犯罪率影响因素的线性回归分析
多元线性回归的原理和应用
多元线性回归的原理和应用1. 原理介绍多元线性回归是一种统计分析方法，用于研究多个自变量与一个因变量之间的关系。
它是线性回归分析的一种拓展，可以同时考虑多个自变量对因变量的影响。
多元线性回归的基本原理可以通过以下公式表示：**Y = β0 + β1X1 + β2X2 + … + βn*Xn + ε**其中，Y表示因变量，X1、X2、…、Xn表示自变量，β0、β1、β2、…、βn表示自变量的系数，ε表示误差项。
多元线性回归通过最小二乘法来估计自变量的系数，使得预测值与实际观测值之间的平方误差最小化。
通过最小二乘法的计算，可以得到自变量的系数估计值，进而可以进行预测和解释因变量的变化。
2. 应用领域多元线性回归在各个领域都有广泛的应用，以下列举了一些常见的应用领域：2.1 经济学多元线性回归在经济学中是一个重要的工具，可以用于研究不同变量对经济发展的影响。
例如，可以通过多元线性回归来分析GDP增长率与投资、消费、出口等变量之间的关系，并进一步预测未来的经济发展趋势。
2.2 市场营销在市场营销领域，多元线性回归可以用于研究市场需求的影响因素。
通过分析不同的市场变量（如产品价格、广告投入、竞争对手的行为等），可以预测市场需求的变化，并制定相应的营销策略。
2.3 医学研究多元线性回归在医学研究中也有广泛的应用。
例如，可以使用多元线性回归来研究不同的遗传、环境和生活方式因素对人体健康的影响。
通过分析这些因素，可以预测患病风险并制定相应的预防措施。
2.4 社会科学多元线性回归在社会科学领域中被广泛应用，用于研究各种社会现象。
例如，可以使用多元线性回归来研究教育、收入、职业等因素对犯罪率的影响，并进一步分析这些因素的相互关系。
2.5 工程与科学研究多元线性回归在工程和科学研究中也有一定的应用。
例如，在工程领域中可以使用多元线性回归来研究不同因素对产品质量的影响，并优化生产过程。
在科学研究中，多元线性回归可以用于分析实验数据，探索不同变量之间的关系。
回归分析的基本概念与应用
回归分析的基本概念与应用回归分析是一种常用的统计方法，用于研究两个或多个变量之间的关系。
它通过建立一个数学模型来描述因变量与自变量之间的关系，并利用样本数据对模型进行估计和推断。
回归分析可以帮助我们理解变量之间的影响关系，预测未来的观测值，以及对因素的调控进行优化。
本文将介绍回归分析的基本概念和应用，以帮助读者更好地理解和运用这一方法。
一、简介回归分析是统计学中的一种常用方法，它通过建立数学模型来描述因变量与自变量之间的关系。
因变量是研究者感兴趣的变量，也是我们希望解释和预测的主要对象；自变量是可能对因变量产生影响的变量，也是我们用来解释因变量的主要因素。
回归分析的目标是确定这种关系，并利用样本数据对模型进行估计和推断。
二、回归方程与模型在回归分析中，我们通常采用线性回归模型来描述因变量与自变量之间的关系。
线性回归模型可以表示为：Y = β0 + β1X1 + β2X2 + ... + βkXk + ε其中，Y表示因变量，X1、X2、...、Xk表示自变量，β0、β1、β2、...、βk表示回归系数，ε表示误差项。
回归方程将自变量的线性组合与因变量建立起联系，并通过回归系数来度量自变量对因变量的影响。
三、回归分析的基本步骤1. 数据收集：收集自变量和因变量的样本数据，确保数据的准确性和完整性。
2. 模型设定：根据研究目的和理论背景，选择适当的自变量，并设定回归模型的形式。
3. 模型估计：利用样本数据，通过最小二乘法或最大似然法等方法，估计回归模型的参数。
4. 模型检验：对估计的回归模型进行显著性检验，判断模型是否能够较好地拟合样本数据。
5. 模型诊断：对回归模型的残差进行分析，检验模型的假设条件是否满足。
6. 模型应用：利用已建立的回归模型进行因变量的预测和自变量的优化。
四、回归分析的应用领域回归分析在各个学科领域都有广泛的应用，以下是几个常见领域的具体应用举例：1. 经济学：回归分析被广泛用于经济学领域，用于解释经济变量之间的关系，如GDP与消费支出、利率与投资之间的关系等。
回归分析方法
回归分析方法回归分析是一种用来了解和预测两个或多个变量之间关系的统计方法。
它是统计学中常用的一种分析方法，可以帮助我们了解自变量与因变量之间的关系，并进行相关性和预测分析。
