重型車油耗因子分析

引 言

由于我國機(jī)動車保有量逐年遞增，使得車輛燃油消耗在石油消耗總量和進(jìn)口總量中的占比也隨之逐年提高，又因為我國汽車燃油消耗水準(zhǔn)平均比發(fā)達(dá)國家高 10% ～20%[1]，所以降低燃油消耗刻不容緩。在利用車輛進(jìn)行貨物運(yùn)輸?shù)姆绞街校?重型汽車所占的比例較大，所以可以通過降低重型車燃油消耗來降低機(jī)動車燃油消耗。從之前國內(nèi)外有關(guān)降低燃油消耗的研究來看，主要從改善道路狀況、優(yōu)化車輛結(jié)構(gòu)、駕駛員培訓(xùn)這三個方面來實現(xiàn)，而當(dāng)前的研究趨向于以人—車—環(huán)境為綜合系統(tǒng)進(jìn)行研究。

在一定條件下，轉(zhuǎn)速、車速、冷卻液溫度、瞬時油耗、扭矩、油門開度、擋位都可以用來做油耗大小的參考，但這七個數(shù)據(jù)卻不能對油耗做出一個明確的評價，因此有必要通過這七個參數(shù)確定一個綜合評價指標(biāo)。

1 數(shù)據(jù)篩選與預(yù)處理

在大數(shù)據(jù)背景下，以中國重汽智能通（車隊管理系統(tǒng)）提供的數(shù)據(jù)為來源進(jìn)行分析。為了較準(zhǔn)確的反應(yīng)人—車—環(huán)境的綜合系統(tǒng)，保證不會因人、車、環(huán)境中的任意一個因素的異常對數(shù)據(jù)造成偏差，本文做了以下篩選：

(1) 選擇了行駛道路相對簡單的掛車來保證不會因為道路的惡劣情況對采集的數(shù)據(jù)產(chǎn)生影響；

（2）選擇運(yùn)送貨物為危險品的物流公司，以保證智能通 系統(tǒng)不會出現(xiàn)大量的停車數(shù)據(jù)，又因為運(yùn)送危險品的駕駛員有 良好的駕車習(xí)慣，避免了因司機(jī)操作不當(dāng)對結(jié)果產(chǎn)生影響 ；

（3）研究時間為 2016 年 1月1日至 2016 年 1月15日，運(yùn) 輸距離累計大于 11 000 km。本次研究利用 Matlab 進(jìn)行數(shù)據(jù) 處理，主要達(dá)到格式標(biāo)準(zhǔn)化、清除異常數(shù)據(jù)、糾正錯誤、清 除重復(fù)數(shù)據(jù)的目的。表 1 所列是經(jīng)處理后的部分?jǐn)?shù)據(jù)。

2 利用SPSS進(jìn)行油耗因子分析

運(yùn)用因子分析方法的前提是變量之間存在線性關(guān)系，以達(dá)到減少變量、方便分析的目的。通過觀察表 2 中變量的相關(guān)矩陣可知，大多數(shù)變量的相關(guān)系數(shù)大于 0.3，具有較強(qiáng)的相關(guān)性，同時，對上述變量進(jìn)行 KMO 和Bartlett 檢驗。由表 3 可知， Bartlett 的球形度檢驗為 174 800.951，相應(yīng)的概率為 0，應(yīng)拒絕零假設(shè)，認(rèn)為相關(guān)矩陣與單位矩陣有顯著差異，KMO 值為0.792，較好的達(dá)到了標(biāo)準(zhǔn)，可以運(yùn)用因子分析的方法。

表 4 給出了提取公共因子前后各變量的共同度，例如，提取公共因子后，發(fā)動機(jī)扭矩的共同度為 0.915，即提取的公共因子對發(fā)動機(jī)扭矩方差做出了 91.5% 的貢獻(xiàn)。從該列的數(shù)值可以看出，各變量的共同度都比較大，說明變量空間轉(zhuǎn)化為因子空間時，保留了較多的信息，因此，因子分析的效果十分顯著。

從表 5 的第二列可以看出，初始特征值有兩個大于 1，分別是 4.403 和 1.267，它們一起解釋了原始數(shù)據(jù)情況的 80.988%，因此提取兩個公共因子是恰當(dāng)?shù)?，能夠比較全面的 反應(yīng)情況。

表 6 給出了因子載荷矩陣，右邊的兩列分別代表第一、 第二主因子的載荷，如發(fā)動機(jī)轉(zhuǎn)速是第一個主因子的載荷的 0.878，第二個主因子的載荷的－ 0.277。可以看出各因子的典 型代表變量并不突出，不能對因子做出很好的解釋，因此，對 因子載荷矩陣實施旋轉(zhuǎn)是非常有必要的。表 7 是對表 6 的因 子載荷施行方差最大正交旋轉(zhuǎn)后的結(jié)果，可以看出，第一主 因子主要由轉(zhuǎn)速、擋位、車速、冷卻液溫度決定，第二主因子 則由瞬時油耗、扭矩、油門開度決定。

表 8 所列是因子轉(zhuǎn)換矩陣，旋轉(zhuǎn)前的因子載荷乘以因子 轉(zhuǎn)化矩陣等于旋轉(zhuǎn)后的因子載荷矩陣。表 9 列出了因子得分的 協(xié)方差矩陣，發(fā)現(xiàn)是個單位矩陣，說明提取的兩個公因子是 不相關(guān)的。