主成分分析论文
【高校辅导员优秀论文范例】高校辅导员科研能力影响因素研究
高校辅导员科研能力影响因素研究摘要：本研究拟通过采用主成分分析法以北京航空航天大学为例对高校辅导员科研能力影响因素进行实证分析，探究和识别影响辅导员研究能力的主要因素。
基于此提出相应应对建议，以期对进一步推进高校辅导员队伍的专业化、职业化建设有所助益。
关键词：辅导员；科研能力；主成分分析法；主要因素一、引言高校辅导员是开展大学生思想政治教育的骨干力量,是高校学生日常思想政治教育和管理工作的组织者、实施者和指导者。
辅导员在全面贯彻落实学校的方针政策的同时,还需要善于抓住当前社会变化和学生发展的新情况，运用科学方法与专业知识有针对性地探索学生工作的新方法，总结归纳学生工作的基本规律，实现由实践型角色向实践研究型角色的转变，这也是当前高校辅导员队伍专业化、职业化建设的题中之义。
今年4月，教育部印发了《高等学校辅导员职业能力标准（暂行）》，其中对高校辅导员的科研能力和理论实践研究提出了更为明确的要求。
目前，高校辅导员一般均为硕士及以上文化程度的学生或专职教师担任，虽然相比于本科生、专科生等具有相对丰富的专业知识背景及科研实践经验，但是从当前辅导员科研成果数量和质量来看，仍然存在一定的问题。
因此，针对高校辅导员科研能力的影响因素进行深入剖析，不仅有利于更好地了解当前高校辅导员科研能力培养面临的问题和缺失的因素，而且能够为促进辅导员科研能力的有效提高提供实证依据与政策建议。
二、研究现状与实践问题目前，我国学术界针对高校辅导员科研能力的研究还相对较少。
以在“中国知网”检索为例，以“科研能力”作为关键词可检测到的论文为1493篇；以“辅导员科研能力”作为关键词，检索到的研究论文仅为273篇，即研究高校辅导员科研能力的科研成果仅占整个高校科研能力研究的18.3%。
在这些不多的研究中，学者们主要针对高校辅导员科研能力提升的必要性、辅导员科研能力不足的主要表现等方面进行定性分析，并从宏观层面提出一些对策和建议。
而这些已有研究对影响高校辅导员科研能力的因素分析仍相对较为简略，存在一定缺失。
Fisher 判别法及 主成分分析法 论文
地沟油的识别问题摘要本文要解决的问题是根据所给的油的成分，判断该油属于地沟油还是优质油，以及在保证一定的准确率的条件下，用最少的化验指标来判断该油的类别。
问题一模型的建立，通过fisher 算法，依次计算出了地沟油、优质油的样本均值，类内离散度矩阵和类间离散度矩阵，根据类间离散度矩阵与类内离散度矩阵的比值最大，求得最佳投影矩阵。
利用样本数据与最佳投影矩阵的乘积与阈值进行比较，得出判定油类别的判别式。
问题二根据第一问题中所建立的模型，通过matlab编写程序，与阈值进行比较后，得出最后的16组测试数据，前8组属于优质油，后8组属于地沟油。
问题三即需要减少化验指标。
因为影响油的类别的因素十分复杂，该题中给了7种判别油类别的成分，我们需要用为数极少的互补相关的新变量来反映原变量所提供的绝大部分信息。
本题中我们采用了主成份分析法，依次求解出相关系数矩阵、特征值、特征向量、贡献率和累计贡献率，最后通过对综合比重数据的分析，得出将第4种成分、第6种成分和第7种成分作为化验指标比较合理。
模型建立合理，结构清晰，逻辑性强，能够反映实际问题。
本文要解决的问题是根据所给的油的成分，判断该油属于地沟油还是优质油，以及在保证一定的准确率的条件下，用最少的化验指标来判断该油的类别。
