计量论文-城镇人均可支配收入、旅游人数等因素对国内旅游业的影响

1、.城镇人均可支配收入、旅游人数等因素对国内旅游业的影响【摘要】旅游行业是个潜力巨大，商机无限的行业，伴随着我国人民生活水平的提高，休闲娱乐活动的增加，我国旅游业也呈现旺盛的发展势头，本文选取了3个可能影响国内旅游行业总花费的变量，对其进行回归分析，这对于旅游业未来的发展规划有着重要的作用。【关键词】系数矩阵 怀特检验 DW检验 残差项一、引言随着中国知识经济时代的到来以及我国居民生活水平的提高，旅游市场范围不断扩大，旅游业正进入高速发展阶段。一些学者认为影响旅游需求的因素有国内经济发展水平，人民生活水平，旅游休闲时间，人口特征，交通条件，价格因素等。他们认为随着国民经济的稳定快速发展，人民生活

2、水平的日益提高等带来的我国城镇居民平均可支配收入增多，以及旅游相关设施的进一步完善，这些因素都向着有利于国内旅游业的方向发展，也必将给我国国内旅游产业带来新一轮的发展机会。本文将围绕城镇人均可支配收入、旅游社数量等三个因素对国内旅游业的总花费进行讨论；并浅析这几个因素对中国国内旅游业的影响。二、一元回归模型分析2.1建立模型2.1.1 研究对象我们选取国内旅游总花费为被解释变量Yi；在该模型中，国内旅游总花费的变化趋势可以较为直观地解释城镇人均可支配收入对旅游行业的影响程度。在这里我们假定被解释变量与下述解释变量的回归模型是参数与变量均线性的。2.1.2 解释变量在该模型中将城镇人均可支配收入

3、选作解释变量Xi；我们初步判断如下：随着逐年城镇人均可支配收入的递增，国内旅游业会因此而带来利好，即全年国内旅游总花费会随之逐渐攀升。两者应成正向关系。2.1.3 理论模型或函数式根据古典线性回归模型的设定形式，得下述回归模型：Yi=B1+B2Xi+ui我们假设：城镇人均可支配收入Xi在递增的情况下，国内旅游总花费Yi与解释变量呈线性递增关系。其中，系数B2我们假定为正，ui为扰动误差项，且与Xi不相关。2.2数据的收集与整理本模型以国家统计局统计数据为源，使用了20002012年的城镇人均可支配收入、国内旅游总花费的数据，数据真实可靠。利用Stata软件进行回归分析，建立Yi关于 Xi的精确

4、模型，并分析其影响程度与拟合优度。20002012年国内旅游总花费与城镇人均可支配收入数据年份（单位：年）城镇人均可支配收入（单位：元）国内旅游总花费（单位：亿元）20006,280.003,175.5420016,859.603,522.3720027,702.803,878.3620038,472.203,442.2720049,421.604,710.71200510,493.005,285.86200611,759.506,229.70200713,785.807,770.62200815,780.808,749.30200917,174.7010,183.69201019,109.4

5、012,579.77201121,809.8019,305.39201224564.7022,706.22注：2012年前城镇居民收支数据来源于独立开展的城镇住户抽样调查。2.3数据处理与回归分析假定所建一元线性模型以及随机扰动项ui满足各项古典假定。利用Stata对上述基本模型进行OLS参数估计：Yi=B1+B2Xi+uiStata的最小二乘法计算见表1。根据表1中的数据，模型估计的结果为：Yi=-4876.938+1.0010Xise = （0.0863）（1251.013） t = （11.71）（-3.90）R2=0.9257 R2=0.9189 F=137.02 df=11 表1 S

