农村 居民 消费结构 因子分析 聚类分析

基于聚类分析的农村居民消费结构的实证研究作者：张瑜来源：《财讯》2018年第04期本文依据我国2014年各地區农村居民人均消费数据，运用多元统计分析中的聚类分析的方法，对2814年我国31个地区农村居民入均消费情况进行实证分析，对31个地区按消费水平高低进行分类。

根据分析结果，结合我国农村居民消费的现状，对提高我国农村居民消费水平、改善目前农村居民消费结构提出合理亿建议。

农村居民消费结构聚类分析引言目前，消费结构大致可以分成三类：价值消费结构和实物消费结构、微观消费结构和宏观消费结构、不同社会集团的消费结构。

比较常用的是微观消费结构和宏观消费结构。

消费水平的高低十分重要，它可以评定某个地区、某个国家的经济水平，我国地大物博，各个地方的经济发展情况和习俗都不太相同，大家购买商品的喜好不一样，支出情况也有所不同。

我国是一个以农业为主的国家，农村居民是一个很庞大的消费群体。

和城镇居民的消费相比，农村居民因为收入比较少，并且收入增长速度不快，所以消费水平一直提升不上去，而农村居民消费水平的高低与国民经济有着直接的关系，分析和研究我国各地区农村居民的消费结构，对于我国在制定经济方面的政策有很大的意义。

我国农村居民消费的现状分析从2005年到2014年，我国居民的消费水平有了很大的提升，这是改革开放的成果。

从2010年到2014年，食品烟酒从占消费总额的40.4%减少到33.5%，衣着从6.5%减少到6.1%，居住从18.4%增加到21%，生活用品及服务从5.9%增加到6.0%，交通通讯从10.5%增加到12.1%，教育文化娱乐从7.6%增加到10.3%，医疗保健从8.4%增加到9.0%，其他用品及服务从2.3%减少到2%。

由此可见，我国的农村居民正在从生存型消费慢慢的转变为享受型和发展型消费，不过这种转变比较缓慢，生存型消费还是占了绝大部分比重，所以农村居民的消费结构仍然需要更大程度的提升。

