大计量论文.docx
《大计量论文.docx》由会员分享，可在线阅读，更多相关《大计量论文.docx（17页珍藏版）》请在冰豆网上搜索。
大计量论文
我
国
啤
酒
供
给
的
实
证
分
析
目录
摘要：
本文以计量经济学为研究工具，确定我国啤酒供应量的研究主题，通过对影响我国啤酒供给的多因素分析，简历相关计量模型，以啤酒供给为因变量，人均可支配收入、住宿、餐饮业收入营业额、旅游人数和小麦产量为自变量的多元线性回归模型，并利用模型对影响啤酒供给的原因进行量化分析，最终得出结论影响啤酒供给的最主要因素是居民可支配收入。
关键字：
啤酒供给；居民可支配收入；实证分析
1.研究的背景
啤酒被是以麦芽为主要原料，添加酒花，经酵母发酵酿制而成，是一种含气泡、二氧化碳、低酒精度的饮料酒。
今天，啤酒已发展成为世界酒类中生产量与消费量最大的酒种。
全球约有165个国家和地区生产啤酒，全世界一年啤酒生产量达1亿多吨，人均消费量20升以上。
啤酒已成为国际上通用的饮料。
啤酒在我国的出现不过近百年时间，但我国却是近年来啤酒发展速度最快的国家。
1994年全国啤酒产量突破1400万吨大关，超过德国，成为仅次于美国的世界第二大啤酒生产国。
2002年，我国啤酒产量首次超过美国，成为世界上最大的啤酒生产大国。
日本麒麟饮食文化研究所8月10目公布的“2009年主要国家啤酒产量”调查报告显示，2009年亚洲主要国家啤酒产量为5867万公升，较前1年增加5．5％。
由此，亚洲超过欧洲成为全球第一大啤酒生产地。
这是自1974年开始此项调查以来，亚洲首次获此殊荣。
相关研究表明，2009年，亚洲啤酒产量最大的国家为中国，比上年增长7％，中国啤酒产量由此连续8年位居亚洲首位。
进入二十一世纪以来，随着我国国民经济的高速发展，我国啤酒行业保持了多年高速增长，
2008年，全球金融危机爆发，我国流苏包行业发展也遇到了一些困难，如出口减少等，国内需求下降，啤酒行业普遍出现了经营不景气和利润下降的局面。
2009年，随着我国经济刺激计划出台和全球经济走出低谷，我国啤酒行业也逐渐从金融危机的打击中恢复，重新进入良性发展轨道。
进入2010年，全球经济复苏的前景面临波折，国内经济结构调整的呼声逐渐升温，贸易保护主义的抬头，啤酒行业中技术含量低的人力密集型企业，缺乏品牌的出口导向型企业面临发展危机，而注重培养品牌和技术创新能力较强的企业将占得先机。
这些数据充分的说明了一个问题，那就是中国的啤酒生产在世界中占据主导地位，中国啤酒的生产的变化会给世界啤酒的生产造成巨大的影响。
世界各国的啤酒生产商都关注着中国啤酒的生产！
而对于消费者，酒类的消费也随着人民生活的不断提高，啤酒消费在各种消费中越来越扮演着重要角色，在消费中的比重越来越大，其中的啤酒更是受到80后和90后的青睐，成为各种聚会必不可少的一项。
所以在这种大背景下，对影响啤酒行业绩效的各种因素进行实证分析就显得尤为必要，本论文正是基于此种背景而做出的。
二.文献综述与研究目标
对于影响啤酒行业绩效的因素研究，学者并没有对与啤酒相关的其他行业，以及啤酒需求方面的变化对啤酒行业绩效产生的影响。
而主要集中于行业竞争，行业结构和企业自身经营等方面，比如：
王爱林（2001）指出我国啤酒行业主干企业存在的问题有:
啤酒企业缺乏清晰的品牌战略，以一个牌子推出多种产品，如此虽可有效地利用广告、推广费用等，因为没有对消费者接受产品的心理进行研究分析，从而会使企业的品牌定位发生混乱；黄苹（2006）研究表明跨国并购在在一定程度上促使啤酒行业过度竞争的市场结构演变为垄断竞争的市场结构。
一定程度上促进了中国啤酒行业市场集中度的提高，作者认为跨国并购所导致的新的竞争格局与福利效应之间存在着高度的正相关关系。
事实上，对啤酒制行业绩效影响的因素有非常多，但由于数据的限制，任何人的研究显然无法穷尽所有的影响因素。
本文通过Eviews软件建立计量模型，对影响啤酒行业相关的其他行业的情况和消费者的购买力等外部环境的变化对啤酒行业的影响进行数量化分析。
分析影响因素中的主要因素与次要因素，解释其中蕴含的经济意义，希望能够为有关部门以及相关企业在决策时，提供一些数据，以供参考。
三.数据的搜集与说明
在模型的建立过程中，考虑了影响啤酒供给的各种因素，最终确定主要的影响因素如下：
人均可支配收入，住宿和餐饮业收入，小麦产量，旅游人数。
所以模型的建立，就以这四个因素作为解释变量，以啤酒供给量作为被解释变量进行回归分析。
而人均可支配收入的数据来自国家统计局发布的统计数据，其他各个因素相关年份的数据均来自中国统计年鉴。
