中国能源消费影响因素分析.doc

计量经济学课程论文学生姓名： 学 号： 院 部： 专 业： 班 级： 任课教师： 目录一、引言1二、数据选取1三、模型设定2四、参数估计3五、模型检验35.1经济意义检验35.2统计检验45.3计量经济学检验45.3.1多重共线性检验及其修正45.3.2异方差检验115.3.3自相关检验及其修正16六、结论及建议176.1结论176.2 建议18附表19一、引言能源消费是引是指生产和生活所消耗的能源。能源消费按人平均的占有量是衡量一个国家经济发展和人民生活水平的重要标志。能源是支持经济增长的重要物质基础和生产要素。能源消费量的不断增长，是现代化建设的重要条件。我国能源工业的迅速发展和改革开放政策的实施，促使能源产品特别是石油作为一种国际性的特殊商品进入世界能源市场。随着国民经济的发展和人口的增长，我国能源的供需矛盾日益紧张。同时，煤炭、石油等常规能源的大量使用和核能的发展，又会造成环境的污染和生态平衡的破坏。可以看出，它不仅是一个重大的技术、经济问题，而且以成为一个严重的政治问题。在20世纪的最后二十年里，中国国内生产总值（GDP）翻了两番，但是能源消费仅翻了一番，平均的能源消费弹性仅为0.5左右。然而自2002年进入新一轮的高速增长周期后，中国能源强度却不断上升，经济发展开始频频受到能源瓶颈问题的困扰。鉴于此，研究能源问题不仅具有必要性和紧迫性，更具有很大的现实意义。我国是一个能源大国，但是，我国人口众多，人均能源占有量不及同期发达国家的1/5。能源是任何一个国家经济发展不可缺失的物质基础。随着我国人口的继续增长，经济的快速发展，能源消费量的增加是必然的，而与年俱增的能源消费对环境造成的破坏也越来越严重。因此，怎样优化能源利用结构，开发利用清洁能源，就成为我国经济发展的当务之急。这就需要我们清楚了解能源供需形势，做好影响能源消费因素分析，为能源规划及政策的制定提供科学依据，保证我国国民经济又好又快地发展。二、数据选取1、能源消费总量，在模型中用Y来表示。是指一次性能源消费总量，由煤炭、石油、天然气等组成（单位：万吨标准煤）。2、能源消费的影响因素：（1）能源生产总量，在模型中用来表示。是指一次性能源生产总量，该指标是观察全国能源生产水平、规模、构成和发展速度的总量指标（单位：万吨标准煤）。（2）全国生活能源消费总量，在模型中用来表示，是指一次性能源在在生活方面的消费量。（单位：万吨标准煤）。（3）城镇居民人均可支配收入，在模型中用来表示。指城镇居民家庭人均可用于最终消费支出和其它非义务性支出以及储蓄的总和。它是家庭总收入扣除交纳的所得税、个人交纳的社会保障费以及调查户的记账补贴后的收入。（单位：元）。（4）工业能源消费总量，在模型中用来表示，是指工业方面的能源消费量。（单位：万吨标准煤）。（5）其他因素，在模型中用t表示。由于各种原因未考虑到和无法度量的因素归入随机扰动项，如能源价格变动、消费者偏好、国家的经济结构政策等。搜集到的数据见下附表1三、模型设定回归模型设定如下：Yt=0+1X1+2X2+3X3+4X4+t其中， Yt 表示能源消费总量 X1 表示能源生产总量 X2表示全国生活能源消费总量 X3表示城镇居民人均可支配收入X4 表示工业能源消费总量 t 表示随机误差项0、1、2、3、4表示待定系数四、参数估计表1 回归结果Dependent Variable: YMethod: Least SquaresDate: 06/08/13 Time: 22:31Sample: 1980 2010Included observations: 31VariableCoefficientStd. Errort-StatisticProb.C862.12012573.2160.3350360.7403X10.5166260.1019845.0657630.0000X2-0.1293480.314592-0.4111620.6843X31.3019260.4149583.1374930.0042X40.6641800.0923327.1933730.0000R-squared0.999553Mean dependent var143392.9Adjusted R-squared0.999484S.D. dependent var75900.69S.E. of regression1723.330Akaike info criterion17.88859Sum squared resid77216520Schwarz criterion18.11988Log likelihood-272.2732F-statistic14541.92Durbin-Watson stat1.164545Prob(F-statistic)0.000000根据表1中数据，模型的估计结果为：Yt=862.1201+0.5166X1-0.1293X2+1.3019X3+0.6642X4 t = (0.3350) (5.0658) (-0.4112) (3.1375) (7.1934) R2=0.999553 R2=0.999484 F=14541.92 n=31五、模型检验5.1经济意义检验由回归估计结果可以看出，能源生产总量、城镇居民人均可支配收入、工业能源消费总量与能源消费总量呈线性正相关，与现实经济意义理论相符。但是全国生活能源消费总量与能源消费总量呈线性负相关，与现实经济意义理论不相符。5.2统计检验1）拟合优度检验：由表1中数据可以得到R2=0.999553，修正的可决系数为R2=0.999484，这说明模型对样本的拟合很好。2）F检验：在95%的置信度下，F检验值P值小于0.05，回归方程是显著的。