影响我国粮食产量的因素分析Word下载.docx
《影响我国粮食产量的因素分析Word下载.docx》由会员分享,可在线阅读,更多相关《影响我国粮食产量的因素分析Word下载.docx(18页珍藏版)》请在冰豆网上搜索。
![影响我国粮食产量的因素分析Word下载.docx](https://file1.bdocx.com/fileroot1/2022-12/6/f2f4fe45-34aa-4d64-940a-9467f6d1c549/f2f4fe45-34aa-4d64-940a-9467f6d1c5491.gif)
有效灌溉面积(千公顷);
农村用电量(亿千瓦时);
粮食作物播种面积;
农用机械总动力(万千瓦);
成灾面积(千公顷);
水电建设投资额(万元)等。
目前我国粮食生产的影响因素日益明朗化,随着科技的发展,化肥的施用量,以及农业机械总动力的普及使用必然会对粮食的产量产生积极影响;
有效灌溉面积和建设投资的增加也会使粮食产量增加;
同时不能忽略自然和认为因素造成的灾情。
所以综合了前人的研究成果,选取的因变量分别为化肥施用量(万吨);
水电建设投资额(万元)。
通过查阅2013年的中国统计年鉴,最终搜集整理了从1990年到2012年的粮食总产量、化肥施用量(万吨);
水电建设投资额(万元)的数据。
数据资料均来源于《中国统计年鉴》。
年份
粮食(万吨)
化肥施用量(万吨)
有效灌溉面积(千公顷)
农村用电量(亿千瓦时)
粮食作物播种面积(千公顷)
农用机械总动力(万千瓦)
成灾面积(千公顷)
水电建设投资额(万元)
1990
44624.3
2590.3
47403.1
844.5
113466
28707.7
17819
348848
1991
43529.3
2805.1
47822.1
963.2
112314
29388.6
27814
476529
1992
44265.8
2930.2
48590.1
1106.9
110560
30308.4
25893
594081
1993
45648.8
3151.9
48727.9
1244.9
110509
31816.6
23134
792747
1994
44510.1
3317.9
48759.1
1473.9
109544
33802.5
31382
1020937
1995
46661.8
3593.7
49281.2
1655.7
110060
36118.1
22268
1321689
1996
50453.5
3827.9
50381.4
1812.7
112548
38546.9
21234
1442828
1997
49417.1
3980.7
51238.5
1980.1
112912
42015.6
30307
1452004
1998
51229.5
4083.7
52295.6
2042.2
113787
45207.7
25181
1585787
1999
50838.6
4124.3
53158.4
2173.4
113161
48996.1
26734
1833853
2000
46217.5
4146.4
53820.3
2421.3
108463
52573.6
34374
2220993
2001
45263.7
4253.8
54249.4
2610.8
106080
55172.1
31793
2133741
2002
45705.8
4339.4
54354.9
2993.4
103891
57929.9
27160
2393195
2003
43069.5
4411.6
54014.2
3432.9
99410
60386.5
32516
3006249
2004
46946.9
4636.6
54478.4
3933.0
101606
64027.9
16297
3762995
2005
48402.2
4766.2
55029.3
4375.7
104278
68397.8
19966
4343826
2006
49804.2
4927.7
55750.5
4895.8
104958
72522.1
24632
4604296
2007
50160.3
5107.8
56518.3
5509.9
105638
76589.6
25064
5117926
2008
52870.9
5239.0
58471.7
5713.2
106793
82190.4
22283
4568884
2009
53082.1
5404.4
59261.4
6104.4
108986
87496.1
4563240
2010
54647.7
5561.7
60347.7
6632.3
109876
92780.5
18538
4398453
2011
57120.8
5704.2
61681.6
7139.6
110573
97734.7
12441
4243988
2012
58958.0
5838.8
63036.4
7508.5
111205
102559.0
3671548
基于以上数据建立模型为:
y=B0+B1X1+B2X2+B3X3+B4X4+B5X5+B6X6+B7X7+U
其中y代表全国粮食产量(万吨),x1代表化肥施用量(万吨),x2代表有效灌溉面积(千公顷),x3代表农村用电量(亿千瓦时),x4代表粮食作物播种面积(千公顷),x5代表农用机械总动力(万千瓦),x6代表成灾面积(千公顷),x7代表水电建设投资额(万元),u代表随机误差项。
四、数据分析统计描述
1.用最小二乘法对数据进行回归
用OLS法估计模型,利用Stata软件回归,结果如表二所示
表二Stata软件回归结果
Source|SSdfMSNumberofobs=22
-------------+------------------------------F(7,14)=180.07
Model|310989892744427127.4Prob>
F=0.0000
Residual|3454029.814246716.414R-squared=0.9890
-------------+------------------------------AdjR-squared=0.9835
Total|3144439212114973520.1RootMSE=496.71
------------------------------------------------------------------------------
y|Coef.Std.Err.tP>
|t|[95%Conf.Interval]
-------------+----------------------------------------------------------------
x1|4.390838.89909854.880.0002.4624646.319213
x2|1.096818.52237342.100.054-.02356152.217197
x3|2.132321.86103232.480.027.28559073.979052
