旅游与国民收入的关系研究.doc

计量经济学课程论文 论文题目：关于我国国内旅游收入及其影响因素 的实证分析 班 级： 10国贸1、2班 姓 名： 启明星 指导教师： 佟继英 时 间：2012-2013学年第一学期 关于我国国内旅游收入及其影响因素的实证分析（赵静4100516121 郑红霞4100516133 雷玉芝4100516220吴君芬4100516236成贺4100516221梁群4100516234高宏岩4100516229）【内容摘要】计量经济学作为经济学的一个分支学科，用于揭示经济活动中客观存在的数量关系。本学期我们通过对这门课程的学习，掌握了该课程的基本理论知识和Eviews软件的基本操作及应用。为了加深对知识的理解，并切实运用它分析实际经济问题，我们进行了这次课题研究。本课题旨在对中国国内旅游收入及其影响因素进行实证分析。首先，我们就该问题进行综合分析，确立了可能的影响因素；进而我们搜集了相关的数据并初步建立模型；然后，我们用Eviews软件对建立的模型进行参数估计和检验，并消除了多重共线性；最后我们对所得的分析结果进行了经济意义的分析，并提出了相应的政策建议。关键词：计量经济学 参数估计和检验 多重共线性 序列相关性一、问题的提出近年来，随着第一、二产业比重的下降，第三产业的发展优势不断突出，中国旅游业一直保持着高速发展，旅游业作为国民经济的新增长点，在整个社会经济发展中的作用日益显现。中国旅游业分为国内旅游和入境旅游两大市场，入境旅游外汇收入年平均增长率达28.9%，但是总体比重较小，而国内旅游增长迅速，并在旅游收入中占据了绝大部分比重。改革开放30年来，特别是20世纪90年代后，中国国内旅游收入保持着较高的年均增长率，而且远高于同期GDP的增长率，特别使今年上半年国内旅游收入同比增17.3%至1.28万亿元。因此研究中国国内旅游的市场状况多余合理规划未来旅游产业的发展具有重要的指导意义。其中，定量的分析影响中国旅游市场发展的主要因素成为最重要的手段。二、文献综述多重共线性（Multicollinearity）是指线性回归模型中的解释变量之间由于存在精确相关关系或高度相关关系而使模型估计失真或难以估计准确。一般来说，由于经济数据的限制使得模型设计不当，会导致设计矩阵中解释变量间存在普遍的相关关系。完全共线性的情况并不多见，一般出现的是在一定程度上的共线性，即近似共线性。 1.多重共线性产生的原因主要有3各方面： （1）经济变量相关的共同趋势 （2）滞后变量的引入 （3）样本资料的限制 2.多重共线性的影响： （1）完全共线性下参数估计量不存在 （2）近似共线性下OLS估计量非有效，多重共线性使参数估计值的方差增大，1/(1-r2)为方差膨胀因子(Variance Inflation Factor, VIF) （3）参数估计量经济含义不合理 （4）变量的显著性检验失去意义，可能将重要的解释变量排除在模型之外 （5）模型的预测功能失效。 需要注意：即使出现较高程度的多重共线性，OLS估计量仍具有线性性等良好的统计性质。但是OLS法在统计推断上无法给出真正有用的信息。 3.多重共线性的解决方法 （1）排除引起共线性的变量：找出引起多重共线性的解释变量，将它排除出去，以逐步回归法得到最广泛的应用。 （2）差分法：时间序列数据、线性模型：将原模型变换为差分模型。 （3）减小参数估计量的方差：岭回归法（Ridge Regression）。序列相关性，在计量经济学中指对于不同的样本值，随机干扰之间不再是完全相互独立的，而是存在某种相关性。又称自相关（auto correlation），是指总体回归模型的随机误差项之间存在相关关系。 在回归模型的古典假定中是假设随机误差项是无自相关的，即在不同观测点之间是不相关的。如果该假定不能满足，就称与存在自相关，即不同观测点上的误差项彼此相关。 自相关的程度可用自相关系数去表示，根据自相关系数的符号可以判断自相关的状态，如果0，则ut与ut-1为正关；如果= 0，则ut与ut-1不相关。 1.序列相关性产生的原因（1）经济系统的惯性（2）经济活动的滞后效应 （3）数据处理造成的相关 （4）蛛网现象 （5）模型设定偏误2.自相关的表现形式自相关的性质可以用自相关系数的符号判断，即0为负相关，接近1时，表示相关的程度很高。