3）T检验：在95%的置信度下，X1，X3，X4 的t检验均值均小于0.05，表明线性作用显著，但X2的t检验均值不小于0,05，模型还需进一步完善。5.3计量经济学检验5.3.1多重共线性检验及其修正（一）相关系数检验：表2 相关系数矩阵变量X1X2X3X4X11.0000000.9819320.9853030.998015X20.9819321.0000000.9484290.977685X30.9853030.9484291.0000000.984869X40.9980150.9776850.9848691.000000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很高，证实确实存在严重多重共线性。（二）修正多重共线性采用逐步回归的办法，去检验和解决多重共线性问题，分别作Y对X1，X2，X3，X4的一元回归，结果如表3,表4,表5,表6所示。表3 Y 对 X1的一元回归估计结果Dependent Variable: YMethod: Least SquaresDate: 06/08/13 Time: 22:40Sample: 1980 2010Included observations: 31VariableCoefficientStd. Errort-StatisticProb.C-19219.851426.375-13.474610.0000X11.1857880.009454125.42780.0000R-squared0.998160Mean dependent var143392.9Adjusted R-squared0.998097S.D. dependent var75900.69S.E. of regression3311.409Akaike info criterion19.11048Sum squared resid3.18E+08Schwarz criterion19.20299Log likelihood-294.2124F-statistic15732.12Durbin-Watson stat0.903140Prob(F-statistic)0.000000 表4 Y 对X2的一元回归估计结果Dependent Variable: YMethod: Least SquaresDate: 06/08/13 Time: 22:41Sample: 1980 2010Included observations: 31VariableCoefficientStd. Errort-StatisticProb.C-55231.908437.578-6.5459430.0000X211.230500.44778525.080140.0000R-squared0.955928Mean dependent var143392.9Adjusted R-squared0.954408S.D. dependent var75900.69S.E. of regression16206.49Akaike info criterion22.28655Sum squared resid7.62E+09Schwarz criterion22.37907Log likelihood-343.4416F-statistic629.0133Durbin-Watson stat0.384819Prob(F-statistic)0.000000表5 Y对X3的一元回归估计结果Dependent Variable: YMethod: Least SquaresDate: 06/08/13 Time: 22:41Sample: 1980 2010Included observations: 31VariableCoefficientStd. Errort-StatisticProb.C67031.063069.44621.838160.0000X313.633440.39411334.592720.0000R-squared0.976339Mean dependent var143392.9Adjusted R-squared0.975523S.D. dependent var75900.69S.E. of regression11874.68Akaike info criterion21.66455Sum squared resid4.09E+09Schwarz criterion21.75706Log likelihood-333.8005F-statistic1196.656Durbin-Watson stat0.688973Prob(F-statistic)0.000000表6 Y对X4的一元回归估计结果Dependent Variable: YMethod: Least SquaresDate: 06/08/13 Time: 22:42Sample: 1980 2010Included observations: 31VariableCoefficientStd. Errort-StatisticProb.C5409.6261179.6854.5856540.0001X41.3744340.010337132.96850.0000R-squared0.998362Mean dependent var143392.9Adjusted R-squared0.998306S.D. dependent var75900.69S.E. of regression3123.934Akaike info criterion18.99391Sum squared resid2.83E+08Schwarz criterion19.08643Log likelihood-292.4057F-statistic17680.61Durbin-Watson stat0.606171Prob(F-statistic)0.000000整理表3,表4,表5,表6，结果如表7表7 一元回归估计结果变量X1X2X3X4参数估计值1.18578811.2305013.633441.374434t统计量125.427825.0801434.59272132.9685R20.9981600.9559280.9763390.998362R20.9980970.9544080.9755230.998306加入X4方程的R2=0.998306最大，所以以X4为基础，顺次加入其它变量逐步回归。