6、tata回归分析表图1 回归分析散点图与拟合曲线2.4回归结果分析与检验由上述数据可知，该模型由于F检验的P值为0，模型总体是统计显著的，模型较好。而R2=0.9257 R2=0.9189则表示该拟合回归直线较优，F检验值为137.02，表示该模型的回归方程是明显显著的。现对该模型的经济解释如下：首先，由于社会经济的高速发展，城镇居民的可支配收入亦随之逐年增长。在收入增加的情况下，人们就会有更多的剩余可支配收入投入到旅游这类娱乐消费中。所以Xi应该与被解释变量Yi呈正比关系。而事实上，系数B2也是正值（1.009965），其经济意义是：城镇居民平均可支配收入每增加1个单位，那么他们国内旅游业的

7、投资就会增加1.009965个单位。其次，城镇居民可支配收入的t统计值为11.71。在显著性水平为0.05时，t2n-k=t0.02511=2.201，检验非常显著。三、多元回归模型分析3.1建立模型3.1.1 研究对象仍旧选取国内旅游总花费为被解释变量Yi；在这一多元模型中，城镇人均可支配收入、旅游社数量和城镇旅游人数可以解释对国内旅游总花费的变化趋势的影响程度。在此，我们假定被解释变量与下述解释变量的回归模型是参数线性的关系。3.1.2 解释变量本模型将城镇人均可支配收入选为解释变量X2，旅游社数量为变量X3，城镇旅游人数为变量X4。根据模型的经济意义，我们进行初步判断：随着旅游社数量在中

8、国内地的增加、城镇居民旅游人数以及人均可支配收入的提升，我国的国内旅游业可能随之增加效益；四者呈正向关系，即Bi（i=2，3，4）均为正数。3.1.3 理论模型或函数式根据多元线性回归模型的设定，得下述回归模型：ln(Yi)=B1+B2lnX2+B3lnX3+B4ln(X4)+u我们假设： u为随机扰动量，与X2、X3、X4均不相关。在控制其他变量均不变的情况下，X2（X4或X3）的对数值与被解释变量Yi的对数值呈正比关系。3.2数据的收集与整理本模型以国家统计局统计数据为源，使用了19982012年的城镇人均可支配收入、国内旅游总花费、旅游社数量以及城镇旅游人数的数据，数据真实可靠。利用St

9、ata软件进行回归分析，建立Yi关于 Xii=2，3，4的精确模型，并分析其经济解释与拟合优度。19982012年国内旅游业影响因素数据yearincomeagencypeoplecost19985425.162222501515.11999585473262841748.22000628089933292235.320016859.6105323752651.720027702.8115523852848.120038472.2133613512404.120049421.6149274593359200510493162454963656.1200611759.5179575764414.

10、7200713785.8189436125550.4200815780.8201107035971.7200917174.7203999037233.8201019109.42278410659403.8201121809.823690168714808.6201224564.724944193317678注：1、year为统计年份（单位：年），income（X2）为城镇人均可支配收入（单位：元），agency（X3）为旅游社数量（单位：个），people（X4）为城镇旅游人数（单位：百万人次）。2、2012年前城乡居民收支数据来源于分别开展的城镇住户抽样调查和农村住户抽样调查。3.3数据处理

11、与回归分析假定所建多元模型以及随机扰动项u满足各项古典假定。利用Stata对上述基本模型进行OLS参数估计：ln(Yi)=B1+B2lnX2+B3lnX3+B4ln(X4)+uStata的最小二乘法计算见下页表2根据表2中的数据，模型估计的结果为：ln(Yi)=-0.569506+0.1112767lnX2+0.1601668lnX3+1.004227ln(X4)se = （0.1984931）（0.1227184）（0.1025825） t = （0.56）（1.31）（9.79）R2=0.9964 R2=0.9954 F=1012.79 df=11表2 Stata回归分析表3.4多重共线性

12、的检验与修正3.4.1 多重共线性的检验由表中数据知，该模型由于F检验的P值为0，模型总体依然是统计显著的，模型较好。而R2=0.9964 R2=0.9954则表示该拟合回归直线较优，F检验值为1012.79，表示该模型的回归方程是明显显著的。从现实意义出发，只有在城镇居民的平均可支配收入有增长的情况下，人们才会更愿意拿出其中的一部分剩余资产进行旅行。因此，我们认为在该模型中的B2应为正值，实测数据为0.1112767；其经济解释为：在其他变量控制不变时，每当城镇居民的平均可支配收入上升1个百分点，那么国内旅游总花费就会上升0.1112%；同理可得，若控制其他条件不变，每当旅行社数量上升1个百

