全国货物周转量计量经济分析

1、全国货物周转量计量经济分析【摘要】： 货运量是运输系统中一个重要的指标，研究货运量的变化规律,并对货运量进行科学合理地预测,对交通规划和经济发展具有重要的意义。而货运量是国民经济系统和运输系统供给两个因素共同作用的结果，我们仅从经济系统方面来分析影响货运量的影响因素，比如国内生产总值、能源生产和需求总量、工业总产值方面等。我们把这些影响因素作为解释变量，把货运量作为被解释变量，构建计量经济模型分析各种因素的影响大小和方式。【关键词】：货运量，国内生产总值，能源生产和需求总量，工业总产值【问题的提出】：由于货运量是国民经济系统和运输系统供给两个因素共同作用的结果。从经济系统方面来看, 在经济系统

2、内部有许多因素影响着货运需求, 如国内生产总值, 能源生产和需求总量, 工业总产值等。从运输系统供给方面来看, 铁路和公路运输对货运量影响较大。我们把这些关系用如下图来表示：而各个因素对货运量的影响大小和影响方式各不相同，因此对影响因素的分析有助于研究货运量的变化规律,并对货运量进行科学合理地预测,对交通规划和经济发展具有重要的意义。而我们根据对过去的相关资料的分析，总结出这样的观点。在以往虽然已经有很多的人研究过这个方面的内容 ，但总的可以说他们有以下几个方面的缺点：（一）带有区域性，没有从全国的范围来分析货运量的影响因素。他们通常都是从一个省，市或者是地区出发来分析该地区的货运量，而不是从

3、全国范围来说明问题。（二）：带有很强的笼统性，他们大多只是从理论上分析，没有从数量上分析，因此对实际研究无多大意义。因此，我们这次的分析只是把影响货运量的经济系统因素做为研究对象，利用中国统计局的数据量化分析国内生产总值, 能源生产和需求总量,工业总产值对货运量的影响。下面，我们就关于经济系统对货运量的影响因素分析建立模型采取以下的步骤：一.模型的建立根据以上的分析，我们把货运量（Y）作为被解释变量经济系统中的四个方面作为解释变量设定: X1 表示国内生产总值X2 表示能源生产总量 X3 表示能源消费总量X4 表示工业总产值由于在过去的研究中，各种的经济理论中，我们没有找到专门研究经济系统对货

4、运量的影响因素的经济理论模型，因此我们就我们自己的认识来设定的原初始模型为：Y=+1X1+2X2+3X3+4X4+Ut二 .数据的收集数据主要来源于网上中经网统计数据库的数据，如下：国民生产总值（现价）(亿元)一次能源生产量(万吨标准煤)能源消费总量交通运输、 工业总产值（当仓储及邮电通年价格） 信业(万吨标准煤)(亿元)货运量总计(万吨)19804545.66373529025154.2654653719814889.56322729425399.7852376419825330.56677831085811.2254820519835985.67127032616460.445768871

5、9847243.87785534367617.371690719859040.78554637139716.47745763198610274.488124399611194.26853557198712050.691266412613812.99948229198815036.895801432718224.58982195198917000.9101639449922017.06988435199018718.3103922454118689.22970602199121826.2104844475622088.65985793199226937.3107256505827724.2110

6、458991993352601110595587396931115902199448108.5118729562551353.031180396199559810.5129034586354946.861234937199670142.51326165994.4562740.161298421199777653.11324107543.1368352.681278218199883024.3124250824567737.141267427199988189125935924372707.041293008200098000.51289781006785673.6613586822001108

7、068.21374451025795448.9814017862002119095.714381011171110776.481483446200313517416384212819142271.2215614222004159586.718734115104201722.1917064122005183956.120606816671.81251619.51862066数值作出折线图便于直观理解：198019831986198919921995199820012004三. 经济意义的检验对所建立模型进行初步回归得到如下的结果：Dependent Variable: Y Method: Lea

8、st SquaresDate: 06/18/07Time: 19:08 Sample: 1980 2005Included observations: 26VariableCoefficientStd. Errort-StatisticProb.C-306875.790517.19-3.3902480.0028X11.3009221.1237321.1576790.2600X211.862300.87061813.625150.0000X334.5563716.729582.0655850.0514X4-4.4544000.699703-6.3661260.0000R-squared0.988

9、085Mean dependent var1095188.Adjusted R-squared0.985816S.D. dependent var361037.2S.E. of regression42998.65Akaike info criterion24.34677Sum squared resid3.88E+10Schwarz criterion24.58871Log likelihood-311.5080F-statistic435.3802Durbin-Watson stat1.585421Prob(F-statistic)0.000000Y=-306875.7+1.3009X1+