在本篇文章中，将介绍回归分析方法的基本原理、应用场景以及实用技巧。
一、回归分析方法的基本原理回归分析的基本原理是通过建立一个数学模型来刻画自变量和因变量之间的关系。
其中，自变量是独立变量，因变量是依赖变量。
通过收集一组样本数据，我们可以建立一个由自变量和因变量组成的数据集，然后利用统计学的方法，拟合出一个最适合的回归方程。
回归方程可以用来描述自变量和因变量之间的关系，并可以用来进行因变量的预测。
二、回归分析方法的应用场景回归分析方法在实际应用中具有广泛的应用场景。
以下是几个常见的应用场景：1. 经济学领域：回归分析可以用来研究经济变量之间的关系，比如GDP与消费、投资和出口之间的关系，通货膨胀与利率之间的关系等。
2. 社会学领域：回归分析可以用来研究社会现象之间的关系，比如人口数量与教育程度之间的关系，犯罪率与失业率之间的关系等。
3. 医学领域：回归分析可以用来研究生物医学数据，比如研究某种疾病与遗传因素、生活方式和环境因素之间的关系。
4. 市场营销领域：回归分析可以用来研究市场需求与价格、广告和促销活动之间的关系，帮助企业制定营销策略。
三、回归分析方法的实用技巧在实际应用回归分析方法时，我们需要注意以下几个技巧：1. 数据准备：在进行回归分析之前，我们需要对数据进行清洗和整理，确保数据的准确性和完整性。
2. 模型选择：根据具体问题，我们可以选择不同的回归模型，比如线性回归、多项式回归、逻辑回归等。
选择合适的模型可以提高分析的精度。
3. 模型评估：在建立回归模型之后，我们需要对模型进行评估，判断模型的拟合程度和预测效果。
常用的评估指标包括R方值、均方误差等。
4. 变量选择：当自变量较多时，我们需要进行变量选择，筛选出对因变量影响显著的变量。
线性回归分析
线性回归分析线性回归分析是一种常见的统计分析方法，主要用于探索两个或多个变量之间的线性关系，并预测因变量的值。
在现代运营和管理中，线性回归分析被广泛应用于市场营销、财务分析、生产预测、风险评估等领域。
本文将介绍线性回归分析的基本原理、应用场景、建模流程及常见误区。
一、基本原理线性回归分析基于自变量和因变量之间存在一定的线性关系，即当自变量发生变化时，因变量也会随之发生变化。
例如，销售额与广告投入之间存在一定的线性关系，当广告投入增加时，销售额也会随之增加。
线性回归分析的目标是找到这种线性关系的最佳拟合线，并利用该线性方程来预测因变量的值。
二、应用场景线性回归分析可以应用于许多不同的领域，例如：1.市场营销。
通过分析销售额和广告投入之间的关系，企业可以确定最佳的广告投入量，从而提高销售额。
2.财务分析。
线性回归分析可以用于预测公司的收入、费用和利润等财务指标，并帮助企业制定有效的财务战略。
3.生产预测。
通过分析生产量和生产成本之间的关系，企业可以确定最佳的生产计划，从而提高生产效率。
4.风险评估。
通过分析不同变量之间的关系，企业可以评估各种风险并采取相应的措施，从而减少损失。
三、建模流程线性回归分析的建模流程包括以下步骤：1.确定自变量和因变量。
自变量是用来预测因变量的变量，而因变量是需要预测的变量。
2.收集数据。
收集与自变量和因变量相关的数据，并进行初步的数据处理和清理工作。
3.拟合最佳拟合线。
利用最小二乘法拟合最佳拟合线，并计算相关的统计指标（如拟合优度、标准误等）。
4.判断线性关系的签ificance。
利用t检验或F检验来判断线性关系的签ificance，并进行推断分析。
5.进行预测。
利用已知的自变量的值，通过线性方程来预测因变量的值。
四、常见误区在进行线性回归分析时，有一些常见的误区需要注意：1.线性假设误区。
线性回归分析建立在自变量和因变量之间存在线性关系的基础之上，如果这种关系不是线性的，则建立的回归模型将失效。
什么是回归分析？
03
回归分析的基本步骤
数据收集
明确研究问题
在开展回归分析前，需要明确研 究的问题和目标，从而确定需要 收集哪些数据。
制定数据采集计划
根据研究问题制定合理的数据采 集计划，包括从何种渠道收集数 据、如何收集数据等。
收集数据
根据制定的计划进行数据收集， 确保数据准确、完整、可靠。
数据清洗与整理
数据清洗
选择合适的模型
根据数据的分布和特点选择合适的回归模型，例如线性回归、岭回归、Lasso回归等。
