中国粮食产量的影响因素研究计量经济学论文Word下载.docx
《中国粮食产量的影响因素研究计量经济学论文Word下载.docx》由会员分享,可在线阅读,更多相关《中国粮食产量的影响因素研究计量经济学论文Word下载.docx(27页珍藏版)》请在冰豆网上搜索。
至此,我们至少可以判断日照时间、降雨量以及气温的变化在一定程度上可以解释粮食产量的变化。
其次,我认为粮食的播种面积以及每年的受灾面积对于粮食产量也有一些影响。
但受灾面积并不能很好地解释粮食产量的增长变化,因为受灾面积可能不仅只包含耕地,它还有可能包括居民住宅区等,所以这样相比较而言,粮食的播种面积显然能比受灾面积更好地解释粮食产量的变化。
最后,劳动力的人数也是解释粮食产量的一大重要因素。
当然这是指从事粮食种植的劳动力人数,而不是简单的就业人数,众所周知,就业人数不仅包括从事农业的劳动力人数,还包括在第二产业、第三产业就业的人。
耕地需要有人耕种管理才能有产出,因而第一产业的就业人员数很明显会影响到粮食的产量。
所以,本文可以把粮食产量作为被解释变量,日照时间、降雨量、气温变化、劳动力以及粮食播种面积作为解释变量,做水平或者对数的回归模型,相信能够有效地解释粮食产量的变化。
四、近几年各地区粮食产量的影响因素的统计分析
(一)各地区粮食产量的特征
由于2003年至2009年,全国各地区的粮食产量的数据过多,不便于分析各地区的粮食产量的趋势特征,故在此仅以2009年为例,大致可以得到全国各地区粮食产量的分布特征以及增减趋势,如下图:
根据上图的分布特征来看,我们可以知道:
(1)在2009年,哈尔滨、济南和郑州的粮食产量都已经超过了4000万吨,尤其郑州更是高居榜首,为中国粮食最大产量的地方。
(2)其次是南京、合肥及成都,这三个地区的粮食产量皆位于3000万吨至4000万吨,仅次于哈尔滨、济南和郑州。
(3)接着,粮食产量位于2000~3000万吨的地区有石家庄、长春、南昌、武汉以及长沙。
(4)除去这10个地区,其余的地区的粮食产量均低于2000万吨。
由此,很显然,2009年各地区的粮食产量是显著不同的。
(二)各年度粮食产量的统计特征
产量
2009
2008
2007
2006
2005
2004
2003
最小值
90.53
95.03
93.86
88.3
93.26
70.18
58.03
最大值
5389
5365.48
5245.22
5010
4582
4260
3569.47
均值
1712.325
1705.513
1618.073
1604.771
1561.361
1514.418
1389.333
中位数
1314.5
1243.44
1284.7
1387.604
1394.971
1390
1360.73
标准差
1381.425
1374.093
1297.465
1253.345
1187.207
1126.983
1002.608
总和
53082.08
52870.92
50160.28
49747.89
48402.19
46946.95
43069.33
观察值
31
如上表是按照年份统计的各地区的粮食产量。
从上表可知,2003年的粮食平均产量为1389.333万吨,2004年为1514.418万吨,2005年为1561.361万吨,2006年为1604.771万吨,2007年为1618.073万吨,2008年为1705.513万吨而2009年则为1712.325万吨。
由此我们可知,每年全国的粮食产量都有所增长,经过7年的过程中国的平均粮食产量已经由2003年的1389.333万吨增长至2009年的1712.325万吨。
从最大值来看,2003年的地区最大粮食产量为3569.47万吨,2004年为4260万吨,2005年为4582万吨,2006年为5010万吨,2007年则为5245.22万吨,2008年为5365.48万吨最后2009年为5389万吨。
其中前三年差别较大,后四年差别不大。
从标准差来看,2009年与2008年的标准差都比较大,分别为1381.425和1374.093,这说明这两年的粮食产量波动幅度较大,而其余几年相对而言则波动程度较小。
那不管从哪个值来看,我们都可以知道,近几年,全国粮食的产量都是处于上升势头中的,虽然不同时间段的上升速度有快有慢,但总体上是属于稳步上升类的。
(三)粮食产量影响因素以及其表示
通过前面的分析,可以发现影响粮食产量的相关因素有:
(1)所处地区,很显然,不同地区的粮食产量是明显不同的。
所以我认为与这一因素相关的因素均是影响粮食产量的重要因素,如温度、日照时间、降雨量以及播种面积等。
