计量论文对我国各地区职工平均工资的影响因素的分析终.docx

计量论文对我国各地区职工平均工资的影响因素的分析终.docx

《计量论文对我国各地区职工平均工资的影响因素的分析终.docx》由会员分享，可在线阅读，更多相关《计量论文对我国各地区职工平均工资的影响因素的分析终.docx（24页珍藏版）》请在冰豆网上搜索。

计量论文对我国各地区职工平均工资的影响因素的分析终

计

量

经

济

学

论

文

对我国各地区职工平均工资的影响因素的分析

摘要：

关于对我国各地区职工工资的影响因素的研究，目前在国内还比较少。

随着经济的发展，我国各地区职工的平均工资都有所增长，但各地区的增长幅度又有所不同，本文在经济理论的基础上，着重分析2012年各省平均工资的相关数据，采用引入虚拟变量建立模型的方式，分析了影响各地区职工的平均工资的影响因素及影响程度。

研究表明：

影响职工平均工资的主要因素有四个：

性别比例、居民消费指数、高校毕业生人数、公路长度。

本文通过对全国代表地区抽样数据的分析，总结了职工工资收入总体状况和不同户籍、不同性别职工、不同消费水平、不同教育程度、公路长度和铁路长度等影响因素进行了判定和分析，并且在分析结论的基础上，作出了维护企业职工合法权益的一些对策性思考。

关键字：

各地区职工平均工资影响因素

1、引言

随着我国社会主义市场经济体制的初步建立和国民经济的迅速发展，城乡居民的平均收入大幅度增加，人民生活水平有了显著的提高。

近年来，随着改革开放的进程不断加快，我国职工工资收入不断提高，劳动和社会保障法制建设进一步加强，劳动者合法权益得到保障。

2003年，城镇职工平均工资达到14040元，是1990年的6倍多，扣除物价因素，实际年均增长8.1%，是建国以来城镇职工工资收入增长最快的时期之一。

以上海为例，自改革开放以来，上海职工工资收入逐年增长，近十多年来，职工工资年均增幅超过10%。

统计数字显示，1990年上海的人均年工资为2917元，2004年上升到24398元，增加近十倍。

其他地区的工资增长虽不及上海那般显著，却也是在节节攀升。

职工工资的增长逐渐成为一个热点话题，在XX中输入“职工工资”，你会在0.001秒后得到237000篇相关报道，工资协商制、工资拖欠、工资保障机制也成为学术界人士争相研究的焦点。

而也是随着职工工资的增长，其他的一些问题，诸如个税征收、社会保障机制改革等接踵而来。

因此，研究好职工工资的影响因素，对于预测工资走向，安排生产生活，体制改革等有积极意义。

2、文献综述

在关于我国各地区职工工资水平的影响因素方面，国内的学者进行了多角度的研究。

2012年天津财经大学的王改林教授发表了一篇名为《我国职工工资增长影响因素的实证分析》的文章。

文章中，作者在西方经典工资决定的理论的基础上，结合我国现实国情，进行了理论分析，挖掘出了影响我国职工工资增长的因素，具体为我国劳动力市场的长期供需失衡、地区发展水平的差距、我国的劳动生产率较低、劳动力人力资本投资不足以及政府政策性因素的影响；其次，基于前述理论分析，学者根据国家统计局样本选取的方法，抽取了东中西、东北具有代表性的样本地区（北京、天津、河北、辽宁、吉林、上海、江苏、浙江、河南、湖北、湖南、广东、重庆、四川、陕西、甘肃），选取了人均地区生产总值（GDP）、消费者物价指数（CPI）、劳动力就业人数（LABOR）、人均受教育年限（HUMAN）作为解释变量，在Pearson相关分析的基础上进行的面板数据模型的构建的检验,并对实证分析的结果进行了详尽分析和表述。

最后，作者根据理论分析和实证分析的结果，结合我国的现阶段的基本国情，得出了以下政策建议：

第一，完善社会主义市场经济体制下的工资决定机制，制定合理的工资指导线，完善最低工资标准动态调整机制；建立工资集体协商制度等,充分发挥市场的调节作用；第二，建立完善的政府工资宏观调控体系，取消劳动力自由流动的限制，完善劳动力就业的服务体系，建立健全就业和社保体系，加强劳动力市场法制化建设等完善政府的调控职能；第三，加大人力资本投资，加大教育经费的财政支出，优化教育投资的结构等提高劳动者就业人员的科学文化素质。

