计量经济学论文.doc

1、 中国粮食总产量多因素分析 专业年级： 13金融（2）班 学号： 201312030140 姓名： 谢昊 摘要：本文选取1990年到2013年的相关数据，应用计量经济学所学知识对根据经济理论选取的影响我国粮食产量的各因素进行分析、检验，并对其影响程度的大小进行定量分析，进一步明确和完善相关的经济学知识。关键词：粮食产量 粮食播种面积 农用机械总动力 有效灌溉面积 农业化肥使用量1、 文献综述农业作为我国最基础的产业，农产品的每年的产量直接关系着我们的民生，故而粮食的产量一直是我们最关心的。影响因素的分析首先，粮食作为农作物，其产量肯定会受到农用化肥施用量条件的影响其次，我认为粮食的播种面积对于

2、粮食产量也有一些影响最后，农业机械总动力也是影响粮食产量的一大重要因素二、数据收集与模型的建立（一）数据收集 1983年2009年中国粮食生产与相关投入的资料（表1）年份粮食总产量Y粮食耕种面积(x1)农用化肥施用量(x2)农业机械总动力(x3)1990446241134662590.3287081991435291123142805.1293891992442641105602930.2303081993456491105093151.9318171994445101095443317.9338021995466621100603593.7361181996504541125483827.9

3、385471997494171129123980.7420161998512301137874083.7452081999508391131614124.3489962000462181084634146.4525742001452641060804253.8551722002457061038914339.457930200343070994104411.6603872004469471016064636.6640282005484021042784766.2683982006498041049584927.7725222007501601056385107.8765902008528711

4、067935239821902009530821089865404.4874962010546481098765561.7927802011571211105735704.2977352012589581112055838.81025602013601941119565911.9103907 （二）模型设计为了具体分析各要素对我国粮食产量影响的大小，我们可以用粮食总产量（y）作为衡量，代表粮食发展；用粮食耕种面积（x1）、农用化肥施用量(x2)以及农业机械总动力（x3）。运用这些数据进行回归分析。采用的模型如下：y= 1+2x1+3x2+4x3+ui其中，y代表粮食总产量，x1代表粮食耕种面积

5、，x2代表农用化肥施用量，x3代表农业机械总动力，ui代表随机扰动项。我们通过对该模型的回归分析，得出各个变量与我国粮食产量的变动关系。三、模型估计和检验（一）模型初始估计（表二）Dependent Variable: YMethod: Least SquaresDate: 12/21/15 Time: 16:27Sample: 1990 2013Included observations: 24VariableCoefficientStd. Errort-StatisticProb. C-44644.146601.867-6.7623500.0000X10.6841160.05311312.

6、880430.0000X24.0429710.9747514.1476970.0005X30.0310320.0383520.8091310.4280R-squared0.966281 Mean dependent var49317.62Adjusted R-squared0.961223 S.D. dependent var4867.060S.E. of regression958.4155 Akaike info criterion16.71945Sum squared resid18371206 Schwarz criterion16.91579Log likelihood-196.63

7、34 F-statistic191.0450Durbin-Watson stat1.534928 Prob(F-statistic)0.000000回归函数为： （6601.867） （0.053113） （0.974751） （0.038352）T=（-6.762350） （12.88043） （4.147697） （0.809131） （2） 多重共线性检验 相关系数矩阵（表三）X1X2X3X11-0.267566314901-0.23239867238X2-0.26756631490110.977074961235X3-0.232398672380.9770749612351根据多重共线

8、性检验，解释变量之间可能存在着线性相关。为了进一步了解多重共线性的性质，我们可以做辅助回归。（表四）被解释变量可决系数R2的值方差扩大因子X10.090191.09913X20.95640922.9405X30.95558322.6398由上表可以得知，辅助回归的可决系数很高，经验表明，方差扩大因子=10时，通常说明该解释变量与其余解释变量之间有严重的多重共线性，这里的x2、x3的方差扩大因子远大于10，表明存在严重的多重共线性问题。为了进一步筛选并剔除引起多重共线性分变量，需要采用逐步回归的方法。分别作Y对X1、X2、X3的一元回归，意愿回归结果如下表（表五）变量X1X2X3参数估计值0.3