10、11.8623X2+34.5564X3-4.4544X4 t =（-3.3902）（1.1568）（13.6252）（2.0656）（-6.3661）-R2 =0.988085R2=0.9858F=435.3802df=21DW=1.5854由以上可以看出： R2 =0.988085，可决系数很高，F 检验值 435.3802，明显显著。但是，当 =0.05 时ta / 2 (n - k) = t0.025 (26 - 5) =2.080，变量 X1 系数的 t 检验不显著，而且 x4 的符号与预期相反，这表明可能存在严重的多重共线性。四. 检验并修正多重共线性4.1 做多重共线性检验，利用简

11、单相关系数矩阵法得到下列的矩阵：相关系数矩阵X1X2X3X4yX110.95530.98750.96890.9387X20.955310.94720.95130.98170.98750.947210.97710.9251X40.96890.95130.977110.9002y0.93870.98170.92510.90021由此可以看出存在严重的多重共线性，下面我们采用逐步回归法对该模型进行修正。4.2 逐步回归法修正多重共线性分别做y 对 X1，X2，X3，X4 的一元回归，结果如下：一元回归结果变量X1X2X3X4参数估计值6.3929179.85002286.462855.202563t

12、 统计量13.3469225.2655611.9331110.13086-R20.8763230.9622560.8497590.802581-其中，加入 X2 的方程R2 （修正的可决系数）最大，故以 X2 为基础，顺次加入其他变量逐步回归，结果如下：加入新变量的回归结果（一）变量X1X2X3X4-R2X2，X10.0705（-0.0771）9.7507（7.2376）0.9606X2，X310.2965（8.3143）-4.3912（-0.3806）0.9608X2，X413.2294（12.4984）-2.0460（-3.3560）0.9736-经比较，新加入 X4 的方程R2 =0.9

13、736，改进最大，而且各参数的 t 检验变量X1X2X3X4-R2X2，X4，X13.0647（3.9151）11.6337（12.5708）-3.6917（-5.7919）0.9837X2，X4 ，X312.2458（15.0938）49.2738（4.4963）-4.4841（-6.3638）0.9855显著。选择保留 X4，再加入其他新变量进行逐步回归，结果如下：加入新变量的回归结果（二）-由以上可知，在 X2 和 X4 的基础上加入 X3 后的方程 R2 有所提高。且其系数能通过 t 检验（ta / 2 (n - k) = t0.025 (26 - 4) =2.074）。由此说明 X1

14、 引起多重共线性，应予以剔除。Date: 06/18/07Time: 19:17Sample: 1980 2005Included observations: 26VariableCoefficientStd. Errort-StatisticProb.C-376575.268111.86-5.5287750.0000X212.245860.81131515.093830.0000X349.2738310.958554.4963840.0002X4-4.4840680.704620-6.3638110.0000R-squared0.987325Mean dependent var1095188

15、.Adjusted R-squared0.985596S.D. dependent var361037.2S.E. of regression43329.86Akaike info criterion24.33171Sum squared resid4.13E+10Schwarz criterion24.52526Log likelihood-312.3122F-statistic571.2264Durbin-Watson stat1.591249Prob(F-statistic)0.000000最后修正多重共线性影响的回归结果为：-Yt = -376575.2 + 12.24586 X2+

16、49.27383X3-4.484068X4t =（-5.528775）（15.09383）（4.496384）（-6.363811）R2 =0.987325F=571.2264df=22DW=1.591249这表明，在其他因数不变的情况下，当能源生产总量和能源消费总量分别增长 1 万吨标准煤，货运量平均将分别增长 12.24586 万吨和 49.27383万吨，当工业总产值每增长 1 亿元时，货运量平均将减少 4.484068 万吨。五. 检验并修正异方差性i 2i3首先作出各解释变量对应的残差散点图如下（其中 E2= e2 , E3= e2 ,i 4E4= e2 ）：2.0E+108.E+1

17、01.5E+106.E+10E21.0E+104.E+105.0E+09E32.E+100.0E+0050000 100000 150000 200000 250000.E+000500010000150002000X2X31.E+118.E+10E46.E+104.E+102.E+100.E+00010000020000030000X4由于图形很难看出是否具有异方差性，加上该样本是时间序列数据，所以下面作 Arch 检验，结果如下：ARCH Test:F-statistic0.577384Probability0.570029Obs*R-squared1.250947Probability0