13、分点，总花费就上升0.1602%；而每当城镇旅游人数上升1个百分点，总花费就上升1.004%。此外， ln(X4)的t分布为9.79，在显著性水平为0.05时，t2n-k=t0.02511=2.201，这个结果是非常显著的； 然而在同样的显著水平（=0.05）下，ln(X2)与ln(X3)的t检验并不显著。这表明其中很可能有多重共线性。计算出各个解释变量的相关系数，选择ln(X2)，ln(X3)和ln(X4)的数据，得相关系数矩阵如下表3所示：表3 相关系数矩阵lnx2lnx3lnx4lnx21.00000.95760.9704lnx30.95761.00000.8954lnx40.97040

14、.89541.0000由相关系数矩阵可以看出，各个解释变量相互之间的相关系数较高，证实确实存在多重共线性。3.4.2 修正多重共线性运用OLS法逐一求ln(Yi)对各个解释变量的回归。发现与lnx4的线性关系最强，拟合度最好。如下：ln(Yi)=1.191062lnx4+0.8167466se=（0.0275801）（0.1757243）t=（43.19）（4.65）R2=0.9931 R2=0.9925 F=1865.00 df=13逐步回归,将其余解释变量逐一代入：（这里我们先代入lnx3）ln(Yi)=1.054872lnx4+0.2169372lnx3-4.001238se=（0.04

15、72）（0.0673）（0.4006）t=（22.35）（3.22）（-1.00）R2=0.9963 R2=0.9957 F=1611.09 df=12发现R2提高到了0.9957，F统计量也依旧十分显著。虽然加入新变量对其他参数有一些影响，但是各个解释变量的t统计值在=0.05时依旧显著；且该变量对于ln(Yi)的影响是较明显的，斜率系数为0.2169。故考虑保留变量。此时带入lnX2，我们会得到初始的多变量模型。新变量的加入不仅使得各解释变量的显著性明显下降，而且R2还有所下降。故舍去lnX2。综合上述，应该对原模型的lnX2变量剔除。3.5 异方差的检验与修正一般来说，时间序列中出现异方

16、差的情况比较少；因此我们假设该模型不存在异方差。观察:以下两图是残差关于两个解释变量的散点图，显然可见，图中的点呈现杂乱无章的分布，故我们推测：该模型的确可能不存在异方差。图2 残差图经过图检，我们认为不存在异方差。现使用怀特检验进一步精确地检验其是否具有异方差，见下表：:表4 怀特检验在=0.05下，若拒绝原假设则犯错的概率高达44.98%；因此选择接受原假设，认为该模型不存在异方差。3.5 自相关的检验与修正3.5.1 自相关的检验消除多重共线性影响后的回归结果为：表5 Stata回归分析表ln(Yi)=1.054872lnx4+0.2169372lnx3-4.001238se=（0.04

17、72）（0.0673）（0.4006）t=（22.35）（3.22）（-1.00）R2=0.9963 R2=0.9957 F=1611.09 df=12图3 散点图这是以year为横轴，residual为纵轴的散点图。如果该模型存在正的序列相关，那么图中的各个三点应该统一分布在0值线的上方。事实上，图中各点不规则地交错分布在0的两侧。由此观察，该多元模型并不存在自相关。我们还可以根据上右残差项的自相关图，得：样本自相关系数衰减到阴影内部。长期内的自相关系数均很小，我们由此样本不存在自相关。下图是Stata生成的一个白噪声检验图，该图的最外面两条线表示临界线，形成一个区域。若点在区域内部则表明变量是白噪声序列；相反，若点在所定区域外部