计量论文黑龙江省粮食产量影响因素分析.doc

Shanxi University of Finance and Economics题目： 黑龙江省粮食产量影响因素分析学院： 国际贸易学院班级： 国际经济与贸易三班学号： 201303010303姓名： 王达 2015年12月31日目录摘要2关键字2一、引言2二、文献综述3三、模型设定，数据处理及检验4 (一)指标选取4（二）本模型数据来源5（三）模型设定6（四）模型结果7（五）模型检验和调整8四、结果分析16五、政策建议17【参考文献】19摘要：黑龙江省是我国重要的粮食主要产区之一，是我国重要的商品粮食基地，素有中国“战略粮仓”之美誉，肩负这国家粮食安全的重担。本文采用计量经济分析方法，以19912014年黑龙江粮食产量及其重要因素的时间序列数据为样本进行了多元线性回归分析。关键字：粮食产量、影响因素、回归分析、黑龙江一、引言“国以民为本，民以食为天，食以米为主，米以优为先”。粮食是关系国计民生和国家经济安全的重要战略物资。我国人多地少，耕地面积仅占世界7，却要养活占世界22%的人口。因此，粮食产量的稳定增长已然成为了保证人民生活和社会稳定发展的命脉。随着人口的不断增加，城市化进程的不断加快，经济结构的转型以及人民物质生活水平的逐步提高，人们对粮食的要求更是越来越高。这对我国人口基数庞大，土地资源稀缺的现状来说，无疑不是雪上加霜。作为世界上第一人口大国，粮食问题已必然成为了关系国家安全亘古不变的话题。黑龙江省作为我国重要的粮食生产基地,农业基础雄厚,拥有大量的耕地后备资源以及现代农业基础,具备了高标准增加粮食产量的潜力,一直被誉为中国的“战略粮仓”。国家统计局近日公布的数据显示，我国粮食总产量今年实现十一连增。其中，黑龙江省粮食总产比上年增产47.6亿斤，全省粮食总产达到1248.4亿斤，占全国粮食增产总量的近一半，再次为国家粮食安全做出贡献1，在此向社会各界证明了产粮大省不可撼动的地位。在中国人民日益增长的粮食需求同世界粮价日益增长的双重打击下，如何让黑龙江的粮食产量保持稳定增长甚至实现前所未有的突破真正成为中国粮仓的“强心脏”已成为了每个黑龙江人乃至国家政府关切的问题。 二、文献综述20世纪以来，中国粮食生产迈上了新的台阶，进入供求基本平衡、丰年有余的新阶段。但是粮食供求将长期趋紧。特别是随着工业化和城镇化进程加快以及受农业结构调整、生态退耕、自然灾害损毁和非农建设占用等影响，中国耕地资源逐年减少2。此时，粮食产量便显得更加弥足珍贵。经济全球化与中国粮食问题一书曾预言过“中国农业的粮食经济陷阱在经济全球化总格局中，会成为真正的深渊”。并对加入WTO之后的中国粮食发展战略调整进行了研究对中国粮食的竞争力进行了评估，充分利用比较优势原理对粮食安全与宏观调控进行分析，并对粮食产量的保护与支持给予多个方面的内容说明3。本论文将以大化小，对影响黑龙江的粮食产量因素进行系统分析，提出契合本文同时放眼于黑龙江粮食产业未来发展的几点意见。三、模型设定，数据处理及检验1、指标选取影响某地区粮食产量的总因素有很多，首先应当考虑的是粮食作物的播种面积，其次是生产资料（如有效灌溉面积、化肥施用量、农业机械总动力、资本投入等）的投入，此外还有国家政府出台的相关政策等因素。由于国家政府的相关政策难以量化，在此不将其引入模型中。本论文所建模型选取了粮食作物播种面积、有效灌溉面积、农用化肥折纯量（化肥施用量）、农业机械总动力以及受灾面积等五个因素作为影响粮食总产量的重要指标。11粮食作物播种面积。粮食作物播种面积毫无疑问是直接影响粮食总产量的重要因素之一。根据近二十年的黑龙江统计年鉴数据显示，2000年以后，黑龙江粮食产量持稳定小幅度增长的趋势。12有效灌溉面积。有效灌溉面积也是直接影响粮食产量的重要因素之一。黑龙江省的灌溉面积在逐年增加，由1994年的1015.4千公顷到2014年的5793.32千公顷，20年的时间增长了近5倍。13农用化肥折纯量（化肥施用量）。化肥施用量对粮食的产量影响极大，在所有物质投入中所占比例也是最大的。黑龙江省的化肥施用量从1994年的108.5万吨到2014年的250.31万吨，二十年间一直保持着小幅度的稳定增长。14农用机械总动力。如同军事实力是衡量一个国家战斗能力的重要指标一样，农用机械总动力也已然成为了衡量一个地区，一个农用现代化水平的重要指标之一，也必然成为了衡量一个地区或是国家粮食总产量的重要指标之一。黑龙江省作为一个以农业生产为主的大省，正在不断引进大型农用机械以增强本省的总用机械总动力。从1994年的1190万千瓦到2014年的4930.27万千瓦，用实际行动向社会各界证明了他不可撼动的农业大省的地位。15受灾面积。随着环境不断被破坏，全国范围内农作物种植区的受灾面积在逐年增加。即使我们拥有强大的农用机械总动力，受灾面积的增大还是可能会对粮食总产量产生冲击。2、本模型数据来源根据中华人民共和国统计局、黑龙江统计年鉴及黑龙江农业信息网中相应年度的数据，选用了粮食总产量、粮食作物播种面积、有效灌溉面积、农用化肥折纯量、农用机械总动力、受灾面积这6个指标。将这6个指标19942014年20年间的时间序列数据进行回归分析，来分析这些因素与粮食产量的关系。以粮食产量作为因变量，其他5个指标作为解释变量进行回归分析。