中国城镇居民消费支出结构研究：基于2010年省际截面数据的因子分析

曾 光

(辽宁工程技术大学工商管理学院，辽宁葫芦岛 125105)

因国际金融危机持续深入影响，导致欧洲债务危机日益加剧，加之去年日本海啸严重破坏，当前世界经济正面临增长乏力、复苏动力不足的难题，特别是欧美等发达经济体，近年失业率长期居高不下，拉动世界经济增长的主要力量来自发展中国家及新兴经济体。据IMF预测，2012年全球经济的增速可能维持在4.5%左右，但全球经济增长依然存在较大的不确定性，对其前景并不看好［1］10。

对于中国来讲，因受全球金融危机冲击，对外出口规模急剧萎缩，政府将长期依赖出口拉动国内经济增长转向依靠内需拉动，特别是刺激国内居民消费需求为主的宏观经济政策。由于经济政策及时转向，推动了近年来宏观经济的平稳较快发展。据中国统计部门相关数据表明，2011年GDP总量超过47万亿元，同比增长9.2%。其中，最终消费对GDP增长的贡献率超过一半，达到51.6%，而社会消费品零售总额实际增长11.6%，这些都充分表明，中国新的宏观经济政策在刺激居民消费需求方面发挥了一定效应。近年来，如何进一步扩大内需，维持国内消费需求尤其是居民消费的稳定增长，长期以来受到国内学者的关注。

文章通过对国内消费文献研究，使用2010年全国城镇居民人均消费支出数据，利用因子分析工具来研究和发现城镇居民消费支出的结构性特征与区域性特征，以此为基础，力争为政府决策层在制定内需政策方面提供有益参考。

一、相关研究

消费研究的基础主要取决于总量和结构两个方面，对于消费结构的研究相对复杂，因为其涉及的变量较多，要处理的数据量较大(吴栋等［2］776－781)。近年来，随着多元统计工具的广泛应用，简化了数据处理过程，且得到的结论相对可靠。国内部分学者将其引入经济研究领域，如分别将主成分分析(王学民［3］64－69)、因子分析(孙 冰、王 其 元［4］545－547; 宁 自 军［5］11－14; 孙 艳玲［6］11－14;王芳、王景东［7］9－11;纪荣芳［8］273－276)、聚类分析(田萍、廖靖宇［9］18－21;庄燕君［10］77－79)和层次分析(申秋红［11］36－40)等统计工具应用于消费结构的研究就是典型案例。另外一些学者综合使用多种方法来对消费结构进行比较研究，以期用不同的方法来对研究结论进行比较分析，如柯健［12］36－39、葛虹与逄守艳［13］18－19将聚类分析与因子分析相结合讨论了城镇居民消费的结构变化，殷玲［14］10－12在协整检验的基础上，结合因子分析法考察了我国城镇消费者的行为模式;还有一部分学者，如孔祥利与马丽霞［15］64－69使用回归分析方法研究了部分地区居民消费支出结构，目的是讨论影响居民消费的主要诱因;廖上胜与王选华［16］44－48使用 Markov模型模拟了1980－2010年期间我国城乡居民消费的周期波动，在国内率先从动态视角考察了我国居民消费的周期特征。

已有的消费结构研究文献从方法上弥补了过去仅仅简单定量分析范式的不足，特别是将因子模型用于消费结构研究，这不但简化了变量处理的难度，而且比较科学地刻画了我国居民消费结构的变化趋势，为其他经济研究领域提供了经验借鉴。但是从学者们的研究过程来看，在方法的应用上还存在诸多不足，主要表现在:一是对因子分析模型的使用前提没有进行可行性检验。使用因子分析方法要具备严格的前提，即所选择的指标之间需要具有高度相关性，而这种相关程度可以通过两种方法进行检验，相关矩阵判断，或者使用KMO和Bartlett球形检验。二是在应用因子模型时不规范，特别是对公因子的经济内涵解释不清，从而无法使用公因子来科学分析消费结构变化趋势。本文与以往研究的不同之处在于:将因子分析法规范应用于我国城镇居民消费结构研究，特别是通过因子模型的检验结果，充分利用公因子的经济内涵来解释最新的消费结构和区域性特征。

