限上限1（常量）-4851341.045457707.233-10.599.000-5886746.740-3815935.351年度2434.391228.283.96310.664.0001917.9802950.8

19、02a.因变量：马路客运量（万人）依据上述表格得到模型的拟合优度K2=0.927,拟合度较好；另得到回来方程：Yl=-4851341.0452434.391X1o其中，Y1：马路客运量，XI:年度。将年度2011-2015带入方程得到：表3T-4：2011年一2015年海南马路客运量预料值（单位：万人）X20112012201320142015Y44219.25646653.64749088.03851522.42953956.82同理，可得出GDP,总人口，旅客周转率分别与年份的回来方程以及预料分别为：依据表格得到模型的拟合优度K2=0.918,拟合度较好，另得到回来方程:Y2=-29271

20、9.890+146.514X1o其中，Y2：GDP,XI:年度。将2011-2015带入方程得到：表3-1-5：2011-2015年海南GDP预料结果（单位:亿元）X20112012201320142015Y1919.7642066.2782212.7922359.3062505.82依据模型的拟合优度K2=0.998,拟合度很好，得到回来方程：Y3=T5959.045+8.373X1。其中，Y3二总人口,XI:年度。将2011-2015带入方程表3-1-6：2011-2015年海南总人口预料结果（单位:万人）X20112012201320142015Y879.058887.431895.80

21、4904.177912.55依据模型的拟合优度R-2=0.944,拟合度很好，可得回来方程：Y4=-17832.105+8.943X1其中，Y4:旅客周转量，XI:年度。将2011-2015带入方程得到：表3T-7：2011-2015年海南旅客周转量预料结果（单位：亿人公里）X20112012201320142015Y152.268161.211170.154179.097188.043.2相关分析与回来分析3. 2.1模型原理二元线性回来原理：多元回来分析预料法，是指通过对两个或两个以上的自变量与一个因变量的相关分析，建立预料模型进行预料的方法。当自变量与因变量之间存在线性关系时，称为多元线

22、性回来分析。多元回来分析是探讨多个变量之间关系的回来分析方法，按因变量和自变量的数量对应关系可划分为一个因变量对多个自变量的回来分析（简称为“一对多”回来分析）及多个因变量对多个自变量的回来分析（简称为“多对多”回来分析），按回来模型类型可划分为线性回来分析和非线性回来分析。利用二元线性回来,马路客运量，GDP,人口数，旅客周转量为自变量为客运总量因变量建立模型预料结果如下。按分析一一回来一一线性打开线性回来对话框在左侧源变量框中选择客运总量作为因变量，选择马路客运量，总人口,GDP,旅客周转量作为自变量，然后点击“确定”按钮，如图所示:夕年度夕铁路客运量(万人),公路春运量(万人),水运客运

23、量(万人)夕总人口(万人)/GDP亿元),施容周转量(亿人公因娈是(D):确定粘贴(E)重量(B):取消I痢助J统计量2j绘制保存(SJQ(2)、旦OOtStrapJ埔I线性回归：统计重SgJ回归系数“估计生)M登信区间水平(%)：95I口协方差矩阵(Y)残差Durbin-Watson(U)个案诊断(2)。高群值9)：所有个案三,模型拟合度(M)：,R方变化小)叵描述性C部分相关和偏相关性(R)E共线性诊断(U标准差WJ取面帮助3. 2.3输出结果及分析表3-2-3二元线性回来输入/移去的变量模型输入的变量移去的变量方法1旅客周转量（亿人公里），马路客运量（万人），总人口（万人），GDP亿元）

24、b输入a.因变量：客运总量（万人）b.已输入全部恳求的变量。模型汇总模型RR方调整R方标准估计的误差11.OOOd1.0001.000154.818a.预料变量：（常量），旅客周转量（亿人公里），马路客运量（万人），总人口（万人），GDP亿元Anovaa模型平方和df均方ESig.1回来754109700.8574188527425.2147865.595.000b残差143811.689623968.615总计754253512.54510a.因变量：客运总量（万人）b.预料变量：（常量），旅客周转量（亿人公里），马路客运量（万人），总人口（万人），GDP亿元）。系数模型非标准化系数标准系数

25、tSig.B的95.0%置信区间B标准误差试用版下限上限1（常量）-22436.3467606.260-2.950.026-41048.194-3824.499马路客运量（万人）.966.027.93335.503.000.8991.032总人口（万人）31.53610.709.1012.945.0265.33357.739GDP亿元）1.264.956.0741.322.234-1.0753.602旅客周转量（亿人公里）-30.13818.139106-1.661.148-74.52214.247a.因变量：客运总量（万人）可得回来方程y=0.966X1+31.536X21.264X3-30