数据：粮食产量（万吨）Y粮食作物播种面积（千公顷）有效灌溉面积（千公顷）农用化肥折纯量（万吨）农业机械总动力（万千瓦）受灾面积（千公顷）1984 1757.50 7355.10 623.60 46.60 902.31 1535.30 1985 1430.00 7216.40 679.53 42.10 960.42 4211.30 1986 1776.30 7323.70 719.67 47.70 935.00 2314.70 1987 1763.50 7411.90 766.27 52.20 1095.00 3622.00 1988 1643.00 6886.30 739.60 54.40 1105.00 3998.00 1989 1621.50 7261.70 777.47 66.10 1163.00 3690.00 1990 2312.50 7420.00 1078.67 76.50 1173.40 1816.70 1991 2164.30 7426.90 1117.80 83.80 1179.50 3794.70 1992 2366.30 7348.40 1156.80 88.50 1172.60 2959.00 1993 2390.80 7557.60 1163.60 100.20 1185.30 3092.00 19942578.70 7496.40 1015.40 108.50 1190.00 3841.00 19952552.10 7500.20 1094.70 108.90 1226.10 3127.00 19963040.60 7778.80 1335.30 115.10 1254.80 3216.00 19973104.50 7993.70 1607.00 121.80 1285.40 3207.00 19983008.50 8088.90 1815.00 125.89 1454.50 3162.00 19993074.60 8098.50 1965.64 126.31 1559.70 1440.00 20002545.50 7852.50 2032.00 121.55 1613.80 3483.00 20012651.70 8534.00 2090.35 123.24 1648.29 4238.00 20022941.20 8291.20 2185.27 129.79 1741.75 4149.00 20032512.30 8114.70 2111.53 125.70 1807.74 6659.00 20043001.00 8458.00 2282.11 143.81 1952.17 3790.10 20053092.00 8650.80 2394.07 150.92 2234.04 2101.50 20063843.50 10525.73 2648.20 162.20 2570.60 3330.00 20073462.92 10820.46 2950.26 175.20 2785.30 6652.60 2008 4225.00 10988.93 3122.51 180.73 3018.36 2367.10 2009 4353.01 11391.03 3405.86 198.87 3401.27 7393.70 2010 5012.80 11454.70 3875.22 214.89 3736.29 1432.20 2011 5570.60 11502.93 4332.65 228.44 4097.84 1536.80 2012 5761.49 11519.54 4776.48 240.28 4552.93 2429.40 2013 6004.10 11564.36 5342.12 244.96 4849.28 1548.00 20146242.19 12061.70 5793.32 250.31 4930.27 2057.00 3、模型设定通过对黑龙江近30年的粮食产量及其相关主要因素的定性分析之后，初步得出6个指标间存在多元线性关系，即粮食作物播种面积、有效灌溉面积、农用化肥折纯量、农用机械总动力、受灾面积这五个指标间存在线性关系，所以将粮食产量的回归模型初步假定为。其中，Y为粮食产量，为粮食作物播种面积，为有效灌溉面积，为农用化肥折纯量，农用机械总动力，为受灾面积。利用收集到的数据对以上因素进行拟合，得到其存在的数量关系为模型设定的意义所在。在模型设置的过程中，忽略掉了政府政策因素等难以量化的因素以及政府政策因素衍生出的科技费用、科技人员投入量以及农村用电量、乡村农林牧渔业从业人员等可能导致严重多重共线性的因素，以避免不必要的干扰。4、模型结果运用Eviews6.0对收集到的数据进行参数估计，回归结果如下所示：参数估计： Dependent Variable: YMethod: Least SquaresDate: 12/31/15 Time: 15:45Sample: 1984 2014Included observations: 31VariableCoefficientStd. Errort-StatisticProb.C721.4259500.50371.4414000.1619X10.0424330.0924350.4590610.6502X20.0200060.2058730.0971780.9234X313.337972.8007534.7622800.0001X40.3220830.2314741.3914460.1763X5-0.1181380.026763-4.4143060.0002R-squared0.980895Mean dependent var3154.968Adjusted R-squared0.977074S.D. dependent var1354.359S.E. of regression205.0667Akaike info criterion13.65653Sum squared resid1051309.Schwarz criterion13.93408Log likelihood-205.6763Hannan-Quinn criter.13.74701F-statistic256.7150Durbin-Watson stat1.359491Prob(F-statistic)0.000000模型结果根据以上设立模型的参数值，可得到模型结果为：5、模型检验和调整5.1经济意义检验：模型估计结果说明，粮食作物播种面积有效灌溉面积农用化肥折纯量农业机械总动力系数为正，受灾面积系数为负，均符合经济意义。5.2统计推断检验：从回归结果可以看出，可决系数=0.980895，修正的可决系数=0.977074，模型的拟合程度很好。5.3系数显著性检验：F检验值为256.175，明显显著。5.4计量经济学检验：第一步，怀疑多重共线性。根据t检验结果显示，、的系数不显著，这表明可能存在多重共线性。