中国民航客运量的回归模型论文
民航客运量影响因素回归分析
技术论坛TECHNOLOGY FORUM中国航班CHINA FLIGHTS 54民航客运量影响因素回归分析冉龄玉|重庆交通大学经济与管理学院摘要：经济、信息以及科技的全球化，让出行不再困难。
乘坐飞机是居民在远距离出行时主要考虑的方式之一。
本文为探究国内民航客运量的影响因素，通过回归分析构建了国内民航客运量的影响因素最小二乘回归模型。
为了对国内民航客运量进行有效地评估和预测，本文以计量经济学的理论方法，从多元线性回归的角度，对上述影响民航业发展的因素进行分析，构建回归模型来探究民航业的变化走向以及成因问题。
关键词：民航；影响因素；回归分析1引言融合于各种出行方式的信息科技让国民出行不再困难。
移动支付、国民信息化的社会生活方式以及便捷的出行方式，加快了国民的生活节奏，也加快了中国融入世界的进程。
中国的发展与变化大大刺激了国内民航业的发展。
国内航空公司在2018年发布的公报中显示，当年实现了营业收入比去年增长了14.5个百分点，全年营业额达6130.2亿元。
影响民航客运量的因素涉及社会发展的各个方面。
研究民航客运量的影响因素，对扩大民航市场、增加民航的服务量和营业额有着十分重要的实际意义。
不少学者从相关分析方法入手，对影响民航客运量的因素有哪些进行了探究。
纪跃芝[1]认为历史阶段的不同导致影响因素发生变化，得到主要因素为民航航线里程、入境旅游人数；彭立南[2]发现第三产业增加值以及外国人入境旅游人数对民航客运量有着重大影响。
李丽华[3]采用逐步回归法和岭回归法构建民航客运量的多元线性回归模型，其结论中的因素为：国民总收入（消费支出额）、铁路客运量和入境旅游人数。
蔡文婷[4]等人通过对影响航空运输客运量的因素进行灰色综合关联法分析，对影响因素进行重要程度分析，得到因素重要性排序：国内旅游收入、人均GDP、机场吞吐量、外贸进出口总额、城镇居民可支配收入、铁路客运量、航线数量、国内游客。
张艳[5]等人得到的结论与蔡文婷[4]等人的结论中包含相同的因素。
基于线性模型的民航客运量影响因素与预测研究
基于线性模型的民航客运量影响因素与预测研究
随着我国经济的发展和低空交通发展的不断壮大，民航运输在我国的重要性越来越受
到重视。
因此，掌握民航客运量的影响因素，对于民航运输管理和未来规划具有重要意义。
本文基于线性模型，研究了民航客运量的影响因素及其预测。
首先，本文收集了2010年至2019年我国民航客运量及其相关因素的数据，包括GDP、旅游人数、燃油价格、航线数量、机场数量等。
对于变量选择，本文采用相关性分析和逐
步回归的方法，得出了影响因素为GDP、旅游人数、航线数量和机场数量。
这些因素与民
航客运量的关系呈现出线性相关性。
接着，本文利用多元线性回归模型对影响因素进行分析。
模型的结果表明，影响民航
客运量的最显著因素是GDP，其次是旅游人数和航线数量。
在机场数量的影响上，与预期
不同，其影响程度较小。
在预测方面，本文使用了回归模型的方法，预测了未来3年的民航客运量。
预测结果
表明，未来3年我国民航客运量将保持高速增长态势。
其中，2020年预测值为6.27亿人次，2021年预测值为6.91亿人次，2022年预测值为7.58亿人次。
这也进一步验证了本文建立的模型的可靠性和准确性。
综上所述，本文基于线性模型，通过对影响民航客运量的因素进行分析和预测，提出
了一些对于民航管理和未来规划的建议。
其中，对于政府部门，应该加大对于民航运输基
础设施建设的投入，以保障日益增长的市场需求；对于航空公司，则应该根据市场需求，
加强航线的拓展和优化服务，提高核心竞争力。
我国民航客运量分析
我国民航客运量分析一、前言随着社会的进步，人民生活水平的提高，越来越多的人们选择航空这个交通方式，为合理安排班机数量，估计每年我国民航客运量显得非常有必要。
本文利用我国的历年相关数据，运用SAS软件对数据进行分析，研究1978-1993年我国民航客运量y（万人）与国民收入x1（亿元）、消费额x2（亿元）、铁路客运量x3（万人）、民航航线里程x4（万千米）、来华旅游人数x5（万人）的关系。
分别采用逐步回归和岭回归两种方法建立线性模型，通过相关比较，选出较优的线性回归模型。
一、关键词相关分析回归诊断逐步回归岭回归决定系数二、数据来源数据来源于由吴诚鸥、秦伟良编著的《近代实用多元统计分析》教材，气象出版社出版。
见附表1附表一：1978-1993年我国民航客运量的情况表三、数据处理结果及结论分析：1、用SAS软件画出y与x1、x2、x3、x4、x5的散点图如图一所示：图一：从散点图可以看出除铁路客运量外（x3），我国民航客运量（y）与国民收入（x1）、消费额（x2）、民航航线里程（x4）、来华旅游人数（x5）之间均存在明显的线性关系，说明建立线性模型有意义。