18、.535008Test Equation:Dependent Variable: RESID2Method: Least SquaresDate: 06/18/07Time: 20:37Sample(adjusted): 1982 2005Included observations: 24 after adjusting endpointsVariableCoefficientStd. Errort-StatisticProb.C2.12E+096.24E+083.3918990.0027RESID2(-1)-0.2283300.213165-1.0711440.2963RESID2(-2)-

19、0.0209760.212514-0.0987050.9223R-squared0.052123Mean dependent var1.70E+09Adjusted R-squared-0.038151S.D. dependent var1.55E+09S.E. of regression1.58E+09Akaike info criterion45.32080Sum squared resid5.27E+19Schwarz criterion45.46805Log likelihood-540.8496F-statistic0.577384Durbin-Watson stat2.040250

20、Prob(F-statistic)0.570029由于（n-p）*R2=1.250947,查表得 c 2 (p)= c 2(2)=5.99147,可见ac（n-p）*R2 2 (p),因此该模型不存在异方差性。a0.05六. 检验并修正自相关性作出模型的残差图如下：200000015000001000001000000500005000000-5000010000080828486889092949698000204ResidualActualF it ted由上面回归结果中可知DW=1.591249，查表得du =1.411，dl =0.928，由于du DW4- du ,故该模型不存在自相

21、关性。七.时间序列的平稳性及协整检验分别用 X2， X3 ，X4 对y 作回归，然后对其残差进行单位根检验。首先用 X2 对 y 作回归，再对其残差在进行单位根检验结果如下(lagged differences=2)：ADF Test Statistic-2.8110081%Critical Value*-2.67005%Critical Value-1.956610% Critical Value-1.6235*MacKinnon critical values for rejection of hypothesis of a unit root.Augmented Dickey-Fulle

22、r Test Equation Dependent Variable: D(E2)Method: Least SquaresDate: 06/20/07Time: 12:20 Sample(adjusted): 1983 2005R-squared0.302552Mean dependent var-2528.196Adjusted R-squared0.232807S.D. dependent var52120.49S.E. of regression45652.09Akaike info criterion24.41659Sum squared resid4.17E+10Schwarz c

23、riterion24.56470Log likelihood-277.7908Durbin-Watson stat1.970489Included observations: 23 after adjusting endpointsVariableCoefficientStd. Errort-StatisticProb.E2(-1)-0.5332800.189711-2.8110080.0108D(E2(-1)0.3776690.2130531.7726570.0915D(E2(-2)0.4194620.2231281.8799170.0748由此可知，t 检验统计量值=-2.811008，小

24、于相应的临界值，从而拒绝 h0,表明 X2 和y 不存在单位根，是平稳序列。由于只要其中一组是平稳整个序列就平稳，故该模型中的数据是平稳序列，不会存在伪回归情况。八.经济意义分析及模型评价随着市场经济的发展，物流行业浮出水面并快速发展起来。现在随处可见物流的兴起，虽然道路甚是曲折但前途一定是光明的。因此为了更好了解物流的发展，作货运量的计量经济因数研究也是必要的。由以上模型可知：能源的生产和消费量对货运量的影响比较大。这个也是显而易见的，能源生产出来肯定是需要运输到各地供不同的用途的。而工业总产值之所以对货运量有负面影响还有待研究，可能是行业之间的竞争引起的。本文严格遵循计量经济学的研究方法，

25、按照模型的设定参数估计模型检验模型应用的步骤进行。但是由于数据很难获得，本模型只是对经济系统分析，没有涉及运输系统的因数，因此可能存在不全面性。所以还有待在今后的学习中提高。九.参考文献1计量经济学庞浩科学出版社 20006.12 现代物流学 叶怀珍 高等教育出版社附件：Dependent Variable: Y Method: Least SquaresDate: 06/18/07Time: 19:08 Sample: 1980 2005Included observations: 26VariableCoefficientStd. Errort-StatisticProb.C-306875

26、.790517.19-3.3902480.0028X11.3009221.1237321.1576790.2600X211.862300.87061813.625150.0000X334.5563716.729582.0655850.0514X4-4.4544000.699703-6.3661260.0000R-squared0.988085Mean dependent var1095188.Adjusted R-squared0.985816S.D. dependent var361037.2S.E. of regression42998.65Akaike info criterion24.

