网站地图
【www.arisingsemi.com--软件制图】
总产值 [关键词]： 农业总产值、农业从业人员、户均生产原值、耕地面积、农业机总动力、灌溉面积、化肥施用量、出口额、进口额。[内容提要]：
农业是国民经济的基础，它关系到我国的经济发展和社会稳定，可以说，目前“三农”问题是举国上下关注的焦点。在近几年中，农业总产值出现了一些波动，在这里，我们希望通过计量分析的方法找出影响农业总产值变动的因素及其在这些变动中所起的作用，并对这些现象作出合理的解释。
一． 前言
众所周知，中国是一个农业大国，中国用不到占全世界7%的耕地养活了占世界20%的人口，这是一项举世瞩目的成就。
据2003年中国农业统计年鉴，2002年我国农业总产值达到452.85亿元。
农业总产值受自然和社会因素的影响都很大。
近年来由于自然灾害等各方面因素的影响，我国的农业总产值出现了一些波动。从1998年到2002年，我国的农业总产值分别为：14241.88亿元，14106.22亿元，13873.59亿元，14462.79亿元，14931.54亿元。
在讨论中我们发现几个因素可能对此产生影响：第一，伴随着改革开放的进程，城市化进程加快，农村的耕地正因各种原因，以惊人的速度减少。
因此，地少人多这一矛盾将长期困扰我国粮食生产。第二，近年来越来越多的农村青壮年劳动力加入进城打工的农民工的行列，农村留守从事种植业的人很多都是老人和小孩。第三，随着科技的进步，各种各样的肥料，新型的灌溉方式，农机具的使用也对农业总产值有着不同程度的影响。
第四，在各种农作物中，有些是优良品种很受市场欢迎，但是有些品种却乏人问津，比如，近年来，由于籼型杂交水稻的口感比不上很多优质的新品种，已经逐渐被市场淘汰，而由于我国国产的黄豆品质价格与美国的同类产品相比不占优势，造成国内黄豆的减产，同时大量从美国进口黄豆。由此可以看出，粮食的市场需求和进出口都对粮食的产量有影响。第五，灌溉的面积、病虫害波及范围、程度，各地区土地的种类和分布等都会对粮食的产量造成一定程度的影响。
二．模型的建立
为了验证在我们能够考虑到的范围内的各种因素对某一时点上农业总产值是否有影响以及影响的程度，我们引入如下变量:
设定模型如下：Y=β0+β1X1+β2 X 2+β3 X 3+β4 X 4+β5 X 5+β6 X 6+β7 X 7+β8 X 8+U
通过分析2003年我国31个省市农业总产量的历史资料可建立模型如下：
Y为2002年农业总产值（亿元）
X1----农业从业人员（万元）
X2----户均生产原值（元/每户）
X3----为耕地面积（千公顷）
X4----农业机械总动力（万千瓦）
X5----灌溉面积（千公顷）
X6----化肥施用量（万吨）
X7----出口额（万美元）
X8----进口额（万美元）
设定模型的函数形式如下：Y=β0+β1X1+β2 X 2+β3 X 3+β4 X 4+β5 X 5+β6 X 6+β7 X 7+β8 X 8+U
本模型采用截面数据，数据来源于《中国农业统计年鉴2003》，所取样本见下表：
城市
编号
农业总产值（亿元）
农业从业人员（万人）
元户均固定资产原值（元/户）
耕地面积（千公顷）
农业机械总动力（万千瓦）
灌溉面积（千公顷）
化肥施用量（万吨）
出口额（万美元）
进口额（万美元）
北京
1
90.08
64.1
6258.09
343.9
381.79
387.6
14.9
72277
180290
天津
2
86.06
80.3
7727.96
485.6
612.72
391.75
17.6
30616
34588
河北
3
918.62
1652
6671.58
6883.3
7449.64
4772.06
278.8
48072
36491
山西
4
227.12
658.4
4049.17
4588.6
1869.4
1284.34
89
7710
720
内蒙古
5
332.14
535.7
10936.85
8201
1510.22
2937.99
82.8
22462
2339
辽宁
6
540.09
659.2
4989.95
4174.8
1484.77
1669.23
111.4
74469
44496
吉林
7
419.72
509.1
6470.76
5578.4
1150.67
1569.84
117
10088
2415
黑龙江
8
487.53
745.9
5743.35
11773
1741.75
2190.24
129.7
37911
5871
上海
9
97.21
81.5
2624.32
315.1
126.88
290.3
17.7
56293
98629
江苏
10
1165.5
1354.2
5044.82
5061.7
2983.89
4071.9
337.5
57907
111554
浙江
11
532.16
929.6
8418.75
2125.3
2053.2
1488.87
81.9
92088
58004
安徽
12
718.38
1931.5
4948.81
5971.7
