影响我国粮食产量的因素分析.docx
《影响我国粮食产量的因素分析.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.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
影响我国粮食产量的因素分析
摘要:
通过时1990一2012年间我国粮食产量的分析,在影响我国粮食产量的诸多原因中选出了3个主要影响因素,建立了多元线性回归模型，利用模型对粮食产量情况进行多元线性回归分析,研究了这些影响因素对粮食产量的影响与作用,最后,在此基础上提出了提高我国粮食产量的对策建议.
关键词:
粮食产量;影响因素;回归分析;建议
一、研究意义
粮食安全问题是一个关系到国计民生的重要战略问题!
它影响到经济的发展"人民生活质量的提高和社会的稳定#尽管我国粮食总体上虽然保持了较高的自给率!
但大豆进口量近年来持续快速增长!
目前我国超过70%的大豆依赖进口!
而其中30%以上进口自美国$当前的形势提醒我们!
必须进一步加强对粮食安全问题的重视$而对我国这样一个人口众多的农业大国来说!
粮食供给必须首先立足于国内生产$随着我国粮食需求日益增长!
以及城市化和工业化的加速推进!
大量资源不断流向城市!
农业可耕地面积日益萎缩!
使得粮食生产面临较为严峻的形势$粮食生产问题如果解决不好!
就会给我国的经济发展和社会稳定带来制约和冲击
粮食是人民生存之本、经济发展之柱，对稳定社会、经济具有重要的作用。
粮食问题是一个关系到国计民生的重要战略问题，它更影响到经济的发展和社会的稳定。
中国是世界上的农业大国，同时又是一个农业相对落后的国家。
近几年世界粮食价格的大范围浮动，应该引起我们的注意，大起大落更使我们重新审视起粮食生产的重要性。
同时只有抓住了影响粮食产量的主要因素，改府才能正确的做出举措来将粮食生产引向健康合理的发展路线并且实现农业的现代化。
二、文献回顾
影响粮食产量的因素很多,我国学者从不同角度研究了粮食生产问题.于法稳选择有效灌溉面积、化肥施用量、农业机械总动力、粮食播种面积和受灾面积等5个指标作为影响粮食生产的因素,并采用灰色关联分析的方法对这5个因素进行了分析,指出有效灌溉面积、农机总动力和粮食播种面积是影响粮食生产的3个最主要因素;肖海峰将影响粮食综合生产能力的影响因素选择为粮食播种面积、其他物质费用、成灾面积、劳动力和化肥费用,通过柯布一道格拉斯生产函数证实了粮食播种面积是影响粮食产量最重要的因素;熊华等人应用灰色关联分析和C一D生产函数相结合的分析方法证实了化肥施用量、粮食作物播种面积和有效灌溉面积均对粮食生产具有重要影响[’〕;此外,xinagL采用粗糙集理论,张建平、Yunzhang和WuY等人运用灰色关联分析与BP神经网络相结合的方法,在对影响粮食产量的因素中又加人了农村用电量、地膜覆盖面积、水电建设投资和支农支出等因素,从多种角度验证了这些影响因素对粮食产量的重要性。
应该说前人在关于影响粮食产量的因素这个问题上做得研究已经很多而且很深，每一位学者对于影响粮食产量的因素都有自己独到的见解。
本文将各位学者认为的影响因素综合起来，采用最小二乘法进行分析，试图在综合了各位学者的研究成果后，找出更具有代表性的，更准确的影响因素。
三、理论的框架
我国以往的关于粮食产量的不同计量模型，虽然结论有所差异，但细究起来，影响和制约粮食产量的主要因素为：
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；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）；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）。
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）；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）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
21234
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：
1>
.regressyx1
Source|SSdfMSNumberofobs=23
-------------+------------------------------F（1,21）=36.92
Model|2685892571268589257Prob>F=0.0000
Residual|152782257217275345.59R-squared=0.6374
-------------+------------------------------AdjR-squared=0.6202
Total|4213715152219153250.7RootMSE=2697.3
------------------------------------------------------------------------------
y|Coef.Std.Err.tP>|t|[95%Conf.Interval]
-------------+----------------------------------------------------------------
x1|3.695517.60821596.080.0002.4306634.960372
_cons|32979.172671.06812.350.00027424.3838533.96
------------------------------------------------------------------------------
2>
.regressyx2
Source|SSdfMSNumberofobs=23
-------------+------------------------------F（1,21）=42
Model|2809045991280904599Prob>F=0.0000
Residual|140466916216688900.75R-squared=0.6666
-------------+------------------------------AdjR-squared=0.6508
Total|4213715152219153250.7RootMSE=2586.3
------------------------------------------------------------------------------
y|Coef.Std.Err.tP>|t|[95%Conf.Interval]
-------------+----------------------------------------------------------------
x2|.7884354.12166466.480.000.53542011.041451
_cons|6383.3026574.4340.970.343-7288.98220055.59
------------------------------------------------------------------------------
3.>
regressyx3
Source|SSdfMSNumberofobs=23
-------------+------------------------------F（1,21）=38.31
Model|2721732191272173219Prob>F=0.0000
Residual|149198296217104680.74R-squared=0.6459
-------------+------------------------------AdjR-squared=0.6291
Total|4213715152219153250.7RootMSE=2665.5
------------------------------------------------------------------------------
y|Coef.Std.Err.tP>|t|[95%Conf.Interval]
-------------+----------------------------------------------------------------
x3|1.644425.2656836.190.0001.0919072.196943
_cons|43227.341064.23440.620.00041014.1445440.53
------------------------------------------------------------------------------
4.>
regressyx4
Source|SSdfMSNumberofobs=23
-------------+------------------------------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
------------------------------------------------------------------------------
y|Coef.Std.Err.tP>|t|[95%Conf.Interval]
-------------+----------------------------------------------------------------
x4|.2791902.23230911.200.243-.203923.7623033
_cons|18490.4625273.380.730.472-34068.4271049.33
------------------------------------------------------------------------------
5.>
.regressyx5
Source|SSdfMSNumberofobs=23
-------------+------------------------------F（1,21）=35.61
Model|2650553251265055325Prob>F=0.0000
Residual|156316190217443628.11R-squared=0.6290
-------------+------------------------------AdjR-squared=0.6114
Total|4213715152219153250.7RootMSE=2728.3
------------------------------------------------------------------------------
y|Coef.Std.Err.
升级会员 