计量经济学民航客运分析gdm.docx

计量经济学民航客运分析gdm.docx

《计量经济学民航客运分析gdm.docx》由会员分享，可在线阅读，更多相关《计量经济学民航客运分析gdm.docx（15页珍藏版）》请在冰豆网上搜索。

计量经济学民航客运分析gdm

我国民航客运量影响因素分析

——计量经济学大作业——

我国民航客运量影响因素分析

改革开放以来，中国经济快速发展，我国民航业实现了持续、高速增长。

１９７８至１９９７年期间我国航空运输总周转量、旅客周转量均保持年平均增长率１９％以上，大大超过世界同期６％的水平。

１９９７年我国民用飞机为９１５架，其中运输飞机４８５架，占国际民航组织缔约国商用飞机数量的２．９％，基本上都是大中型飞机，１００座以上飞机３９７架，是全国各行业中国有经济比例最高的行业。

民航业已经成为我国重要的新兴产业之一，属于高增长弹性的朝阳产业。

１９７８－１９９７年间民航运输总周转量、旅客周转量对ＧＤＰ的增长弹性值分别为１．９２和１．９５，即ＧＤＰ每增长一个百分点，民航运输总周转量、旅客周转量分别增长１．９２个百分点和１．９５个百分点，在各产业中属于发展潜力最大、增长速度最快的新兴服务业之一。

据统计，１９９７年仅民航总局直属企业收入为５５２亿元（１９９８年下降为５０８亿元），若加上地方民航企业收入的话，至少在７００亿元以上。

若按照民航直接收入与间接收入之比（例如：

旅游收入、保险收入、邮政收入等）１：

２－３倍（保守估计），平均每年产生的间接收入在１５００－２０００亿元。

“十五”曾计划明确提出我国民航产业发展目标：

通过开放空中市场、大幅度降低运价，延长民航航线里程，大幅提高民航客运量，进一步扩大我国民航业的市场规模，使之成为我国重要的产业之一，以此推动航空制造业、旅游业、保险业、其他运输业的发展，同时也带动我国中心城市的基础设施建设和第三产业的蓬勃发展。

本文希望从众多影响我国民航事业发展的因素中找出几个代表性因素进行分析，根据近年国家统计数据，运用统计学与计量经济学原理，借助计算机软件的辅助，建立模型，明确其对我国民航客运量发展的具体影响关系，得出结论，为有关研究提供借鉴。

一、变量的选取

人们乘坐飞机多是因为他们想到某地探亲、旅游或参加商务活动,从起始地到目的地的移动形成了运输需求,运输需求主要受当地经济、社会、地理、人口、交通环境的影响，而民航作为建设成本巨大、价格相对较高的一种出行途径，其受经济、替代运输工具、自身航线发展设置等因素的影响尤为突出。

本文在众多因素中选取具有很强代表性的居民消费额（X1）、铁路客运量（X2）、民航航线里程（X3）、国民收入GDP（X4）四个影响因素分析其对民航客运量的影响关系与程度。

1居民消费额

居民消费水平是一国综合经济实力、居民收入水平和居民支出水平的体现，一国经济实力雄厚、国民收入水平较高，其国民社会活动也更丰富，活动范围也更广阔，出行对运输工具舒适程度、便捷程度的要求也越高，同时对价格的敏感性较低。

航空作为一种特殊的社会产品，其需求数量受居民消费水平影响很大，而且一般为正向的促进作用。

2铁路客运量

铁路是我国最普遍、最易于接受、运输量最大的交通运输途径，作为航空运输的非同质替代品，二者存在很强的替代关系，其对航空客运量的影响作用巨大。

因此将其引入模型。

3民航航线里程

我国民航发展起步较晚，近些年虽然发展迅速，成果瞩目，但总体仍属于民航发展薄弱的国家，基础设施建设、机场数量、飞机数量、航线数量与里程、总周转量等指标与国家面积和人口数量相比还存在很大的发展空间，国内居民乘坐飞机出行仍受众多因素的限制，本文选取其中较有代表性的民航航线里程作为变量引入模型。

二、模型的设定

影响我国民航客运量的因素有很多，本文重点选取1978到1998年居民消费额、铁路客运量、民航航线里程三个因素来建立关于对我国民航客运量影响的多元回归模型，首先设定模型为Yi=β0+β1X1+β2X2+β3X3+ui，由OLS估计得到初步模型；第二步用辅助回归法进行多重共线性的检验，若存在多重共线性再用辅助回归法进行补救；第三步，在第二步结果基础上运用White检验方法对异方差进行检验，若存在异方差运用对数变换法进行补救；第四步，在第三步补救成功基础上运用D-W检验进行自相关检验，若存在即用一阶差分法进行补救，若不存在则该模型不存在自相关；若不确定运用LM检验进行高阶自相关检验，若存在高阶自相关再进行补救，不存在高阶自相关，那么模型不存在自相关。