2、相关分析说明国民收入、消费额、民航航线里程数、来华旅游人数与我国民航客运量的线性相关关系比较密切，而y与x3的相关系数只有0.2269，说明铁路客运量与我国民航客运量没有明显的线性相关性，与散点图的分析相一致。
同时x1与x4、x5的相关系数也达到了0.9以上，说明自变量之间也存在明显的线性相关性。
3、参数估计和复共线性的回归诊断根据参数估计可知x3、x4、x5的参数估计的P值小于0.05，可以拒绝参数为零的原假设即自变量x3、x4、x5对因变量y有显著影响。
而x1、x2的参数估计的从复共线性诊断结果中我们可以看到vif值分别为1951.54281、1551.73196、3.97007、13.65963、53.63262几乎都大于10，条件系数非别为1.00000、3.84490、11.01827、32.08138、49.82473，大部分大于3，说明自变量之间存在复共线性关系。
基于线性模型的民航客运量影响因素与预测研究
基于线性模型的民航客运量影响因素与预测研究【摘要】本研究基于线性模型，探讨了民航客运量的影响因素和预测方法。
在研究中，通过对线性模型在民航客运量研究中的应用进行分析，找出了影响客运量的主要因素。
在基于线性模型的客运量预测方法中，结合实际数据进行案例分析，验证了模型的有效性。
通过对模型的评价和改进，提出了进一步完善模型的建议。
研究结论总结了本研究的成果，并展望了未来研究的方向。
通过本研究，可以更好地理解民航客运量的预测和影响因素，为民航业的发展提供参考和指导。
【关键词】民航客运量、线性模型、影响因素、预测、案例分析、模型评价、改进、研究成果、展望、结论。
1. 引言1.1 研究背景民航业作为国民经济的重要组成部分，其客运量的增长和变化对于国家经济发展具有重要影响。
随着经济全球化和航空技术的飞速发展，民航客运量规模不断扩大，客流结构也不断变化，因此客运量的预测研究成为民航管理和规划的重要课题。
在过去的研究中，线性模型一直被广泛应用于民航客运量的研究中。
线性模型通过对不同影响因素的线性组合进行建模，能够较为准确地描述客运量与各种因素之间的关系，为预测和规划提供科学依据。
目前对于基于线性模型的民航客运量影响因素和预测方法的研究仍然存在不足，尤其是在结合实际案例进行深入分析方面。
进一步深入研究基于线性模型的民航客运量预测方法，并通过案例分析验证其准确性和可行性，具有重要的理论和实践意义。
本文旨在通过对线性模型在民航客运量研究中的应用、客运量影响因素的分析、基于线性模型的客运量预测方法探讨等内容展开研究，旨在为民航业的发展和管理提供有益参考。
1.2 研究意义民航客运量一直是一个国家经济发展和交通运输领域的重要指标。
对民航客运量进行影响因素研究和预测具有重要的理论和实践意义。
民航客运量的增长与国家经济发展、城市化进程、旅游业发展等因素密切相关，通过分析民航客运量影响因素可以更好地把握国家经济和社会发展的脉搏。
对民航客运量进行准确的预测可以为航空公司和政府部门提供决策参考，有利于合理规划航空运输资源和优化运输服务。
我国各阶段民航客运量的回归分析模型
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。
我国民航客运量影响因素分析及建模预测
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。
北航数理统计大作业(逐步回归)
北京航空航天大事BEIHANG UNIVERSITY应用数理统计第一次大作业学号：______姓名：______________班级： __________20 15年12月民航客运量得多元线性回归分析摘要：本文为建立以民航客运量为因变量得多元线性回归模型，选取了199 6年至2013年得统计数据，包含国民生产总值，民航航线里程，过夜入境旅游人数，城镇居民可支配收入等因素，利用统计•软件SPSS对各因素进行了筛选分析，采用逐步回归法得到最优多元线性回归模型，并对模型得回归显著性、拟合度以及随机误差得正态性进行了检验，并采用201 4年得数据进行检验，得到得结果达到预期，证明该模型建立就是较为成功得.关键词：多元线性回归，逐步回归法，民航客运量0、符号说明变量符号民用航空客运量Y国民生产总值X,民航航线里程X3城镇居民人均可支配收入X51、引言随着社会得进步，人民生活水平得提高，如何获得更快捷方便得交通成为人们日益关注得问题•因为航空得安全性，快速且价格水平越来越倾向大众，越来越多得人们选择航空这种交通方式。
近年来，我国得航空客运量已经进入世界前列，为掌握航空客运得动态，合理安排班机数量•科学地对我国民航客运量得影响因素得分析，并得出其回归方程，进而能够估计航空客运量就是非常有必要得。