3372.11
3299.48
270.5
24395
4535
福建
13
444.24
756.6
4615.74
1434.7
915.87
982.19
119.9
72975
1460
江西
14
421.49
983.5
2873.95
2993.4
1111.82
1927.89
112.5
8006
727
山东
15
1420.88
2370.9
6029.81
7689.3
8155.63
5311.62
433.9
246185
102651
河南
16
1360.26
3393
5406.91
8110.3
6548.21
4871.43
468.8
23094
24405
湖北
17
671.2
1131
2953.07
4949.5
1557.43
2444.78
257
16333
2286
湖南
18
666.65
2019.6
3192.01
3953
2498.09
2738.83
184.3
1541
5939
广东
19
847.77
1555
4129.87
3272.2
1740.11
2286.35
196.4
193034
242271
广西
20
465.47
1557
3057.75
4407.9
1639.54
1544.67
176.5
21248
29942
海南
21
151.46
181.7
4463.49
762.1
250.31
247.81
29
3093
2192
重庆
22
264.08
852.7
2375.64
665.57
641.25
73.4
7610
461
四川
23
807.45
2503.3
3592.28
9169.1
1803.68
2547.5
209.6
26393
3601
贵州
24
278.89
1353.9
3288.31
4903.5
699.41
674.08
73.6
5687
176
云南
25
445.35
1696.1
4762.47
6421.6
1460.43
1508.9
125
30104
3632
西藏
26
29.08
88.8
17765.63
362.6
73.69
344.01
3
629
411
陕西
27
353.21
994.9
3960.25
5140.5
1208.21
1438.3
131.9
10998
763
甘肃
28
257.26
738.2
4780.36
5024.7
1185.33
1295.19
69.4
5436
1279
青海
29
28.59
136.5
7487.33
688
281.3
364.95
7.2
476
11
宁夏
30
52.88
150.5
12024.13
1268.8
450.61
472.48
25
1287
25
新疆
31
362.77
326
8724.9
3985.7
924.18
4605.63
84.3
37620
3422
三．具体分析过程
对模型进行初步估计，运用OLS估计法对模型中参数进行估计：结果如下
Dependent Variable: Y
Method: Least Squares
Date: 04/29/05 Time:
09:21
Sample: 1 31
Included observations: 30
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
1.293109
49.25264
0.026255
0.9793
X1
0.067347
0.037880
1.777882
0.0899
X2
0.000250
0.005244
0.047737
0.9624
X3
0.002959
0.007263
0.407439
0.6878
X4
-0.013125
0.016214
-0.809495
0.4273
X5
0.040209
0.021403
1.878680
0.0742
X6
2.090108
0.374298
5.584077
0.0000
X7
0.001087
0.000455
2.391532
0.0262
X8
0.000212
0.000403
0.524726
0.6053
R-squared
0.969879
Mean dependent var
489.3170
Adjusted R-squared
0.958405
S.D. dependent var
374.3294
S.E. of regression
76.34435
Akaike info criterion
11.75171
Sum squared resid
122397.7
Schwarz criterion
12.17207
Log likelihood
-167.2757
F-statistic
84.52395
Durbin-Watson stat
2.037974
Prob(F-statistic)
0.000000
分析：
由上可以看出在5%的显著性水平下F=84.52395>F(8,22)=2.40，表明模型整上看农业总产与解释变量之间线性关系显著。
