我国粮食产量影响因素的计量分析

我国粮食产量影响因素的计量分析一、引言农业是国民经济的基础,粮食是基础的基础。粮食是人类赖以生存的必需物品，是国民经济发展和社会稳定的重要物质基础。尤其是对人均耕地已不足1.4亩且人口绝对规模持续扩大的我国而言,粮食产量的稳定增长显得格外重要。因此在研究加快粮食生产发展的进程中，只有了解影响粮食产量的主要因素，才有利于揭示粮食增产的规律，对指导粮食增产有重要的意义，政府也才能正确地做出举措来促进粮食产量健康合理可持续的增长。影响粮食产量的因素众多，如水资源贫富、有效灌溉面积、城市化、自然气候、农资投入、作物种植结构、国家政策、生产资料与粮食价格指数比、农药化肥施用量、粮食播种面积、成灾面积、农业机械总动力、农业劳动力等。二、变量的选取及模型的设定在此，选取影响和制约粮食产量的农药化肥施用量、粮食播种面积、成灾面积、农业机械总动力、农业劳动力这五个主要因素，并拟合出关于我国粮食生产的线性回归模型。确定的模型的被解释变量为：粮食产量；解释变量为：农药化肥施用量XI、粮食播种面积X2、成灾面积X3、农业机械总动力X4、农业劳动力X5。由初步的分析知，粮食产量与成灾面积是负相关的，而与其它变量则是正相关的。根据所确定模型变量收集到了1983年至2007年主要粮食生产数据（表1）。通过EVIEWS软件对数据进行处理、分析并得出相关结论。基于以上变量，建立模型为：Y=p0+01X1+02X2+03X3+04X4+05X5+》，其中，00度量常数项，表示在没有其他五个因素时粮食产量为负值，即粮食有消耗；01度量当农药化肥使用量变动一个单位时，粮食产量的变动；02度量当粮食播种面积变动一个单位，粮食产量的变动；03度量当成灾面积变动一个单位，粮食产量的变动；04度量农业机械总动力对粮食产量的影响；05度量农业劳动力对粮食产量的影响；》为随机扰动项。表11983-2007年我国粮食产量及影响因素数据年份农业化肥~~粮食播种农业机械农业劳粮食产量施用量面积成灾面积总动力动力（万吨）（万公斤）（千公顷）（公顷）（万千瓦）（万人）1983387281660114047162091802231151

19844073117401128841526419497308681985379111776108845227052091331130198639151193111093323656229503125419874020819991112682039324836316631988394082142110123239452657532249198940755235711220524449280673322519904462425901134661781928708389141991435292806112314278142938939098199244264293011056025895303083869919934564931521105092313331817376801994445103318109544313833380236628199546662359411006022267361183553019965045438281125482123338547348201997494173981112912303094201634840199851230408411378725181452083517719995083941241131612673148996357682000462184146108463343745257436043200145264425410608031793551723651320024570643391038912731957930368702003430704412994103251660387365462004469474637101606162976402835269200548402476610427819966683983397020064980449281049582463272522325612007501605108105638250647659031444注：这里由于没有从事粮食生产的农业劳动数据，用第一产业劳动力替代。资料来源：《中国统计年鉴》（1995，2008）。三、实证分析表2中国粮食产量函数DependentVariable:YMethod:LeastSquaresDate:11/23/11Time:21:25Sample:19832007Includedobservations:25VariableCoefficientStd.Errort-StatisticProb.X15.9945110.6097139.8316850.0000X20.5367010.0578589.2762450.0000X3-0.1358730.029720-4.5717320.0002X4-0.0908220.042053-2.1596960.0438X5-0.0073900.070511-0.1048140.9176C-26695.087507.527-3.5557750.0021R-squared0.980829Meandependentvar44945.64AdjustedR-squared0.975783S.D.dependentvar4150.729S.E.ofregression645.9230Akaikeinfocriterion15.98480Sumsquaredresid7927113.Schwarzcriterion16.27733Loglikelihood-193.8100F-statistic194.4114Durbin-Watsonstat1.715679Prob(F-statistic)0.0000001、用OLS法估计模型Y=-26695.08+5.99X1+0.54X2-0.14X3-0.09X4-0.01X5(-3.56)(9.83)(9.28)(-4.57)(-2.16)(-0.1)R2=0.9808—R—2=0.9758F=194.41D.W.=1.72由于R2较大且接近1,而且F=194.41>F(5,19)=2.74,故认为粮食生产0.05与上述解释变量间总体线性关系显著。但因为X4的t检验值并不显著，X5的显著性不强,而且符号的经济意义也不合理,可能存在多重共线性,故认为解释变量间存在多重共线性。