各地区农村居民消费结构的聚类分析本文采用分层聚类的分析方法，以全国31个地区为例，对农村居民人均消费水平进行聚类分析。

统计学中的因子分析与聚类分析统计学是一门研究收集、整理、分析和解释数据的学科，因子分析和聚类分析是其中两个重要的分析方法。

本文将介绍因子分析和聚类分析的基本概念、应用领域以及它们在统计学中的作用。

一、因子分析因子分析是一种多变量统计分析方法，用于研究观测变量之间的潜在关系和提取隐藏在数据中的共性因子。

通过因子分析，我们可以将一组相关的变量简化为更少的因子，从而减少变量的维度，提取出数据背后的信息。

1.1 基本原理在因子分析中，我们假设每个观测变量都是由一组共同的潜在因子所决定，并且这些因子之间是相互独立的。

通过因子分析，我们可以估计每个观测变量和每个潜在因子之间的相关系数，从而推断变量之间的关系。

1.2 应用领域因子分析广泛应用于社会科学、心理学、市场研究等领域。

在社会科学中，因子分析常用于构建测量量表，识别潜在的个人特质或者态度因子。

在市场研究中，因子分析可以帮助我们理解消费者的购买行为，并进行市场细分。

1.3 实际案例举个例子，假设我们有一份调查数据包含多个问题，例如消费者对于产品的满意度、价格感知、品牌忠诚度等。

通过因子分析，我们可以识别出重要的潜在因子，例如产品质量、价格因素和品牌认可等。

这些因子可以帮助我们了解消费者对于产品的整体评价。

二、聚类分析聚类分析是一种将数据划分为不同组别的方法，使得同一组别内的个体趋于相似，而不同组别之间的个体趋于不同。

聚类分析可以帮助我们发现数据中的隐藏模式和结构，并进行分类或者分群。

2.1 基本原理聚类分析的目标是将样本划分为不同的簇，使得同一簇内的样本相似度较高，而不同簇之间的样本相似度较低。

聚类分析有多种方法，包括层次聚类和K均值聚类等。

层次聚类通过计算样本之间的距离或者相似度进行聚类，而K均值聚类则通过迭代计算每个样本到簇质心的距离，并将样本分配到最近的簇中。

2.2 应用领域聚类分析在数据挖掘、市场细分、生物学等领域得到广泛应用。

在数据挖掘中，聚类分析可以帮助我们发现数据中的规律和模式。

数据分析中的因子分析和聚类分析比较在数据分析的领域中，因子分析和聚类分析是两种常用的技术手段，用于对数据进行分析和解释。

尽管两者都是用来理解数据背后的模式和关系，然而因子分析和聚类分析在目的、方法和结果解释等方面存在着一些差异。

本文将比较这两种分析方法的特点和适用范围，以帮助读者更好地理解和应用这两种分析技术。

1. 因子分析因子分析是一种用于降维和数据解释的技术。

其目的是找到一组潜在的变量（因子），这些因子能够解释原始数据中的大部分方差，并且还能够保持数据的重要信息。

在进行因子分析时，我们假设观测变量是由少数几个潜在因子所决定。

因子分析的步骤包括：选择合适的因子提取方法、确定因子数目、进行因子旋转和因子解释等。

其中因子提取方法有常用的主成分分析和最大似然估计等。

在因子旋转中，我们通过调整因子间的关系来更好地理解数据。

因子分析结果通常包括因子载荷矩阵和因子得分。

因子载荷矩阵显示了每个变量与每个因子的相关性，而因子得分表示每个样本在每个因子上的得分。

这些结果有助于我们识别和理解潜在的构念和模式。

2. 聚类分析聚类分析是一种用于将样本或变量分组的技术。

其目的是在没有预先定义的组别情况下，将相似的样本或变量聚集在一起。

聚类分析是一种无监督学习方法，它不需要事先的标签或类别。

聚类分析的步骤包括：选择合适的聚类方法、设置聚类的参数、计算样本或变量之间的相似度、进行聚类分配等。

常用的聚类方法包括层次聚类和k-means聚类等。

聚类分析的结果通常是一个聚类分配图或聚类树。

聚类分配图显示了样本或变量所属的不同聚类，帮助我们观察不同聚类的特点和相似性。

聚类树则是一种层次结构，展示了聚类的过程和结果。

3. 因子分析与聚类分析的比较因子分析和聚类分析在目的、方法和结果解释等方面存在一定的差异。

首先，因子分析是一种降维技术，旨在找到潜在的变量和解释数据的结构。

而聚类分析则是一种分组技术，主要用于将样本或变量按照相似性进行划分。

因子分析与聚类分析因子分析和聚类分析是数据分析中常用的统计方法，用于揭示数据中的潜在结构和关系。

本文将介绍因子分析和聚类分析的概念、原理和应用，并比较两者的异同。

一、因子分析因子分析是一种多变量分析方法，旨在通过将一组相关变量转换为较少的无关因子，减少数据的维度。

