我国私人汽车拥有量影响因素分析

我国私人汽车拥有量的影响因素分析摘要：本文选择了2007年中国统计年鉴中1998年一2007年共10年的相关数据，选择全国城镇人口数，城镇居民人均可支配收入，全国汽车产量，全国公路里程作为解释变量构建模型，对我国私人汽车拥有量的影响因素进行实证分析。并利用EVIEWS软件对模型进行参数估计和检验，并加以校正。对最后的结果进行经济意义分析，然后提出自己的看法。关键词：私人汽车拥有量 影响因素 实证分析l 序论改革开放以来，我国经济迅猛发展，人民生活水平不断提高，汽车进入普通家庭已成为共所周知的事实，私家车开始步入普及化道路的里程碑，同时随着居民消费结构的升级，私人购车呈现出迅猛增长的势头，成为我国汽车产业发展的决定性力量，同样也会成为社会经济发展的必然趋势。由于私人汽车拥有量直接影响我国汽车产业的发展，并间接影响着国家经济的发展，因此对我国私人汽车拥有量问题的深入研究就显得尤为重要，这有助于帮助大家认清现状，做出合理的决策。鉴于此原因，我们进行了这次关于私人汽车拥有量的计量模型研究。2 建模2.1 模型的选取由于非线性模型的假设检验都涉及非常复杂的数学计算，所以本文考虑做一个线性模型，这样各种检验的方法较多，对模型准确程度的分析也更可靠。2.2 变量选择影响私人汽车拥有量的因素有很多，包括全国城镇人口数，城镇居民人均可支配收入，全国汽车产量，全国公路里程，全国铺装道路长度，我国GDP等，但综合考虑，选取一部分变量进行研究，而且为了方便查找数据，本文选用选择了2007年中国统计年鉴中1985年至2007年共23年的相关数据。2.2.1 全国城镇人口数本文预计私家车的拥有量与全国城镇人口数有关，因此引入解释变量全国城镇人口数，并先验预期其与私人汽车拥有量呈正相关。2.2.2 城镇居民人均可支配收入私家车这种高档消费品的拥有量显然与收人水平有关，因此引进解释变量人均可支配收入，并先验预期此因素与私家车拥有量呈正相关。2.2.3 全国汽车产量本文预计私家车的拥有与全国汽车产量有关，因此引入解释变量全国汽车产量，并先验预期其与私人汽车拥有量呈正相关。2.2.4 全国公路里程本文预计私家车的拥有与全国公路里程有关，因此引入解释变量公路里程，并先验预期其与私人汽车拥有量呈正相关。2.3 数据来源及模型设定2.3.1 数据的来源及处理本文选择了2007年中国统计年鉴中1985年至2007年共23年的相关数据，并对其进行了处理：Y表示私人汽车拥有量(万辆)；X1表示全国城镇人口数（万人）； X2表示城镇居民人均可支配收入（元）；X3表示全国汽车产量；X4表示公路里程(万公里)；u为随机扰动项。数据见表1：表1 我国私家车拥有量相关影响因素原始数据一览表年份YX1X2X3X4198528.4925094739.143.7294.24198634.7126366899.636.9896.28198742.29276741002.247.1898.22198860.42286611181.464.4799.96198973.12295401375.758.35101.43199081.62301951510.251.4102.83199196.04312031700.671.42104.111992118.2321752026.6106.67105.671993155.77331732577.4129.85108.351994205.42341693496.2136.69111.781995249.96351744283145.27115.71996289.67373044838.9147.52118.581997358.36394495160.3158.25122.641998423.7 416085425.1 163.0 127.9 1999533.9 437485854.0 183.2 135.2 2000625.3 459066280.0 207.0 140.3 2001770.8 480646859.6 234.2 169.8 2002969.0 502127702.8 325.1 176.5 20031219.2 523768472.2 444.4 181.0 20041481.7 542839421.6 509.1 187.1 20051848.1 5621210493.0 570.5 334.5 20062333.3 5770611759.5 727.9 345.7 20072876.2 5937913785.8 888.9 358.4 2.3.2 模型设定基于以上数据，建立的多元线性回归模型可表示为： Y=1+2*X1+3*X2+4*X3+5*X4+u 1度量了截距项，它表示在没有其它因素影响的时候私人汽车拥有量。 2度量了当全国城镇人口数变动一单位，私人汽车拥有量的变动。 3度量了当城镇居民人均可支配收入变动一个单位时，私人汽车拥有量的变动。 4度量了当全国汽车产量变动一个单位，私人汽车拥有量的变动。 5度量了公路里程对私人汽车拥有量的影响。