本文收集整理了与我国航空客运量相关得历年数据，运用SPSS软件对数据进行分析，研究199 6年起至20 13年我国民航客运量y（万人）与国民生产总值Xi（亿元）、铁路客运量X2（万人）、民航航线里程X3 （万公里）、入境过夜旅游人数X4 （万人）、城镇居民人均可支配 收入X5 （元）得关系。
采用逐步回归法建立线 性模型，选出较优得线性回归模型。
2、数据得统计与分析本文在进行统计时，查阅《中国统计摘要》，《中国统计年鉴2 0 14》以及中国 知网数据查询中得数据，收集了 19 96年至201 3年各个自变量因素得数据，分析它们 之间得联系。
基于线性模型的民航客运量影响因素与预测研究
基于线性模型的民航客运量影响因素与预测研究民航客运量是反映一个国家或地区经济和交通水平的重要指标，对于机场、航空公司、政府以及相关行业都具有重要意义。
本文使用线性模型来研究民航客运量的影响因素以及进行预测。
一、数据收集及处理本文选取了2010年至2019年中国民航客运量的年度数据，并收集了以下7个可能影响民航客运量的变量的年度数据：国内生产总值、人口数量、城镇化率、旅游收入、石油价格、航空公司数量、机场数量。
对数据进行清洗和缺失值处理后，得到了一个含有70个数据点和7个变量的数据集。
二、线性模型建立使用多元线性回归模型进行分析。
首先引入散点图可以看到，多个自变量与因变量之间都存在一定的线性相关性，但是并不是完全线性相关。
同时观察各自变量之间的相关系数。
结果显示，除了国内生产总值和人口数量之间存在比较强的相关性外，其他变量之间相关性不明显。
由于自变量之间的相关性较弱，因此可以采用常规的多元线性回归模型。
首先采用正则化方法，对变量进行筛选，最终选择了国内生产总值、城镇化率、石油价格、航空公司数量和机场数量这5个自变量，并对其建立了多元线性回归模型。
三、结果分析回归结果表明所选自变量对民航客运量均有显著的影响。
其中，人均国内生产总值和城镇化率是正相关的；而石油价格、航空公司数量和机场数量是负相关的。
同时，我们可以通过拟合结果来对未来民航客运量进行预测。
采用平均绝对百分比误差（MAPE）作为预测准确度的评价指标，对预测结果进行评估。
得到的MAPE为6.51%，表明该模型的预测准确度较高。
四、结论通过线性模型分析，我们发现国内生产总值、城镇化率、石油价格、航空公司数量和机场数量对民航客运量都具有显著的影响。
其中，国内生产总值和城镇化率的提高会促进民航客运量的增长；而石油价格、航空公司数量和机场数量的增加则会抑制民航客运量的增长。
根据预测结果，未来民航客运量还将保持较高增长速度。
这些结果为政府、机场、航空公司等相关行业提供了指导和参考。
- 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)。
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）=2σ
3)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
愈多。
但是仅凭相关系数的大小是不能决定变量的取舍的，在初步建模时还是应该包含3x 的。
（2）对数据进行线性回归分析得出以下各表
拟合优度用于描述回归方程对样本观测值的拟合程度，样本决定系数2R 的取值在[0,1]区间内，2R 越接近1，表明回归拟合的效果越好；2R 越接近0，表明回归拟合的效果差。
在实际应用中，人们用复相关系数R 来表示回归方程对原始数据拟合程度的的好坏，它衡量作为一个整体的12,,......,p x x x 与y 的线性关系的大小，由表3可以看出样本决定系数20.994R =，复相关系数0.997R =，则表明回归方程对样本观测值的拟合程度较高，整体的12,,......,p x x x 与y 的线性相关性较高。
再由表4可以看出：F=793.051,P 值=0.000，表明回归方程高度显著，说明
53412,,,,x x x x x 整体上对y 有高度显著的线性影响
可得回归方程为
12345ˆ1579.8490.0520.0140.015 3.564+0.134y
x x x x x =-++++
从表5中可以看出并不是所有的自变量x 单独对y 都有显著影响，最大的p 值为
2p =0.756远大于0.05，没有通过回归系数的显著性检验，这说明尽管回归方程
通过了显著性检验，但也会出现某些单个自变量x （甚至于每个x ）对y 并不显著的情况。
（3）由于某些单个自变量不显著，因而在多元回归中并不是包含在回归方程中的自变量越多越好，为了解决这个问题我们可以采取一种简单的剔除多余变量的方法：“后退法”得以下各表
由表6可以看出：用“后退法”进行分析其各个回归方程模型对样本观测值的拟合程度，回归方程均通过了显著性检验。
由表7可知1F =793.051 2F =1028.372 3F =1407.901 4F =2159.200 1P = 2P
=3P = 4P =0.000