27、34677Sum squared resid3.88E+10Schwarz criterion24.58871Log likelihood-311.5080F-statistic435.3802Durbin-Watson stat 1.585421Prob(F-statistic)0.000000一次回归结果：Dependent Variable: Y Method: Least SquaresDate: 06/18/07Time: 19:10 Sample: 1980 2005Included observations: 26VariableCoefficientStd. Errort-St

28、atisticProb.C744819.836182.1420.585290.0000X16.3929170.47898113.346920.0000R-squared 0.881271Mean dependent var1095188.Adjusted R-squared 0.876323S.D. dependent var361037.2S.E. of regression 126968.4Akaike info criterion26.41507Sum squared resid3.87E+11Schwarz criterion26.51184Log likelihood-341.395

29、9F-statistic178.1402Durbin-Watson stat 0.122199Prob(F-statistic)0.000000Dependent Variable: Y Method: Least SquaresDate: 06/18/07Time: 19:11Sample: 1980 2005Included observations: 26VariableCoefficientStd. Errort-StatisticProb.C-27251.9646506.67-0.5859800.5634X29.8500220.38986025.265560.0000R-square

30、d 0.963765Mean dependent var1095188.Adjusted R-squared 0.962256S.D. dependent var361037.2S.E. of regression 70142.08Akaike info criterion25.22824Sum squared resid1.18E+11Schwarz criterion25.32501Log likelihood-325.9671F-statistic638.3487Durbin-Watson stat 0.511000Prob(F-statistic)0.000000Dependent V

31、ariable: Y Method: Least SquaresDate: 06/18/07Time: 19:12Sample: 1980 2005Included observations: 26VariableCoefficientStd. Errort-StatisticProb.C513707.755925.549.1855660.0000X386.462857.24562411.933110.0000R-squared 0.855769Mean dependent var1095188.Adjusted R-squared 0.849759S.D. dependent var3610

32、37.2S.E. of regression 139941.5Akaike info criterion26.60964Sum squared resid4.70E+11Schwarz criterion26.70642Log likelihood-343.9253F-statistic142.3992Durbin-Watson stat 0.173103Prob(F-statistic)0.000000Dependent Variable: YMethod: Least SquaresDate: 06/18/07Time: 19:12Sample: 1980 2005Included obs

33、ervations: 26VariableCoefficientStd. Errort-StatisticProb.C799252.042930.6318.617290.0000X45.2025630.51353610.130860.0000R-squared 0.810478Mean dependent var1095188.Adjusted R-squared 0.802581S.D. dependent var361037.2S.E. of regression 160415.4Akaike info criterion26.88273Sum squared resid6.18E+11S

34、chwarz criterion26.97950Log likelihood-347.4754F-statistic102.6344Durbin-Watson stat 0.141626Prob(F-statistic)0.000000以X2 为基础回归Dependent Variable: Y Method: Least SquaresDate: 06/18/07Time: 19:14Sample: 1980 2005Included observations: 26VariableCoefficientStd. Errort-StatisticProb.C-19803.77107600.3

35、-0.1840490.8556X10.0705410.9143960.0771450.9392X29.7507331.3472297.2376200.0000R-squared0.963775Mean dependent var1095188.Adjusted R-squared0.960625S.D. dependent var361037.2S.E. of regression71641.42Akaike info criterion25.30490Sum squared resid1.18E+11Schwarz criterion25.45007Log likelihood-325.96

36、37F-statistic305.9575Durbin-Watson stat0.506345Prob(F-statistic)0.000000Dependent Variable: Y Method: Least SquaresDate: 06/18/07Time: 19:14 Sample: 1980 2005Included observations: 26VariableCoefficientStd. Errort-StatisticProb.C-48602.1073408.50-0.6620770.5145X210.296541.2384118.3143120.0000X3-4.39

37、121111.53625-0.3806440.7070R-squared 0.963992Mean dependent var1095188.Adjusted R-squared 0.960861S.D. dependent var361037.2S.E. of regression 71426.06Akaike info criterion25.29888Sum squared resid1.17E+11Schwarz criterion25.44405Log likelihood-325.8854F-statistic307.8747Durbin-Watson stat 0.535244P

38、rob(F-statistic)0.000000Dependent Variable: Y Method: Least SquaresDate: 06/18/07Time: 19:15Sample: 1980 2005Included observations: 26VariableCoefficientStd. Errort-StatisticProb.C-295958.189024.94-3.3244400.0030X213.229401.05848412.498440.0000X4-2.0460350.609648-3.3560900.0027R-squared 0.975677Mean dependent var1095188.Adjusted R-squared 0.973562S.D. dependent var361037.2S.E. of regression 58704.23Akaike info criterion24.90658Sum squared resid7.93E+10Schwarz c