9、696284.0710710.162556t统计量1.4728006.7542466.867695R20.0897480.6746520.6819210.0483730.6598630.667463(表六)X1X2X3X1、X30.641034（9.246298）0.186325（16.84505）0.937277X2、X31.587586(0.558181)0.100949（0.893659）0.686571通过采用剔除变量法，多重共线性的修正结果如下：剔除X2。（表七）Dependent Variable: YMethod: Least SquaresDate: 12/25/15 Time

10、: 10:06Sample: 1990 2013Included observations: 24VariableCoefficientStd. Errort-StatisticProb. C-31636.647732.436-4.0914190.0005X10.6410340.0693299.2462980.0000X30.1863250.01106116.845050.0000R-squared0.937277 Mean dependent var49317.62Adjusted R-squared0.931303 S.D. dependent var4867.060S.E. of reg

11、ression1275.661 Akaike info criterion17.25679Sum squared resid34173555 Schwarz criterion17.40404Log likelihood-204.0814 F-statistic156.9019Durbin-Watson stat1.001388 Prob(F-statistic)0.000000修正后方程为(7732.436) (0.069329) (0.011061)T= (-4.091419) (9.246298) (16.84505) （三）异方差检验（表八）ARCH Test:F-statistic0

12、.037667 Probability0.847978Obs*R-squared0.041181 Probability0.839189Test Equation:Dependent Variable: RESID2Method: Least SquaresDate: 12/24/15 Time: 18:58Sample(adjusted): 1991 2013Included observations: 23 after adjusting endpointsVariableCoefficientStd. Errort-StatisticProb. C1280357.504218.42.53

13、92910.0191RESID2(-1)0.0415310.2139870.1940810.8480R-squared0.001790 Mean dependent var1341173.Adjusted R-squared-0.045743 S.D. dependent var1852594.S.E. of regression1894492. Akaike info criterion31.82974Sum squared resid7.54E+13 Schwarz criterion31.92848Log likelihood-364.0420 F-statistic0.037667Du

14、rbin-Watson stat1.986528 Prob(F-statistic)0.847978由上表可以得知，（n-p）=0.041181，给定显著性水平为0.05，查分布表得临界值（p）=5.9915（n-p）,则接受原假设，表明模型中的随机误差项不存在异方差。（四）自相关检验（表九）Dependent Variable: YMethod: Least SquaresDate: 12/25/15 Time: 10:06Sample: 1990 2013Included observations: 24VariableCoefficientStd. Errort-StatisticPro

15、b. C-31636.647732.436-4.0914190.0005X10.6410340.0693299.2462980.0000X30.1863250.01106116.845050.0000R-squared0.937277 Mean dependent var49317.62Adjusted R-squared0.931303 S.D. dependent var4867.060S.E. of regression1275.661 Akaike info criterion17.25679Sum squared resid34173555 Schwarz criterion17.4

16、0404Log likelihood-204.0814 F-statistic156.9019Durbin-Watson stat1.001388 Prob(F-statistic)0.000000(7732.436) (0.069329) (0.011061)T= (-4.091419) (9.246298) (16.84505) 查DW表可知，dl=1.188，du=1.546,模型中DWdl，显然有自相关。（表十）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。对模型进行BG检验，用Eviews分析结果如下：（表十一）Breusch-Godfrey Serial Co

17、rrelation LM Test:F-statistic2.642994 Probability0.097113Obs*R-squared5.223742 Probability0.073397Test Equation:Dependent Variable: RESIDMethod: Least SquaresDate: 12/24/15 Time: 19:24VariableCoefficientStd. Errort-StatisticProb. C1247.5647284.9980.1712510.8658X1-0.0114660.065346-0.1754620.8626X30.0

18、001740.0102860.0169140.9867RESID(-1)0.5170860.2287092.2608930.0357RESID(-2)-0.1401580.230260-0.6086960.5499R-squared0.217656 Mean dependent var-4.21E-12Adjusted R-squared0.052952 S.D. dependent var1218.937S.E. of regression1186.225 Akaike info criterion17.17799Sum squared resid26735479 Schwarz crite

19、rion17.42342Log likelihood-201.1359 F-statistic1.321497Durbin-Watson stat1.906529 Prob(F-statistic)0.297918由上表显示LM=TR2=5.223742，其p值为0.073397，表明存在自相关。对模型进行处理：对原模型进行科克伦-奥克特迭代法做广义差分回归，用Eviews进行分析所得结果如下：Dependent Variable: YMethod: Least SquaresDate: 12/24/15 Time: 19:38Sample(adjusted): 1991 2013Includ