x4|.5264878.047175611.160.000.4253061.6276695
x5|-.4503675.1596835-2.820.014-.7928545-.1078804
x6|-.1472115.027-5.450.000-.2051207-.0893024
x7|.0004409.00040261.090.292-.0004227.0013044
_cons|-65129.1617722.32-3.670.002-103139.8-27118.56
利用Stata最小二乘估计结果如下:
Y=-65129.16+4.390838x1……
2.模型检验
(1)经济意义检验
根据结果分析,除X5外其他解释变量前的参数均通过了经济意义检验;
模型中X5代表农用机械总动力,从经济行为上来看,农用机械总动力越高,粮食产量应该越高。
显然此处存在经济意义上的矛盾,由此可以推出解释变量间存在多重共线性。
(2)统计意义检验
模型的判定系数R2=0.9890,调整过的判定系数=0.9835,表明模型的整体拟合优度非常高,解释变量对被解释变量的解释程度很高,因此,可以推测模型总体线性关系成立。
但在5%的显著性水平,X2(有效灌溉面积)前参数估计值没有通过t检验,即结解释变量X2对被解释变量没有显著影响,其他6个解释变量均对被解释变量有显著影响。
(3)计量经济学检验
1>
多重共线性检验
①检验简单相关系数
X1X2X3X4X5X6X7的相关系数如下表
.pwcorrx1x2x3x4x5x6x7
|x1x2x3x4x5x6x7
-------------+---------------------------------------------------------------
x1|1.0000
x2|0.97651.0000
x3|0.96040.97081.0000
x4|-0.3488-0.2757-0.30121.0000
x5|0.97490.99020.9927-0.32411.0000
x6|-0.3297-0.3518-0.4644-0.1062-0.40881.0000
x7|0.92170.86810.9129-0.53520.9096-0.35301.0000
由表中数据发现,X1X2X3X5X7存在高度相关性
另外,也可以利用方差扩大因子法检验多重共线性
.estatvif
Variable|VIF1/VIF
-------------+----------------------
x5|1030.900.000970
x2|402.330.002486
x3|249.840.004003
x1|56.260.017776
x7|35.620.028075
x4|3.080.324680
x6|1.970.506396
MeanVIF|254.29
由此可以看出解释变量x5与其他解释变量存在高度的线性相关性
②找出最简单的回归形式
分别作Y与X1X2X3X4X5X6X7之间的回归:
.regressyx1
Source|SSdfMSNumberofobs=23
-------------+------------------------------F(1,21)=36.92
Model|2685892571268589257Prob>
Residual|152782257217275345.59R-squared=0.6374
-------------+------------------------------AdjR-squared=0.6202
Total|4213715152219153250.7RootMSE=2697.3
x1|3.695517.60821596.080.0002.4306634.960372
_cons|32979.172671.06812.350.00027424.3838533.96
2>
.regressyx2
-------------+------------------------------F(1,21)=42
Model|2809045991280904599Prob>
Residual|140466916216688900.75R-squared=0.6666
-------------+------------------------------AdjR-squared=0.6508
Total|4213715152219153250.7RootMSE=2586.3
x2|.7884354.12166466.480.000.53542011.041451
_cons|6383.3026574.4340.970.343-7288.98220055.59
3.>
regressyx3
-------------+------------------------------F(1,21)=38.31
Model|2721732191272173219Prob>
Residual|149198296217104680.74R-squared=0.6459
-------------+------------------------------AdjR-squared=0.6291
Total|4213715152219153250.7RootMSE=2665.5
x3|1.644425.2656836.190.0001.0919072.196943
_cons|43227.341064.23440.620.00041014.1445440.53
4.>
regressyx4
-------------+------------------------------F(1,21)=1.44
Model|27116041.4127116041.4Prob>
F=0.2428
Residual|3942554732118774070.2R-squared=0.0644
-------------+------------------------------AdjR-squared=0.0198
Total|4213715152219153250.7RootMSE=4332.9
x4|.2791902.23230911.200.243-.203923.7623033
_cons|18490.4625273.380.730.472-34068.4271049.33
5.>
.regressyx5
-------------+------------------------------F(1,21)=35.61
Model|2650553251265055325Prob>
Residual|156316190217443628.11R-squared=0.6290
-------------+------------------------------AdjR-squared=0.6114
Total|4213715152219153250.7RootMSE=2728.3
y|Coef.Std.Err.