它基于假设，即这些变量背后存在一些共同的潜在因素，通过这些因素的组合来解释变量之间的关系。

因子分析的步骤如下：1. 收集数据：收集包含多个变量的数据集。

2. 确定因子数目：根据变量之间的相关性和经验判断确定因子的数量。

3. 因子提取：使用主成分分析或常见因子分析方法提取因子。

4. 因子旋转：将提取到的因子进行旋转，以便更好地解释变量之间的关系。

5. 因子解释：解释每个因子的含义和对变量的贡献。

6. 因子得分计算：计算每个观测值在每个因子上的得分。

因子分析的应用广泛，如心理学、市场研究和社会科学等领域。

它可以用于量表的构建、变量筛选和维度简化等。

二、聚类分析聚类分析是一种无监督学习方法，用于将对象分组为具有相似特征的类别或簇。

聚类分析基于样本之间的相似性，旨在发现数据中的结构和关系。

聚类分析的步骤如下：1. 收集数据：收集包含多个样本的数据集。

2. 确定聚类数目：通过观察数据和应用合适的聚类算法，确定聚类的数量。

3. 选择距离度量：选择合适的距离度量方法，如欧氏距离或相关系数。

4. 聚类算法选择：选择适合数据的聚类算法，如层次聚类或 K 均值聚类。

5. 聚类分析：将样本分组到不同的类别或簇中。

6. 结果评估：评估聚类结果的合理性和稳定性。

聚类分析的应用广泛，如市场细分、图像分析和基因表达数据分析等。

它可以帮助理解数据的内在结构和找出相似性较高的样本群体。

三、因子分析与聚类分析的比较尽管因子分析和聚类分析都是常用的数据分析方法，但它们在目标、应用和结果解释方面存在一些差异。

目标：因子分析旨在找到变量之间的潜在结构和因果关系，以减少数据的维度；聚类分析旨在将样本分组为具有相似特征的类别或簇。

统计学中的因子分析与聚类分析统计学是一门重要的学科，它被应用于各种学术和商业领域。

在统计学中，因子分析和聚类分析是两种常见的数据分析方法。

这两种方法可以帮助人们理解和发现数据中的模式和结构，从而做出科学的决策。

一、因子分析因子分析是一种数据分析方法，它可以帮助人们识别数据中的潜在因素。

这些因素通常是无法直接观察到的，但它们对数据分布和相关性有着重要影响。

因子分析的目的是找出这些隐含的因素，并将它们组合成更小的集合，以便更好地解释和理解数据。

因子分析在市场研究中有着广泛的应用。

例如，当消费者对产品或服务进行评价时，他们可能会考虑多个方面，如价格、质量、信誉等。

通过因子分析，可以将这些多个方面归结为几个因素，如品质、价值等。

用这些因素来衡量产品的综合评价。

在因子分析中，最常用的方法是主成分分析。

主成分分析会在数据集中寻找最大的方差，然后将它们组合成不同的因素。

这些因素是适当排序的，第一个因素是方差最大的因素。

通过这种方法，可以将数据压缩成更小的集合，同时保留数据的关键信息。

二、聚类分析聚类分析是一种将数据集合成有意义的组别的方法，它通常用于数据挖掘和市场分析。

聚类分析可以将数据中的相似项归为一类，而将不同项归为不同类。

聚类分析可以应用于很多领域，例如，制造业可以将生产数据集成为相似生产线的组。

在营销领域，聚类分析可以帮助企业发现相似的客户类型和购买模式。

在聚类分析中，最常见的方法是K-Means算法。

该算法会在数据集中寻找到最优的K个簇心，并将数据分配到最近的簇心中。

这个过程会一直重复，直到满足终止条件。

通过使用K-Means算法，可以将数据划分成多个聚类组，并更容易地理解数据集的组织结构。

三、因子分析与聚类分析的联系和区别因子分析和聚类分析都是数据分析领域中常见的方法。

它们的目的都是帮助人们理解和发现数据中的模式和结构。

但二者还是有所不同。

因子分析主要是通过识别数据中的潜在因素，从而帮助人们更好地理解数据的组织结构。

第28卷第2期 辽宁石油化工大学学报 Vol.28　No.2 2008年6月　J OURNAL OF L IAON IN G UN IV ERSIT Y OF PETROL EUM&CH EMICAL TECHNOLO GY　J un.2008文章编号:1672-6952(2008)02-0093-04基于聚类和因子分析的农村居民消费结构实证研究李　雪,王莉华3(辽宁石油化工大学经济管理学院,辽宁抚顺113001)摘　要:　根据我国2005年各地区农村居民的消费状况,运用SPSS15.0统计分析软件,采用多元统计分析中的因子分析与聚类分析的方法,对我国31个地区农村居民的消费结构进行实证分析,考察影响消费结构的共同因素。