自相关是u1，u2，u n序列自身的相关，因n个随机误差项的关联形式不同而可能具有不同的自相关形式。自相关大多 出现在时间序列数据中，下面以时间序列为例说明自相关的不同表现形式。对于样本观测期为n的时间序列数据，可得到总体回归模型（PRF）的随机误差项为u1，u2，u n，如果自相关形式为 u t =ut-1 + vt (-11)其中，为自相关系数，vt为满足古典假定的误差项，即E(vt) = 0，Var (vt) =，Cov (vt，vt+s) = 0，s0。因为模型中ut-1是ut滞后一期的值，称为一阶自回归形式，记为AR(1)。式中的也称为一阶自相关系数。 如果式中的随机误差项vt是不满足古典假定的误差项，即vt中包含有ut的成份，例如包含有ut-2的影响，则需将ut-2包含在回归模型中，即 ut = ut-1+ut-2 (-11)其中，为一阶自相关系数，为二阶自相关系数，是满足古典假定的误差项，称为二阶自回归形式，记为AR(2)。（3）自相关的后果 当一个线性回归模型的随机误差项存在自相关时，就违背了线性回归方程的古典假定，如果仍然用普通最小二乘法（OLS）估计参数，将会产生严重后果。自相关产生的后果与异方差情形类似。自相关影响OLS估计量的有效性，有效性不再成立，存在比OLS模型更为有（方差更小）效的估计方法。存在序列相关时，OLS方法下的各种检验失效。因为i估计的方差不等于OLS方法下计算的方差。三、 变量的选取及分析影响国内旅游市场的因素很多，其中最主要的因素是国内旅游人数和旅游支出，除此以外，相关基础设施也对旅游业产生了影响。为此，我们选取了了如下影响因素：国内旅游人数X1、城镇居民人均旅游支出X2、农村居民人均旅游支出X3、并以公路里程X4和铁路里程X5作为相关基础设施的代表。本课题中拟设定如下形式的计量经济模型：Yt=0+1X1t+2X2t+3X3t+4X4t+5X5t +ut式中，Yt -第t年的全国旅游收入，亿元;X1-国内旅游人数，万人；X2-城镇居民人均旅游支出，元；X3-农村居民人均旅游支出，元；X4-公路里程，万千米；X5-铁路里程，万千米。四、 数据来源为了估计模型参数，我们收集了旅游事业发展较快的9410年的统计数据：表1 中国旅游收入及相关数据年份国内旅游收入Y/亿元国内旅游人数X1/万人次城镇居民人均旅游支出X2/元农村居民人均旅游支出X3/元公路里程X4/万千米铁路里程X5/万千米1994 1023.5 52400 414.70 54.9 111.78 5.90 1995 1375.7 62900 464.00 61.5 115.70 5.97 1996 1638.4 63900 534.10 70.5 118.58 6.49 1997 2112.7 64400 599.80 145.7 122.64 6.60 1998 2391.2 69450 607.00 197.0 127.85 6.64 1999 2831.9 71900 614.00 249.5 135.17 6.74 2000 3175.5 74400 678.60 226.6 140.27 6.87 2001 3522.4 78400 708.30 212.7 169.80 7.01 2002 3878.4 87800 739.70 209.1 176.52 7.19 2003 3442.3 87000 684.90 200.0 180.98 7.30 2004 4710.7 110100 731.80 210.2 187.07 7.44 2005 5285.9 121200 737.10 227.6 334.52 7.54 2006 6229.7 139400 766.40 221.9 345.70 7.71 2007 7770.6 161000 906.90 222.5 358.37 7.80 2008 8749.3 171200 849.36 275.3 373.02 7.97 2009 10183.7 190200 801.10 295.3 386.08 8.55 2010 12579.8 210300 883.00 306.0 400.82 9.12 数据来源：中国统计年鉴2011五、数据及处理根据建立的模型，用Eviews软件对搜集的数据进行处理分析。