建立模型
利用所选择的模型进行拟合，生成回归方程或算法。
模型评估与优化
评估模型性能
使用适当的指标评估模型的性能，例如均方误差（MSE）、均方根误差（ RMSE）、R方值（R-squared）等。
优化模型
根据评估结果对模型进行优化，例如调整模型参数、增加变量等。
需要对自变量和因变量的关系进行合理的假设和 限制，否则会导致模型失真和误导。
数据质量影响结果
回归分析的准确性取决于数据的质量和完整性。如果数据存 在缺失、异常值、错误或测量误差等问题，会影响回归结果 的可信度和准确性。
数据的质量和完整性也会影响回归模型的稳定性和可解释性 ，进而影响预测的准确性和可靠性。
删除重复、异常和缺失数据，处理不准确或不一致的数据，以减少数据中的噪声和误差。
数据整理
对数据进行必要的转换和整理，以便后续分析和建模。例如，将数据统一转换为数值型或字符型，将 时间序列数据进行对齐或标准化等。
模型选择与建立
确定自变量和因变量
根据研究问题确定自变量和因变量，确保变量选取合理且具有代表性。
2023
什么是回归分析？
汇报人：
contents
线性回归分析的原理与实现
线性回归分析的原理与实现线性回归分析是一种常见的统计分析方法，用于研究变量之间的关系。
它通过建立一个线性模型，来预测一个或多个自变量对因变量的影响程度。
本文将介绍线性回归分析的原理和实现方法。
一、线性回归分析的原理线性回归分析的核心思想是建立一个线性模型，用于描述因变量和自变量之间的关系。
假设我们有一个因变量Y和一组自变量X1，X2，...，Xn，我们的目标是找到一组系数β0，β1，β2，...，βn，使得线性模型Y = β0 + β1X1 + β2X2 + ... +βnXn能够最好地拟合数据。
为了找到最佳的系数估计值，我们需要最小化观测值与模型预测值之间的差距。
这个差距可以用残差来表示，即观测值与模型预测值之间的误差。
我们的目标是使残差的平方和最小化，即最小二乘法。
最小二乘法的数学表达式为：min Σ(Yi - (β0 + β1X1i + β2X2i + ... + βnXni))^2通过求解最小化残差平方和的问题，我们可以得到最佳的系数估计值，从而建立起线性模型。
二、线性回归分析的实现线性回归分析可以通过多种方法来实现。
下面我们将介绍两种常用的实现方法：普通最小二乘法和梯度下降法。
1. 普通最小二乘法普通最小二乘法是一种解析解的方法，通过求解线性方程组来得到系数的估计值。
假设我们的数据集有m个样本，n个自变量。
我们可以将线性模型表示为矩阵形式：Y = Xβ + ε其中，Y是一个m行1列的向量，表示因变量；X是一个m行n+1列的矩阵，表示自变量和常数项；β是一个n+1行1列的向量，表示系数估计值；ε是一个m行1列的向量，表示误差项。
我们的目标是最小化误差项的平方和，即最小化：min ε^Tε通过求解线性方程组X^TXβ = X^TY，可以得到系数的估计值。
2. 梯度下降法梯度下降法是一种迭代解的方法，通过不断调整系数的估计值来逼近最优解。
梯度下降法的核心思想是通过计算损失函数对系数的偏导数，来确定下降的方向。
线性回归定义和线性回归方程公式
什么线性回归？
线性回归定义与公式
线性回归(Linearregression)利用回归方程(函数)对一个或多个自变量(特征值)和因变量(目标值)之间关系进行建模的一种分析。
特：只有一个自变量的情况称为单变量回归，多于一个自变量情况的叫多元回归
线性回归用矩阵表示举例
那么怎么理解呢?们来看几个例子
期末成绩：0.7×考试成绩+0.3×平时成绩
房子价格=0.02×中心区域的距离+0.04×城市一氧化氮浓度+(-0.12×自住房平均房价)+0.254×城镇犯罪率
上面两个例子，们看到特征值与目标值之间建立了一个关系，这个关系可以理解为线性模型。
线性回归应用场景
·房价预测
·额度预测
·贷款额度预测
举例：
线性回归的特征与目标的关系分析
线性回归当中主要有两种模型，一种线性关系，另一种非线性关系。
在这里们只能画一个平面更好去理解，所以都用单个特征或两个特征举例子。
线性关系
单变量线性关系：
多变量线性关系
注释：单特征与目标值的关系呈直线关系，或者两个特征与目标值呈现平面的关系更高维度的们不用自己去想，记住这种关系即可
非线性关系
注释：为什么会这样的关系呢?原因什么?