从分析的结果可看出,国家政策的扶持对我国农村居民消费结构的影响是显著的。

关键词:　消费结构;　因子分析;　聚类分析中图分类号:D422.7 文献标识码:AEmpirical St udy on t he Consumption St ruct ure of Rural Resident s Based onClustering Analysis and Factor AnalysisL I Xue,WAN G Li-hua3(School of Economics and M anagement,L iaoning Universit y of Pet roleum&Chemical Technology,Fushun L iaoning113001,P.R.China)Received2December2007;revised20M arch2008;accepted25M arch2008Abstract:　According to the consumption status of residents in2005,using SPSS15.0statistics analysis software,an empirical analysis on consumption structure of rural residents of31regions was made by adopting factor analysis method and cluster analysis method of multiplex statistics analysis.The common factors affecting the consumption structure were investigated.The analysis results show that the support of national policies has a significant influence on consumption structure of rural residents.K ey w ords:　Consume structure;Factor analysis;Classification analysis3Corresponding author.Tel.:+86-413-6860896;fax:+86-413-6860896;e-mail:pointwang63@ 消费是实现国民经济良性循环的关键,而消费结构是否合理,又是消费的关键问题。

各地区农村家庭人均消费量分析摘要：文章利用因子分析法和聚类分析对我国2009年度全国31个省市的农村居民家庭平均每人主要食品消费量,包括粮食,蔬菜,食油,猪牛羊肉,家禽,蛋类及其制品,水产品,食糖,酒等9个指标进行了分析,并对分析结果进行了排序。

结论具有一定的参考价值,对当前我国各地区的农村消费状况做出了比较合理的分析和评价。

关键词：因子分析聚类分析人均主要食品消费量引言：引言改革开放以来,我国的农业生产取得了长足的进步,全国农村居民家庭的食品消费水平都有了极大的提高,粮食安全问题在总体供应层面上已经基本得到解决。

