【《SX省农业高质量发展与金融支持关系的实证分析》6400字】

SX省农业高质量发展与金融支持关系的实证分析目录TOC\o"1-3"\h\u22087SX省农业高质量发展与金融支持关系的实证分析 1174321.1实证方法 136581.2因子分析 2239891.2.1数据选取 2273011.2.2数据分析 36881.3VAR模型建立与分析 7114351.3.1平稳性检验分析 731571.3.2VAR模型滞后期选择 7309021.3.3格兰杰因果检验 8258321.3.4脉冲响应分析 9209921.3.5方差分解分析 10257551.4实证结论 111.1实证方法针对第三章现状分析中所发现的问题，本文采用因子分析法和VAR模型（VectorAutoregressionModel）来分析陕西省农业高质量发展与金融支持的关系。第三章根据现有研究成果构建出了包含7个农业指标和3个金融指标的指标体系，通过对陕西省的现状进行分析也证明该指标体系能够客观反映陕西省农业高质量发展现状和金融支持水平。但由于指标较多，不宜直接运用VAR模型进行分析。为解决这一问题，通过查阅相关文献，发现在处理这一问题时，一些硕博论文采用因子分析法【53】，先对原始数据进行因子分析提取主成分，从而实现降维的目的。所以本文在进行实证分析前，先分别对陕西省的农业和金融指标进行因子分析，提取主因子并以为此基础进行实证分析。因子分析因子分析(factoranalysis)是一种通过降维从而简化数据方法。它通过研究众多变量之间的内部依赖关系，使用少数几个“抽象”的变量来表示其基本的数据结构。这几个抽象的变量被称作“公共因子”，能反映原来众多变量的主要信息。因子分析中的公共因子是不可直接观测但又客观存在的共同影响因素，每一个变量都可以表示成公共因子的线性函数与特殊因子之和，即Xi=ai1上式中的F1,F2，...Fm称为公共因子，εi称为Xi的特殊因子，i=1，2，⋯，p，XVAR（向量自回归）模型VAR模型是AR模型的推广，是目前广泛应用于时间序列的一种常用的计量经济模型。向量自回归模型是基于数据的统计性质建立模型，VAR模型把系统中每一个内生变量作为系统中所有内生变量的滞后值的函数来构造模型，从而将单变量自回归模型推广到由多元时间序列变量组成的“向量”自回归模型。VAR模型是可以预测相关联经济变量的时间序列系统，分析随机扰动对变量系统的动态冲击，并解释这种冲击对经济变量带来的影响。VAR模型的一般表达式为：Yt=其中Yt为K维内生变量列向量，t=1,2⋯,T，xt是K维外生变量列向量，Yt−n是滞后的内生变量，n为滞后阶数。xt为外生变量列向量，αn即α1.2因子分析1.2.1数据选取为了研究金融支持能否有效推动陕西省农业高质量发展，提升农业生产能力，促进陕西省农村地区发展。本章根据农业高质量发展的五个方面选取7个农业指标，本文采用陕西省自2001年至2019年的年度数据为样本，研究金融支持与陕西省农业高质量发展的关系。本文的原始数据均来自《陕西省统计年鉴》和中国经济社会大数据研究平台，农业数据均为不包含林牧渔业。表1.1农业高质量发展关系的指标说明指标农业高质量发展农业增加值与农业总产值之比（X1)土地产出率（X2)亩均农业机械总动力（X3)林牧渔业总产值占比（X4)农业占总产值比（X5)亩均化肥使用量（X6)城乡收入比（X7)1.2.2数据分析选取上述农业数据来反映效率提升、动力转换、结构优化、绿色发展、协调发展七个原始变量进行因子分析计算出农业高质量发展的两个主要因子F1和F2。根据上文的相关理论分析，选取金融规模、金融效率、金融结构作为衡量陕西省农业金融支持水平的原始变量，并进行因子分析，计算出金融支持的主要因子Y作为衡量陕西省金融支持的指标。（1）农业高质量发展水平首先对农业数据进行因子分析的适宜性检验，进行KMO检验和巴特利特球形检验，一般KMO值大于0.5就可以进行因子分析，如表1.2所示，KMO的值为0.718，而且显示巴特利特球形检验的相伴概率为0.000，0.000<5%的显著性水平，因此满足做因子分析所需的条件。表1.2KMO和Bartlett的检验取样足够度的Kaiser-Meyer-Olkin度量。