关键字：fisher算法、主成分分析、地沟油、优质油一、问题重述1.1问题背景近年来，我国许多地方都存在一个令人发指的问题——“地沟油”问题，这个问题可以说已经成为一个公开的“秘密”。
有些人长期以倒卖“地沟油”为生，他们把这些地沟油经过化学处理后装入成品油流入餐桌，这些地沟油入餐桌严重威胁到我国公众的生命健康。
“地沟油”事件频频发生，已震惊全国，其涉及范围之广，生产规模之大，出乎人们的想象。
虽然我国有关部门经过严厉打击，但“地沟油”事件依然阴魂不散，据专家统计每年返回餐桌的地沟油达百万吨级。
在利益的驱使下，“地沟油”制售从小作坊升级到大工厂，产业分工细化为掏捞、粗炼、倒卖、深加工、批发、零售等多个环节，“地沟油”生意不但打不死，甚至越做越大。
主成分分析 毕业论文
主成分分析毕业论文主成分分析（Principal Component Analysis，简称PCA）是一种常用的多变量数据分析方法，广泛应用于统计学、机器学习、图像处理等领域。
它的主要目的是通过线性变换将原始数据转换为一组新的变量，这些新变量被称为主成分，它们能够最大程度地保留原始数据的信息。
PCA的基本思想是通过寻找数据中的主要方向，将高维数据降维到低维空间中。
在降维的过程中，PCA会按照数据中的方差大小对各个方向进行排序，将方差较大的方向作为主要方向。
这样做的好处是可以减少数据的维度，提高计算效率，同时保留了数据的主要特征。
PCA的数学原理比较复杂，但是在实际应用中，我们只需要掌握它的基本步骤和使用方法即可。
下面我将简要介绍一下PCA的具体步骤。
首先，我们需要对原始数据进行标准化处理，使得各个变量具有相同的尺度。
这是因为PCA是基于协方差矩阵进行计算的，如果各个变量的尺度不一致，会影响到计算结果的准确性。
接下来，我们需要计算协方差矩阵。
协方差矩阵反映了各个变量之间的相关性。
通过计算协方差矩阵，我们可以得到各个变量之间的相关性大小，从而确定主要方向。
然后，我们需要对协方差矩阵进行特征值分解。
特征值分解可以将协方差矩阵分解为特征值和特征向量。
特征值表示了各个主成分的方差大小，特征向量表示了各个主成分的方向。
接下来，我们将特征值按照大小进行排序，选择前k个特征值对应的特征向量作为主成分。
这样就得到了一组新的变量，它们是原始数据在主要方向上的投影。
最后，我们可以利用主成分对原始数据进行降维。
降维的过程就是将原始数据用主成分表示，可以将高维数据转换为低维数据，提取出数据的主要特征。
PCA在实际应用中有很多优点。
首先，它能够减少数据的维度，提高计算效率。
其次，它能够提取出数据的主要特征，降低了数据的噪声和冗余信息。
此外，PCA还可以用于数据的可视化，将高维数据转换为二维或三维空间，方便我们对数据进行观察和分析。
主成分分析经济发展论文.doc
主成分分析经济发展论文1数据分析过程1．1主成分的选择利用SPSS20．0对数据进行处理，首先对数据做标准化处理，计算相关系数矩阵，计算特征根和特征向量，方差贡献率，见表2。
一般取累计贡献率达到80%以上少数几个主成分就可以代表原来多个指标的绝大部分信息，由表2可见，取第一，第二个主成分的累计贡献率即可达到92%，且重庆库区的区县有很大一部分农业产业，所以选取代表农林牧渔产业总值的第二主成分也作为分析的目标，第一、第二主成分与其他成分之间的相关系数如表3。
由表3可知，第一主成分与财政收入(x1)、地区生产总值(x2)、工业生产总值(x3)、全社会固定资产投资(x5)、人均GDP(x6)、人均第三产业总值(x7)、社会消费品零售总额(x8)有很大的正相关，与农林渔牧产值(x4)呈负相关，而第二主成分与农林渔牧产值(x4)有显著的正相关性，达到0．97，与其他指标相关性较弱或呈负相关。