另外，有研究表明我国不同性质的单位近几年来职工平均工资水平发展不一致，从而影响了员工的平均工资水平。

国有单位职工平均工资略高于其他单位，城镇集体单位平均工资水平远低于包括国企在内的其它单位。

这就意味着一个地区国有企业的数量会对该地区的职工平均工资水平有影响。

以往对职工工资水平的研究，往往倾向于对职工工资水平的本身影响因素的研究，而对于各个地区之间的研究却很少。

本文以2012年31个省的平均工资的数据为基础，进行较为系统的实证分析及模型检验，进而探究了各影响要素的相关性，从而得出了更为科学、更为全面的结论。

三、调查过程

（一）调查指标的设计

笔者在研究了相关文献的基础上，将地区分为是否为西部地区，在因素中选择了老年人口及少年儿童抚养比，并且另行加入了居民消费指数、高校毕业生人数等可能因素，共设计了10个指标。

具体如表1所示：

表1各指标的简称及内容

简称

内容

x1

是否是西部地区

x2

教育经费（万元）

x3

性别比（女=100）

x4

12年底人口数（万元）

x5

居民消费指数

x6

人口总抚养比（％）

x7

高校毕业生人数

x8

公路长度（公里）

x9

铁路长度（公里）

x10

y

全国各省市GDP

平均工资（万元/年）

（二）调查结果

笔者主要以网络数据为来源，数据内容来自《中国统计年鉴2012》以及中国经济与社会发展统计数据库。

数据内容涵盖了我国31个省职工平均工资数据及上述十项指标的具体数据。

（三）调查数据的描述性统计

调查数据的描述性统计如表2所示。

表2变量的描述统计

简称

平均

标准误差

标准差

方差

峰度

偏度

最小值

最大值

观测数

X1

0.39

0.09

0.50

0.25

-1.89

0.49

0

1

31

X2

6946335.94

742589.45

4134563.08

1.71E+13

1.45

1.09

826102

18846365

31

X3

105.08

0.66

3.69

13.61

-0.06

0.23

98.61

113.60

31

X4

4323.91

497.39

2769.34

7669264

-0.32

0.63

303.30

10504.85

31

X5

102.75

0.08

0.42

0.18

0.17

0.32

102

103.80

31

X6

34.49

1.24

6.88

47.39

-0.65

-0.16

21.18

47.33

31

X7

201527

23731.21

132130.4

1.75E+10

-0.4

0.56

8580

474266

31

X8

3092.13

280.01

1559.02

2430555

-0.99

-0.17

38

5800

31

X9

2515.03

271.98

1514.30

2293104

0.92

0.85

331.20

6694.20

31

X10

167715.55

2359.53

13137.30

1.73E+08

1.76

1.39

606

52674

31

四、失业率影响因素体系的构建

（一）平均工资影响因素模型的设定

作者选取了是否是西部地区、教育经费、性别比、12年底人口数、居民消费指数、人口总抚养比、高校毕业生人数、公路长度、铁路长度、全国各省市GDP共十个可能影响平均工资的因素，建立了平均工资影响因素模型：

其中下标

表示第

个被调查的省份，

为常数项，

是误差项。

（二）影响因素分析

本文拟将平均工资作为被解释变量，是否是西部地区、教育经费、性别比、12年底人口数、居民消费指数、人口总抚养比、高校毕业生人数、公路长度、铁路长度、全国各省市GDP共十个变量作为解释变量，构建线性回归模型。

通过eviews6.0求得的各解释变量（不包括虚拟变量）之间的相关系数如表3所示:

表3各解释变量之间的相关系数矩阵

X1

X2

X3

X4

X5

X6

X7

X8

X9

X10

X1

1

0.27

-0.45

0.31

0.26

-0.57

-0.44

-0.09

-0.54

-0.49

X2

0.27

1

0.09

0.02

0.20

-0.09

0.04

-0.09

-0.08

0.04

X3

-0.45

0.09

1

-0.43

0.16

0.93

0.86

0.34

0.84

0.90

X4

0.31

0.02

-0.43

1

-0.10

-0.43

-0.40

0.02

-0.36

-0.35

X5

0.26

0.20

0.16

-0.10

1

-0.02

0.15

-0.08

-0.21

-0.12

X6

-0.57

-0.09

0.93

-0.43

-0.02

1

0.83

0.31

0.88

0.88

X7

-0.44

0.04

0.86

-0.40

0.15

0.83

1

0.52

0.64

0.70

X8

-0.09

0.09

0.34

0.02

-0.08

0.31

0.52

1

0.15

0.15

X9

-0.54

-0.08

0.84

-0.36

-0.21

0.88

0.64

0.15

1

0.96

X10

-0.49

0.04

0.90

-0.35

-0.12

0.88

0.70

0.15

0.96

1

从表3可以看出影响平均工资的各因素之间的相关系数的绝对值中，x3、x6、x7、x9、x10两两之间相关系数超过0.8，出现了严重的多重共线性。

其中x9与x10多重共线性最严重，从经济意义上来说，全国各省市GDP（x10）越高，平均工资就越高，相比铁路长度（x9）更能反映状况，又由于我们选取的变量较多，故提出x9不会对模型构成大的扰动，因而将x9剔除。