20、ed observations: 23 after adjusting endpointsConvergence achieved after 10 iterationsVariableCoefficientStd. Errort-StatisticProb. C-39779.1510686.99-3.7222020.0014X10.7219490.0973507.4160450.0000X30.1791840.0184359.7199340.0000AR(1)0.4884590.1835412.6613060.0154R-squared0.956230 Mean dependent var4

21、9521.70Adjusted R-squared0.949319 S.D. dependent var4870.329S.E. of regression1096.434 Akaike info criterion16.99428Sum squared resid22841163 Schwarz criterion17.19176Log likelihood-191.4343 F-statistic138.3617Durbin-Watson stat2.032169 Prob(F-statistic)0.000000Inverted AR Roots .49 （表十二）由图表知DW=2.03

22、2169可以判断du=1.543，dl=1.168，duDW （20） ，所以拒绝H0： =0，因为t（ ） （20） ，所以拒绝H0： =0，因为t（ ） （20） ,所以接受H0 ： =0。对斜率系数的显著性表明，解释变量“粮食耕种面积”和“农用化肥施用量”对被解释变量“粮食总产量”有显著影响。四、结论分析和政策建议（一）主要结论1）从模型可以看出农民对化肥的投入量，即模型中的化肥施用量，是影响粮食总产量增产的最显著因素，说明我国目前农业生产中，农民对农业的投入所产生的效益最大。2）从模型可以看出，粮食作物耕种面积也是影响粮食总产量的重要因素之一，扩大粮食作物耕种面积无疑是可以使粮食增产的

23、。3）农业机械化是农业现代化的重要内容和主要标志之一，而通过对模型的回归分析，可看出我国的农业机械化程度是较低的，对我国的粮食总产量增产贡献十分低下。（二）政策建议1）首先，在短期内为缓解粮食供应紧张，应提高农民种粮的积极性扩大粮食耕种面积，这是增加粮食总产量的唯一办法。农民积极性主要取决于种粮食的收益及其预期，收益则是卖粮收入与成本的差额。因此，应该双管齐下，稳定并提高粮食价格，控制农用物资价格的过快增长，在涉农物资上实行严格的价格管制，控制种粮的成本。在提高农民积极性的同时，也得以增加了化肥的施用量，在一定程度上，影响粮食总产量的增产。但是，由于我国土地后备资源有限,且粮食耕种面积已占耕地

24、总面积较大比例(75%),其调整幅度不大;在一定程度上是一个既定的前提。从我国粮食生产的发展来看,总产量的增长主要取决于单位面积产量的提高。而单位面积产量直接决定于农户的资本和劳动投入,即农户的种粮积极性;同时受经济体制和政策、科技进步状况和市场环境等强有力的影响。因此，我们一方面要坚持最严格的耕地保护制度，控制非农业占地，建立基本农田保护区，确保基本农田总量不减少、质量不下降。一方面要加强对现有耕地的开发，通过进一步改进耕作制度和应用优良品种，保持相对稳定的粮食作物耕种面积，提高耕地利用效率。 2）受边际效益递减规律的影响，化肥投入在粮食增产方面的能力逐渐下降；施肥方法落后、偏施和过施现象普

25、遍存在，盲目增加化肥施用量并不能从根本上使粮食增产，关键是要提高化肥的利用率。3）我国现在农业机械化程度远远不能满足现代农业发展的需求，要实现农业现代化，必须在以下各方面积极稳妥地推进农业机械化的发展：要把主要农产品生产过程机械化和产业化经营有机结合起来；对农业机械化进行结构性调整；因地制宜，有重点的推荐地区农业机械化；大力促进农业技术进步，重视农村的基础教育；建立与农业机械化相适应的农村经济体制。纵观中国农村现状，与其他产业相比，农业的发展一直处于较低的状态。扩大耕作面积，提高单产，实现机械化、规模化生产是保证我国农业健康发展的必有之路。【参考文献】1、庞皓，计量经济学，西南财经大学出版社，

