2023年中国各省区粮食产量的相关因素分析1012.doc

2023年中国各省区粮食产量的相关因素分析 摘 要：本研究通过应用计量经济学模型，对可能影响中国各省区粮食产量的几个主要因素进行回归分析，经研究发现粮食产量与播种面积、化肥施用量及农村居民家庭的人均出售粮食数量这三个因素有比拟高的联系。并且该结论可以用来引导我国采取关于制定与改善某些相关制度与经济结构的措施，科学有序的开展粮食生产，确保中国粮食平安。 关键字:粮食产量 播种面积 化肥施用量 农村居民家庭 一、引言 粮食是人类赖以生存的物质根底，2023年是中国粮食产量获得胜利的一年。 我国是粮食产量大国，耕地面积世界排名第四，但人均耕地面积排到世界126 名。毫无疑问，未来中国的粮食问题非常严峻。同时，可以预见，在中国23个省以及自治区、直辖市粮食产量的影响因素必定是有所差异的，那么在众多的影响因素中哪些是主要因素？哪些是次要因素？我们又该如何把握这些主要因素去开展中国粮食产业？为此研究各省市地区的粮食产量以及影响因素对我国粮食生产的下一步战略性规划和开展具有重要的开展意义。 下面本研究将用计量经济学的方法对相关影响因素进行回归分析，以期发现主 要影响因素，为粮食产业结构调整以及相关政策的决定提供有利的依据。 二、理论模型的设计及数据的搜集 影响粮食总产量的因素很多，根据理论和经验分析，影响粮食生产〔Y)的 主要因素有：播种面积〔XI)、农业化肥施用量〔X2)、有效灌溉面积〔X3)、成 灾面积〔X4)、农业机械总动力〔X5)和农村居民家庭平均每人出售粮食数量(X6)。 1.数据的收集 表一 2023年我国各地区粮食总产量与相关因素资料 地区 总产量 播种 面积 化肥 施用量 有效 灌溉面积 成灾面积 农业机械 总动力 平均每人 售出粮食 单位 〔万吨〕 〔千顷〕 〔万吨〕 〔千公顷〕 千公顷 〔万千瓦〕 〔公斤〕 北京 122 209 13 211 2 276 130 天津 162 311 25 344. 7 587. 310 河北 3173 6286 322 4548. 833 10151 396 山西 1193 3288 110 1274 891 2809. 328 内蒙古 2388 5562 177 3027 1290 3033. 902 辽宁 2036 3170 140 1537 567 2248. 1029 吉林 3171 4545 183 1726. 563 2145 2431 黑龙江 5571 11503 214 3875. 974 3736 3088 上海 122 186 12 201 2 104. 56 江苏 3308 5319 341 3819 193 3937 455 浙江 782 1254 92 1450. 61 2427 77 安徽 3136 6622 319 3519 485 5409 680 福建 673 1227 121 967. 302 1206 133 江西 2053 3650 137. 1852 993 3805 527 山东 4426 7146 475. 4955 1052 11629 563 河南 5543 9860 655 5080 585 10195 540 湖北 2389 4122 350 2380 897 3371 447 湖南 2939 4880 236 2738 1404 4651 245 广东 1361 2530 237 1872 183 2345 82 广西 1430 3073 237 1523 869 2768 148 海南 188 186 46. 243. 83 425 54 重庆 1127 2259 91 685 186 1071 88 四川 3292 6441 248 2553 850 3155 85 贵州 877 3056 86 1131 1146 1730 56 云南 1674 4327 184 1588 2136 2411 85 西藏 94 170 4 237 22 378 42 陕西 1195 3135 196 1284 536 2023 210 甘肃 1015 2833 85 1278 663 1977 205 青海 103 279 8 251 58 421 77 宁夏 1225 852 37 464 56 729 395 新疆 1225 2048 167 3721 649 1643 634 注：资料来源：中国统计年鉴〔2023〕 (1) 设粮食生产函数为 lnY=β0+β1 lnX1+β2lnX2+β3lnX3+β4lnX4+β5lnX5+β6lnX6 (2) 用OLS估计模型 Dependent Variable: LOG(Y) Method: Least Squares Date: 10/10/12 Time: 16:14 Sample: 1 31 Includedobservations:3 1 Variable Coefficient Std. Error t-Statistic Prob. C L〇G(X1) L〇G(X2) L〇G(X3) L〇G(X4) L〇G(X5) L〇G(X6) R-squared Mean dependent var Adjusted R-squared S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-stat istic) Y= 0.17 + 0.68X1 + 0.28X2 - 0.05X3 - 0.04X4 + 0.02X5 + R2 = F=105.80 R2较大说明具有很高的拟合程度，而且>F (6, 24) = 3.84,故认为粮食生产与上述解释变量间总体线性关系显著。进行t检验，t (24) = 2.064, X3、X4、X5 前的参数估计值未能通过t检验，而且X3、X4前的符号为负，不符合经济意义检验，故认为解释变量间存在多重共线性。 (3)检验相关系数 表二 相关系数表 lnX1 lnX2 lnX3 lnX4 lnX5 lnX6 lnX1 1 lnX2 1 lnX3 1 lnX4 1 lnX5 1 lnX6 1 由表中数据发现lnX1、lnX2、lnX3、lnX5彼此间都具比拟高的相关系数，证实存在多重共线性。 (4)找出最简单的回归模型 分别作lnY与lnX1，lnX2, lnX3, lnX4, lnX5, lnX6 间的回归： 1) lnY=-0.11+ R2 = 422 2) lnY R2 = 0.8611 D.W= 3) lnY R2 = 0.8720 D.W=2.2048 4) lnY R2 = 0.6620 D.W= 5) lnY 6) lnY R2 = 0.4293 D.W= 可见，不同地区的粮食产量受播种面积的影响最大，与经验相符合，因此选〔1〕为初始的回归模型。 (5)逐步回归 表三 逐步回归表 C lnX1 lnX2 lnX3 lnX4 lnX5 lnX6 R Y=f(X1) 402 t值 Y=f(X1, X2) 486 t值 Y=f(X1, X2, X3) 470 1.9789 t值 Y=f(X1, X2, X4) 547 t值 Y=f(X1, X2, X5) 486 t值 Y=f(X1, X2, X6) 0.27 585 t值 2 8 讨论： Step1：在初始模型中引入X2，模型拟合优度提高，且参数符号合理，t (28) =2.048, , ,通过了 t 检验。D.W 检验中，DL，Du=,并且 ，说明不存在1阶序列相关性。 Step2：引入X3,拟合优度有所下降，除此之外，t (27) =2.052,三个变量均不能通过t检验，去掉X3。 Step3：引入X4，拟合优度提高，但均未通过t检验，去掉X4。 Step4：引入X5，拟合度下降，并且未通过t检验，去掉X5。 Step5：引入X6，拟合度提高，通过t检验，并且1.36<2.24<4-1.5,说明不存在1阶序列相关性。 因此最终粮食生产函数应以Y=f (X1, X2, X6)为最优，拟合结果如下： lnY= 采用怀特检验，记e2为对原始模型进行普通最小二乘法回归得到的残差平方项，将其与X1、X2、X6及其平方项与交叉项作辅助回归。 表四 有交叉项White检验 Variable coefficient t-Statistic Prob C LOG(X1) (LOG(X1))A2 (LOG(X1))x(LOG(X2)) (LOG(X1))x(LOG(X6)) LOG(X2) (LOG(X2))A2 (LOG(X2))x(LOG(X6)) LOG(X6) (LOG(X6))A2 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Mean dependent var var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) 得到e2= -2.54 - 0.07 lnX1 + 0.49 lnX2 + 0.63 lnX6 + 0.05(lnX1)2 + 0.14(lnX2)2 -