对于第一主成分z1，除了x4(农林渔牧产值)以外，其他的指标的系数都在0．35左右，而这几个指标包括了财政收入、地区生产总值、工业总产值等7个指标，这7个指标都是经济发展中的代表性指标，包括了第二产业和第三产业的综合水平、政府财政收入和人们消费能力和财富水平等。
所以第一主成分代表了一个地区的经济发展综合水平;第二主成分与x4的系数高达0．84，远远高于其他指标的系数，而与x7(人均第三产业总值)的系数也为0．36，也具有较高的相关性，而农林渔牧则代表了第一产业的发展综合情况，农林牧渔业广义包括了除第一产业的传统种植行业以及饲养业、林业之外，也包含了农用机械、农业服务、新型农业发展、农副产品加工等新型农业与第二和第三产业的结合，所以，第二主成分代表了以第一产业为主的农业及其新型第三产业。
根据以上两个主成分的线性组合以及标准化后的原始数据，可以得到两个主成分的得分，如表4。
在表4中，第一主成分得分最高的是渝北区，达到了5．49左右，第二是江北区，有4．02分，都远远高于其他城市，然后是南岸区、涪陵、万州等区县，经济发展的综合水平都比较高，得分最低的是巫溪县，只有－2．55分;第二主成分中得分最高的是江津区，其得分达到了2．21分，第二的是万州区，表明这两座城市的农林牧渔业较发达。
关于主成分分析的常用改进方法论文
关于主成分分析的常用改进方法论文1. 核主成分分析（Kernel PCA）核主成分分析通过使用核技巧将线性PCA扩展到非线性情况。
它通过将数据从原始空间映射到一个高维特征空间，然后在高维空间中进行PCA，从而实现非线性降维。
核PCA可以更好地处理非线性关系，但计算复杂度较高。
2. 稀疏主成分分析（Sparse PCA）稀疏主成分分析是一种改进的PCA方法，旨在产生稀疏的主成分。
传统PCA生成的主成分是线性组合的数据特征，而稀疏PCA将主成分的系数限制在一定范围内，产生稀疏的解。
这样可以更好地捕捉数据的稀疏结构，提高降维效果。
3. 增量主成分分析（Incremental PCA）增量主成分分析是一种改进的PCA方法，用于处理大型数据集。
传统PCA需要一次性计算所有数据的协方差矩阵，如果数据量很大，计算复杂度就会很高。
增量PCA通过将数据分批进行处理，逐步计算主成分，从而减轻计算负担。
这样可以在处理大型数据集时实现更高效的降维。
4. 自适应主成分分析（Adaptive PCA）自适应主成分分析是一种改进的PCA方法，旨在处理具有时变性质的数据。
传统PCA假设数据的统计特性不会发生变化，但在现实世界中，许多数据集的统计特性会随着时间的推移而变化。
自适应PCA可以自动适应数据的变化，并更新主成分以适应新的数据分布。
5. 鲁棒主成分分析（Robust PCA）鲁棒主成分分析是一种改进的PCA方法，用于处理包含离群点或噪声的数据。
传统PCA对离群点和噪声十分敏感，可能导致降维结果出现严重偏差。
鲁棒PCA通过引入鲁棒估计方法，可以更好地处理异常值和噪声，提高降维结果的鲁棒性。
以上是常见的几种PCA的改进方法，每种方法都有其适用的场景和优缺点。
研究人员可以根据实际需求选择适合的方法，以实现更好的降维效果。
基于多元t分布的概率主成分分析及其应用
东南大学硕士学位论文摘要主成分分析（ＰＣＡ）是一种常用的降维技巧，在图像处理、模式识别以及数据挖掘中都有很广泛的应用。
但是，作为一种全局线性投影，经典的ＰＣＡ用于实际中经常出现的非线性数据时不可能令人满意。