然而,如果我们关注不同地区、不同人群的食品消费量,就会发现不同地区和人群的粮食和其他食品消费水平存在着很大的差异。

为了进一部改善消费结构，正确引导消费，提高我国的农村居民家庭的消费水平，地区农村家庭的主要食品消费量间的差异并进行比较研究，为提高各地区消费水平提供决策依据。

各地区农村家庭人均消费量地区粮食蔬菜食油猪牛羊肉家禽蛋类及其水产品食糖酒制品全国189.26 98.44 6.25 15.33 4.25 5.32 5.27 1.07 10.北京99.37 96.25 10.27 18.2 3.29 10.88 5.65 1.11 19.天津140.92 62.87 11.52 12.6 1.23 11.6 9.62 0.67 13.河北180.15 53.66 7.8 7.21 0.89 7.22 2.61 0.72 8.8山西177.65 70.56 6.84 5.71 0.69 6.05 0.8 0.99 3.6内蒙古187.04 70.9 4.16 27.96 2.79 5.36 2.06 1.01 14.吉林153.26 99.25 7.92 11.32 3.55 8.56 4.04 0.68 17.黑龙江156.23 83.67 10.36 10.1 3.41 6.22 4.29 0.96 19.上海138.54 64.76 8.06 19.08 9.25 8.45 18.46 1.68 16.江苏200.07 140.35 6.15 12.54 6.55 7.18 10.81 1.25 11.浙江170.28 76.88 5.94 15.43 6.3 4.94 17.45 1.48 25.安徽180.36 76.94 6.29 9.55 4.74 5.84 5.4 0.98 12.福建178.29 91.16 6.41 16.78 7.18 4.04 15.78 1.76 21.江西218.23 136.21 6.94 13.33 4.03 3.53 5.56 0.9 11.山东180.21 74.32 10.32 7.82 2.77 11.09 4.95 0.98 12.河南193.53 93.64 4.84 6.16 2.4 10.57 1.5 1.03 6.4湖北191.46 137.04 3.85 18.62 3.22 4.93 8.34 0.85 11.湖南224.84 139.16 7.71 17.98 5.49 3.71 6.19 1.11 5.7广东193.06 111.53 5.72 22.07 11.77 2.8 14.04 1.33 3.5广西186.87 99.84 4.84 13.57 10.02 1.3 3.57 1.07 8.4海南191.13 82.16 4.14 17.62 12.64 1.91 15.66 1.15 4.3重庆186.81 122.74 5.22 27.86 4.09 6.31 3.36 2.06 13.四川192.66 121.85 3.87 26.95 5.54 4.55 2.68 1.16 9.2贵州170.73 126.1 3.21 26.19 2.04 1.66 0.41 0.93 6.7云南187.48 105.65 2.77 27.95 4.38 2.27 1.61 1.02 7.5西藏290.4 16.35 7.18 15.27 0.07 0.73 0.01 3 3.6陕西168.88 107.6 6.49 7.28 0.62 2.48 0.45 0.71 4.4甘肃230.74 39.06 4.14 12.25 1.04 2.51 0.37 0.99 7.2青海184.02 41.78 2.53 18.88 1.16 0.93 0.63 1.42 3.3宁夏202.09 75.86 9.58 14.1 4.45 2.54 0.77 1.54 3.0CommunalitiesInitial Extraction变量1 1.000 .722变量2 1.000 .725变量3 1.000 .688变量4 1.000 .830变量5 1.000 .922变量6 1.000 .785变量7 1.000 .910变量8 1.000 .849变量9 1.000 .812Extraction Method: Principal Component Analysis.各个变量的变量共同度的得分，最少的是变量3是0.688.Total Variance Explained因子初始特征值提取的载荷平方和比率n Sums of SquaredLoadings特征值方差贡献率累计贡献率特征值方差贡献率累计贡献率特征值方差贡献率累计贡献率1 2.693 29.922 29.922 2.693 29.922 29.922 2.292 25.462 25.4622 2.223 24.704 54.625 2.223 24.704 54.625 1.814 20.152 45.6143 1.371 15.235 69.860 1.371 15.235 69.860 1.759 19.549 65.1634 .956 10.619 80.479 .956 10.619 80.479 1.378 15.316 80.4795 .635 7.055 87.5346 .429 4.764 92.2987 .334 3.711 96.0088 .222 2.468 98.4769 .137 1.524 100.000Extraction Method: Principal Component Analysis.由上表可知，保留了四个特征值，他们的累计贡献率是80.479.所以提取前四个特征值建立因子载荷矩阵。

对中国各地区农村居民人均消费支出的测评分析————基于SPSS分析12统计学1217020072 韦** 摘要：本文对中国各地区农村居民人均消费支出进行测评分析，以31个地区2013年的8项指标数据为样本。

以聚类分析和判别分析相结合对地区农村居民人均消费支出类型进行分析，利用因子分析对描述各地区的农村居民人均消费支出各项指标变量进行分析，再利用各指标变量间的相关性进行分析，得出结论，我国农村居民消费水平严重不平衡。

关键词：农村居民人均消费支出；聚类分析；判别分析；因子分析；主成分分析一、前言随着经济的发展和人民生活水平的不断提高，我国农村居民人均消费支出数额不断提高，从总体上来说，大部分农村居民实现消费水平上达到了小康水平，并且有向更高层次提升趋势。