(2)根据年份即时间的不同,粮食的产量也有些许差别,基本可以说是产量随年份的增加而增加的。
其实这一因素,我们可以忽略掉,因为随着技术的进步、科技的发展,粮食产量逐年递增是很正常的现象。
但是为了保证研究结果的准确性,还是把年份考虑在内取数据。
(3)另外,我认为从事农业的劳动力人数也是影响粮食产量的重要因素之一。
毫无疑问,第一产业中的就职人数即农民的多少会影响到农产品产量的多少,所以理所当然更会影响到粮食产量的多少。
那经过简单的分析,可以得到有如下变量:
(其中,粮食产量为被解释变量,其余皆是解释变量。
)
变量
表示符号
单位
意义
粮食产量
OUTPUT
万吨
该变量表示该年该地区总的粮食作物产量
总日照时间
SUN
小时
该变量表示该年该地区总的日照时间
平均气温
TEMP
摄氏度
该变量表示该年该地区平均的温度
总降雨量
RAIN
毫米
该变量表示该年该地区总的降雨量
粮食播种面积
SEED
千公顷
该变量表示该年该地区粮食作物的总播种面积
劳动力人数
LABOR
万人
该变量表示该年该地区从事粮食作物种植的劳动力人数
五、基于面板数据的回归分析
(一)粮食产量影响因素的变量
综上,可以期待以下几个数据可以解释粮食产量的变化,
(1)不同地区不同时间的气温的变化,用temp来表示,其数值取每个地区的每年的平均温度,单位为摄氏度。
(2)不同地区不同年份的日照时间的长短,用sun来代表,单位取小时。
(3)各地区不同年份降雨量的变化,用rain表示,单位取毫米。
(4)各地区不同年份播种面积的大小,用seed表示,单位取千公顷。
(5)从事第一产业的就职人员数,用labor表示,单位为万人。
另,所有的数据来源于中国统计局,皆为数字变量。
(二)各变量的预处理
各变量的统计量信息
output
temp
sun
rain
seed
labor
58.03
4.70
703.80
74.90
141.34
47.57
5389.00
25.40
3245.20
2628.20
11391.03
3331.86
1586.54
14.47
1998.19
841.47
3374.19
967.17
1360.73
15.03
1994.00
756.90
3073.74
779.54
1242.78
5.02477657
526.337374
461.2616233
2548.512624
735.4823954
344279.63
3139.75
433606.52
182599.90
732200.15
209875.60
217.00
217
如上表是计量中所涉及到的各影响因素以及因变量的统计量信息表。
从中,我们可以获知被解释变量以及各解释变量的各种统计信息。
比如从标准差一行,我们可以得知,粮食产量和播种面积的数据波动范围比较大,而温度则表现的比较稳定,波动范围很小。
(三)数据平稳性的检验
因为本文使用的是面板数据,并且本文每个变量都有217个数据,因而考虑到各种因素,本文决定检验一下2009年31个地区的数据的平稳性,相信2009年的数据能够很好代表其他几年的情况。
经过对2009年数据的检验,可得如下结论:
Groupunitroottest:
Summary
Series:
OUTPUT,SUN,RAIN,TEMP,LABOR
Date:
01/02/12Time:
20:
45
Sample:
131
Exogenousvariables:
Individualeffects
Automaticselectionofmaximumlags
AutomaticlaglengthselectionbasedonSIC:
0
andBartlettkernel
Balancedobservationsforeachtest
Cross-
Method
Statistic
Prob.**
sections
Obs
Null:
Unitroot(assumescommonunitrootprocess)
Levin,Lin&
Chut*
-4.04623
0.0000
5
150
Unitroot(assumesindividualunitrootprocess)
Im,PesaranandShinW-stat
-4.33978
ADF-FisherChi-square
38.4657
PP-FisherChi-square
38.1452
**ProbabilitiesforFishertestsarecomputedusinganasymptoticChi
-squaredistribution.Allothertestsassumeasymptoticnormality.
