[经济学]我国农民人均纯收入影响因素分析EVIEWS.doc

20122013学年第二学期计量经济学期末考试班级:XXXXXX 姓名：XXXXXX 学号：XXXXXXXX题目：关于我国粮食产量的影响因素分析一、 研究背景与意义（一）研究背景粮食问题是我国面临的大问题，不光是国人，很多外国人也关注这个问题。我国是世界上人口最多的国家，但人均耕地面的远远少于世界平均水平，如何在有限的土地上养活这么多的人口，解决粮食问题无疑是重中之重。从历史数据来看，我国粮食总产量在1998年达到高峰，为5.12亿吨，此后，粮食生产呈现持续下滑的局面，一直持续到2003年。2003年以后，中央加大了对“三农”的关注力度，每年出台的中央一号文件都是针对解决“三农”问题的。由于中央对农业生产的高度重视，以及连续出台的多项惠农政策，极大的调动了农民的生产积极性。从2004年到2006年，我国实现了连续三年的大丰收。2007年我国的粮食产量再创新高，更是突破5亿吨大关，但是我国粮食生产仍存在着许多问题。（二）研究意义粮食是人类生存最基本的生活消费品，一个国家的粮食问题是关系到本国的国计民生的头等大事。我们知道，农业是国民经济发展的基础，粮食是基础的基础，因此粮食生产是关系到一个国家生存与发展的一个永恒的主题。建国以来我国的粮食产量多次出现了波动，这不仅制约了国民经济的发展，而且给粮食生产者和消费者都带来了极为不利的影响。中国的粮食产量波动对粮食价格的影响重大，意义深远。分析近几十年来的中国粮食产量并从中发现一些规律，对我们认识目前的粮食价格及未来走势有重要帮助。在我国，粮食包括谷物、豆类和薯类，其中大宗产品谷物又主要包括小麦、玉米、水稻三种。粮食生产在我国具有特别重要的意义，中国历史上，因为饥荒而引发的战乱是不胜枚举的，所以大凡出色的皇帝都有强烈的民本农耕思想。直到现代社会，粮食依然是不可或缺的战略物资。世界各国，无论是发达国家还是发展中国家，都对粮食生产十分重视。依照战略的眼光，粮食和石油对一个国家特别是大国具有十分重要的制约作用，缺乏这两种物资，就会在国际竞争中处于被动地位，受制于人。我国是世界人口第一大国，来自人口的压力直接作用到粮食生产上。西方国家某些学者所讲的中国威胁论，很大一部分来源于对我国粮食生产的担心。因此，对我国粮食生产的影响因素进行定量分析，研究粮食生产涨落的原因以及提供某些政策建议是十分必要的。二、 理论综述生产函数模型的一个基本假设是关于要素之间替代性质的假设。作为粮食产量的解释变量的元素是多个的，如果假设粮食播种面积、有效灌溉面积等要素是可以替代的，则粮食产量与其投入要素之间的关系可以采用单方程线性计量经济学模型。（一） 文献综述1、近年我国粮食产量变化的主要影响因素分析 赵俊晔，李秀峰，王 川著 采用逐步回归和灰色关联分析对19912004年影响我国粮食产量变化的主要因素进行了分析，发现粮食产量变化主要来自稻谷单产变化及玉米和小麦播种面积的变化。有效灌溉面积与粮食产量一直保持高的关联度；成灾面积与粮食产量的关联度剧烈变动，其关联序仅次于有效灌溉面积；化肥、农药、农业机械总动力和农用塑料薄膜等用量与粮食产量的关联度逐渐下降。2、中国粮食产量分析及展望 新浪财经自建国以来，我国粮食生产不断发展，产量不断提高，但这一过程也呈现出我国粮食产量存在周期性波动的特点，而且粮食产量的动波动基本上与粮食价格相吻合。未来我国粮食供求形势还不容乐观，粮食价格从长期看仍然有上涨要求。3、中国粮食产量波动影响因素实证分析 王玉斌，蒋俊朋，王晓志，陈慧萍著基于最小信息准则采用扩展ADF法对19492004年中国粮食及水稻、小麦、玉米产量数据进行平稳性检验,结果表明:其在原始序列水平上均为平稳时间序列;采用TARCH模型与EGARCH模型对以上数据的增长率数据进行非对称性检验,结果表明,波动具有杠杆效应,负面影响比等量正面影响导致更大波动;根据扩展C-D函数运用19782004年中国粮食生产相关数据构建了粮食产量波动影响因素实证模型,结果说明,投入变动对粮食产量波动有同向影响,经济作物比较收益情况对粮食生产有反向作用,粮食本身收益情况并非影响生产的关键因素,粮食生产对气候等自然条件依赖性较强。（二）理论假说我国国土辽阔，但耕地面积稀少，改革开放之前粮食生产主要是以小农经济为主体的粗放式生产，粮食产量的提高几乎全部靠劳动力的投入，同时对自然灾害所带来的危害的抵御能力较弱。改革开放以来，国家在推行农村土地改革的基础上，加大了对粮食生产的其他要素的投入，比如说袁隆平的杂交水稻技术等等科学技术的投入，农业机械化的改进，化肥使用的投入，以及加大各种农村水利设施的建设等等，都在极大程度上提高了我国粮食产量和整个农业生产力的进步。同时，国家也在对防护自然灾害对粮食产量的影响方面做出了许多贡献，将自然灾害对农业生产的影响降到最低。可以看出影响粮食产量的因素中包括了促进生产的有利因素和抑制产出的不利因素。所以在此，我们选取了粮食播种面积、有效灌溉面积、农业机械总动力、化肥施用量、乡村办水电站发电能力、农业基本建设投资六个有利因素以及受灾面积作为研究粮食产量的模型中的解释变量。（注：由于我国特殊国情，人口众多，加之，粮食的需求是缺乏弹性的，所以对粮食的需求量不会产生较大波动，因而，影响粮食增加值的因素是生产因素，粮食生产函数是供给导向的）这里假定，粮食播种面积、有效灌溉面积、农业机械总动力、化肥施用量、乡村办水电站发电能力、农业基本建设投资与粮食产量呈正相关；成灾面积与粮食产量为反向相关。