多重共线性的检验及修正1.表2是采用Eviews软件对表1数据进行回归分析的结果。表2旅游收入与几个解释变量的回归可见，R2=0.992325 R2=0.988836,判断系数很高，模型的拟合程度好，F检验值为284.4420，在 =0.05的情况下，F =284.4420 F0.05(5,17-5-1)=3.20,检验值很大,说明回归方程显著，即各自变量联合起来确实对因变量“全国旅游收入” 有显著影响: 给定显著性水平，t0.025(17-2)=2.131,但变量X2、X3、X5系数的统计量分别为-0.729957，1.391140，1.297580。说明X2、X3、X5对因变量影响不显著，而且X2、X4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.检验：对上述模型可能存在的多重共线性进行检验。用Eviews软件计算得到解释变量x2、 x3、 x4、 x5的简单相关系数矩阵。如下表：表3 x2、 x3、 x4、 x5的简单相关系数矩阵从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x5之间高度相关，证实解释变量之间确实存在多重共线性。3.消除多重共线形（1）运用OLS方法分别求Y对各解释变量x1、x2、 x3、 x4、 x5进行一元回归。五个方程的回归结果详见下表：表4（1） 旅游收入Y与国内旅游人数X1的回归表4（2） 旅游收入Y与城镇居民人均旅游支出X2的回归表4（3） 旅游收入Y与农村居民人均旅游支出X3的回归表4（4） 旅游收入Y与公路里程X4的回归表4（5） 旅游收入Y与铁路里程X5的回归根据表4(1)4(5)将R2按由大到小的顺序排列：x1,x5,x4,x2,x3（2）依据调整后可决系数最大原则，选取x1作为进入回归模型的第一个解释变量，形成一元回归模型。将剩余解释变量分别加入模型，得到分别如下所示的二元回归结果。表5(1)旅游收入Y与X1、X5的二元回表5(2) 旅游收入Y与X1、X4的二元回归表5(3) 旅游收入Y与X1、X2的二元回归表5(4) 旅游收入Y与X1、X3的二元回归通过观察比较以上表5(1)5(4)所示结果，并根据逐步回归的思想，我们可以看到：1）新加入变量x5的二元回归方程R2=0.987267最大，并且各参数的t检验显著，参数的符号也符合经济意义，因此，保留变量x5。2）新加入变量x4的二元回归方程中，t检验显著，但是参数的符号不符合经济意义，所以剔除x4。（3）在x1、 x5的基础上继续加入变量X2、X3进行回归并检验：1）在x1、 x5的基础上加入变量X2进行回归：表6(1) 旅游收入Y与X1、X5、X2的回归可见，虽然X2的加入改善了可决系数，但是其自身的t检验不显著，应该予以剔出。2)继续加入X3回归得：表6(2) 旅游收入Y与X1、X5、X3的回归可见虽然X3的加入改善了可决系数，但是其自身的t检验不显著，也应该予以剔出。因此,方程只留下解释变量x1、x5：前已有表5(1)旅游收入Y与X1、X5的二元回归，由此可得方程为：Y=-8072.620+0.048670x1+1056.290x5序列相关性的检验及修正以时间序列数据为样本的多元线性回归模型的基本假设之一是模型的随机干扰项相互独立或不相关。在经济系统中，经济变量前后期之间很可能有关联，使得随机误差项不能满足无自相关的假定,即存在了序列相关性，使模型的参数估计量非有效，变量的显著性检验失去意义，预测也失效。因此，检验本模型的序列相关性很有必要。在上述模型中，由表5(1)可知，0D.W.=0.7243 dU，说明广义差分模型中已无自相关，不必再进行迭代。同时可见，可决系数R2、t、F统计量也均达到理想水平。通过以上分析，我们最终得到国内旅游收入与国内旅游人数和铁路里程的回归方程为：Y=-3351.951+0.050899x1+1254.319x5六、结论与建议这说明，在其他因素不变的情况下，当国内旅游人数增加1万人时，国内旅游收入会相应增加0.050899亿元；当铁路里程增加1万千米时，国内旅游收入会相应增加1254.319亿元。城镇居民人均旅游支出、农村居民人均旅游支出以及公路里程