下载文档原格式
Spss对民航客运量的多元回归分析：1.首先方法选择：进入法。
然后分析相关性表格：国民收入，消费额，民航航线里程，来华旅游人数都与民航客运量高度相关，而铁路客运量和民航客运量的相关性较低。
通过观察调整后的判定系数为0.994，拟合优度较高，不被解释的变量较少。
回归方程的显著性小于0.05，说明被解释变量与解释变量的线性关系是显著的。
可以建立线性方程。
在显著性系数中，铁路客运量的sig 大于0.05，所以是不显著的，说明自变量铁路客运量对因变量的影响是不明显的，应该移除该变量。
回归方程：ˆY =-195.945+0.519X 1-0.771X 2+0.001X 3+15.983X 4+0.344X 52.方法选择：后退法。
然后分析相关性表格：由表可以看出：除了铁路客运量的相关性较低外，其余变量的相关性都较高。
采用后退法后，调整变量更高，拟合优度更高。
回归方程的显著性为0，认为被解释变量和解释的变量线性关系是显著的，可以建立线性方程。
在剔除变量铁路客运量后，剩余变量的sig 都变得更小，显著性更显著。
回归方程为：ˆY =-153.930+0.509X 1-0.754X 2+15.980X 4+0.347X 53.方法选择：逐步回归法。
然后分析相关性表格：铁路客运量相关性较低，其他变量相关性都较高。
采用逐步法后，调整值很高，拟合优度很高。
说明可以用该模型预测。
sig 值小于0.05，说明显著性很高。
采用逐步回归法后，变量得显著性很高。
变量为国民收入和民航航线里程。
回归方程为：ˆY =-299.004+0.083X 1+17.316X 4。
我国民航客运量影响因素分析及建模预测在我国的民航业发展中，客运量一直是一个非常关键的指标。
因为随着社会经济的不断发展，民航客运量的增长需要充分考虑各种影响因素，从而制定出符合实际的发展策略。
本文将分析我国民航客运量的主要影响因素，并建立相应的预测模型，以期为我国民航业的可持续发展提供参考。
一、民航客运量影响因素分析1.宏观经济因素宏观经济因素是影响民航客运量的主要因素之一。
随着经济的不断增长，人民生活水平的提高以及旅游行业的发展，民航客运量也会相应增长。
此外，宏观经济、货币和财政等也会对民航客运量产生一定影响。
2.航空公司和航班因素航空公司的管理、经营和市场推广等因素都会直接影响到民航客运量的增长。
航班数量、航线网络、航班时刻的选择等也会对客运量产生影响。
航班的准点率、航班的服务质量等也是影响客运量的因素之一。
3.旅游业发展随着旅游业的发展和国际旅游的兴起，民航客运量也会相应增长。
旅游业的繁荣将引起人们的出游热情，提高机票需求量。
4.城市规划和交通发展城市规划和交通发展也是影响民航客运量的因素之一。
城市的繁荣和发展将带动航空客运的需求量，而交通工具密集度高的地区机场的使用率也会相应较高。
二、建模预测为了预测我国民航客运量的发展趋势，我们可以通过建立回归模型或时间序列模型来进行预测。
1.回归模型回归模型是一种基于相关分析的建模方法，可以通过分析各个影响因素对民航客运量的影响程度，建立预测模型。
例如，通过多元线性回归分析，可以得出民航客运量与宏观经济因素、旅游业发展和城市规划等因素的相关系数。
2.时间序列模型时间序列模型是一种基于历史数据的建模方法，可以将历史数据分析后得出的规律应用于未来的预测中。
例如，通过ARIMA模型或Holt-Winter模型等时间序列模型，可以预测出未来几年民航客运量的变化趋势。
三、结论综上所述，我国民航客运量的增长需要考虑各种影响因素，从而制定出符合实际的发展策略。
宏观经济因素、航空公司和航班因素、旅游业发展和城市规划和交通发展等都是影响民航客运量的主要因素。
航空旅客流量预测模型及应用研究随着全球经济的快速发展和人民生活水平的提高，航空旅客运输需求不断增长。
在这个背景下，航空公司和机场管理者迫切需要准确预测旅客流量，以优化资源配置和增加运营效率。
因此，航空旅客流量预测模型及应用研究成为一个重要的课题。
航空旅客流量预测模型是一种基于数学统计和机器学习方法的模型，主要用于分析航空旅客的需求，并根据历史数据和各种影响因素进行预测。
