中国粮食总产量多因素分析

西南财经大学2002届计量经济学课程论文中国粮食总产量多因素分析[摘要]本文根据《中国农业信息网》的相关统计数据在建立计量经济学模型的基础上，分析探讨了中国粮食总产量的影响因素，进行了统计分析和经济意义分析，并提出了一些政策建议。[关键词]因素分析参数检验粮食总产量一、导论粮食生产是关系国计民生的战略物资，尤其在我国具有特别重要的意义。中国历史上，因为饥荒而引发的战乱是不胜枚举的，所以大凡出色的皇帝都有强烈的民本农耕思想。直到现代社会，粮食依然是不可或缺的战略物资。世界各国，无论是发达国家还是发展中国家，都对粮食生产十分重视。依照战略的眼光，粮食和石油对一个国家特别是大国具有十分重要的制约作用，缺乏这两种物资，就会在国际竞争中处于被动地位，受制于人。我国是世界人口第一大国，来自人口的压力直接作用到粮食生产上。西方国家某些学者所讲的中国威胁论，很大一部分来源于对我国粮食生产的担心。鉴于农业在国民经济中有如此重要的作用，我们想通过计量经济学的方法来分析一下影响粮食总产量的因素和我国农业现状。粮食生产量是一个变量，其增减和播种面积的多少有着很大的相关性。而施用化肥提高单位面积的农作物产量，就等于变相扩大了耕地面积。中国农村人口占总中国总人口的2/3，是个相当庞大的数目。人多地少，是中国农业的一个特点，在中国农业生产以劳动密集型为主的现在，农业劳动力对粮食产量的影响是不可忽视的。随着经济的发展，农业生产条件显著改善，农业机械拥有量快速增长，农业机械化水平不断提高。现阶段，农业生产中由农业机械承担的劳动已占到40%以上，对粮食产量的影响力同样不容小觑。再则，水旱灾害是农业主要的自然灾害，对农业来说，不可抗拒的自然力对粮食产量的影响也非常大。二、模型设定据此，我们将“粮食总产量”设为应变量，“播种面积”、“化肥施用量”、“农业劳动力”、“农业机械中国粮食总产量多因素分析-2-劳动力”以及“受灾面积”设为因变量，设定了以下经济学模型：uXXXXXY55443322110其中：1X：农业化肥施用量（万公斤）2X：粮食播种面积（千公顷）3X：受灾面积（公顷）4X：农业机械劳动力（万千克）5X：农业劳动力（万人）数据如下：（表1）obsYX5X4X3X2X1198338728.0018022.1034710.0031645.00114047.01660.000198440731.0019497.2031890.0031685.00112884.01740.000198537911.0020912.5044370.0030352.00108845.01776.000198639151.0022950.0047140.0030468.00110933.01931.000198740298.0024836.0042090.0030870.00111268.01999.000198839408.0026575.0050870.0031456.00110123.02142.000198940755.0028067.0046990.0032114.00112205.02357.000199044624.0028707.7038470.0033336.00113466.02590.000199143529.0029388.6055470.0034186.00112314.02805.000199244266.0030308.4051330.0034037.00110560.02930.000199345649.0031816.6048830.0033258.00110509.03152.000199444510.0033744.0055040.0032690.00109544.03318.000199546662.0036118.1045874.0032335.00110060.03594.000199650454.0038546.9046989.0032260.00112548.03828.000199749417.0042015.6053429.0032435.00112912.03981.000199851230.0045208.0050145.0032626.00113787.04086.000199950839.0048996.1049981.0032912.00113161.04124.000200046218.0052573.6054688.0032998.00108463.04146.000200145264.0055172.1052215.0032451.00106080.04254.000200245706.0057929.9047120.0031991.00103891.04339.000200343070.0060386.5054386.0031260.0099410.004412.000资料来源：《中国农业信息网》以下是根据上表所作出的趋势图：中国粮食总产量多因素分析-3-020000400006000080000100000120000198019851990199520002005Y（粮食总产出/万吨）X1（农业化肥施用量/万公斤）X2（粮食播种面积/千公顷）农村劳动力（万人）受灾面积（千公顷）机械劳动力（万千瓦）从上图我们可以直观的看出，粮食总产量与农业化肥施用量、粮食播种面积以及农村劳动力的走势相仿，可能存在一定的线性关系，但是与受灾面积的关系似乎不大。但具体它们之间存在一种怎样的关系，还需要通过计量模型进行进一步的分析。