但是X4的系数为负，与其经济意义相悖，而且常数项、X
1、X
2、X
3、X
4、X
5、X8的T检验值都不显著，因此需要对模型的多重共线性进行检验。
（一）对模型进行多重共线性的检验：
计算解释变量间的相关系数
Y
X1
X2
X3
X4
X5
X6
X7
X8
Y
1
0.8525705
-0.2954257
0.6025771
0.8509786
0.8566274
0.9680397
0.5296497
0.2749907
X1
0.8525705
1
-0.3941414
0.6287159
0.733896
0.6799771
0.866022
0.2601562
0.0518853
X2
-0.2954257
-0.3941414
1
-0.218498
-0.11404
-0.0929822
-0.3070284
-0.0866474
-0.1267679
X3
0.6025771
0.6287159
-0.218498
1
0.5452352
0.6445189
0.6078675
0.0871383
-0.1909085
X4
0.8509786
0.733896
-0.11404
0.5452352
1
0.8289078
0.8637007
0.4666648
0.1489388
X5
0.8566274
0.6799771
-0.0929822
0.6445189
0.8289078
1
0.8459467
0.3746601
0.099379
X6
0.9680397
0.866022
-0.3070284
0.6078675
0.8637007
0.8459467
1
0.4080069
0.1698765
X7
0.5296497
0.2601562
-0.0866474
0.0871383
0.4666648
0.3746601
0.4080069
1
0.7371095
X8
0.2749907
0.0518853
-0.1267679
-0.1909085
0.1489388
0.099379
0.1698765
0.7371095
1
可以看出解释变量间存在高度线性相关。表明模型中确实存在严重的多重共线性。
修正：
1 运用OLS法逐一求对各个解释变量的回归。
结合经济意义和统计检验选出拟合效果最好的一元线性回归方程。经分析Y对X6的线性关系强，如下图所示，两者趋势较一致，拟合程度最好，所以从X6开始进行逐步回归。
2 利用EVIWS逐步回归修正
Y=64.47880+2.989894X6
(2.465609) (20.90158)
Adjusted R-squared=0.935605 F-statistic=436.8761
再将其余解释变量逐一添加，由T-检验值，Adjusted R-squared值，F-检验值综合评估，得到以下的模型拟合效果为最优：
Y=48.83128+0.032959X5+2.640594X6
(1. 782918) (1.571097) (10.05940)
Adjusted R-squared=0.938709 F-statistic=230.7323
Y=36.34899+0.0282845X5+2.489372X6+0.001063X7
(1.604827) (1.643220) (11.39764) (3.846975)
Adjusted R-squared=0.958943
Dependent Variable: Y
Method: Least Squares
Date: 04/29/05 Time:
10:10
Sample: 1 31
Included observations: 31
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
36.34899
22.64979
1.604827
0.1202
X5
0.028284
0.017213
1.643220
0.1119
X6
2.489372
0.218411
11.39764
0.0000
X7
0.001063
0.000276
3.846975
0.0007
R-squared
0.963048
Mean dependent var
482.0513
Adjusted R-squared
0.958943
S.D. dependent var
370.2544
S.E. of regression
75.02311
Akaike info criterion
11.59338
Sum squared resid
151968.6
Schwarz criterion
11.77841
Log likelihood
-175.6974
F-statistic
234.5624
Durbin-Watson stat
1.931630
Prob(F-statistic)
0.000000
经上述逐步回归分析可知Y对X5,X6,X7以及常数项的回归模型为最优。。