表8 引入变量X4,X1Dependent Variable: YMethod: Least SquaresDate: 06/08/13 Time: 23:12Sample: 1980 2010Included observations: 31VariableCoefficientStd. Errort-StatisticProb.C-6425.6122196.539-2.9253340.0068X40.7229670.1126226.4194090.0000X10.5632260.0971745.7960460.0000R-squared0.999256Mean dependent var143392.9Adjusted R-squared0.999202S.D. dependent var75900.69S.E. of regression2143.538Akaike info criterion18.27007Sum squared resid1.29E+08Schwarz criterion18.40884Log likelihood-280.1861F-statistic18793.04Durbin-Watson stat0.685979Prob(F-statistic)0.000000表9 引入X4，X2Dependent Variable: YMethod: Least SquaresDate: 06/08/13 Time: 23:12Sample: 1980 2010Included observations: 31VariableCoefficientStd. Errort-StatisticProb.C4125.5342742.4481.5043250.1437X41.3490890.04983427.071540.0000X20.2164700.4161350.5201930.6070R-squared0.998378Mean dependent var143392.9Adjusted R-squared0.998262S.D. dependent var75900.69S.E. of regression3163.977Akaike info criterion19.04881Sum squared resid2.80E+08Schwarz criterion19.18759Log likelihood-292.2566F-statistic8618.092Durbin-Watson stat0.606389Prob(F-statistic)0.000000表10 引入X4，X3Dependent Variable: YMethod: Least SquaresDate: 06/08/13 Time: 23:13Sample: 1980 2010Included observations: 31VariableCoefficientStd. Errort-StatisticProb.C13302.412335.4925.6957630.0000X41.1923540.04963824.021160.0000X31.8544280.4978933.7245490.0009R-squared0.998905Mean dependent var143392.9Adjusted R-squared0.998827S.D. dependent var75900.69S.E. of regression2599.786Akaike info criterion18.65601Sum squared resid1.89E+08Schwarz criterion18.79478Log likelihood-286.1682F-statistic12771.20Durbin-Watson stat0.862972Prob(F-statistic)0.000000表11 引入变量回归结果变量X1X2X3X4R2X4、X10.563226（5.796046）0.722967（6.419409）0.999202X4、X20.216470（0.520193）1.349089（27.07154）0.998262X4、X31.854428（3.724549）1.192354（24.02116）0.998827经比较，加入X1的方程R2=0.999202，改进最大，而且各参数的t检验显著，选择保留X4，再加入其它新变量逐步回归。