重型车油耗因子分析

引 言

由于我国机动车保有量逐年递增，使得车辆燃油消耗在石油消耗总量和进口总量中的占比也随之逐年提高，又因为我国汽车燃油消耗水准平均比发达国家高 10% ～20%[1]，所以降低燃油消耗刻不容缓。在利用车辆进行货物运输的方式中， 重型汽车所占的比例较大，所以可以通过降低重型车燃油消耗来降低机动车燃油消耗。从之前国内外有关降低燃油消耗的研究来看，主要从改善道路状况、优化车辆结构、驾驶员培训这三个方面来实现，而当前的研究趋向于以人—车—环境为综合系统进行研究。

在一定条件下，转速、车速、冷却液温度、瞬时油耗、扭矩、油门开度、挡位都可以用来做油耗大小的参考，但这七个数据却不能对油耗做出一个明确的评价，因此有必要通过这七个参数确定一个综合评价指标。

1 数据筛选与预处理

在大数据背景下，以中国重汽智能通（车队管理系统）提供的数据为来源进行分析。为了较准确的反应人—车—环境的综合系统，保证不会因人、车、环境中的任意一个因素的异常对数据造成偏差，本文做了以下筛选：

(1) 选择了行驶道路相对简单的挂车来保证不会因为道路的恶劣情况对采集的数据产生影响；

（2）选择运送货物为危险品的物流公司，以保证智能通 系统不会出现大量的停车数据，又因为运送危险品的驾驶员有 良好的驾车习惯，避免了因司机操作不当对结果产生影响 ；

（3）研究时间为 2016 年 1月1日至 2016 年 1月15日，运 输距离累计大于 11 000 km。本次研究利用 Matlab 进行数据 处理，主要达到格式标准化、清除异常数据、纠正错误、清 除重复数据的目的。表 1 所列是经处理后的部分数据。

2 利用SPSS进行油耗因子分析

运用因子分析方法的前提是变量之间存在线性关系，以达到减少变量、方便分析的目的。通过观察表 2 中变量的相关矩阵可知，大多数变量的相关系数大于 0.3，具有较强的相关性，同时，对上述变量进行 KMO 和Bartlett 检验。由表 3 可知， Bartlett 的球形度检验为 174 800.951，相应的概率为 0，应拒绝零假设，认为相关矩阵与单位矩阵有显著差异，KMO 值为0.792，较好的达到了标准，可以运用因子分析的方法。

表 4 给出了提取公共因子前后各变量的共同度，例如，提取公共因子后，发动机扭矩的共同度为 0.915，即提取的公共因子对发动机扭矩方差做出了 91.5% 的贡献。从该列的数值可以看出，各变量的共同度都比较大，说明变量空间转化为因子空间时，保留了较多的信息，因此，因子分析的效果十分显著。

从表 5 的第二列可以看出，初始特征值有两个大于 1，分别是 4.403 和 1.267，它们一起解释了原始数据情况的 80.988%，因此提取两个公共因子是恰当的，能够比较全面的 反应情况。

表 6 给出了因子载荷矩阵，右边的两列分别代表第一、 第二主因子的载荷，如发动机转速是第一个主因子的载荷的 0.878，第二个主因子的载荷的－ 0.277。可以看出各因子的典 型代表变量并不突出，不能对因子做出很好的解释，因此，对 因子载荷矩阵实施旋转是非常有必要的。表 7 是对表 6 的因 子载荷施行方差最大正交旋转后的结果，可以看出，第一主 因子主要由转速、挡位、车速、冷却液温度决定，第二主因子 则由瞬时油耗、扭矩、油门开度决定。

表 8 所列是因子转换矩阵，旋转前的因子载荷乘以因子 转化矩阵等于旋转后的因子载荷矩阵。表 9 列出了因子得分的 协方差矩阵，发现是个单位矩阵，说明提取的两个公因子是 不相关的。