相关系数矩阵：YX1X2X3X4X5Y1.0000000.9379790.9724880.9738120.967061-0.253923X10.9379791.0000000.9428400.9413990.960976-0.069341X20.9724880.9428401.0000000.9694860.985342-0.162085X30.9738120.9413990.9694861.0000000.951982-0.111357X40.9670610.9609760.9853420.9519821.000000-0.163687X5-0.253923-0.069341-0.162085-0.111357-0.1636871.000000由相关系数矩阵可以看出，除外，各解释变量相互间的相关系数较高，证实确实存在一定的多重共线性。利用逐步回归法改善多重共线性将、分别与Y进行回归检验，对得到结果的可绝系数进行汇总，统计结果如下表所示:R-squared0.8798060.9457340.9483100.9352080.064477有统计结果可知，同Y的显著性检验最明显。Dependent Variable: YMethod: Least SquaresDate: 12/31/15 Time: 15:52Sample: 1984 2014Included observations: 31VariableCoefficientStd. Errort-StatisticProb.C356.3513133.73612.6645860.0125X321.392510.92745323.065870.0000R-squared0.948310Mean dependent var3154.968Adjusted R-squared0.946527S.D. dependent var1354.359S.E. of regression313.1841Akaike info criterion14.39380Sum squared resid2844445.Schwarz criterion14.48632Log likelihood-221.1039Hannan-Quinn criter.14.42396F-statistic532.0346Durbin-Watson stat0.875969Prob(F-statistic)0.000000Dependent Variable: YMethod: Least SquaresDate: 12/31/15 Time: 15:57Sample: 1984 2014Included observations: 31VariableCoefficientStd. Errort-StatisticProb.C565.3690124.76264.5315600.0001X312.465572.5227664.9412300.0000X40.4660190.1253743.7170400.0009R-squared0.965389Mean dependent var3154.968Adjusted R-squared0.962916S.D. dependent var1354.359S.E. of regression260.8108Akaike info criterion14.05723Sum squared resid1904623.Schwarz criterion14.19601Log likelihood-214.8871Hannan-Quinn criter.14.10247F-statistic390.4903Durbin-Watson stat1.367738Prob(F-statistic)0.000000Dependent Variable: YMethod: Least SquaresDate: 12/31/15 Time: 15:58Sample: 1984 2014Included observations: 31VariableCoefficientStd. Errort-StatisticProb.C945.5512125.34017.5438860.0000X313.788621.9380007.1148710.0000X40.3807390.0970223.9242520.0005X5-0.1146060.024718-4.6365860.0001R-squared0.980731Mean dependent var3154.968Adjusted R-squared0.978590S.D. dependent var1354.359S.E. of regression198.1723Akaike info criterion13.53606Sum squared resid1060351.Schwarz criterion13.72110Log likelihood-205.8090Hannan-Quinn criter.13.59638F-statistic458.0701Durbin-Watson stat1.421951Prob(F-statistic)0.000000（逐步回归法的计算结果只显示部分，如上述所示）根据逐步回归方法剔除了及后的模型不存在多重共线性。新模型为：且由回归结果可以看出，新模型的可决系数更高，拟合程度更好；F检验的值更大，更加明显显著。