表12 引入X4、X1、X2Dependent Variable: YMethod: Least SquaresDate: 06/08/13 Time: 23:21Sample: 1980 2010Included observations: 31VariableCoefficientStd. Errort-StatisticProb.C-4641.6092169.153-2.1398260.0416X40.6743240.1063196.3424370.0000X10.6762510.1018396.6403780.0000X2-0.7011240.295459-2.3730030.0250R-squared0.999384Mean dependent var143392.9Adjusted R-squared0.999316S.D. dependent var75900.69S.E. of regression1985.610Akaike info criterion18.14515Sum squared resid1.06E+08Schwarz criterion18.33018Log likelihood-277.2499F-statistic14602.79Durbin-Watson stat1.051461Prob(F-statistic)0.000000 表13 引入X4、X1、X3Dependent Variable: YMethod: Least SquaresDate: 06/08/13 Time: 23:22Sample: 1980 2010Included observations: 31VariableCoefficientStd. Errort-StatisticProb.C1061.2542488.0340.4265430.6731X40.6693720.0900467.4336730.0000X10.4906540.0788246.2246620.0000X31.4007620.3329964.2065440.0003R-squared0.999550Mean dependent var143392.9Adjusted R-squared0.999500S.D. dependent var75900.69S.E. of regression1696.604Akaike info criterion17.83056Sum squared resid77718588Schwarz criterion18.01559Log likelihood-272.3737F-statistic20004.84Durbin-Watson stat1.126104Prob(F-statistic)0.000000表14 引入变量回归结果变量X1X2X3X4R2X4、X1、X20.676251(6.640378)-0.701124(-2.373003)0.674324(6.342437)0.999316X4、X1、X30.490654(6.224662)1.400762(4.206544)0.669372(7.433673)0.999500经比较，在X4、X1基础上加入X3后不仅使R2增大，而且t检验值也通过，所以选择保留X3，继续回归。表15 引入X4、X1、X3、X2Dependent Variable: YMethod: Least SquaresDate: 06/08/13 Time: 23:38Sample: 1980 2010Included observations: 31VariableCoefficientStd. Errort-StatisticProb.C862.12012573.2160.3350360.7403X40.6641800.0923327.1933730.0000X10.5166260.1019845.0657630.0000X31.3019260.4149583.1374930.0042X2-0.1293480.314592-0.4111620.6843R-squared0.999553Mean dependent var143392.9Adjusted R-squared0.999484S.D. dependent var75900.69S.E. of regression1723.330Akaike info criterion17.88859Sum squared resid77216520Schwarz criterion18.11988Log likelihood-272.2732F-statistic14541.92Durbin-Watson stat1.164545Prob(F-statistic)0.000000经比较，在X4、X1、X3的基础上，加入X2后，不仅R2下降，而且X2参数的t检验值为负。这说明X2引起多重共线性，应予剔除。最后修正多重共线性影响的回归模型为：Yt=0+1X1+3X3+4X4+t 5.3.2异方差检验（一）图示法（1） X1、X3、X4对Y散点图图1 X1对Y散点图图2 X3对Y散点图图3 X4对Y散点图由图1，图2，图3可知，随着X1、X3、X4变量值的增加，Y值也逐渐增加，但是Y值的离散程度没有较明显的变化趋势，所以可能不存在异方差性。但是否确实存在异方差还应通过进一步的检验。（2） e2对X1、X3、X4的散点图图4 E2对x1 的散点图图5 E2 对 X3 的散点图图6 E2 对 X4 的散点图由图4,、图5、图6可以看出，残差平方ei2对解释变量X1、X3、X4的散点图都分布在各个地方，大致可以看出残差平方和ei2不随X1、X3、X4的变化而变化，因此，模型很可能不存在异方差。但是否确实存在异方差还应通过进一步的检验。