如果非线性关系，那么回归方程可以理解为：
w1x1+w2x22+w3x32。
回归分析在统计学中的作用
回归分析在统计学中的作用统计学作为一门应用广泛的学科，主要研究数据的收集、整理、分析和解释，以便对现象和问题进行理解和预测。
在统计学中，回归分析是一种常用的数据分析方法，被广泛应用于各个领域，如经济学、社会学、医学和环境科学等。
本文将探讨回归分析在统计学中的作用，并展示其在实际问题中的应用。
一、回归分析的概念和原理回归分析是一种用于分析自变量与因变量之间关系的统计方法。
其基本原理是通过建立数学模型，揭示自变量对因变量的影响程度和趋势。
在回归分析中，自变量可以是一个或多个变量，而因变量则是所要预测或解释的变量。
二、回归分析的种类和应用1.简单线性回归简单线性回归是回归分析中最基础的方法之一，它研究的是只有一个自变量与一个因变量之间的关系。
在实际应用中，可以利用简单线性回归来分析两个变量之间的相关性，并通过拟合直线来预测因变量的取值。
2.多元回归多元回归是一种比简单线性回归更为复杂的分析方法，它研究的是多个自变量与一个因变量之间的关系。
多元回归可以帮助人们了解多个影响因素对结果的综合影响，并提供更准确的预测和解释。
3.非线性回归除了线性关系，回归分析也可以研究非线性关系。
非线性回归用来分析自变量与因变量之间的非线性关系，并通过拟合非线性曲线来预测因变量的取值。
4.时间序列分析时间序列分析是回归分析的一种特殊形式，它专门用于研究时间上的变化和趋势。
时间序列回归可以帮助人们预测未来的趋势和变化，并对过去的数据进行解释。
三、回归分析的应用案例1.经济学中的回归分析在经济学中，回归分析被广泛应用于研究宏观经济和微观经济问题。
例如，经济学家可以利用回归分析研究GDP与产出、失业率、通货膨胀等因素之间的关系，以及对未来经济发展的预测。
2.医学中的回归分析医学研究中常常需要考察自变量对生物指标或健康结果的影响。
例如，医学研究者可以利用回归分析来研究生活方式与血压、血糖或心血管疾病等之间的关系，并为疾病的预防和治疗提供科学依据。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
犯罪率影响因素的线性回归分析 摘 要
犯罪是人类社会的顽疾，人类为对付犯罪付出了沉重的代价。据国际社会统计，犯罪所造成的危害远远超过二战所造成的损失。犯罪作为一种社会现象，是由各种因素决定的，马克思认为是社会客观历史条件，特别是经济条件决定着犯罪。故我们运用现代科学技术方法，充分利用信息资源，尝试建立一个回归模型，解释刑事犯罪率的变化，降低刑事犯罪率，保障社会和谐。
关键词：刑事犯罪率；基尼系数；城市化率；
Linear regression analysis of factors influencing the criminal crime rate
ABSTRACT Crime is disease in the human society, mankind against crime to pay a high price. According to international society .The harm of crime, is beyond the losses of lives and property caused by warⅡ. Crime, as a social phenomenon, is decided by various factors, the mark thinks social objective history conditions, and especially economic condition decides crime. We use modern science and technology, make full use of information resources, and try to establish a regression model to explain the changes in crime rates, lower crime rate, ensure social harmony.