这些影响因素可能包括季节性变化、节假日、经济因素、航空公司宣传力度、机票价格等。
预测结果可以为航空公司和机场管理者提供重要决策支持，例如，制定飞行计划、调配机组人员和优化机场服务。
航空旅客流量预测模型的研究可以分为两个阶段：建模和预测。
在建模阶段，首先需要收集历史数据，包括航空旅客出行数量、时间、地点等信息。
然后，可以使用各种数学统计方法，例如回归分析、时间序列分析等，来探索历史数据中的规律和趋势。
此外，还可以通过数据挖掘和机器学习算法，如神经网络、支持向量机等，构建预测模型。
在预测阶段，根据历史数据和影响因素，利用建立的模型进行旅客流量预测，并提供预测结果和可视化展示。
航空旅客流量预测模型的应用可以涵盖多个领域。
首先，航空公司可以利用预测模型来制定航班计划和定价策略。
航空旅客流量的准确预测可以帮助航空公司合理安排航班数量和起降时间，以满足旅客需求，减少空座率，并提高运营效率。
其次，机场管理者可以通过预测模型来优化资源配置和服务布局。
准确预测旅客流量可以帮助机场管理者调配安检人员、登机口和航站楼等，提高旅客通行效率，并提升旅客体验。
此外，政府部门也可以利用预测模型来制定相应政策，例如，加大投资机场基础设施建设、推动航空业发展等。
当然，航空旅客流量预测模型的研究也面临一些挑战和限制。
首先，航空旅客流量受多种因素影响，包括天气、航空安全局势、地缘政治等。
这些因素的变动往往难以预测和量化，因此会给预测模型的准确性带来一定挑战。
其次，数据的可靠性和获取方式也是一个问题。
航空客流预测是航空公司和机场管理部门的重要工作之一。
通过对未来客流量的合理预测，可以更好地安排飞机的航线和座位，提高运营效率，减少资源浪费。
逻辑回归模型是一种常用的客流预测方法，它可以通过对历史数据的分析和建模，来预测未来客流的情况。
本文将探讨如何使用逻辑回归模型进行航空客流预测。
1. 数据收集与准备在使用逻辑回归模型进行航空客流预测之前，首先需要进行数据的收集和准备工作。
这包括收集历史客流数据、航班信息、机场情况等相关数据，并进行数据清洗和处理。
在数据清洗过程中，需要处理缺失数据、异常值和重复数据，以保证数据的质量和准确性。
同时，还需要对数据进行特征选择和转换，以便适应逻辑回归模型的要求。
2. 模型建立与训练在数据准备工作完成后，接下来就是建立逻辑回归模型并进行训练。
逻辑回归模型是一种广义线性模型，它可以用来预测二分类或多分类问题。
在航空客流预测中，通常将客流量划分为高、中、低三个等级，然后使用逻辑回归模型来预测客流量所属的等级。
在模型建立过程中，需要将数据集分为训练集和测试集，然后使用训练集数据来训练模型，并使用测试集数据来评估模型的性能。
3. 模型评估与优化在模型训练完成后，需要对模型进行评估和优化，以确保模型的预测性能达到要求。
评估模型的常用指标包括准确率、精确率、召回率和F1值等，这些指标可以帮助我们判断模型的预测效果。
如果模型的性能不理想，可以尝试调整模型的参数或者使用特征工程的方法来优化模型。
4. 模型应用与预测经过评估和优化后，逻辑回归模型就可以用来进行航空客流预测了。
在预测过程中，需要将实时的航班信息和机场情况输入到模型中，然后模型会根据历史数据和建立的模型来预测未来客流量的情况。
预测结果可以帮助航空公司和机场管理部门做出合理的决策，提高运营效率和服务质量。
5. 模型监控与更新最后，建立好的逻辑回归模型需要进行监控和更新，以适应不断变化的客流情况。
在模型应用的过程中，需要不断收集新的数据并更新模型，以确保模型的预测性能始终保持在一个较高的水平。
影响民航客运量的相关因素分析影响民航客运量的相关因素分析摘要：民航客运量受到很多因素的影响，本⽂选取了国民收⼊、铁路客运量、民航⾥程数与来华旅游⼊境⼈数四个具有代表性的指标，通过运⽤线性回归的⽅法来对这些影响因素进⾏相关的定量分析，并建⽴相关模型。
试图为我国的民航业的发展提供⼀些有参考价值的预测和信息。
关键词：民航客运量、影响因素、线性回归、定量分析⼀、航空业现状与影响因素分析航空运输作为现代化运输⽅式，其发展程度直接能反映⼀个国家的经济⽔平。