二、研究设计

(一)研究方法

文章使用因子分析法来考察我国城镇居民的消费结构变化，其基本思想是，将影响城镇居民消费支出的八项指标综合为少数几个公共因子，并利用原始指标与公因子之间的关系来再现消费支出的结构特征。在具体处理上，以相关矩阵的内部关系研究为基础，找出影响居民消费结构的综合指标，这就是公共因子。公因子与原始指标之间的关系即构成如下因子模型:

其中，z1，z2，…，zp称为原始变量，F1，F2，…，Fm为公因子，ε1，ε2，…，εp是特殊因子，已经包含了随机误差项，εi仅与第 i个变量 zi有关，lij称为第i个原始变量zi在第j个因子Fj上的因子载荷，由其构成的矩阵L称为因子载荷矩阵。文章使用软件SPSS 19.0从四个方面开展因子分析:(1)构建原始指标矩阵Z，将其标准化为矩阵 Z'，并计算出相关系数矩阵 R;(2)求解相关系数矩阵的特征方程0，得到特征值 λi，按照 λ1＞λ2… ＞ λn＞0 的条件，以方差累计贡献率一般在85%以上为原则确定公因子的个数;(3)计算特征向量以及因子载荷，提取特征值大于1的因子作为进一步分析使用的公因子;(4)分别计算所提取的公因子得分和综合分数，以此为依据对31个地区进行分类比较。

(二)数据来源及指标选取

本文选用的样本数据来源于《中国统计年鉴2011》分地区城镇居民消费支出结构数据，共涉及31个地区、八项消费支出:食品(z1)、衣着(z2)、居住(z3)、家庭设备用品及服务(z4)、医疗保健(z5)、交通和通信(z6)、教育文化娱乐服务(z7)、其他商品和服务(z8)，因所有数据均是2010年度的截面数据，地区之间具有可比性，人均消费支出数据见表1。

表1 2010年中国各地区城镇居民家庭平均每人全年消费性支出 单位:元

据表1原始数据，本文对其进行描述性统计，以发现中国城镇居民消费支出的结构特征，并对这种特征进行深入研究，描述性统计结果见表2。

在表2中，从各项指标分布看，2010年中国城镇居民人均消费支出结构性差异显著，主要表现为人均支出项目的差异性、人均支出地区差异性两个层面。人均支出项目之间的结构性差异明显，比如31个地区人均食品支出达到4637.55元，属于8项指标中最高的，用于医疗保健和其他商品和服务的支出分别为843.00元和485.26元，在所有指标中相对较低，人均最高支出是最低支出的近10倍;从人均支出地区性差异看，各项指标的最大值与最小值的差异明显，倍数最小的是食品消费支出，人均支出最高的上海市约是人均支出最低的山西省的2.5倍;地区差距最大的是教育文化娱乐服务，人均教育文化娱乐服务支出最高的是上海，它是最低的西藏的近7倍，其他六项指标的差距都在3倍以上。这充分说明，中国城镇居民消费支出存在显著的结构性差异，对其展开深入研究具有一定的价值。

表2 2010年中国城镇居民人均消费支出描述性统计

三、研究过程

(一)因子提取过程

为了准确确定因子载荷，消除因原始变量的方差过大对其产生的影响，我们先对原始指标矩阵Z进行标准化处理，得到标准矩阵Z'(过程及结果略)，并求出标准化矩阵的相关系数矩阵R(过程及结果略)，并对其结果进行KMO检验和Bartlett球形检验，结果见表3。

按照Kaiser给出的使用KMO取值来选取原始指标作因子分析的判断标准，当KMO＞0.8，在Bartlett检验值中，sig.＜0.05 时，原始指标相关性较强，适合作因子分析。从文章的检验结果来看，2010年度我国城镇居民消费支出结构数据适合用于因子分析。也可以根据相关系数矩阵中的取值来判断。根据SPSS 19.0检验结果，2010年中国人均消费支出的相关系数矩阵中绝大多数系数值都在0.3以上，说明原始指标之间具有较强的相关性，适合用作因子分析，系数矩阵详见表4。