表明在利用“后退法”进行分析得到的四个回归方程高度显著。
利用“后退法”首先剔除x2，得到回归模型2：
1345ˆ1579.4840.0560.015 5.320+0.124y
x x x x =-+++，其中4P =0.577>0.05,回归方程系数未通过检验，再剔除x4得回归模型3
135ˆ837.4170.0590.009+0.180y
x x x =-++，其中3P =0.530>0.05 回归方程系数未通过检验，再剔除x3得回归模型4
15ˆ90.1590.061+0.147y
x x =+ 1P =0.000 5P =0.036 均小于0.05 回归方程系数通过检验
通过以上的方法我们最终得到因变量y 与x1和x5保持着高度线性相关性，但在实际应用时，为了模型的结构合理，我们有时也保留个别对y 影响不大的变量，这种情况尤其是在建立宏观经济模型时常常如此。
(4)作散点图如下图9
图9 .民航客运量随年份变化趋势图
由该散点图可以看出,从1981年至1990年我国的民航客运量变化的幅度较小,1990年至2010年变化幅度较大,为了使所建的模型能对未来的情况进行预测,我把收集到的数据分成了两部分进行讨论：一部分是从1981年至1990年的数据，另一部分是1991年至2010年的数据。
(二)对1981年至1990年我国民航客运量与各影响因之间的关系进行分析
表10.1981年至1990年我国民航客运量与各影响因之间数据表
1）对该表的数据用spss 进行分析，得y 与自变量53412,,,,x x x x x 相关性如表
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 =0.332 ，p 值=0，这说明铁路客运量对民航客运量影响较弱，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，因此影响较弱。
2）对数据进行线性回归分析得出以下各表
由表12可以看出样本决定系数20.994R =，复相关系数0.997R =，则表明回归方程对样本观测值的拟合程度较高，整体的34512,,,,x x x x x 与y 的线性相关性较高。
再由表13可以看出：F=143.806,P 值=0.000，表明回归方程高度显著，说明
53412,,,,x x x x x 整体上对y 有高度显著的线性影响
3）直方图：
（三）对1991年至2010年我国民航客运量与各影响因之间的关系进行分析表15.1991年至2010年我国民航客运量与各影响因之间数据表
1)做散点图:
2)曲线估计:
由上图可知，民航客运量y随年份变化的情况用指数分布模型更适合。
3）对表15的数据用spss 进行分析，得y 与自变量53412,,,,x x x x x 相关性如表
由表16可得y 与自变量53412,,,,x x x x x 的相关系数都在0.9以上，说明y 与自变量53412,,,,x x x x x 之间高度相关；由表17可以看出样本决定系数20.992R =，复相关系数0.996R =，则表明回归方程对样本观测值的拟合程度较高，整体的34512,,,,x x x x x 与y 的线性相关性较高；再由表18可以看出：F=351.339,P 值=0.000，表明回归方程高度显著，说明53412,,,,x x x x x 整体上对y 有高度显著的线性影响,，但是仅凭相关系数的大小是不能决定变量的取舍的。
由表19得线性回归方程：
12345ˆ3698.6860.0420.0320.0447.1030.251y x x x x x =-+++-+ 而12345
,,,,P P P P P 的值均大于0.05，回归系数并没有通过显著性检验，我们可以采取“后退法”或“前进法”进行分析，其中“后退法”具体的方法及分析步骤前面已经给
结论
通过以上一系列的分析，x1GDP（万元）、x2居民消费（万元）、x5来华旅游入境人数（万人）和x4民航航线里程（万公里）与民航客运量y（万人）均具有正相关关系，这表明近几年我国经济迅猛发展，国民收入增加，乘飞机外出、旅游等其他活动的人数比例有所增加，民航里程线也增加，而且来华旅游者大都比较富裕，加上路程较远，他们就选择了飞机作为交通工具，因此对民航客运量的影响较大，进一步刺激了我国经济的发展；很显然x3铁路客运量（千人）对民航客运量的影响较弱。
参考文献：
[1] 何晓群《实用回归分析》—北京：高等教育出版社，2008.5
[2]《中国统计年鉴》《中国统计年鉴》（1981—2010年民航客运量）
【注】写这篇论文用了大概两周的时间，因为这次是第一次写论文，对论文的格式和要求并不了解，所以刚开始的时候遇到了很多问题，在复制spss分析的表格和图像时，有的表格和图像太大，调整时候很是麻烦，还有在分析时不够全面具体……有很多不足之处还请老师多多指点。