我国航空业发展起步较晚，最近⼏年虽然发展⾮常迅速，但是和国际上的航空公司相⽐还是有很⼤差距，⽽随着改⾰开放的进⼀步加深，民航业要⾯临更多的激烈竞争。
因此，加强对民航业的重视与研究，提⾼民航业的改⾰和发展，可以有效提升民航业的竞争⼒。
（⼀）民航客运量的现状分析近年来，我国的民航业发展迅速，在起步的近20年的时间⾥，平均增长速度在年15%左右，最近两年增速加快。
但是相对于国内航线的迅猛发展，国际航线却很疲软。
进⼊21世纪以来，我国航空业开始采⽤统⼀的标准，2002年实⾏政企分离以来，我国航空运输量呈现明显的增长趋势。
（⼆）民航客运量影响因素分析影响民航客运量的因素有很多，综合有关学者和该领域的专家的观点和意见，我们得出有着最直接影响的是国民收⼊、铁路客运量、民航⾥程数与来华旅游⼊境⼈数四个指标。
国民收⼊是⼀个国家整体经济的直接反映，⽽航空业在本国的发展更是与经济的好坏息息相关；铁路客运作为我国客运最为重要的运输，会和航空业形成⼀定的竞争；民航⾥程数反映了⾏业的发展⽔平，最后⼊境旅游⼈数也是与航空客运量有直接关联。
⼆、数据来源与分析本⽂主要以中国统计年鉴2002-2012历年的数据作为数据来源，从中采集了国民收⼊、铁路客运量、民航⾥程数与来华旅游⼊境⼈数历年的数据，如下图⼀：数据分析：以年份为横轴，作出四个解释变量和被解释变量的⾛势图。
为了避免异⽅差，这⾥我们对原始数据去⾃然对数处理。
回归分析论文题目:中国民航客运量的回归模型我国民航客运量的变化趋势及其成因摘要改革开放以来,中国的经济飞速发展，人民的生活水平也发生了很大的变化；民航一直是交通运输中的一种不可少的方式，一定程度上也反映了人民的生活水平的提高，为了对民航客运量做出准确地评估和预测,本文利用多元线性回归分析方法研究我国民航客运量的变化趋势及其成因，数据来自《中国统计年鉴》（1981—2010年民航客运量）,利用spss软件对数据进行处理和分析.关键词多元线性回归分析、回归方程、显著性检验、相关性、民航客运量一、模型的建立与分析(一)研究我国1981年至2010年民航客运量与各影响因素之间的关系1)数据来源：《中国统计年鉴》（1981—2010年民航客运量）如下表1表1.我国民航客运量与影响因素2）研究方法：建立y 与自变量53412,,,,x x x x x 的多元线性回归模型如下：10122334455y=+ββχ+βχ+βχ+βχ+βχ+ε其中 E(ε)=0 var （ε）=2σ3)实证分析：（1）对收集数据作相关分析，用spss 软件计算增广相关矩阵，输出结果如下表2.相关性从相关矩阵看出，y 与1x ,2x ,4x ,5x 的相关系数都在0.9以上，说明所选自变量与y 高度线性相关的，用y 与自变量做多元线性回归是合适的。
y 与3x 的相关系数3y r =0.809，p 值=0，这说明铁路客运量对民航客运量影响较弱。
一般认为铁路客运量与民航客运量之间呈负相关，铁路与民航共同拥有旅客，乘了火车就乘 不了飞机。
但就中国的实际情况分析我国居民收入普遍不高,一般外出、旅游乘火车的比较多，而且随着我国铁路建设越来越普遍，乘坐火车外出的人也越来y 民航客运总量（万人） x1GDP（万元）x2居民消费（万元） x3铁路客运量（千人）x4民航航线里程（万公里） x5来华旅游入境人数（万人） Pearson 相关性y 民航客运总量（万人） 1.000 .996 .994 .809 .936 .932 x1GDP （万元） .996 1.000 .995 .820 .929 .922 x2居民消费（万元） .994 .995 1.000 .784 .950 .937 x3铁路客运量（千人） .809 .820 .784 1.000 .597 .622 x4民航航线里程（万公里） .936 .929 .950 .597 1.000 .978 x5来华旅游入境人数（万人）.932 .922 .937 .622 .978 1.000 Sig. （单侧）y 民航客运总量（万人） . .000 .000 .000 .000 .000 x1GDP （万元） .000 . .000 .000 .000 .000 x2居民消费（万元） .000 .000 . .000 .000 .000 x3铁路客运量（千人） .000 .000 .000 . .000 .000 x4民航航线里程（万公里） .000 .000 .000 .000 . .000 x5来华旅游入境人数（万人）.000.000.000.000.000.愈多。
