郭小川 王洲杰 邢飛

摘要：隨著現(xiàn)代經(jīng)濟(jì)的發(fā)展和人們環(huán)境保護(hù)意識的增強(qiáng)，有少部分國家已經(jīng)計劃并且發(fā)展新能源汽車，例如中國、美國等。該文通過引入Correlation coefficient皮爾遜相關(guān)系數(shù)公式，結(jié)合Q-type聚類分析和R-type聚類分析方法，建立了一個基于國家主要指標(biāo)和參數(shù)分類系統(tǒng)，對不同類型國家關(guān)于新能源汽車推廣進(jìn)行研究。

關(guān)鍵詞：新能源汽車；分類系統(tǒng)；相關(guān)系數(shù)；R-type聚類；Q-type聚類

中圖分類號：TP311 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2018）13-0001-03

1 概述

新能源汽車是未來交通運輸?shù)陌l(fā)展趨勢，大多數(shù)國家都已經(jīng)對這一趨勢做出了響應(yīng)和相應(yīng)的行動。例如中國、美國等國家已經(jīng)對新能源汽車進(jìn)行試點和推廣，韓國等國家也已經(jīng)開始對發(fā)展新能源汽車制定計劃和戰(zhàn)略。本文通過建立分類系統(tǒng)對幾個典型國家進(jìn)行分類，針對不同類別進(jìn)行新能源汽車推廣方案的研究。

2 分類系統(tǒng)模型的建立和求解

世界上每個國家的國情都是獨特的，因此對于國家類型的劃分標(biāo)準(zhǔn)就需要綜合考慮多個方面的因素。本文從九個國家（美國、澳大利亞、印度尼西亞、沙特阿拉伯、新加坡、韓國、愛爾蘭、烏拉圭）的五個方面著手，共選取了九個關(guān)于國家綜合情況的影響因素。

2.1 主要因素分析和選擇

定性地分析這九個因素，可以發(fā)現(xiàn)在因素之間存在著較強(qiáng)的相關(guān)性。例如，人均汽車擁有量越多，人均公路里程就越多。其次，人均GDP越高的話理論上人均汽車擁有量也會越高。為了驗證猜想，對影響因素數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，即

[xij*=xij-xjVar（xj）] [（i=1，2，…，9；j=1，2，…，9）]

并引入Correlation coefficient皮爾遜相關(guān)系數(shù)公式，即

[ρij=Cov（Xi，Xj）D（Xi）D（Xj）] [（i=1，2， …，9；j=1，2，…9）]

[Xi，Xj] 分別為九個影響因素的第[i]個影響因素和第[j]個影響因素。

運用MATLAB R2017a編寫程序，發(fā)現(xiàn)一些因素之間的確存在著強(qiáng)相關(guān)性。因此為了精簡和優(yōu)化模型，利用R-type聚類分析對這些指標(biāo)進(jìn)行分類，從而選出每個類別的主要影響因素。同樣首先對每個指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理，變量間相近性度量同樣采用皮爾遜相關(guān)系數(shù)，類間相近性度量的計算選用類平均法（group average method），即

[D（G1，G2）=1n1n2xi∈G1x2∈G2d（xi，xj）]

[G1，G2] 為兩個樣本，[n1，n2] 分別為兩個樣本中的樣本點個數(shù)。

運用MATLAB R2017a編寫程序得到聚類樹形圖和分類結(jié)果。

2.2 基于Q-type聚類的國家分類

把上文提到的九個國家作為樣本，根據(jù)R-type聚類選取的主要影響因素，引入適合對樣本進(jìn)行分類的Q-type聚類分析來建立分類系統(tǒng)，對九個國家進(jìn)行分類。

同樣，對經(jīng)過R-type聚類分析篩選后的數(shù)據(jù)也要利用數(shù)據(jù)標(biāo)準(zhǔn)化公式進(jìn)行標(biāo)準(zhǔn)化的處理。

[xij*=xij-xjVar（xj）]

[（i=1，2，…，9；j=1，2，…，5）]。

然后樣本間相似性采用歐式距離度量，即：

3 不同類型國家的新能源汽車推廣的分析

新能源汽車發(fā)展和推廣的總趨勢都是相似的，但是細(xì)化到不同類別的國家就會產(chǎn)生差異。不同類別的國家制定的戰(zhàn)略和預(yù)計的發(fā)展趨勢都要結(jié)合其國情綜合考慮。根據(jù)分類系統(tǒng)模型的結(jié)果來詳細(xì)分析不同的戰(zhàn)略。

國家類別1：中國、印度尼西亞等這類國家的特點都是發(fā)展中國家，地域遼闊且人口眾多，所以汽車數(shù)量巨大，碳排放量也過大。這類國家的轉(zhuǎn)型迫在眉睫，但也不能急于求成，基礎(chǔ)設(shè)施的建設(shè)工作必須完成，需要建立大量的新能源補(bǔ)給站，才能促使新能源汽車的發(fā)展。

國家類別2：新加坡、韓國等這類國家的特點都是發(fā)展較好的小型國家，人均公路里程數(shù)較少，因此在這些國家應(yīng)該考慮短途出行等方面，著手于如何在小地域范圍內(nèi)建設(shè)最優(yōu)數(shù)量的新能源汽車的補(bǔ)給站。

國家類別3：沙特阿拉伯這個國家有著顯著的國家特點：國家的汽油資源相當(dāng)豐富。國家經(jīng)濟(jì)的發(fā)展都是依靠石油資源的出口，因此在這類國家進(jìn)行新能源汽車的發(fā)展和推廣是有一定的困難的，但是沙特阿拉伯的碳排放量很大，所以又存在著轉(zhuǎn)型的必要性。

國家類別4：美國和澳大利亞這類國家都是有著很高的汽車擁有量的發(fā)達(dá)國家，且國土面積較大。除此之外，這類國家也早已開始發(fā)展和推廣新能源汽車，這類國家應(yīng)該是未來最先完全普及的一批國家。

這個分類系統(tǒng)可用于許多國家，因為系統(tǒng)的建立考慮到了眾多方面的因素。不同的國家會被劃分到不同的類別，再根據(jù)類別的相應(yīng)特點和自身國情制定適合的戰(zhàn)略方針，此系統(tǒng)只能提供參考的功能，不能完全照搬。

參考文獻(xiàn)：

[1] 姜啟源. 數(shù)學(xué)模型[M].4版. 北京：高等教育出版社，2011.

[2] Jiang Qiyuan. Mathematical model[M].4 edition. Beijing： Higher Education Press，2011.

[3] 姜啟源. UMAP數(shù)學(xué)建模案例精選[M]. 北京：高等教育出版社，2015.

[4] Jiang Qiyuan. UMAP Selected examples of mathematical modeling[M]. Beijing： Higher Education Press， 2015

[5] 司守奎， 孫兆亮. 數(shù)學(xué)建模算法與應(yīng)用[M]. 北京：國防工業(yè)出版社，2015.

[6] Si Shoukui， Sun Zhaoliang. Mathematical modeling， algorithms and applications[M]. Beijing： National Defence Industry Press，2015.

[7] https：//en.wikipedia.org/wiki/Cluster_analysis.

[8] Zhou Pei-de. Computational geometry-algorithm analysis and design[M].Beijing：Tsinghua University Press，2000.