0.718Bartlett的球形度检验近似卡方162.522df21Sig.0.000随后我们做出如表1.3的相关系数矩阵，从中可以看出很多指标的相关性在0.5以上，说明不同指标之间存在较强的相关关系，因此可以从上述农业高质量发展的七组原始数据中提取主要因子，构成农业高质量发展的综合指标。表1.3相关矩阵x1x2x3x4x5x6x7x110.270.4050.152-0.3720.476-0.134x20.2710.927-0.407-0.7620.883-0.918x30.4050.9271-0.192-0.7930.959-0.773x40.152-0.407-0.1921-0.204-0.1540.665x5-0.372-0.762-0.793-0.2041-0.7580.496x60.4760.8830.959-0.154-0.7581-0.719x7-0.134-0.918-0.7730.6650.496-0.7191本文采用主成分分析法提取主因子,由表1.4显示前两个因子的特征根分别为1.454和1.555，它们共同解释了原始数据85.845%的信息，因此可以提取前两个因子作为主因子。其中，第一个主成分解释了原始数据56.285%的信息，对原始数据数据的解释力度最强。而且我们可以从图1.1的碎石图中清晰地看到，前两个主轴长度（特征值）相较于后面的主轴长度差异较大，后面5个主轴长度变化的已经趋于平缓，说明选取两个主因子后，主要的原始信息已经被提取。表1.4解释的总方差成份初始特征值提取平方和载入旋转平方和载入合计方差的%累积%合计方差的%累积%合计方差的%累积%11.45463.62863.6281.45463.62863.6283.9456.28556.28521.55522.21785.8451.55522.21785.8452.06929.5685.84530.70710.09895.94340.1812.58898.53250.060.86399.39560.0320.46199.85670.010.144100图1.1碎石图为了进一步确定所选主因子的解释能力，对提取的两个主因子建立原始因子载荷矩阵，用方差极大化法对其进行因子旋转，并以此为基础得到表1.5成分得分系数矩阵，还可以得出主因子F1在X6、X3、X5、X2和X1上的载荷值很大，这些指标是解释效率提升、动力转换、绿色发展的主要指标以及结构优化的部分指标，它几乎可以解释原始信息的一半以上，为了方便后续研究，所以根据上述指标抽象提取出其共同点，将F1解释为农业价值。而F2在X4和X7上的载荷值较大，这些指标主要解释了结构优化和协调发展，将F2解释为农业结构。因此需要将F1与F2相结合，共同展现陕西省农业高质量发展水平，。表1.5成份得分系数矩阵成份12x6-0.923-0.259x30.919-0.322x50.906-0.057x20.825-0.545x10.6190.323x40.0930.941x7-0.5910.781最后，我们通过成份得分系数矩阵还能得出因子得分函数。F1=0.619X1+0.825X2+0.919X3+0.093X4-0.906X5-0.923X6-0.591X7（1.3）F2=0.323X1-0.545X2-0.322X3+0.941X4-0.057X5-0.259X6-0.781X7（1.4）（2）金融支持水平根据上述金融相关理论选取金融规模、金融效率、金融结构三个金融指标，采用陕西省自2001年至2019年的年度数据为样本，研究对金融支持水平进行因子分析。表1.6农业高质量发展关系的指标说明指标金融支持金融规模（Y1）金融效率（Y2）金融结构（Y3）同理，根据上述同样的方法，对金融规模、金融效率和金融结构进行因子分析，通过KMO检验得出其值为0.54，大于0.5就可以进行因子分析，如表1.6所示，显示巴特利特球形检验的相伴概率为0.000，0.000<5%的显著性水平，因此满足做因子分析所需的条件。表1.6KMO和Bartlett的检验KMO和Bartlett的检验取样足够度的Kaiser-Meyer-Olkin度量。0.540Bartlett的球形度检验近似卡方26.442df3.000Sig.0.000继续采用主成分分析法提取主因子,由表1.7显示第一个因子的特征根为为2.041，它解释了原始数据68.033%的信息，对原始数据数据的解释力度最强。