2011—2012学年第二学期《数据分析》期末论文题目我国民航客运量的变化趋势及其成因姓名杨艳学号20091021202系（院）数学系专业数学与应用数学2012年6 月27日我国民航客运量的变化趋势及其成因摘要:随着经济的发展，人民的生活水平也发生了很大的变化；经济的发展带动了人民消费观念的改变。
民航一直是交通运输中的一种不可少的方式，一定程度上也反映了人民的生活水平的提高，此题主要研究我国民航客运量的变化趋势及其成因,数据来源于《1994年统计摘要》，利用Eviews软件拟合数据，主要是根据线性回归和非线性回归的知识分析利用软件得出的结果。
关键词：（非）线性回归、相关性、最小二乘估计、逐步回归一、前言伴随着经济的发展，人们的生活水平也随之增加了，同时带来了消费水平和消费观念的改变；与此同时也促进了经济的增加.为了研究我国民航客运量的变化趋势及其成因,我们以民航客运量作为因变量y ，以国民收入、消费额、铁路客运量、民航航线里程、来华旅游入境人数为影响民航客运量的主要因素。
利用Eviews 软件通过建立回归模型分析我国民航客运量主要受到哪些因素的影响，通过回归模型的建立反映我国经济水平的发生的变化，在此也可以了解到我国居民的消费观念和消费水平。
二、预备知识2。
1多元线性回归模型2。
1。
1多元回归模型定义：根据多个自变量的最优组合建立回归方程来预测因变量的回归分析称为多元回归分析.多元线性回归分析的模型为：εββββ+++++=p p x x x y (22110)其中：p 为解释变量的数目,0β为回归常数，p βββ,...,,10称为回归参数（regression coefficient),ε为随机变量。
回归估计估计方程为:p p x b x b x b b y ++++=∧ (22110)其中：∧y 为根据所有自变量计算出的估计值。
0b 为常数项，p b b b ..,,21称为y 对应于p x x x ...,,21的偏回归系数估计。
题目我国各阶段民航客运量的回归分析模型学生姓名张栋栋学号 ********** 所在学院数学与计算机科学学院专业班级数应1101班指导教师李晓康 __ ____完成地点陕西理工学院 ___2015年5月10日我国各阶段的民航客运量的回归分析模型张栋栋(陕西理工学院数学与计算机科学学院数学与应用数学2011级数应1班,陕西 汉中 723000)指导教师:李晓康[摘 要] 为了研究我国民航客运量的变化规律及其原因，通过对我国部分年份民航客运量数据进行统计和收集，运用多元线性回归分析的方法并建立相关模型，找出影响我国民航客运量的主要因素，并对模型进行评价分析，为以后我国民航发展提供科学依据。
[关键词] 民航客运量 回归分析 相关性 阶段1.引言民航业作为科技型新兴产业，在我国众多行业中占有重要以及特殊的地位.伴随着整个国民经济的发展而不断发展壮大，民航产业作为国民经济的重要行业，同时作为民用相对先进方便的交通运输方式，是我国运输行业中必不可少的一部分,它的发展程度深刻反映了一个国家的经济水平,也对我国贸易和旅游业有着巨大的贡献,也越来越受到国家的重视[8]。
我国航空业起步较晚，但发展速度较快，民用航空业伴随着经济的增长也不断迅猛壮大，运输能力显著增强，据工信部提出到2020年民用飞机年产收入将超过1000亿元，然而面对难得的机遇，要求航空企业制定合理的决策，促进民航企业进行更好地进行收益管理。
目前国内很多学者的研究范围包括对我国民航空间格局与竞争态势的研究，对我国民航客运价格定价机制与制改革的探讨，以及运用各种共统计方法对民航客运需求的研究。