26、2014年6月第三版2、周四军，对我国粮食生产影响因素的计量分析，统计与决策，2003年3、赵慧江，基于回归分析的粮食产量影响因素分析，怀化学院学报，2009年4、吕美巧、马广，农业机械化发展影响因素分析与评价，农机化研究, 2008年5、李妍，中国粮食生产影响因素及地区差异分析，经济研究导刊，2009年附录1Dependent Variable: X1Method: Least SquaresDate: 12/22/15 Time: 09:24Sample: 1990 2013Included observations: 24VariableCoefficientStd. Errort-St

27、atisticProb.C118379.68270.69614.313140.0000X2-3.5891343.927502-0.9138470.3712X30.1022010.1559860.6551940.5195R-squared0.090190Mean dependent var108857.3Adjusted R-squared0.003541S.D. dependent var3944.710S.E. of regression3937.719Akaike info criterion19.51106Sum squared resid3.26E+08Schwarz criterio

28、n19.65832Log likelihood-231.1327Hannan-Quinn criter.19.55013F-statistic1.040870Durbin-Watson stat0.291206Prob(F-statistic)0.3706662Dependent Variable: X2Method: Least SquaresDate: 12/22/15 Time: 09:14Sample: 1990 2013Included observations: 24VariableCoefficientStd. Errort-StatisticProb.C3217.3121300

29、.5632.4737840.0220X1-0.0106560.011661-0.9138470.3712X30.0384110.00186020.646100.0000R-squared0.956409Mean dependent var4360.633Adjusted R-squared0.952257S.D. dependent var981.9691S.E. of regression214.5609Akaike info criterion13.69153Sum squared resid966764.0Schwarz criterion13.83879Log likelihood-1

30、61.2984Hannan-Quinn criter.13.73060F-statistic230.3753Durbin-Watson stat0.212818Prob(F-statistic)0.0000003Dependent Variable: X3Method: Least SquaresDate: 12/22/15 Time: 09:15Sample: 1990 2013Included observations: 24VariableCoefficientStd. Errort-StatisticProb.C-69567.6734359.53-2.0246980.0558X10.1

31、960100.2991630.6551940.5195X224.812071.20178020.646100.0000R-squared0.955583Mean dependent var59965.75Adjusted R-squared0.951353S.D. dependent var24724.62S.E. of regression5453.262Akaike info criterion20.16228Sum squared resid6.24E+08Schwarz criterion20.30954Log likelihood-238.9474Hannan-Quinn crite

32、r.20.20135F-statistic225.8983Durbin-Watson stat0.198222Prob(F-statistic)0.0000004Dependent Variable: YMethod: Least SquaresDate: 12/22/15 Time: 16:20Sample: 1990 2013Included observations: 24VariableCoefficientStd. Errort-StatisticProb. C9080.94527337.040.3321850.7429X10.3696280.2509701.4728000.1550

33、R-squared0.089748 Mean dependent var49317.62Adjusted R-squared0.048373 S.D. dependent var4867.060S.E. of regression4747.883 Akaike info criterion19.84844Sum squared resid4.96E+08 Schwarz criterion19.94661Log likelihood-236.1813 F-statistic2.169140Durbin-Watson stat0.116875 Prob(F-statistic)0.1549695

34、Dependent Variable: YMethod: Least SquaresDate: 12/22/15 Time: 16:27Sample: 1990 2013Included observations: 24VariableCoefficientStd. Errort-StatisticProb. C31565.182691.44711.727960.0000X24.0710710.6027436.7542460.0000R-squared0.674652 Mean dependent var49317.62Adjusted R-squared0.659863 S.D. depen

35、dent var4867.060S.E. of regression2838.531 Akaike info criterion18.81962Sum squared resid1.77E+08 Schwarz criterion18.91779Log likelihood-223.8354 F-statistic45.61984Durbin-Watson stat0.431896 Prob(F-statistic)0.0000016Dependent Variable: YMethod: Least SquaresDate: 12/22/15 Time: 16:39Sample: 1990

36、2013Included observations: 24VariableCoefficientStd. Errort-StatisticProb. C39569.811530.63325.851930.0000X30.1625560.0236706.8676950.0000R-squared0.681921 Mean dependent var49317.62Adjusted R-squared0.667463 S.D. dependent var4867.060S.E. of regression2806.640 Akaike info criterion18.79702Sum squared resid1.73E+08 Schwarz crite