Key words: crime；criminal Gini coefficient；Urbanization rate； 刑事犯罪率影响因素的线性回归分析 一 引言 犯罪集中暴露出社会的缺陷和人类心灵的阴暗面。整个二十世纪是一个犯罪迅速增长的世纪，这个趋势到下个世纪也无法抑制。到了二十一世纪，毒品犯罪、有组织犯罪、经济犯罪均大幅增加，经济全球化与经济社会的快速发展更加使犯罪复杂化、严重化。在二十世纪初，犯罪学家萨瑟兰发现犯罪并不是穷人的专利，富裕阶层的白领犯罪更是严重。正如路易斯·谢利在《犯罪与现代化》所说“也许到了21世纪，犯罪学家将揭露出认知精英中存在更严重的犯罪，毕竟现代化必将导致犯罪，而高速的经济发展也将于高发犯罪率共生”。 犯罪是一种复杂的社会现象，它不是孤立存在的，是由各种因素综合决定的，是随着国家的政治，经济形势的变革而变化。纵观各学者的观点，我们知道引起犯罪的因素包括政治，经济，文化以及犯罪人自身条件等因素。但是其中经济因素才是引起犯罪的最根本因素。所谓“饥寒起盗心”，“饥年出盗贼”，“仓癝使则知礼节，衣食足则知荣辱”的提法就朴素的反映了经济因素是影响刑事犯罪率的最活跃因素的观点。
二 问题的提出 犯罪是人类社会的顽疾，人类为对付犯罪付出了沉重的代价。据国际社会统计，犯罪所造成的生命财产损失远远超过二战所造成的损失。犯罪作为一种社会现象，是由各种因素决定的，马克思认为社会客观历史条件，特别是经济条件引起犯罪的。所以我们运用现代科学技术方法，充分利用信息资源，尝试建立一个回归模型，解释刑事犯罪率的变化，降低刑事犯罪率，保障社会和谐。 现阶段我国犯罪情况同二十世纪五六十年代相比，在犯罪的类型、结构、规模等方面已发生剧大变化，其特点概括起来有以下几个方面。 1 青少年犯罪突出 我国青少年刑事犯罪一直持续上升。20世纪五十年代我国青少年犯罪约占整个刑事犯罪人员总数的20%，六十年代上升为30%，到了八十年代以后，青少年犯罪则高达70%至75%，已是危害社会安定和和谐的严重问题。总体上看，目前在我国的刑事犯罪中，青少年犯罪占有很大比例，且逐年上升。近年来青少年犯罪的平均年龄越来越小，未成年人犯罪越来越多。 2 经济犯罪严重 随着改革开放，由于国内国外的不良因素的影响，尤其是市场经济中的负面因素，以及新旧体制转换过程中存在的大量漏洞，一些不法分子乘机大肆进行各种经济犯罪活动。1980年至1988年的9年时间内，经济犯罪案件的受理数和立案数分别增加了3.9倍和3.1倍。尤其是利用职务之便的权力腐败型的经济犯罪的数量及其危害程度也明显的呈现与日俱增的趋势。这些经济犯罪不仅给国家，社会造成经济和财产损失，并且给国家和政府带来了不信任感和对社会风气、社会关系，以及人们的道德价值观念带来了严重的腐蚀。 3 贪污腐败犯罪加剧 八十年代后，我国开始了改革开放，此后反腐败一直是司法领域乃至整个中国社会生活的主旋律之一。然而，由于制度建设和体制改革总是要相对滞后于经济和生产力的发展，故在社会转型期，腐败现象随着经济的发展而加剧。这种腐败由经济生活领域蔓延至政治生活的权力领域，出现了买官卖官的现象。被处罚的高官数量越来越多，职位越来越高，犯罪程度越来越严重。这表明国家反腐败的决心和力度，同时也反映了腐败的程度和状况。 4 暴力犯罪突出 近几年，杀人，抢劫，强奸，伤害以及爆炸等暴力犯罪不断加重，特别是因盗窃，抢劫，强奸等犯罪而杀人灭口，杀人越货等混合型暴力案件明显增多。中国社科院发布的2010年《法治蓝皮书》显示，2009年中国犯罪数量打破了2000年以来一直保持的平稳态势，出现大幅增长。其中，暴力犯罪案件大量增加。 5 重新犯罪加剧 由于“严打”中被判短期徒刑和劳动教养的人员开始陆续回到社会，使有过违法犯罪经历的人员基数增大。重犯率都有较大幅度的上升，其中青少年的重犯率明显高于成人。