整理后的数据如下图：
obs
S
Y
R
W
N
1990
692.0000
1510.200
419.8000
9822.900
375.0000
1991
838.0000
1700.600
429.0000
9595.300
434.0000
1992
1021.000
2026.600
589.7000
10158.70
481.0000
1993
1192.000
2557.400
817.8000
10639.00
497.0000
1994
1415.000
3496.200
1201.400
9929.700
524.0000
1995
1568.820
4283.000
1614.700
10220.70
629.0000
1996
1681.910
4838.900
2070.000
11056.90
640.0000
1997
1888.940
5160.300
2448.200
12328.90
644.0000
1998
1987.670
5425.100
2878.800
10972.60
695.0000
1999
2098.770
5854.000
3270.300
11388.00
719.0000
2000
2231.320
6280.000
3836.100
9963.600
744.0000
2001
2288.930
6859.600
4465.200
9387.300
784.0000
2002
2402.700
7702.800
5547.100
9029.000
878.0000
2003
2540.480
8472.800
6191.400
8648.800
870.0000
2004
2948.590
9421.600
7550.400
9195.200
1102.000
2005
3126.050
10493.00
8886.800
9744.500
1212.000
2006
3543.580
11759.50
10345.50
10846.60
1394.000
2007
3954.070
13786.00
12352.00
10929.80
1610.000
2008
4156.910
15781.00
15403.90
11246.40
1712.000
四.模型的建立与说明
通过运用Eviews软件进行模拟分析。
通过对图形的观察，拟合优度，各参数值的t统计量的观察。
比较了对数，指数与线性函数形式，从中选出最优的函数形式——线性回归函数，建立线性回归模型：
S=C+β1Y+β2R+β3W+β4N+μ
其中：
S——啤酒供给量；单位：
万千升。
Y——城镇居民全年人均可支配收入；单位：
元。
R——住宿和餐饮业收入；单位：
亿元。
W——小麦产量；单位：
万吨。
N——旅游人数；单位：
百万人次。
五.模型的参数估计、检验、修正与预测
1.基本分析：
在对模型进行回归分析之前，先对相关数据的趋势图进行观察和分析，以确保模型回归分析的正确与合理。
本文将选取相关数据的折线图与散点图进行分析。
（相关图形见附表2）
从折线图可以看出，啤酒供给，人均可支配收入，住宿和餐饮业收入与旅游人数都是逐年增加的，而小麦产量有的年份增加有的年份减少，波动很大。
图形说明了人均可支配收入，住宿和餐饮业收入与旅游人数的变化与啤酒供给可能存在正相关的关系，而小麦产量的变化并不影响啤酒供给。
从散点图可以看出，1990-2003年啤酒供给，人均可支配收入，住宿和餐饮业收入与旅游人数虽然都是逐年增加，但是增加的速度并不快，而2003-2008年增加速度都骤然加快，而小麦产量依然波动很大。
图形说明从03年后我国整体经济都飞速发展，而啤酒供给，人均可支配收入，住宿和餐饮业收入与旅游人数的变化情况趋于一致，这表示人均可支配收入，住宿和餐饮业收入与旅游人数对啤酒供给可能存在着显著的影响关系。
2.OLS估计
再对相关数据的趋势图进行分析之后，应对模型进行回归分析：
利用Eviews软件，用OLS方法对模型进行多元线性回归分析，回归模型如下所示：
S=4.672+0.345Y+0.182R+0.008W+0.976N+μ
DependentVariable:
S
Method:
LeastSquares
Date:
12/21/11Time:
10:
27
Sample:
19902008
Includedobservations:
19
Variable
Coefficient
Std.Error
t-Statistic
Prob.