表3 我国城镇居民消费支出结构数据的KMO and Bartlett检验结果

表4 2010年中国人均消费支出相关系数矩阵

此外，还可以根据逆像显示的相关矩阵主对角线上元素的值来判断，相关元素值见表5。逆像显示的相关矩阵主对角线上的数值分别为0.859，0.733，0.861，0.880，0.785，0.862，0.903，0.909，这些数值相对于非对角线上的数值大得多，说明八项原始指标适合用于因子分析(戴魁早)［17］197－20。从得到的公因子共同方差来看，八个变量的方差均在0.8以上，说明原始变量所丢失的信息较少，几乎都包含在共同因子中，原始数据使用因子分析的效果较好。

表5 2010年中国人均消费支出逆像显示相关矩阵

根据相关系数矩阵R计算出特征值及对应的方差贡献率，其结果见表6。

表6 相关系数矩阵特征值与方差贡献率

依据表6，我们根据特征根λi≥1，且累积方差贡献率大于或等于85%的变量作为公因子，故特征根λ1和λ2符合要求，它们所对应的方差贡献率分别为72.286%和15.045%，二者累积方差贡献率达到87.331%，说明前两个公因子可以解释原始变量的信息量超过了87%，从8个公因子中提取前两个公因子是比较科学的，而公因子的碎石图如图1所示。

从图1来看，仅有前两个公因子的特征值大于1，从第三个公因子起，其特征值逐渐递减，选择前两个公因子来满足分析的需要。

(二)因子载荷分析

在提取公因子后，我们将确定变量在所提取公因子上的载荷。从最初公因子载荷来看，八个变量在第一个公因子(F1)上的载荷都很高，表明这些变量同第一个公因子高度相关;变量在第二个公因子(F2)上的载荷相对较小，如表7所示。

表7 变量在公因子上的初始载荷(旋转前)

一般情况下，要求所提取的公因子之间的相关性较低，或者不具有相关性，从而使公因子之间相互独立，这样才能对每个公共因子赋予清晰的含义。因此，我们对因子负荷矩阵进行最大方差正交旋转，因子负荷矩阵旋转后，可以使在一个公因子上的高载荷变量数量降到最低，从而增强了公因子的解释性。从表7来看，这两个公因子的实际含义比较模糊，无法对其进行清晰的命名，对公因子进行旋转后得到的矩阵如表8所示。

从表8来看，旋转后得到的因子负荷矩阵，公因子的含义比较明确，根据正交负荷矩阵中的高载荷分布特征，两个公因子的经济含义可以命名如表9。

表8 变量在公因子上的初始载荷(旋转后)

表9 公因子名称

从表9来看，食品、居住、家庭设备用品及服务、交通和通信、教育文化娱乐服务、其他商品和服务这六项指标在第一个公因子F1上的载荷很高，说明第一个公因子既反映了我国各地区居民一般生活必须品的消费支出，如食品、居住、家庭设备与服务、交通通信以及教育支出等，同时也反映了享受型的生活支出，如接受娱乐服务;衣着、医疗保健等指标在第二个公因子上的载荷很高，表明第二个公因子反映了气候型因子①，因为各地区的气候不同，将导致不同的消费支出，在相关研究中，有学者作过类似处理，如王学民(2002)，在对这一问题的进一步解释中，我们在后面对其进行了扩展。

(三)公因子得分计算

为了讨论消费支出的结构性特征，我们需要通过计算公因子的得分来对地区之间进行比较。公因子的得分系数矩阵如表10所示。

表10 公因子得分系数矩阵

根据表10给出的公因子系数，再结合原始变量标准化后的矩阵来计算两个公因子的得分，并根据公因子的得分结果来对地区之间进行比较分析，以便发现不同地区居民消费支出的结构性特征。因此，公因子得分函数为:

其中，SF1、SF2分别为全国31个地区在公因子F1、F2上的得分;z1* ～z8*是原始矩阵Z标准化后的数值。

为了进行综合比较，还需要将这两个公因子以各自的方差贡献率占累积方差贡献率的比重为权重来加权计算综合得分，综合得分函数为:SF=(72.286 SF1+15.045 SF2)/87.331，计算结果如表11所示。

(四)因子结果分析

表11分别按照两个公因子及综合得分进行排名，从结果来看，对第一个公因子来讲，东部地区的得分普遍较高，东北和中部地区得分一般，而西部地区较低;第二个公因子得分，北方地区普遍偏高，南方地区相对较低，这主要是受天气的影响，气候较为严寒的地区用于衣着、医疗保健方面的支出占消费支出总额的比重较高，而气候较为温和的南方地区则相反。我们将31个地区按照F1和F2的得分为标准作散点图，如图2、3所示。图2反映了一般生活支出占总支出的比重，图3反映了受气候影响的消费支出比重。

图2表明，上海、广东和北京用于一般生活性支出占总支出比重较高，而这个公因子包含了6项指标，占总消费支出的比重较大，可以反映各地区的综合性消费支出。因此，综合性消费支出占比较高的还有浙江、福建、天津和安徽。

表11 全国31个地区消费支出因子得分及排序

黑龙江在最下边，说明该地区的城镇居民综合性消费支出较低。如果按照F1得分的标准进行分类，可以将日常生活和享受娱乐的消费支出的地区分为三个集团。将F1得分在0以上的地区视为第一集团，共有10个地区，分别是上海、广东、北京、浙江、福建、天津、江苏、海南、广西和四川，在得分较高的地区中，除了广西和四川属于西部不发达地区以外，其他8个地区都是经济比较发达的东部沿海地区;将F1得分在－0.05～0之间的地区视为第二集团，也有10个地区，分别是湖南、江西、山东、安徽、重庆、辽宁、湖北、云南、贵州和内蒙古，位于这一集团的大部分地区都是中部地区，也有部分西部地区和少量的东部地区;将F1得分低于－0.05的地区视为第三集团，共有11个地区，分别是陕西、西藏、宁夏、河北、山西、河南、青海、吉林、新疆、甘肃和黑龙江，第三集团的特征是，大部分地区都属于经济发展相对落后的地区，其中西部和东北地区占主要部分，也有少部分中部地区。

从图3来看，内蒙古和北京最靠上边，说明这两个地区用于御寒的消费支出占总支出比重较高;海南省在最下边，受气候影响的消费支出占比较低。我们以公因子F2得分区间为标准来对消费地区进行分类，将F2得分大于0的地区列为第一集团，这些地区分别是内蒙古、北京、吉林、天津、辽宁、重庆、黑龙江、山东、河南、浙江、上海、陕西、宁夏、河北和新疆15个地区。从这些地区来看，由于受气候影响消费支出比重较高的地区绝大部分都是北方地区和西部气候寒冷地区，如用于购买衣服和医疗保健方面的支出占比较大。此外，这一集团中也有部分南方地区，如上海、浙江、重庆等，如果仅仅使用气候条件来解释这三个地区的消费支出，我们认为未必客观，因为三个地区一年中的气候相对来讲比较温和，但是在受气候影响的消费支出中，医疗保健是也变量之一;此外，部分衣着支出增加不一定是因为气候原因，而是地区时尚或者其他原因引起。因此我们认为部分南方地区主要因为时尚因素或医疗保健支出较多，从而导致该部分支出比重较大，而并不是为了御寒购买衣服的支出增加，这与王学明(2002)的解释存在一定的差异性。

我们以表11中综合因子得分为标准来将全国31个地区的消费支出进行分类。将综合因子F得分大于0的地区列为第一集团，分别是上海、广东、北京、浙江、天津、福建和江苏7个沿海经济发达地区;综合因子得分大于－0.05小于0的地区是第二集团，主要有15个地区，分别是内蒙古、重庆、四川、山东、辽宁、广西、湖南、海南、安徽、湖北、江西、陕西、宁夏、吉林和云南。在这综合消费支出的第二集团中，大部分地区都位于中部地区和西部地区，只有山东省来自东部地区;综合得分小于－0.05的地区有9个，这些地区是河南、贵州、河北、山西、西藏、新疆、黑龙江、青海和甘肃，消费综合支出落后的地区几乎都是经济水平不发达地区，这一集团的部分地区虽然由于受气候影响而增加消费支出的比重较大，但是用于一般生活消费、娱乐支出较少，从而导致综合消费支出费用较低。