26、.138X4-22436.346o且由表可知，存在共线性，进行逐步分析与共线性诊断，结果如下。表3-2-4二元线性回来描述性统计量均值标准偏差N客运总量（万人）30638.648684.77711马路客运量（万人）29612.738387.37311总人口（万人）828.2727.79211GDP亿元）1041.59507.24611旅客周转量（亿人公里）98.06430.520711相关性客运总量（万人）马路客运量（万人）总人口（万人）GDP亿元）旅客周转量（亿人公里）Person相关性客运总量（万人）1.0001.000.969.957.953马路客运量（万人）1.0001.000.965

27、.956.951总人口（万人）.969.9651.000.960.973GDP亿元）.957.956.9601.000.992旅客周转量（亿人公里）.953.951.973.9921.000Sig.（单侧）客运总量（万人）*.000.000.000.000马路客运量（万人）.000.000.000.000总人口（万人）.000.000.000.000GDP亿元）.000.000.000.000旅客周转量（亿人公里）.000.000.000.000N客运总量（万人）1111111111马路客运量（万人）1111111111总人口（万人）1111111111GDP亿元）1111111111旅客周转

28、量（亿人公里）1111111111模型汇总模型RR方调整R方标准估计的误差更改统计量R方更改F更改dfldf2Sig.F更改11.ooo,1.000.999203.6011.00018186.27619.00021.OOOb1.0001.000164.483.0005.79018.043a.预料变量：（常量），马路客运量（万人）。b.预料变量：（常量），马路客运量（万人），总人口（万人）。Anovaa模型平方和df均方FSig.1回来753880433.2051753880433.20518186.276.OOOb残差373079.341941453.260总计754253512.545102

29、回来754037075.1622377018537.58113935.431.OOOc残差216437.383827054.673总计754253512.54510a.因变量：客运总量（万人）b.预料变量：（常量），马路客运量（万人）。C.预料变量：（常量），马路客运量（万人），总人口（万人）。系数”模型非标准化系数标准系数tSig.B的95.0%置信区间共线性统计量B标准误差试用版下限上限容差VIF1（常量）-16.529235.460070.946-549.177516.119马路客运量（万人）1.035.0081.000134.857.0001.0181.0531.0001.0002（常

30、量）-12645.3525251.883-2.408.043-24756.216-534.489马路客运量（万人）.980.024.94741.343.000.9251.035.06814.615总人口（万人）17.2167.155.0552.406.043.71733.714.06814.615a.因变量：客运总量（万人）己解除的变量.模型BetaTntSig.偏相关共线性统计量容差VIF最小容差1总人口（万人）.055b2.406.043.648.06814.615.068GDP亿元）.015.563.589.195.08511.725.085旅客周转量（亿人公里）.017,.682.51

31、4.234.09510.551.0952GDP亿元）-.or464.657173.06615.224.053旅客周转量（亿人公里）-.028l-1.076.318377.05019.858.036a.因变量：客运总量（万人）b.模型中的预料变量：（常量），马路客运量（万人）。C.模型中的预料变量：（常量），马路客运量（万人），总人口（万人）。共线性诊断模型维数特征值条件索引方差比例（常量）日路客运量（万人）总人口（万人）111.9651.000.02.022.0357.539.98.98212.9591.000.00.00.002.0418.463.00.07.0033.891E-005275

32、.7381.00.921.00a.因变量：客运总量（万人）所以，依据处理结果，解除共线性变量：GDP,旅客周转率。所得最优多元回来方程Y=T2645.352+0.98X1+17.216X2。Y：客运总量，XI：马路客运量,X2：总人口。将已预料出的2011-2015年海南马路客运量以及总人口带入回来方程得到结果如下：表3-2-5：20112015年海南客运总量X20112012201320142015Y45823.38148353.23450883.08753412.9455942.7923. 3时间序列法3. 3.1统计原理从统计意义上讲，时间序列是将一个变量在不同时间上的不同数值按时间先后

33、排列而成的数列。从数学意义上讲，设Xt(tT)是一个随机过程，Xt(i=l,2,n)是在Xt在时刻i对过程Xt的视察值，则称Xt为一次样本实现，也就是一个时间序列。从系统意义上讲，时间序列就是某一系统在不同时间(地点、条件等)的响应。4. 3.2SPSS操作步骤按分析一一预料一创建模型打开创建模型对话框在变量框中选择总客运量作为因变量，选择年度作为自变量。在方法一框中选择专家模拟器，然后点接着。接着在统计表选项中选中显示预料值、拟合优度等选项。然后将模型框中选择多种方法进行拟合，并点击“确定”按钮，如图所示:图3-3-2时间序列法操作步骤3.3.3输出结果分析表333时间序列分析结果日期模型描