因此可以提取第一个因子作为主因子。而且我们可以从图1.2的碎石图中清晰地看到，第一个主轴长度（特征值）相较于后面的主轴长度差异较大，后面2个主轴长度变化的已经趋于平缓，说明选取两个主因子后，主要的原始信息已经被提取。表1.7解释的总方差成份初始特征值提取平方和载入合计方差的%累积%合计方差的%累积%12.04168.03368.0332.04168.03368.03320.84628.20796.2430.1133.76100图1.2碎石图表1.8成份得分系数矩阵成份1Y10.465Y20.458Y30.253提取第一个因子作为主因子，按照表1.8的成份得分系数矩阵，得出因子得分函数，由Y代表金融支持水平。Y=0.465Y1+0.458Y2+0.253Y3（1.5）1.3VAR模型建立与分析通过上述两次因子分析，对七项陕西省农业高质量发展指标提取主成分，降维为F1和F2两项综合指标。对反映陕西省金融支持水平的三项指标提取主成分，降维为Y这一综合指标。将分析陕西省农业高质量发展与金融支持关系所需的十项指标，化简为F1、F2、Y这三项综合指标。因此，本文选区的最终实证指标是反映农业高质量发展水平的F1、F2和代表金融支持水平的Y，其中F1、F2、Y均为模型的内生变量，唯一的外生变量就是时间。1.3.1平稳性检验分析VAR模型往往要求检验序列是否平稳，如果发现序列并不平稳，则会采用一阶或者二阶差分的方法，直到数据平稳为止。而在实际经济运行中，大多数情况下时间序列数据是具有一定时间趋势的非平稳序列，如果对非平稳数据进行分析，会导致“伪回归”问题，因此首先要对陕西省农业高质量发展（F1、F2）与金融支持（Y）进行平稳性检验。目前学术界广泛采用单位根检验来进行平稳性检验，单位根检验主要有DF（Dickey-Fuller）和ADF(Augmentdickey-Fuller)检验，本文采用ADF的检验方法，利用Eviews6.0软件对陕西省农业高质量发展（F1、F2）与金融支持（Y）三个时间序列数据进行ADF检验，从表1.9的单位根检验结果可知，F1、F2和Y的ADF检测值分别为-3.171208、-5.961113和-2.454621均小于5%的显著性水平下的临界值，所以均拒绝原假设，说明数据是平稳的。表1.9单位根检验经济变量类型（c,t,p)ADF统计量5%的临界值p值结果F1(c,0,0)-3.171208-3.0403910.039平稳F2(c,t,0)-5.961113-3.73320.0011平稳Y(c,0,0)-2.454621-1.9628130.0176平稳1.3.2VAR模型滞后期选择在进行了平稳性检验以后，为了防止伪回归的出现，有必要进行协整检验，从协整检验的表（表1.10）中可以看出，在5%的显著性水平下，拒绝“不存在任何相关关系”的原假设，说明选取的指标之间存在长期的协整关系。表1.10协整检验HypothesizedTrace5%No.ofCE(s)EigenvalueStatisticCriticalValueProb.**None*0.73806741.4222429.797070.0005Atmost1*0.64232222.9875715.494710.0031Atmost2*0.3354216.537633.8414660.0106VAR模型中一个重要问题就是滞后阶数的确定，在选择滞后阶数P时，应使滞后阶数足够大，以便能完整反映所构造模型的动态特质。常用的几种确定滞后阶数的检验方法有LR检验、AIC信息准则和SC准则。所以根据LR、FPE、AIC、SC和HQ五大指标确定最优滞后阶数为二阶，说明农业高质量发展水平和金融支持水平间的影响关系存在滞后性，由表1.10可知选择滞后期为2期较为合理，所以确定建立VAR（2）模型。表1.11协整检验滞后阶数确定LagLogLLRFPEAICSCHQ0-47.1606NA0.0733895.9012476.0482845.9158631-0.39816371.51902*0.0008871.4586072.046758*1.517071211.4878513.983540.000718*1.119077*2.148341.221388*注：LR,FPE,AIC,SC,HQ为评价VAR模型时选取最优滞后期数的评价准则。