于是，近年来人们提出了各种各样的非线ｒＩｉＰＣＡ及混合ＰＣＡ其中，特别重要的是由［３９，４０］提出的概率ＰＣＡ（本文称为Ｇａｕｓｓｉａｎ—ＰＰｃＨ）．在此学位论文中，我们将Ｇａｕｓｓｉａｎ—ＰＰＣＡ推广为基于多元ｔ分布的概率ＰＣＡ（下文称为ｔ—ＰＰＣＡ），从而得到了一类无论在理论上还是在实际应用中均具有较大意义的通用数据阵维算法。
具体说来，我们的主要工作包含以下内容：·理论方面：假设数据来自ｍ个ｄ元ｔ分布的混合；而每个混合成分均满足迷向（ｉｓｏ，ｔｒｏｐｉｃ）因子分析模型见§３．２１）。
在第三、四两章，我们用ＥＭ型算法导出了模型参数的极大似然估计。
在此基础上，我们得到了一类新的数据投影及其重构的算法，即，ｔ－ＰＰＣＡ．当ｆ分布的自由度∥＝ｏｏ时，ｔ－ＰＰＣＡ就是Ｇａｕｓｓｉａｎ．ＰＰＣＡ当ｍ＝１时，ｔ－ＰＰＣＡ定义的数据投影的确来自某个矩阵Ｓ’的主成分分解（见§３．１）；但只有在”＝ＯＯ时，Ｓ’才退化为样本协方差矩阵Ｓ这说明经典主成分分析仅适用于来自正态分布的数据。
·应用方面：我们用多元ｔ分布的有限混合作为数据模型，保证了ｔ－ＰＰＣＡ的稳健性，从而Ｇａｕｓｓｉａｎ．ＰＰＣＡ更具实用价值。
这在第五章的应用研究中得到了充分的证明。
在§５．１的手写英文字母识别的实验中，结果表明ｔ－ＰＰＣＡ的错误率大大小于使用Ｇａｕｓｓｉａｎ—ＰＰＣＡ的错误率（见表５．１）。
同时，我们发现数据投影对于某些分类是必须的。
这一现象有待于进一步的研究。
在§５．２的图像压缩实验中，我们的图象重构质量明显优于使用Ｇａｕｓｓｉａｎ．ＰＰＣＡ的图象重构质量（比较图５．２及图５．３）。
关于主成分分析的常用改进方法论文
关于主成分分析的常用改进方法论文主成分分析(PCA)是一种常用的无监督学习方法，用于降低数据的维度并发现主要的特征。
然而，PCA也存在一些限制，例如容易受到离群值和噪声的影响，以及解释性能较弱。
为解决这些问题，研究者提出了许多改进的方法。
本文将介绍其中一些常用的改进方法。
首先，从特征选择的角度来说，可以使用稀疏主成分分析方法。
该方法通过增加L1正则项来鼓励主成分系数的稀疏性，从而进一步减少数据的维度。
这种方法能够有效地过滤掉噪声和无关特征，提高PCA的鲁棒性和解释性能。
其次，为了处理数据中的离群值，可以使用鲁棒主成分分析。
这种方法引入了一个鲁棒度测量来代替传统的方差来度量数据的离散程度。
通过最小化鲁棒度测量和数据投影的距离，鲁棒主成分分析可以有效地减少离群值的影响，提高PCA的稳定性。
此外，还可以使用核主成分分析方法来处理非线性数据。
核主成分分析通过将数据映射到一个高维的特征空间，利用核技巧来计算主成分分析的结果。
这种方法能够处理非线性关系，提高PCA的适应性。
在实际应用中，还可以考虑使用增量主成分分析。
该方法可以在新数据到达时更新主成分分析结果，而无需重新计算整个数据集。
这种方法在处理大规模数据时非常高效，并且可以实时地对数据进行主成分分析。
最后，为了提高PCA的解释性能，可以采用自适应主成分分析方法。
这种方法通过考虑数据的局部结构和邻域信息来计算主成分分析结果。
与传统的PCA相比，自适应主成分分析可以更好地捕捉数据的分布特征，并提高主成分分析的解释性能。
综上所述，主成分分析的常用改进方法包括稀疏主成分分析、鲁棒主成分分析、核主成分分析、增量主成分分析和自适应主成分分析等。
这些方法能够有效地处理PCA的局限性，并提高其在实际应用中的性能。
研究者们会继续不断地进行改进和优化，以进一步完善主成分分析方法的性能。
主成分分析论文