u是随机误差项。 2.4 模型的估计根据表1中提供的数据，利用统计软件Eviews5.1对上述所设定的模型进行最小二乘估计。结果如下：表2 回归结果（一）Dependent Variable: YMethod: Least SquaresDate: 05/28/10 Time: 13:21Sample: 1985 2007Included observations: 23VariableCoefficientStd.Errort-StatisticProb.C-396.191.-2.0.X.X.X.X.R-squared0.Mean dependent var646.Adjusted R-squared0.S.D. dependent var796.S.E. of regression61.Akaike info criterion11.Sum squared resid67102.Schwarz criterion11.Log likelihood-124.F-statistic932.Durbin-Watson stat0.Prob(F-statistic)0.根据上述结果，初步根据以上结果，初步得出的模型为 Y=-396.+0.X1+0.X2 +2.X3+2.X4 2.5 模型的检验2.5.1 经济意义检验从回归得出的结果来看，X1的系数为0.，X2的系数为0.，X3的系数为2.，X4的系数为2.，X1，X2，X3，X4这四个解释变量符号与预期的相一致，并且其大小在经济理论上解释得通。2.5.2 拟合优度及模型估计效果检验从结果看，可决系数R2=0.，Adjusted R-squared为0.，该模型的解释变量解释了从1985年到2007年间全国私人汽车拥有量变异的99，因此样本拟合效果较好。给定显著性水平5%，查F分布表得自由度为4和18的临界值为2.93，而回归结果显示整个模型的F值为932.，远远大于临界值2.93，表明整个模型估计效果显著，即私人汽车拥有量，全国城镇人口数，城镇居民人均可支配收入，全国汽车产量和公路里程四个变量联合起来确实对“全国的私人汽车拥有量”有显著影响。2.5.3 回归系数的显著性检验给定显著性水平5%，查t分布表得自由度为18的临界值为2.101，2，3，4，5的估计值对应的t统计量分别为0.，0.，8.，3.，除了2和3外，4和5的估计值对应的t统计量的绝对值均大于临界值2.101，这说明全国的私人汽车拥有量与全国汽车产量，公路里程存在显著的线性相关关系。但是对于全国城镇人口数，城镇居民人均可支配收入这两个个解释变量而言却不存在显著的线性相关关系，但这与实际不相符，说明模型很可能存在严重的多重共线性。2.5.4 多重共线性的检验根据以上分析，认为模型很可能存在严重的多重共线性问题，为了验证这个想法，我通过EVIEWS计算解释变量之间的相关系数，得到如下相关系数矩阵：表3 相关系数矩阵X1X2X3X4X11. 0. 0. 0. X20. 1. 0. 0. X30. 0. 1. 0. X40. 0. 0. 1. 从上面的相关系数矩阵看出，各解释变量之间的相关系数很高，证实确实存在多重共线性。为了修正多重共线性，我采用逐步回归的办法来检验和解决多重共线性问题。分别做Y对X1，X2，X3，X4的一元回归，结果如表4：表4 一元回归结果VariableX1X2X3X4Coefficient0. 0. 3. 9. t-Statistic10. 14. 49. 18. R-squared0. 0. 0. 0. Adjusted R-squared0. 0. 0. 0. 其中，加入X3的方程Adjusted R-squared的值最大，所以以X3为基础，顺次加入其它变量逐步回归，结果如表5所示：表5 加入新变量的回归结果（一）VariableX1X2X3X4Adjusted R-squaredX3,X1Coefficient0. 3. 0. t-Statistic0. 19. X3,X2Coefficient-0. 3. 0. t-Statistic-2. 12. X3,X4Coefficient2. 1. 0. t-Statistic14. 3. 经比较，新加入X4的方程Adjusted R-squared的值为0.，改进最大，而且各参数的t检验显著，所以选择保留X4，再加入其它新变量逐步回归，结果如表6所示：表6 加入新变量的回归结果（二）VariableX1X2X3X4Adjusted R-squaredX3,X4，X1Coefficient-0. 3. 0. 0. t-Statistic-3. 18. 1. X3,X4,X2Coefficient0. 2. 2. 0. t-Statistic1. 9. 3. 在X3，X4的基础上加入X1后的方程Adjusted R-squared的值为0.，比之前的下降了，而且X1参数为-3.，是负值不合理。在X3，X4的基础上加入X2后的方程Adjusted R-squared的值为0.