根据表4的最终因子载荷矩阵，由此可以写出如下因子分析的模型：
　　X1=0.979F1+0.024F2；X2=0.974F1+0.183F2；……；X9=0.324F1+0.879F2
　　Xi（i=1，2，…，9）代表了9个评价指标，公共因子F1表示社会经济因子，F2表示物流产业因子。由于因子载荷矩阵是正交旋转，这两个因子之间不存在相关，避免了因子综合评价的多重共线性，故可以代表不同的评价维度。
　　4. 因子得分。因子分析把原来的9个指标浓缩成相互独立的2个公因子，一方面达到了降维的目的；另一方面也排除了指标之间的相关性，同时，SPSS根据因子得分函数自动计算各样本的因子得分，并选取各因子的方差贡献率为因子得分权重，计算各城市的综合因子得分，其计算形式为：
　　F=0.511 09F1+0.394 26F2
　　每个城市的综合因子得分反映了各节点城市区域物流综合实力的强弱，将11个城市的综合因子得分从高到低排序，如表5所示。

　　四、 聚类分析

　　聚类分析是研究“物以类聚”的一种多元统计分析方法。最常用最基本的一种聚类分析方法是层次聚类分析，此外还有动态聚类法、模糊聚类法、有序聚类法等，本研究采用层次聚类法。
　　层次聚类法的基本思想是，一开始将要归类的n个变量看成一类，然后按事先规定好的方法计算各类之间的归类指数（相似系数或距离），根据指数大小衡量两类之间的密切程度，将关系最密切的两类并成一类，其余不变，即得n-1类；重新计算各类之间的归类指数，再将关系最密切的两类并成一类，其余不变，即得n-2类；如此进行下去，直到最后n个变量都归成一类。

我们按照层次聚类法的步骤，首先经过运算将原始数据标准化，使具有不同量纲、不同数量级的数据能放在一起比较；然后用11个节点城市的标准化数据求出欧氏距离；最后应用Wald离差平方和法，按照使总的类内离差平方和增加最小的原则，使得类的分法逐渐减小。具体聚类过程见表6。
　　SPSS完成以上运算步骤后，可将11个城市分成2类~4类，如果按照四类来划分，其中包头距离其他城市较远，单独聚合为一类；属于物流发展高水平的地区；长沙、哈尔滨、长春、福州聚合为一类，属于物流发展中等偏上地区；合肥、呼和浩特、太原、昆明距离较近，聚合为一类，属于物流发展中等偏下地区；海口、银川聚合为一类，相对于全国其他九个节点城市来说，是属于物流发展低水平地区（见表7）。