消费作为主要宏观经济变量，是社会总需求最重要的组成部分，国民经济的增长速度和质量受到居民的消费增长的影响，因此农村居民消费越来越受到重视。

我国由地域的不同分为东部地区、中部地区和西部地区，由于地区不同，长期以来我国一直存在着严重的地区发展不平衡问题，这一问题在农村居民消费上也表现得十分明显。

农村居民新的消费水平和消费性支出存在着很大的差异，因此需要对农村居民消费水平进行客观、准确、有效的评价[1]。

二、数据说明各地区农村居民人均消费支出各指标变量：x1:食品 x2:衣着x3:居住 x4:家庭设备及用品x5:交通通信 x6:文教娱乐x7:医疗保健 x8:其他原始数据来源：《中国统计年鉴——2014》本文所引用数据如下：三、聚类分析3.1聚类分析的基本思想聚类分析又称群分析，是分类学的一种基本方法，所谓“类”，通俗的讲，就是由相似性的元素构成的集合。

聚类分析是一种探索性的分析，也是多元统计学中应用极为广泛的一种重要方法。

在应用中，聚类分析是通过将一批个案或者变量的诸多特征，按照关系的远近程度进行分析。

关系远近程度的定量描述方式不一样，利用聚类方法也不一样，可以产生有差别的聚类结果。

因子分析与聚类分析的差异与联系因子分析与聚类分析是两种常用的数据分析方法，它们在统计学和数据挖掘领域有着广泛的应用。

尽管它们有着不同的理论基础和分析目的，但在实际应用中，它们也存在一些联系和相互影响。

一、因子分析因子分析是一种用于研究多个变量之间关系的统计方法。

它的基本思想是将一组相关变量归纳为少数几个潜在因子，从而简化数据分析过程。

通过因子分析，我们可以发现隐藏在观测变量背后的基本因素。

在因子分析中，我们首先需要确定因子的数量，然后通过主成分分析或最大似然估计等方法，计算出每个观测变量与每个因子之间的相关系数。

这些相关系数可以用来解释观测变量之间的共同变异，并帮助我们理解数据的结构和特征。

因子分析的应用非常广泛。

例如，在心理学研究中，我们可以使用因子分析来研究人格特征的结构和相关性；在市场调研中，我们可以使用因子分析来理解消费者偏好和产品特征之间的关系。

二、聚类分析聚类分析是一种用于将相似对象分组的方法。

它的基本思想是将数据集中的观测对象划分为若干个互不重叠的群组，使得同一群组内的对象之间相似度较高，而不同群组之间的相似度较低。

在聚类分析中，我们需要选择合适的距离度量方法和聚类算法。

常见的距离度量方法包括欧氏距离、曼哈顿距离和余弦相似度等；常见的聚类算法包括层次聚类、K均值聚类和密度聚类等。

通过聚类分析，我们可以将数据集中的观测对象划分为不同的群组，并发现隐藏在数据中的结构和模式。

聚类分析在许多领域都有广泛的应用。

例如，在市场分析中，我们可以使用聚类分析来识别不同的消费者群体和他们的购买行为；在生物学研究中，我们可以使用聚类分析来研究基因表达模式和蛋白质结构等。

三、因子分析与聚类分析的联系虽然因子分析和聚类分析是两种不同的方法，但它们在某些方面也存在联系和相互影响。

首先，因子分析和聚类分析都是用于数据降维和数据理解的方法。

通过因子分析，我们可以将多个相关变量归纳为少数几个潜在因子，从而简化数据结构；通过聚类分析，我们可以将相似对象划分为若干个群组，从而减少数据的复杂性。

四川农业大学本科生毕业论文（设计）开题报告毕业论文（设计）题目四川省农村居民消费结构变动的因子分析和聚类分析选题类型应用型课题来源自选项目学院生命科学与理学院专业信息与计算科学指导教师丁体明职称教授姓名蒋旭年级2008级学号200860631、立题依据1.1 消费结构消费结构是指在一定的社会经济条件下人们在消费过程中消费的各种各样的消费数据的比例关系,它反映了人们消费的内容、水平和质量，同时也反映了人们消费需要的满足状况。