三、 数据收集为了说明问题，本文从中国统计年鉴2009以及国家统计局网站上找到了我国19902007年的我国粮食总产量、农作物播种面积等数据，并参考了他人论文上找到其他相关数据。在相互对照比较确定数据的准确性之后，我们做出了以下的数据统计表如表3.1所示。（表3.1：所用数据均来源于中国统计年鉴，所设模型的样本容量为1990年到2007年共18个）四、 建立模型柯布道格拉斯生产函数模型在经济增长、宏观经济学、发展经济学等多领域的论题研究中计量分析结果令人满意。其形式为：Q=AKL 式中，A、为大于零的参数。构建经济模型是实际经济运行过程的概括描述，其意义在于分析和判断世纪经济运行中众多因素运行的结果以及针对行地提出相应的政策和措施。从实际情况来看，当前影响粮食产量的因素众多，这些因素分布于再生产的不同环节或不同层面上，以不同方式对农民收入发生作用。因为在建立模型时，就应当使分布于再生产各个环节的因素都有所体现，尤其是影响当前粮食产量的重要因素需引入模型加以分析。基于这种考虑，我们对柯布道格拉斯生产函数加以扩展和改进，以此构建广义的生产函数模型。为了保证模型顺利通过检验，本文利用全国19902007年相关样本数据进行了数十次试验，最终筛选出7项指标作为模型变量。所建模型及设定变量为：Yt =0 +1 X1t +2 X2t +3 X3t +4X4t+5 X5t +6 X6t +7 X7t +Ut式式中，Yt我国粮食总产量；X1t粮食播种面积， X2t农业机械总动力，X3t农业化肥施用量，X4t有效灌溉面积，X5t受灾面积，X6t农业基础设施投资，X7t农村水电站发电能力；0为因变量为0时的粮食产量，没有经济意义；i( i 1,2,3,4,5,6,7)为斜率，度量相关自变量变动引起Y的变化率。五、 参数估计与检验（一）最小二乘法估计最小二乘法（又称最小平方法）是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。最小二乘法还可用于曲线拟合。其他一些优化问题也可通过最小化能量或最大化熵用最小二乘法来表达。1.OSL回归表：利用Eviews软件进行最小二乘估计，估计结果如表5.1.1所示：Dependent Variable: YMethod: Least SquaresDate: 06/18/13 Time: 22:40Sample: 1990 2007Included observations: 18VariableCoefficientStd. Errort-StatisticProb.C-46346.1911401.51-4.0649180.0023X10.4675100.0548728.5200060.0000X2-0.5499260.156144-3.5219210.0055X37.3012080.67637010.794690.0000X40.8759450.4010102.1843480.0538X5-0.1439100.023349-6.1635260.0001X64.1439861.0717223.8666620.0031X7-3.0771602.452673-1.2546150.2381R-squared0.986653Mean dependent var47041.61Adjusted R-squared0.977310S.D. dependent var2703.348S.E. of regression407.2151Akaike info criterion15.15766Sum squared resid1658241.Schwarz criterion15.55338Log likelihood-128.4190F-statistic105.6018Durbin-Watson stat2.818294Prob(F-statistic)0.000000表5.1.1，Eviews参数估计表1回归结果的解释：粮食播种面积、有效灌溉面积、化肥施用量、农业基本建设投资与粮食产量呈正相关；成灾面积与粮食产量为反向相关。但是乡村办水电站发电能力以及农业机械总动力与粮食产量呈不明显的反相关，可能导致这种情况的原因有很多。斜率系数表明，农业化肥施用量对粮食产量的影响最大。负的截距项没有实际经济意义。的值很高，为0.986653，说明回归方程是显著的。回归方程依据Eviews输出的回归分析结果得到回归方程：式P =(0.0023) (0.0000) (0.0055) (0.0000) (0.0538) (0.0001) (0.0031) (0.2381)SE=(11402) (0.0548) (0.1561) (0.6763) (0.4010) (0.0233) (1.0717) (2.4526)T=(-4.0649) (8.5200) (-3.5219) (10.794) (2.1843) (-6.164) (3.8667) (-1.255)=0.986653 =0.977310 DW=2.818294 F=105.6018（二）多重共线性检验1. 综合判断法由前面的估计结果可以看出，=0.986653 =0.977310，可决系数很高，说明模型对样本的拟合很好，F=105.6018检验值很大，相应的 p = 0.000000（接近于0）说明说明回归方程显著，即各自变量联合起来确实对因变量“粮食产量” 有显著影响。