本文在一定的数据分析上，针对一定的时间段我国民航客运量的部分影响因素：国内生产总值、居民消费、铁路客运量、民航航线历程、来华旅游人数，并分两个时间段对我国民航客运量的变化趋势及成因做出了研究，运用多元回归分析的方法对后续民航客运分析与预测打下基础，并且对每个建立的模型进行了对比，得到一个最好的关于我国民航客运量的回归模型，根据模型对我国目前民航运输业发展中面临的问题提出有效建议，提高我国民航的市场竞争力，最后对全文进行评价及总结。
2.多元线性回归模型的基本理论一元线性回归分析是在排除其他影响因素或假定其他影响因素确定的条件下，分析某一个因素（自变量）是如何影响另一事物（因变量）的过程，所进行的分析是比较理想化的。
其实，在现实社会生活中，任何一个事物（因变量）总是受到其他多种事物（多个自变量）的影响。
因此，在许多场合，仅仅考虑单个变量是不够的，还需要就一个因变量与多个自变量的联系来进行考察，才能获得比较满意的结果。
这就产生了测定多因素之间相关关系的问题。
研究在线性相关条件下，两个或两个以上自变量对一个因变量的数量变化关系，称为多元线性回归分析，表现这一数量关系的数学公式，称为多元线性回归模型。
多元线性回归模型是一元线性回归模型的扩展，其基本原理与一元线性回归模型类似，只是在计算上更为复杂，一般需借助计算机来完成。
2.1 多元线性回归模型的一般形式设随机变量y 与一般变量p x x x x ,,,321的线性回归模型为εββββββ+++++++=--p p p p x x x x x y 113322110(2.1)其中2~(0,)N εσ，p ββββ ,,,210为回归系数，对y 和p x x x x ,,,321分别进行n 次独立观测，取得n 组数据(本))n ,3,2,1(,,,,121 =-i x x x y ip i i i则有：1011121211112012122212120112211p p p p n n p np ny x x x y x x x y x x x ββββεββββεββββε------=+++++⎧⎪=+++++⎪⎨⎪⎪=+++++⎩（2.2）将其写成矩阵形式为εβ+=x y 2~(0,)n N I εσ (2.3)其中n εεεε ,,,321相互独立，且服从2(0,)N σ分布。
令⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎣⎡=n y y y Y ..21 ， ⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎣⎡=-121..p ββββ ,⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎣⎡=-121..p εεεε(2.4)1112112122211211..1..............1..p p n n np x x x x x x x x x x ---⎡⎤⎢⎥⎢⎥⎢⎥=⎢⎥⎢⎥⎢⎥⎣⎦(2.5) 矩阵x 是一)1(*+p n 矩阵，称x为回归设计矩阵或试验矩阵。
在实验设计中，x的元是预先设定并且可以控制的，人的主观因素可作用于其中，因而也称x矩阵为设计矩阵。
2.2 线性回归模型的参数估计2.2.1模型参数β的最小二乘法估计与误差方差2σ的估计β的最小二乘法估计即选择β使误差项的平方和为最小值, 这时β的值ˆβ作为β的点估计。
)()()(ββεεβx y x y s T T--== (2.6)为了求β，由（6）式将)(βs 对β求导，并令其为零，得()[()()]0T ds d y x y x d d βββββ--==[()]0T T T T T T d y y x y y x x x d βββββ--+= (2.7)由（7）式可解出ˆβ，即1ˆ()()T T x x x y β-= (2.8) 对残差向量ε， 1ˆˆˆ[()]T T y yy x I x x x x y εβ-=-=-=- (2.9)则残差平方和为： 1ˆˆˆˆ[()]TT T T T T T I x x x x y y y x y εεεβ-=-=- 又因为βx y E =)(,因此 2ˆˆ()()TE n p εεσ=-，21ˆˆ()T n pσεε=- (2.10) 关于多元线性回归模型中样本容量的问题： （1）最小样本容量在多元线性回归模型中，样本容量必须不少于模型中解释变量的数目（包括常数项），这就是最小样本容量，即：1+≥k n 。