，虽然较之前略有改进，但是X2的t检验不显著。这说明X1和X2引起严重的多重共线性，应予以剔除。最后修正严重多重共线性影响的回归结果为表7：表7 回归结果（二）Dependent Variable: YMethod: Least SquaresDate: 05/28/10 Time: 15:24Sample: 1985 2007Included observations: 23VariableCoefficientStd.Errort-StatisticProb.C-301. 45. -6. 0. X32. 0. 14. 0. X41. 0. 3. 0. R-squared0. Mean dependent var646. Adjusted R-squared0. S.D. dependent var796. S.E. of regression60. Akaike info criterion11. Sum squared resid73132. Schwarz criterion11. Log likelihood-125. F-statistic1899. Durbin-Watson stat0. Prob(F-statistic)0. 最后修正严重多重共线性影响后得出的模型为：Y= -301.+2.X3+1.X4 2.5.5 异方差性的检验对修正严重多重共线性影响后的新模型进行异方差性的检验，运用white检验，得到如下结果： 表8 white检验结果White Heteroskedasticity Test:F-statistic0.Probability0.Obs*R-squared3.Probability0.Obs*R-squared的计算结果是11.50596，由white检验知，在0.05的显著水平下，自由度为5的开方临界值为11.0705，远远大于Obs*R-squared的值，所以接受原假设，即认为该模型不存在异方差性。 2.5.6 自相关的检验从表7可知DW值为0.，且样本容量n=23，有两个个解释变量的条件下，给定显著性水平 =0.01，查D-W表得dL =0.938,dU =1.291,这时有DWdL，这表明模型中存在自相关。这一点也可以从残差图中看出，如图1 图1 残差图在残差图中，残差的变动有系统模式，连续为正和连续为负，表明残差项存在一阶自相关，模型中t统计量和F统计量的结论不可信，需要采取补救措施。为解决自相关问题，采用广义差分法，使用残差序列进行滞后一期的自回归，可得到以下回归结果，如表9：表9 自回归结果Dependent Variable: EMethod: Least SquaresDate: 05/29/10 Time: 15:16Sample (adjusted): 1986 2007Included observations: 22 after adjustmentsVariableCoefficientStd.Errort-StatisticProb.e(-1).R-squared0.Mean dependent var-1.20345Adjusted R-squared0.S.D. dependent var58.71642S.E. of regression44.Akaike info criterion10.48086Sum squared resid41903.08783Schwarz criterion10.53045Log likelihood-114.Durbin-Watson stat1.根据上表可得回归方程为et=0.et-1，对原模型进行广义差分，得到差分方程为：Yt-0.Yt-1=1(1-0.)+ 2*(X3t-0.X3t-1)+3*(X4t-0.X4t-1)。并对此差分方程进行回归，回归结果见表10：表10 广义差分方程输出结果Dependent Variable: Y-0.*Y(-1)Method: Least SquaresDate: 05/29/10 Time: 15:18Sample (adjusted): 1986 2007Included observations: 22 after adjustmentsVariableCoefficientStd.Errort-StatisticProb.C-93.17.-5.2.91E-05X3-0.*X3(-1).49E-14X4-0.*X4(-1).R-squared0.Mean dependent var316.9602Adjusted R-squared0.S.D. dependent var379.9163S.E. of regression45.Akaike info criterion10.58647Sum squared resid38828.29959Schwarz criterion10.73525Log likelihood-113.F-statistic732.1012Durbin-Watson stat1