（二）怀特（White）检验表16 White检验结果White Heteroskedasticity Test:F-statistic2.551474Probability0.037003Obs*R-squared16.19218Probability0.062975Test Equation:Dependent Variable: RESID2Method: Least SquaresDate: 06/09/13 Time: 00:11Sample: 1980 2010Included observations: 31VariableCoefficientStd. Errort-StatisticProb.C27605208456218380.6050880.5516X1-2274.8492468.925-0.9213930.3673X120.0669330.0431601.5508050.1359X1*X30.2218610.2199081.0088810.3245X1*X4-0.1733480.091095-1.9029350.0708X3286.190311646.260.0245740.9806X320.6234820.9638580.6468610.5247X3*X4-0.3874050.220576-1.7563290.0936X42515.1882429.1311.0354270.3122X420.1177490.0497262.3679380.0276R-squared0.522329Mean dependent var2507048.Adjusted R-squared0.317612S.D. dependent var3570682.S.E. of regression2949625.Akaike info criterion32.88795Sum squared resid1.83E+14Schwarz criterion33.35053Log likelihood-499.7632F-statistic2.551474Durbin-Watson stat2.785205Prob(F-statistic)0.037003从表四可以看出，nR2=16.19218，由White检验知，在 =0.05 下，查表知0.0529=16.9216.19，所以拒绝备择假设，不拒绝原假设，表明模型不存在异方差。5.3.3自相关检验及其修正（一）自相关检验表17 消除多重共线性后的最小二乘法估计结果Dependent Variable: YMethod: Least SquaresDate: 06/13/13 Time: 01:04Sample: 1980 2010Included observations: 31VariableCoefficientStd. Errort-StatisticProb.C1061.2572488.0320.4265450.6731X10.4906540.0788246.2246730.0000X31.4007620.3329964.2065490.0003X40.6693720.0900467.4336810.0000R-squared0.999550Mean dependent var143392.9Adjusted R-squared0.999500S.D. dependent var75900.69S.E. of regression1696.603Akaike info criterion17.83056Sum squared resid77718475Schwarz criterion18.01559Log likelihood-272.3736F-statistic20004.87Durbin-Watson stat1.126102Prob(F-statistic)0.000000Yt=1061.257+0.4907X1+1.4008X3+0.6694X4 t = (0.4265) (6.2247) (4.2065) (7.4337)R2=0.99955 R2=0.9995 F=20004.87 DW=1.1261该回归方程可决系数较高，回归系数均显著。对样本量为31,3个解释变量的模型，5%显著水平，查DW统计表可知，dL=1.229 ,dU=1.650,模型中DW dL ,显然模型已消除自相关。六、结论及建议6.1结论1、 能源消费模型的多重共线性修正和自相关补救表明，能源消费总量与能源生产总量、城镇居民人均可支配收入及工业能源消费量存在着长期均衡的关系。2、 在多重共线性的修正过程中，可以发现，时间序列全国能源消费总量、工业能源消费量与能源消费总量具有共同变化趋势，在经济上升时期均呈现增长的趋势；在经济收缩期，又都呈现下降趋势。当这三者同时作为解释变量时，就很有可能出现多重共线性。出现多重共线性的另一原因是：抽样仅仅局限于能源消费总量影响因素的一个有限范围内。3、 在自相关的修正过程中，我们可以发现，全国生活能源消费总量、城镇居民人均可支配收入、工业能源消费总量等经济数据都具有时间上的惯性，即在经济高涨的时期，能源消费在各个领域的较高增长率都会持续一段时间。另外一方面，城镇人均可支配收入具有经济活动的滞后性，城镇居民人均可支配收入的增加，不会使居民能源消费的水平当期就达到应有的水平，而是要经过若干期才能达到。因为人的消费观念的改变存在一定的适应期。4、 虽然能源价格、能源消费结构和环境政策等因素未能在模型中得到量化和反映，但不是说这些因素对能源需求的影响并不重要。事实上，这些因素越是得不到量化和反映，越是暴露了当前我国在这些方面的不足和缺陷，更应该重视和解决。6.2 建议1、 充分发挥市场机制的作用，促进我国能源消费向高效、清洁的方向发展。在工业方面，有重点地调整产业结构，确保经济与能源消费的协调增长。在保证能源供应安全的同时，要合理的控制经济增长速度，积极推动经济增长方式由粗放型向集约型转变，严格控制高能耗产业的投资和发展，从而确保国民经济能够健康、稳定、持续发展。在人民生活方面，政府应该大力宣传资源节约型、环境