（2）满足基本要求的样本容量一般经验认为，当30≥n 或者至少)1(3+≥k n 时，才能说满足模型估计的基本要求[1]。
2.3 回归方程的检验2.3.1回归方程的显著性检验（ F 检验）F 检验即回归方程的显著性检验，是对模型中被解释变量与解释变量之间的线性关系在总体上是否显著性成立做出推断。
为了建立对0H 进行检验的F 统计量，利用总离差平方和的分解式，即2221111ˆˆ()()(),nnni i i i i i y y y y y y ===-=-+-∑∑∑简写为SST SSR SSE =+ (2.11)~(,1)(1)SSR mF F m n m SSE n m =---- ,22ˆˆ(),()i i i SSE y ySSR y y =-=-∑∑ 其中m 为自变量个数，n 为数据个数。
F 服从)1,(--m n m F 分布取显著性水平为α,可以从F 分布表中查出相应的自由度。
若)1,(--≤m n m F F a ，接受原假设； 若)1,(-->m n m F F a ，则接受备选假设。
如果(,1)a F F m n m >--,表明回归模型显著，可从用于预测。
反之，(,1)a F F m n m ≤--,则认为回归方程不显著，即回归模型不能用于预测。
2.3.2 回归系数的显著性检验显然，如果某个自变量j x 对y 的作用不显著，那么在回归模型中，它的系数j β就取值为零。
因此，检验变量j x 是否显著，相当于检验假设p j H j j,,2,1,0:0 ==β记作p j i c X X ij T ,,2,1,0,),()(1==- 于是有2ˆˆ(),var()j j j jj E c βββσ== 据此可以构造t 统计量ˆj t β=(2.12)其中ˆσ==是回归标准差。
因此，当/2jt tα≥时，拒绝原假设:0j jHβ=，此时自变量jx对因变量y的线性效果就显著；当/2jt tα<时，接受原假设:0j jHβ=，此时自变量jx对因变量y的线性效果就不显著；2.3.3回归方程拟合度检验（R检验）R检验也就是拟合优度，拟合优度用于描述回归方程对样本观测值的拟合程度。
222112211ˆˆ()()1()()n ni i ii in ni ii iy y y yRy y y y====--==---∑∑∑∑(2.13)R==R是复相关系数，用于测定回归模型的拟合优度，R越大，说明Y与121,,-pxxx 的线性关系越显著，iY-为iY的平均值,这里R取值范围为10≤<R。
3.1981-2010年我国民航客运量整体回归分析通过以上对回归模型的了解，我们可以收集相关数据，分析我国民航客运量与以其影响因素之间的关系。
以民航客运量作为因变量y，以国民产总值x1（万元），居民消费额x2（万元），铁路客运量x3（万人），民航航线里程x4 （万公里），到华旅游人数x5（万人）作为影响民航客运量的主要因素。
表3.1 我国1981-2010年民航客运量人数及其相关因素数据年份y民航客运总量（万人）x1GDP（万元）x2居民消费（万元）x3铁路客运量（万人）x4民航航线里程（万公里）x5来华旅游入境人数（万人）1981 401 4891.6 2627.9 95300 21.83 776.711982 445 5323.4 2902 99922 23.27 792.431983 391 5962.7 3231.1 106044 22.91 947.71984 554 7208.1 3742 110353 26.02 1285.221985 744 9016 4687.4 112110 27.72 1783.31986 997 10275.2 5302.1 108579 32.43 2281.951987 1310 12058.6 6126.1 112429 38.91 2690.231988 