主成分分析论文简介主成分分析(Principal Component Analysis, PCA)是一种常用的数据分析和降维技术。
它是一种线性变换技术，通过寻找数据集中的主要分量来简化数据集。
主成分分析能够将高维度数据降维到低维度数据，并尽可能的保留原始数据的信息。
PCA的应用1.数据可视化：由于 PCA 能够将高维数据降至二维或三维空间，因此它能够帮助我们更好地理解数据集，并将其可视化展示。
2.数据压缩：PCA 通过降维的方式减少数据的冗余信息，并将其转化为更少的维度。
因此，PCA 可以作为数据压缩 techniq ，以减少数据集的存储和传输成本。
3.特征选取/提取：在机器学习中，选择最优的特征是一个非常重要的任务。
通过 PCA，我们可以将原始数据转化为一组新的、具有更好可表示性的特征，以提高模型的性能。
PCA的实现以下为 PCA 的实现步骤：1.数据预处理：去除均值，并进行归一化处理，使得每列数据的平均值为0。
2.计算数据的协方差矩阵：协方差矩阵反映了数据之间的相关程度。
3.特征值分解(Covariance Matrix Decomposition)：通过计算协方差矩阵的特征值和特征向量，来找到数据的主要成分。
4.选取主要成分：将特征值从大到小排序，并选取最大的k个特征值(也就是说，将数据降至k维)。
这些特征值所对应的特征向量便是 PCA 的主要成分。
5.将原始数据映射至新的低维度空间：使用所选的k个特征向量，将原始数据映射至新的低维度空间。
新的数据集将由选取特征向量所构成的矩阵和原始数据集相乘所得到。
PCA与其他降维方法的比较PCA和t-SNE的比较1.PCA 是一种线性方法，它假设数据之间具有线性关系。
而 t-SNE 则是一种非线性方法，它适用于非线性数据的降维。
2.PCA 可以更高效的计算，不同于 t-SNE 需要迭代多次。
当数据集的维度较高时，PCA 的运行速度优势更加明显。
3.PCA 是一种无监督 learning algorithm，而 t-SNE 则是一种有监督或半监督的算法。
- 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)。
利用主成分分析对江苏省沿江地区物流产业发展的综合评价
【摘要】现代物流的发展程度已经逐渐成为衡量一个区域或国家现代化程度和综合竞争力的重要标志之一。
物流产业的实质体现为技术密集和劳动密集相结合,是具有第三产业特征的跨地区、跨行业、跨部门特点的产业形式。
物流产业对经济增长,特别是区域经济增长和区域产业协作的推动,都有着不可替代的重大意义,在区域经济、产业布局研究过程中,都不能忽视物流产业在其中的基础保障作用。
本文在构建江苏省沿江地区物流产业发展综合指标体系的基础上，运用多元统计分析中的主成分分析方法，对江苏省沿江地区20个地市的物流发展现状进行了综合评价，为江苏省各地市物流产业主管部门制定相应政策提供一定的理论依据，旨在提高江苏省沿江地区整体物流发展水平。
【关键词】主成分分析物流产业综合评价
一．研究背景
经济的快速增长对物流业产生了巨大的需求,促使物流业以及与物流相关的交通运输、仓储配送和邮电通信业等都有较快的发展。
同时,作为经济增长的“加速器”物流业的快速发展将会改变国民经济增长方式,降低国民经济的运行成本,促进了经济的可持续发展。
物流对于经济增长的影响以及物流业与经济增长之间的关系已经成为物流领域的一个研究重点。