2、检验简单相关系数表3相关系数表X1X2X3X4X5X11-0.6165660.4006440.9527460.314885X2-0.616571-0.238039-0.74154-0.06097X30.400644-0.23803910.3100960.409704X40.952746-0.7415380.31009610.128834X50.314885-0.060970.4097040.1288341由表中数据可以发现X1与X4间存在高度相关性。3、找出最简单的回归形式分别作Y与XI、X2、X4、X5间的回归：Y=34256.14+3.158761X1(23.53)(7.72)R2=0.7214F=59.54D.W.=0.79Y=60721.96-0.1443X2(2.63)(-0.68)R2=0.0199F=0.47D.W.=0.33Y=38116.35+0.1652X4（24.57）（4.78）R2=0.4978F=22.8D.W.=0.51（4）Y=25719.78+0.5538X5（2.4）（1.8）R2=0.1234F=3.24D.W.=0.32可见，粮食生产受农业化肥施用量的影响最大，与经验相符合，因此选（1）为初始的回归模型。4、逐步回归将其他解释变量分别导入上述回归模型，寻找最佳回归方程（表4）。表4逐步回归CX1X2X3X4X5D.W.Y=f(X1)342563.160.70920.79t值23.537.72Y=f(X1,X2)-396194.570.630.95381.85t值-5.9222.0611.08Y=f(X1,X2,X3)-378434.790.63-0.110.97031.43t值-7.0227.1513.85-3.63Y=f(X1,X2,X3,X4)-271105.950.54-0.14-0.090.9771.71t值-4.3612.8410.01-4.77-2.67Y=f(X1,X2,X3,X5)-389364.730.62-0.130.080.97131.43t值-7.2726.4313.62-3.941.34讨论：第一步，在初始模型中引入X2,模型拟合优度提高，且参数符号合理，变量也通过了t检验；第二步：引入X3,拟合优度再次提高，且参数符号合理，变量也通过了t检验；只是D.W.值为1.43偏离2,落入了无法判断的区域。第三步：引入X4,尽管拟合优度仍略有提高，但X4的参数未能通过t检验（因为-2.67V2.069），且符号不合理；第四步：去掉X4,引入X5，X5的参数未能通过t检验（因为1.34V2.069）；综上所述，第三步、第四步表明，X4、X5是多余的。同样还可以继续验证，如果用与X1高度相关的X4代替X1,则X4与X2、X3、X5间的任意线性组合，均达不到以XI、X2、X3为解释变量的回归效果。因此，最终的粮食生产函数应以Y=f(XI,X2,X3)为最优，拟合结果如下：Y=-37842.67+4.79X1+0.63X2-0.11X3四、结论及建议模型剔除了农业机械总动力、农业劳动力两个变量，因为在模型的建立中参数符号不符合经济意义且参数的t检验和显著性检验不能通过。通过修正后的我国粮食产量模型可以发现，我国粮食产量的主要影响因素为农药化肥施用量、粮食播种面积和成灾面积。为此，提出如下建议：1、提高化肥利用效率，推广生态农业。化肥施用量虽然对粮食增产有着积极作用，但过度施用化肥会很大程度上降低土地肥力，抑制粮食产量。因此要确定化肥施用量的合理范围，同时倡导无机肥和有机肥结合施用，提高肥料的利用率和土壤肥力，增加土壤有机质含量，提高土地的粮食生产能力。2、保护耕地面积，探索有效机制；稳定粮食播种面积，保证粮食产量。近年来，城市化建设进程中建筑和工业用地规模的扩大，导致耕地面积急剧减少。避免城市的扩张造成耕地的损失，加大耕地保护力度，稳定粮食作物播种面积因此，要坚决贯彻执行国家出台的政策和法律法规，积极探索对耕地的有偿保护制度。从上述粮食产量的多元线性模型来看，播种面积是一个重要的影响参数。在其他条件不变的情况下，增加播种面积就可以增加产量。所以，还应发展先进农业科学技术，加强耕地的深度开发，提高耕地的使用效率，从而相对增加播种面积。3、加强农业基础设施建设，提高粮食生产的抗灾能力；普及防灾知识，降低受灾风险。加强以农田水利为重点的粮食生产基本建设，确保在粮食生产过程中少减产、多增收。国家应在减少粮食受灾、提高粮食生产安全性的基础上加大财政投入力度，对农民进行农业教育和技术推广，提高农民的防灾意识和增强其防灾救灾的本领。同时，大力发展现代农业，以产业化、规模化提升农业效益，增强农业自身抗灾能力。参考文献：【1】李子奈、潘文卿•计量经济学【M】•第二版•高等教育出版社,2005年【2】王智•关于我国粮食产量影响因素的实证分析【J】•大众商务,No.1,2010

附：DependentVariable:YMethod:LeastSquaresDate:11/24/11Time:22:18Sample:19832007Includedobservations:25VariableCoefficientStd.Errort-StatisticProb.X13.1587610.4093507.7165250.0000C34256.141455.79923.530810.0000R-squared0.721363Meandependentvar44945.64AdjustedR-squared0.709249S.D.dependentvar4150.729S.E.ofregression2238.130Akaikeinfocriterion18.34129Sumsquaredresid1.15E+08Schwarzcriterion18.43880Loglikelihood-227.2661F-statistic59.54476Durbin-Watsonstat0.789143Prob(F-statistic)0.000000DependentVariable:YMethod:LeastSquaresDate:11/24/11Time:22:22Sample:19832007Includedobservations:25VariableCoefficientStd.Errort-StatisticProb.X2-0.1442870.211264-0.6829710.5014C60721.9623114.792.6269740.0151R-squared0.019877Meandependentvar44945.64AdjustedR-squared-0.022737S.D.dependentvar4150.729S.E.ofregression4197.651Akaikeinfocriterion19.59906Sumsquaredresid4.05E+08Schwarzcriterion19.69657Loglikelihood-242.9882F-statistic0.466450Durbin-Watsonstat0.333336Prob(F-statistic)0.501447DependentVariable:YMethod:LeastSquaresDate:11/24/11Time:22:33Sample:19832007Includedobservations:25VariableCoefficientStd.Errort-StatisticProb.X40.1652190.0346004.7750660.0001

X4C38116.351551.31624.570340.0000R-squared0.497830Meandependentvar44945.64AdjustedR-squared0.475997S.D.dependentvar4150.729S.E.ofregression3004.632Akaikeinfocriterion18.93032Sumsquaredresid2.08E+08Schwarzcriterion19.02783Loglikelihood-234.6290F-statistic22.80125Durbin-Watsonstat0.509117Prob(F-statistic)0.000082DependentVariable:YMethod:LeastSquaresDate:11/25/11Time:10:25Sample:19832007Includedobservations:25VariableCoefficientStd.Errort-StatisticProb.X50.5537970.3078241.7990710.0851C25719.7810716.002.4001300.0249R-squared0.123364Meandependentvar44945.64AdjustedR-squared0.085249S.D.dependentvar4150.729S.E.ofregression3969.865Akaikeinfocriterion19.48747Sumsquaredresid3.62E+08Schwarzcriterion19.58498Loglikelihood-241.5934F-statistic3.236658Durbin-Watsonstat0.318936Prob(F-statistic)0.085144DependentVariable:YMethod:LeastSquaresDate:11/24/11Time:22:25Sample:19832007Includedobservations:25VariableCoefficientStd.Errort-StatisticProb.X14.5744690.20732122.064630.0000X20.6318350.05705011.075160.0000C-39619.336695.586-5.9172310.0000R-squared0.957624Meandependentvar44945.64AdjustedR-squared0.953772S.D.dependentvar4150.729S.E.ofregression892.4342Akaikeinfocriterion16.53795Sumsquaredresid17521653Schwarzcriterion16.68421Loglikelihood-203.7244F-statistic248.5838Durbin-Watsonstat1.852688Prob(F-statistic)0.000000DependentVariable:YMethod:LeastSquaresDate:11/24/11Time:22:28Sample:19832007Includedobservations:25VariableCoefficientStd.Errort-StatisticProb.X14.7870680.17630027.153010.0000X20.6339050.04576513.851290.0000X3-0.1115130.030702-3.6321290.0016C-37842.675392.985-7.0170180.0000R-squared0.973974Meandependentvar44945.64AdjustedR-squared0.970256S.D.dependentvar4150.729S.E.ofregression715.8516Akaikeinfocriterion16.13047Sumsquaredresid10761313Schwarzcriterion16.32549Loglikelihood-197.6309F-statistic261.9631Durbin-Watsonstat1.431319Prob(F-statistic)0.000000DependentVariable:YMethod:LeastSquaresDate:11/24/11Time:22:28Sample:19832007Includedobservations:25VariableCoefficientStd.Errort-StatisticProb.X15.9545330.46376912.839430.0000X20.5385190.05381610.006730.0000X3-0.1363930.028570-4.7739860.0001X4-0.0882100.033023-2.6711340.0147C-27110.3