1442 15042.8 7868.1 122645 37.38 3169.481989 1283 16992.3 8812.6 113807 47.19 2450.141990 1660 18667.8 9450.9 95712 50.68 2746.2 1991 2178 21781.5 10730.6 95080 55.91 3335.65 1992 2886 26923.5 13000.1 99693 83.66 3811.5 1993 3383 35333.9 16412.1 105458 96.08 4152.7 1994 4039 48197.9 21844.2 108738 104.56 4368.4 1995 5117 60793.7 28369.7 102745 112.9 4638.65 1996 5555 71176.6 33955.9 94797 116.65 5112.75 1997 5630 78973 36921.5 93308 142.5 5758.79 1998 5755 84402.3 39229.3 95085 150.58 6347.84 1999 6094 89677.1 41920.4 100164 152.22 7279.56 2000 6722 99214.6 45854.6 105073 150.29 8344.39 2001 7524 109655.2 49435.9 105155 155.36 8901.29 2002 8594 120332.7 53056.6 105606 163.77 9790.83 2003 8759 135822.8 57649.8 97260 174.95 9166.21 2004 12123 159878.3 65218.5 111764 204.94 10903.82 2005 13827 184937.4 72652.5 115583 199.85 12029.23 2006 15968 216314.4 82103.5 125656 211.35 12494.21 2007 18576 265810.3 95609.8 135670 234.3 13187.33 2008 19251 314045.4 110594.5 146193 246.18 13002.74 2009 23052 340506.9 121129.9 152451 234.51 12647.59 2010 26843 397983 154554.1 168145 276.5 13182.34（数据来自2011年中国统计年鉴）3.1对收集的数据用SPSS进行相关性分析表3.2 相关性by民航客运总量（万人）x1GDP（万元）x2居民消费（万元）x3铁路客运量（万人）x4民航航线里程（万公里）x5来华旅游入境人数（万人）y民航客运总量（万人）Pearson 相关性1 .996**.994**.809**.936**.932**显著性（单侧）.000 .000 .000 .000 .000x1GDP（万元）Pearson 相关性.996** 1 .995**.820**.929**.922**显著性（单侧）.000 .000 .000 .000 .000x2居民消费（万元）Pearson 相关性.994**.995** 1 .784**.950**.937**显著性（单侧）.000 .000 .000 .000 .000x3铁路客运量（千人）Pearson 相关性.809**.820**.784** 1 .597**.622**显著性（单侧）.000 .000 .000 .000 .000x4民航航线里程（万公里）Pearson 相关性.936**.929**.950**.597** 1 .978**显著性（单侧）.000 .000 .000 .000 .000x5来华旅游入境人数（万人） Pearson 相关性 .932** .922** .937** .622** .978** 1 显著性（单侧）.000.000.000.000.000**. 在 .01 水平（单侧）上显著相关。