同样地，性别比（x3）相比人口总抚养比（x6）更能反映情况，故剔除变量x6；

（三）模型建立

下面，利用剩余8个变量构建模型，用普通最小二乘（OLS）进行多元线性回归分析。

通过eviews6.0软件对数据进行多元线性回归分析后，得到的结果如表4所示：

表4回归结果

模型1

模型2

模型3

模型4

模型5

模型6

模型7

X1

-2191.444

-0.921949

-1563.634

-0.567577

-3177.859

-1.290231

-3535.874

-1.474407

-2888.890

-1.261153

X2

100.5506

0.347465

63.11963

0.207338

97.22935

0.366150

139.4038

0.538699

X3

0.247194

0.473410

1.698609

2.526814**

-0.458208

-0.30216

1.733905

2.6545**

1.828083

2.784548***

1.759690

2.711093**

X4

3095.845

1.205223

3541.363

1.276621

2411.558

0.985146

1495.989

0.612391

2462.695

1.026382

2123.650

0.880350

X5

-687.9386

-4.381078***

-711.4105

-4.258736***

-632.0526

-4.268773***

-392.5322

-1.877223

-630.5117

-4.339085***

-707.3123

-5.298906***

-705.9035

-5.311764***

X7

-3.945170

-2.933208***

-3.759708

-1.183481

-3.923604

-2.974121***

-3.555457

-2.731495**

-3.768359

-2.959189***

X8

-2.932053

0.675496

-3.087730

-4.057727***

-1.892091

-2.430787**

-1.081057

-1.183481

-1.937709

-2.568671**

-2.137632

-2.864777***

-1.967239

-2.7741747***

X10

0.001285

1.575013

cons

-263361.4

-0.984386

-305296.5

-1.067992

-192039.5

-0.761807

-112744.0

-0.451925

-187337.5

-0.757919

-151919.1

-0.611453

66766.24

13.64033

N

31

31

31

31

31

31

31

F

8.394557

6.815710

8.922020

8.619425

10.77546

12.32142

15.34077

R-squared

0.626714

0.630168

0.730850

0.758123

0.729281

0.711340

0.702391

AdjustedR-squared

0.552057

0.537710

0.648934

0.670168

0.661601

0.653608

0.656606

注：

*表示在0.1的显著性水平下该变量通过显著性检验；**表示在0.05的显著性水平下该变量通过显著性检验；***表示在0.01的显著性水平下该变量通过显著性检验

从表4数据及相应计算结果中，我们得出以下结论：

模型1选取了不存在多重共线性的解释变量，拟合度一般，整体方程通过了F检验。

模型2添加了解释变量x3，R^2和F值有所改善，故考虑保留该变量。

模型3添加了变量x7，R^2和F值有所改善，故考虑保留该变量。

模型4添加了变量x10，R^2和F值变化不大，但其他解释变量变得不显著，故考虑剔除该变量，回到模型3。

模型5剔除了变量x2，因为在之前模型中变量2一直表现不显著，剔除后，模型的R^2有明显改善，故剔除x2。

模型6剔除变量x1，也是因为它之前表现不显著，且剔除后，模型R^2有明显改善，解释变量的显著性也有所改善，故考虑剔除x1。

同样地，模型7剔除变量x4后，模型各变量均表现显著，且模型R^2明显改善。

结果证明，在去除x1、x2、x4、x6、x9、x10后，模型各变量的显著性检验都得以通过且整体显著，在对你和有毒和各变量的经济意义进行观测和评估之后，小组成员一致认为模型7能够较为准确地对我国各地区职工平均工资进行估算，最终选择了模型7作为本次模型构建的最终模型，具体模型为：

y=66766.24+1.759690x3-705.9035x5-3.768359x7-1.967239x8

（13.64）（2.71）（-5.31）（-2.96）（-2.77）

R^2=0.70R^2-（修正的可决系数）=0.66F=15.34

其拟合效果图如下，可见实际值曲线与拟合值曲线相差不大，初步达到目的。

（四）异方差的检验

1、异方差检验

由于本文数据截面数据，因而不排除异方差产生的可能，下文笔者即对OLS回归方程是否出现异方差性进行检验。

本文采取怀特异方差检验（检验详细结果参见附录），检验结果为：

F值为1.494745，自由度为（14,16）的F分布临界值为F0.1（14,16）=1.95，临界值比真实值大了0.46，我们仍然认为在怀特检验在10%显著性水平下存在异方差。