但变量 X7 系数的t统计量为-1.254615，相应的p值为0.2381。说明 X1对因变量影响不显著，而且 X2和X7系数符号与经济意义不符。综合上述分析，表明模型很可能存在严重的多重共线性。2. 简单相关系数检验法计算解释变量 x1、x2、 x3、 x4、 x5、 x6、x7 的简单相关系数矩阵得到表5.2.2.1。表5.2.2.1，相关系数矩阵由相关系数矩阵可以看出，各解释变量相互之间的相关系数较高，特别是 x2和 x3、x4 、x6、x7之间，x3和x4、x7之间，x7和x4之间，x6和x7之间高度相关，证实解释变量之间存在多重共线性。3. 多重共线性模型的修正这里我们使用向前逐步回归的办法，来减少共线性的严重程度。第一步：分别求 Y对各解释变量x1、x2、 x3、 x4、 x5、 x6、 x7进行一元回归如表5.2.3.15.2.3.7所示。Dependent Variable: YMethod: Least SquaresDate: 06/18/13 Time: 23:20Sample: 1990 2007Included observations: 18VariableCoefficientStd. Errort-StatisticProb.C-525.889164.11333-8.2024920.0000X119.460311.41604313.742740.0000R-squared0.890564Mean dependent var345.5232Adjusted R-squared0.883210S.D. dependent var139.7117Sample: 1990 2007Included observations: 18VariableCoefficientStd. Errort-StatisticProb.C43867.252025.25721.660090.0000X20.0654880.0398571.6430560.1199R-squared0.144368Mean dependent var47041.61Adjusted R-squared0.090891S.D. dependent var2703.348表5.2.3.1 y对x1的回归结果Dependent Variable: YMethod: Least SquaresDate: 06/18/13 Time: 23:59Sample: 1990 2007Included observations: 18VariableCoefficientStd. Errort-StatisticProb.C43867.252025.25721.660090.0000X20.0654880.0398571.6430560.1199R-squared0.144368Mean dependent var47041.61Adjusted R-squared0.090891S.D. dependent var2703.348S.E. of regression2577.566Akaike info criterion18.65152Sum squared resid1.06E+08Schwarz criterion18.75045Log likelihood-165.8637F-statistic2.699634Durbin-Watson stat0.709449Prob(F-statistic)0.119875表5.2.3.2 y对x2的回归结果Dependent Variable: YMethod: Least SquaresDate: 06/18/13 Time: 23:26Sample: 1990 2007Included observations: 18VariableCoefficientStd. Errort-StatisticProb.C39383.683091.01912.741330.0000X31.9415780.7709182.5185270.0228R-squared0.283891Mean dependent var47041.61Adjusted R-squared0.239135S.D. dependent var2703.348表5.2.3.3 y对x3的回归结果Dependent Variable: YMethod: Least SquaresDate: 06/18/13 Time: 23:28Sample: 1990 2007Included observations: 18VariableCoefficientStd. Errort-StatisticProb.C26740.8210648.992.5111140.0232X40.3904530.2044991.9093190.0743R-squared0.185564Mean dependent var47041.61Adjusted R-squared0.134662S.D. dependent var2703.348表5.2.3.4 y对x4的回归结果Dependent Variable: YMethod: Least SquaresDate: 06/19/13 Time: 00:00Sample: 1990 2007Included observations: 