本文拟从主成分分析的角度出发，以江苏省数据为例来探讨哪些因素是物流发展的主要因素，对江苏省物流产业发展现状进行综合评价，从而为江苏省乃至全国的物流产业的发展提供一定的启示。
二．主成分分析方法介绍
主成分分析是把原来多个变量化为少数几个综合指标的一种统计分析方法，从数学角度来看，这是一种降维处理技术。
假定有n个地理样本，每个样本共有p个变量描述，这样就构成了一个n×p阶的数据矩阵：
如何从这么多变量的数据中抓住主要的变量指标呢？要解决这一问题，自然要在p维空间中加以考察，这是比较麻烦的。
为了克服这一困难，就需要进行降维处理，即用较少的几个综合指标来代替原来较多的变量指标，而且使这些较少的综合指标既能尽量多地反映原来较多指标所反映的信息，同时它们之间又是彼此独立的。
那么，这些综合指标（即新变量)应如何选取呢？显然，其最简单的形式就是取原来变量指标的线性组合，适当调整组合系数，使新的变量指标之间相互独立且代表性最好。
如果记原来的变量指标为x1，x2，…，xp，它们的综合指标——新变量指标为x1，x2，…，zm（m≤p)。
则
在（2)式中，系数lij由下列原则来决定：
（1)zi与zj（i≠j；i，j=1，2，…，m)相互无关；
（2)z1是x1，x2，…，xp的一切线性组合中方差最大者；z2是与z1不相关的x1，x2，…，xp的所有线性组合中方差最大者；……；zm是与z1，z2，……zm-1都不相关的x1，x2，…，xp的所有线性组合中方差最大者。
这样决定的新变量指标z1，z2，…，zm分别称为原变量指标x1，x2，…，xp的第一，第二，…，第m主成分。
其中，z1在总方差中占的比例最大，z2，z3，…，zm的方差依次递减。
在实际问题的分析中，常挑选前几个最大的主成分，这样既减少了变量的数目，又抓住了主要矛盾，简化了变量之间的关系。
从以上分析可以看出，找主成分就是确定原来变量xj（j=1，2，…，p)在诸主成分zi （i=1，2，…，m)上的载荷lij（i=1，2，…，m；j=1，2，…，p)，从数学上容易知道，它们分别是x1，x2，…，xp的相关矩阵的m个较大的特征值所对应的特征向量。
主成分分析是社会经济问题中研究应用最多的多元统计方法之一，其原理是利用降维的思想，在保证原始数据信息损失最小的前提下，将原来指标重新组合成一组新的互相无关的几个综合指标，这几个综合指标是原始指标的线性组合。
并且保留了原始指标的主要信息，彼此间又互不相关，使复杂的问题简单化，抓住主要矛盾进行分析。
基本步骤为：确定分析变量，收集数据；原始数据的标准化处理；由标准数据求协方差矩阵；求R的特征值、特征向量和主成分的方差贡献率；提取主成分；求主成分分值，计算综合分值。
三．实证分析
（一）数据选取以及指标来源
根据上文主成分分析的基本原理，本文以江苏省为例，考虑到统计数据可获得性，本文选取“地区生产总值”作为物流需求规模影响指标；选取“公路里程以及民用汽车拥有量”作为物流供给的影响因素；选取“第一、第二、第三产业的产值”作为产业结构的影响因素。
具体选择的指标为：地区生产总值x1、第一产业产值x2、第二产业产值x3、第三产业产值x4、公路里程x5以及车辆拥有量x6等。
其中，三大产业不仅考虑了区域经济总量，还考虑了江苏省经济结构对物流需求规模影响。
（具体的原始数据见表1所示）
表1 2009年江苏省沿江地区主要指标
数据来源：江苏省统计年鉴2010
（二）数据处理以及计算结果
对原始数据进行标准化处理。
计算特征值、方差贡献率以及各指标的相关系数矩阵。
笔者利用SAS9.1.3软件对标准处理的数据进行处理。