四、结论与政策建议

本文使用因子分析技术研究了我国31个地区城镇居民消费支出的结构特征，得出以下结论:一是我国城镇居民消费支出的规模主要受地区经济发展水平和气候等两个因素影响。对于经济发展水平较高的沿海地区，用于一般生活支出、娱乐支出的比重较高;气候寒冷的北方地区，城镇居民用于衣着、医疗保健支出的比重较高。二是部分西部地区近年消费支出水平位居前列，如广西和四川两个地区的一般消费支出和娱乐支出占总消费支出的比重位于全国第一集团，而在综合消费支出中，除了四川和广西以外，还有内蒙古、重庆、陕西、宁夏和云南等地区近年的消费支出较高，高于大部分中部地区。三是个别地区消费支出的特殊性，比如，在讨论受气候影响的地区中，衣着和医疗支出受到影响最大的15个地区中，有12个地区都属于北方，还有上海、浙江和重庆三个南方地区。因此，衣着支出增加在个别地区也并不一定就是气候原因，还可能是时尚等元素导致。

因此，我国政府在制定刺激内需的消费政策时，要针对不同地区的特征“有的放矢”出台相关政策。对于经济发达地区，在刺激一般性消费支出时，还要为当地居民提供较多的文化、休闲、娱乐等特殊性消费品，进一步扩大发达地区的消费规模;对于西部地区而言，可以通过减少消费税收的形式刺激一般消费需求，以此进一步提高经济落后地区城镇居民的消费水平;对于上海、北京、重庆以及经济发达的其他地区，由于具有较强的时尚消费需求意愿，政府可以有重点地引导具有地方特色的时尚产业发展来刺激当地的消费需求。

［1］World Economic Forum.The Global Competitiveness Report(2011－2012).

［2］吴栋，李乐夫，李阳子.近年居民消费结构统计分析的研究综述——关于因子分析和聚类分析的应用［J］.数理统计与管理，2007，(9).

［3］王学民.我国各地区城镇居民消费性支出的分析研究［J］.财经研究，2002，(1).

［4］孙冰，王其元.我国居民家庭消费支出结构的对比分析［J］.哈尔滨工业大学学报，2002，(8).

［5］宁自军.因子分析在居民消费结构的变动分析中的应用［J］.数理统计与管理，2004，(11).

［6］孙艳玲.我国农村居民生活消费实证研究［J］.农村经济，2003，(12).

［7］王芳，王景东.我国城镇消费结构的因子分析［J］.商业研究，2004，(21).

［8］纪荣芳.城市居民消费结构的因子分析模型及应用［J］.山东农业大学学报(自然科学版)，2007，(2).

［9］田萍，廖靖宇.河南省城市居民消费结构比较研究［J］.数理统计与管理，2003，(5).

［10］庄燕君.区域产业结构与消费结构关联分析［J］.统计与决策，2005，(1).

［11］申秋红.基于层次分析法的农村居民消费结构研究［J］.财贸研究，2007，(5).

［12］柯健.中国各地区城镇居民消费结构比较研究［J］.经济问题探索，2004，(10).

［13］葛虹，逄守艳.我国城镇居民消费实证分析［J］.中国统计，2003，(3).

［14］殷玲.我国居民消费行为的实证分析［J］.商业研究，2004，(20).

［15］孔祥利，马丽霞.基于面板数据的陕西省农村居民消费结构分析［J］.统计与信息论坛，2011，(10).

［16］廖上胜，王选华.基于Markov模型的居民消费周期波动研究［J］.兰州学刊，2012，(1).

［17］戴魁早.因子分析在我国钢铁业市场绩效分析中的应用［J］.数理统计与管理，2008，(3).