C
4.672236
230.2639
0.020291
0.9841
Y
0.345010
0.035456
9.730722
0.0000
R
-0.181722
0.044150
-4.116007
0.0010
W
-0.008327
0.023152
-0.359682
0.7245
N
0.976435
0.460981
2.118166
0.0525
R-squared
0.994799
Meandependentvar
2188.249
AdjustedR-squared
0.993313
S.D.dependentvar
1007.280
S.E.ofregression
82.37005
Akaikeinfocriterion
11.88125
Sumsquaredresid
94987.54
Schwarzcriterion
12.12979
Loglikelihood
-107.8719
Hannan-Quinncriter.
11.92332
F-statistic
669.4369
Durbin-Watsonstat
1.169590
Prob（F-statistic）
0.000000
由回归模型可以知道，常数项与小麦产量的参数估计值明显不显著。
而住宿和餐饮业的收入与啤酒的供给量呈现负相关关系，这与需求的增加使供给扩大的现实经济意义相违背，而旅游人数的参数估计并不是十分显著。
因此可以说明模型中还存在许多问题，需要对模型进行相关处理。
3.去除无关变量
把参数估计不显著的解释变量逐个交替去掉，观察模型相关数据的变化，并进行相关分析，首先把解释变量W（小麦产量）去掉，观察到模型的拟合优度基本没有变化，但是通过赤池信息准则（AIC）和施瓦茨准则（SC）。
发现模型的AIC值与SC值都减小了，并且N（旅游人数）的参数估计值的t检验也变得显著了，所以可以考虑把解释变量W（小麦产量）去掉。
再通过保留W去掉N，发现模型的变化均没有去掉W的效果好，因此选择的新模型为：
S=-51.886+0.345Y-0.175R+0.907N+μ
DependentVariable:
S
Method:
LeastSquares
Date:
12/21/11Time:
10:
29
Sample:
19902008
Includedobservations:
19
Variable
Coefficient
Std.Error
t-Statistic
Prob.
C
-51.88638
163.2571
-0.317820
0.7550
Y
0.345293
0.034403
10.03677
0.0000
R
-0.175915
0.039882
-4.410908
0.0005
N
0.906772
0.405999
2.233433
0.0412
R-squared
0.994751
Meandependentvar
2188.249
AdjustedR-squared
0.993701
S.D.dependentvar
1007.280
S.E.ofregression
79.94386
Akaikeinfocriterion
11.78519
Sumsquaredresid
95865.30
Schwarzcriterion
11.98402
Loglikelihood
-107.9593
Hannan-Quinncriter.
11.81884
F-statistic
947.5362
Durbin-Watsonstat
1.119863
Prob（F-statistic）
0.000000
通过对模型相关数值的分析，可以看出新模型的拟合优度是较好的，F统计型依然存在很多问题，如：
常数项的参数估计值不显著，R（住宿和餐饮业的收入）与S（啤酒供给量）呈现负相关关系，这依然与需求的增加使供给扩大的现实经济意义相违背，这说明了模型很可能存在多重共线性的问题，因此需对模型进行多重共线性检验。
4.多重共线性检验
利用Eviews软件进行解释变量之间的多重共线性检验，发现所有解释变量之间都存在高度相关性，检验结果如下所示：
Y
N
R
Y
1.000000
0.987890
0.989852
N
0.987890
1.000000
0.992122
R
0.989852
0.992122
1.000000
因此需要利用逐步回归法对模型进行修正。
首先分别做出S与Y,R,N之间的回归，从中选出相关数据最优的模型，最终确定选择Y单独为解释变量作为初始的回归模型。
接着将R与N分别加入模型进行回归，发现两个模型中R（住宿和餐饮业的收入）与N（旅游人数）均和S（啤酒供给量）呈现负相关关系，这依然现实经济意义相违背。
因此将解释变量R（住宿和餐饮业收入）与解释变量N（旅游人数）剔除。
具体的回归结果如下所示：
S对r回归：
S=1118.931+0.225R+μ
DependentVariable:
S
Method:
LeastSquares
Date:
12/21/11Time:
11:
00
Sample:
19902008
Includedobservations:
19
Variable
Coefficient
Std.Error
t-Statistic
Prob.