最终得到最优模型。

三、数据来源

本文选取1978到1998年居民消费额、铁路客运量、民航航线里程三个因素来建立关于对我国民航客运量影响的多元回归模型，数据见下表。

年份

民航客运量Y

居民消费额X1

铁路客运量X2

民航航线里程X3

1978

231

1759.1

81491

14.89

1979

298

2005.4

86389

16

1980

343

2317.1

92204

19.53

1981

401

2604.1

95300

21.82

1982

445

2867.9

99922

23.27

1983

391

3182.5

106044

22.91

1984

554

3647.5

113530

26.02

1985

747

4589

112110

27.72

1986

997

5175

108579

32.43

1987

1310

5961.2

112479

38.91

1988

1442

7633.1

122645

37.38

1989

1283

8523.5

113807

47.19

1990

1660

9113.2

95712

50.68

1991

2178

10315.9

95080

55.91

1992

2886

12459.8

99693

83.66

1993

3383

15682.4

105458

96.08

1994

4038

20809.8

108738

104.56

1995

5117

26944.5

102745

112.9

1996

5555

32152.3

94162

116.65

1997

5630

34854.6

92578

142.5

1998

5755

36921.1

93620

150.58

（单位：

民航客运量万人，居民消费额亿元，铁路客运量万人，民航航线里程万公里）

四、模型建立与分析

一模型初步建立

设模型为Yi=β0+β1X1+β2X2+β3X3+ui

1打开eviews5—file—workfile—选择dated-regularfrequency,填入下列数据，导入民航客运量相关数据

2获得居民消费额、铁路客运量、民航航线里程三个因素与民航客运量数据散点图如下：

3由OLS分析各变量各项数据如下：

4根据OLS估计图得到模型

Y=-521.499+0.082X1+0.003X2+23.486X3

Se=（592.836）（0.025）（0.006）（6.412）

t=（-0.080）（3.335）（0.481）（3.663）

p=（0.391）（0.004）（0.636）（0.002）R²=0.985F=381.54

df=17D-W=1.0530校正的R²为0.9827

得到的模型符合先验预知，不需要舍弃解释变量，但是个别偏回归系数的t值较小，可能存在多重共线性。

二多重共线性的检验

（一）用辅助回归法检验多重共线性

1在菜单栏Quick中选择EstimateEquation在空白框里面填写“x1cx2x3”,点击确定。

得到OLS估计如下：

此时F值较大，P值较小，拒绝原假设，则x1与其具有多重共线性。

2在菜单栏Quick中选择EstimateEquation在空白框里面填写“x2cx1x3”,点击确定。

得到OLS估计如下：

此时的p值大于0.05，所以X2与其不具有多重共线性。

3在菜单栏Quick中选择EstimateEquation在空白框里面填写“x3cx1x2”,点击确定。

得到OLS估计如下：

此时F值较大，P值较小，拒绝原假设，则x3与其具有多重共线性。

总体来说模型具有多重共线性。

（二）逐步回归法进行补救

1菜单栏Quick中选择EstimateEquation在空白框里面填写“ycx1”,点击确定，得到OLS估计图,按此步骤依次填入“ycx2”“ycx3”得到OLS估计图，再比较它们的R²。

“ycx1”的OLS估计图：

“ycx2”的ols估计图：

“ycx3”的估计图：

2比较R²，x3>x1>x2,所以以x3为基础方程，先引入x1,菜单栏Quick中选择EstimateEquation在空白框里面填写“ycx3x1”,点击确定，得到OLS估计图如下：

引入x1后，R²变大，且P小于0.05，所以x1保留。

2再引入x2，菜单栏Quick中选择EstimateEquation在空白框里面填写“ycx3x1x2”,点击确定得到OLS估计如下：

引入x2后，R²没有太大变化，但是p值显然大于0.05，所以x2应舍弃。

所以补救结果及报告分析为：

Y=-242.845+0.0796X1+24.071X3

Se=（121.579）（0.0235）（6.1594）

t=（-199.74）（3.3832）（3.9081）

p=（0.0611）（0.0033）（0.0010）

R²=0.9852F=597.722

df=18D-W=1.0440校正的R²为0.9835

三异方差的检验

（一）利用White法检验

1在模型Y=-242.845+0.0796X1+24.071X3，打开eq07，点击View——ResidualTest——没有交叉项的怀特检验结果，得到下列结果：