18VariableCoefficientStd. Errort-StatisticProb.C45545.962384.68619.099350.0000X50.0534080.0819480.6517320.5238R-squared0.025861Mean dependent var47041.61Adjusted R-squared-0.035023S.D. dependent var2703.348表5.2.3.5 y对x5的回归结果Dependent Variable: YMethod: Least SquaresDate: 06/19/13 Time: 00:01Sample: 1990 2007Included observations: 18VariableCoefficientStd. Errort-StatisticProb.C46475.332421.98319.188960.0000X5-0.0174330.095325-0.1828780.8573X61.0421270.7659191.3606220.1937R-squared0.132880Mean dependent var47041.61Adjusted R-squared0.017264S.D. dependent var2703.348表5.2.3.6 y对x6的回归结果Dependent Variable: YMethod: Least SquaresDate: 06/19/13 Time: 00:01Sample: 1990 2007Included observations: 18VariableCoefficientStd. Errort-StatisticProb.C44838.952394.39218.726650.0000X5-0.0149770.095644-0.1565870.8777X73.5657842.7199361.3109810.2096R-squared0.126002Mean dependent var47041.61Adjusted R-squared0.009469S.D. dependent var2703.348表5.2.3.7 y对x7的回归结果通过观察比较表5.2.3.15.2.3.7的回归结果，并根据逐步回归的思想，我们可以看到，新加入变量 x1的二元回归方程=0.883210最大，并且x1的 t 检验显著，因此，选取 x1作为进入回归模型的第一个解释变量，形成二元回归模型。第二步：将剩余解释变量分别加入模型，得到Y、x1对剩余变量的二元回归结果如表5.2.3.85.2.3.13所示Dependent Variable: YMethod: Least SquaresDate: 06/19/13 Time: 00:08Sample: 1990 2007Included observations: 18VariableCoefficientStd. Errort-StatisticProb.C-44375.7513089.42-3.3901980.0040X10.7429770.1098616.7629080.0000X20.2227390.0309707.1920770.0000R-squared0.788687Mean dependent var47041.61Adjusted R-squared0.760512S.D. dependent var2703.348表5.2.3.8 对x2的回归结果Dependent Variable: YMethod: Least SquaresDate: 06/19/13 Time: 00:08Sample: 1990 2007Included observations: 18VariableCoefficientStd. Errort-StatisticProb.C-39618.368130.288-4.8729350.0002X10.6374970.0649229.8194440.0000X34.4331090.38694211.456780.0000R-squared0.903595Mean dependent var47041.61Adjusted R-squared0.890741S.D. dependent var2703.348表5.2.3.9 对x3的回归结果Dependent Variable: YMethod: Least SquaresDate: 06/19/13 Time: 00:09Sample: 1990 2007Included observations: 18VariableCoefficientStd. Errort-StatisticProb.C-73830.9519024.58-3.8808180.0015X10.6232930.1113445.5978930.0001X41.0239640.1650696.2032550.0000R-squared0.736351Mean dependent var47041.61Adjusted R-squared0.701198S.D. dependent var2703.348表5.2.3.10 对x4的回归结果Dependent Variable: YMethod: Least SquaresDate: 06/19/13 Time: 