R
0.224950
0.012838
17.52203
0.0000
C
1118.931
81.79740
13.67930
0.0000
R-squared
0.947534
Meandependentvar
2188.249
AdjustedR-squared
0.944448
S.D.dependentvar
1007.280
S.E.ofregression
237.4103
Akaikeinfocriterion
13.87676
Sumsquaredresid
958181.9
Schwarzcriterion
13.97617
Loglikelihood
-129.8292
Hannan-Quinncriter.
13.89358
F-statistic
307.0216
Durbin-Watsonstat
0.404625
Prob（F-statistic）
0.000000
S对n回归结果：
S=77.039+2.516N+μ
DependentVariable:
S
Method:
LeastSquares
Date:
12/21/11Time:
11:
03
Sample:
19902008
Includedobservations:
19
Variable
Coefficient
Std.Error
t-Statistic
Prob.
N
2.515868
0.125655
20.02199
0.0000
C
77.03861
115.8394
0.665046
0.5149
R-squared
0.959318
Meandependentvar
2188.249
AdjustedR-squared
0.956925
S.D.dependentvar
1007.280
S.E.ofregression
209.0550
Akaikeinfocriterion
13.62237
Sumsquaredresid
742968.0
Schwarzcriterion
13.72179
Loglikelihood
-127.4125
Hannan-Quinncriter.
13.63920
F-statistic
400.8801
Durbin-Watsonstat
0.291574
Prob（F-statistic）
0.000000
S对y回归结果：
S=542.914+0.245Y+μ
DependentVariable:
S
Method:
LeastSquares
Date:
12/21/11Time:
10:
33
Sample:
19902008
Includedobservations:
19
Variable
Coefficient
Std.Error
t-Statistic
Prob.
C
542.9142
51.72894
10.49537
0.0000
Y
0.245363
0.006638
36.96587
0.0000
R-squared
0.987712
Meandependentvar
2188.249
AdjustedR-squared
0.986989
S.D.dependentvar
1007.280
S.E.ofregression
114.8949
Akaikeinfocriterion
12.42521
Sumsquaredresid
224414.2
Schwarzcriterion
12.52463
Loglikelihood
-116.0395
Hannan-Quinncriter.
12.44204
F-statistic
1366.475
Durbin-Watsonstat
0.892223
Prob（F-statistic）
0.000000
s对y，r回归结果：
S=266.327+0.370Y-0.118R+μ
DependentVariable:
S
Method:
LeastSquares
Date:
12/21/11Time:
11:
04
Sample:
19902008
Includedobservations:
19
Variable
Coefficient
Std.Error
t-Statistic
Prob.
Y
0.370484
0.036327
10.19861
0.0000
R
-0.118319
0.034003
-3.479619
0.0031
C
266.3268
89.08834
2.989469
0.0087
R-squared
0.993005
Meandependentvar
2188.249
AdjustedR-squared
0.992131
S.D.dependentvar
1007.280
S.E.ofregression
89.35363
Akaikeinfocriterion
11.96702
Sumsquaredresid
127745.1
Schwarzcriterion
12.11614
Loglikelihood
-110.6867
Hannan-Quinncriter.
11.99226
F-statistic
1135.717
Durbin-Watsonstat
1.362047
Prob（F-statistic）
0.000000
因此最终确定的新模型为：
S=542.194+0.245Y+μ
DependentVariable:
S
Method:
LeastSquares
Date:
12/21/11Time:
10:
33
Sample:
19902008
Includedobservations:
19
升级会员 