第二步，异方差检验White检验：Heteroskedasticity Test: WhiteF-statistic0.637473Prob. F(9,21)0.7530Obs*R-squared6.651950Prob. Chi-Square(9)0.6733Scaled explained SS8.008751Prob. Chi-Square(9)0.5333Test Equation:Dependent Variable: RESID2Method: Least SquaresDate: 12/31/15 Time: 16:10Sample: 1984 2014Included observations: 31VariableCoefficientStd. Errort-StatisticProb.C-134824.2176137.9-0.7654470.4525X3-403.05424761.660-0.0846460.9333X3262.5904452.946341.1821490.2504X3*X4-7.5802975.787172-1.3098450.2044X3*X5-0.2560110.779538-0.3284140.7459X4221.6324303.59890.7300170.4734X420.1875880.1464921.2805350.2143X4*X50.0183600.0410220.4475640.6591X5-13.6577744.93894-0.3039180.7642X52-7.17E-050.006036-0.0118830.9906R-squared0.214579Mean dependent var34204.87Adjusted R-squared-0.122030S.D. dependent var61948.23S.E. of regression65619.23Akaike info criterion25.27682Sum squared resid9.04E+10Schwarz criterion25.73940Log likelihood-381.7907Hannan-Quinn criter.25.42761F-statistic0.637473Durbin-Watson stat2.392836Prob(F-statistic)0.752976从White检验可以看出，模型不存在异方差。第三步，自相关检验由残差图可以看出，模型可能存在负自相关，因此对模型再次进行DW检验，检验结果如下：Dependent Variable: YMethod: Least SquaresDate: 12/31/15 Time: 16:40Sample: 1984 2014Included observations: 31VariableCoefficientStd. Errort-StatisticProb.C945.5512125.34017.5438860.0000X313.788621.9380007.1148710.0000X40.3807390.0970223.9242520.0005X5-0.1146060.024718-4.6365860.0001R-squared0.980731Mean dependent var3154.968Adjusted R-squared0.978590S.D. dependent var1354.359S.E. of regression198.1723Akaike info criterion13.53606Sum squared resid1060351.Schwarz criterion13.72110Log likelihood-205.8090Hannan-Quinn criter.13.59638F-statistic458.0701Durbin-Watson stat1.421951Prob(F-statistic)0.000000模型的自相关性不确定，因此对模型进行LM检验，检验结果如下：Breusch-Godfrey Serial Correlation LM Test:F-statistic1.277321Prob. F(2,25)0.2964Obs*R-squared2.874067Prob. Chi-Square(2)0.2376Test Equation:Dependent Variable: RESIDMethod: Least SquaresDate: 12/31/15 Time: 16:41Sample: 1984 2014Included observations: 31Presample missing value lagged residuals set to zero.VariableCoefficientStd. Errort-StatisticProb.C-51.93776139.2240-0.3730520.7123X3-0.3323421.937030-0.1715730.8652X40.0259870.0983510.2642240.7938X50.0135660.0298660.4542190.6536RESID(-1)0.2496310.2043021.2218720.2332RESID(-2)0.1624750.2482920.6543720.5188R-squared0.092712Mean dependent var-3.57E-13Adjusted R-squared-0.088746S.D. dependent var188.0027S.E. of regression196.1677Akaike info criterion13.56780Sum squared resid962043.8Schwarz criterion13.84535Log likelihood-204.3009Hannan-Quinn criter.13.65827F-statistic0.510928Durbin-Watson stat1.901920Prob(F-statistic)0.765323综上所述，模型不存在自相关性。第四步，时间序列数据平稳性检验分别对Y、 、分别进行零阶、一阶、二阶差分序列做单位根检验。（下图仅列出二阶差分序列的检验） 对Y的二阶差分序列做单位根检验：Null Hypothesis: D(Y,2) has a unit rootExogenous: ConstantLag Length: 2 (Fixed)t-StatisticProb.