2、怀特异方差的稳健估计（详细结果参见附录）

为了和通常的OLS回归系数进行比较，我们在异方差稳健估计回归方程中同时列出OLS回归标准差和异方差稳健标准差：

y=66766.24+1.759690x3-705.9035x5-3.768359x7-1.967239x8

异方差稳健标准差（7811.694）（0.518）（173.111）（1.197）（0.548）

通常的OLS标准差（4894.766）（0.649）（132.89）（1.273）（0.718）

异方差稳健t值（8.547）***（3.395）***（-4.078）***（-3.148）***（-3.592）***

五、结论

根据对众多变量分析的结果，我们发现影响职工平均工资的主要因素有四个：

性别比例、居民消费指数、高校毕业生人数、公路长度。

其中性别比例可以看成是影响劳动力数量的因素，通过供求杠杆作用于平均工资，男性比例越高的地区，因为劳动力的丰富，在其他因素保持不变的情况下，比例每提高一个单位，其平均工资增加1.759790元；而居民消费指数对平均工资的影响最为显著，在其他因素保持不变的情况下，居民消费每增加一元，其平均工资就会低于其他地区705.9035元；高校毕业人数可以看成是就业人数的因素，在其他因素保持不变的情况下，高校毕业人数每增加一人，其平均工资就比其他地区低3.768359元；最后，在其他因素不变的情况下，公路长度每增加一公里，该地区的职工平均工资就减少1.967239元。

通过这一次的调查研究，了解到职工工资的影响因素，对于预测工资走向，安排生产生活，体制改革等有积极意义。

参考文献：

[1]2012年中国统计年鉴

[2]中国经济与社会发展统计数据库

[3]王改林.我国职工工资增长影响因素的实证分析[J].天津财经大学.2013

[4]李滨生.我国职工工资收入影响因素分析[J].中国劳动.2010

（2）

[5]郑长德.中国职工工资的地区差异——基于新经济地理学视角的实证研究[J].甘肃社会科学.2009

（1）

附表：

1、模型1

Y=-263361.4-2191.444x1+100.5506x2+3095.845x4-687.9386x5-2.932053x8+

DependentVariable:

Y

Method:

LeastSquares

Date:

12/18/13Time:

15:

04

Sample:

131

Includedobservations:

31

Coefficient

Std.Error

t-Statistic

Prob.  

C

-263361.4

267538.7

-0.984386

0.3344

X1

-2191.444

2376.970

-0.921949

0.3654

X2

100.5506

289.3838

0.347465

0.7312

X4

3095.845

2568.692

1.205223

0.2394

X5

-687.9386

157.0249

-4.381078

0.0002

X8

-2.932053

0.675496

-4.340595

0.0002

R-squared

0.626714

    Meandependentvar

33429.13

AdjustedR-squared

0.552057

    S.D.dependentvar

8306.693

S.E.ofregression

5559.550

    Akaikeinfocriterion

20.25641

Sumsquaredresid

7.73E+08

    Schwarzcriterion

20.53395

Loglikelihood

-307.9743

    Hannan-Quinncriter.

20.34688

F-statistic

8.394557

    Durbin-Watsonstat

1.880379

Prob（F-statistic）

0.000091

2、模型2

Y=-305296.5-1563.634x1+63.11963x2+0.247194x3+3541.363x4-711.4105x5-3.087730x8+

DependentVariable:

Y

Method:

LeastSquares

Date:

12/18/13Time:

15:

00

Sample:

131

Includedobservations:

31

Coefficient

Std.Error

t-Statistic

Prob.  

C

-305296.5

285860.3

-1.067992

0.2961

X1

-1563.634

2754.926

-0.567577

0.5756

X2

63.11963

304.4286

0.207338

0.8375

X3

0.247194

0.522156

0.473410

0.6402

X4

3541.363

2774.013

1.276621

0.2140

X5

-711.4105

167.0473

-4.258736

0.0003

X8

-3.087730

0.760951

-4.057727

0.0005

R-squared

0.630168

    Meandependentvar

33429.13

AdjustedR-squared

0.537710

    S.D.dependentvar

8306.693

S.E.ofregression

5647.882

    Akaikeinfocriterion

20.31163

Sumsquaredresid

7.66E+08

    Schwarzcriterion

20.63543

Loglikelihood

-307.8302

    Hannan-Quinncriter.

20.41718

F-statistic

6.815710

    Durbin-Watsonstat

1.941012

Prob（F-statistic）

0.000259

3、模型3

Y=-192039.5-3177.859x1+97.22935x2+1.698609x3+2411.558x4-632.0526x5-3.945170x7-1.892091x8+

DependentVariable:

Y

Method:

LeastSquares

Date:

12/18/13Time:

15:

06

Sample:

131

Includedobservations:

31

C