*表示该准则下所选取的最优滞后期数为了检验刚才建立的VAR模型的有效性，我们还需要对其进行平稳性检验，从图1.2可以看出VAR模型方程的单位根的模均小于1，都在单位圆里面，说明我们建立的VAR模型是有效的。图1.2金融支持与陕西省农业高质量发展VAR模型稳定性检验结果1.3.3格兰杰因果检验格兰杰因果检验是用在时间序列数据上的一种常用计量方法。其内涵是若在包含了变量A、B的过去信息的条件下，对变量B的预测效果要优于只单独由B的过去信息对Y进行的预测效果，即变量A有助于解释变量B的将来变化，则认为变量A是引致变量B的格兰杰原因。所以在确定了变量具有长期的稳定关系的基础上，本文采取格兰杰因果检验法对金融支持水平Y与农业高质量发展水平F1、F2进行因果检验，以此判断这几个变量是否存在因果关系。由表1.12可知，在５％的显著性水平下，金融支持（Y）不是农业高质量发展的主因子（F1）的格兰杰原因被拒绝。同时，金融支持（Y）不是农业高质量发展的主因子（F2）的格兰杰原因也被拒绝，说明金融支持是陕西省农业高质量发展变化的格兰杰原因。而农业高质量发展的主因子（F1）不是金融支持（Y）的格兰杰原因被接受，农业高质量发展的主因子（F2）不是金融支持（Y）的格兰杰原因被接受，说明农业高质量发展与金融支持存在单项因果关系。表1.12格兰杰因果检验因果关系原假设F值P值结果Y不是F2的格兰杰原因8.632980.0052拒绝Y不是F1的格兰杰原因11.21310.0021拒绝F1不是Y的格兰杰原因2.164960.1625接受F2不是Y的格兰杰原因1.281050.3387接受1.3.4脉冲响应分析脉冲响应是为了研究系统中，当一个扰动发生时，系统随后的变动有多大程度是受到该扰动的影响。脉冲响应函数通常用来衡量来自某个内生变量的随机扰动项的一个标准差冲击（即脉冲）对VAR模型中所有内生变量当前值和滞后值的影响。图1.3Y冲击引起的Y脉冲响应分析陕西省金融支持水平对农业高质量发展的脉冲影响，当对金融支持水平Y产生一个单位的正向标准差冲击时，从陕西省金融支持水平对农业高质量发展的脉冲响应图（图1.3），横轴代表响应函数的追踪期数，纵轴代表对脉冲的响应程度，可知金融支持水平Y对自身的冲击效应是最大的，从第一期达到最大值，之后逐期降低，直到第6期降为0，之后从第10期开始上升，随后在0附近波动，最终在第30期趋于0。由图1.4可以看出，对农业高质量发展水平F2的冲击，刚开始也会产生负效应，与F1相比，F2的负效应在刚开始就处于持续加强的状态，在第2期负效应达到最大，随后逐期减弱，而且从第4期就开始呈现正效应，并呈现出上升趋势，直到第8期达到最大，随后开始下降，甚至从第19期开始再次出现负效应，但这个时期的负效应较低，并未达到最开始的负效应程度，随后又再次上升直到最终趋向于0。图1.4Y冲击引起的F2脉冲响应图1.5Y冲击引起的F1脉冲响应由图1.5可以看出，对农业高质量发展水平F1的冲击，刚开始会产生一个负效应，但负效应逐渐减弱，虽然在第3期到第5期负效应再次加强，但随后又继续减弱，直到从第12期开始产生正效应，在第十七期正效应达到最大，随后趋向于0。无论是F1还是F2，都出现了由负到正再由正到负的波动现象，导致这种现象的原因可能是由于农作物生长具有周期性，导致金融支持对农业的影响具有滞后性，最开始可能由于农作物处于生长阶段，并未体现出金融的支持作用，直到农业产出时，之前的支持作用才有所体现，所以呈现出正效应，待农作物进入下一生产周期时，就又出现了负效应，但第二次负效应相较于最初的负效应，程度上有了很大下降。因此，从整体而言，陕西省金融支持水平的提高有利于农业高质量发展，具有正向的促进作用。1.3.5方差分解分析方差分解是以VAR模型为基础，研究各个结构冲击对内生变量变化的贡献率，从而考量不同结构冲击的重要性程度。图1.6F1的方差分解图1.7F2的方差分解由图1.6可以看出，陕西省农业高质量发展综合指标F1变化时，其贡献主要来自自身，即第一期达到74%，而后呈现出上升趋势，最终从第6期开始稳定在82%。金融支持水平对其贡献率基本维持在16%左右。由图1.7可知金融支持对综合指标F2的影响先上升，然后又下降，直到贡献率基本维持也在16%左右。这表明，无论长期还是短期，金融支持水平的变化对农业高质量发展变动的影响是很大的，它解释了农业高质量发展变动