三、参数估计1、对原模型，用EVIEW估计结果如下：（表2）DependentVariable:YMethod:LeastSquaresDate:06/05/05Time:11:53Sample:19832003Includedobservations:21VariableCoefficientStd.Errort-StatisticProb.X5-0.1747080.062677-2.7874460.0138X4-0.0721770.036671-1.9682600.0678X3-0.0956880.221397-0.4322010.6717X20.5114550.0833726.1346500.0000X16.7835890.7978298.5025590.0000C-20485.3610285.35-1.9917030.0649R-squared0.973458Meandependentvar44210.48AdjustedR-squared0.964610S.D.dependentvar4089.884S.E.ofregression769.3957Akaikeinfocriterion16.36404Sumsquaredresid8879547.Schwarzcriterion16.66248Loglikelihood-165.8225F-statistic110.0270Durbin-Watsonstat1.945236Prob(F-statistic)0.000000110.0270F769.3957S.E.9735.0R(-2.7874)(-1.9683)(-0.4322)(6.1347)(8.5026)9917).1(t0.1747X0722X.00957X.05115X.07836X.636.20485Y254321中国粮食总产量多因素分析-4-四、检验与修正1、多重共线性检验①分析：从推断结果可以看出，R2=0.9735拟和效果非常好；55.3)18,2(F100.0270F05.0（显著性水平α=0.05），从整体上看，粮食总产量与解释变量之间线性关系显著。②检验：我们采用简单相关系数矩阵法对其进行检验，如下图：（表3）X5X4X3X2X1X51.0000000.5868850.218822-0.6233850.948744X40.5868851.0000000.356708-0.3918140.634071X30.2188220.3567081.0000000.2426270.390217X2-0.623385-0.3918140.2426271.000000-0.444032X10.9487440.6340710.390217-0.4440321.000000从上表可以看出，解释变量之间存在高度线性相关。同时，从表2也可以看出，尽管整体上线性回归拟合较好，但是3X的t值并不显著，54X,X的系数符号为负，与经济意义相悖，应剔出。其他解释变量没有与经济意义相悖，有经济意义，但是存在多重共线性，需修正。③修正：由表2可以看出1X的t值最大，因而粮食需求量Y对农业化肥施用量1X的线性关系最好，拟合程度好，因此把1X作为基本变量，即：39.4913F2391.555S.E.0.6955R(6.2842)0644).19(t3.4118X47.33623Y21加入2X模型变为：194.7641F906.0395S.E.9558.0R)(10.6948(19.6115))0594.6(t0.6763X4.5019X44378.57Y221可见，加入该变量以后模型的拟合程度的到了很好的改善，并且t检验也能够很好地通过。加入3X模型变为：122.9513F931.1391S.E.9559.0R(-0.2066)(9.0915)(15.7597)2804).5(t0520X.06841X.05360X.464.43670Y2321可见该变量的引入仅使拟合优度仅略有变动，但其自身的t值太小，不能通过t检验，因而其对Y的影响并不显著，故将3X删除。中国粮食总产量多因素分析-5-模型修改形式如下：22110XXY新模型的估计结果如下：DependentVariable:YMethod:LeastSquaresDate:06/05/05Time:11:54Sample:19832003Includedobservations:21VariableCoefficientStd.Errort-StatisticProb.X14.5019310.22955519.611530.0000X20.6763050.06323710.694830.0000C-44378.577323.980-6.0593510.0000R-squared0.955831Meandependentvar44210.48AdjustedR-squared0.950924S.D.dependentvar4089.884S.E.ofregression906.0395Akaikeinfocriterion16.58761Sumsquaredresid14776336Schwarzcriterion16.73682Loglikelihood-171.1699F-statistic194.7641Durbin-Watsonstat1.927554Prob(F-statistic)0.0000002、自相关检验从模型设定来看，没有违背D-W检验的假设条件，因此可以用D-W检验来检验模型是否存在一阶自相关。根据上表中估计的结果，由DW=1.9276,给定显著性水平α=0.05，查Durbin-Watson表，n=21,k’=2，得dL=1.125，du=1.538，4－du=2.462，duDW4－du，所以不存在一阶自相关。3、异方差检验利用ARCH检验法检验模型是否存在异方差。结果如下：ARCHTest:F-statistic3.116447Probability0.060218Obs*R-squared7.207404Probability0.065573TestEquation:DependentVariable:RES