特征值、方差贡献率的结果如表2所示，各指标的相关系数矩阵的特征值如表3所示，各地区的综合得分如表4所示，
提取方法：主成分分析法
表4综合排序
提取主成分。
如表2所示，提取前2个特征值的主成分，这两个主成分的累计方差贡献
率达到98.26％，表明提取的前2个主成分可以基本反映全部6个指标所具有的信息，能在一定程度上说明区域物流产业发展的综合因素。
笔者利用SAS9.1.3统计软件进行数据的处理，得出相关系数矩阵的特征值（见表3），进而得到主成分的表达式可以表述为：Prin1=0.419061x1+0.381547x2+0.399822x3+0.423129x4+0.400101x5+0.424067x6
Prin2=-0.312072x1+0.631509x2-0.489653x3-0.176339x4+ 0.477188x5 -0.072414x6
对原始数据进行标准化处理计算出各地区的综合得分（见表4），负分值不表示物流产业发展的能力差，评价分值只是反映了物流产业发展能力的相对强弱。
从表4的综合排名可以看出，得分为正值的地区只有5个，得分为负值的市有15个，这信息说明江苏省的物流产业发展目前不容乐观，并且地区之间的发展不平衡，易形成两极分化的局势。
五．政策建议
针对本文影响物流产业发展能力的主要因素的分析，提高地区物流产业发展能力具体政策建议如下：
（一）加快产业结构的转换，构建合理的产业结构
从上述结果看第一产业产值与江苏省物流产业的发展呈现了高度的相关性，而并非第三产业，说明当第一、二、和第三产业构成比例不合理时，对物流需求就出现了削弱作用。
因此，在发展江苏省物流产业时必须先加快产业结构的转换，构建合理的产业结构。
（二）加快物流产业基础设施建设，完善物流发展平台
基础设施优越的区域，运输条件便利，就可以吸引更多的物流，这与本文最终分析的结果是一致的。
因此，在江苏省物流产业发展的过程之中，必须不断完善基础设施建设，加大铁路、公路以及内河的里程。
加大投资，增加车辆的拥有量。
构建合理的物流信息平台，加大物流人才的培养等。
（三）加强政府对物流业发展的规划，制定人才开发战略
各级政府要加强对物流业发展的规划和指导，加强宣传引导，营造物流业发展的良好环境，制定物流人才开发战略，建立吸引人才的有效机制。
在贯彻落实好国家和省现有推动物流业发展有关政策的基础上，进一步研究制定促进物流业发展的土地、税收、融资和交通管理等方面的政策措施。
省及地方各级人民政府在财政资金安排上，支持重点物流项目建设、物流人才培养、物流科技研发和物流基础性工作。
在符合国家、省用地政策的前提下，优先安排省级重点物流项目用地。
对全省重点物流企业的土地和房屋使用税实行适当减免，用足用好物流营业税抵扣政策。
制定城市物流配送车辆通行便利措施和降低物流企业规费负担的政策。
（四）加快经济发展，提高最终消费支出
实践证明，经济越发达地区对物流的需求规模越大，经济增长对物流需求有很大促进作用，这点从模型结果也得到验证。
因此，要想加快江苏省物流产业的发展必须加快经济的发展，并且要制定相应的刺激消费的政策，提高最终消费支出。
【参考文献】
1.林璐龙；海峡两岸经济区产业布局与物流产业发展研究[D]；厦门大学；2007年
2.孔令刚;物流产业对区域经济发展的作用研究——以合肥为例[A];中部崛起与现代服务业——第二届中部商业经济论坛论文集[C];2008年
3．邵扬;物流业对中国经济增长的影响研究[D];吉林大学;2009年
4. 平先秉；基于主成分分析的湖南物流产业发展综合评价[A]；湘潭职业技术学院经贸与管理系；2009年。