00:10Sample: 1990 2007Included observations: 18VariableCoefficientStd. Errort-StatisticProb.C24863.6517366.231.4317250.1727X10.1843480.1533641.2020270.2480X50.0776410.0833080.9319820.3661R-squared0.111450Mean dependent var47041.61Adjusted R-squared-0.007024S.D. dependent var2703.348表5.2.3.11 对x5的回归结果Dependent Variable: YMethod: Least SquaresDate: 06/19/13 Time: 00:10Sample: 1990 2007Included observations: 18VariableCoefficientStd. Errort-StatisticProb.C-22498.2915099.90-1.4899620.1570X10.6141610.1351574.5440630.0004X62.8631940.5898944.8537450.0002R-squared0.634324Mean dependent var47041.61Adjusted R-squared0.585567S.D. dependent var2703.348表5.2.3.12 对x6的回归结果Dependent Variable: YMethod: Least SquaresDate: 06/19/13 Time: 00:11Sample: 1990 2007Included observations: 18VariableCoefficientStd. Errort-StatisticProb.C-29021.4015957.89-1.8186240.0890X10.6309070.1364144.6249370.0003X710.339542.1072894.9065610.0002R-squared0.639148Mean dependent var47041.61Adjusted R-squared0.591035S.D. dependent var2703.348表5.2.3.13 对x7的回归结果综合表5.2.3.85.2.3.13所示，并根据逐步回归的思想，我们可以看到，新加入变量 x3的二元回归方程=0.890741最大，并且各参数的 t 检验显著，因此，选取 x3作为进入回归模型的第二个解释变量，形成三元回归模型。第三步：将剩余解释变量分别加入模型，得到Y、x1、x3对剩余变量的三元回归结果表5.2.3.145.2.3.18所示Dependent Variable: YMethod: Least SquaresDate: 06/19/13 Time: 00:13Sample: 1990 2007Included observations: 18VariableCoefficientStd. Errort-StatisticProb.C-38559.929236.219-4.1748590.0009X10.6245970.0818517.6309060.0000X34.7298071.1521714.1051250.0011X2-0.0171000.062287-0.2745390.7877R-squared0.904111Mean dependent var47041.61Adjusted R-squared0.883563S.D. dependent var2703.348表5.2.3.14 对x2的回归结果Dependent Variable: YMethod: Least SquaresDate: 06/19/13 Time: 00:13Sample: 1990 2007Included observations: 18VariableCoefficientStd. Errort-StatisticProb.C-13332.5414402.39-0.9257170.3703X10.6026770.0607359.9230010.0000X36.6398551.0979496.0475050.0000X4-0.6002990.283230-2.1194780.0524R-squared0.927014Mean dependent var47041.61Adjusted R-squared0.911374S.D. dependent var2703.348表5.2.3.15 对x3的回归结果Dependent Variable: YMethod: Least SquaresDate: 06/19/13 Time: 00:14Sample: 1990 2007Included observations: 18VariableCoefficientStd. Errort-StatisticProb.C-40555.437169.162-5.6569280.0001X10.6490950.05737511.313180.0000X34.7865720.37334112.820900.0000X5-0.0612580.026476-2.3137160.0364R-squared0.930261Mean