居民消费作为社会商品总消费的主体部分，具有持久性、稳定性和长期性的特点。

1.2 研究我省农村居民消费结构的必要性市场经济条件下，消费结构的合理化是实现资源有效配置，引导产业结构调整，创造新的需求，实现企业技术创新的重要条件。

进入20世纪90年代以来，我国宏观经济形势发生了重大变化，占全国总人口70％的农村居民的消费需求对国民经济的影响不断增大，农村市场的需求不足严重影响了经济结构调整的方向，力度、效果和企业生产经营活动。

农村居民消费结构与经济、社会发展是否协调已成为关系到是否能为中国发展提供高素质劳动力、保证经济持续快速发展和社会安定的重大问题。

我国国情决定了农业、农村、农民问题是社会主义初级阶段面临的一个最基本的问题，在今后相当长的一个时期内，这个问题仍将是影响我国改革和发展进程的关键，在某种程度上可以说，“农民很苦，农民很穷，农业很危险”是我国经济发展的最大障碍，也是全面建设小康要解决的核心内容。

近年来随着我国经济体制改革的深入和居民可支配收入的增加，居民消费行为发生了深刻的变化，社会生产力水平迅速提高，人民的生活水平也显著得到提高，消费质量和结构不断优化,相对于过去而言，居民对衣、食、住的消费需求已从追求数量转到追求质量，居民食品支出比重不断下降，而医疗保健、交通通讯、文教娱乐及服务支出比重不断增加。

而这些变化过程主要反映在消费结构上，居民消费结构不但能反映居民消费的具体内容，更能反映居民消费需求的满足情况，因此分析消费结构的变动及其成因对合理引导消费、促进经济的发展都有重要的意义。

中国各地区农村居民家庭人均现金支出指标的聚类分析摘要本文引入系统聚类分析，依照2020年上半年全国各地农村居民家庭人均现金支出指标，运用中间距离法对全国31个地区进行分类。

在此基础上，对我国农村居民消费结构的区域性变化进行分析，说明以后我国农村居民消费的区域差距将进一步减小，同时提出缩小这一差距和提高农村居民收入的合理性建议。

关键词农村居民消费水平人均现金支出指标系统聚类分析引言消费理论和需求理论是微观经济学理论体系中的重要组成部分。

在市场经济条件下，消费活动是经济活动的重点，一切经济活动的目的确实是为了满足人们日益增长的消费需求；然而另一方面，消费活动又是经济活动的起点，是拉动经济增长的动力。

需求对生产起着导向作用，在当前各地农村居民需求不足的情形下，关于农村居民的消费需求结构状况及其变动的研究具有总要的现实意义。

一、样本数据说明依照2020年上半年国家统计局抽样调查的31个地区农村居民家庭人均现金支出，将各地区家庭用于消费的人均现金支出的所有费用又分为10大类指标：期内现金支出指标、生产费用支出指标、家庭经营费用支出指标、农业生产支出指标、牧业生产支出指标、购买生产性固定资产支出指标、税费支出指标、生活消费现金支出指标、财产性支出指标、转移性支出指标〔见表1〕。

注：X1是期内现金支出指标，X2是生产费用支出指标，X3是家庭经营费用支出指标，X4是农业生产支出指标，X5是牧业生产支出指标，X6是购买生产性固定资产支出指标，X7是税费支出指标，X8是生活消费现金支出指标，X9是财产性支出指标，X10是转移性支出指标。

二、各地农村居民消费水平的聚类分析〔一〕聚类分析的差不多思想聚类分析的差不多思想是第一将每个样本当作一类，然后依照样本之间的相似程度并类，当运算新类于其他类之间的距离，在选择相近的并类，每合并一次减少一类，连续这一过程，直到所有样本被合并成一类为止。

因此，聚类分析依靠于对观测值的接近程度〔距离〕或相似程度，为此须定义距离。