由上,我们可以看到所有的P值都为0<
0.05,这样的话,很明显可以得出2009年全国31个地区的各变量数据是平稳的。
以此类推2008年以及前几年的数据应该也是平稳的。
(四)各变量之间多重共线性检验
各解释变量的相关系数矩阵
1
-0.64
-
-0.60
0.71
-0.19
-0.07
0.001
-0.45
0.34
0.23
0.76
如上表是相关解释变量的相关系数矩阵,从中可知选择的各个解释变量之间的相关系数的绝对值都小于0.8,说明各个因素之间没有多重共线性,即没有很强的相关性。
即temp与sun,rain和sun,labor和sun,temp和rain,temp和labor,seed和labor之间是弱相关的,而seed与sun,seed和temp,seed和rain,labor和rain之间则可认为无相关性。
这样的话,这些变量都可以在后面的回归中进行解释。
(五)计量分析结果
1、对于上述的各变量,建立如下针对参数而言的线性回归模型:
Output=c
(1)+c
(2)*sun+c(3)*temp+c(4)*rain+c(5)*seed+c(6)*labor+u
①hausman检验
当设置Period的EffectsSpecification为Random,Cross-section为None时做CorrelatedRandomEffects-Hausamtests可得P=0.123<
0.5所以就拒绝Periodrandom
具体检验过程如下所示:
CorrelatedRandomEffects-HausmanTest
Equation:
Untitled
Testperiodrandomeffects
TestSummary
Chi-Sq.Statistic
Chi-Sq.d.f.
Prob.
Periodrandom
8.669486
0.1230
**WARNING:
estimatedperiodrandomeffectsvarianceiszero.
Periodrandomeffectstestcomparisons:
Variable
Fixed
Random
Var(Diff.)
0.139881
0.151096
0.000065
0.1648
-4.905445
-2.109261
2.741835
0.0913
0.203118
0.204837
0.000198
0.9028
0.392066
0.400655
0.000010
0.0062
0.337725
0.307135
0.000133
0.0079
Periodrandomeffectstestequation:
DependentVariable:
OUTPUT
Method:
PanelLeastSquares
18:
19
20032009
Periodsincluded:
7
Cross-sectionsincluded:
31
Totalpanel(balanced)observations:
217
Coefficient
Std.Error
t-Statistic
C
-442.4519
229.4616
-1.928217
0.0552
0.068907
2.029977
0.0437
8.969469
-0.546905
0.5850
0.082239
2.469866
0.0143
0.018343
21.37428
0.068252
4.948196
EffectsSpecification
Periodfixed(dummyvariables)
R-squared
0.917881
Meandependentvar
1586.542
AdjustedR-squared
0.913475
S.D.dependentvar
1245.656
S.E.ofregression
366.4123
Akaikeinfocriterion
14.69911
Sumsquaredresid
27522884
Schwarzcriterion
14.88601
Loglikelihood
-1582.853
Hannan-Quinncriter.
14.77461
F-statistic
208.3070
Durbin-Watsonstat
0.157672
Prob(F-statistic)
0.000000
当设置Period的EffectsSpecification为None,Cross-section为Random时做CorrelatedRandomEffects-Hausamtests可得P=0<
0.5所以就拒绝Cross-sectionrandom
Testcross-sectionrandomeffects
Cross-sectionrandom
123.137431
Cross-sectionrandomeffectstestcomparisons:
0.085407
0.039828
0.000052
2.580547
38.310651
104.135597
0.0005
0.010962
0.022599
0.000044
0.0795
0.439032
0.551235
0.000327
-1.660357
-0.636000
0.009351
Cross-sectionrandomeffectstestequation:
22