*Augmented Dickey-Fuller test statistic-5.2131880.0003Test critical values:1% level-3.7114575% level-2.98103810% level-2.629906对的二阶差分序列做单位根检验：Null Hypothesis: D(X3,2) has a unit rootExogenous: ConstantLag Length: 2 (Fixed)t-StatisticProb.*Augmented Dickey-Fuller test statistic-2.9927100.0488Test critical values:1% level-3.7114575% level-2.98103810% level-2.629906对的二阶差分序列做单位根检验：Null Hypothesis: D(X4,2) has a unit rootExogenous: ConstantLag Length: 2 (Fixed)t-StatisticProb.*Augmented Dickey-Fuller test statistic-2.6544250.0955Test critical values:1% level-3.7114575% level-2.98103810% level-2.629906对的二阶差分序列做单位根检验：Null Hypothesis: D(X5,2) has a unit rootExogenous: ConstantLag Length: 2 (Fixed)t-StatisticProb.*Augmented Dickey-Fuller test statistic-5.6651510.0001Test critical values:1% level-3.7114575% level-2.98103810% level-2.629906可以得出, Y 均为不平稳序列，且均为二阶单整序列。分析Y与、之间是否存在协整关系：用OLS回归方法对模型进行回归，检验回归残差的平稳性，对残差进行单位根检验结果如下图：Null Hypothesis: ET has a unit rootExogenous: NoneLag Length: 2 (Fixed)t-StatisticProb.*Augmented Dickey-Fuller test statistic-2.3713300.0196Test critical values:1% level-2.6501455% level-1.95338110% level-1.609798可得出：在5%的显著性水平下，t检验统计量值为-2.371330，小于临界值，从而拒绝原假设，表明残差序列不存在单位根，是平稳序列，说明与,之间存在协整关系，即长期均衡关系。修正：从短期看，模型可能会出现失衡，为了增强模型的精度，通过建立误差修正模型Y的短期行为与长期变化联系起来。误差修正模型结构如下： Dependent Variable: Y-Y(-1)Method: Least SquaresDate: 12/31/15 Time: 19:21Sample (adjusted): 1985 2014Included observations: 30 after adjustmentsVariableCoefficientStd. Errort-StatisticProb.C-9.96261755.17291-0.1805710.8582X3-X3(-1)20.386786.7409983.0242970.0057X4-X4(-1)0.1323100.2930740.4514580.6556X5-X5(-1)-0.0905560.016135-5.6125280.0000ET(-1)-0.7108790.190181-3.7379060.0010R-squared0.743239Mean dependent var149.4897Adjusted R-squared0.702157S.D. dependent var343.2285S.E. of regression187.3170Akaike info criterion13.45449Sum squared resid877191.3Schwarz criterion13.68803Log likelihood-196.8174Hannan-Quinn criter.13.52920F-statistic18.09168Durbin-Watson stat1.996207Prob(F-statistic)0.000000最后回归结果:四、结果分析根据以上结果分析，影响黑龙江省粮食产量主要因素为：农用化肥折纯量、农业机械总动力以及受灾面积，次要因素为粮食作物播种面积和有效灌溉面积。我们可以很容易得出以上五个变量对粮食产量产生的影响，却很难得出具体的数量关系，通过建立计量经济模型，我们得出了五个变量对粮食产量的影响程度及其具体关系。当然还有很多其他因素在此论文中没有进行讨论，一部分已通过以上的五个影响指标侧面体现出来，如天气因素已通过受灾面积侧面体现；科技能力已通过农业机械总动力侧面体现出来。还有一部分为难以量化的因素，如政府政策等。五、政策建议以下将对上述的三个主要因素以及两个次要因素进行详细分析：1)适度合理施用化肥。根据模型数据显示，农用化肥折纯量同粮食产量的相关系数为13.33797。两者存在很强的相关性。但是，农用化肥的过度使用对土壤结构在一定程度上会起到破坏作用，同时对环境也会造成污染。农民对农药化肥不正确的施用在很大程度上也会适得其反。因此，我们要提倡适度施用化肥农药的同时还需要加强对农民的专业培训，大力推广配方施肥和作物用药配方。随着科技的发展，还应致力于培养创新型人才，大力研发适合本地区土壤结构的新型农药，倡导生物肥，有机肥施用等技术。2）提高粮食产业的科技水平，加大农用机械总动力的投入。通过所建模型数据分析可以得出，农用机械总动力与粮食产量的相关系数为0.322083，对自身而言，可能不是密切相关，但是同其他因素相比较而言，却仅次于农用化肥折纯量。可见，加大农用机械总动力对提