34、述模型类型模型ID客运总量（万人）模型Holt模型统计量模型预料变量数模型拟合统计量1.jung-BoxQ(18)离群值数平稳的R方R方统计量DFSig.客运总量（万人）-模型0.725.92600由以上表格可知该模型拟合程度R-2=0.926,说明此预料值精确度很好，即客运总量跟年度的预料值较精确。可得2011-2015年海南总客运量预料结果如下:表：20112015年海南总客运量预料结果（单位:人）2011201220132014201545820.7848351.19850881.61653412.03455942.4523.4曲线预料回来原理3.4.1 统计原理曲线估计用在因变量与自变

35、量与一个已知或未知的的曲线或者非线性函数关系相联系的状况下，在许多状况下有两个相关的变量，用户希望用其中一个变量对另一个变量进行预料，但是又不能立刻依据记录数据确定一种最佳模型，此时可以用曲线估计在众多回来模型中建立一个既简洁又比较适合的模型.3. 4.2SPSS步骤按分析一一回来一一曲线估计打开曲线估计对话框在源变量框中选择客运变量作为因变量，选择总人口为自变量然后将模型框中选择多种方法进行拟合，并点击“确定”按钮，如图所示图3-4-2曲线回来预料操作步骤图3.4 .3输出结果及分析表34-3曲线回来预料结果模型描述模型名称MOD4因变量1客运总量（万人）方程1线性2对数3二次4三次5夏台6

36、幕H7Sa8增长”9指数”自变量总人口（万人）常数包含其值在图中标记为观测值的变量未指定用于在方程中输入项的容差.0001a.该模型要求全部非缺失值为正数。个案处理摘要N个案总数11已解除的个案“0己预料的个案0新创建的个案0a.从分析中解除任何变量中带有缺失值的个案。变量处理摘要变量因变量自变量客运总量（万人）总人口（万人）正值数1111零的个数OO负值数OO缺失值数用户自定义缺失OO系统缺失OO模型汇总和参数估计值因变量：客运总量（万人）方程模型汇总参数估计值R方Fdfldf2Sig.常数blb2b3线性.938137.11519.000-220088.231302.711对数.93513

37、0.41019.000-1651327.384250336.121二次.94974.74328.000764013.353-2074.3191.434三次.94974.54128.000432758.577-880.225.000.001复合.959208.03419.0007.8801.010三.958204.59819.0002.919E-0208.227S.957199.36219.00018.518-6805.085增长.959208.03419.0002.064.010指数.959208.03419.0007.880.010自变量为总人口（万人）。客运总量(万人)从以上数据可以得知，

38、以总人口为自变量，客运总量为因变量，得到复合曲线，增长曲线，指数曲线的拟合度K2=0.959,说明拟合程度很好，故选择复合曲线经行预料。所以复合函数为Y=7.880(1.01)八x,Y:客运总量X：总人口。依据上面预料将来几年的总人口数，得到：表3-4-4：2011-2015年海南客运总量的结果X20112012201320142015Y49575.19253882.44258563.9263652.13969182.4383.5 多种预料结果值通过本文运用的多元回来，时间序列模型，曲线回来等模型的预料，将2011-2015年海南客运总量的预料结果发布如下。表3-5多种预料结果多元线性回来结果

39、2011201220132014201545823.38148353.23450883.08753412.9455942.792时间序列预料2011201220132014201545820.7848351.19850881.61653412.03455942.452曲线回来2011201220132014201549575.19253882.44258563.9263652.13969182.4384总结客运总量是推断一个地方交通运输发展的主要依据。精确且合理的对客运总量进行预料能分析将来交通运输发展的大体趋势，并制定相应合适的发展措施。本文通过在分析几种常用的预料方法的基础上，以海南马路客

40、运量，GDP,旅客周转率，总人口为数据，来预料海南客运总量的数据。而通过这次报告的探讨和相关数据系统地分析，我对海南交通需求有进一步的了解，更重要的是系统地驾驭了关于探讨报告的整个流程和方式方法，而通过多元线性预料结果可知，近年来海南客运总量将接着增长，海南交通运输业将快速发展。从而应当加大对海南交通运输业的支持与建设，希望能进一步改善与发展海南交通的近况。在本次设计中，从国家统计局网站查找资料，在进行统计分析，运用多元线性回来，曲线回来法，时间序列法。不足为，处理的手段不够多，且存在肯定的共线性，通过现有的学问无法得到解决。其次相关数据比较好，未能进行更具体的分析与预料。而且所得到的预料值也有所差异。所得到的复合曲线的预料差异较大。下阶段中应找寻更多更新的数据，应用多种分析预料方法来进行更加精确的预料操作，达到对海南客运总量更大程度的了解与预料分析。附录数据清单客运总量马路客运量总人口（万