这些重新犯罪的少年，他们就学无望，长期待业，生活无着，悲观失望，对社会有强烈的报复心理。有的恶习不改，受坏人唆使，容易产生自暴自弃，有的甚至到了与社会势不两立的疯狂地步。 6 有组织犯罪增加 随着经济社会的发展和犯罪状况的变化，有组织犯罪不断增多，八十年代时团伙犯罪的问题比较突出，进入九十年代后，结构紧密的犯罪集团，犯罪组织特别是黑社会组织的犯罪突出，受到社会日益高度的关注。由于官僚腐败，失业增多等情况的加剧，全国普遍出现了不同形式和程度的黑社会和带有黑社会性质的有组织犯罪，而他们背后，毫无例外的受到某些权力腐败分子的保护 7 国家安全方面的犯罪更加尖锐 国外仇华势力、敌对势力，时刻在企图 “西化”中国。我国加入WTO后，跟世界联系更紧密，更加开放，客观上便于境外敌对势力实施这一罪恶目的。我国加入世贸组织后境外的敌对势力披着商业的外衣，行颠覆政府之实，如7·5新疆打砸抢烧暴力事件，就是一起典型的境外指挥、境内行动，有预谋、有组织的分裂破坏活动。
三分析问题 城乡收入差距：本文用城镇居民家庭人均可支配收入与农村居民家庭人均纯收入的绝对差额之比值表示城乡收入差距。 城市化率：指城镇人口占总人口（包括农业与非农业）的百分比。中心城区、县(市、区)及建制镇,凡列入城镇建设规划且城区建设已延伸到乡镇、居委会及村委会并已实现水、电、路“三通”的,都纳入市镇人口计算,这样能客观反映城市化进程。 基尼系数，是20世纪初意大利经济学家基尼，根据劳伦茨曲线所定义的判断收入分配公平程度的指标。是比例数值，在0和1之间，是表示贫富差距国际上用来综合考察居民内部收入分配差异状况的一个重要分析指标。 联合国依据基尼系数可以反映一个国家内贫富的差距，遂做出规定： 一个国家内贫富的差距，其基尼系数低于0.2表示收入绝对平均； 基尼系数 0.2-0.3表示比较平均； 基尼系数 0.3-0.4表示相对合理； 基尼系数 0.4-0.5表示收入差距较大； 基尼系数 0.6以上表示收入差距悬殊 本文采用的刑事犯罪率的影响因素有：城乡收入差距，城市化率，基尼系数。得表1。 0.50000.45000.40000.3500基尼系数
70.000060.000050.000040.0000
刑事犯罪率（十万分之）
表1 注：数据来源《中国统计年鉴2008》，国家统计局，《中国法律年鉴》。 第一步：作散点图
作散点图的目的是观察因变量0y与各自变量间是否有比较好的线性关系, 以便选择
恰当的数学模型形式. 下图分别为刑事犯罪率0y、基尼系数1x、城乡收入差距2x、城市化率3x之间的散点图,从图1至图3看出这些点大致分布在一条直线旁边,有比较好的线性关系,可以采用线性回归。 图1
年份 刑事犯罪率（十万分之） 城市化率 城乡收入差距 基尼系数 1993 37.9625 27.99 2.80 0.3742 1994 45.4970 28.51 2.86 0.3875 1995 44.8540 29.04 2.71 0.3794 1996 54.3804 30.48 2.51 0.3728 1997 42.5729 31.91 2.47 0.3598 1998 42.3450 33.35 2.51 0.3918 1999 47.8893 34.78 2.65 0.4043 2000 50.4812 36.22 2.79 0.4011 2001 58.4773 37.66 2.90 0.4337 2002 54.6393 39.09 3.11 0.4512 2003 57.4385 40.53 3.23 0.4580 2004 58.8086 41.76 3.21 0.4700 2005 64.4364 42.99 3.22 0.4830 2006 67.6345 43.90 3.28 0.4960 2007 70.5178 44.94 3.33 0.5094