从结果看，Obs*

对应的P值为0.003小于0.05，因此辅助模型具有统计显著性，这就说明了残差和解释变量直接存在着某种关系，随机误差项具有异方差性。

（二）异方差的补救

1对数变换法进行补救

按OLS按简单线性回归模型进行Log（y）对Log（x）的回归。

有结果如下：

（并同时进行White检验）。

在菜单栏Quick中选择EstimateEquation在空白框里面填写“log（y）clog（x1）log（x3）”。

2进行white检验

点击View——ResidualTest——没有交叉项的怀特检验结果，得到下列结果：

看到n*

对应的P值为0.8354远大于0.05，因此斜率系数的随机误差项具有同方差性。

对异方差补救完成，补救结果为log（Y）=-0.996+0.691log（X1）+0.522log（X3）

四自相关检验

（一）符合DW检验条件，所以运用DW检验

1.H0：

随机误差项不存在一阶自相关H1：

随机误差项存在一阶自相关

2.由下图的OLS估计可知，DW=0.797

3.n=21，k’=2当α=0.05时得查阅DW临界值表，得到下线临界值dl=0.890，上限临界值du=1.2274.

4.因为0

（二）一阶自相关的补救

1因为自相关系数未知，所以采用一阶差分法进行补救。

ρ=1-DW/2=1-0.797/2=0.6015<0.8,所以一阶差分法不合适，采用广义差分变换。

点击view-generateseries在空白区域填入dy=log（y）-0.6015*log（y）（-1）

在菜单栏Quick中选择EstimateEquation在空白框里面填写“dlog（y）dlog（x1）dlog（x3）”,点击确定。

得到OLS估计如下：

因为ρ=0.6015β1=c/（1-ρ）=0.033/0.3875=0.085,只有截距项改变，其他不变。

最终经过补救所得的模型为：

log（y）=0.085+0.691log（X1）+0.522log（X3）

五、模型经济意义与模型预测

1模型经济意义：

由模型形式可知，铁路客运量（X2）由于存在多重共线性被舍弃，显然，我国铁路客运量与居民消费存在一定的相关关系，所以导致铁路客运量由于多重共线性被舍弃。

同时由模型可知，居民消费额（X1）每增加或减少1亿元，民航客运量增加或减少0.6911%，民航航线里程（X3）每增加或减少1万公里，民航客运量增加或减少0.5221%。

由此可以看出，我国居民消费水平的提高对民航客运量促进作用最大，主要原因在于国民经济发展对我国民航事业的促进和居民对航空的需求量的增加；民航航线里程的增长也对民航客运量有很大促进作用，主要体现在民航事业的发展、航线的增加使居民乘飞机出行更加便捷，也使航空产业竞争更加激烈、价格更优惠、服务更周到，所以更多居民选择乘飞机出行的交通方式。

2由模型进行预测：

由模型形式可知，我国未来民航客运量将随着居民消费额和民航航线里程的增长持续高速增长，但增长速度会逐渐减缓，最终总量趋于稳定，符合我国民航客运量发展的现实情况，也与我国基本政策与国情相吻合。

由国家统计局数据得知，1999年居民消费38425.6亿元，民航航线里程152.22万公里，带入模型的1999年民航客运量应为6266万人，实际为6094万人，误差为2.82%。

六、附录

统计数据：

年份

民航客运量Y

居民消费额X1

铁路客运量X2

民航航线里程X3

1978

231

1759.1

81491

14.89

1979

298

2005.4

86389

16

1980

343

2317.1

92204

19.53

1981

401

2604.1

95300

21.82

1982

445

2867.9

99922

23.27

1983

391

3182.5

106044

22.91

1984

554

3647.5

113530

26.02

1985

747

4589

112110

27.72

1986

997

5175

108579

32.43

1987

1310

5961.2

112479

38.91

1988

1442

7633.1

122645

37.38

1989

1283

8523.5

113807

47.19

1990

1660

9113.2

95712

50.68

1991

2178

10315.9

95080

55.91

1992

2886

12459.8

99693

83.66

1993

3383

15682.4

105458

96.08

1994

4038

20809.8

108738

104.56

1995

5117

26944.5

102745

112.9

1996

5555

32152.3

94162

116.65

1997

5630

34854.6

92578

142.5

1998

5755

36921.1

93620

150.58

（单位：

民航客运量万人，居民消费额亿元，铁路客运量万人，民航航线里程万公里数据来自国家统计局网站