dependent var47041.61Adjusted R-squared0.915317S.D. dependent var2703.348表5.2.3.16 对x5的回归结果Dependent Variable: YMethod: Least SquaresDate: 06/19/13 Time: 00:15Sample: 1990 2007Included observations: 18VariableCoefficientStd. Errort-StatisticProb.C-40481.008390.322-4.8247250.0003X10.6545040.0710239.2153560.0000X34.0988810.6420646.3839150.0000X60.3315660.5025840.6597220.5201R-squared0.906501Mean dependent var47041.61Adjusted R-squared0.886466S.D. dependent var2703.348表5.2.3.17 对x6的回归结果Dependent Variable: YMethod: Least SquaresDate: 06/19/13 Time: 00:18Sample: 1990 2007Included observations: 18VariableCoefficientStd. Errort-StatisticProb.C-40135.158708.061-4.6089650.0004X10.6439170.0728828.8350400.0000X34.3055790.6930726.2123150.0000X70.4394781.9509340.2252650.8250R-squared0.903943Mean dependent var47041.61Adjusted R-squared0.883359S.D. dependent var2703.348表5.2.3.18 对x7的回归结果综合表5.2.3.145.2.3.18所示，并根据逐步回归的思想，我们可以看到，新加入变量 x5的二元回归方程=0.915317最大，并且各参数的 t 检验显著，因此，选取 x5作为进入回归模型的第三个解释变量，形成四元回归模型。第四步：将剩余解释变量分别加入模型，得到Y、x1、x3、x5对剩余变量的四元回归结果表5.2.3.195.2.3.22。Dependent Variable: YMethod: Least SquaresDate: 06/19/13 Time: 00:21Sample: 1990 2007Included observations: 18VariableCoefficientStd. Errort-StatisticProb.C-42137.768270.104-5.0951910.0002X10.6683910.0744948.9723610.0000X34.3823511.0242044.2787880.0009X5-0.0651680.028789-2.2636330.0414X20.0245980.0577600.4258610.6772R-squared0.931221Mean dependent var47041.61Adjusted R-squared0.910058S.D. dependent var2703.348表5.2.3.19 对x2的回归结果Dependent Variable: YMethod: Least SquaresDate: 06/19/13 Time: 00:22Sample: 1990 2007Included observations: 18VariableCoefficientStd. Errort-StatisticProb.C-19348.6013365.00-1.4477060.1714X10.6192580.05555811.146230.0000X36.4941110.9959886.5202710.0000X5-0.0509360.025148-2.0254400.0639X4-0.4807030.262971-1.8279660.0906R-squared0.944521Mean dependent var47041.61Adjusted R-squared0.927451S.D. dependent var2703.348表5.2.3.20 对x4的回归结果Dependent Variable: YMethod: Least SquaresDate: 06/19/13 Time: 00:23Sample: 1990 2007Included observations: 18VariableCoefficientStd. Errort-StatisticProb.C-43151.366598.796-6.5392780.0000X10.6978840.05707112.228390.0000X34.0297290.5012988.0385950.0000X5-0.0825420.026089-3.1638820.0075X60.8726420.4277032.0402990.0622R-squared0.947176Mean dep