影响我国粮食产量的因素分析.docx

1、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

2、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

3、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

4、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、Yun zhang和Wu Y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

5、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

6、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

7、灾面积(千公顷）水电建设投资额（万元）199044624.32590.347403.1844.511346628707.717819348848199143529.32805.147822.1963.211231429388.627814476529199244265.82930.248590.11106.911056030308.425893594081199345648.83151.948727.91244.911050931816.623134792747199444510.13317.948759.11473.910954433802.5313821020937199546661.83

8、593.749281.21655.711006036118.1222681321689199650453.53827.950381.41812.711254838546.9212341442828199749417.13980.751238.51980.111291242015.6303071452004199851229.54083.752295.62042.211378745207.7251811585787199950838.64124.353158.42173.411316148996.1267341833853200046217.54146.453820.32421.31084635

9、2573.6343742220993200145263.74253.854249.42610.810608055172.1317932133741200245705.84339.454354.92993.410389157929.9271602393195200343069.54411.654014.23432.99941060386.5325163006249200446946.94636.654478.43933.010160664027.9162973762995200548402.24766.255029.34375.710427868397.819966434382620064980

10、4.24927.755750.54895.810495872522.1246324604296200750160.35107.856518.35509.910563876589.6250645117926200852870.95239.058471.75713.210679382190.4222834568884200953082.15404.459261.46104.410898687496.1212344563240201054647.75561.760347.76632.310987692780.5185384398453201157120.85704.261681.67139.6110

11、57397734.7124414243988201258958.05838.863036.47508.5111205102559.03671548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

12、用Stata软件回归，结果如表二所示表二 Stata软件回归结果 Source | SS df MS Number of obs = 22-+- F( 7, 14) = 180.07 Model | 310989892 7 44427127.4 Prob F = 0.0000 Residual | 3454029.8 14 246716.414 R-squared = 0.9890-+- Adj R-squared = 0.9835 Total | 314443921 21 14973520.1 Root MSE = 496.71- y | Coef. Std. Err. t P|t| 95%

13、 Conf. Interval-+- x1 | 4.390838 .8990985 4.88 0.000 2.462464 6.319213 x2 | 1.096818 .5223734 2.10 0.054 -.0235615 2.217197 x3 | 2.132321 .8610323 2.48 0.027 .2855907 3.979052 x4 | .5264878 .0471756 11.16 0.000 .4253061 .6276695 x5 | -.4503675 .1596835 -2.82 0.014 -.7928545 -.1078804 x6 | -.1472115

14、.027 -5.45 0.000 -.2051207 -.0893024 x7 | .0004409 .0004026 1.09 0.292 -.0004227 .0013044 _cons | -65129.16 17722.32 -3.67 0.002 -103139.8 -27118.56-利用Stata最小二乘估计结果如下：Y=-65129.16+4.390838x12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X 5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

15、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多重共线性检验检验简单相关系数X1X2X3X4X5X6X7的相关系数如下表. pwcorr x1 x2 x3 x4 x5 x6 x7 | x1 x2 x3 x4 x5 x6 x7-+- x1 | 1.000

16、0 x2 | 0.9765 1.0000 x3 | 0.9604 0.9708 1.0000 x4 | -0.3488 -0.2757 -0.3012 1.0000 x5 | 0.9749 0.9902 0.9927 -0.3241 1.0000 x6 | -0.3297 -0.3518 -0.4644 -0.1062 -0.4088 1.0000 x7 | 0.9217 0.8681 0.9129 -0.5352 0.9096 -0.3530 1.0000由表中数据发现，X1 X2 X3 X5 X7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. estat vif Variab

17、le | VIF 1/VIF -+- x5 | 1030.90 0.000970 x2 | 402.33 0.002486 x3 | 249.84 0.004003 x1 | 56.26 0.017776 x7 | 35.62 0.028075 x4 | 3.08 0.324680 x6 | 1.97 0.506396-+- Mean VIF | 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找出最简单的回归形式分别作Y与X1 X2 X3 X4 X5 X6 X7之间的回归：1. regress y x1 Source | SS df MS Number of obs =

18、 23-+- F( 1, 21) = 36.92 Model | 268589257 1 268589257 Prob F = 0.0000 Residual | 152782257 21 7275345.59 R-squared = 0.6374-+- Adj R-squared = 0.6202 Total | 421371515 22 19153250.7 Root MSE = 2697.3- y | Coef. Std. Err. t P|t| 95% Conf. Interval-+- x1 | 3.695517 .6082159 6.08 0.000 2.430663 4.9603

19、72 _cons | 32979.17 2671.068 12.35 0.000 27424.38 38533.96-2. regress y x2 Source | SS df MS Number of obs = 23-+- F( 1, 21) = 42 Model | 280904599 1 280904599 Prob F = 0.0000 Residual | 140466916 21 6688900.75 R-squared = 0.6666-+- Adj R-squared = 0.6508 Total | 421371515 22 19153250.7 Root MSE = 2

20、586.3- y | Coef. Std. Err. t P|t| 95% Conf. Interval-+- x2 | .7884354 .1216646 6.48 0.000 .5354201 1.041451 _cons | 6383.302 6574.434 0.97 0.343 -7288.982 20055.59-3.regress y x3 Source | SS df MS Number of obs = 23-+- F( 1, 21) = 38.31 Model | 272173219 1 272173219 Prob F = 0.0000 Residual | 149198

21、296 21 7104680.74 R-squared = 0.6459-+- Adj R-squared = 0.6291 Total | 421371515 22 19153250.7 Root MSE = 2665.5- y | Coef. Std. Err. t P|t| 95% Conf. Interval-+- x3 | 1.644425 .265683 6.19 0.000 1.091907 2.196943 _cons | 43227.34 1064.234 40.62 0.000 41014.14 45440.53-4.regress y x4 Source | SS df

22、MS Number of obs = 23-+- F( 1, 21) = 1.44 Model | 27116041.4 1 27116041.4 Prob F = 0.2428 Residual | 394255473 21 18774070.2 R-squared = 0.0644-+- Adj R-squared = 0.0198 Total | 421371515 22 19153250.7 Root MSE = 4332.9- y | Coef. Std. Err. t P|t| 95% Conf. Interval-+- x4 | .2791902 .2323091 1.20 0.

23、243 -.203923 .7623033 _cons | 18490.46 25273.38 0.73 0.472 -34068.42 71049.33-5. regress y x5 Source | SS df MS Number of obs = 23-+- F( 1, 21) = 35.61 Model | 265055325 1 265055325 Prob F = 0.0000 Residual | 156316190 21 7443628.11 R-squared = 0.6290-+- Adj R-squared = 0.6114 Total | 421371515 22 19153250.7 Root MSE = 2728.3- y | Coef. Std. Err.